Elemente de teoria probabilitatilor

EVENIMENTE

Definitie Numim eveniment orice rezultat al unui experiment in ipoteza ca experimentul poate
fi repetat de oricate ori in conditii identice.

Evenimentele le vom nota cu litere mari A,B,C, etc.

Evenimentele pot fi clasificate in 3 categorii:

 Evenimente sigure;
 Evenimente imposibile;
 Evenimente intamplatoare (aleatoare/ probabile).

Evenimentul imposibil se va nota cu Ø si este acel eveniment care nu se realizeaza in

urma niciunui eveniment.

Evenimentul intamplator se va nota cu A,B, etc. si se poate reliza sau nu in urma unui
experiment. Acesta poate depinde de un numar de factori pe care nu ii putem considera in
totalitate lor.

Evenimentul sigur se va nota cu Ω si se defineste ca fiind acel eveniment care se

realizeaza in urma oricarui eveniment.

Exista evenimente aleatoare despre a caror realizare nu putem da ca sigma aparitie a lor
in urma unui singur experiment. Daca insa consideram evenimentele intamplatoare care pot fi
observate de multe ori in conditii identice vom constata ca acestea se supun unor legitati
determinate numite legitati statistice.

Teoria probabilitatii si a statisticii urmaresc tocmai stabilirea acestor legitatii.

Cunoasterea lor ne permite sa prevedem desfasurarea evenimentelor intamplatoare repetate de
mai multe ori, astfel desi nu putem spune daca dupa o ssingura aruncare a zarului va aparea fata
2, putem prevedea cu suficienta precizie numarul de aparitii a fetei 2 intr-o serie suficient de
lunga de aruncari ale zarului.
Definitie Doua evenimente A si B se numesc evenimente incompatibile daca realizarea unuia
exclude realizarea celuilalt.

Definitie Fie evenimentele A si B , numim reuniune (AUB) a acestora acel eveniment care
consta in realizarea evenimentului A, B sau a ambelor evenimente.

T1 Teorema de adunare a probabilitatii evenimentelor incompatibile

Fie evenimentele incompatibile A si B. Daca definim probabilitatea ca raportul dintre

numarul cazurilor favorabile si numarul cazurilor posibile, atunci : P(AUB) = P(A) + P(B)

Daca A si B nu sunt incompatibile, atunci P(AUB) are alta formula, intr-adevar daca notam

“n”= numarul cazurilor posibile.

n1= numarul cazurilor favorabile realizarii evenimentului A

n2= numarul cazurilor favorabile realizarii evenimentului B

𝒏𝟏+𝒏𝟐 𝒏𝟏 𝒏𝟐
P(AUB) = = + = 𝐏(A) + 𝐏(B)
𝒏 𝒏 𝒏

Definitie Doua evenimente A si B se numesc evenimente independente daca realizarea sau

nerealizarea evenimentului A nu depinde nici de realizarea, nici de nerealizarea evenimentului B.

T2 Exista o formula de calcul pentru probabilitatea intersectiei evenimentelor independente .

Daca notam A∩B eveniment constand in realizarea atat a evenimentului A cat si a evenimentului
B atat in cazul in care A si B sunt evenimente independente.

A∩B= 𝐏(A) ∗ 𝐏(B)

Notam:

“n”= numarul cazurilor posibile.

n1= numarul cazurilor favorabile realizarii evenimentului A

n2= numarul cazurilor favorabile realizarii evenimentului B

P(A∩B)= n1∗n2= 𝐏(A) ∗ 𝐏(B)

Definitie Evenimentul B se numeste eveniment dependent de A, daca B se realizeaza pentru
cand A s-a realizat. Notam (B/A)

Probabilitatea evenimentului (B/A) se calculeaza cu ajutorul formulei T3.

𝐏(A∩B)
T3 P(B/A)= , (𝐏(A) ≠ 𝟎)
𝐏(A)

Notam: P(B/A)= PA(B)

“n”= numarul cazurilor posibile.

n1= numarul cazurilor favorabile realizarii evenimentului A

n2= numarul cazurilor favorabile realizarii evenimentului B

𝑚′
𝑚′ 𝑛 𝐏(A∩B)
P(B/A)= = 𝑚 =
𝑚 𝐏(A)
𝑛

Definitie O multime de evenimente {A1,A2,…,An} se numeste sistem complet de evenimente

daca in urma oricarui experiment se realizeaza unul si numai unul dintre aceste evenimente. Cu
alte cuvinte A1,A2,…,An sunt incompatibile, iar reuniunea lor este evenimentul singur.

A1 U A2 U…U An = Ω

OBSERVATIE

Formula din T3 se poate transcrie astfel:

P(A∩B)= P(A) ∗ PA(B)

Folosind aceste proprietati putem descompune un eveniment oarecare A in raport cu un system
complet de evenimente:

A= A∩ Ω = A1 U A2 U…U An = (A∩A1) U (A1∩A2) U…U (A∩An)

Formula probabilitatii TOTALE : P(A) =∑𝑛𝑖=1 𝐏(𝐴𝑖 ) ∗ 𝐏A𝑖 (A)

 Variabile aleatoare. Marimi caracteristice

Prin notiunea de variabila aleatoare includem influentele acestor factori ne luati in calcul
astfel incat concluzia despre evenimente sa fie in concordanta cu realitatea. Pentru moment vom
numim variabila aleatoare o corespondenta (functie) care asociaza anumite valori numerice unor
evenimente (functia ia valori cu o anumita probabilitate).
Domeniul in care ia valori variabila aleatoare poate fi:

1. O multime finite de puncte isolate in R;

2. O multime infinita de puncte isolate in R;
3. Un interval in R.

Vom numi variabila aleatoare discrete (discreta) acea variabila aleatoare de la punctele 1 si 2.

Vom numi variabila aleatoare continuu o variabila cu proprietatea 3.

EXEMPLU: Daca se considera aruncarea unui zar atunci variabila aleatoare de la punctele ia
valori in multimea 1,2,…,6 cu probabilitati egale. O variabila aleatoare discrete o vom cu
ajutorul unui tablou de valori pe care il vom numi repartitie.

Variabilele aleatoare le vom nota: X, Y, ℰ, etc.

𝑥1 𝑥2 … 𝑥𝑛
Repartitia o vom asocia: X:(
𝑝1 𝑝2 … 𝑝𝑛 ) (*)

Observatie: Intotdeauna repartitia din relatia de mai sus are proprietatea:

p1+p2+…+pn=1
deoarece A1=( x = x1)

A1=( x =x2)

An=( x= xn)

Vom defini operatii pe care le vom efectua cu variabila alatoare:

 1. Daca a∈R o constanta atunci pornim de la variabila aleatoare cu repartitia din relatia (*)
vom defini variabila:
𝑎𝑥1 𝑎𝑥2 … 𝑎𝑥𝑛
aX: ( 𝑝 𝑝2 … 𝑝𝑛 )
1

2. Adunarea variabilei aleatoare

𝑥1 𝑥2 … 𝑥𝑛 𝑦1 𝑦2 … 𝑦𝑛
X:(𝑝 𝑝2 … 𝑝𝑛 ) si Y: ( 𝑞1 𝑞 … 𝑞𝑛 )
1

… 𝑥𝑖 + 𝑥𝑗 …
X+Y: (… 𝑝𝑖𝑗 …)

pij= P(Ai∩Bj)

Ai= (X=xi) si Bj= (Y=yj) sunt independente, pij= piqj

3. Inmultirea variabilei aleatoare

Consideram X si Y de la punctual 2 si descriem variabila XY cu ajutorul urmatoarei repartitii:

… 𝑥𝑖 𝑥𝑗 …
XY: (… 𝑝𝑖𝑗 …), unde pij are aceeasi semnificatie ca si in cazul
adunarii.

4. Ridicarea la o putere
𝑘
𝑥 𝑥2 𝑘 … 𝑥𝑛 𝑘
Daca X este descrisa de repartitia din relatia (*) atunci 𝑋 𝑘 : ( 1 )
𝑝1 𝑝2 … 𝑝𝑛

Proprietatile mediei si dispersiei

𝑎
P1. Daca X este o variabila aleatoare constanta, adica are repartitia X:(1), atunci M(X)= a,
deoarece ∑ 𝑥𝑖 𝑝𝑖 = 𝑎 ∗ 1!

P2. Pentru oricare doua variabile aleatoare X si Y => M(X+Y) = M(X) + M(Y).

P3. Daca “a” este o constanta, iar “b” o variabila aleatoare atunci M(aX) = aM(X)
 𝑎𝑥1 … 𝑎𝑥𝑛
Intr-adevar variabila aleatoare aX: (𝑝 … 𝑝𝑛 )
1

=> M(aX) = ∑𝑛𝑖=1(𝑎𝑥𝑖 )𝑝𝑖 = 𝑎 ∑𝑛𝑖=1 𝑥𝑖 𝑝𝑖 = 𝑎 𝑀(𝑋)

P4. Daca X este o variabila aleatoare oarecare atunci intr-adevar D2(X) = M (X-M(X))2 = M(X2-
2M(X)X + M2(X))

P5. Dispersia oricarei variabile aleatoare constanta este nula .

Daca X este constant, atunci:
𝑎
X: ( ) => D2(X)= M(X2) – M2(X) = a2*1 – a2
1

P6. Daca doua variabile aleatoare X si Y au proprietatea ca: Ai = (X = Xi) 1 ≤ 𝑖 ≤ 𝑛 si

Bj = (Y=Yj) 1 ≤ 𝑗 ≤ 𝑛 sunt independente atunci dispersia de suma este egala cu suma de
dispersie : D2(X+Y) = D2(X) + D2(Y).
 Repartitia binomiala

0 1 2 … 𝑛
Se considera repartitia :𝑋𝑛 ( 0 0 𝑛 ), care
𝐶𝑛 𝑝 𝑞 𝐶𝑛1 𝑝1 𝑞 𝑛−1 𝐶𝑛2 𝑝2 𝑞 𝑛−2 … 𝐶𝑛𝑛 𝑝𝑛 𝑞 0
descrie rezultatele unui experiment in care evenimentul A se produce intotdeauna cu P(A)= p
si contrarul sau P(Ac)= q, (p+q= 1).

Prin definitie M(X(n)) = ∑𝑛 𝑛 𝑖 𝑖 𝑛−1

𝑖=0 𝑥𝑖 𝑝𝑖 = ∑𝑖=0 𝑖𝐶𝑛 𝑝 𝑞 .
Aceasta suma se poate determina in mai multe moduri: f:R→R, f(x) = (1+x)n care este
derivabila si I se calculeaza derivate in doua moduri:

a) f’(x) = n (1+x)n-1
b) f’(x) = 𝐶𝑛0 + 𝐶𝑛1 𝑥 + 𝐶𝑛2 𝑥 2 + ⋯ + 𝐶𝑛𝑛 𝑥 𝑛 ) = 𝐶𝑛1 ∗ 1 + 𝐶𝑛2 ∗ 2𝑥 + ⋯ + 𝐶𝑛𝑛 ∗ 𝑛𝑥 𝑛−1

Definitia 1 Fie k∈N*

I. se numeste moment initial de ordin k al variabilei aleatoare X numarul definit si

notat astfel: 𝛼 k = M (Xk) =∑𝑛𝑖=1 𝑥𝑖𝑘 𝑝𝑖
II. se numeste moment centrat de ordin k al variabilei aleatoare X numarul definit si
notat astfel: 𝜇 k = M (X-M(X))k

Cazuri particulare :

k=1 𝛼 1= M(X)

𝜇 1= M(X-M(X))1= M(X) – M(M(X)) = 0

=> pentru oricare variabila aleatoare 𝜇 1= 0

k=2 𝛼 2= M(X2) = ∑𝑛𝑖=0 𝑥𝑖2 𝑝𝑖

𝜇 2= M(X-M(X))2 = D2 (X)

k=3 𝛼 3= M(X3) = ∑𝑛𝑖=0 𝑥𝑖3 𝑝𝑖

𝜇 3= M (X3 + 3M2(X)X – 3M(X)X2 – M3(X)) = M(X3) + 3M2(X)M(X) –

3M(X)M(X2) – M3(X) = 𝛼 3 +3 𝛼13 -3 𝛼 1 𝛼 2 - 𝛼13 = 𝛼3 + 2𝛼13 − 3𝛼1 𝛼2
Definitia 2 Fie variabila aleatoare CONTINUA (X ale carei valori acoperaintervalul (a,b) ).
Numim functie de repartitie asociata variabilei aleatoare X, functia FX:R→R, FX(x) = P(X<x).

OBSERVATIE: Putem particulariza definitia 2 si pentru variabile aleatoare discrete (reciproca

nu este posibila).

Definitia 3 In conditiile definitiei 2 spunem ca variabila aleatoare X este CONTINUA daca

functia de repartitie (FX) asociata variabilei aleatoare este continua.

P1 𝟏 ≥ FX (x) ≥ 0

P2 Daca x1< x2 => FX(x1)≤ FX(x2)

P3 Daca X este variabila aleatoare continua atunci probabilitatile urmatoare sunt egale:

X= v.a. cont => P (x≤X≤x) = FX(x2) - FX(x1) = P (x<X<x) = P (x≤X≤x) = P (x<X≤x)

P4 Daca X este o variabila aleatoare continua atunci P (X=x) = 0

P5 In conditiile definitiei 2 au loc relatiile:

a) lim 𝐹𝑋 (𝑥) = 0
𝑥→−∞
b) lim 𝐹𝑋 (𝑥) = 1
𝑥→−∞
 Densitatea de probabilitate.
Marimi numerice asociate variabilei aleatoare continue.
Clasa variabilelor aleatoare N(m,𝜎), (𝜎>0)

Definitia 1 Fie variabila aleatoare X cu FX : (a,b) → R , (de obicei FX : R → R ) astfel incat FX

este derivabila cu derivate continua pe R.

PROPRIETATI:

A. fX (x) ≥ 0, (∀) x ∈ R
𝑥
B. FX (x) = ∫−∞ 𝑓𝑥 (𝑡)𝑑𝑡
𝑥
C. P (x1<x<x2) = ∫𝑥 2 𝑓𝑥 (𝑡)𝑑𝑡
1

Definitia 2 Fie variabila aleatoare X avand densitatea de probabilitate fX

𝑥
1. Numim medie numarul M(X) = ∫𝑅 𝑓𝑋 (𝑥)𝑑𝑥;
2. Numim moment initial de ordin k (k∈N*)
𝑥𝑘
𝛼k = ∫𝑅 𝑓𝑋 (𝑥)𝑑𝑥
3. Numim moment centrat de ordin k numarul
𝜇𝑘 = ∫𝑅 (𝑥 − 𝑚𝑥 )𝑘 𝑓𝑥 (𝑥)𝑑𝑥, unde am notat mx=M(X)

OBSERVATIE: Ca si in cazul variabilei aleatoare discrete, dispersia este momentul centrat de

ordinul II.

Principalele proprietati ale densitatii de probabilitate normale sunt date in urmatoarea teorema:

1) Toate graficele corespunzatoare functiilor f (x, m, 𝜎) au un mic punct de maxim, x = m si

tind descrescator asimtotic la axa OX.
 2) Toate graficele corespunzatoare admit ca axe de simetrie.

3) Toate graficele au o forma de clopot avand convexitate in intervalele (-∞, - 𝜎) si [𝜎, +∞)
si sunt concave in intervalele [m, -∞) si [m, +∞).

4) Punctele de inflexiune pentru oricare graphic [m, -∞) si [m, +∞) .

1 −(𝑥−𝑚)2 1
OBSERVATIE: lim 𝑓(𝑥, 𝑚, 𝜎) = lim 𝑒 = 𝑒 −∞ = 0
𝑋→±∞ 𝑋→±∞ 𝜎√2𝜋 2√2 𝜎√2𝜋

OBSERVATIE: pentru a caracteriza alte proprietati a acestei clase de variabile aleatoare este
necesar sa folosim functia 𝛽 si Γ
1
𝛽(a,b) = ∫0 𝑥 𝑎−1 (1 − 𝑥)𝑏−1 𝑑𝑥, a>0<b
∞
Γ(a) = ∫0 𝑥 𝑎−1 𝑒 −𝑥 𝑑𝑥

PROPRIETATI

 𝛽(a,b) = 𝛽(b,a)

Γ(𝑎)Γ(𝑏)
 𝛽(a,b) =
Γ(𝑎+𝑏)

𝜋
 Γ(a)Γ(1-a) = , 0<a<1
sin(𝑎𝜋)

∞ 𝑥 𝑎−1
 𝛽(a,b) = ∫0 𝑑𝑥
(1+𝑥)𝑎+𝑏

 Γ(1+a) = a Γ(a)
 Functii de repartitie special

l. Clasa variabilei aleatoare normale, N(m,𝜎) care are densitatea de probabilitate

(𝑥−𝑚)2
1 −
f(x,m, 𝜎) = 𝑒 2√2 , m ∈ R, 𝜎 ∈ (0,∞), x ∈ R
𝜎√2𝜋

𝑥2 −𝑚 𝑡2 𝑥−𝑚 𝑡2
1 − 1 −
P(x1<x<x2) = ∫ 𝜎 𝑒 2 𝑑𝑡 − ∫−∞ 𝑒
𝜎 2 𝑑𝑡
√2𝜋 −∞ √2𝜋

Se considera ca :

𝑡2 (𝑡−0)2
1 − 1 −
a) Functia 𝑒 2 = 𝑒 2∗12 este f(t,0,1) aduca f(t,0,1) defineste clasa N(0,1).
√2𝜋 1√2𝜋
𝑡 2
1𝑥 − 𝑥2 −𝑚 𝑥1 −𝑚
b) Daca notam Φ(x)= ∫ 𝑒 2 𝑑𝑡 => P(x1<x<x2) = Φ ( )− Φ( )
√2𝜋 −∞ 𝜎 𝜎

CONCLUZIE: pentru orice clasa N (m,𝜎) si orice variabila X∈ N (m,𝜎) exprimarea probabilitatii
evenimentului (x1<x<x2) se face cu ajutorul urmatoarei functii de repartitie normale cu
parametrii 0, 1.

𝑥2
1 −
Functia Φ(x)= 𝑒 2 se numeste FUNCTIA LUI LAPLACE
√2𝜋

1
2. Clasa 𝛾(m), densitatea de probabilitate este f(x) = Γ(𝑚) 𝑥 𝑚−1 𝑒 −𝑥 , x>0 si f(x) = 0, x≤0, unde

m ∈ 𝑅+∗

∞ 1 1
a) Se aplica ∫𝑅 𝑓(𝑥) 𝑑𝑥 = ∫0 𝑥 𝑚−1 𝑒 −𝑥 𝑑𝑥 = Γ(𝑚) = 1, iar f(x)≥0,
Γ(𝑚) Γ(𝑚)
(∀) 𝑥 ∈ 𝑅

Deci f este o densitate de probabilitate ( (∋)variabila aleatoare X astfel incat 𝐹𝑥′ = 𝑓)

b) Momentele initiale de ordin k:

𝑥𝑘 ∞ 1 1 ∞
𝛼k = ∫𝑅 𝑓(𝑥) 𝑑𝑥 = ∫0 𝑥 𝑛 𝑥 𝑚−1 𝑒 −𝑥 𝑑𝑥 = ∫ 𝑥 𝑘+𝑚−1 𝑒 −𝑥 𝑑𝑥.
Γ(𝑚) Γ(𝑚) 0

3. Clasa 𝛽(m,n), variabila aleatoare din aceasta clasa are asociata urmatoarea densitate de
probabilitate (repartitia).
 1
f(x) = 𝛽(𝑚,𝑛) 𝑥 𝑚−1 (1 − 𝑥)𝑛−1 , unde m,n ∈ 𝑅+∗ , iar x ∈ (0,1).

Daca x ∈ (-∞, 0] U [1,∞), atunci f(x) = 0.

 f- este o densitate de probabilitate deoarece f(x) ≥ 0, (∀) x ∈ 𝑅 si

1 1
1 1
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 = 𝑥 𝑚−1 (1 − 𝑥)𝑛−1 𝑑𝑥 = ∫ 𝑥 𝑚−1 (1 − 𝑥)𝑛−1 𝑑𝑥
𝛽(𝑚, 𝑛) 𝛽(𝑚, 𝑛)
𝑅 0 0

4. Clasa H(s,𝜎) unde s ∈ N* - se numeste numarul gradelor de libertate , iar 𝜎 ∈ (0, ∞)

Variabila aleatoare X ∈ H (s, 𝜎), densitatea de probabilitate are urmatoarea definitie:

𝑥 𝑥
1 −1 −
𝑥 2 𝑒 2𝜎2
f(x) = {22𝑠 𝜎𝑠 Γ2𝑠 , x > 0 si x ≤ 0
0

a) ∫𝑅 𝑓 (𝑥) = 1 si f(x) = 0 x ∈ 𝑅
b) 𝛼𝑘 , 𝜇𝑘
 Clase de variabile aleatoare remarcabile
Inegalitatea lui Cebasev
Teorema lui Cebasev

1. Clasa H(s,𝜎) , s ∈ N* , 𝜎 > 0

X ∈ H (s,𝜎) este asociata urmatoarei densitati de probabilitate

𝑥 𝑥
1 −1 −
f(x) = 𝑠 𝑠 𝑥2 𝑒 2𝜎2 , pentru x > 0
22 𝜎 𝑠 Γ2

f(x) = 0, pentru x < 0

+∞ 0
Observam ca f(x) ≥0 (∀) x ∈ R si ∫𝑅 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑓(𝑥)𝑑𝑥 +
𝑠 𝑥
∞ 1 −∞ −
∫0 𝑓(𝑥)𝑑𝑥 = 𝑠 𝑠 ∫0 𝑥 2−1 𝑒 2𝜎2
22 𝜎 𝑠 Γ2
𝑥
= 𝑡 => 𝑥 = 2𝜎 2 − 𝑡 => 𝑑𝑥 = 2𝜎 2 𝑑𝑡
2𝜎 2
x ↓ 0  t ↓ 0 si x ↑ +∞  t
𝑠
1 ∞ 2 2−1 −𝑡 ∞
 ∫𝑅 𝑓(𝑥)𝑑𝑥 = 𝑠 𝑠 ∫
0
(2𝜎 𝑡) 𝑒 2𝜎 2 𝑑𝑡 = 1 (deoarece ∫0 𝑥 𝑝−1 𝑒 −𝑥 𝑑𝑥 =
2 2 𝜎 𝑠 Γ2
Γ(𝑝))
 𝑓(𝑥) este o densitate de probabilitate.

Momentele centrate pot fi determinate cu ajutorul momentele initiale prin intermediul

relatiilor cunoscute:

𝜇2 = 𝑀(𝑋 − 𝑀(𝑋))2 = 𝐷2 (𝑥) = 𝛼2 − 𝛼12 = 𝜎 2 𝑠(𝑠 + 2) − 𝜎 4 𝑠 2

2. Clasa variabilei aleatoare S(s), s ∈ N*

X ∈ S(s)  este asociata urmatoarei densitati de probabilitate

𝑠+1
1 Γ( 2 ) 𝑥 2 −𝑠+1
f(x) = 𝑠 (1 + ) 2
√𝜋𝑠 Γ( ) 𝑠
2

OBSERVATIE: s ∈ N*, iar x2 ≥ 0, f(x) este definite pe intregul domeniu R.

 Inegalitatea lui Cebasev
Legea numerelor mari

PROPRIETATE: Daca 𝜀 > 0, iar x cate o variabila aleatoare, media M(X) atunci are loc
inegalitatea:

P((X-M(X)) < 𝜀)

Aceasta proprietate este adevarata atat in cazul variabilei aleatoare continuu cat si in cazul
variabilei aleatoare discrete.

Inegalitatea lui Cebasev nu are o valoare aparte in sine fiind un lucru evident in anumite
conditii.
𝐷(𝑥)2
Exemplu: 𝜀 = 10-q sufficient de mic, atunci 1- este negative, iar probabil fiind ≥0 devine
𝜀2
banala inegalitatea lui Cebasev.

Teorema (Cebasev) Fie variabila aleatoare x1,…,xn , n ∈ N* independente si cu proprietatea

ca exista o constanta c ∈ R astfel incat D2(xk) ≤ c (∀) k ∈ N*

In aceste conditii are loc relatia:

𝑋1 +⋯+𝑋𝑛 𝑀(𝑋1 )+⋯+𝑀(𝑋𝑛 )

lim 𝑃(| − | < 𝜀) = 1
𝑛→∞ 𝑛 𝑛

𝑋1 +⋯+𝑋𝑛
Remarcam ca daca notam X urmatoare variabila Xn= atunci X este media aritmetica a
𝑛
variabilei X1…Xn

Proprietati:

 Cu toate ca variabila aleatoare X1…Xn poate lua valori puternic dispersate, totusi media
lor aritmetica este o variabila aleatoare care ia valori oricat de apropiate de numarul
𝑋1 +⋯+𝑋𝑛
M( ) daca numarul n este sufficient de mare.
𝑛

 𝜀>0 este un numar pozitiv oarecare, iar (|𝑋(𝑛) − 𝑀(𝑋(𝑛) )| < 𝜀) are o semnificatie ca
𝑋1 +⋯+𝑋𝑛
daca n este suficient de mare atunci abaterea variabilei aleatoare Xn= este
𝑛
apropate sigur mai mica decat 𝜀>0.
 In estimarile statisticii variabilele aleatoare initiale cu pronuntat caracter de imprastiere
conduc prin media lor aritmetica la o variabila cu ajutorul caruia putem estima suficient
de bine abaterea mediei.

 Teorema lui Cebasev ne permite sa justificam asa numita lege a numerelor mari: daca se
efectueaza un numar suficient de mare de experimente in conditii identice, atunci
frecventa relative converge in realitate spre probabilul eveniment respectiv .

Teorema Cebasev
𝟎 𝐗𝟏 + ⋯ + 𝐗𝐧 𝐌(𝐗𝟏 ) + ⋯ + 𝐌(𝐗𝐧 )
𝐥𝐢𝐦 𝑷 (| − 𝑷| < 𝜺) = 𝐥𝐢𝐦 𝐏(| − | < 𝛆) = 𝟏
𝒏→∞ 𝒏 𝒏→∞ 𝐧 𝐧
 Vectori aleatori bidimensionali

Vom nota cu (X; Y ) un vector (variabila) bidimensional. Daca (X; Y ) este un vector aleator,
atunci componentele sale X ¸si Y sunt variabile aleatoare unidimensionale si se numesc variabile
aleatoare marginale.

Definitia 1 Spunem ca vectorul aleator (X; Y ) este:

1. discret, daca variabilele aleatoare componente sunt discrete;

2. continuu, daca variabilele aleatoare componente sunt continue.

Asemeni repartitiei variabilelor aleatoare unidimensionale discrete, prin repartitie a unui vector
aleator bidimensional discret vom intelege enumerearea valorilor posibile ale vectorului, adica
enumerarea perechilor de numere reale (xi , yj), 1 ≤ i ≤ n, 1 ≤ j ≤ m; ¸si a probabilitatilor lor
corespunzatoare 𝜋𝑖𝑗 .

Definitia 2 Daca Z = (X; Y ) este un vector aleator discret atunci:

1. numerele: 𝜋𝑖𝑗 = P(Z = zij ) = P(X = xi, Y = yj ), 1 ≤ i ≤ n, 1 ≤ j ≤ m reprezinta repartitia

probabilista comuna a variabilelor aleatoare X si Y sau repartitia probabilista a vectorului aleator
(X , Y );

2. numerele pi = P(X = xi), qj = P(Y = yj ), 1 ≤ i ≤ n, 1 ≤ j ≤ m reprezinta repartitiile

probabiliste individuale ale componentelor vectorului aleator (X , Y ) sau repartitiile probabiliste
marginale ale vectorului aleator (X , Y ).

Sa consideram vectorul aleator bidimensional (discret sau continuu) Z = (X, Y ).

Functia de repartitie a vectorul aleator bidimensional Z = (X, Y ) are forma:

F(z) = F(x, y) = P(Z < z) = P(X < x, Y < y)

Ca si in cazul unidimensional (n = 1), functia de repartitie a unui vector aleator bidimensional are
urmatoarele proprietati:

Proprietatea 1 Valorile functiei de repartitie F(x, y) sunt cuprinse in intervalul [0, 1]

0 ≤ F(x, y) ≤ 1
Proprietatea 2 Functia de repartitie F(x, y) este nedescrescatoare in raport cu fiecare argument:

F (x1, y) ≤ F (x2, y) pentru orice x1 < x2

F (x, y1) ≤ F (x, y2) pentru orice y1 < y2

Proprietatea 3 Au loc:

lim 𝐹(𝑥, 𝑦) = 0
𝑥→−∞

lim 𝐹(𝑥, 𝑦) = 0
𝑦→−∞

lim 𝐹(𝑥, 𝑦) = 0
𝑥→−∞
𝑦→−∞

lim 𝐹(𝑥, 𝑦) = 1
𝑥→∞
𝑦→∞

Proprietatea 4 Functia de repartitie a variabilei X este egala cu: FX(x) = lim F(x, y)

Functia de repartitie a variabilei Y este egala cu: FY (y) = lim F(x, y)

Observatie: Functiile de repartitie FX(x) si FY (y) se numesc functii de repartitie marginale

(sau individuale) ale vectorului aleator Z.

Sa consideram vectorul aleator bidimensional continuu Z = (X, Y ).

Definitia 3 Se numeste densitate de probabilitate bidimensionala a doua derivata partiala mixta

(daca exista) a functiei de repartitie F(x,y)

𝜕2 F(x,y)
f (x, y) =
𝜕𝑥𝜕𝑦