Capitolul 1

Variabile aleatoare discrete

1.1 Variabile aleatoare şi repartiţia lor

Fie ( ;F; P) un câmp de probabilitate discret¼a, adic¼
a = f! 1 , ! 2 , ... ,! n ,
...g, F = fA j A 2 g, iar P : F ! R este o probabilitate discret¼ a.
Studierea evenimentelor elementare ca atare prezint¼a, de regul¼a, mai
puţin interes decât studierea unor m¼
arimi numerice care depind de aceste
evenimente elementare. Noţiunea de variabil¼
a aleatoare vine s¼
a modeleze din
punct de vedere matematic noţiunea de caracteristic¼ a (variabil¼
a) statistic¼a
din statistica descriptiv¼
a.

Exemplul 1 Fie experimentul cu aruncarea a dou¼a monede iar în leg¼atur¼a

cu el consider¼am urmatoarele m¼arimi, ce depind de rezultatele posibile ale
experimentului: (1) num¼arul de steme ap¼arute X şi (2) m¼arimea IA de tip
indicator a evenimentului A = fstema va apare cel putin o dat¼a} , care
ia valoarea 1 dac¼a se produce evenimentul A sau valoarea 0 in caz contrar.
Aceste m¼arimi (variabile) ca funcţii de evenimente elementare sunt redate în
tabelul urm¼ator:
!i SS SB BS BB
X(! i ) 2 1 1 1 .
IA (! i ) 1 1 1 0
Dealtfel, pentru orice A 2 F putem de…ni funcţia IA : ! f0; 1g conform
formulei
0; dac¼a ! i 2 A;
IA (! i ) = :
1; dac¼a ! i 2 A:

1
2 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Aceasta se numeşte indicator al evenimentului A.

Este …resc s¼a consider¼am în exemplul nostru c¼a X, IA sunt varibile
aleatoare in sensul c¼a valorile lor depnd de evenimentele elementare core-
spunz¼atoare experimentului dat.
De…niţia 2 Fie ( ; F) un spaţiu m¼asurabil discret, atunci vom numi vari-
abil¼
a aleatoare (v.a) de…nit¼
a pe acest spaţiu orice funcţie X : ! R.
Imaginea mulţimii în raport cu funcţia X este mulţimea X( ) =
fX(! 1 ), X(! 2 ), ... ,X(! k ), ...g = fx1 , x2 , ... ,xn , ...g = X , unde x1 < x2 <
... < xn < ... . Atunci perechea (X , P(X )), unde X = fx1 , x2 , ... ,xn , ...g
iar P(X ) = fC j C X g, formez¼ a un nou spaţiu m¼ asurabil numit spaţiu m¼a-
surabil de selecţie al variabilei aleatoare X. Pentru orice C 2 P(X ) putem
de…ni probabilitatea PX (C) = P f! j X(!) 2 Cg. Aplicaţia PX : P(X ) !
R de…nit¼ a pe (X , P(X )), este o probabilitate discret¼ a deoarece
1
PX (X ) = P f! j X(!) 2 X g = P ! j ! 2 X (X ) = P( ) = 1:
Luând Ai = f! 2 j X(!) = xi g, observ¼ am c¼
a Ai \ Aj = ; deoarece
a [ Ai = f! 2 j X(!) 2 X g = X 1 (X ) = .
xi 6= xj , 8i 6= j; i; j 1 şi c¼
i 1
Mulţimile (Ai )i 1 , cu proprietatea Ai \ Aj = ;, 8i 6= j, i; j 1 şi =
[ Ai poart¼a denumirea de partiţie a lui iar (X , P(X ), PX ) se numeşte
i 1
câmp de probabilitate indus de v.a. X
P
De…niţia 3 Setul f(xi ; PX (xi ))gi 1 , unde PX (xi ) 0 şi PX (xi ) = 1, se
i 1
numeşte repartiţie a variabilei aleatoare X, unde
PX (xi ) = P f! j X(!) = xi g = pi ; i 1:
Repartiţia a variabilei aleatoare X se mai scrie su form¼a de tabel:
x1 x2 ::: xn ::: X
X: ; pi 0; pi = 1.
p1 p2 ::: pn :::
i 1

Exemplul 4 (Continuare) Fie experimentul cu aruncarea monedei de dou¼a

ori, atunci, dac¼a moneda este simetric¼a, toate evenimentele elementare ! i 2
fSS, SB, BS, BBg sunt echiprobabile, adic¼a P f! i g = 1=4. Atunci vari-
abilele aleatoare X şi IA au, respectiv, repartiţiile
0 1 2 0 1
X: 1 1 1 , IA : 1 3 .
4 2 4 4 4
1.2. FUNCŢIA DE REPARTIŢIE 3
P
Propoziţia 5 Dac¼a f(xi ; pi )gi 1 este o repartiţie, adic¼a pi 0 şi pi = 1
i 1
, atunci exist¼a un câmp de probabilitate ( ; F; P) şi o variabil¼a aleatoare X
de…nit¼a pe acest câmp, astfel încât repartiţia variabilei aleatoare X coincide
cu repartiţia dat¼a.
Demonstraţie. Dac¼ a lu¼
am = fx1 , x2 , ... ,xn , ...g, F = fA j A 2 g
şi de…nim P : F ! R astfel:
X X
P(A) = pi , considerând Pfxi g = pi , avem c¼ a, pi = 1.
i:xi 2A xi 2

Or, P este o probabilitate discret¼

a de…nit¼ a pe spaţiul m¼
asurabil ( , F).
Variabila X o de…nim ca aplicaţia identic¼
aX : ! R, care asociaz¼
a
…ec¼
arui xi 2 valoarea X(xi ) = xi :
Observaţia 1 Cele expuse mai sus ne conduc la concluziaP c¼a modelele matem-
atice (X, ( , F, P)) şi f(xi ; pi )gi 1 , unde pi 0 şi pi = 1, sunt echiva-
i 1
lente în sensul c¼a, ştiind un model putem restabili cel¼alalt model.

1.2 Funcţia de repartiţie

Noţiunea de repartiţie a variabilei aleatoare modeleaz¼ a din punct de vedere
matematic noţiunea de distribuţie de selecţie din statistica descriptiv¼
a. Prin
analogie, noţiunea de funcţie de repartiţie va servi drept model matematic
pentru noţiunea de funcţie empiric¼ a de repartiţie din statistica descriptiv¼
a.
Mai mult, vom ar¼ ata c¼
a aceast¼a funcţie, în calitate de model matematic,
este echivalent¼a (într-un anumit sens) cu repartiţia variabilei aleatoare, prin
urmare şi cu modelul (X; ( ; F; P)).
Fie ( ; F; P) un câmp de probabilitate discret şi o variabil¼ a aleatoare
X : ! R.
De…niţia 6 Funcţia FX (x) = P f! j X (!) xg, 8x 2 R se numeşte funcţie
de repartiţie (distribuţie) a variabilei aleatoare X.
Exemplul 7 (Continuare) În exemplul anterior funcţia de repartiţie aso-
ciat¼a variabilei IA este
8
< 0; pentru x < 0;
FIA (x) = P f!jIA (!) xg = 1=4; pentru 0 x < 1
:
1; pentru 1 x
4 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

iar cea asociat¼a variabilei X este

8
>
> 0; pentru x < 0;
<
1=4; pentru 0 x < 1;
FX (x) =
>
> 3=4; pentru 1 x < 2;
:
1; pentru 2 1:

Gra…cele acestor funcţii arat¼

a c¼
a FIA (x), FX (x) sunt funcţii scarate.

!!!!!POZA1

Propoziţia 8 Dac¼a FX este funcţia de repartiţie a variabilei aleatoare X

atunci:

1. P(X > a) = 1 FX (a), 8a 2 R;

2. P(a < X b) = FX (b) FX (a), 8a,b 2 R, a < b;

3. P(X < a) = FX (a 0) = lim FX (an ),8a 2 R;

an "a

4. P(X = a) = FX (a) FX (a 0),8a 2 R;

5. P(a < X < b) = FX (b 0) FX (a) , 8a,b 2 R, a < b;

6. P(a X < b) = FX (b 0) FX (a 0), 8a,b 2 R, a < b;

7. P(a X b) = FX (b) FX (a 0), 8a,b 2 R, a < b.

Demonstraţie:
1. P(X > a) = 1 P(X a) = 1 FX (a),8a 2 R;
2.
f! 2 j X(!) bg =
f! 2 j X(!) ag [ f! 2 j a < X(!) bg ; 8a; b 2 R; a < b:
Deci
P(X b) = P(X a) + P(a < X b) ,
FX (b) = FX (a) + P(a < X b) , P(a < X b) = FX (b) FX (a);
3. Fie şirul (an )n 1 , an " a, astfel încât a1 < a2 <...< an <...< a . Atunci

f! 2 j X(!) < ag = f! 2 jX (!) a1 g[f! 2 j a1 < X(!) a2 g[...

1.2. FUNCŢIA DE REPARTIŢIE 5

[ f! 2 j an 1 < X(!) an g [ ... .

Rezult¼
a c¼
a

P(X < a) = P(X a1 ) + P(a1 < X a2 ) + ::: + P(an 1 <X an ) + :::

= lim [P(X a1 ) + P(a1 < X a2 ) + ::: + P(an 1 < X an )]
n!1
= lim [FX (a1 ) + FX (a2 ) FX (a1 ) + ::: + FX (an ) FX (an 1 )]
n!1
= lim FX (an ) = FX (a 0);
n!1

4. FX (a) = P(X a) = P(X < a) + P(X = a) = FX (a 0) + P(X = a).

Deci P(X = a) = FX (a) FX (a 0).
5. Analog P(X < b) = P(X < a) + P(a X < b):Cum P(X < a) =
FX (a 0), P(X < b) = FX (b 0), rezult¼
a c¼
a
P(a X < b) = FX (b 0) FX (a 0).

Problema 1 Demonstraţi formulele 6-7 din Propozitia anterioara.

Teorema 9 (Propriet¼ aţile caracteristice ale funcţiilor de repartiţie).

Dac¼a FX este funcţia de repartiţie a variabilei aleatoare X, atunci sunt val-
abile urm¼atoarele propriet¼aţi:

1. FX este monoton cresc¼atoare: FX (a) FX (b),8a,b 2 R,a b;

2. FX este continu¼a la dreapta: lim FX (xn ) = FX (x + 0) = FX (x);

xn #x

3. FX (+1) = lim FX (x) = 1, FX ( 1) = lim FX (x) = 0.

x!+1 x! 1

Demonstraţie:
1. Fie a,b 2 R, a b. Evident, f! 2 j X (!) ag f! 2 j X (!) bg.
Prin urmare FX (a) = P (X a) P (X b) = FX (b).
2. Ştim c¼
a P(X > x) = 1 FX (x). Consider¼ am şirul (xn )n 0 astfel încât
xn > x, xn # x, x <...< xn <...< x2 < x1 şi lim xn = x:
n!1
Deci evenimentul
fX > xg = f!jX (!) > xg =
fX > x1 g [ fx1 X < x2 g [ ::: [ fxn 1 X < xn g [ ::::
Prin urmare
6 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

1 FX (x) = P(X > x) =

P(X > x1 ) + P(x1 X < x2 ) + ::: + P(xn 1 X < xn ) + :::

= lim [P(X > x1 ) + P(x1 X < x2 ) + ::: + P(xn 1 X < xn )] =

xn #x

lim [1 FX (x1 ) + FX (x2 ) FX (x1 ) + ::: + FX (xn+1 ) FX (xn )] =

xn #x

lim [1 FX (xn+1 )] = 1 FX (x + 0):

xn #x

Aşa dar, FX (x + 0) = FX (x)

3. Vom demonstra, spre exemplu, doar egalitatea FX ( 1) = 0, demon-
straţia egalit¼
aţii FX (+1) = 1 …ind similar¼
a.
Consider¼ am şirul (xn )n 0 xn # 1, unde x1 > x2 >...> xn >...> 1:
Atunci, folosind faptul c¼ a P( ) = 1 şi c¼
a poate … partajat in felul urm¼
ator:
1
= X (R) =X 1 ((x1 ; +1) [ (x2 ; x1 ] [ :::(xn ; xn 1 ] [ :::) =
1
X (x1 ; +1)[X 1 (x2 ; x1 ] [ :::[X 1 (xn 1 ; xn ] [ :::;

rezult¼
a c¼
a

1 = P( ) = P(X > x1 ) + P(x2 < X x1 ) + ::: + P(xn < X xn 1 ) + :::

=1 FX (x1 ) + FX (x2 ) FX (x3 ) + ::: + FX (xn ) FX (xn+1 ) + :::

= lim [1 FX (xn+1 )] = 1 FX ( 1);
adic¼a FX ( 1) = 0.
Pentru a descrie comportamentul probabilist a unei variabile aleatoare X
în caz discret avem la dispoziţie trei modele matematice: X
(1) (X; ( ; F; P)); (2) Repartiţia v.a. X , f(xi ; pi )gi 1 , pi 0, pi = 1
i 1

şi (3) Funcţia de repartiţie FX a variabilei aleatoareX;

FX (x) = P f! 2 jX (!) < xg = P (X < x)

1.3. REPARTIŢII (MODELE PROBABILISTE) UZUALE ÎN CAZ DISCRET7

În paragraful anterior am ar¼atat c¼ a pentru v.a. discrete modelele (1) şi

(2) sunt echivalente în sensul c¼
a, ştiind un model putem restabili cel¼ alalt
model. Propoziţia de mai jos arat¼
a c¼ a şi modelele (2), (3) sunt echivalente,
prin urmare modelele (1) (3) sunt echivalente în sensul ar¼ atat mai sus.
Propoziţia 10 a) Dac¼a X este o variabil¼a aleatoare cu repartiţia f(xi ; pi )gi 1 ,
X
pi 0, pi = 1, atunci pentru funcţia ei de repartiţie are loc relaţia
i 1
X
FX (x) = pi .
i:xi x

b) Dac¼a F este o funcţie scarat¼a ce poseda propriet¼aţile 1 3 caracteristice

funcţiilor de repartiţie atunci F este f.r. a v.a. X cu repartiţia f(xi ; pi )gi 1 ,
X
pi 0, pi = 1, unde xi 2 X = fx 2 R j F (x) 6= F (x 0)g, iar pi =
i 1
FX (xi ) FX (xi 0) > 0.
Demonstraţie. a) Deoarece f! 2 j X (!) xg = [f ! 2 j X (!) =
i:xi x
xi g, f! 2 jX (!) = xi g \ f! 2 jX (!) = xj g, 8i 6= j, i; j 1, rezul¼
a c¼
a

FX (x) = P f! 2 j X (!) xg = P( [f ! 2 j X (!) = xi g)

i:xi x
X X
= P f! 2 j X (!) = xi g = pi .
i:xi x i:xi x

b) Funcţia F …ind o funcţie scarat¼ a ce poseda propriet¼

aţile 1 3 caracteris-
tice funcţiilor de repartiţie, rezult¼
a c¼
a mulţimea X 2 fx 2 R j F (x) 6= F (x 0)g
este …nit¼a sau in…nit¼ a cel mult num¼ arabil¼a, adic¼
a X =fx1 ,Px2 , ... , xn , ...g,
x1 < x2 < ... < xn < ... , iar pi = F (xi ) F (xi 0) > 0, pi = F (+1) =
i 1
1.

1.3 Repartiţii (modele probabiliste) uzuale în

caz discret
a pe f0,1,: : : N g sau pe f1,2,: : : N g
Repartiţia uniform¼
De…niţia 11 Vom spune c¼a variabila aleatoare X este repartizat¼ a uniform
pe f0,1,: : : N g sau pe f1,2,: : : N g (se noteaz¼a X U f0,1,: : : ,N g sau X
8 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

U f1,2,: : : ,N g) dac¼a
0 1 ::: N
X : 1 1 1
N +1 N +1
::: N +1
1 2 ::: N
sau X : 1 1 1 :
N N
::: N
Acest model descrie,din punct de vedere matematic, experimentul ce con-
st¼
a în alegerea la întâmplare a unui num¼
ar din f0,1,: : : ,N g sau din f1,2,: : : ,N g.

Repartiţia Bernoulli cu parametrul p, p 2 [0,1]

De…niţia 12 Vom spune c¼a variabila aleatoare X este repartizat¼
a Bernoulli
cu parametrul p 2 [0,1] (se noteaz¼a X Bernoulli(p)), dac¼a
0 1
X: :
1 p p
Acest model descrie,din punct de vedere matematic, experimentul Bernoulli.
De…niţia 13 Experimentul E se numeşte experiment (prob¼a) Bernoulli dac¼a
acesta posed¼a urm¼atoarele propriet¼aţi:
1. mulţimea de rezultate posibile = fsucces, insuccesg = f1,0g;
2. probabilitatea succesului p este aceeaşi în …ecare prob¼a, p 2 [0; 1];
3. rezultatele unei probe nu in‡uenţeaz¼a rezultatele celorlalte probe.
Exemplul 14 În calitate de exemple de probe Bernoulli putem lua aruncarea
monedei o singur¼a dat¼a, unde "succes" putem considera, de pild¼a, apariţia
stemei, deasemenea, aruncarea zarului o singur¼a data, unde "succes" putem
considera, de pild¼a, apariţia unui num¼ar par de puncte. În genere, orice
experiment aleator E poate … considerat experiment Bernoulli dac¼a ne intere-
seaz¼a doar producerea sau nu a evenimentului A asociat experimentului E,
adic¼a producerea evenimentului A o consider¼am succes iar producerea eveni-
mentului A -insucces, cu condiţia ca acest experiment s¼a poat¼a … repetat inde-
pendendent unul de altul. Într-adevar, luând = fA,Ag, p = P(A) 2 [0,1],
probele …ind independente, vom aveea un experiment Bernoull.
Dac¼ a not¼
am cu X num¼
arul de succese într-o prob¼
a Bernoulli, obţinem
repartiţia
0 1
X:
1 p p
1.3. REPARTIŢII (MODELE PROBABILISTE) UZUALE ÎN CAZ DISCRET9

a cu parametrii n şi p, n = 1,2,: : : ; p 2 [0,1]

Repartiţia binomial¼
De…niţia 15 Vom spune c¼a variabila aleatoare X este repartizat¼
a binomial
cu parametrii n 2 f1,2,: : : g şi p 2 [0,1] ( se noteaz¼a X Bi(n,p)) dac¼a
repartiţia ei este dat¼a de formula
P(X = k) = Ckn pk (1 p)n k ; k = 0; n:

Observaţia 2 De…niţia este corect¼a deoarece

X
n X
n
P(X = k) = Ckn pk (1 p)n k

k=0 k=0
= (p + (1 p))n = 1n = 1:

Din punct de vedere teoretic, acest model descrie comportamentul prob-

abilistic al num¼
arului de succese în n probe Bernoulli cu probabilitatea suc-
cesului p în …ecare prob¼
a. Aceasta se vede din

Teorema 16 Daca X este num¼arul de succese în n probe Bernoulli cu prob-

abilitatea succesului p 2 [0,1] în …ecare prob¼a, atunci X Bi(n,p).

Demonstraţie. Spaţiul de evenimente elementare corespunz¼ ator repet¼

arii
unui experiment Bernoulli de n ori este = f(a1 ,a2 ,: : : ,an ) j ai = 0,1,
i = 1; ng. Aşa dar, notând cu 1 succesul şi 0 insuccesul, orice rezultat poate
… reprezentat ca o secvenţ¼a de zerouri şi unit¼aţi de forma a1 , a2 , : : : , an ,
evenimentele Ai = fproba i se va solda cu rezultatul ai g …ind independente,
iar P(Ai ) = pai (1 p)1 ai , i = 1; n. Prin urmare
Pf(a1 ; a2 ; : : : ; an )g = P(A1 A2 : : : An ) =
P
n nP
ai n ai
a1 1 a1 a2 1 a2 an 1 an
p (1 p) p (1 p) p (1 p) = pi=1 (1 p) i=1 :

P
n
Dar fX = kg = f(a1 ; a2 ; : : : ; an ) 2 j ai = kg cu card f(a1 ; a2 ; : : : ; an ) 2
i=1
P
n
j ai = kg = Ckn . Prin urmare,
i=1

P
n P
n
X
1
ai n ai
P(X = k) = p i=1 (1 p) i=1 =
a1 ;:::;an =0
a1 + +an =k
10 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE
X X
pk (1 p)n k
= pk (1 p)n k
= 1=
a1 ;:::;an =0;1:a1 + +an =k a1 ;:::;an =0;1:a1 + +an =k

cardf(a1 ; a2 ; : : : ; an ) 2 j a1 + + an = kgpk (1 p)n k

=
Ckn pk (1 p)n k ; k = 0; n:

Exemplul 17 Consider¼am aruncarea unui zar perfect de n ori, iar eveni-

mentul faparitia feţei 6 g drept succes , probabilitatea succesului în …ecare
prob¼a …ind egal¼a cu p = Pf6g = 16 . Dac¼a X este num¼arul de arunc¼ari în
care apare faţa 6, atunci

P(X = k) = Ckn pk (1 p)n k ; k = 0; n.

Probabilitatea, spre exemplu, c¼a faţa 6 nu apare niciodat¼a

n
5
P(X = 0) = Cn0 0
p (1 p) n 0
=
6

a cu parametrul p, p 2 [0,1]
Repartiţia geometric¼
De…niţia 18 Vom spune c¼a variabila aleatoare X este repartizat¼
a geometric
cu parametrul p 2 [0,1] ( se noteaz¼a X Geom(p)) dac¼a repartiţia ei este
dat¼a de formula
P(X = k) = p(1 p)k ; k = 0; 1; : : :
sau
P(X = k) = p(1 p)k 1 ; k = 1; 2; : : : :

Observaţia 3 De…niţia este corect¼a deoarece

X
p(1 p)k = p(1 + (1 p) + (1 p)2 + : : : )
k>0
1
= p =1
1 (1 p)

Propoziţia 19 Dac¼a X este num¼arul de probe Bernoulli, cu probabilitatea

succesului p 2 [0,1] în …ecare prob¼a, efectuate pân¼a la înregistrarea primului
succes, atunci X~Geom(p).
1.3. REPARTIŢII (MODELE PROBABILISTE) UZUALE ÎN CAZ DISCRET11

Demonstraţie. Evenimentele Ai = fproba i se va solda cu succesg …-

ind independente, iar P(Ai ) = p, i 1, avem ca P(X = k) = P(A1 A2 : : : Ak Ak +1 ) =
P(A1 )P(A2 ) : : : P(Ak )P(Ak +1 ) = p(1 p)k ; dac¼a în num¼
arul X nu este in-
a şi proba în care s-a produs succesul, k > 0.
clus¼

Teorema 20 (Proprietatea lipsei memoriei pentru repartiţia geo-

metric¼a) Dac¼a X~Geom(p), p 2 [0,1], adic¼a P(X = k) = p(1 p)k ,
k = 0,1,: : : , atunci

P(X = n + m = x > m) = p(1 p)n , n = 0; 1; : : : şi m = 0; 1; : : : :

Demonstraţie.
P(fX = n + mg \ fX > mg)
P(X = n + m = x > m) = =
P(X > m)
P(X = n + m) p(1 p)m+n
=
P(X = m) + P(x = m + 1) + : : : p(1 p)m + p(1 p)m+1 + : : :
p(1 p)m+n p(1 p)m+n
= = =
p(1 p)m [1 + (1 p) + (1 p)2 + : : : ] (1 p)m
p(1 p)n ; 8 n; m = 0; 1; : : : .

Exerciţiul 1.3.1 Demonstraţi c¼a are loc şi reciproca acestei propoziţii:
Dac¼a v.a X 2 f0,1,: : : g şi repartiţia ei are proprietatea c¼a exist¼a un num¼ar
p 2 [0,1] astfel încât P(X = m + n = X > m) = p(1 p)n , atunci
X~Geom(p).

Repartiţia Poisson cu parametrul , >0

De…niţia 21 Vom spune c¼a variabila aleatoare X este repartizat¼ a Poisson
cu parametrul > 0 (se noteaz¼a X P oisson( )) dac¼a repartiţia sa este
dat¼a de formula
k
P(X = k) = e ; k = 0; 1; : : :
k!
Observaţia 4 De…niţia este corect¼a deoarece
X X k X k
P(X = k) = e =e =e e = 1:
k>0 k>0
k! k>0
k!
12 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Din punct de vedere teoretic, acest model descrie:

num¼
arul de bacterii descoperite într-o pic¼
atur¼
a de ap¼
a;

num¼arul de particule radioactive emise într-o unitate de timp de o

substanţa radioactiv¼
a;

num¼arul de erori comise de un programator într-un program de lungime

dat¼
a;

num¼
arul de erori de tipar descoperite într-o pagin¼
a de carte;

num¼arul de bombe pe km2 cazute în oraşul Londra în timpul celui de

al doilea R¼
azboi Mondial, ş.a.

Repartiţia Poisson poate … folosit¼ a, în anumite condiţii, la aproximarea

repartiţiei binomiale. Într-adev¼
ar are loc

Teorema 22 (Teorema limit¼ a a lui Poisson) Dac¼a X Bi(n; p), n !

1, p ! 0, astfel încât np ! , > 0, atunci
k
P(X = K) = Ckn pk (1 p)n k
! e ; k = 1; 2; : : : :
n!1 k!

Demonstraţie. Din ipoteza rezult¼

a c¼
a p poate … scris p = n
+ o( n1 )
pentru n su…cient de mare. Deci

P(X = k) = Ckn pk (1 p)n k

=

k
n! 1 1
+ o( ) (1 o( ))n k
=
k!(n k)! n n n n
k n
n(n 1) : : : (n k + 1) 1 1
(1 + o(1)) 1 o( )
k! nk n n (1 n
o( n1 ))k
k
! e , k = 0; 1; : : : .
n!1 k!
1.3. REPARTIŢII (MODELE PROBABILISTE) UZUALE ÎN CAZ DISCRET13

Exemplul 23 Presupunem c¼a pentru producerea a 1000 de cozonaci au fost

prev¼azute 10000 de sta…de. În presupunerea c¼a tehnologia este respectat¼a în-
tocmai (aluatul şi sta…dele sunt bine amestecate), care este probabilitatea c¼a,
alegând la întâmplare un cozonac acesta nu va avea nici o sta…d¼a ?
Fie un cozonac ales la întâmplare dintre cei 1000 de cozonaci. Pentru …ecare
sta…d¼a, din totalul de 10000 mii sta…de, consider¼am succes evenimentul fsta…da
1
va nimeri în cozonacul alesg. Probabilitatea succesului este p = 1000 , în-
trucât pentru …ecare sta…d¼a în parte exist¼a 1000 de posibilit¼aţi echiprobabile
de a nimeri într-unul din cei 1000 de cozonaci. Prin urmare daca X este
1
num¼arul de sta…de nimerite în cozonacul ales, atunci X Bi(10000, 1000 ).
Probabilitatea c¼a într-un cozonac ales la întâmplare s¼a nu nimereasc¼a nici o
sta…d¼a este:
0 10000
1 1
P(X = 0) = C010000 1 = 0; 99910000 ;
1000 1000
1
n = 10000 …ind su…cient de mare, iar p = 1000 su…cient de mic, din Teorema
0 0
limit¼a a lui Poissson rezult¼a c¼a P(X = k) = 0; 99910000 ' (np)
0!
e np = 100! e 10
' 0.

Pentru a ilustra e…cienţa înlocuirii repartiţiei binomiale prin repartiţia lui

Poisson consider¼
am
Exemplul 2.9.2. (Problema despre zilele de naştere). Cu ce este egal¼ a
probabilitatea c¼a din 500 oameni luaţi la întâmplare, i persoane vor avea în
calitate de zi de naştere ziua de Anul Nou (1 ianuarie).
Soluţie. Dac¼ a vom considera „succes”c¼ a ziua de naştere a unei persoane
luate la întâmplare este 1 ianuarie atunci probabilitatea „succesului” este
egal¼
a cu p = 1=365 (socotind c¼ a anul are 365 de zile). Atunci probabilitatea
c¼
a din 500 de persoane luate la întâmplare i persoane s-au n¼ ascut la 1 ianuarie
este egal¼a cu
Pi (500; 1=365) = Ci500 (1=365)i (364=365)500 i ; i = 0; 500:
Num¼ arul de probe …ind mare iar probabilitatea „succesului” mic¼ a,
aceeaşi probabilitate poate … calculat¼ a dup¼ a formula lui Poisson cu para-
metrul = np = 500=365 = 1; 3699:::; adic¼ a
(1;3699)i
Pi (500; 1=365) pi = i!
e 1;3699 :
În tabelul de mai jos sunt expuse pentru comparare valorile Pi (500; 1=365)
şi pi pentru i = 0; 6:
14 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

i 0 1 2 3 4 5 6
Pi (500; 1=365) 0; 2537 0; 3484 0; 2388 0; 1089 0; 0372 0; 0101 0; 0023
pi 0; 2541 0; 3481 0; 2385 0; 1089 0; 0373 0; 0102 0; 0023

Din tabel avem c¼ a rezultatele calculelor bazate pe diferite modele (repar-

tiţii) probabiliste în cazul nostru nu difer¼a esenţial.

a cu parametrii N , M şi n
Repartiţia hipergeometric¼
De…niţia 24 Vom spune c¼a variabila aleatoare X este repartizat¼
a hiper-
geometric cu parametrii N , M , n (se noteaz¼a X~Hipergeom(N ,M ,n)) ,
M; n N dac¼a repartiţia ei este dat¼a de formula

CkM CnN k
M
P(X = k) = ; k = 0; min(n; M ):
CnN

Din punct de vedere teoretic, acest model modeleaz¼ a experimentul în care

dispunem de o urn¼ a în care se a‡a¼ N bile, dintre care M bile albe şi N M
bile roşii şi din care extragem la întâmplare far¼ a repetare n bile. Dac¼ aX
este num¼ arul de bile albe printre n bile extrase;atunci variabila X are (vezi
exempul ?? ) distribuţia

CkM CnN k
M
P(X = k) = ; k = 0; min(n; M ):
CnN

1.4 Variabile aleatoare bi(multi)dimensionale

Vectori sau variabile aleatoare bidimensionale
Fie ( ; F; P) un câmp de probabilitate discret.

De…niţia 25 Funcţia vectorial¼a (X; Y ) : ! R2 se numeşte vector aleator

sau variabil¼
a aleatoare bidimensional¼a.

Prin urmare, dac¼ a (X; Y ) este o variabil¼

a aleatoare bidimensional¼
a, atunci
şi X şi Y sunt variabile aleatoare.
Dac¼ a X 2 X = fx1 , x2 , ... , xn , ...g cu x1 < x2 <...< xn <... , iar Y 2
Y = fy1 , y2 , ... , yn , ...gcu y1 < y2 <...< yn <..., rezult¼a c¼
a (X,Y ) 2 X Y
şi P ((X; Y ) 2 X Y) = 1.
1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 15

Pentru orice pereche (xi ,yj ) 2 X Y putem evidenţia mulţimile

Aij = f! 2 j X (!) = xi , Y (!) = yj g ; i; j 1.

Aceste mulţimi au propriet¼

aţile: Aij \ Akl = ;,8(i,j) 6= (k,l), i; j; k; l 1 şi
[ Aij = .
i;j 1
Prin urmare, având o variabil¼ a bidimensional¼ a (X,Y ) putem scrie setul de
perechi de forma f((xP ;
i jy ) ; PX;Y (x ; y
i j P ))g i;j 1 unde PX;Y (xi ; yj ) = P(X =
,
xi ,Y = yj ) = P(Aij ); PX;Y (xi ; yj ) = P(Aij ) = P( ) = 1.
i;j 1 i;j 1
Prin urmare, dac¼ a (X,Y ) este o variabil¼ a bidimensional¼ a (X,Y ) : ! R,
atunci modelului ((X; Y ); ( ; F; P)) îi putem pune în corespondenţ¼ a repar-
tiţia vectorului aleator (X,Y ) care prin de…niţie este:
X
f((xi ; yj ) ; PX;Y (xi ; yj ))gi;j 1 ; unde PX;Y (xi ; yj ) 0 şi P(xi ; yj ) = 1
i;j 1

Acest model poate … reprezentat sub form¼ a de tabel într-o manier¼a asem¼ an¼
a-
toare cu reprezentarea tabelelor de contingenţ¼
a în statistica descriptiv¼
a:
yj
xi n y1 y2 ... ym ...
x1 p11 p12 ... p1m ...
x2 p21 p22 ... p2m ...
... ... ... ... ... ...
xn pn1 pn2 ... pnm ...
... ... ... ... ... ...
P
unde pij 0, pij = 1.
i;j 1
Dat …ind faptul c¼
a

Ai = f! 2 j X (!) = xi g = [ Aij
j 1

= [ f! 2 j X (!) = xi , Y (!) = yj g ; 8i 1
j 1

şi
A j = f! 2 j Y (!) = yj g = [ Aij =
i 1

[ f! 2 j X (!) = xi , Y (!) = yj g ; 8j 1,
i 1
16 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

rezult¼ a c¼
a, ştiind repartiţia v.a. (X; Y ), putem restabili aşa numitele repar-
tiţii marginale f(xi ; pi )gi 1 ale v.a. X şi f(yj ; p j )gj 1 conform formulelor
X X
pi = pij ; p j = pij .
j 1 i 1

Într-adev¼
ar,
pi = P(Ai ) = P f! 2 j X (!) = xi g =
P( [ Aij ) = P( [ f! 2 j X (!) = xi , Y (!) = yj g)
j 1 j 1
X X
= P( f! 2 j X (!) = xi , Y (!) = yj g) = pij ; 8i 1;
j 1 j 1

p j = P(A j ) = P f! 2 j Y (!) = yj g =
P( [ Aij ) = P( [ f! 2 j X (!) = xi , Y (!) = yj g)
i 1 i 1
X X
= P( f! 2 j X (!) = xi , Y (!) = yj g) = pij ; 8j 1:
i 1 i 1

Exemplul 26 Consider¼am un experiment cu aruncarea unei monede per-

fecte şi a unui zar perfect simultan. Fie variabilele aleatoare X = f num¼arul
de steme ap¼arute la aruncarea monedeig şi X = f num¼arul de puncte ap¼arute
la aruncarea zarului g.
Evident (X,Y ) 2 f0; 1g f1; 2; :::; 6g. Întrucât zarul şi moneda sunt perfecte
rezult¼a c¼a

1
P(X = xi ; Y = yj ) = :
12
Repartiţia vectorului aleator (X,Y ) este

1
(i; j) ; j i = 0; 1; j = 1; 6)
2

De…niţia 27 Vom numi funcţie de repartiţie a vectorului aleator (X,Y )

funcţia de dou¼a variabile

FX;Y (x; y) = P f! 2 j X (!) x; Y (!) yg 8x; y 2 R2

1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 17

Ca şi în cazul unidimensional se arat¼ a c¼ a, având repartiţia variabilei

aleatoare, putem restabili funcţia de repartiţie conform formulei
X X
FX;Y (x; y) = P(X = xi ; Y = yj ), 8(x; y) 2 R2 .
i:xi xj:yj y

Propoziţia 28 Dac¼a FX;Y (x,y) este funcţia de repartiţie a vecorului aleator

(X,Y ) atunci

1. P(X < x,Y < y) = FX;Y (x 0,y 0);

2. P(a1 < X b1 ,a2 < Y b2 ) =

FX;Y (b1 ; b2 ) + FX;Y (a1 ; a2 ) FX;Y (a1 ; b2 ) FX;Y (a2 ; b1)

X
1
= ( 1)"1 +"2 FX;Y ("1 b1 + (1 "2 ) a1 ; "1 b1 + (1 " 2 ) a1 ) ;
"1 ;"2 =0

3. P (X = a; Y = b) = FX;Y (a,b) FX;Y (a 0,b) FX;Y (a,b 0)+FX;Y (a

0,b 0).

Demonstraţia se realizeaz¼
a prin analogie cu cazul unidimensional.

Problema 2 Demonstraţi Propoziţia anterioar¼a.

Întroducând operatorii a1 ;b1 şi a2 b2 care acţioneaz¼

a asupra funcţiei FX;Y
în felul urm¼
ator

a1 b1 FX;Y (x; y) = FX;Y (b1 ; y) FX;Y (a1 ; y) ;

a2 b2 FX;Y (x; y) = FX;Y (x; b2 ) FX;Y (x; a2 ) ;

observam c¼
a aplicarea lor succesiv¼
a are drept rezultat

a1 ;b1 a2 b2 FX;Y (x; y) =

X
1
( 1)"1 +"2 FX;Y ("1 b1 + (1 "1 ) a1 ; "2 b1 + (1 " 2 ) a2 ) =
"1 ;"2 =0

P(a1 < X b1 ; a2 < Y b2 ).

18 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Vectori sau variabile aleatoare multidimensionale

Fie ( ; F; P) un câmp de probabilitate discret. Analog cu cazul bidimen-
sional putem formula urm¼
atoarele de…niţii şi rezultate.

De…niţia 29 Funcţia vector (X1 ,X2 ,: : : ,Xn ) : ! Rn se numeşte vector

aleator sau variabil¼
a aleatoare n dimensional¼ a.

Or, in caz discret, dac¼

a (X1 ,X2 ,: : : ,Xn ) este un vector aleator de…nit pe
( ; F; P), atunci …ecare component¼ a Xi este o variabil¼a aleatoare cu valori
(i) (i) (i)
în Xi 2 Xi = fx1 ,x2 ,: : : ,xn ,:::g, i = 1; n, prin urmare (X1 ,X2 ,: : : ,Xn ) 2
X1 X2 Xn .

De…niţia 30 Vom numi repartiţie a vectorului aleator X = (x1 ,x2 ,: : : ,xn )

setul
(1) (2) (k) (1) (2)
f((x1 ,x2 , : : : ,xk , : : : ,x(n)
n ); Px1 ,:::,xn (x1 ,x2 ,

: : : ; x(n)
n ))g(x(1) ,x(2) ,:::,x(n)
n )2X1 X2 Xn
;
1 2

unde
(1) (2)
Px1 ;:::;xn (x1 ; x2 ; : : : ; x(n)
n ) 0;
X (1) (2)
Px1 ;:::;xn (x1 ; x2 ; : : : ; x(n)
n ) = 1:
(1) (2) (n)
(x1 ;x2 ;:::;xn )2X1 X2 Xn

De…niţia 31 Vom numi funcţie de repartiţie a vectorului aleator (X1 ,: : : ,Xn )

funcţia FX (x) = FX1 ;:::;Xn (x1 ,: : : ,xn ) = Pf! 2 j X1 (!) x1 ,:::,Xn (!)
xn g = P(X x1 ,:::,X xn ), 8x = (x1 ,: : : ,xn ) 2 Rn .

Întroducând operatorii ai ;bi , care acţioneaz¼

a asupra funcţiei FX în felul
urm¼ator

ai ;bi FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) = FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::xi 1 ; bi ; xi+1 ; :::; xn )

FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::xi 1 ; ai ; xi+1 ; :::; xn ) =

P(X x1 ; :::; ai < Xi bi ; :::; X xn );
8a1 ; b1 ; a2 ; b2 ; :::; an ; bn 2 R; a1 b1 ; a2 b2 ; :::; an bn , i = 1; n ,
prin analogie cu cazul bidimensional, se poate ar¼
ata c¼
a
1.4. VARIABILE ALEATOARE BI(MULTI)DIMENSIONALE 19

a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) =

a1 ;b1 a2 ;b2 ... an ;bn FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) =

X
1
( 1)"1 +"2 +:::+"n "n FX;Y ("1 b1 + (1 "1 ) a1 , "2 b2 + (1 " 2 ) a2 ,
"1 ;"2 :::"n =0

..., "n bn + (1 " n ) an ) =

P(a1 < X b1 ; :::; ai < Xi bi ; :::; an < X bn ) 0.

Teorema 32 (Propriet¼ aţile caracteristice ale funcţiei de repartiţie

multidimensionale) Dac¼a FX este funcţia de repartiţie a variabilei aleatoare
X = (X1 ; X2 ; :::; Xn ) atunci:

1. a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) 0,8a1 ,b1 ,a2 ,b2 ,...,an ,bn 2 R,
a1 b1 ,a2 b2 ,...,an bn ;

2. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) este continu¼a la dreapta în raport cu …ecare
variabil¼a xi , adic¼a

FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi + 0; :::; xn ) = FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi ; :::; xn )

3. FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xi 1 ; 1; xi+1 ; :::; xn ) = 0 şi

FX1 ;X2 ;:::;Xn (+1; +1; :::; +1) = 1.

Demonstraţie. Proprietatea 1 rezult¼

a din faptul c¼
a

a1 ;b2 ;:::;an ;bn FX1 ;X2 ;:::;Xn (x1 ; x2 ; :::; xn ) =

P(a1 < X b1 ; :::; ai < Xi bi ; :::; an < X bn ) 0.

Propriet¼atea 2 se demonstreaz¼ a ca şi în cazul unidimensional, deoarece
ne raport¼am la …ecare variabil¼ a în parte.
Pentru demonstraţia propriet¼ aţii 3 se aplic¼
a, cu modi…c¼
ari neesenţiale,
aceeaşi metod¼
a ca şi în cazul unidimensional.

Observaţia 5 În caz multidimensional proprietatea 1 atrage dup¼a sine monoto-

nia nedescresc¼atoare a funcţiei de repartiţie FX în raport cu …ecare variabila,
dar reciproca nu este adev¼arat¼a. Într-adev¼ar putem aduce urm¼atorul
20 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Exemplul 33 (Contraexemplu) Consider¼am funcţia

1; daca x + y 0;
FX;Y (x; y) =
0; daca x + y < 0:
Evident, F (x; y) posed¼a propriet¼aţile 2 3; este monoton nedescresc¼atoare in
raport cu …ecare variabil¼a, dar nu este f.r. Într-adevar, daca a1 = 0; b1 = 1;
a2 = 0; b2 = 1; atunci
X
1
= ( 1)"1 +"2 F ("1 a1 + (1 "1 ) b1 ; a2 "2 + (1 "2 ) b 2 ) =
"1 ;"2 =0
= F (1; 1) F (1; 0) F (0; 1) + F (0; 0) = 1:

1.5 Independenţa variabilelor aleatoare

Fie ( ,F,P) un câmp de probabilitate discret iar X,Y variabile aleatoare
de…nite pe el , adic¼ a X,Y ( ,F,P), unde X 2 fx1 ,x2 ,: : : g, x1 < x2 < : : : ,
Y 2 fy1 ,y2 ,: : : g, y1 < y2 < : : : şi …e c¼
a vectorul aleator (X,Y ) are repartiţia
f((xi ; yj ); Px;y (xi ; yj ))gi;j 1 , PX;Y (xi ; yj ) =
X
P(X = xi ; Y = yj ) 0, PX;Y (xi ; yj ) = 1:
i;j 1

De…niţia 34 Vom spune c¼a variabilele X şi Y sunt independente dac¼a

P(X = xi ; Y = yj ) = P(X = xi )P(Y = yj ); 8i; j 1
În caz contrar, spunem c¼a X şi Y sunt variabile aleatoare dependente.
Exemplul 35 Consider¼am v.a. X , Y cu repartiţia f((i,j),1=12)gi=0;1;j=1;6 ,
adic¼a PX;Y (i,j) = P(X = i; Y = j) = 1=12, 8i = 0; 1, j = 1; 6. Or,
P(X = i) = 12 , 8i = 0,1 şi P(Y = j) = 16 , 8j = 1; 6, PX;Y (i,j) = P(X =
i,Y = j) = P(X = i)P(Y = j), 8i = 0,1, j = 1; 6. Prin urmare X şi Y sunt
independente.
În general, aşa cum se vede din paragraful anterior, având repartiţia vari-
abilei aleatoare f(xi ,yj ),PX;Y (xi ,yj )g putem restabili repartiţiile marginale,
adic¼a repartiţiile …ec¼
arei variabile X,Y în parte:
fxi ; PX (xi )gi 1 şi fyj ; PY (yj )gj 1 :
1.6. FORMULA CONVOLUŢIEI 21

Din de…niţie rezult¼

a c¼ a, dac¼
a X şi Y sunt variabile aleatoare independente,
atunci este valabil¼
a şi reciproca acestei a…rmaţii.

Propoziţia 36 Variabilele aleatoare X şi Y sunt independente dac¼a şi nu-

mai dac¼a FX;Y (x; y) = FX (x)FY (y), 8(x; y) 2 R2 .

Demonstraţie. Presupunem c¼
a v.a X şi Y sunt independente. Atunci
X X
FX;Y (x; y) = P(X = xi ; Y = yj ) =
i:xi xj:yj y

X X X X
P(X = xi )P(Y = yj ) = P(X = xi ) P(Y = yj )
i:xi xj:yj y j:yj y
i:xi x

= FX (x)FY (y), 8(x; y) 2 R2 .

a FX;Y (x; y) = FX (x)FY (y), 8(x; y) 2 R2 . Atunci
Invers, presupunem c¼

P(X = xi ; Y = yj ) =

FX;Y (xi ; yj ) FX;Y (xi 0; yj ) FX;Y (xi ; yj 0) + FX;Y (xi 0; yj 0) =

FX (xi )FY (yj ) FX (xi 0)FY (yj ) FX (xi )FY (yj 0) + FX (xi 0)FY (yj 0)
= [FX (xi ) FX (xi 0)][FY (yj ) FY (yj 0)] = P(X = xi )P(Y = yj ):

Observaţia 6 Noţiunea de independent¼a, dar si conditia necesar¼a şi su…-

cient¼a de independenţ¼a din propoziţia anterioar¼a se extind, în mod …resc,
asupra variabilelor aleatoare multidimensionale.

1.6 Formula convoluţiei

Fie ( ; F; P) un câmp de probabilitate discret şi variabilele X1 ,X2 ,...,Xn
( ; F; P), ne punem problema determin¼ arii repartiţiei variabilei sum¼ aZ =
X1 + X2 +...+Xn :
Vom considera mai întâi cazul n = 2.
Fie variabilele aleatoare X,Y ( ; F; P) şi …e X 2 X = fx1 ; x2 ; :::; xn ; :::g,
x1 < x2 <...< xn <... şi Y 2 Y = fy1 ; y2 ; :::; ym ; :::g, y1 < y2 <...< ym <... ,
atunci v.a. Z 2 Z = fz j z = xi + yj ; xi 2 X ; yj 2 Y; i; j 1g.
22 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Teorema 37 (Formula convoluţiei) a) Repartiţia variabilei aleatoare Z =

X + Y este dat¼a de formulele

X X
P(Z = z) = P (X = xi ; Y = z xi ) = P (X = z yj ; Y = yj ) ;
i 1 j 1

Teorema 38 b) Daca X,Y sunt v.a. independente, atunci repartiţia vari-

abilei aleatoare Z = X + Y este dat¼a de formulele

X X
P(Z = z) = P (X = xi )P(Y = z xi ) = P (X = z yj )P(Y = yj ) :
i 1 j 1

Demonstraţie. a) Plec¼
am de la faptul c¼
a

fZ = zg = f! 2 j Z(!) = zg = f! 2 j X(!) + Y (!) = zg .

Not¼
am Aij = f! 2 j X(!) = xi ; Y (!) = yj g. Evident [ Aij = ; Aij \
i;j 1
Akl = ;, 8(i; j) 6= (k; l), 8i; j; k:l 1. Atunci:

fZ = zg = fZ = zg \ = f! 2 j Z(!) = zg \
= f! 2 j X(!) + Y (!) = zg \
= f! 2 jX(!) + Y (!) = zg \ ( [ Aij )
i;j 1
= [ f! 2 jX(!) = xi ; Y (!) = yj g .
i;j:xi +yj =z

Atunci:

P fZ = zg = P [ f! 2 jX(!) = xi ; Y (!) = yj g
i;j:xi +yj =z

X X
= P (X = xi ; Y = yj ) = P (X = xi ; Y = z xi )
i;j 1:xi +yj =z i 1
X
= P (X = z yj ; Y = yj )
j 1
1.6. FORMULA CONVOLUŢIEI 23

b) este consecinţ¼
a din punctul anterior. Într-adev¼
ar, dac¼
a variabilele
X,Y sunt independente atunci

P (X = xi ; Y = yj ) = P (X = xi )P(Y = yj ) , 8i; j 1,

prin urmare
X X
P(Z = z) = P (X = xi ; Y = z xi ) = P (X = xi )P(Y = z xi )
i 1 i 1

X X
= P (X = z yj ; Y = yj ) = P (X = z yj )P(Y = yj ) .
j 1 j 1

Or, pentru a a‡a repartiţia unei sume de v.a. Z = X1 + X2 +...+Xn

putem aplica succesiv formula convoluţiei.:

Exemplul 39 Fie X, Y variabile aleatoare independente repartizate , re-

spectiv P oisson( i ), i > 0, i = 1; 2. Vom determina repartiţia variabilei
X +Y.
Cunoaştem repartiţiile variabilelor X,Y :
i
1
P (X = i) = e 1
; i = 0; 1; 2; :::
i!
j
2
P (X = j) = e 2
; j = 0; 1; 2; :::
j!

Evident, Z = X + Y 2 Z = f0; 1; 2; :::g Atunci din independenţa v.a. X; Y

şi formula convoluţiei rezult¼a
X
P (Z = k) = P (X + Y = k) = P (X = i)P(Y = k i)
i 0

X
k i k i
e ( 1+ 2) X
k
1 1 i k i
= e 1
e 2
= Cik 1 1
i=0
i! (k i)! k! i=0
( 1+ 2) k
e k ( 1 + 2) ( 1+ 2)
= ( 1 + 2) = e ,k 0
k! k!
Or, suma X +Y este repartizat¼a P oisson( 1 + 2 ). Folosind inducţia matem-
atic¼a putem demonstra urm¼atoarea
24 CAPITOLUL 1. VARIABILE ALEATOARE DISCRETE

Propoziţia 40 Mulţimea variabilelor aleatoare independente repartizate Pois-

son este închis¼a în raport cu operaţia convoluţiei (dat¼a de formula con-
P
n
voluţiei) aplicat¼a asupra repartiţiilor, adic¼a X1 +X2 +...+Xn P oisson( i ),
i=1
daca Xi sunt v.a. independente şi Xi P oisson( i ), i > 0, i = 1; n.

Problema 3 Fie X, Y variabile aleatoare independente identic repartizate

Bernoulli(p), p 2 [0; 1] : Ar¼ataţi c¼a suma lor are repartiţie binomial¼a, mai
exact X + Y Bi (2; p). Folosind induncţia matematic¼a, ar¼ataţi c¼a, dac¼a
X1 ,X2 ,...,Xn sunt v.a.i.i.r. Bernoulli(p), p 2 [0; 1], atunci suma lor X1 +
X2 +...+Xn Bi(n,p).