ELEMENTE DE TEORIA PROBABILITĂŢILOR

Obiectivul principal este înţelegerea modelelor aleatoare. Această parte este necesară
abordării ulterioare a disciplinelor de statistică economică şi econometrie, pentru studii de analiză
statistică, prognoză economică şi studii de piaţă.

4.1. Câmp de evenimente (definiţie; operaţii cu evenimente)

O mulţime nevidă A se numeşte algebră Boole dacă, înzestrată cu operaţiile
, , C, satisface axiomele:
- comutativitate
- asociativitate
- distributivitate
- absorbţie ( A  CB)  A  A ; ( A  CB)  A  A;() A, B  A
- complementaritate ( A  CA)  B  B; ( A  CA)  B  B; A, B  A
Spunem cã elementul AA este conţinut în elementul BA şi notăm A  B, dacă A  B = A.
Observaţii:
Relaţia de incluziune “” pe algebra A defineşte o relaţie de ordine.
Într-o algebră Boole există două elemente notate A - element nul şi A element total care
verificã proprietatea: A  CA  ; A  CA  ; () A A
Într-o algebrã Boole funcţioneazã regulile lui de Morgan:
 C( A  B)  CA  CB

 C( A  B)  CA  CB
O mulţime nevidã K se numeşte corp de pãrţi dacã este închisã la complementarã şi reuniune
finitã.
1 ()     CA  
2 () ,      
În teoria probabilitãţilor noţiunea de bazã este aceea de “eveniment” care ne intereseazã din
punct de vedere al realizãrii sau producerii sale în anumite condiţii date
Dacã A este un eveniment oarecare, numim, eveniment contrar lui A şi notãm (A),
evenimentul care se produce atunci şi numai atunci când nu se produce evenimentul A.
Daca A şi B sunt douã evenimente oarecare, atunci numim evenimentul sau A sau B şi
notãm (AB) acel eveniment care se produce când cel puþin unul din A respectiv B se produce.
Dacã A şi B sunt douã evenimente oarecare, atunci numim evenimentul şi A şi B şi notãm
AB acel eveniment care se produce când se produc simultan A şi B.
Observaţii:
Mulţimea evenimentelor notate cu aceste operaţii formeazã o algebrã Boole, numitã algebra Boole a
evenimentelor.
Elementelor  şi  le corespunde în algebra evenimentelor, evenimentele: () (evenimentul
imposibil); () (evenimentul sigur).
Diferenţa a douã evenimente A-B este un eveniment care se produce atunci când primul eveniment
se realizeazã şi al doilea element nu se produce.
Dacã producerea unui eveniment A atrage dupã sine producerea unui alt eveniment B, atunci
spunem ca evenimentul A implicã evenimentul B şi notãm AB.

Perechea {,} se numeşte câmp de evenimente, unde  este mulţimea evenimentelor

elementare şi  este câmpul de evenimente.
Un eveniment A se numeşte eveniment compus dacã  evenimentele B, C  A astfel încât acesta
se poate scrie: A= B C. În caz contrar evenimentul se numeşte elementar.

4.2. Câmp de probabilitate (definiţia axiomatică a funcţiei probabilitate);

Proprietăţile funcţiei probabilitate

Fie {,} un câmp de evenimente.

Se numeşte probabilitate pe K o funcţie
P:KR
care satisface axiomele:
10 P( A)  0() A   (17.1)
 0
2 P (  )  1
30 () Asi B   , A  B    P( A  B)  P( A)  P( B)

Observaţie:
1. Evenimentele A şi B pentru care A   se numesc evenimente incompatibile

2. Dacã axioma  este înlocuitã cu axioma :n)n cu AiAj ij  P (  An ) =
n 1



n 1
P( An ), atunci se poate spune cã probabilitatea este complet aditivã.

. Tripletul {,,} se numeşte câmp de probabilitate.

Principalele proprietăţi ale funcţiei probabilitate sunt:

1. () A    P( A)  1  P( A)
2. P   0
3. () A  B  P( A)  P( B)
4. Pentru () A  K   P( A)  1
5. () A, B  K  P( A  B)  P( A)  P( A  B)
6. () A, B    P( A  B)  P( A)  P( B)  P( A  B)
7. () A, B  , A  B  P( B  A)  P( B)  P( A)
Demonstraţie:
  A  CA  A  A axioma
   P()  P( A)  P( A) axioma
    1  P( A)  P( A)
0 0
3 2

    P( ) ax1  1  P() ax 2  1  1  0

0 0

Fie
C  B  A  B  A; A  C  A  ( B  A)  B P( B)  P( A)  P(C )
  P(C )  
A  C  A  ( B  A)   P(C )   (axioma10 )
Evident:     , ceea ce trebuia demonstrat

A  B  A  B ; ( A  B)  ( A  B)  A  ( B  B) 

   A  A
( A  B)  ( A  B)  A  ( B  B)   

 P( A)  P( A  B)  P( A  B)  P( A  B)  P( A)  P( A  B)
 A  B  A  B  A  B  P( A  B)  1  P( A  B) 
P5


P5
 
 1  P( A)  P( A  B)  1  1  P( A)  P( B  A) 
P5


P5
 P( A)  P( B)  P( A  B)

A  B  A  B  A 
P5
P( B  A)  P( B)  P A  B 

Definiţia în sens clasic a probabilităţilor

Două evenimente A,BK se numesc egal posibile  P(A)=P(B).
Într-un câmp finit de evenimente numãrul cazurilor posibile este numãrul evenimentelor
elementare, adicã card , iar numãrul cazurilor favorabile unui eveniment AK este numãrul de
evenimente elementare a cãror reuniune este evenimentul A.
m
card n , A= U Ai , Ai= evenimente elementare, m= numãrul cazurilor favorabile lui A.
i 1
Dacã toate evenimentele elementare ale unui câmp finit de evenimente K sunt egal posibile, atunci
probabilitatea de realizare a unui eveniment A, (P(A)) este raportul dat de numãrul cazurilor
favorabile producerii evenimentului A şi numãrul cazurilor posibile:
m
P( A) 
n
Demonstraţie
m m m
P( A)  P( Ai )   P( Ai )     mp
i 1 i 1 i 1
n n
1 m
  U AK  1   P( AK )  n  p  1  p  P( A) 
K 1 K 1 n n

Probabilităţi condiţionate şi evenimente independente

Considerăm aplicaţia:
Extragem fără întoarcere, câte o bilă dintr-o urnă în care se află a = bile albe şi b = bile negre.
Notãm cu A = evenimentul obţinerii unei bile albe la a doua extragere.
 a 1
 a  b  1 , dacã la prima extragere, bila a fost albã
P( A)  
 a
 a  b  1 , dacã la prima extragere, bila a fost neagrã
Observãm cã probabilitatea evenimentului A depinde de realizarea altui eveniment B,
corespunzãtor obţinerii unei bile albe la prima extragere.

Fie câmp de probabilitate, A1, A2  K, A1  

Numim probabilitatea evenimentului A2 condiţionatã de evenimentul A1 valoarea datã de
relaţia:
def
P( A1  A2 )
P( A2 / A1 )  P( A2 ) 
A1 P( A1 )

Douã evenimente A,BK se numesc evenimente independente dacã .

Se pote arãta cã dacã A,B independente atunci  A, B,  A, B,  A, B sunt evenimente
independente.
 4.3. Formule probabilistice

 formule de calculul probabilităţii reuniunii de evenimente (pentru evenimente

incompatibile 2 câte 2, respectiv compatibile),
 formule de calculul probabilităţii intersecţiei de evenimente (pentru evenimente
independente, respectiv dependente),
 formule de calculul probabilităţii pentru sisteme complete de evenimente (sisteme de
ipoteze) (formula probabilităţii totale şi formula lui Bayes).

Formula de calcul a probabilităţii reuniunii de evenimente incompatibile două câte două

n n
() Ai  K , i  1, n , P( Ai )  P( Ai )
i 1 i 1

Demonstraţie: Este generalizarea axiomei 3 din definiţia funcţiei probabilitate.

Formula de calcul a probabilităţii reuniunii de evenimente compatibile(Formula Poincare)

() Ai  K , i  1, n
n n Cn2 Cn3 n
P( Ai )  P( Ai )   P( Ai  A j )   P( Ai  A j  Ak ) .........  (1) n 1 P( Ai )
i 1
i 1 i 1 1 j i j k

Demonstraţie: Se face prin inducţie după n.

Pentru n=2 P( A1  A2 )  P( A1 )  P( A2 )  P( A1  A2 ) (proprietatea 6 )
Presupunem relaţia adevărată pentru n şi demonstrămcă are loc pentru n+1, adică
n 1 n 1 Cn21 n 1
P( A )   P( Ai )   P( Ai  A j )  ......  (1) n P( Ai )
i i 1 i j i 1
i 1
n 1 n n n
P( Ai )  P( Ai  An1 )  P( Ai )  P( An 1 )  P(( Ai )  An1 )
i 1 i 1 i 1 i 1
n n
( Ai )  An 1   ( Ai  An 1 ) 
i 1 i 1
n n Cn2 n
P(( Ai )  An 1 )   P( Ai  An 1 )   P( Ai  A j  An 1 )  .......  (1) n 1 P(( Ai )  An 1
i 1
i 1 i 1 i j

Formula probabilităţii intersecţiei evenimentelor compatibile

(() Ai   , i  1, n
n n Cn2 Cn3 n
P( Ai )   P( Ai )   P( Ai  A j )   P( Ai  A j  Ak )....  (1) n 1 P( Ai )
i 1 i 1 i j i j k i 1

Demonstraţie: Fie se foloseşte din nou procedeul de inducţie matematică, fie

n n n 
n
Cn2 

Cn3 n
P( Ai )  P( Ai )  1  P( Ai )  1   P( Ai )   P Ai  A j    P( Ai  A j  Ak ....  (1) n 1 P( Ai )
i 1 i 1 i 1 
 i 1 i j 
 i j k i 1

se foloseşte probabilitatea lui P( A)  1  P( A)

În foarte multe aplicaţii formula de mai sus se înlocuieşte cu inegalitatea cunoscută a lui
Boole:
 n n
P( Ai )   P( Ai )  (n  1) inegaltate alui Boole
i 1 i 1

Formula de înmulţire a probabilitãţilor

n
() Ai   , Ai  avem:P( Ai )  P( A1 )  PA1 ( A2 )  PA2 ( A3 ).....PAn1 ( An )
i 1

Demonstraţie:
inducţie după “n”:
n  2 P( A1  A2 )  P( A1 )  PA1 ( A2 )
n 1
 n  Baza n ipoteza
P( Ai )  P ( Ai )  An 1   P( Ai ) P n ( An 1 )  P( A1 ) PA1 ( A2 ) PA1  A2 ( A3 ).....Pn 1 ( An )  P n ( An 1 )
i 1  i 1  inducþiei i 1  inducþiei  Ai  Ai
i 1 i 1 i 1

Fie :, ,  câmp de probabilitate. Un sistem de evenimente Hi  , i  1, n formează

sistem complet de evenimente, dacă :
1o H i  , (  )i  1, n
2o H i  H j   (  )i  j
n
3o U H i  
i1

Dacă , ,  este un câmp de probabilitate, X un eveniment din câmpul de evenimente şi

Hi un sistem complet de evenimente ( i  1, n ) din K, atunci are loc formula:
n
P( X )   P( H i )  PH i ( X )
i 1
numitã formula probabilitãţii totale.
Demonstraţie
n n
X  X    X  (U H i )  U ( X  H i )
i1 i 1
n
( X  H i )  ( X  H j )  X  ( H i  H j )    P( X )  P(U ( X  H i )) 
i1
n n
  P( X  H i )   P( H i )  PHi ( X ) ( q. e. d . )
i1 i1

Formula lui Bayes

Fie : , ,  un câmp de probabilitãţi, X  ,  H i    un sistem complet de evenimente
i1,n
şi X   . Atunci are loc relaţia:
P( H i ) PH i ( X )
PX ( H i )  n

 P( H )  P
i 1
i Hi (X )

Demonstraţie:
Din definiţia probabilitãţilor condiţionate avem:
P( H i ) PHi ( X )
P( X  H i )  P( H i ) PHi ( X )  P( X )  PX ( H i )  PX ( H i ) 
P( X )
P(X)se exprimã din formula (19.1)  (q.e.d)
 4.4. Scheme clasice de probabilitate
(schema lui Poisson; schema lui Bernoulli; schema hipergeometrică)
Experimente repetate; Schema lui Poisson
Se considerã “n” experimente independente şi în fiecare din ele putându-se realiza un
eveniment A cu o probabilitate cunoscutã. Fie Ai evenimentul care constã în realizarea
evenimentului A la experimentul numãrul “i”, P( Ai )  pi cu i  1, n .
Probabilitatea ca evenimentul a sã se realizeze de “k” ori, cu Kn, în cele “n” experimente
independente, notată cu P(n,k), este egalã cu coeficientul lui xk din dezvoltarea polinomialã :
n
 n ( x)   ( pi x  qi ); cu qi  P( Ai )  1  pi ,
i 1
qi= probabilitatea evenimentului contrar.

Observaţie:
În limbajul urnelor schema Poisson este formulatã astfel :
Se dau urnele: U1,U2………Un care conţin bile albe şi negre în proporţii date, adicã se cunoaşte pi=
probabilitatea cu care se extrage o bilã albã din urna Ui. Se cere probabilitatea de a extrage “k” bile
albe şi “n-k” bile negre, atunci când se extrage câte o bilã cu revenire.

Schema lui Bernaulli cu două stări

Schema lui Bernaulli este un caz particular al schemei Poisson, în care
P( Ai )  p () i  1, n , adicã fiecare experiment A care ne intereseazã se realizeazã cu aceeaşi
probabilitate
P(n, k )  C n p k  q nk , q  1  p
k

Schema hipergeometricã (schema bilei fără revenire)

Fie o urnã cu “N” bile albe şi negre. N=a+b a=bile albe, b=bile negre. Se extrage câte o bilã
pe rând, fãrã revenire. Evenimentul a cãrui realizare ne intereseazã este obţinerea unei bile albe la o
extragere. P(n,k) se calculeazã dupã formula clasicã a probabilitãţii pentru un câmp finit de
evenimente şi evenimente elementare egal posibile. Numãrul cazurilor egal posibile se determinã
observând cã extragerea consecutivã a “n” bile fãrã revenire coincide cu extragerea simultanã a unui
“n” uplu de bile (bile deodatã).
nk

k

P(n, k )  C a Cb
n
C N

4.5. Variabile aleatoare

Tipuri de variabile aleatoare şi repartiţiile lor probabilistice

Se numeşte variabilã aleatoare pe câmpul de evenimente {} o funcţie    R a.i.
       
-1

a) Fie {,P} un câmp finit de probabilitate, sau cel mult numărabil.

Se numeşte variabilă aleatoare discretă, o funcţie
X:R , X=X(
definită pe mulţimea evenimentelor elementare cu valori reale astfel încât {xi}, unde
i mulţimea de indici cel mult numărabilă.
 b) În cazul unui câmp infinit de evenimente, se numeşte variabilă aleatoare continuă
aplicaţia :
X:R a. î. {}  R

Dacă X,Y sunt două variabile aleatoare, atunci au sens operaţiile de adunare algebrică, de înmulţire,
de împărţire, de compunere şi rezultatele lor sunt de asemenea variabile aleatoare.

În cazul variabilelor aleatoare de tip discret, ansamblul format din valorile variabilei
aleatoare şi probabilităţile evenimentelor corespunzătoare se numeşte funcţie de repartiţie, adică:
 x1 ,x2.....xn  n
X :  ;  pi  1 pentru variabile aleatoare de tip discret şi finit;
 p1 , p2..... pn  i 1

 x1 ,x2.....xn.....  
X :  ; p n  1 pentru variabile aleatoare de tip discret şi numărabil;
 p1 , p2..... pn.... n 1

În cazul unei variabile aleatoare de tip continuu numim funcţie de repartiţie o aplicaţie
F:R[0,1] astfel încât F(x)= P(X<x);
Această notaţie este formală, ea reprezentând probabilitatea:
x x  x

Principalele proprietăţi ale funcţiilor de repartiţie

p1) Funcţia F este monoton crescătoare
Demonstraţie: fie x1<x2 cu x1, x2R x1}  {x2} sau : x1 
x2  x1  x2  F(x1)  F(x2)
p2) lim F ( x)  0
x 

Demonstraţie: fie ( xn ) n  R, xnn    ( X  xn ) n    P( X  xn ) n  0  F ( x) x  0

p3) lim F ( x )  1
x 
Demonstraţie: analog
( xn ) n  R, x n n     X  xn   n    P( X  x n ) 
n 1  F ( x ) x   1
p4) F(x) este o funcţie continuuã la stânga F(x)=F(x-0) () xR
Se poate arãta şi reciproc: dacã o funcţie F:R[0,1] are proprietãţile de la p1p4, atunci
pentru ea se poate construi un câmp de probabilitate şi o variabilã aleatoare X pentru care F sã
reprezinte funcţia sa de repartiţie.
p5) a,b R a<X<b) = F(b) - F(a) (19.9)
Demonstraţie: aba<X<b} = {X<b} - {X<a}
 P(a<X<b) = P((X<b) - (X<a)) = P(X<b) - P((X<b) (X<a)) = P(X-b) - P(X<a)
 (X-b)  (X<a)
p6) P(Xx) = 1- F(x)
Demonstraţie: (Xx) = (X<x)

Variabila aleatoare X de tip continuu are o densitate de repartiţie dacã  o funcţie
x
f : R  0, ) astfel încât F ( x)   f (t )dt , unde F este funcţia de repartiţie a variabilei X.


Dacă f: R R este o densitate de repartiţie atunci :

 a) f ( x)  0() x  R
 
 , f integrabilă
b)  f ( x)dx  1
 
Proprietatea densitãţii de repartiţie:
b
P(a  X  b)   f ( x)dx
a

Caracteristici numerice ale variabilelor aleatoare

Momente iniţiale de ordin “k”, k  N
Pentru variabilele aleatoare de tip discret şi finit, momentul iniţial de ordinul “k” este dat de
relaţia :
n
k = M[Xk] =  x ik  pi
i1
Pentru variabilele aleatoare de tip discret numărabil, momentul iniţial de ordinul “k” este dat de
relaţia :
 k  M X k    xnk  pn , dacă seria este convergentă


n 1
Pentru variabilele aleatoare de tip continuu, momentul iniţial de ordinul “k” este dat de relaţia:


 k  M X k
   x k f ( x )dx , dacă integrala este convergentă.


Caz particular: pentru k=1, 1= M[X] = m se numeşte valoarea medie a variabilei aleatoare X
sau speranţa matematicã
n
i) m   xi pi pentru variabile aleatoare de tip discret şi finit
i 1

ii) m   xn pn pentru variabile aleatoare de tip discret şi numărabil
n 1

iii) m 

 x  f ( x)dx pentru variabile aleatoare de tip continuu
Expresia U = X – m se numeşte abatere aleatoare a variabilei X de la valoarea medie.

Proprieăţti ale mediei:

p1) valoarea medie a unei abateri aleatoare are valoarea cuprinsã între cea mai micã şi cea
mai mare valoare a lui X.
x[xxp] x f(x)  x f(x) xp f(x)
 

f(x) = densitate de repartiţie; integrând  x  f ( x )dx  M  X   x p  f ( x )dx

 
p2) valoarea medie a abaterii variabilei aleatoare X de la valoarea medie este 0: M[U] = 0.
Demonstraţie: M[U] = M[X-m] = 0.

Momente centrate de ordin “k”, k

Se numeşte moment centrat de ordin “k” al variabilei aleatoare X momentul de ordinul
“k” al abaterii variabilei X de la valoarea medie.
k = M[(X-m)k]
pentru X = valoarea aleatoare discretã şi finitã, momentul centrat este:
 n
 k   ( x i  m) k pi
i1
pentru X = valoarea aleatoare discretã, numãrabilã, momentul centrat este:
m
 k   ( xi  m) k pi dacã seria este convergentã
i1
pentru X = valoare aleatoare continuã, momentul centrat este:


 k   ( x  m) k f ( x )dx dacã int egrala este convergentã


Observaţie: 1. Momentul centrat de ordinul 0 este 1.
Relaţia dintre momente centrate şi momente de ordin “k” este:

 k   ( x  m) k  f ( x)dx

  k
 k   ( x  m) k f ( x)dx    (1) C m i
i i k i
k
  i 0

Caz particular:
D( x )   2  C20 m2 0  C21m1  C22 m0 2   2  m2  M X 2   M 2  X 

Momentul centrat de ordinul 2 reprezintã dispersia variabilei aleatoare X

D(x) = M[(X-m)2]
şi are proprietatea:
 
D( x)  M X 2  M 2 X 
Dacă notăm cu  2  D( x)   2   2  m 2
Expresia  k  k  k ( x) se numeşte abaterea medie de ordinul k
Pentru k=2, D( x)   2 ( x)   se numeşte abaterea medie pătratică.

Probleme Rezolvate:

Experimente repetate, scheme clasice de probabilitate

1. În 3 loturi de produse 4%, 3% şi 8% sunt defecte. Se extrage la întãmplare câte un
produs din fiecare lot. Să se afle probabilitatea ca :

a) un produs sã fie defect ;

b) un produs sã fie corespunzãtor ;
c) toate produsele extrase sã fie corespunzãtoare ;
d) toate produsele extrase sã fie defecte.
Soluţie: (Schema Poisson )
p1  0,04; p2  0,03; p3  0,08 iar Pnk este coeficientul lui X k din dezvoltarea polinomialã:
n
 ( pi x  qi ) ; n=3, deci P( x)  ( p1 x  q1 )  ( p2 x  q2 )  ( p3 x  q3 )
i 1
a) P3,1  p1  q2  q3  q1  p2  q3  q1  q2  p3
b) P3, 2  p1  p2  q3  p1  q2  p3  q1  p2  p3
 c) P3,0  q1  q2  q3
d) P3,3  p1  p2  p3

2. O firmã se aprovizioneazã de la 4 furnizori. Din datele statistice privind furnizorii, firma

estimeazã cã probabilităţile cu care furnizori pot onora contractele sunt :
p1  0,8; p2  0,9; p3  0,8; p4  0,9
Sã se determine posibilitatea ca :
a) toţi furnizorii sã-şi onoreze contractul ;
b) nici un furnizor sã nu-şi onoreze contractul ;
c) cel puţin un furnizor sã-şi onoreze contractul ;
d) cel mult un furnizor sã-şi onoreze contractul .
Soluţie: ( Schema Poisson ); n=4
4
a) P4, 4 ; b) P4, 0 c) P4,k 1   P4,k d) P4,k 1  P4,0  P4,1
k 1
3. O societate comercialã are 6 debitori. Probabilitatea ca la şfârşitul unei luni un debitor
sa fie solvabil este 0,8. Sã se determine probabilitatea ca :
a) toţi debitorii sã fie solvabili ;
b) nici un debitor sã nu fie solvabil ;
c) 4 debitori sã fie solvabili ;
d) cel puţin 2 debitori sã fie solvabili ;
e) 3 debitori sã nu fie solvabili ;
f) cel puţin 2 debitori sã nu fie solvabili .
Soluţie: ( Schema Bernoulli sau schema bilei revenite )
p  0,8
n6 P n, k  Cnk p k q n  k
q  0,2
a) P6,6  C66 p 6 q 0  p 6 ; p  P(A) ; A = evenimentul “ debitorul sã fie solvabil “
b) P6,0  C60 p 0 q 6  q 6
c) P6, 4  C64 p 4 q 2
6
d) P6,k  2   P6,k
k 2

e) p6,3  C p q
3 3 3
6

f) P6,6  P6,5  P6, 4  C66 p6q0  C65 p5q1  C64 p 4q 2

4. Profitul unui agent economic la sfârşitul lunii poate sã creascã faţã de luna precedentã
cu probabilitatea de 0,6. Se anticipeazã profitul agentului economic pentru urmãtoarele 4 luni. Sã
se afle probabilitatea ca profitul :
a) sã creascã în 3 din cele 4 luni ;
b) sã creascã cel puţin în 2 din cele 4 luni ;
c) sã nu creascã în 2 din cele 4 luni ;
d) sã nu creascã în cel mul 2 din cele 4 luni ;
e) activitatea agentului economic sã nu fie rentabilã în nici una din cele 4 luni ;
f) activitatea agentului economic sã fie rentabilã pe întreaga periodã.
Soluţie: ( Schema Bernoulli sau schema bilei revenite )
p  P( A)  0,6 ; evenimentul A = “profitul sã creascã faţã de luna precedentã ”
a) P4,3  C 43 p 3 q1
 b) P4, 2  P4,3  P4, 4  C42 p 2q 2  C43 p3q1  C44 p 4q0
c) P4, 2  C42 p 2 q 2
d) P4, 2  P4,3  P4, 4  C42 p 2q 2  C43 p3q1  C44 p 4q0
e) P4,0  C40 p 2 q 2
f) P4, 4  C 44 p 4 q 0

5. La deschiderea bursei se pun în vânzare 100 de acţiuni cu aceeaşi valoare nominalã

dintre care 30 sunt ale firmei A, iar restul sunt ale firmei B. Sã presupunem cã pânã la închidera
bursei s-au vândut 10 acţiuni. Sã se afle probabilitatea ca :
a) 3 acţiuni vândute sã fie de la firma A ;
b) 4 acţiuni vândute sã fie de la firma B ;
c) toate acţiunile vândute sã fie ale firmei A ;
d) cel puţin 6 acţiuni vândute sã fie ale firmei A ;
e) toate acţiunile vândute sã fie ale firmei B ;
f) cel puţin 7 acţiuni vândute sã fie ale firmei B ;
Soluţie: ( Schema hipergeometricã pentru douã stãri )
N=100, a=30, b=70, n=10
C3 C7 C6 C4 C10C 0
P10,3  3010 70 ;b) P10,6  3010 70 ;c) P10,10  3010 70 ;
C100 C100 C100
10 10
1 10 k C70 3
1 3 k 10 k
d)  P10,k 
k 6 C10
 30 70
C  C 10 k
; e) P10,10  10
C100
; f)  P10, k 
C10
 C30  C70
100 k  6 k 0 100 k  0

Probleme Rezolvate:

Formule probabilistice
1. Un aparat electronic e alcătuit din 3 module ce funcţionează independent unul de altul.
Pe baza datelor statistice firma apreciază că probabilitatea “ p i ” de funcţionare fară defect într-
un interval dat de timp a modulului “ i ” este : p1  0,8 ; p2  0,85 ; p3  0,9 . Să se calculeze :
a) probabilitatea ca aparatul să funcţioneze ;
b) aparatul să nu funcţioneze ;
c) să fie necesară înlocuirea unui singur modul pentru ca aparatul să poată funcţiona.

Soluţie:
a) Fie Ai evenimentul ca modulul “ i ” să funcţioneze fară defect ; pi  P( Ai ) ; i  1, 3 .
Fie A evenimentul ca aparatul să funcţioneze. Atunci A  A1  A2  A3 şi cum evenimentele Ai
sunt independente, P( A)  P( A1  A2  A3 )  p1  p2  p3  0,8  0,85  0,9  0,612 .
b) Fie B evenimentul cerut, ca aparatul să nu funcţioneze. Evident : B  A . Deci :
P( B)  1  P( A )  1  0.612  0.388 .
c) Fie C evenimentul cerut. El se realizează daca şi numai dacă un singur eveniment Ai din
cele trei nu se realizează. Deci : C  ( A1  A2  A3 )  ( A1  A2  A3 )  ( A1  A2  A3 ) .
Cum evenimentele reunite sunt incompatibile două căte două, pentru calculul lui P(C ) se foloseşte
finit aditivitatea funcţiei probabilitate.
P(C )  P( A1  A2  A3 )  P( A1  A2  A3 )  P( A1  A2  A3 ) 
 (1  p1 )  p 2  p3  p1  (1  p 2 )  p3  p1  p 2  (1  p3 ) 
 0,2  0,85  0.9  0,8  0,15  0,9  0,8  0,85  0,1  0,153  0,108  0,068  0,329

2. O firma are în trei oraşe diferite câte o filială. Consiliul de administraţie al firmei a fixat
o valoare S faţa de care se raportează profitul fiecărei filiale.
Din datele statistice ale firmei rezultă că probabilităţile cu care fiecare filiala obţine un profit ce
depăşeşte suma S sunt aproximate de valorile p1  0,5 ; p2  0,6 ; p3  0,8 .
Să se afle probabilitatea ca :
a) cel puţin o filială să aibă un profit ce depăşeşte pe S ;
b) o singura filiala să aibă profit mai mare decât S ;
c) profitul la toate filialele să fie mai mare ca S ;
d) profitul la toate filialele să fie mai mic ca S ;
e) profitul la cel mult 2 filiale să depăşească pe S.
Soluţie:
a) Fie Ai evenimentul ca filiala “ i ” să obţină un profit mai mare decât S. Fie A
3
evenimentul ca cel puţin o filiala să aibă un profit mai mare ca S. Deci X   Ai şi cum
i 1
evenimentele sunt compatibile P(X) se calculează cu formula Poincare :
 3 
P  AI   P( A1 )  P( A2 )  P( A3 )  P( A1  A2 )  P( A1  A3 )  P( A2  A3 )  P( A1  A2  A3 ) 
 I 1 
 p1  p2  p3  p1 p2  p1 p3  p2 p3  p1 p2 p3 
= 0,5  0,6  0,8  0,5  0,6  0,5  0,8  0,6  0,8  0,5  0,6  0,8  0,96 .
b) Evenimentul cerut se descompune ca reuniune de evenimente incompatibile:
Y  A1  A2  A3   A1  A2  A3   A1  A2  A3 . Deci:
P(Y )  p1  (1  p2 )  (1  p3 )  (1  p1 )  p2  (1  p3 )  (1  p1 )  (1  p2 )  p3  0,26
c) Evenimentul cerut înseamnă realizarea simultană a celor 3 evenimente Ai . Deci
 3 
P( Z )  P  Ai   p1 p 2 p3  0,24.
 i 1 
d) Evenimentul cerut este:
V  A1  A2  A3  (1  p1 )(1  p2 )(1  p3 )  0.5  0.4  0.2  0,04.
e) Evenimentul cerut W se poate descompune ca reuniune de evenimente incompatibile
astfel:
    
W  Z  Y  A1  A2  A3  A1  A2  A3  A1  A2  A3  
P(W )  P(Z )  P(Y )  (1  p1 )  p2  p3  p1  (1  p2 )  p3  p1  p2  (1  p3 ) 
 (1  0,24)  0,26  0,24  0,16  0,06  1,48.

3. O maşină automată produce în medie 3% tricotaje necorespunzătoare. Un lot de 100 de

tricotaje e supus controlului de calitate. Condiţia ca lotul să fie respins constă în depistarea a cel
puţin unui tricotaj cu defect în 4 verificări consecutive la întâmplare. Să se afle probabilitatea ca :
a) lotul să fie acceptat ;
b) lotul să nu fie acceptat ;
c) lotul să fie respins după a doua verificare.
Soluţie:
a) Fie X evenimentul ca lotul să fie acceptat şi fie Ai evenimentul ca la verificarea cu
numărul i, i  1.4 , tricotajul să fie corespunzător.
4
Evenimentele Ai sunt dependente, X   Ai , deci se aplică formula probabilităţii intersecţiei de
i 1
evenimente dependente.
 4 
P( X )  P  AI   P( A1)  P 2   P 3   P A4 
A A
   A A A 
 I 1   A1   A1 A2   1 2 3 
97 96 95 94
     0,858.
100 99 98 97
b) Evenimentul cerut notat cu Y ca lotul să nu fie acceptat, este contrarul evenimentului X.
Deci P(Y )  1  P( X )  1  0.858  0,142.
c)Notăm cu Z evenimentul cerut.
A  97 3
Z  A1  A2  P( Z )  P( A1 )  P 2     1,02.
 A1 100 99
4. Două maşini automate care fabrică acelaşi fel de piese şi au aceeaşi productivitate,
realizează piese rebut cu probabilitatea p1  0,05; p 2  0,02. Din producţia celor două maşini se
extrage la întâmplare o piesă:
a) Care este probabilitatea ca piesa extrasă să fie corespunzătoare;
b) Care este probabilitatea ca piesa extrasă să fie rebut;
c) Ştiind că piesa extrasă este rebut, să se afle probabilitatea ca ea să provină de la prima
maşină;
d) Ştiind că piesa extrasă este corespunzătoare, care este probabilitatea ca ea să provină de
la a doua maşină?
Soluţie:
Notăm cu Ai evenimentul ca maşina “ i ”, i  1,2 să realizeze rebut.
p1  P A1   0,05; şi p2  P A2   0,02
Probabilitatea evenimentelor contrare, ca maşina “ i ” să realizeze piese corespunzătoare:
   
q1  P A1  1  p1  0,95 şi q2  P A2  1  p2  0,98
Fie H i , i  1,2 evenimentele ca maşina aleasă să fie maşina i
H i , i  1,2 formează sistem complet de evenimente (ipoteze):
H i   ; H1  H 2   ; H1  H 2  

P H 1   P H 2  
1
2
a) Fie X evenimentul ca piesa extrasă să fie corespunzătoare.
X se poate descompune ca reuniune de evenimente incompatibile:
X  X    X  H1  H 2    X  H1    X  H 2 
Aplicăm formula probabilităţii totale:
P X   PH 1   P X   PH   P X

    
 H , unde P X H   q1 ; P X H   q 2
 H1   2  1  2
2

P X    0,95   0,98  0,965

1 1
2 2
b) Fie Y piesa extrasă să fie rebut
 
PY   P X  1  P X  , sau aplicând din nou formula probabilităţii totale,
 PY   PH 1   P Y   PH   P Y  1 1
  H    0,05   0,02  0,035
 H 1  2
2
2 2
c) Probabilitatea cerută se calculează cu formula lui Bayes ( Y este evenimentul realizat)
PH 1   P Y  1  0,05

 H   H 1
 2
P 1
  0,714285
 Y  PY  0,035
d) X este evenimentul realizat pentru care se aplică din nou formula lui Bayes
PH 2   P X  1  0,02

P H 2    H 2
 2  0,010369
 X P X  0,965

Probleme Rezolvate:

Variabile aleatoare
1. Distribuţia variabilei aleatoare X este:

 1 2 3 4
 
X : 2 7 1 1
p P 
 4 3 6
a) Care este probabilitatea ca variabila X să ia o valoare  3 ?
b) Calculaţi M X  şi D X 
Soluţie:
7 1 1
a) X este variabilă aleatoare => p 2  p    1
4 3 6
12 p  21 p  4  2  12  0
2

4p2  7p  2  0
D  49  32  81
79 1 79
p1   p2  2  0 soluţie care nu convine.
8 4 8
 1 2 3 4 
Rescriem distribuţia variabilei aleatoare, X :  
1 / 16 7 / 16 1 / 3 1 / 6 

P X  3  P1  P2  P3 

1 7 1 5
   sau
16 16 3 6
 
P X  3  1  P X  3  1  P X  4  ;
5
6
1
16
7
16
1
3
1
6
 
b) M X   1   2   3   4  ; D X   M X 2  M X  ; iar
2

  1 7
M X 2  12  22  32  42
16 16
1
3
1
6
 2. Se testează trei prototipuri de produse. Probabilităţile ca acestea sa fie corespunzatoare
sunt respectiv: p1  0.9; p 2  0.8; p3  0.85 .Să se determine repartiţia variabilei aleatoare
corespunzatoare numărului de prototipuri care corespund.
Soluţie:
Notăm cu X variabila aleatoare respectivă . valorile acesteia pot fi 0,1,2,3.
Probabilităţile aferente fiecărei valori pe care o poate lua X se calculează cu schema lui
Poisson şi sunt respectiv coeficienţii lui x0 , x1 , x 2 , x3 din polinomul:
Px   0.9 x  0.10.8x  0.20.85x  0.15
 0 1 2 3 
Vom avea: X :  
 0,003 0,056 0,329 0,612 
 

3. Intr-un lot de 100 produse, 10 sunt necorespunzătoare. Pentru un control de calitate se

extrag la întâmplare 5 produse din lot.
Să se determine repartiţia variabilei aleatoare X care ia ca valori numarul produselor
necorespunzătoare din cele 5 produse selectate?
Să se determine P X  4, P1  X  5
Soluţie:
Variabila aleatoare X poate lua valorile 0,1,2,3,4,5
pentru calcularea probabilităţilor corespunzătoare se foloseşte schema bilei nerevenite şi avem:
C k  C 5 k
pk  P5, k   10 5 90 , k  0,1,2,3,4,5
C100
k 
Repartiţia variabilei aleatoare va fi: X :   k  0,1,2,3,4,5 .
 pk 
3
P X  4  F 4   pk 0.583  0.340  0.070  0.007  1
k 0
4
P1  X  5  F 5  F 1   pk 0.340  0.070  0.007  0.41.
k 1

4. Se da o funcţie f : R  R , unde:
k sin x ,  x  [0,  ]

f x    ,k  R

 0 ,  x  [ 0,  ]
a. Să se determine constanta k astfel ca f să fie densitatea de repartiţie a unei variabile
aleatoare X .
b. Să se afle funcţia de repartiţie F a lui X
        5 
c. Să se calculeze P 0  X   , P 0  X  / x   , P X  /  X  
 4  4 6  2 4 4 
Soluţie:
Condiţiile ca f să fie densitate de repartiţie a variabilei aleatoare X sunt:
1. f x   0, x  R  k sin x  0  k  0
 

2. 

f ( x)dx  1   k sin xdx  k cos x
0
0
 2k  1  k  1
2
1
 sin x pentru x  [0,  ]
Deci: f ( x)   2

 0 pentru x  [0,  ]
 x
Deoarece : F x    f (t )dt 


pentru x  0 , F x   0
0 x x 1
pentru x  a, b , F x  
1 1


0 dt  0 2 sin tdt  
2
cos t  (1  cos x)
0 2
0  x 
F x  
1
pentru x    f (t )dt  0 f (t )dt   f (t )dt  0  0 2 sin tdt  0  1

 0 , daca x0
1  cos x
In concluzie: F x    , daca 0  x  
 2
 1 , daca x 


  41 2 2
c. P 0  X   =  sin xdx 
 4 0 2 4
     
  
P 0  X  / X  
P  X   F    F  
= 
6 4
  
4 6  2 3 2  
 4 6     2 3
P X   1 F 
 6 6
 5   5    1
P  X   F   F  1
   5  2 4 
   2 
4 2 2
P X  /  X   
 4 4 4  P   X  5  F  5   F    1 2  2 2
      1  1  
4 4   4  4 2  2 

5. Să se determine k  R, astfel încât f : R  R unde:

kxa 1 (1  x) b1 , pentru x  [0,1]

f ( x)   a.b>0
 0 , pentru x  [0,1]
să fie o densitate de repartiţie.
Soluţie:
Se pun condiţiile:
a. f ( x)  0, () x  R  k  0
 1
b.  f ( x)dx  1   kxa 1 (1  x) b1 dx  1 => kBa, b  1
 0

1
=> K  unde B(a, b) este funcţia beta de parametri a si b .
B ( a, b)

6. Se consideră funcţia f definită prin:


 1 , daca 1  c  x  1  c
f ( x)   x ,c  R

 0 in rest
Să se afle valoarea constantei c pentru care funcţia f este o densiatate de repartiţie.
Soluţie:
Pentru ca f sa fie o densitate de repartiţie, trebuie ca f ( x)  0, () x  R şi  f ( x)dx  1
R
Din f ( x)  0 rezultă ca c  0

1 c
dx 1 c 1 c
Din condiţia
1c
x
 1 rezultă că ln x
1 c
 1 sau ln
1 c
1

1 c e 1
Rezultă că:  e , adică c  .
1 c e 1

7. Să se determine constanta c astfel ca f : R  0,1 , f x  

c
să fie o densitate de
1 x2
repartiţie (repartiţia Cauchy) a unei variabile aleatoareX. Să se determine P 1  X  1 .
Soluţie:
f este o densitate de repartiţie dacă f x   0  c  0
  

 f x  dx  1  
c dx  1
dx  c   c  arctg x   c    1  c 
1 x  1  x
2

 
1 1 1
P 1  X  1  f x  dx 
dx 1 dx

1
1  1  x 2   11  x 2 
 
1      1  1
1
1
  arctgx        .
 1   4  4   2 2

0 , pentru x  0
8. Fie f : R  R , f x   
  e
2 x
, pentru x  0
a. Să se determine  pentru ca f să fie densitatea de repartiţie a unei variabile aleatoare
continue X .
b. Să se calculeze P X  3 , P X  3 , P2  X  3 .
c. Să se calculeze M  X  si D X  .

Soluţie:
a) f densitate de repartiţie dacă:
  

f x   0, x  R    0 ;  f x dx  1     e 2 x dx     e 2 x dx  1 
 0 

 1
      e 2 x
1
 1

 1    e   e 0     1    2
 2 0
2 2
3

b) P X  3   2e 2 x dx  e 2 x ; P X  3  1  P X  3  6
3 1 1
 1  e 6  1  6
0
0 e e
1 e2 1
3
P2  X  3   2e 2 x dx  e 2 x
3 1
 e  4  e 6    6
2
2 e4 e6 e
  

c) M  X    xf x dx   2 xe dx  2 xe dx 
2 x 2 x

 0 0
  
2 x  1 1
  xe  e 2 x
dx  0  e 2 x  .
0
0
2 0 2
 
M 2 X    x f x dx   2 x e
2 2 2 x
dx 
 0
  
 1 1 1
 2 x    e 2 x
2
 2 x  e 2 x
dx  0  e 2 x  .
 2 0 0
2 0 2

D X   M 2  X   M 2  X  
1 1 1
  .
2 4 4

9. Se da funcţia:
x , daca 0  x  1

f x   2  x , daca 1  x  2
0
 , in rest
a. Să se verifice că f x  este o densitate de probabilitate;
b. Să se calculeze M  X  si D 2  X  .
Soluţie:
a)Se verifica uşor că f x  > 0
1 1
 1 2
x2  x2 
 f  x dx  0 xdx  1 2  x dx 
1 1
  2 x     2   1 .

2 0  2 0 2 2
Deci f x  este o densitate de probabilitate.
b)
2 1 2
M  X    xf x dx   x dx   x2  x dx  2

0 0 01
3 1 2 2 3 2
x 2x x 1 8 1
     4 1   3  2  1
3 0
2 1
3 1
3 3 3
2 1 2
M 2  X    x f x dx   x dx   x 2 2  x dx 
2 3

0 0 1

4 1 3 2 4 2
x x x 7
  2   .
4 0
3 1
4 1
6

D X   M 2  X   M 2  x  
7 1
1  .
6 6

10. Se considera funcţia:

ax 2 e  kx , x  0
f x    unde k  0 , a  R .
0 , x  0
a. Să se determine parametrul real a aşa încât f să fie densitatea de repartiţie a unei
variabile aleatoare continue X ;
b. Să se afle funcţia de repartiţie a lui X ;
c. Să se calculeze M  X  , D X  ,  x ;
  1
d. Să se calculeze P 0  X  .
 k
Soluţie:


Pentru ca f să fie o densitate de repartiţie trebuie ca f x   0 , adică a  0 si  f x dx  1 ;


Rezultă că:
 
k2
a  x 2 e kx 1 
a
 y e dy  1 
2 y a
 3  1  a  .
0 k2 0 k2 2
0 , x  0 0 ,x0
x 2 
b) F x   P X  x    k 2  kt   k 2 x 2  2kx  2  kx
 2 t e dt , x  0 1  e ,x0
0  2
c)
4 3
  
k 2 3 kx
M  X    xf x dx 
1

2 0
x e dx 
2 k 
0
y 3 e  y dy 
2 k
 .
k
5 12
  
M X    x f x dx 
k2 1
 x 4 e kx dx  2 y
4 y
2 2
e dy   .

2 0 2k 0 2k 2 k 2
 
D x   M X 2  M 2  X   2  2  2 .
12 9
k k k
3

 x  D X  
1
3.
k
d)
 1 1 1  2  2 1
P 0  X    F    F 0  1 
5 5
 e  1   e 1  1  .
 k k 2 2 2e