Documente Academic
Documente Profesional
Documente Cultură
În practică, variabilele aleatoare apar ca funcţii ce depind de rezultatul efectuării unui anumit experiment. Spre
exemplu, la aruncarea a două zaruri, suma numerelor obţinute este o variabilă aleatoare. În general, ı̂n experimente
ı̂n care numărăm (maşini aflate pe şosea, aruncări ale unui zar până la obţinerea unui şase, piese defecte, etc)
variabilele aleatore obţinute sunt variabile aleatore discrete, iar ı̂n experimentele ı̂n care măsurăm (voltajul elec-
tric, cantitatea de apă de ploaie, duritatea unui anumit material, etc), variabilele aleatoare obţinute sunt variabile
aleatoare continue.
Definiţia matematică precisă este următoarea.
Definiţia 2.1 (Variabilă aleatoare) O variabilă aleatoare reală pe spaţiul de probabilitate (Ω F ) este o funcţie
: Ω → R măsurabilă ı̂n raport cu -algebrele corespunzătoare (F pe Ω, respectiv -algebra Boreliană B pe R),
adică cu proprietatea că
−1 () = { ∈ Ω : () ∈ } ∈ F
pentru orice mulţime Boreliană ∈ B.
Pentru a calcula diverse caracteristice numerice asociate variabilei aleatoare , introducem funcţia de distribuţie
corespunzătoare, după cum urmează.
Definiţia 2.2 (Funcţia de distribuţie) Funcţia de distribuţie a unei variabile aleatoare este funcţia = :
R → R definită prin
() = ( ≤ ) ∈ R (8)
Observaţia 2.3 Folosind funcţia de distribuţie a variabilei aleatoare putem spre exemplu determina probabili-
tatea ca variabila să ia valori ı̂ntr-un anumit interval ( ]:
Această egalitate are loc deoarece evenimentele { ≤ } şi { ≤ } sunt disjuncte, şi verifică { ≤ } ∪
{ ≤ } = { ≤ }, şi deci din Definiţia 1.6 a probabilităţii obţinem
() = ( ≤ )
= ( ≤ ) + ( ≤ )
= () + ( ≤ )
Propoziţia 2.4 (De caracterizare a funcţiei de distribuţie) Funcţia de distribuţie : R → R a unei vari-
abile aleatoare are următoarele proprietăţi.
Reciproc, se poate arăta că dacă o funcţie : R → R verifică proprietăţile 1) - 3) de mai sus, atunci există o
variabilă aleatoare (pe un anumit spaţiu de probabilitate) având ca funcţie de distribuţie.
7
are proprietăţile cerute. Pentru aceasta se demonstrează mai ı̂ntâi că
{ ∈ Ω : () ≤ } = { ∈ Ω : ≤ ()}
de unde rezultă imediat (deoarece = este măsura Lebesgue pe intervalul (0 1))
({ ∈ Ω : () ≤ }) = ({ ∈ Ω : ≤ ()}) = ((0 ()]) = ((0 ()]) = ()
1. Dacă este un interval ce nu conţine nici una din valorile posibile ale variabilei aleatoare discrete , atunci
( ∈ ) = 0 (11)
2. Probabilitatea ca variabila aleatoare să ia valori ı̂ntr-un interval = ( ] este dată de
X
( ≤ ) = (12)
≤
adică este egală cu suma probabilităţilor corespunzătoare valorilor posibile pentru care ≤ .
3. Suma tuturor probabilităţilor corespunzătoare valorilor este egală cu 1, adică
X
= 1 (13)
Dacă este o variabilă aleatoare discretă, vom spune că funcţia de distribuţie corespunzătoare este o funcţie
de distribuţie discretă (sau că are o distribuţie discretă).
Definiţia 2.7 (Funcţie de densitate de probabilitate) Pentru o variabilă aleatoare discretă ce ia valorile
1 2 3 cu probabilităţile 1 2 3 definim funcţia de probabilitate = a variabilei aleatoare
prin ½
dacă = ( = 1 2 3 )
() =
0 ı̂n rest
Cunoscând funcţia de probabilitate a unei variabile aleatoare (sau valorile posibile şi probabilităţile respective),
putem determina funcţia de distribuţie corespunzătoare astfel:
X X
() = ( ) = (14)
≤ ≤
Graficul unei distribuţii discrete este o funcţie ı̂n scară, cu salturi egale cu ı̂n punctele ( = 1 2 3 ), ca
ı̂n următoarele două exemple.
8
f (x)
1
6
1 2 3 4 5 6
F (x)
1
1
6
1 2 3 4 5 6
Figure 1: Graficul funcţiei de probabilitate () şi a funcţiei de distribuţie () a variabilei aleatoare
reprezentând rezultatul aruncării unui zar.
Exemplul 2.8 Să considerăm variabila aleatoare reprezentând rezultatul aruncării unui zar. Atunci are ca
valori posibile 1 2 6 cu probabilităţi 16 fiecare, şi deci este o variabilă aleatoare discretă
µ ¶
1 2 3 4 5 6
= 1 1 1 1 1 1
6 6 6 6 6 6
De observat legătura ı̂ntre graficele funcţiei de probabilitate () şi a funcţiei de distribuţie () din Figura 1.
Exemplul 2.9 Să considerăm variabila aleatoare reprezentând numărul de feţe stemă obţinute la aruncarea a 3
monede.
În acest caz variabila aleatoare ia valorile 0 1 2 3 cu probabilităţile 18 38 38 18 , deci putem reprezenta variabila
aleatoare sub forma µ ¶
0 1 2 3
= 1 3 3 1
8 8 8 8
Graficul funcţiei de probabilitate () şi a funcţiei de distribuţie () este indicat ı̂n Figura 2.
Exemplul 2.10 (Problema aşteptării - spaţiu numărabil de evenimente ) Se aruncă ı̂n mod repetat o mo-
nedă şi se consideră variabila aleatoare reprezentând numărul de ı̂ncercări efectuate până la prima apariţie a
stemei.
9
f (x)
3
8
1
8
0 1 2 3
F (x)
1
1
8
1 2 3
Figure 2: Graficul funcţiei de probabilitate () şi a funcţiei de distribuţie () a variabilei aleatoare
reprezentând numărul de steme obţinute la aruncarea a două monede.
În acest caz variabila aleatoare poate lua valorile 1 2 3 (un număr infinit, numărabil, de valori posibile),
cu probabilităţile ( = 1) = () = 12 , ( = 2) = () = 12 · 12 = 14 , ( = 3) = () = 12 · 12 · 12 = 18 ,
şamd. Avem deci µ ¶
1 2 3
= 1 1 1
2 4 8
De observat că relaţia (13) este verificată ı̂n acest caz: folosind formula seriei progresiei geometrice, obţinem:
X X 1 1 1 1 1 1
=
= + + + = 1 = 1
2 2 4 8 21− 2
≥1 ≥1
Definiţia 2.11 (Variabilă aleatoare continuă şi absolut continuă) Spunem că variabila aleatoare este o
variabilă aleatoare continuă dacă funcţia de distribuţie corespunzătoare : R → R este o funcţie continuă pe
R.
Dacă ı̂n plus funcţia de distribuţie este absolut continuă ı̂n raport cu măsura Lebesgue pe R, adică dacă există
o funcţie : R → [0 ∞) integrabilă pe R astfel ı̂ncât
Z
() = () ∈ R, (15)
−∞
Observaţia 2.12 Variabilele aleatoare continue ce apar ı̂n practică sunt ı̂n general şi absolut continue. Din acest
motiv, ı̂n continuare ne vom referi la variabile aleatoare continue ı̂nţelegând prin aceasta că ele sunt şi absolut
continue.
10
Observaţia 2.13 Spre deosebire de variabilele aleatoare discrete, ı̂n cazul variabilelor aleatoare continue avem
( = ) = 0 (16)
oricare ar fi ∈ R.
Motivul este următorul: din continuitatea măsurii de probabilitate avem
( = ) = lim ( ≤ )
%
&
= lim ( ≤ ) − ( ≤ )
%
&
= lim () − ()
%
&
Z
= lim ()
%
&
Z
= ()
= 0
Din relaţia (16) rezultă că spre deosebire de cazul variabilelor aleatoare discrete, ı̂n cazul unei variabile aleatoare
continue următoarele probabilităţi sunt egale
Z
( ) = ( ≤ ) = ( ≤ ≤ ) = ( ≤ ) = () − () = () (17)
R
toate fiind egale cu () (aria de sub graficul funcţiei de densitate () ı̂ntre şi ).
Mai general, pentru orice interval ⊂ R avem
Z
( ∈ ) = () (18)
Observaţia 2.14 (Legătura ı̂ntre funcţia de densitate şi cea de distribuţie) Dacă este o variabilă aleatoare
continuă având densitatea atunci relaţia (15) permite calculul funcţiei de distribuţie:
Z
() = () ∈ R
−∞
Reciproc, dacă funcţia de densitate este o funcţie continuă (eventual cu excepţia unui număr finit de puncte),
din relaţia (15) rezultă că funcţia de distribuţie a unei variabile aleatoare continue este o funcţie continuă, şi mai
mult, că este o funcţie derivabilă (eventual cu excepţia punctelor de discontinuitate ale funcţiei de densitate ()).
Derivând relaţia (15) ı̂n raport cu obţinem
0 () = () (19)
pentru orice ∈ R pentru care funcţia () este continuă. Această relaţie ne permite să determinăm funcţia de
densitate () atunci când cunoaştem funcţia de distribuţie ().
Observaţia 2.15 Dacă este o variabilă aleatoare continuă având funcţia de densitate (), atunci au loc
următoarele.
2. Probabilitatea ca variabila aleatoare să ia valori ı̂ntr-un interval = ( ] este dată de
Z
( ≤ ) = () − () = () (21)
adică este egală cu aria de sub graficul densităţii () ı̂ntre şi (vezi Figura 3).
11
Figure 3: Probabilitatea ( ≤ ) este egală cu aria de sub graficul densităţii () ı̂ntre şi .
Am obţinut deci ⎧
⎨ 0 ≤1
() = 05 + 075 − 0253 −1 ≤ 1
⎩
1 1
Pentru a calcula probabilităţile cerute, folosim relaţia (51):
µ ¶ Z 1 Z 12
1 1 2
− ≤ ≤ = () = 075 1 − 2 = 06875
2 2 − 12 − 12
12
sau alternativ
µ ¶ µ ¶ µ ¶
1 1 075 025 81
≤ ≤ 2 = (2) − = 1 − 05 + − = ≈ 03164
4 4 4 64 256
Pentru a determina valoarea lui pentru care are loc egalitatea ( ≤ ) = 05, să observăm că deoarece
3
( ≤ ) = (),
¡ 2 relaţia
¢ dată se mai poate scrie sub forma
√ () = 05.
√ Obţinem deci 05 + 075 − 025 = 05,
sau echivalent − 3 = 0, cu soluţiile 1 = 0, 2 = − 3 şi 3 = 3. Cum numai soluţia = 0 convine (de
ce?), avem = 0.
Exerciţii
Exerciţiul 2.2 Considerăm funcţia de probabilitate () = 3 pentru ∈ {0 1 2 3} şi 0 ı̂n rest. Să se determine
valoarea constantei , şi să se reprezinte grafic funcţia şi funcţia de distribuţie corespunzătoare.
Exerciţiul 2.3 Să se reprezinte grafic funcţiile şi ı̂n cazul (0) = (3) = 16 , (1) = (2) = 13 . Poate funcţia
avea alte valori nenule?
Exerciţiul 2.4 Fie variabila aleatoare reprezentând numărul de ani ı̂nainte ca o anumită piesă să se defecteze.
Presupunem că are funcţia de probabilitate () = 3 pentru ∈ {0 1 2 3 4} şi 0 ı̂n rest. Să se reprezinte
grafic funcţia şi funcţia de distribuţie corespunzătoare.
Exerciţiul 2.5 Dacă variabila aleatoare are funcţia de probabilitate () = ! pentru ∈ N şi 0 ı̂n rest, să se
determine valoarea constantei şi probabilitatea ( ≥ 3).
Exerciţiul 2.6 Să se reprezinte grafic funcţia de densitate () = 14 pentru ∈ (2 6) şi 0 ı̂n rest, precum şi funcţia
de densitate corespunzătoare. Să se determine probabilităţile ( ≥ 4) şi ( ≤ 3).
Exerciţiul 2.7 În exerciţiul anterior, să se determine valoarea lui astfel ı̂ncât:
a) ( ≤ ) = 90%
1
b) ( ≥ ) = 2
c) ( ≤ ) = 5%
Exerciţiul 2.8 Funcţia de distribuţie a unei variabile aleatoare este dată de () = 0 dacă 0 şi () =
1 − −01 dacă ≥ 0. Să se reprezinte grafic şi funcţia de densitate . Să se determine valoarea lui astfel
ı̂ncât ( ≤ ) = 95%.
Exerciţiul 2.9 Fie grosimea (ı̂n milimetri) a unei garnituri produse de o anumită maşină. Presupunem că
variabila aleatoare are funcţia de densitate () = dacă 09 1 şi 0 ı̂n rest. Să se determine . Care
este probabilitatea ca o garnitură produsă va avea o grosime ı̂ntre 095 şi 105 mm?
Exerciţiul 2.10 Două şuruburi sunt alese la ı̂ntâmplare fără ı̂nlocuire dintr-o cutie ce conţine 7 şuruburi cu filet pe
dreapta şi 3 şuruburi cu filet pe stânga. Fie variabila aleatoare reprezentând numărul de şuruburi extrase având
filetul pe partea stângă. Să se determine ( = 0), ( = 1), ( = 2), (1 2) şi (05 5).
Exerciţiul 2.11 Să se determine probabilitatea ca nici unul din cele trei becuri ale unui semafor să nu trebuiască
schimbat ı̂n primele h1500 ore de funcţionare
i dacă durata de viaţă a unui bec este o variabilă aleatoare având
2
densitatea () = 6 025 − ( − 15) pentru 1 ≤ ≤ 2 şi 0 ı̂n rest, unde este măsurat ı̂n multiplii de 1000 ore.
Exerciţiul 2.12 Dacă diametrul al unei bare este o variabilă aleatoare având densitatea () = pentru
11199 ≤ ≤ 1201 şi 0 ı̂n rest, aproximativ câte bare vor fi defecte ı̂ntr-un lot de 500 bare, dacă o bară este
considerată defectă când diametrul ei este mai mic decât 11991 sau mai mare decât 12009?
13
Exerciţiul 2.13 Dacă durata de viaţă a unui rulment este o variabilă aleatoare cu densitatea () = −02
pentru 0 ≤ ≤ 10 şi 0 ı̂n rest, care este valoarea lui ? Care este probabilitatea ( ≥ 5)?
Exerciţiul 2.14 Să se determine funcţia de probabilitate a variabilei aleatoare reprezentând numărul de aruncări
ale unui zar până la apariţia feţei 6. Să se verifice că are loc relaţia (50).
Exerciţiul 2.16 Presupunem că ı̂ntr-un proces automatizat de umplere a conservelor cu ulei, conţinutul unei con-
serve (ı̂n litri) este = 100 + , unde este o variabilă aleatoare având densitatea () = 1 − || pentru || ≤ 1 şi
0 pentru || 1. Să se reprezinte grafic şi funcţia de distribuţie corespunzătoare. Într-un lot de 1000 conserve,
aproximativ câte conserve vor conţine 100 de litri de ulei sau mai mult? Care este probabilitatea ca o conservă să
conţină mai puţin de 99.5 litri ulei? Dar mai puţin de 99 litri ulei?
Exerciţiul 2.17 Fie funcţia de densitate dată de () = 2 dacă 0 ≤ ≤ 2 şi 0 ı̂n rest. Să se determine
valoarea constantei . Să se determine constantele 1 şi 2 astfel ı̂ncât ( ≤ 1 ) = 01 şi ( ≤ 2 ) = 09.
Exerciţiul 2.18 Fie raportul vanzărilor la profit pentru o anumită firmă. Presupunem că are funcţia de
distribuţie dată de ⎧
⎨ 0 2
() = 2 −4
2 ≤3
⎩ 5
1 ≥3
Să se determine şi să se reprezinte grafic funcţia de densitate corespunzătoare. Care este probabilitatea ca
să fie cuprins ı̂ntre 25 (40% profit) şi 5 (20% profit)?
Exerciţiul 2.19 Fie o variabilă aleatoare ce poate lua orice valoare reală. Care sunt complementarele eveni-
mentelor { ≤ }, { }, { ≥ }, { }, { ≤ ≤ }, { ≤ }?
unde prin am notat funcţia de probabilitate a lui ı̂n cazul ı̂n care este o variabilă aleatoare discretă, respectiv
funcţia de densitate a lui ı̂n cazul ı̂n care este o variabilă aleatoare continuă.
Abaterea
p pătratică medie () a variabilei aleatoare se defineşte ca fiind radicalul dispersiei, adică
() = 2 ().
Media () a unei variabile aleatoare se mai numeşte valoarea aşteptată / aşteptarea lui , deoarece ea
este egală cu valoarea medie a lui atunci când se efectuează multe ı̂ncercări.
Cantităţi precum () (media) sau 2 () (dispersia) care indică anumite proprietăţi ale distribuţiei ı̂n cauză
se numesc parametrii ai distribuţiei. Media şi dispersia sunt cei mai importanţi parametrii ai unei distribuţii.
Observăm că ı̂n general (cu excepţia cazului unei variabile aleatoare discrete având o singură valoare posibilă),
avem 2 () 0. În continuare vom presupune că () şi 2 () există (şi sunt finite), ca ı̂n majoritatea cazurilor
ce apar ı̂n probleme practice.
14
f (x) F (x)
1
1
b−a
a b a b
Figure 4: Graficul funcţiilor de densitate şi de distribuţie ı̂n cazul distribuţiei uniforme pe intervalul ( ).
Exemplul 2.17 Fie variabila aleatoare reprezentând numărul de feţe stemă obţinut la aruncarea unei monede.
În acest caz variabila aleatoare este dată de
µ ¶
0 1
= 1 1
2 2
Exemplul 2.18 (Distribuţia uniformă pe intervalul ( )) Distribuţia având funcţia de densitate
½ 1
() = − ∈ ( )
0 ı̂n rest
respectiv
Zµ ¶2 Z µ ¶2 µ ¶3 ¯¯
∞
+ + 1 1 + ¯ ( − )2
2 () = − () = − = − ¯ =
−∞ 2 − 3 ( − ) 2 ¯ 12
Figura 4 indică graficele funcţiei de densitate şi a funcţiei de distribuţie corespunzătoare distribuţiei uniforme
pe intervalul ( ).
Dacă o distribuţie este simetrică (adică graficul funcţiei de probabilitate/densitate este simetruic faţă de o
dreaptă = ), atunci putem calcula media a distribuţiei folosind următoarea.
Teorema 2.19 Dacă funcţia (de probabilitate sau de densitate) a unei distribuţii este simetrică faţă de dreapta
= , atunci media distribuţiei este () = .
Demonstraţie. În cazul unei distribuţii continue având densitatea , conform definiţiei mediei avem:
Z ∞ Z Z ∞
() = () = () + ()
−∞ −∞
15
Folosind substituţia = − ı̂n prima integrală, respectiv substituţia = + ı̂n a doua integrală, şi faptul
că funcţia este simetrică faţă de dreapta = (adică ( − ) = ( + )), obţinem:
Z ∞ Z ∞
() = ( − ) ( − ) + ( + ) ( + )
Z0 ∞ 0
= ( − + + ) ( + )
0
Z ∞
= 2 ( + )
Z0 ∞
= 2 ()
=
R∞ R R∞
deoarece −∞ = 1 şi deci −∞ = = 12 (funcţia fiind simetrică faţă de = ).
Demonstraţia este similară ı̂n cazul unei distribuţii discrete.
Teorema 2.20 (Transformarea mediei şi dispersiei) Dacă o variabilă aleatoare are medie () = şi
dispersie 2 () = 2 , atunci media şi dispersia variabilei aleatoare
= + ( 0, ∈ R)
sunt date de
( ) = + şi 2 ( ) = 2 2 (25)
În particular, variabila aleatoare standardizată corespunzătoare lui , dată de
−
= (26)
are medie () = 0 şi dispersie 2 () = 1.
Demonstraţie. Vom da demonstraţia numai ı̂n cazul unei variabile aleatoare discrete.
Să arătăm mai ı̂ntâi că dacă densitatea variabilei aleatoare este , atunci densitatea variabilei aleatoare
este = + .
Reamintim că densitatea a variabilei aleatoare a fost definită ca funcţia cu proprietatea că
Z
() = ()
−∞
sau echivalent Z
( ≤ ) = ()
−∞
−
Folosind substituţia = , obţinem:
Z µ ¶
− 1
( ≤ ) =
−∞
16
şi deci funcţia de densitate a variabilei aleatoare este
µ ¶
1 −
() =
Putem deci calcula media variabilei aleatoare conform definiţiei
Z ∞ Z ∞ µ ¶
1 −
( ) = () =
−∞ −∞
−
Folosind substituţia = (sau echivalent = + ), obţinem
Z ∞
1
( ) = ( + ) ()
−∞
Z ∞
= ( + ) ()
−∞
Z ∞ Z ∞
= () + ()
−∞ −∞
= +
R∞
conform definiţiei medie a lui şi deoarece −∞ = 1 (funcţia fiind o funcţie de densitate).
În mod similar putem calcula dispersia variabilei aleatoare
Z ∞
2
( ) = ( − )2 ()
−∞
Z ∞ µ ¶
2 1 −
= ( − − )
−∞
Z ∞
2 1
= ( + − − ) ()
−∞
Z ∞
= 2 ( − )2 ()
−∞
= 2 2
unde reprezintă funcţia de probabilitate a lui (ı̂n cazul unei variabile discrete) sau funcţia de densitate a lui
(ı̂n cazul unei variabile aleatoare continue).
17
În cazul particular al alegerii funcţiei () = se obţine momentul de ordin al variabilei aleatoare
Z ∞
¡ ¢ X
= ( ) sau () (28)
−∞
iar ı̂n cazul alegerii funcţiei () = ( − ) se obţine momentul centrat de ordin al variabilei aleatoare
³ ´ X Z ∞
( − ) = ( − ) ( ) sau ( − ) () (29)
−∞
Observăm că momentul de ordin 1 ( = 1 ı̂n formula (28)) coincide cu media a variabilei aleatoare
= ()
şi că momentul centrat de ordin 2 ( = 2 ı̂n formula (29)) coincide cu dispersia 2 a variabilei aleatoare
³ ´
2 = ( − )2 .
Exerciţii
Să se determine media şi dispersia variabilei aleatoare ı̂n următoarele cazuri ( reprezintă funcţia de proba-
bilitate sau de densitate a variabilei aleatoare ).
Exerciţiul 2.21 () = 3 , ∈ {0 1 2 3} şi 0 ı̂n rest.
Exerciţiul 2.22 reprezintă rezultatul aruncării unui zar.
Exerciţiul 2.23 () = 2 pentru 0 ≤ ≤ 1 şi 0 ı̂n rest.
Exerciţiul 2.24 () = − pentru 0 şi 0 ı̂n rest.
Exerciţiul 2.25 = 4 − 2, unde este variabila aleatoare din anterior.
Exerciţiul 2.26 este variabila aleatoare uniformă pe [0 10].
Exerciţiul 2.27 Dacă diametrul (ı̂n centimetri) al unor şuruburi are densitatea () = ( − 09) (11 − )
pentru 09 11 şi 0 ı̂n rest, să se determine şi 2 . Să se reprezinte grafic densitatea .
Exerciţiul 2.28 Dacă ı̂n exerciţiul anterior un şurub este considerat defect atunci când diametrul său diferă cu
mai mult de 006 cm faţă de 1 cm, care este probabilitatea ca un şurub să fie defect?
Exerciţiul 2.29 În exerciţiul anterior, care este valoarea maximă posibilă a deviaţiei faţă de 1 cm pentru care
probabilitatea ca un şurub să fie defect este de 10%?
Exerciţiul 2.30 Care este valoarea aşteptată a sumei la aruncarea de 20 de ori a unui zar? Comparaţi valoarea
obţinută cu valoarea experimentală (efectuaţi experimentul de un număr de ori şi ı̂nregistraţi valorile obţinute).
Exerciţiul 2.31 O staţie de benzină este alimentată ı̂n fiecare Sâmbătă. Presupunem că volumul de benzină
vândută (ı̂n zeci de mii de litri) este o variabilă aleatoare având densitatea () = 6 (1 − ) pentru 0 ≤ ≤ 1 şi
0 ı̂n rest. Să se determine media, dispersia şi variabila aleatoare standardizată corespunzătoare lui .
Exerciţiul 2.32 Ce capacitate trebuie să aibă rezervorul din problema anterioară, dacă probabilitatea ca rezervorul
să fie golit ı̂ntr-o anumită săptămână este de 5%?
Exerciţiul 2.33 Dacă durata de viaţă a unor cauciucuri (ı̂n mii de kilometri) are densitatea () = − pentru
0 şi 0 ı̂n rest, ce kilometraj sunteţi aşteptat să obţineţi cu acest tip de cauciucuri? Pentru = 005, determinaţi
probabilitatea ca un cauciuc va avea o durată de viaţă mai de cel puţin 30000 km.
Exerciţiul 2.34 La aruncarea unui zar, o persoană câştigă atâţia lei câţi indică zarul. Cât ar trebui să plătească
persoana pentru un joc, pentru ca jocul să fie cinstit (echitabil)?
Exerciţiul 2.35 Care este valoarea aşteptată a profitului zilnic al unui magazin care vinde curcani pe zi cu
probabilităţile (5) = 01, (6) = 03, (7) = 04 şi (8) = 02, dacă profitul pentru un curcan vândut este de 35
lei?
18