1.

ELEMENTE DE TEORIA PROBABILITĂŢILOR

1.1. Introducere probabilităţi clasice

Definiţie 1.1.1. Vom numi eveniment orice rezultat al unui experiment în ipoteza că
experimentul poate fi repetat de ori câte ori în condiţii identice. Evenimentele pot fi clasificate în
3 categorii: evenimente sigure, evenimente imposibile, evenimente întâmplătoare (aleatoare).
Definiţie 1.1.2. Evenimentul sigur se defineşte ca fiind acel eveniment care se realizează
în urma oricărui experiment şi se notează cu litera Ω.
Exemplul 1.1.3. Alegerea unei piese corespunzătoare sau necorespunzătoare standardului
dintr-un lot de piese este evenimentul sigur al experienţei.
Definiţie 1.1.4. Evenimentul imposibil este acela care nu se realizează în urma niciunui
experiment şi se notează cu ϕ.
Exemplul 1.1.5. Extragerea unei bile roşii dintr-o urnă care conţine numai bile albe.
Definiţie 1.1.6. Evenimentul aleator se poate realiza sau nu în urma unui experiment şi se
notează prin litere mari A, B, C... .
Exemplul 1.1.7. În urma experienţei care constă în aruncarea unei monede putem obţine
unul din rezultatele (faţa cu stema), (faţa cu valoarea). Considerând un singur rezultat, faţa cu
stema poate să apară sau să nu apară; în acest exemplu apariţia feţei cu stema este un eveniment
aleator (întâmplător).
Definiţie 1.1.8. Două evenimente A şi B sunt incompatibile dacă A ∩ B = ϕ, adică
realizarea unuia exclude realizarea celuilalt.
Exemplul 1.6.9. La aruncarea zarului evenimentul A care constă din apariţia uneia din
feţele cu un număr impar şi evenimentul B care constă din apariţia uneia din feţele cu un număr
par sunt evenimente incompatibile şi contrare.
Definiţie 1.1.10. Fie evenimentele A, B. Numim reuniune (not. A ∪ B) a acestora acel
eveniment care constă în realizarea evenimentului A sau B sau a ambelor evenimente.
Definiţie 1.1.11. Evenimentul contrar evenimentului A se notează Ā şi este evenimentul
ce se realizează numai atunci când nu se realizează evenimentul A.
Exemplul 1.4.12. Fie A evenimentul apariţiei uneia din feţele 2,5 la aruncarea unui zar şi
cu B apariţia uneia din feţele 1,3,4,6. Se observă că atunci când nu se produce evenimentul A,
adică atunci când nu apare una din feţele 2 sau 5, se produce evenimentul B, adică obţinem una
din feţele 1,3,4,6 şi invers.
Definiţia axiomatică a probabilităţii 1.1.13. Fie [E,K] un câmp de evenimente. Se
numeşte probabilitate pe mulţimea K o funcţie P : K→R care satisface axiomele:
1) P(A)≥0 ∀ A ∈ K
2) P(E) = 1
3)P(A∪B) = P(A) +P(B), A, B ∈ K, şi A∩B = ϕ .
Definiţia clasică a probabilităţii 1.1.14. Probabilitatea unui eveniment A este egală cu
raportul dintre numărul evenimentelor egal probabile favorabile evenimentului A şi numărul total
al evenimentelor egal probabile.

1
 Altă formulare: Probabilitatea unui eveniment este raportul între numărul cazurilor
favorabile evenimentului şi numărul cazurilor posibile.
Într-adevăr dacă notăm n = numărul cazurilor posibile, n1 = numărul cazurilor favorabile
realizării evenimentului A, n2 = numărul cazurilor favorabile realizării evenimentului B, atunci
evenimentul A∪ B→ n1 + n2 cazuri favorabile.
n  n2 n1 n2
P(A∪B)  1    P( A)  P( B)
n n n
Observaţie 1.1.15. Din definiţia clasică a probabilităţii avem P(Ω) = 1, P(ϕ) = 0 şi în
general 0 ≤ P(A) ≤1.
Definiţie 1.1.16. Două evenimente A şi B se numesc evenimente independente dacă
realizarea sau nerealizarea evenimentului A nu depinde nici de realizarea, nici de nerealizarea
evenimentului B.
Definiţie 1.1.17. Dacă notăm A ∩ 𝐵 eveniment constând în realizarea atât a
evenimentului A cât şi a venimentului B, atunci în cazul în care A şi B sunt evenimente
independente rezultă: P(A ∩ 𝐵) = P(A)·P(B).
Definiţie 1.1.18. Evenimentul B se numeşte eveniment dependent de A dacă B se
realizează atunci când A s-a realizat. Notăm (B/A).
𝑃(𝐴∩𝐵)
P(B/A) = (P(A)≠ 0) Not. P(B/A) = PA(B)
𝑃(𝐴)
Definiţie 1.1.19. O mulţime de evenimente {A1, A2,…, An} se numeşte sistem complet de
evenimente dacă în urma oricărui experiment se realizează unul şi numai unul dintre aceste
evenimente.
Evenimentele A1, A2,...,An sunt incomparabile, iar reuniunea lor este elementul sigur.
A1 ∪ A2 ∪ ....∪ An = Ω
P(A∩ 𝐵)= P(B)·PB (A)
Dacă evenimentele A şi B se condiţionează reciproc şi P(A)≠ 0, P(B)≠ 0 atunci
P(A)·PA(B) = P(B)·PB(A).
Formula probabilităţii totale: Dacă A1, A2,...An este un sistem complet de evenimente
n
[E,K] şi X є K atunci P( X )   P( Ai )  PAi ( X ).
i 1

Exemplu 1.1.20.
O urnă conţine 50 bile dintre care 10 sunt negre, iar restul albe. Se scot la întâmplare 5
bile. Care e probabilitatea ca între cele 5 bile să fie bile negre?
Soluţie: Fie evenimentele A = toate cele 5 bile sunt albe, B = între cele 5 bile cel puţin
una este neagră ; A şi B sunt complementare.
C5 5
C 40
P( A)  405
 P ( B )  1  P ( A)  1  5
 0,68944.
C50 C50

2
 Exemplu 1.1.21.
Se dau 6 urne:
(S1) : 2 urne conţin câte 2 bile albe şi 4 negre;
(S2) : 3 urne conţin câte 2 bile albe şi 8 negre;
(S3) : o urnă conţine 6 bile albe şi 2 negre.
Se extrage la întâmplare o bilă dintr-una din urne şi se cere să se calculeze probabilitatea
ca bila extrasă să fie albă . Să se determine probabilitatea ca bila albă să provină din urna ce
conţine 6 bile albe şi 2 negre.
Soluţie: Fie evenimentele X = extragerea unei bile albe, A1 = extragerea unei bile din
urnele de tip (S1), A2 = extragerea unei bile din urnele de tip (S2), A3 = extragerea unei bile din
urnele de tip (S3).
2 3 1
Avem: P( A1 )  , P( A2 )  , P( A3 ) 
6 6 6
Deoarece se alege la întâmplare una din cele 6 urne, 2 urne fiind favorabile
evenimentului A1, 3 evenimentului A2, 1 evenimentului A3.
2 2 6
P( X / A1 )  , P( X / A2 )  , P( X / A3 )  .
6 10 8
2 2 3 2 1 6 121
Conform formulei probabilităţii totale avem P( X )        .
6 6 6 10 6 8 360
P( A3 ) P( X / A3 ) 45
Conform formulei lui Bayes avem P( A3 / X )   .
P( X ) 121
Exemplu 1.1.22.
O urnă conţine 12 bile numerotate de la 1 la 12. Să se determine probabilitatea ca bilele
numerotate cu 5,7,11 să iasă la extragerile de rangul 5,7,11.
Soluţie: Cazuri posibile:12!
Cazuri favorabile- 9!, deoarece dacă fixăm de fiecare dată bilele cu numerele 5,7,11
rămân 9 libere.
9!
Probabilitatea este P  .
12!
Exemplu 1.1.23.
Este mai probabil să obţinem cel puţin un număr 6 în 4 aruncări cu zarul sau să obţinem
cel puţin o dublă şase în 24 de aruncări cu 2 zaruri?
5
Soluţie: Probabilitatea de a nu obţine faţa cu numărul 6 într-o aruncare cu zarul este .
6
4
5
Probabilitatea de a obţine cel puţin un număr 6 în 4 aruncări cu zarul este: P1  1     0,51.
6
24
 35 
Probabilitatea de a nu obţine dublă şase în 24 de aruncări cu 2 zaruri este   .
 36 
Probabilitatea de a obţine cel puţin o dublă şase în 24 de aruncări cu 2 zaruri este:
24
 35 
P2  1     0,49.
 36 

3
Aşadar este mai probabil să obţinem cel puţin un număr 6 în 4 aruncări cu zarul decât să obţinem
cel puţin o dublă şase în 24 de aruncări cu 2 zaruri.

1.2. Variabile aleatoare

Evenimentele sunt rezultate ale unor experimente. Ipoteza că un experiment poate fi

repetat în condiţii identice este ideală. Chiar dacă am putea crea un context identic rămân factori
care influenţează realizarea evenimentelor şi pe care nu îi putem lua în calcul.
Prin noţiunea de variabilă aleatoare includem influenţele acestor factori neluaţi în calcul
astfel încât concluzia despre evenimente să fie în concordanţă cu realitatea.
Definiţia 1.2.1. Vom numi variabilă aleatoare o corespondenţă care asociază anumite
valori numerice unor evenimente (funcţia ia valori cu o anumită probabilitate).
Definiţia 1.2.2. Fie câmpul de probabilitate {E, K, P}. Numim variabilă aleatoare de tip
discret o aplicaţie X : E→R care verifică condiţiile:
i) are o mulţime cel mult numărabilă de valori;
ii) ∀ x ∈ R (X= x) ∈ K.
Observaţii 1.2.3.
1) Dacă K = P(E) atunci ii) este automat îndeplinită;
2) Dacă o variabilă ia un număr finit de valori vom spune că este variabilă aleatoare
simplă.
Definiţia 1.2.4. Numim distribuţia sau repartiţia variabilei aleatoare X de tip discret,
 xi 
tabloul X   unde xi , i є I, sunt valorile pe care le ia X iar p i este probabilitatea cu care
 pi  iI
X ia valoarea xi adică p i = P (X= xi ), i є I mulţimea I putând fi finită sau cel mult numărabilă.
Observaţie 1.2.5. Evenimentele (X= xi ) formează un sistem complet de evenimente şi

p
iI
i 1 .

Definiţia 1.2.6. Spunem că variabilele aleatoare X şi Y care au respectiv distribuţiile

 xi  xj 
X   şi Y   sunt independente dacă P ( X = xi , Y = y j ) P( X  xi ) P (Y  y j ) ,∀ (i,j) є
 pi  iI  q j  jI
IxJ.

4
  xi 
Definiţia 1.2.7. Fie variabilele aleatoare X,Y care au respectiv distribuţiile X   şi
 pi  iI
xj   xi  y j   xi y j 
Y   atunci variabila aleatoare sumă X  Y  , X Y  ,
q  p  p 
 j  jI  ij  (i , j )IxJ  ij  (i , j )IxJ
 xi 
Xy 
 j unde pij  P( X  xi , Y  y j )(i, j )  IxJ .
Y  
 pij  (i , j )IxJ
Definiţia 1.2.8. Se numeşte:
 axi 
1) produs al variabilei aleatoare X cu constanta a variabila aleatoare aX :   ;
 pi  iI
 xi k 
2) putere a variabilei aleatoare X de exponent k, k є Z, variabila aleatoare X :   cu
k
p 
 i  iI
condiţia ca operaţiile xik , i  I , să aibă sens.
Exemplul 1.2.9. Se dă variabila aleatoare X cu următoarea funcţie de repartiţie:
0, x  0
x
 ,0  x  1
4
FX ( x )   2
 x ,1  x  2
4
1, x  2.

Se cer:
a) P(1 ≤ X < 2), P(1 ≤ X < 2/1 ≤ X < 3)
b) densitatea de repartiţie fX(x).
1 3
Soluţie: a) P(1  X  2)  F (2)  F (1)  1  
4 4
3 3
P(1  X  2) 4
P(1  X  2 / 1  X  3)    4 1
P(1  X  3) F (3)  F (1) 3
4

5
 0, x  0
1
 ,0  x  1
4
b) f X ( x)  FX ( x)  
'

 x ,1  x  2
2
0, x  2.


1.3. Caracteristici numerice asociate variabilelor aleatoare

Fie {E, K, P} un câmp de probabilitate şi X : E → R o variabilă aleatoare. În afara

informaţiilor furnizate de funcţia de repartiţie F (x ) sau chiar de repartiţia probabilistică
(discretă) ( pi ) sau continuă (  ( x)) ale unui variabile aleatoare X, de un real folos teoretic şi
practic sunt şi informaţiile pe care le conţin anumite caracteristici numerice (valoarea medie,
dispersia, abaterea medie pătratică sau diverse alte momente) ale lui X despre această variabilă
aleatoare.
Valoarea medie
 xi 
Definiţia 1.3.1. Fie variabila aleatoare X cu distribuţia X   , i є I. Se numeşte valoare
 pi 
medie, caracteristica numerică M ( X )   xi pi .
iI

Observaţii 1.3.2.
1) Dacă I este finită, valoarea medie există.
2) Dacă I este infinit numărabilă, M(X) există când seria care o defineşte este absolut
convergentă.
Dispersia
Definiţia 1.3.3. Se numeşte dispersia (variaţia) variabilei aleatoare X caracteristica
numerică D 2 ( X )  M [( X  M ( X )) 2 ].

Proprietăţile valorii medii 1.3.4.

1) M(aX + b) = a M(X) + b, ∀ a,b є R
2) M(X + Y) = M(X) + M(Y)
3) X,Y independente ⇒M(X·Y) = M(X)·M(Y).
Demonstraţie:
 xi   yj 
Fie variabilele aleatoare de tip discret X,Y având repartiţiile X   , Y   .
 pi  iI  q j  jJ

6
 1. Avem M(Ax + b) =  (axi  b) pi   axi pi   bpi  aM ( X )  b
iI iI iI

 axi  b 
dacă variabila aX +b are repartiţia aX  b  şi p i  1.
 pi  iI iI

 xi  y j 
2. Variabila X + Y are repartiţia X  Y  

, pij  P( X  xi , Y  y j )
 p ij  (i , j )IxJ

Rezultă:

M ( X  Y )   xi  y j ) pij    xi pij   y j pij   xi pi   y j q j  M ( X )  M (Y )

iI jJ iI jJ iI jJ iI jJ

dacă s-au folosit relaţiile p

iI
ij  q j şi p
jJ
ij  pi .

 xi y j 
3. Variabila XY are repartiţia XY  
 dacă X şi Y sunt independente.
 p i q j  (i , j )IxJ
Avem M ( X  Y )   xi y j pi q j   xi pi   y j q j  M ( X ) M (Y ).
iI jJ iI jJ

Proprietăţile dispersiei 1.3.5.

1) D2(X) = M(X2) – [M(X)] 2;
2) D2 (aX + b) = a2D2(X),∀ a, b є R;
3) X,Y independente ⇒D2(X + Y) = D2(X) +D2(Y).
Demonstraţie:
1) D2(X) = M[(X-M(X))2] = M [X2-2M(X)X + (M(X))2] = M(X2) – 2M(X)M(X) + [M(X)] 2
= M(X2) – [M(X)] 2.
2) Folosind proprietăţile valorii medii şi definiţia dispersiei avem:
D2(aX + b) = M[(aX + b – aM(X) – b2] = M[a2(X – M(X))2] = a2 M[(X – M(X))2] =
a2M[(X – M(X))2] = a2D2(X).
3) Dacă X,Y independente avem M(XY) = M(X)· M(Y). Calculăm D2(X + Y) = M [(X + Y
– M(X + Y))2] = M[((X – M(X)) + ( Y – M(Y)))2] = M[(X – M(X))2 + ( Y – M(Y))2 + 2(X –
M(X))( Y – M(Y))] = M[(X – M(X))2] + M[( Y – M(Y))2] + 2M(X – M(X))M( Y – M(Y)) = D2(X)
+ D2(Y) dacă s-a ţinut cont că M( X – M(X)) = 0.
Exemplu 1.3.6.
O firmă se aprovizionează de la 3 furnizori. Din datele statistice privind furnizorii, firma
estimează că probabilitatea cu care furnizorii nu pot onora contractul sunt p1= 0,1; p2 = 0,3; p3 =
0,2. Fie X variabila aleatoare ce indică numărul furnizorilor ce nu-şi pot onora contractul. Să se
afle:
a) repartiţia variabilei aleatoare X;
b) M(X), D(X);

7
 c) să se determine riscul pe care şi-l asumă firma.
Soluţie:
a) Situaţia dată se poate modela probabilistic cu schema lui Poisson cu 3 urne, în care p1
= 0,1; q1= 0,9; p2 = 0,3; q2 = 0,7; p3 = 0,2; q3 = 0,8 şi se obţine polinomul de gradul 3:
P3 (t )  ( p1t  q1 )( p 2 t  q 2 )( p3t  q3 )  0,006t 3  0,092t 2  0,398t  0,504
X ia valorile 0,1,2,3 cu valorile 0,504; 0,398; 0,092; 0,006.
b) M(X) = 0·0,504 + 1·0,398 + 2·0,092 + 3·0,006 = 0,6
M(X2) = 02·0,504 + 12·0,398 + 22·0,092 + 32·0,006 = 0,82
D2(X) = 0,82 – 0,62 = 0,46.
c) Riscul pe care şi-l asumă firma este dat de următoarea probabilitate:
P( X  1)  P( X  1)  P( X  2)  P( X  3)  0,496.
Exemplu 1.3.7.
1 1 1
Fie A şi B doua evenimente astfel încât P( A)  , P( B / A)  , P( A / B)  .
4 2 4
Definim variabilele X şi Y: X = 1 sau X = 0 după cum se realizează sau nu evenimentul
A; Y = 1 sau Y = 0 după cum se realizează sau nu evenimentul B. Să se calculeze M(X), M(Y),
D2(X), D2(Y).
1
Soluţie: M ( X )  1  P( A)  0  P( A c ) 
4
M (Y )  1  P( B)  0  P( B )  P( B)
c

1
1 1 1 P( A  B) 8 1 1
Ştim că: P( A  B)  P( A)  P( B / A)    , darP ( B)     E (Y ) 
4 2 8 P( A / B) 1 2 2
4
D 2 ( X )  E ( X 2 )  E  X    
2 1 1 3
4 16 16

D 2 (Y )  E (Y 2 )  E Y  
1 1 1
 
2

2 4 4
1 1 1
M ( XY )  1  P( XY  1)  0  P( XY  0)  1  P( X  1) P(Y  1)    .
4 2 8

8
 1.4. Repartiţia binomială

În teoria probabilităţilor şi în aplicaţiile acesteia se întâlnesc clase de variabile aleatoare

de tip discret. Forma cea mai generală a unei variabile aleatoare aparţinând unei clase se numeşte
lege de probabilitate de tip discret.
Spunem că variabila aleatoare discretă X urmează legea binomială dacă repartiţia
asociată ei are forma:
i 
X:  i  0, n, P(n, i )  C ni p i q n i , p  (0,1), q  1  p.
 P(n, i) 
Într-adevăr sunt îndeplinite condiţiile din definiţia unei funcţii de probabilitate, adică
avem:
1) P(n, i )  C ni p i q n i  0 ( p  0, q  1  p  0);
n
2) C ni p i q n i  ( p  q) n  1 ( p  q  1).
i 0

Teorema 1.4.1. Dacă X este o variabilă aleatoare discretă ce urmează legea binomială,
atunci: M(X) = np şi D2(X) = npq.
Demonstraţie:
Din definiţia valorii medii avem:
n n
M ( X )   iP (n, i )   iC ni p i q n i
i 0 i 0

Considerăm relaţia:
n
( pt  q) n   C ni p i q n i t i
i 0

pe care o derivăm în raport cu t şi obţinem:

n
()np( pt  q) n 1   iC ni p i q n i t i 1
i 0

iar pentru t = 1 avem:

n
np   iC ni p i q n i  M ( X ).
i 0

Pentru a calcula dispersia folosim formula de calcul: D2(X) = M(X2) – [ M(X)] 2.

Derivăm în raport cu t relaţia (*) şi obţinem:
n n n
n(n  1) p 2 ( pt  q) n 2   i (i  1)C ni p i q n i t i 2   i 2 C ni p i q n i t i  2   iC ni p i q n i t i 2
i 1 i 0 i 0

9
iar pentru t = 1, rezultă n(n-1)p2 = M(X2) – M(X), adică M(X2) = n2p2 – np2 + np = n2p2 + npq,
iar dispersia este D2(X) = n2p2 + npq – (np)2 = npq.
Exemplul 1.4.2. Dacă A1, A2 ,...,An sunt evenimente independente şi P(Ai ) = p, i =
1,2,...,n, iar X reprezintă numărul evenimentelor care se realizează în cadrul unei experienţe ,
atunci X are repartiţie binomială cu parametrii n şi p (conform schemei lui Bernoulli).
Exemplul 1.4.3. Dacă A este un eveniment legat de o anumită experienţă şi probabilitatea
ca A să se producă când efectuăm o singură dată experienţa este P(A) = p, atunci variabila
aleatoare care are ca valori numărul realizărilor lui A când efectuăm de n ori experienţa are
repartiţie binomială cu parametrii n şi p.
Definiţia 1.4.4. Fie k є Ν*. Se numeşte moment iniţial de ordinul k al variabilei aleatoare X
numărul definit şi notat astfel:
n
 k  M ( X k )   xik  pi
i 0

Definiţia 1.4.5. Fie k є Ν*. Se numeşte moment centrat de ordinul k al variabilei aleatoare
X numărul definit şi notat astfel:
μk = M(X – M(X))k
Cazuri particulare:
k = 1⇒α1 = M(X)
μ1 = M(X – M(X)) = M(X) – M(M(X)) = 0
Pentru oricare variabilă aleatoare avem μ1 = 0.
n
k  2   2  M ( X 2 )   xi2 pi
i 0

μ2 = M(X – M(X))2 = D2(X)

n
k  3   3  M ( X 3 )   xi3 pi
i 0

μ3 = M(X3 + 3M2(X)·X – 3M(X)·X2 – M3(X)) = M(X3) + 3M2(X)·M(X) – 3M(X)·M(X2) –

M3(X) = α3 + 3α13 - 3α1α2 – α13 = α3 + 2α13 - 3α1α2
Exemplul 1.4.6.
La examenul de matematică , probabilitatea ca o teză să fie notată cu notă de trecere este
0,75. Se aleg la întâmplare 10 lucrări şi fie X variabila aleatoare ce reprezintă numărul tezelor
ce vor fi notate cu notă de trecere. Se cer:
a) repartiţia lui X;
b) M(X), D2(X);
c) P(X ≥ 5), P(7≤ X ≤ 10/X ≥ 8), P(X = 10).

10
 Soluţie:
a) Variabila aleatoare X are o repartiţie binomială cu n = 10, p = 0,75. X ia valorile x = 0,
1,...,10 cu probabilităţile:
p( x)  C10X (0,75) x (0,25)10 x .
b) M ( X )  np  10  0,75  7,5
D 2 ( X )  npq  10  0,75  0,25  1,875.
10
c) P( X  5)   C10x (0,75) x (0,25)10 x
x 5
10

P(8  X  10)
C x
10 (0,75) x (0,25)10 x
P(7  X  10 / X  8)   x 8
1
P( X  8) 10

C
x 8
x
10
x
(0,75) (0,25) 10 x

P( X  10)  C10
10
(0,75)10 (0,25) 0  (0,75)10 .
Exemplul 1.4.7.
Doi parteneri cu forţă egală boxează 12 runde (probabilitatea ca ori- care din ei să
1
câştige o rundă este 2). Să se calculeze valoarea medie, dispersia şi abaterea medie pătratică a
variabilei aleatoare care reprezintă numărul de runde câştigate de unul din parteneri.
Soluţie: Variabila aleatoare X are repartiţia binomială:
k 12 k
1 1
P( X  k )  C     , k  0,12.
k
12
2 2
1
Atunci: E ( X )  np  12   6
2
1 1
D 2 ( X )  npq  12    3
2 2
D( X )  D 2 X  3.

11
1.5. Densitate de probabilitate. Mărimi numerice asociate variabilei aleatoare
continue. Clasa variabilelor aleatoare N (m, σ), (σ > 0)

Definiţia 1.5.1. Fie variabila aleatoare continuă X ale cărei valori acoperă intervalul (a,b).
Numim funcţie de repartiţie asociată variabilei aleatoare X funcţia: FX : R→R;
FX(x) = P(X< x).
Definiţia 1.5.2. Variabila aleatoare X este continuă dacă funcţia de repartiţie asociată (FX)
este continuă.
Propoziţie 1.5.3.
a) 1 ≥ FX (x) ≥ 0, ∀ x ϵ R.
b) Dacă x1 < x2 ⇒FX (x1) ≤ FX (x2)
(X< x2) = (X < x1) ∪ ( x1 ≤ X < x2)
Întrucât evenimentele din partea dreaptă sunt incompatibile rezultă:
P(X < x2) = P((X < x1) ∪ (x1 ≤ X < x2)) = P(X < x1) + P(x1 ≤ X < x2)
Conform definiţiei 1.5.1. rezultă:
FX (x2) = FX (x1) + P(x1 ≤ X < x2) ≥ FX (x1) ↔ (∀) x1 < x2⇒ FX (x1) ≤ FX (x2).
c) Dacă X este o variabilă aleatoare continuă atunci probabilităţile următoare sunt egale:
X = variabilă aleatoare continuă ⇒P (x1 ≤ X < x2) = FX (x2) – FX (x1) = P (x1 < X < x2) = P
(x1 ≤ X ≤ x2) = P ( x1 < X ≤ x2).
d) Dacă X este o variabilă aleatoare continuă atunci P ( X = x) = 0.
Demonstraţie:
Înlocuim x1→ x şi x2 → x + h ⇒P (x < X < x + h) = F (x + h) – FX (x)
lim 𝑃 (𝑥 < 𝑋 < 𝑥 + ℎ) = 𝑙𝑖𝑚( FX (x + h) – FX (x) = 0, deoarece FX este continuă.
ℎ→0 ℎ→0
De aceea : P ( x1 ≤ X < x2) = P ((X = x1) ∪ ( x1 < X < x2))
P ( X = x1) + P (x1 < X < x2) = P ( x1 < X < x2).
e) În condiţiile definiţiei 1.5.1. au loc relaţiile:
1) lim FX (x) = 0
x→−∞
2) lim FX (x) = 1.
X→∞
Definiţia 1.5.5 Fie variabila aleatoare X cu FX : (a,b) → R astfel încât FX este derivabilă cu
derivata continuă pe R. În aceste condiţii, funcţia: f (x) = FX’ (x), x є (a,b) (R) se numeşte
densitatea de probabilitate asociată variabilei aleatoare X.
Proprietăţi 1.5.6:
a) fx (x) ≥ 0, (∀) x є R
x

b) FX ( x)  f

x (t )dt

12
 x2

c) P( x1  X  x 2 )  f
x1
X (t )dt

Proprietatea 1.5.7. În condiţiile definiţiei 1.6.2. are loc proprietatea:

f
R
X (t )dt  1

Demonstraţie:
x x 
FX ( x )   f x (t )dt  lim 𝐹 X (x) = lim
𝑥→∞  f (t ) dt  f X (t )   f X (t )dt
 lim lim   R
𝑥→∞
Proprietatea 1.5.8.
lim
Dacă funcţia f : R → R are proprietăţile: 1) f- continuă; 2) f (x) ≥ 0, (∀) x є R; 3)  f (t )dt  1
R

atunci există variabila aleatoare continuă a cărei funcţie de repartiţie F are proprietatea: F’= f.
Definiţia 1.5.9. Fie variabila aleatoare X având densitatea de probabilitate fX:
a) numim medie numărul M ( X )   xf X ( x)dx;
R

b) numim moment iniţial de ordin k (k ϵ N*) numărul  k   x k f X ( x)dx;

R

c) numim moment centrat de ordin k numărul  k   ( x  m X ) k f X ( x)dx

R

mX = M (X).

Repartiţia normală 1.5.10.

Spunem că variabila aleatoare X urmează legea normală (legea lui Gauss) de parametri m ϵ
R şi σ > 0, N(m,σ) dacă are densitatea de probabilitate:

( x m)2
1 
 ( x)  e 2 2
, x  R
 2
În mod evident avem:
1) ρ(x) > 0, ∀ x ϵ R, σ > 0
  ( xm)2 
1  2
  ( x)dx   e e
t 2
2) 2 2
dx  dt  1
 2   0

xm
dacă s-a făcut schimbarea de variabilă t  , dx   2dt.
 2
Teorema 1.5.11. Dacă X este o variabilă aleatoare ce urmează legea normală de
parametri m ϵ R şi σ > 0 atunci M(X) = m şi D2(X) = σ2.

13
 Demonstraţie:
  ( xm)2
1 
M (X )   x ( x)dx  
 2
 xe

2 2
dx.

Se face schimbarea de variabilă:

xm
t , dx   2dt.
 2

Rezultă:
 
1 2m  2 
M (X )   2  (m   2t )e t dt   e dt 
t
 te
t 2
dt  m
2 2

 2   0  

  ( xm) 
1  4 2
D2 (X )   ( x  m)  ( x)dx   ( x  m) e dx  t e t dt 
2
2 2 2 2 2

  2   0


2 2
 t (e t ) ' dt   2 .
2
2

 0

Pentru a caracteriza alte proprietăţi a acestei clase de variabile aleatoare este necesar să
folosim funcţia beta şi gamma (Euler):
1
i) B(a, b)   x a 1 (1  x) b1 dx; a0b
0

ii )(a)   x a 1e  x dx.
0

Repartiţia gamma şi beta 1.5.12.

Proprietăţi:
1) B(a, b)  B(b, a)
(a )(b)
2) B(a, b) 
( a  b)

3)(a )(1  a )  , 0  a 1
sin( a )

x a 1
4) B(a, b)   a b
dx
0 (1  x)

5)(a  1)  a(a)
Propoziţia 1.5.13. Integrala (funcţia) lui Euler (ii) verifică următoarele proprietăţi:
1) Г(a) este convergentă pentru a > 0 şi divergentă pentru a ≤ 0;
2) Г (a + 1) = aГ (a), ∀ a > 0;

14
 3) Г (n – 1)!, ∀ n є N*;
4) Г (1/2) = √П.
Teorema 1.5.14. Dacă variabila aleatoare X are repartiţie gamma cu parametrul a, atunci
momentele iniţiale de ordinul k sunt:
mk (X) = a(a + 1)…(a + k – 1 ), k є N*
Demonstraţie:
Momentul iniţial de ordinul k:
 
1 k a
mk ( X )   x f ( x)dx 
k
 x k  a 1e  x dx 

(a) 0 ( a )
(k  a  1)(k  a  1) (k  a  1)...( a  1)a(a)
  ...  
( a ) ( a )
 (k  a  1)( k  a  2)...( a  1)a.
Am folosit proprietatea 2) din Propoziţia 1.6.9.
Din relaţia mk (X) = a(a + 1)…(a + k – 1), k є N* deducem că media şi dispersia
variabilei X cu repartiţie gamma cu parametrul a sunt:
E(X) = m1(X) = a, Var (X) = m2(X) = [m1(X)] 2 = a.
Teorema 1.5.15. Dacă variabila aleatoare X are repartiţie gamma generalizată cu
parametrii a > 0 şi λ > 0, atunci momentele iniţiale de ordinul k sunt:
a(a  1)...( a  k  1)
mk ( X )  , k  N *,
k
deci media şi dispersia sa sunt:
a
E ( X )  m1 ( X ) 

a
Var ( X )  m2 ( X )  [m1 ( X )] 2  2 .

1
Propoziţia 1.5.16. Integrala lui Euler B(a, b)   x a 1 (1  x) b 1 dx, a, b  R
0
verifică următoarele proprietăţi:
a) B(a,b) este convergentă pentru a > 0 şi b > 0, şi în rest este divergentă;
b) B(a,b) = B(b,a), ∀ a,b > 0;
a 1
c) B(a, b)  B(a  1, b), a  1, b  0;
a  b 1
b 1
d) B(a, b)  B(a, b  1), a  0, b  1;
a  b 1
(a  1)(b  1)
e) B(a, b)  B(a  1, b  1), a  1, b  1;
(a  b  1)( a  b  2)
(n  1)!
f ) B(a, n)  B(n, a)  , n  N *;
a(a  1)...( a  n  1)
(m  1)! (n  1)!
g) B(m, n)  , m, n  N *;
(m  n  1)!
h) B(a  1, b)  B(a, b  1)  B(a, b), a, b  0;

15
 i) bB(a  1, b)  aB(a, b  1), a, b  0;

t a 1
j) B(a, b)   a b
dt , a, b  0;
0 (1  t )

(a )(b)
k) B(a, b)  , a, b  0;
 ( a  b)

l) B(a,1  a)  (a)(1  a)  , a  (0,1).
sin( a )
Teorema 1.5.17. Dacă variabila aleatoare X are repartiţie beta cu parametrii a şi b ( a, b
> 0) , atunci momentele iniţiale de ordinul k sunt:
a (a  1)...( a  k  1)
mk ( X )  , k  N *.
(a  b)( a  b  1)...( a  b  k  1)
Demonstraţie:
Momentul iniţial de ordinul k este:

B ( k  a, b)
1
1
mk ( X )   x f ( x)dx 
k
 x k  a 1 (1  x) b 1 dx 

B(a, b) 0 B(a, b)
k  a  1 B(k  a  1, b) (k  a  1)...( a  1)a B(a, b)
   ...   
a  b  k 1 B ( a, b) (a  b  k  1)...( a  b) B(a, b)
a(a  1)...( a  k  1)
 ,
(a  b)( a  b  1)...( a  b  k  1)
conform Propoziţiei 1.5.16. punctul c).
Din relaţia 1.5.16. deducem că media şi dispersia variabilei X cu repartiţie beta cu
parametrii a şi b sunt:
a
E ( X )  m1 ( X )  ,
ab
ab
Var ( X )  m2 ( X )  [m1 ( X )] 2  .
(a  b) (a  b  1)
2

Exemplul 1.5.18.
Să se calculeze momentele centrate μ3(X) şi μ4(X) pentru o variabilă aleatoare X cu
repartiţie gamma cu parametrul p.
Soluţie:
Momentul centrat de ordinul al treilea:
    
 3 ( X )   ( x  p) f ( x)dx 
3
x
3
f ( x)dx  3 p  x f ( x)dx  3 p
2 2
 xf ( x)dx  p  f ( x)dx  m
3
3  3 pm2 
    

 3 p 2 m1  p3  p( p  1)( p  2)  3 p 2 ( p  1)  3 p 3  p 3  2 p,
iar momentul centrat de ordinul al patrulea este:

16
     
 4 ( X )   ( x  p) 4 f ( x)dx   x f ( x)dx  4 p  x f ( x)dx  6 p  x f ( x)dx  4 p  xf ( x)dx 
4 3 2 2 3

    

 p4  f ( x)dx  m

4  4 pm3  6 p 2 m2  4 p 3 m1  p 4  p( p  1)( p  2)( p  3)  4 p 2 ( p  1)( p  2) 

 6 p 3 ( p  1)  4 p 4  p 4  3 p 2  6 p.

1.6. Funcţii de repartiţie speciale

1.6.1. Legea normală (Gauss-Laplace)

Definiţia 1.7.1.1.Variabila aleatoare X urmează legea normală (Gauss-Laplace) (X are
repartiţie normală) cu parametrii m şi σ (m є R, σ > 0) dacă densitatea sa de probabilitate
(repartiţie) este funcţia:
( xm)2
1 
f ( x, m,  )  e 2 2
, x  R.
 2
O variabilă aleatoare cu repartiţie normală cu parametrii m şi σ se notează cu N(m, σ2 ).
Funcţia f de mai sus se numeşte densitatea de repartiţie normală sau gaussiană. Observăm

că f este o densitate de probabilitate, deoarece f(x) > 0, ∀ x є R şi  f ( x)dx  1.

Într-adevăr,

xm
pentru a verifica ultima relaţie, în integrala de mai sus facem schimbarea de variabilă  y.
 2
Rezultă că dx   2dy. Dacă x → -∞ atunci y → -∞, iar dacă x → ∞ atunci y → ∞.
Obţinem astfel:
  
1 2
  e dy  e
y  y2
f ( x)dx  dy  1.
2

    0



Am folosit mai sus integrala lui Euler-Poisson  e  y dy 
2
.
0
2

Graficul funcţiei f are formă de clopot. Dreapta de ecuaţie x = m este axă de simetrie
1
pentru acest grafic, iar pentru x = m se obţine valoarea maximă a funcţiei f, şi anume .
 2
Punctele x = m şi x = m + σ sunt puncte de inflexiune.

17
 Pentru m= 0 şi σ = 1 funcţia f dată de relaţia din definiţia 1.7.2. devine:
x2
1
f ( x;0,1)  e , x  R.
2

2
Pentru a determina funcţia de repartiţie F(x; m, σ ) a unei variabile aleatoare X cu repartiţie
normală cu parametrii m şi σ , vom determina mai întâi funcţia de repartiţie pentru o variabilă
aleatoare cu repartiţie normală standard, notată cu F(x; 0,1) şi numită funcţia de repartiţie
normală standard. Conform relaţiei de legătură dintre f şi F, avem:
0 0 x
1
F ( x;0,1)   f (t;0,1)dt   f (t;0,1)dt   f (t;0,1)dt   ( x),
  0
2
x t2
1 
unde: ( x) 
2 0
 e dt. 2

Funcţia ϕ de mai sus se numeşte funcţia integrală a lui Laplace, pentru valorile căreia sunt
întocmite tabele.
Dacă variabila aleatoare X urmează legea normală cu parametrii m şi σ, atunci variabila
1
aleatoare Y  ( X  m) urmează legea normală cu parametrii 0 şi 1. Într-adevăr, dacă F1 este

funcţia de repartiţie a variabilei Y, atunci:

F1 ( x)  P(Y  x)  P( X  m  x)  F (m  x; m,  ),

iar densitatea de probabilitate a variabilei Y este:

x2
1 
f1 ( x)  F1 ( x)  f (m  x; m,  )   f ( x;0,1), x  R.
' 2
e
2
Deci F1(x) = F(x;0,1), x є R, adică variabila Y urmează legea normală cu parametrii 0 şi 1:
F ( x;0,1)  F (m  x; m,  ), x  R.
Rezultă astfel că pentru variabila aleatoare X cu repartiţie normală cu parametrii m şi σ ,
funcţia de repartiţie este:

18
 xm  1  xm
F ( x; m,  )  F  ;0,1    .
   2   
Teorema 1.6.2. Dacă variabila aleatoare X are repartiţie normală cu parametrii m şi σ ,
atunci valoarea medie şi dispersia sa sunt:
E(X) = m, Var(X) = σ2.
Demonstraţie:
Valoarea medie a variabilei aleatoare X este:
  ( xm)2
1 
E( X )   xf ( x; m, )dx  
 2
 xe 
2 2
dx.

xm
În integrala de mai sus vom face schimbarea de variabilă  y, de unde rezultă dx

= σ dy; pentru x → -∞ rezultă y → -∞, iar pentru x → ∞ rezultă y → ∞. Deci obţinem:
 y2  y2  

y2
1   m 

 2    ye e
E( X )  (y  m)e 2
dy  2
dy  2
dy  m  f ( y;0,1)dy  m.
2   2   

Dispersia variabilei X este:

  ( xm)2
1 
Var ( X )   ( x  m) f ( x; m,  )dx   ( x  m) e 2 2
2 2
dx.
  2  
Propoziţia 1.6.3. Dacă variabila aleatoare X are repartiţie normală cu parametrii m şi σ,
iar a, b, k є R, k > 0, atunci:
bm am
a) P(a  X  b)      ;
     
b) P( X  m  k  2(k ).
Demonstraţie:
1  b  m   1  a  m  bm a m
a) P(a  X  b)  F (b; m,  )  F (a; m,  )                 .
2     2         
b) P( X  m  k )  P(m  k  X  m  k )  (k )  (k )  2(k ),
Deoarece funcţia ϕ este impară (ϕ(- k) = -ϕ (k)).
Observaţia 1.6.4. Dacă luăm k = 3 în relaţia P( X  m  k )  2(k ) 
 
P X  m  3  2 (3)  0,9974.
Relaţia de mai sus ne spune că aproape toate valorile variabilei X sunt situate în intervalul
(m-3σ, m + 3σ ). Această egalitate este cunoscută sub numele de regula celor şase σ .
Exemplul 1.6.5. Să presupunem că variabila aleatoare X urmează o lege normală de
parametrii 0 şi 1. Să se determine densitatea de repartiţie corespunzătoare variabilei aleatoare
1
Y  X 2.
x2
1 
Soluţie: Densitatea de repartiţie a variabilei X este f X ( x)  e 2
.
2
Funcţia de repartiţie a lui Y este:

19
  
   
1
FY ( y )  P(Y  y )  P X 2  y   P X  y 2  P  y 2  X  y 2  2 FX ( y 2 )  f Y ( y )  2 FX' ( y 2 )  2 f X ( y 2 ) 
 
y4 y4
1  4y 
 (y )  2
2 '
e 2
 2y  e 2
.
2 2

1.7. Clase de variabile remarcabile

1. Clasa H (S, σ); S є N*; σ > 0.

X є H (s,σ) dacă şi numai dacă este asociată următoarea densitate de probabilitate:
S x
1 1  2
f ( x)   x e
2 2

S S 
pentru x > 0 şi f(x) = 0, pentru x < 0.
2   
S 2

2
Obervăm că:
f ( x)  0, () x  R
 0   S x
1 1 

 f ( x)dx   f ( x)dx   f ( x)dx   f ( x)dx  S

S
x 2
e 2 2

R   0
2   
2 S 0

2

Facem schimbarea de variabilă:

x
 t  x  2 2  t  dx  2 2 dt
2 2

x  0  t  0; x    t  

S
  1  S 

 2 t 
S 2  1  S 1
1 2 1 1
 f ( x)dx   e  2 dt  2   e t  2 2 dt 
2 t 2 2 2  2
t
S S
S S
R
2  S   0
2
2  S  
2 0

2 2
S  
S
S 2  1   2 S
1 11 1 1
 2 2
 2 
 t 2
 e t dt      1
S
S    
S
2
2  S  
2 0

2 2
Deoarece:


x
p 1
 e  x dx  ( p) 

⇒ f(x) este o densitate de probabilitate.

20
  S x
S 1 
 k   x f ( x)dx  k
x x k 2
e 2 2
dx
S
S
R
2   
2 S 0

2
Notăm:
x
t
2 2
S
 k  1  S 
2  k  1   2  k  s 1
  2 t 
s
1 2 1 k
k   e  2 dt   t
t
s
2 2
2 2  2  2
 e t dt 
S
s
S
2  s  
2 0
2  2  
2 0

2 2
2 k  2k  S
 k    k  
S
  
2
2

Propoziţia 1.7.1. Momentele iniţiale de ordinul k pentru variabila aleatoare X є H (S, σ),
σ > 0, S є N sunt date de relaţiile:
 k   2 k  S ( S  2)( S  4)...( S  2(k  1)) kN*
k 1
M ( X )   1   21  S   2  S
k 2
 2   22  S ( S  2)   2  S ( S  2)
Momentele centrate pot fi determinate cu ajutorul momentelor iniţiale prin intermediul
relaţiilor cunoscute:
 2  M ( X  M ( X )) 2  D 2 ( X )   2  12   2  S (S  2)   4  S 2
2. Clasa variabilei aleatoare S (s); S є N*
X є S(s) dacă şi numai dacă este asociată următoarea densitate de probabilitate:
 S  1
  S 1
2  2
1  2 
  1  x 
f ( x)  
S   
S S 
 
2
Observaţia 1.7.2. S є N* iar x2 ≥ 0, f (x) este definită pe întregul domeniu R.
Evident:
f ( x)  0() x  R

21
  S  1  S  1
   S 1
2  2
   S 1
2  2
   
   1      2 1 
1 2 x 1 2 x
 f ( x)dx  S  S    S  dx 
   S  S  0  S  dx 
R
   
2 2
 S  1
  
 
2 2  1
  S 1
dx
S   0
S
   x  2
2

2 1  
 S 
Integrala obţinută sugerează folosirea următoarei proprietăţi:

x p 1
 1  x
0
pq
dx  B( p, q)

Facem schimbarea de variabilă:

x2 1
 t  x2  t  S  x  t  S  S  t  dx  S dt
S 2 t
 S  1
 
2  2  1 1
x  0  t  0; x    t     f ( x)dx  S
  S 1
 S  0 1  t  2
 S
2 t
dt 
R
 
2
 S  1  S  1
      
1

      2
2 1 2 t
 S  0 1  t  S21  t  S  0 1  t  S21
dt  dt
       
2 2
 1
 p  1  1 / 2  p 
 2

p  q  S 1  q  S

 2 2

 S 1
 
 2  1 S 
 f ( x)dx 
S
 B , 
    
R
2 2
2
 S  1 1 S 
      
 ( p )( q )   1 
f ( x)dx  
2 
    
2 2
B ( p, q )    1     
( p  q ) S 1 S    2 
R
      
2 2 2

22
 1.8. Inegalitatea lui Cebîşev. Teorema lui Cebîşev.
Legea numerelor mari

Propoziţia 1.8.1. (Inegalitatea lui Cebîşev). Dacă variabila aleatoare X are valoare medie
şi dispersie atunci ∀ ε > 0 are loc inegalitatea:
Var ( X )
P( X  E ( X )   )  1  sau inegalitatea echivalentă cu aceasta
2
Var ( X )
P( X  E ( X )   )  .
2
Demonstraţie:
Presupunem că X este o variabilă aleatoare de tip continuu, având densitatea de
probabilitate ρ(x). Atunci:



Var ( X )   ( x  E ( X ))
2
 ( x)   ( x  E ( X )) 2 p ( x)dx unde D  x / x  E ( X )    deoarece
 D

x  E ( X )   , avem că ( x  E ( X )) 2   .
Deci, avem:  ( x  E ( X )) 2  ( x)dx   2   ( x)dx   2 P( X  E ( X )   .
D D

Var ( X )
Am obţinut că Var ( X )   2 P ( X  E ( X )   , rezultă P( X  E ( X )   )  .
2
Folosind probabilitatea evenimentului contrar se obţine şi cealaltă formă a inegalităţii:
Var ( X )
P( X  E ( X )   )  1  P( X  E ( X )   )  1  .
2
Legea numerelor mari
Nu putem şti înainte de efectuarea experienţei ce valoare va lua variabila aleatoare pe care
o studiem. S-ar părea că, întrucât despre fiecare variabilă aleatoare dispunem de informaţii
reduse, cu greu am putea determina comportarea mediei aritmetice a unui număr suficient de
mare de variabile aleatoare. În realitate, în condiţii puţin restrictive media aritmetică a unui
număr suficient de mare de variabile aleatoare îşi pierde caracterul întâmplător. Pentru practică
este foarte important să cunoaştem condiţiile în care acţiunea combinată a mai multor factori
întâmplători conduce la un rezultat care să nu depindă de întâmplare, deci care să ne permită să
prevedem mersul fenomenului studiat. Astfel de condiţii se dau în teoremele cunoscute în
calculul probabilităţilor sub denumirea comună de legea numerelor mari. Termenul de lege a
numerelor mari a fost folosit pentru prima oară de Poisson, deşi, cu aproximativ un secol înainte,
Jacob Bernoulli a pus în evidenţ㸠acţiunea legii numerelor mari cu referire la repartiţia
binomială. În 1867, Cebîşev precizează riguros din punct de vedere matematic legea numerelor
mari în condiţii generale.
Fie ( Ω, K, P) un spaţiu de probabilitate şi (Xn) n є N* un şir de variabile aleatoare reale
definite pe acest spaţiu.
Ne interesează cazul în care există un şir de numere reale (an) n є N* astfel încât:
1 n
1) 
n k 1
X k  an 

P
0, n  

23
 sau
n
1
2) 
n k 1
X k  a n 
a.s.
0, n  

1 n
De obicei se consideră cazul în care a n   E ( X k ).
n k 1
În cazul 1) (resp. 2) se spune că şirul (Xn) n є N* satisface legea slabă a numerelor mari
(resp. legea tare a numerelor mari) sau că (Xn) n є N* este slab stabilă (resp. tare stabil).
Exemplul 1.8.2. O urnă conţine 30 de bile albe şi 10 bile negre. Se fac 200 de extrageri
din urnă punând după fiecare extragere bila înapoi în urnă. Se cere o margine inferioară pentru ca
probabilitatea ca numărul de apariţii ale bilei albe în cele 200 de extrageri să fie cuprins între 100
şi 120.
Soluţie: Fie X variabila aleatoare ce reprezintă numărul de apariţii ale bilei albe, X are o
repartiţie binomială.
3
Probabilitatea ca într-o extragere să obţinem o bilă albă este p = 4.
3 3 1
Deci E(X) = np = 200 · 4 = 150, D2(X) = npq = 200 · 4 · 4 = 37,5.
Se aplică inegalitatea lui Cebîşev:
37,5
P(100  X  120)  P( X  110  10)  1   0,625.
100

1.9. Vectori aleatori

Definiţia 1.9.1. Funcţia de repartiţie a unui vector aleator n- dimensional X = ( X1, ..., Xn)
este funcţia FX : Rn → [0,1], FX (x1,..., xn) = P(X1 < x1,…, Xn < xn).
Proprietăţile funcţiei de repartiţie
1) F este crescătoare şi continuă la dreapta în fiecare dintre variabile;
2) lim FX ( x1 ,..., x n )  0, j  1, n
x j 0

3)  a b  a b ... a b FX ( x1 ,..., x d )  0, ai  bi , j  1, n
1 1 2 2 d d

unde s-a notat:

a j b j FX ( x1 ,..., x n )  FX ( x1 ,..., x j 1 , b j , x j 1 ,..., x n )  FX ( x1 ,..., x j 1 , a j , x j 1 ,..., x n )

Definiţia 1.9.2. Vectorul aleator X = ( X1,..., Xn) admite densitatea de probabilitate (de
repartiţie) f (x1,...., xn) dacă:
x1 xd

FX ( x1 ,..., x n )   ...  f (t1 ,..., t n )dt1 ...dt n

 

24
 Observaţia 1.9.3. Componentele X1,..., Xd sunt independente dacă şi numai dacă vectorul
X = (X1,..., Xn) are densitatea f (x1,..., xn) = f (x1)...f(xn), unde f(x1),...,f(xn) sunt densităţile
variabilelor aleatoare X1,...,Xn.
Fie h : Rn → R o funcţie măsurabilă Borel. Variabila aleatoare Y(ɷ) = h(X1(ɷ),..., Xn(ɷ)),
care se notează Y = h( X1,..., Xn) este o funcţie de variabile aleatoare (X1,..., Xn).
Evenimentele (X = x1); (X = x2);...;(X = xn) sunt incompatibile şi reuniunea lor este
evenimentul sigur. Astfel aceste evenimente alcătuiesc un sistem complet de evenimente.
Teorema 1.9.4. Funcţia de repartiţie a unui vector aleator bidimensional are următoarele
proprietăţi:
a)0  FX ,Y ( x, y )  1, ()( x, y );
b)() x1  x 2 , () y  FX ,Y ( x, y )  FX ,Y ( x, y );
c)() x, () y1  y 2  FX ,Y ( x, y1 )  FX ,Y ( x, y 2 )
Demonstraţie:
a) FX,Y este o probabilitate şi de aceea este cuprinsă între 0 şi 1.
b)( X  x2 ; Y  y ) 
def
( X  x2 )  (Y  y )  ( X  x1 )  ( x1  X  x2 )  (Y  y )  ( X  x1 )  (Y  y ) 
( x1  X  x2 )  (Y  y ).
Întrucât aceste evenimente sunt incompatibile rezultă:
P( X  x 2 ; Y  y )  P( X  x; Y  y )  P( x1  X  x 2 ; Y  y )  P( X  x1 ; Y  y )  FX ,Y ( x 2 , y )  FX ,Y ( x, y )
Analog punctul c).
Teorema 1.9.5. Pentru orice vector aleator X, Y au loc relaţiile:
a) P( x1  X  x 2 ; Y  y )  FX ,Y ( x 2 , y )  FX ,Y ( x1 , y );
b) P( X  x; y1  Y  y 2 )  FX ,Y ( x, y 2 )  FX ,Y ( x, y1 );
c) P( x1  X  x 2 ; y1  Y  y 2 )  FX ,Y ( x 2 , y 2 )  FX ,Y ( x 2, y1 )  FX ,Y ( x1 , y 2 )  FX ,Y ( x 2 , y1 ).

Exemplul 1.9.6. Fie X, Y variabile aleatoare discrete cu repartiţiile:

Dacă P( X = -1, Y = -1) = λ, λ є R, să se calculeze:

a) repartiţia vectorului (X, Y);

b) coeficientul de corelaţie ρ (X, Y) în funcţie de λ;

c) valoarea lui λ pentru care X şi Y sunt necorelate; în acest caz să se cerceteze şi

independenţa variabilelor aleatoare X şi Y.

25
Soluţie:
1 2 1
a) P( X  1, Y  1)   ; P( X  1, Y  2)    ; P( X  1, Y  1)    ; P( X  1, Y  2)   
2 3 6
E ( XY )  E ( X ) E (Y )
b)  ( X , Y ) 
D 2 ( X ) D 2 (Y )

Calculăm E(XY) = 6λ – 2, E(X) = 0, E(Y) = 0, D2(X) = 1, D2(Y) = 2 şi avem:

6  2
 ( X ,Y )  .
2
1
 ( X ,Y )  0   
3
Pentru:
1
  , pij  pi q j , i, j  1,2
3
unde:
pi = P(X = xi), qj = P(Y = yj), pi,j = P(X = xi, Y = yj), deci X, Y sunt independente.

26
Bibliografie
1. Notiţe de curs
2. http://civile.utcb.ro/cmat/cursrt/psvp.pdf
3. http://www.edumanager.ro/community/documente/probabilitati%20si%20statistica.pdf
4. http://andrei.clubcisco.ro/cursuri/1mate3/misc/Culegere%20M3.pdf

27