Sunteți pe pagina 1din 492

Lucian MATICIUC

T EORIA P ROBABILITĂT, ILOR


– T EORIE S, I A PLICAT, II –

Ias, i – 2020
Cuprins

1 Spaţiu de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Evenimente şi operaţii cu evenimente . . . . . . . . . . . . . . . 1
1.2 Spaţiu finit de probabilitate . . . . . . . . . . . . . . . . . . . . . 5
1.3 Spaţiu de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Lema lui Borel-Cantelli . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Probabilităţi condiţionate . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Evenimente independente . . . . . . . . . . . . . . . . . . . . . . 21
1.7 Formule probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7.1 Probabilitatea unei reuniuni de evenimente . . . . . . . . 24
1.7.2 Regula de înmulţire a probabilităţilor . . . . . . . . . . . 26
1.7.3 Formula probabilităţii totale . . . . . . . . . . . . . . . . . 27
1.7.4 Formula lui Bayes . . . . . . . . . . . . . . . . . . . . . . 27
1.8 Metode de numărare . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.8.1 Principiul multiplicării . . . . . . . . . . . . . . . . . . . . 28
1.8.2 Permutări. Aranjamente. Combinări . . . . . . . . . . . . 30
1.9 Probabilităţii geometrice . . . . . . . . . . . . . . . . . . . . . . . 38
1.10 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . 39
1.10.1 Schema lui Poisson . . . . . . . . . . . . . . . . . . . . . . 39
1.10.2 Schema binomială . . . . . . . . . . . . . . . . . . . . . . 40
1.10.3 Schema multinomială . . . . . . . . . . . . . . . . . . . . 41
1.10.4 Schema hipergeometrică . . . . . . . . . . . . . . . . . . . 42
1.11 Exerciţii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

2 Variabile aleatoare discrete . . . . . . . . . . . . . . . . . . . . . . . . 95


2.1 Variabile aleatoare. Generalităţi . . . . . . . . . . . . . . . . . . . 95
2.2 Variabile aleatoare discrete cu un număr finit de valori . . . . . 105
2.2.1 Operaţii cu variabile aleatoare . . . . . . . . . . . . . . . 111
2.2.2 Caracteristici numerice . . . . . . . . . . . . . . . . . . . . 113
2.2.3 Exemple de v.a. discrete . . . . . . . . . . . . . . . . . . . 133
2.3 Variabile aleatoare discrete cu un număr infinit de valori . . . . 149
2.3.1 Exemple de v.a. discrete . . . . . . . . . . . . . . . . . . . 153
2.4 Exerciţii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

3 Variabile aleatoare continue . . . . . . . . . . . . . . . . . . . . . . . 193


3.1 Densitatea de repartiţie . . . . . . . . . . . . . . . . . . . . . . . . 193
3.2 Caracteristici numerice . . . . . . . . . . . . . . . . . . . . . . . . 209
3.3 Exemple de v.a. continue . . . . . . . . . . . . . . . . . . . . . . . 228
3.3.1 Distribuţia uniformă . . . . . . . . . . . . . . . . . . . . . 228
3.3.2 Distribuţia exponenţială . . . . . . . . . . . . . . . . . . . 235
3.3.3 Distribuţia normală . . . . . . . . . . . . . . . . . . . . . . 237
3.3.4 Distribuţia Gamma . . . . . . . . . . . . . . . . . . . . . . 248
3.3.5 Distribuţia Student . . . . . . . . . . . . . . . . . . . . . . 251
3.3.6 Distribuţia χ2 . . . . . . . . . . . . . . . . . . . . . . . . . 256
3.3.7 Distribuţia Fisher . . . . . . . . . . . . . . . . . . . . . . . 259
3.4 Vectori aleatori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
3.4.1 Distribuţia multinomială . . . . . . . . . . . . . . . . . . 277
3.4.2 Transformări ale vectorilor aleatori . . . . . . . . . . . . . 281
3.5 Relaţii între distribuţii . . . . . . . . . . . . . . . . . . . . . . . . 294
3.6 Exerciţii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
3.6.1 Funcţii de repartiţie. Densităţi de repartiţie . . . . . . . . 303
3.6.2 Valori medii. Momente . . . . . . . . . . . . . . . . . . . 354

4 Funcţia generatoare de momente . . . . . . . . . . . . . . . . . . . . . 377


4.1 Funcţia caracteristică . . . . . . . . . . . . . . . . . . . . . . . . . 383
4.2 Exerciţii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . 390

5 Şiruri de variabile aleatoare. Convergenţe . . . . . . . . . . . . . . . 423


5.1 Tipuri de convergenţe . . . . . . . . . . . . . . . . . . . . . . . . 423
5.2 Exemple şi contraexemple . . . . . . . . . . . . . . . . . . . . . . 433
5.3 Legea Numerelor Mari . . . . . . . . . . . . . . . . . . . . . . . . 440
5.4 Teorema Limită Centrală . . . . . . . . . . . . . . . . . . . . . . . 446
5.5 Exerciţii rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . 459

Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 484

Bibliografie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 488
Capitolul 1

Spat, iu de probabilitate

1.1 Evenimente s, i operat, ii cu evenimente


Printr-o experient, ă aleatoare E înt, elegem acea experient, ă în care intervine
întâmplarea. Rezultatele posibile ale unei experient, e aleatoare E se numesc
probe sau cazuri posibile ale experient, ei s, i le vom nota cu ω.
Numim eveniment aleator (atas, at unei experient, e) sau, mai simplu, eveni-
ment orice situat, ie care se poate realiza prin una sau mai multe probe s, i despre
care putem spune cu certitudine că s-a produs sau nu.
Evenimentul elementar este un eveniment care se realizează printr-o sin-
gura probă a experient, ei. Evenimentul compus este acel eveniment care se
realizează prin mai multe probe. Evenimentul sigur este acel eveniment care
se realizează cu certitudine la fiecare efectuare a experient, ei, adică prin oricare
dintre probe. Evenimentul imposibil este evenimentul care nu se realizează
prin nici o probă a experient, ei. Evenimentul complementar (sau contrar) unui
eveniment dat este evenimentul care se realizează atunci s, i numai atunci când
nu se realizează evenimentul dat.
Evenimentele legate de o experient, ă E se notează cu litere cu majusculă
A, B, C, D, . . .

Definit, ia 1.1 Vom nota cu Ω mult, imea tuturor rezultatelor posibile în cadrul
unei experient, ei E. Un element generic al lui Ω se va nota cu ω; astfel {ω} reprezintă
un eveniment elementar asociat experient, ei E .
Un eveniment va fi o colect, ie de elemente din Ω, prin urmare, un eveniment este

1
2 1. Spaţiu de probabilitate

un element al mult, imii1 P (Ω) a părt, ilor lui Ω .


Mult, imea tuturor evenimentelor asociate experient, ei E se notează cu F, prin ur-
mare F va fi o submult, ime a mult, imii părt, ilor P (Ω) (dar F nu coincide neapărat cu
întreaga mult, ime a părt, ilor).
Mult, imea Ω se numes, te s, i evenimentul sigur, ∅ este evenimentul imposi-
bil, iar evenimentul complementar (sau contrar) lui A se va nota cu Ā. Avem,
evident,
Ω̄ = ∅, ∅ = Ω, A = A.

Exemplul 1.2 Fie E experient, a aruncării simultane a două zaruri. Probele ex-
perient, ei sunt perechile

(1, 1) , . . . , (1, 6) ,
(2, 1) , . . . , (2, 6) ,
..
.
(6, 1) , . . . , (6, 6) .

Proba (i, j) reprezintă aparit, ia fet, ei cu numărul i de puncte de la primul zar s, i


a fet, ei cu numărul j de puncte de la al doilea zar. Numărul tuturor probelor (al
cazurilor posibile) este de 6 · 6 = 36.
Fie A evenimentul ca suma numărului de puncte de pe cele două fet, e să fie
5. Atunci A se realizează prin probele (1, 4), (2, 3), (3, 2), (4, 1). Acesta este un
eveniment compus.
Fie B evenimentul ca suma numărului de puncte de pe cele două fet, e să fie
13. Acesta este un eveniment imposibil.
Fie C evenimentul care constă în aparit, ia probei (6, 6). Acesta este un eveni-
ment elementar.
Fie D evenimentul care constă în aparit, ia unei perechi (i, j), cu i, j = 1, 6.
Acesta este un eveniment sigur.
Evenimentul complementar C̄ este evenimentul ce constă în aparit, ia pere-
chilor (i, j), cu i, j = 1, 6 s, i i + j < 12. 
Două evenimente A, B se numesc egale sau echivalente (s, i vom nota A =
B) dacă ele se realizează prin aceleas, i probe.
Spunem că evenimentul A implică evenimentul B (s, i vom nota A ⊂ B)
dacă realizarea evenimentului A implică realizarea evenimentului B. Deci
1 def
Mult, imea părt, ilor P (Ω) este dată de P (Ω) == {A : A ⊆ Ω} .
1.1. Evenimente şi operaţii cu evenimente 3

orice probă care realizează evenimentul A, realizează s, i evenimentul B. Are


loc evident A ⊂ Ω s, i ∅ ⊂ A, oricare ar fi evenimentul A.
Date două evenimente A s, i B numim reuniunea lor (notată A ∪ B) eveni-
mentul care se realizează atunci când se realizează cel put, in unul dintre eveni-
mentele A s, i B.
Se numes, te intersect, ia evenimentelor A s, i B (notată A ∩ B) evenimentul
care se realizează atunci când se realizează simultan evenimentele A s, i B.
Vom numi diferent, a a două evenimente (notată A \ B) evenimentul dat de
def
relat, ia A \ B == A ∩ B̄.
Evenimentele A s, i B se numesc compatibile dacă se pot realiza simultan,
adică dacă există probe care duc simultan atât la realizarea lui A cât s, i a lui B.
În caz contrar evenimentele se numesc incompatibile sau disjuncte (i.e. ele
nu se pot realiza simultan). Deci evenimentele A s, i B se numesc incompatibile
sau disjuncte dacă A ∩ B = ∅.

Propozit, ia 1.3 (Proprietăt, i ale operat, iilor)


1. Dacă A, B ∈ F astfel încât A ⊂ B, atunci A ∪ B = B s, i A ∩ B = A.
2. Pentru orice A ∈ F,

A ∪ A = A, A ∪ ∅ = A, A ∪ Ā = Ω, A ∪ Ω = Ω, Ω ∪ ∅ = Ω,

A ∩ A = A, A ∩ ∅ = ∅, A ∩ Ā = ∅, A ∩ Ω = A, Ω ∩ ∅ = ∅.

3. Dacă A, B, C ∈ F astfel încât A ⊂ C s, i B ⊂ C, atunci A ∪ B ⊂ C s, i A ∩ B ⊂ C.


4. Pentru orice A, B ∈ F,

A ∩ B ⊂ A, A ∩ B ⊂ B,

A ⊂ A ∪ B, B ⊂ A ∪ B.

5. Pentru orice A, B, C ∈ F,

A ∪ B = B ∪ A, A ∪ (B ∪ C) = (A ∪ B) ∪ C,

A ∩ B = B ∩ A, A ∩ (B ∩ C) = (A ∩ B) ∩ C.

6. Pentru orice A, B, C ∈ F,

A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) , A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) .
4 1. Spaţiu de probabilitate

7. Legile lui De Morgan: pentru orice A, B ∈ F,

A ∪ B = Ā ∩ B̄, A ∩ B = Ā ∪ B̄.

Exemplul 1.4 Fie evenimentele (Ai )i=1,n .


(i) Evenimentul ca cel put, in unul dintre evenimentele (Ai )i=1,n să aibă loc este
dat de
A1 ∪ A2 ∪ . . . ∪ An .
(ii) Evenimentul complementar evenimentului ca cel put, in unul dintre eveni-
mentele (Ai )i=1,n să aibă loc este dat de

Ā1 ∩ Ā2 ∩ . . . ∩ Ān ,


adică este evenimentul ca nici unul dintre evenimentele (Ai )i=1,n să nu aibă
loc. 

Exercit, iul 1.5 Fie evenimentele A, B, C. Să se exprime următoarele evenimente uti-
lizând evenimentele A, B, C s, i operat, ii între ele:
(a) Doar A are loc:
A ∩ B̄ ∩ C̄;
(b) Nici un eveniment nu are loc:
Ā ∩ B̄ ∩ C̄;
(c) Exact un singur eveniment are loc:
  
A ∩ B̄ ∩ C̄ ∪ Ā ∩ B ∩ C̄ ∪ Ā ∩ B̄ ∩ C ;
(d) Doar două evenimente au loc:
  
A ∩ B ∩ C̄ ∪ A ∩ B̄ ∩ C ∪ Ā ∩ B ∩ C ;
(e) Cel put, in două evenimente au loc:
   
A ∩ B ∩ C̄ ∪ A ∩ B̄ ∩ C ∪ Ā ∩ B ∩ C ∪ (A ∩ B ∩ C) ;
(f ) Cel mult un eveniment are loc:
    
Ā ∩ B̄ ∩ C̄ ∪ A ∩ B̄ ∩ C̄ ∪ Ā ∩ B ∩ C̄ ∪ Ā ∩ B̄ ∩ C
(g) Cel put, in un eveniment are loc:

Ā ∩ B̄ ∩ C̄ = A ∪ B ∪ C.
1.2. Spaţiu finit de probabilitate 5

1.2 Spat, iu finit de probabilitate


Este natural ca primele probleme aplicative să fie legate de experient, e care
au un număr finit de cazuri posibile; de asemenea, este natural să presupunem
că toate cazurile posibile au aceeas, i s, ansă de aparit, ie.
Fie Ω = {ω 1 , ω 2 , . . . , ω n } mult, imea tuturor evenimentelor elementare cores-
punzătoare unei experient, e aleatoare E.

Definit, ia 1.6 Spunem că perechea (Ω, F) este un spat, iu finit de evenimente (sau
câmp finit de evenimente) dacă F este o familie nevidă de părt, i ale lui Ω, i.e. F ⊆
P (Ω), s, i sunt satisfăcute condit, iile:

(i) Ω ∈ F,

(ii) Dacă A ∈ F, atunci Ā ∈ F,

(iii) Dacă A, B ∈ F, atunci A ∪ B ∈ F.

Elemente lui F se numesc evenimente aleatoare sau evenimente (deci F este mult, i-
mea evenimentelor asociate experient, ei aleatoare).

Remarca 1.7 În multe situat, ii (probleme elementare etc.) vom lua drept mult, i-
mea F a evenimentelor chiar mult, imea P (Ω) a tuturor părt, ilor lui Ω.
Evident, dacă F = P (Ω), atunci (Ω, F) devine un spat, iu finit de eveni-
mente. 

Remarca 1.8 Având în vedere definit, ia precedentă, deducem că mult, imea eve-
nimentelor F este închisă la operat, ii de reuniune, intersect, ie, complementari-
tate s, i diferent, ă, adică A∪B, A∩B, Ā, A\B ∈ F, pentru orice A, B ∈ F. Acest
lucru este normal, având în vederă că noi vom lucra cu evenimente (adică ele-
mente din F) s, i vom dori ca operând cu aceste evenimente să rămânem în
continuare în mult, imea de evenimente F. 

Exemplul 1.9 Dacă n este numărul de evenimente elementare, atunci familia


P (Ω) cont, ine 2n evenimente.
Într-adevăr, dacă Ω = {ω 1 , ω 2 , . . . , ω n }, atunci F = P (Ω) este mult, imea
formată cu toate submult, imile care se pot forma cu maxim n elemente (consi-
6 1. Spaţiu de probabilitate

derăm s, i mult, imea vidă) s, i este dată de

∅,
{ω i } , 1≤i≤n: în număr de Cn1 ,
{ω i , ω j } , 1≤i<j≤n: în număr de Cn2 ,
{ω i , ω j , ω k } , 1≤i<j<k≤n: în număr de Cn3 ,
..
.
{ω 1 , ω 2 , . . . , ω n } = Ω : în număr de Cnn .

Deci numărul total de submult, imi ce se pot forma cu maxim n elemente este2
n
1 + Cn1 + . . . + Cnn = (1 + 1) = 2n . 

Propozit, ia 1.10 Au loc următoarele proprietăt, i.


1. Evident, ∅ = Ω̄ ∈ F.
2. Dacă Ai ∈ F, pentru i = 1, r , atunci
[r \r
Ai ∈ F s, i Ai ∈ F.
i=1 i=1

Definit, ia 1.11 Fie Ai ∈ F, pentru i = 1, r . Spunem că (Ai )i=1,r este un sistem
complet de evenimente (sau o partit, ie sau o descompunere a lui Ω ) dacă:

(i) Ai 6= ∅, i = 1, r ,

(ii) Ai ∩ Aj = ∅, i, j = 1, r , i 6= j,
[r
(iii) Ai = Ω .
i=1


Exemplul 1.12 (i) Dacă A ∈ F, atunci A, Ā este o descompunere a lui Ω în
două evenimente disjuncte.

(ii) Dacă A, B ∈ F astfel încât A ∩ B = ∅, atunci A, B, A ∪ B este o descom-
punere a lui Ω în trei evenimente disjuncte.
2 Pentru o demonstrat, ie a acestei identităt, i, folosind analiza combinatorie, vezi Exercit, iul 1.11.13.
1.2. Spaţiu finit de probabilitate 7

(iii) Dacă Ω = {1, 2, 3} , atunci următoarele mult, imi reprezintă posibile des-
compuneri ale lui Ω :
n o n o n o n o
{1} , {2} , {3} , {1, 2} , {3} , {1, 3} , {2} , {2, 3} , {1} .


Definit, ia 1.13 Fie Ω = {ω 1 , ω 2 , . . . , ω n } mult, imea tuturor evenimentelor elementare


s, i (Ω, F) un spat, iu finit de evenimente. Fie A ∈ F un eveniment. Numărul P (A) =
m
n , unde m reprezintă numărul probelor care duc la realizarea evenimentului A s, i n
reprezintă numărul tuturor probelor posibile asociate experient, ei, se numes, te proba-
bilitatea evenimentului A, i.e.3
def card (A)
(1.1) P:F→R s, i P (A) == , pentru orice A ∈ F.
card (Ω)
Tripletul (Ω, F, P) se va numi spat, iu finit de probabilitate (sau câmp finit de
probabilitate).

Propozit, ia 1.14 Au loc următoarele proprietăt, i, pentru orice A, B ∈ F s, i Ai ∈ F,


pentru i = 1, n.

(i) 0 ≤ P (A) ≤ 1,

(ii) P (Ω) = 1, P (∅) = 0,

(iii) P (A ∪ B) = P (A) + P (B) , dacă A ∩ B = ∅,

(iv) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) ,



(v) P Ā = 1 − P (A) ,
[ n  Xn
(vi) P Ai = P (Ai ) , unde Ai ∩ Aj = ∅, 1 ≤ i < j ≤ n,
i=1 i=1

(vii) P (A \ B) = P (A) − P (B) , dacă B ⊂ A.

Remarca 1.15 Evident, proprietăt, ile de mai sus nu sunt independente ci unele
dintre ele se pot obt, ine din celelalte (de exemplu, (iv) este o consecint, ă a lui
(iii) iar (v) este o consecint, ă directă a lui (ii) s, i (iii)). 
3 Cardinalul unei mult, imi A se va nota cu card (A) sau cu |A| .
8 1. Spaţiu de probabilitate

Remarca 1.16 Din definit, ia spat, iului finit de probabilitate observăm că nu tre-
buie să avem neapărat ca orice eveniment elementar să fie din F, adică nu
trebuie să avem neapărat că {ω} ∈ F, pentru orice ω ∈ Ω.
De exemplu, să presupunem că într-o urnă avem trei bile: una albă s, i două
negre identice. Se extrage o bilă din urnă s, i ne interesează culoarea ei. Deci
Ω = {A1, N 1, N 2} iar mult, imea tuturor evenimentelor asociate experient, ei este
dată de F = {∅, Ω, {A1} , {N 1, N 2}} P(Ω).
Evident, (Ω, F) este un spat, iu finit de evenimente dar evenimentele ele-
mentare {N 1} , {N 2} ∈/ F. 

Definit, ia 1.17 Fie Ω = {ω 1 , ω 2 , . . . , ω n } mult, imea tuturor evenimentelor elementa-


re, (Ω, P (Ω)) un spat, iu finit de evenimente s, i P dată de (1.1).
Să presupunem că toate evenimentele elementare sunt echiprobabile, i.e. eveni-
mentele elementare au aceas, i s, ansă de a se realiza, adică
1
P ({ω}) = , pentru orice ω ∈ Ω.
card (Ω)

Atunci (Ω, P (Ω) , P) este un spat, iu finit de probabilitate s, i este numit spat, iu de
probabilitate Laplace (sau câmp de probabilitate Laplace).

Not, iunea de probabilitate se poate introduce s, i pe cale axiomatică.

Definit, ia 1.18 (Kolmogorov) Se numes, te probabilitate pe un spat, iu finit de eveni-


mente (Ω, F) o funct, ie P : F → R care satisface condit, iile:

(i) P (A) ≥ 0, oricare ar fi A ∈ F,

(ii) P (Ω) = 1,

(iii) P (A ∪ B) = P (A) + P (B) , oricare ar fi A, B ∈ F, A ∩ B = ∅.

Remarca 1.19 Din definit, ia anterioară se vede că, de fapt, aplicat, ia P ia valori
în [0, 1] . 

Să discutăm acum proprietăt, ile probabilităt, ii unor evenimente în termeni


de aruncare a unei monede.

Exemplul 1.20 Presupunem ca aruncăm o monedă de trei ori. În acest caz


putem reprezenta rezultatele sub forma unei structuri de tip arbore. O cale în
1.2. Spaţiu finit de probabilitate 9

arbore corespunde unui posibil rezultat al experimentului. Deci dacă aruncăm


o monedă de trei ori vom obt, ine 23 = 8 posibile combinat, ii adică evenimentele
elementare A1 , A2 , . . . , A8 s, i deci Ω = {A1 , . . . , A8 }. Vom presupune că fiecare
rezultat elementar este echiprobabil, adică fiecare are probabilitatea de 1/8.
Fie E evenimentul de a apărea cel put, in o dată capul monedei. Atunci Ē
înseamnă că nu apare capul monedei niciodată s, i deci Ē = {A8 }, unde A8 =
PPP. Deci 
P Ē = P ({PPP}) = 1/8
s, i, prin urmare, 
P (E) = 1 − P Ē = 7/8.
Remarcăm că deseori este mult mai us, or să calculăm probabilitatea ca un eveni-
ment să nu se producă decât ca acesta să se producă.
Să notăm cu A evenimentul ca primul rezultat să fie capul monedei s, i B
evenimentul ca al doilea rezultat să fie pajura monedei. Din diagramă se vede
că P (A) = P (B) = 4/8. De asemenea A ∩ B = {A3 , A4 } s, i, prin urmare,
P (A ∩ B) = 1/4. Obt, inem deci

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 1/2 + 1/2 − 1/4 = 3/4.

Evident se poate vedea din diagramă că

A ∪ B = {CCC, CCP, CPC, CPP, PPC, PPP}

deci prin simpla enumerare se poate vedea că P (A ∪ B) = 6/8. 


Să considerăm acum experimentul aruncării a două zaruri.

Exemplul 1.21 Vom lua drept spat, iul Ω mult, imea tuturor perechilor ordonate
(i, j) cu i, j = 1, 6, adică

Ω = (i, j) : i, j = 1, 6 .

Având în vedere că sunt s, ase posibilităt, i de alegere a lui i s, i fiecărei alegeri a lui
i îi corespund s, ase alegeri pentru j, deducem că sunt 36 de posibile rezultate
(despre care vom presupune că sunt echiprobabile, deci P ({(i, j)}) = 1/36,
pentru i, j = 1, 6).
Care este probabilitatea să se obt, ină suma s, apte la aruncarea celor două
zaruri? sau suma unsprezece?
Primul eveniment, notat cu A, este mult, imea

A = {(1, 6) , (2, 5) , (3, 4) , (4, 3) , (5, 2) , (6, 1)}


10 1. Spaţiu de probabilitate

iar al doilea este B = {(5, 6) , (6, 5)}. Deci P (A) este probabilitatea reuniu-
nii celor s, ase evenimente elementare posibile care compun A adică este suma
P ((1, 6)) + P ((2, 5)) + . . . = 6 · 1/36 = 1/6.
De asemenea, P (B) = 1/36 + 1/36 = 1/18.
Evident probabilitatea obt, inerii a unei duble
 de unu sau de s, ase este deci
P (C) = P ({(1, 1)} ∪ {(6, 6)}) = 1/18 iar P C̄ = 1 − 1/18 = 17/18. 

1.3 Spat, iu de probabilitate


Fie Ω o mult, ime abstractă (numită s, i mult, imea evenimentelor elementare).
Un eveniment aleator (sau eveniment) va fi o submult, ime a lui Ω, deci vom lua
ca mult, ime a evenimentelor o anumită familie de submult, imi a lui Ω, notată
cu F. În Teoria probabilităt, ilor măsurăm s, ansele de aparit, ie a evenimentelor;
deci trebuie să definim acele mult, imi (sau evenimente) care pot fi măsurate. În
acest sens folosim conceptul de σ−algebră peste Ω pentru a obt, ine o colect, ie
de submult, imi ale lui Ω pe care să definim măsura de probabilitate.
Prin urmare, vom cere ca familia F să fie o σ−algebră peste Ω. Proprietăt, ile
cerute sunt cele văzute deja în cazul spat, iului finit de probabilitate.

Definit, ia 1.22 Fie Ω o mult, ime nevidă. Familia nevidă F ⊆ P (Ω) , de părt, i ale lui
Ω, se numes, te algebră peste Ω dacă:

(i) Ω ∈ F,

(ii) dacă A ∈ F, atunci Ā ∈ F,

(iii) dacă A, B ∈ F, atunci A ∪ B ∈ F.

Elemente lui F se numesc evenimente aleatoare sau evenimente.

Remarca 1.23 Fie F să fie o algebră peste Ω. Din definit, ia anterioară se obt, ine:

(iv) ∅ ∈ F,

(v) dacă A, B ∈ F, atunci A ∩ B ∈ F,

(vi) dacă A, B ∈ F, atunci A \ B ∈ F.

Într-adevăr, ∅ = Ω̄ ∈ F.
1.3. Spaţiu de probabilitate 11

Deoarece Ā, B̄ ∈ F, avem s, i A ∩ B = Ā ∪ B̄ ∈ F.


Ultima proprietate se obt, ine doarece A \ B = A ∩ B̄ ∈ F. 

Remarca 1.24 Evident, proprietăt, ile (iii) s, i (v) sunt adevărate s, i pentru un
număr finit de evenimente din F, i.e.
0
[n
(iii) dacă Ai ∈ F, i = 1, n , atunci Ai ∈ F,
i=1
0
\ n
(v) dacă Ai ∈ F, i = 1, n , atunci Ai ∈ F,
i=1


Remarca 1.25 Putem spune că o algebră peste Ω este o familie nevidă de părt, i
ale lui Ω închisă la reuniuni finite, la intersect, ii finite s, i la trecerea la comple-
mentară. 

Definit, ia 1.26 Fie Ω o mult, ime nevidă. Spunem că F ⊆ P (Ω) este o σ−algebră
peste Ω dacă este o algebră peste Ω s, i dacă are loc
00
[∞
(iii) dacă Ai ∈ F, i ∈ N∗ , atunci Ai ∈ F.
i=1

Exemplul 1.27 Fie Ω o mult, ime nevidă. Atunci F = {∅, Ω} este cea mai
„săracă” σ−algebră peste Ω (este cea mai mică σ−algebră peste Ω ) iar F =
P (Ω) este cea mai „bogată” σ−algebră peste Ω (este cea mai mare σ−algebră
peste Ω ). 
Acum putem defini probabilitatea ca fiind o funct, ie definită pe σ−algebra
F cu valori în R ce satisfac anumite proprietăt, i (ca s, i în cazul spat, iului finit de
probabilitate).

Definit, ia 1.28 Fie F o σ−algebră peste Ω. Se numes, te probabilitate (sau măsura


de probabilitate) o aplicat, ie P : F → R astfel încât

(i) P (A) ≥ 0, oricare ar fi A ∈ F,


 [∞  X∞
(ii) P Ai = P (Ai ) , oricare ar fi (Ai )i∈N∗ ⊂ F
i=1 i=1

evenimente incompatibile două câte două,

(iii) P (Ω) = 1.
12 1. Spaţiu de probabilitate

Remarca 1.29 Condit, ia (ii) este numită proprietatea de aditivitate numărabilă


a măsurii P. 

Remarca 1.30 Din definit, ia anterioară se vede că, de fapt, aplicat, ia

P : F → [0, 1] ,

adică
(iv) 0 ≤ P (A) ≤ 1, oricare ar fi A ∈ F.


Propozit, ia 1.31 Se obt, in următoarele proprietăt, i:

(v) probabilitatea evenimentului imposibil este nulă, i.e. P (∅) = 0;


(vi) probabilitatea evenimentului contrar este dată de:

P Ā = 1 − P (A) , oricare ar fi A ∈ F;
(vii) P (A) ≤ P (B) , oricare ar fi A, B ∈ F, astfel încât A ⊆ B;
(viii) P (B \ A) = P (B) − P (A) , oricare ar fi A, B ∈ F, cu A ⊆ B;
 [n  Xn
(ix) P Ai = P (Ai ) , oricare ar fi Ai ∈ F, cu i = 1, n ,
i=1 i=1

astfel încât Ak ∩ Al = ∅, pentru k, l = 1, n, k 6= l;


(x) subaditivitatea:
 [n  Xn
P Ai ≤ P (Ai ) , oricare ar fi Ai ∈ F, cu i = 1, n .
i=1 i=1

Se poate demonstra s, i formula de calcul a probabilităt, ii unei reuniuni de două eveni-


mente:

(xi) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) , oricare ar fi A, B ∈ F,

deci obt, inem s, i formula de calcul a probabilităt, ii unei intersect, ii de două evenimente:

(xii) P (A ∩ B) = P (A) + P (B) − P (A ∪ B) , oricare ar fi A, B ∈ F.

Aplicând formula precedentă se obt, ine formula de calcul a probabilităt, ii unei reuniuni
1.3. Spaţiu de probabilitate 13

de trei evenimente:
0
(xi) P (A ∪ B ∪ C) = P (A) + P (B) + P (C)

−P (A ∩ B) − P (A ∩ C) − P (B ∩ C)

+P (A ∩ B ∩ C) , oricare ar fi A, B, C ∈ F

s, i apoi formula de calcul a probabilităt, ii unei intersect, ii de trei evenimente:


0
(xii) P (A ∩ B ∩ C) = P (A) + P (B) + P (C)

−P (A ∪ B) − P (A ∪ C) − P (B ∪ C)

+P (A ∪ B ∪ C) , oricare ar fi A, B, C ∈ F.

Remarca 1.32 Am obt, inut că probabilitatea evenimentului imposibil ∅ este


nulă. Dar să ment, ionăm că, în cazul unui spat, iu de probabilitate infinit, nu
orice eveniment cu probabilitatea nulă4 este evenimentul imposibil; vezi, de
exemplu, relat, ia (3.3) care spune că, în cazul unei variabile aleatoare X : Ω → R
de tip continuu, evenimentul {X = a} este neglijabil, pentru orice a ∈ R, dar,
pe de altă parte, dacă a ∈ X(Ω), atunci {X = a} nu este un eveniment imposi-
bil. 
0 0
Remarca 1.33 Formulele (xi) s, i (xii) se pot generaliza la n evenimente. Astfel
se poate demonstra prin induct, ie că, dacă Ai ∈ F, cu i = 1, n , atunci au loc
următoarele formula de calcul a probabilităt, ii unei reuniuni s, i respectiv a unei
intersect, ii de evenimente (numite formulele lui Poincaré sau formulele de
incluziune-excluziune):
[  Xn X
k+1
P Ai = (−1) P (Ai1 ∩ . . . ∩ Aik )
1≤i≤n k=1 1≤i1 <...<ik ≤n

sau, scris desfăs, urat,


[  X X
P Ai = P (Ai1 ) − P (Ai1 ∩ Ai2 )
1≤i≤n 1≤i1 ≤n 1≤i1 <i2 ≤n
4 Spunem că evenimentul A ∈ F este nul sau P−nul sau neglijabil dacă P (A) = 0.
Dacă Ā este eveniment neglijabil (sau, echivalent, P(A) = 1), atunci spunem că evenimentul A se
produce P−aproape sigur (notat P−a.s.) sau P−aproape pentru tot, i ω sau P−aproape peste tot
(notat P−a.p.t.) sau cu probabilitatea 1.
14 1. Spaţiu de probabilitate
X
+ P (Ai1 ∩ Ai2 ∩ Ai3 )
1≤i1 <i2 <i3 ≤n
n−1
− . . . + (−1) P (A1 ∩ A2 ∩ . . . ∩ An )
s, i
\  Xn X
k+1
P Ai = (−1) P (Ai1 ∪ . . . ∪ Aik )
1≤i≤n k=1 1≤i1 <...<ik ≤n

sau, scris desfăs, urat,


\  X X
P Ai = P (Ai1 ) − P (Ai1 ∪ Ai2 )
1≤i≤n 1≤i1 ≤n 1≤i1 <i2 ≤n
X
+ P (Ai1 ∪ Ai2 ∪ Ai3 )
1≤i1 <i2 <i3 ≤n
n−1
− . . . + (−1) P (A1 ∪ A2 ∪ . . . ∪ An ) .
Atunci când lucrăm pe un spat, iu de probabilitate finit, demonstrarea formu-
lelor de mai sus se bazează, de fapt, pe următoarea versiune a formulei de
incluziune-excluziune (sau principiu de incluziune-excluziune)
[ Xn X
k+1
Ai = (−1) |Ai1 ∩ . . . ∩ Aik |


1≤i≤n k=1 1≤i1 <...<ik ≤n

X X
= |Ai1 | − |Ai1 ∩ Ai2 |
(1.2) 1≤i1 ≤n 1≤i1 <i2 ≤n
X
+ |Ai1 ∩ Ai2 ∩ Ai3 |
1≤i1 <i2 <i3 ≤n
n−1
− . . . + (−1) |A1 ∩ A2 ∩ . . . ∩ An |,
unde |A| = card (A) , pentru A ∈ F.
Similar, avem
\ Xn X
k+1
Ai = (−1) |Ai1 ∪ . . . ∪ Aik |


1≤i≤n k=1 1≤i1 <...<ik ≤n

X X
= |Ai1 | − |Ai1 ∪ Ai2 |
1≤i1 ≤n 1≤i1 <i2 ≤n
X
+ |Ai1 ∪ Ai2 ∪ Ai3 |
1≤i1 <i2 <i3 ≤n
n−1
− . . . + (−1) |A1 ∪ A2 ∪ . . . ∪ An |.

1.3. Spaţiu de probabilitate 15

Exemplul 1.34 Fie (Ω, F, P) un spat, iu de probabilitate s, i A, B ∈ F două eveni-


mente. Se arate că probabilitatea ca exact unul dintre evenimente să se producă
este
P (A) + P (B) − 2P (A ∩ B) .
Într-adevăr, evenimentul ca exact unul dintre evenimentele A s, i B să apară este
dat de  
A ∩ B̄ ∪ Ā ∩ B
(deci este dat de reuninea a două evenimente incompatibile).
Pe de altă parte,
 
P (A) = P (A ∩ B) ∪ A ∩ B̄ = P (A ∩ B) + P A ∩ B̄
 
P (B) = P (B ∩ A) ∪ B ∩ Ā = P (B ∩ A) + P B ∩ Ā ,
deci
 
P (A) + P (B) − 2P (A ∩ B) = P A ∩ B̄ + P Ā ∩ B
 
= P A ∩ B̄ ∪ Ā ∩ B .


Definit, ia 1.35 Fie (An )n∈N∗ un s, ir de evenimente din F.


Spunem că are loc convergent, a An & A, pentru n → ∞, dacă
\∞
An+1 ⊂ An , pentru orice n ∈ N∗ s, i An = A.
n=1
Spunem că are loc convergent, a An % A, pentru n → ∞, dacă
[∞
An ⊂ An+1 , pentru orice n ∈ N∗ s, i An = A.
n=1

În ambele cazuri putem scrie limn→∞ An = A.

Propozit, ia 1.36 Fie (An )n∈N∗ un s, ir de evenimente din F. Atunci are loc propri-
etatea de continuitate a măsurii P în raport cu s, iruri monotone, i.e.

(xiii) Dacă An & ∅, atunci P (An ) & 0, pentru n → ∞.

(xiv) Dacă An % Ω, atunci P (An ) % 1, pentru n → ∞.

(xv) Dacă An & A, atunci P (An ) & P (A) , pentru n → ∞.

(xvi) Dacă An % A, atunci P (An ) % P (A) , pentru n → ∞.


16 1. Spaţiu de probabilitate

Propozit, ia 1.37 Fie (An )n∈N∗ un s, ir de evenimente din F. Are loc proprietatea de
subaditivitate (x), de la pagina 12, s, i în raport cu reuniuni numărabile, i.e.
 [∞  X∞
(xvii) P Ai ≤ P (Ai ) .
i=1 i=1

Lema 1.38 Folosind proprietatea precedentă deducem că reuniunea unui număr nu-
mărabil de mult, imi neglijabile este tot o mult, ime neglijabilă.

Definit, ia 1.39 Fie F o σ−algebră peste Ω. Atunci perechea (Ω, F) se numes, te spat, iu
măsurabil.

Definit, ia 1.40 Fie (Ω, F) un spat, iu măsurabil s, i probabilitatea


P : F → R.
Atunci tripletul (Ω, F, P) se numes, te spat, iu de probabilitate (sau câmp de pro-
babilitate).

Remarca 1.41 Din definit, ia spat, iului finit de probabilitate observăm că nu tre-
buie să avem neapărat ca orice eveniment elementar să fie din F, adică nu
trebuie să avem neapărat că {ω} ∈ F, pentru orice ω ∈ Ω. 
În general, este dificil să lucrăm cu o σ−algebră (fiind un concept abstract).
Dar dacă vom considera o σ−algebră generată de C ⊆ P (Ω) , atunci este mai
us, or de lucrat cu ea; astfel, dacă arătăm că au loc anumite proprietăt, i pentru
orice element din C, atunci ele au loc s, i pentru orice element din σ−algebra
generată de C.

Definit, ia 1.42 Fie C ⊆ P (Ω) o colect, ie de mult, imi din Ω. Vom nota σ−algebra
generată de C cu σ (C) s, i ea va fi dată de cea mai mică σ−algebră care cont, ine pe C.
Deci σ (C) este definită de:
(a) σ (C) este σ−algebră;
(b) C ⊆ σ (C);
(c) σ (C) este cea mai mică σ−algebră care cont, ine pe C, i.e.: dacă C ⊆ D, iar D
este o altă σ−algebră, atunci σ (C) ⊆ D.

Exemplul 1.43 Dacă C = {∅} sau C = {Ω} , atunci se obt, ine


σ (C) = {Ω, ∅} ,
adică cea mai mică σ−algebră peste Ω. 
1.3. Spaţiu de probabilitate 17

Exemplul 1.44 Dacă avem un spat, iu măsurabil (Ω, F) s, i un eveniment A ∈ F,


atunci 
σ (A) = Ω, ∅, A, Ā
este σ−algebra generată de evenimentul A ∈ F. 

Exemplul 1.45 Dacă avem un spat, iu măsurabil (Ω, F) s, i evenimentele A, B ∈


F, astfel încât A ⊂ B, atunci

σ (A, B) = Ω, ∅, A, B, Ā, B̄, A ∪ B̄, Ā ∩ B
este σ−algebra generată de evenimentele A, B ∈ F (în cazul particular în care
A ⊂ B ). 

Definit, ia 1.46 Notat, ia B (R) desemnează σ−algebra Borel s, i este dată de σ−alge-
bra generată de clasa de submult, imi deschise ale spat, iului topologic R.

Remarca 1.47 Se poate arăta că B (R) poate fi generată de orice fel de intervale,
adică, de exemplu,

B (R) = σ ({(−∞, a] : a ∈ R}) ,

B (R) = σ ({(−∞, a) : a ∈ R}) ,

B (R) = σ ({[a, b] : a, b ∈ R, a < b}) .




Remarca 1.48 Se poate arăta (există exemple în acest sens) că nu orice submul-
t, ime din R este neapărat în B (R) . 

Exercit, iul 1.49 (a) Să se arate că, pentru  → 0+ ,

A = (a, b + ] & (a, b], B = (a, b + ) & (a, b],

C = (a, b − ] % (a, b), D = (a, b − ) % (a, b).


(b) Să se determine limita următoarelor s, iruri de evenimente din spat, iul măsurabil
(R, B (R)), definite pentru orice n ∈ N∗ ,

A1n = a, b + n1 , A2n = a, b + n1 , Bn1 = a − n1 , b , Bn2 = a − n1 , b ,


      

Cn1 = a, b − n1 , Cn2 = a, b − n1 , Dn1 = a + n1 , b , Dn2 = a + n1 , b ,


      

Fn1 = a − n1 , a , Fn2 = a − n1 , a .
     
En1 = a, n , En2 = − n, b ,
18 1. Spaţiu de probabilitate

1.4 Lema lui Borel-Cantelli


Fie (Ω, F, P) un spat, iu de probabilitate s, i s, irul de evenimente (An )n∈N∗ ,
Ai ∈ F.
Având în vedere că F este o σ−algebră, obt, inem că
[ \ \ [
Am s, i Am
n≥1 m≥n n≥1 m≥n

sunt, de asemenea, evenimente. Ele se numesc limita inferioară s, i respectiv


limita inferioară ale s, irului de evenimente dat s, i se notează (vezi s, i Definit, ia
1.35):
def
[ \ \
lim inf n→∞ An == Am = limn→∞ Am
n≥1 m≥n m≥n
def
\ [ [
lim supn→∞ An == Am = limn→∞ Am .
n≥1 m≥n m≥n

Folosind definit, ia, obt, inem că

lim inf n→∞ An = {ω : ω ∈ An pentru n suficient de mare}


= {An se realizează „în cele din urmă”}
lim supn→∞ An = {ω : ω ∈ An pentru o infinitate de n}
= {An se realizează „infinit de des”}

Folosind proprietate de continuitate a lui P în raport cu s, iruri monotone, i.e.


Propozit, ia 1.36, deducem:
 \  \ 
P (lim inf n→∞ An ) = P limn→∞ Am = limn→∞ P Am
m≥n m≥n
 [  [ 
P (lim supn→∞ An ) = P limn→∞ Am = limn→∞ P Am
m≥n m≥n

Propozit, ia 1.50 (Lema lui Borel Cantelli) Fie (Ω, F, P) un spat, iu de probabilitate
s, i (An )n∈N∗ un s, ir de evenimente.
X∞ 
(i) Dacă P (An ) < ∞, atunci P lim supn→∞ An = 0.
n=1

(ii) Dacă (An )n∈N∗ sunt evenimente independente în ansamblu (vezi Definit, ia 1.62)
X∞ 
s, i P (An ) = ∞, atunci P lim supn→∞ An = 1.
n=1
1.5. Probabilităţi condiţionate 19

Remarca 1.51 Reciproca afirmat, iei (i) nu este adevărată. Într-adevăr, să con-
def
siderăm spat, iul de probabilitate (Ω, F, P) == ([0, 1] , B ([0, 1]) , λ), unde λ este
măsura Lebesgue.
Fie
 1
An = 0, , n ∈ N∗ ,
n
T
deci limn→∞ An = lim supn→∞ An = n≥1 An = ∅.

Astfel am obt, inut că P lim supn→∞ An = P (∅) = 0 s, i, cu toate acestea,
X∞ X∞ 1
P (An ) = = ∞. 
n=1 n=1 n

1.5 Probabilităt, i condit, ionate


Să presupunem că ne interesează probabilitatea ca un nou născut să aibă
mai put, in de trei kilograme s, i, mai mult, ne interesează dacă sexul noului
născut are vreo influent, ă asupra acestei probabilităt, i. Fie A evenimentul ca
noul născut să fie băiat s, i B evenimentul ca noul născut să aibă sub trei kilo-
grame. Dorim să aflăm deci probabilitatea lui B condit, ionată de A. În urma
a n observat, ii, să presupunem că avem m băiet, i (restul de n − m sunt fete), p
nou născut, i sub trei kilograme (deci n − p peste trei kilograme) s, i q nou născut, i
sunt băiet, i sub trei kilograme (deci m − q sunt băiet, i peste trei kilograme). Deci
m p q
P (A) = , P (B) = s, i P (A ∩ B) = .
n n n
Pe de altă parte, fie evenimentul B condit, ionat de producerea evenimen-
def
tului A, notat B|A == {nou născutul are sub trei kilograme, condit, ionat de
faptul că acesta este băiat}. Dacă evenimentul A s-a realizat, atunci avem m
cazuri posibile dintre care q sunt favorabile aparit, iei lui B. Deci probabilitatea
q
evenimentului condit, ionat este dată de P (B|A) = .
m
q q/n P (A ∩ B)
Prin urmare, P (B|A) = = = .
m m/n P (A)
q q/n P (A ∩ B)
Similar, P (A|B) = = = (probabilitatea evenimentului ca
p p/n P (B)
nou născutul să fie băiat, condit, ionat de faptul că acesta are sub trei kilograme).
Aceste considerat, ii sugerează următoarea definit, ie a probabilităt, ii condit, io-
nate.
20 1. Spaţiu de probabilitate

Definit, ia 1.52 Fie A, B ∈ F astfel încât P (A) > 0. Probabilitatea evenimentului B


în ipoteza că evenimentul A s-a realizat, se numes, te probabilitatea lui B condit, ionată
de A s, i va fi notată cu P (B|A) s, i este dată de
P (A ∩ B)
(1.3) P (B|A) = .
P (A)

Remarca 1.53 Prin urmare obt, inem relat, ia:


P (B|A) · P (A) = P (A|B) · P (B) .


Remarca 1.54 Fie A ∈ F un eveniment arbitrar fixat astfel încât P (A) > 0;
atunci P (B|A) este o notat, ie pentru PA (B) unde PA este funct, ia
def P (A ∩ B)
PA : F → [0, 1] , definită de PA (B) == , B ∈ F.
P (A)
Se poate arăta că această nouă funct, ie este o măsură de probabilitate iar triple-
tul (Ω, F, PA ) este, de asemenea, un spat, iu de probabilitate.
def
De asemenea, dacă se notează FA == {B ∈ F : B ⊆ A} , atunci tripletul
(A, FA , PA ) este s, i el un spat, iu de probabilitate numit spat, iul de probabilitate
indus de spat, iul (Ω, F, P) . Dacă E este experient, e aleatoare ce este modelată
de spat, iul de probabilitate (Ω, F, P) , atunci (A, FA , PA ) modelează experient, a
aleatoare EA dată de: EA se produce dacă E se produce s, i rezultatul implică
aparit, ia lui A. 

Remarca 1.55 Să observăm că s, i probabilitatea originală P poate fi văzută ca o


def
probabilitate condit, ionată, mai precis, putem lua P (B) == PΩ (B) . 

Remarca 1.56 Precizăm că probabilitatea condit, ionată P (B|A) a evenimentu-


lui B în raport cu evenimentul A poate fi văzută (vezi exemplul de la în-
ceputul sect, iunii) s, i ca probabilitatea P aplicată unui nou eveniment: eveni-
mentul condit, ionat B|A (des, i noi nu am definit formal acest nou tip de eveni-
ment).
Mai precis, să considerăm spat, iul de probabilitate Laplace (Ω, P (Ω) , P) s, i
A ∈ P (Ω) un eveniment arbitrar fixat astfel încât P (A) > 0; atunci probabili-
tatea condit, ionată este dată de
|A∩B|
|Ω| |A ∩ B|
P (B|A) = |A|
= , B ∈ P (Ω) .
|A|
|Ω|
1.6. Evenimente independente 21

Prin urmare, dacă s, tim că evenimentul A s-a produs, atunci pentru calcu-
lul probabilităt, ii condit, ionate putem folosi spat, iul Laplace luând drept spat, iu
de bază mult, imea A (adică putem considera că mult, imea evenimentelor ele-
mentare s-a mics, orat la A). 

Remarca 1.57 Obt, inem imediat s, i formule de calcul a probabilităt, ii unei inter-
sect, ii de evenimente:

P (A ∩ B) = P (A|B) · P (B) ,
P (A ∩ B ∩ C) = P (A|B ∩ C) · P (B ∩ C)
= P (A|B ∩ C) · P (B|C) · P (C) ,
P (A ∩ B ∩ C ∩ D) = P (A|B ∩ C ∩ D) · P (B ∩ C ∩ D)
= P (A|B ∩ C ∩ D) · P (B|C ∩ D) · P (C|D) · P (D) ,

oricare ar fi A, B, C, D ∈ F astfel încât P (A ∩ B ∩ C ∩ D) > 0. 

1.6 Evenimente independente


Intuitiv, spunem că evenimentele A, B sunt independente dacă probabili-
tatea ca unul dintre ele să se realizeze nu depinde de realizarea sau de nereali-
zarea celuilalt.

Definit, ia 1.58 Spunem că evenimentele A s, i B sunt independente dacă

P (A ∩ B) = P (A) · P (B) .

Remarca 1.59 Relat, ia de independent, ă este deci simetrică.

Propozit, ia 1.60 Evenimentele A s, i B sunt independente dacă s, i numai dacă are loc
oricare dintre următoarele relat, ii

(i) P (B|A) = P (B) ,

(ii) P (A|B) = P (A) ,



(iii) P B|Ā = P (B) ,

(iv) P A|B̄ = P (A) .
22 1. Spaţiu de probabilitate

Caracterizările de mai sus au loc în condit, iile suplimentare P (A) > 0, P (B) > 0,
P (A) < 1 s, i respectiv P (B) < 1.

Remarca 1.61 Avem următoarea legătură între independent, ă s, i incompabilita-


te: dacă două evenimente A s, i B, care nu sunt neglijabile, sunt independente,
atunci evenimentele A s, i B sunt compatibile
Sau echivalent, dacă două evenimente, care nu sunt neglijabile, A s, i B sunt
incompatibile, atunci evenimentele A s, i B sunt dependente.
Într-adevăr, dacă am presupune că A s, i B sunt incompatibile, atunci P (A) ·
P (B) = P (A ∩ B) = P (∅) = 0, deci A sau B este un eveniment neglijabil. 

Definit, ia 1.62 Dacă avem o familie de evenimente (Ai )i=1,n , spunem că acestea sunt
independente (în ansamblu5 ) dacă probabilitatea intersect, iei a oricâte evenimente
din familia (Ai )i=1,n este egală cu produsul probabilităt, ilor evenimentelor intersectate,
i.e. are loc
 \r  Yr
P Aik = P (Aik ) , oricare ar fi 1 ≤ i1 < i2 < . . . < ir ≤ n.
k=1 k=1

Remarca 1.63 În particular, independent, a în ansamblu a n evenimente asigură


s, i
 \n  Yn
P Ak = P (Ak ) .
k=1 k=1

Să ment, ionăm că relat, ia precedentă nu implică s, i independent, a două câte două
a evenimentelor Ai . 

Definit, ia 1.64 Dacă avem o familie de evenimente (Ai )i=1,n , spunem că acestea sunt
independente două câte două dacă probabilitatea intersect, iei a oricare două eveni-
mente din familia (Ai )i=1,n este egală cu produsul probabilităt, ilor evenimentelor in-
tersectate, i.e. are loc

P (Ai ∩ Aj ) = P (Ai ) · P (Aj ) , oricare ar fi 1 ≤ i < j ≤ n.

Remarca 1.65 Evident, dacă evenimentele {A1 , . . . , An } sunt independente în


ansamblu, atunci sunt independente s, i două câte două. Reciproca nu este ade-
vărată. 
5 Dacă nu se precizează explicit, atunci independent, a înseamnă independent, a în ansamblu.
1.6. Evenimente independente 23

Exercit, iul 1.66 Fie Ω = {a, b, c, d} s, i (Ω, P (Ω) , P) un spat, iu de probabilitate La-
place. Fie evenimentele A = {a, b} , B = {a, c} , C = {a, d} . Se poate arăta că
evenimentele A, B, C sunt independente două câte două, dar nu sunt independente în
ansamblu deoarece
 3
1 1
P (A ∩ B ∩ C) = 6= = P (A) P (B) P (C) .
4 2

Exercit, iul 1.67 Pe de altă parte, există exemple în care se vede că relat, ia

P (A ∩ B ∩ C) = P (A) P (B) P (C)

nu implică independent, a două câte două a evenimentelor A, B, C.


De exemplu, în cazul aruncării a două zaruri, fie A = {(i, j) ∈ Ω : j = 1, 2, 5} ,
B = {(i, j) ∈ Ω : j = 4, 5, 6} s, i C = {(i, j) ∈ Ω : i + j = 9} .

Propozit, ia 1.68 Dacă evenimentele A1 , . . . , An sunt independente, atunci s, i eve-


nimentele B1 , . . . , Bn sunt independente, unde Bi = Ai sau Bi = Āi , cu i = 1, n .

Exemplul 1.69 De exemplu, dacă evenimentele A, B sunt independente, atunci


sunt indepedente s, i evenimentele A, B̄, precum s, i evenimentele Ā, B, precum
s, i evenimentele Ā, B̄.
Într-adevăr, se poate arăta că P (A ∩ B) = P (A) · P (B) va implica oricare
dintre relat, iile

P(A ∩ B̄) = P (A) · P(B̄),


P(Ā ∩ B) = P(Ā) · P (B) ,
P(Ā ∩ B̄) = P(Ā) · P(B̄).

Exemplul 1.70 De asemenea, dacă evenimentele A, B s, i C sunt independente,


atunci sunt indepedente s, i A, B s, i C̄, precum s, i A, B̄ s, i C etc. 
Pentru a ilustra Definit, ia 1.58 să considerăm următorul exemplu.

Exemplul 1.71 Presupunem că avem două cutii cu bile ros, ii s, i albe. Prima
cutie cont, ine o bilă ros, ie s, i trei albe iar a doua cutie cont, ine două bile ros, ii s, i
trei bile albe. Extragem câte o bilă din fiecare cutie. Care este probabilitatea ca
să extragem două bile ros, ii?
24 1. Spaţiu de probabilitate

Numărul total de posibile perechi este de 4·5 = 20 (unei bile din prima cutie
îi corespund cinci bile din a doua cutie pentru a face o pereche). Sunt două
posibilităt, i de a extrage două bile ros, ii: bila ros, ie din prima cutie (eveniment
notat cu A) cuplată pe rând cu cele două bile ros, ii ale cutiei a doua (eveniment
notat cu B). Deci probabilitatea de a extrage două bile ros, ii este de P (A ∩ B) =
2/20.
Pe de altă parte probabilitatea extragerii unei bile ros, ii din prima cutie este
1/4 iar probabilitatea extragerii unei bile ros, ii din a doua cutie este 2/5, deci
are loc
P (A ∩ B) = 1/4 · 2/5 = P (A) · P (B) .
Similar se poate afla probabilitatea extragerii a două bile albe care este de
3/4 · 3/5, s, i deci probabilitatea de a extrage o bilă ros, ie s, i una albă este comple-
mentara evenimentelor de mai sus, deci are probabilitatea 1 − (2/20 + 9/20) =
9/20. 

1.7 Formule probabiliste


În cele ce urmează, fie (Ω, F, P) un spat, iu de probabilitate.

1.7.1 Probabilitatea unei reuniuni de evenimente


Oricare ar fi evenimentele A, B ∈ F are loc relat, ia

(1.4) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .

În particular, dacă evenimentele sunt disjuncte (incompatibile), atunci

P (A ∪ B) = P (A) + P (B) .

Pentru a demonstra formula (1.4) în cazul unui spat, iu finit de probabilitate să
considerăm o experient, ă E cu n cazuri posibile s, i A, B evenimente legate de
această experient, ă. Presupunem că m este numărul de cazuri favorabile reali-
zării lui A s, i s este numărul de cazuri favorabile realizării lui B. Presupunem
că din cele m cazuri, t sunt favorabile realizării lui A ∩ B. Atunci numărul
de cazuri favorabile realizării lui A ∪ B este m + s − t. Deci P (A) = m/n,
P (B) = s/n s, i

P (A ∪ B) = (m + s − t) /n = m/n + s/n − t/n = P (A) + P (B) − P (A ∩ B) .


1.7. Formule probabiliste 25

În cazul unui spat, iu de probabilitate oarecare formula (1.4) se demonstrează6


cu ajutorul axiomelor ce definesc probabilitatea P. Astfel are loc

P (A) = P (A \ B) + P (A ∩ B) ,

P (B) = P (B \ A) + P (A ∩ B) ,

P (A ∪ B) = P (A \ B) + P (B \ A) + P (A ∩ B) ,

deoarece (A \ B) ∩ (A ∩ B) = ∅ s, i (B \ A) ∩ (A ∩ B) = ∅.
Astfel obt, inem

P (A) + P (B) − P (A ∩ B) = P (A \ B) + P (B \ A) + P (A ∩ B)
= P (A ∪ B) .

Remarca 1.72 Formula (1.4) se poate generaliza la n evenimente. Astfel se


obt, ine, mai întâi,

P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 )


(1.5) − P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − P (A2 ∩ A3 )
+ P (A1 ∩ A2 ∩ A3 )

s, i, în cazul general, se poate demonstra prin induct, ie că, dacă Ai ∈ F, cu


i = 1, n , atunci probabilitatea realizării a cel put, in unui eveniment din familia
(Ai )i=1,n este dată de
[  Xn k+1
X
P Ai = (−1) P (Ai1 ∩ . . . ∩ Aik ) ,
1≤i≤n k=1 1≤i1 <...<ik ≤n

adică
[  X X
P Ai = P (Ai1 ) − P (Ai1 ∩ Ai2 )
1≤i≤n 1≤i1 ≤n 1≤i1 <i2 ≤n
X
(1.6) + P (Ai1 ∩ Ai2 ∩ Ai3 )
1≤i1 <i2 <i3 ≤n
n−1
− . . . + (−1) P (A1 ∩ A2 ∩ . . . ∩ An ) .


6 Pentru o demonstrat, ie alternativă, vezi Remarca 2.95.
26 1. Spaţiu de probabilitate

Exemplul 1.73 Fie (Ω, F, P) un spat, iu de probabilitate s, i A, B ∈ F două eveni-


mente independente. Dacă probabilitatea de realizare cel put, in unuia dintre
ele este 1/2, să se arate că cel put, in unul din evenimente are probabilitatea de
realizare 1/2.
Într-adevăr, A = (A ∩ B) ∪ (A \ B) iar (A ∩ B) ∩ (A \ B) = ∅. Deci P (A) =
P (A ∩ B) + P (A \ B) s, i P (B) = P (B ∩ A) + P (B \ A). Obt, inem

P (A) + P (B) = P (A \ B) + P (B \ A) + 2P (A ∩ B) .

Evenimentul din enunt, este (A \ B) ∪ (B \ A) iar (A \ B) ∩ (B \ A) = ∅. Deci

P ((A \ B) ∪ (B \ A)) = P (A \ B) + P (B \ A) = 1/2.

Deducem
P (A) + P (B) = 1/2 + 2P (A ∩ B)
sau echivalent
(2P (A) − 1) (2P (B) − 1) = 0.


1.7.2 Regula de înmult, ire a probabilităt, ilor


Pentru două evenimente arbitrare A, B ∈ F, astfel încât P (A) > 0, putem
scrie definit, ia probabilităt, ii condit, ionate

P (A ∩ B)
P (B|A) = ,
P (A)

deci au loc formulele

(1.7) P (A ∩ B) = P (B|A) P (A) ,


P (A ∩ B) = P (A|B) P (B) .

Similar se obt, ine s, i:

(1.8) P (A ∩ B ∩ C) = P (C|A ∩ B) · P (B|A) · P (A) ,

oricare ar fi A, B, C ∈ F astfel încât P (A ∩ B ∩ C) > 0.


1.7. Formule probabiliste 27

Formula (1.8) se poate generaliza la n evenimente s, i obt, inem probabili-


tatea realizării simultane a n evenimente (Ai )i=1,n sau probabilitatea unei
intersect, ii de n evenimente sau regula de înmult, ire a probabilităt, ilor:

P (A1 ∩ A2 ∩ . . . ∩ An ) = P (An |A1 ∩ A2 ∩ . . . ∩ An−1 )


· P (An−1 |A1 ∩ A2 ∩ . . . ∩ An−2 )
(1.9) · ...
· P (A4 |A1 ∩ A2 ∩ A3 )
· P (A3 |A1 ∩ A2 ) · P (A2 |A1 ) · P (A1 ) ,

oricare ar fi A1 , A2 , . . . , An ∈ F astfel încât P (A1 ∩ A2 ∩ . . . ∩ An−1 ) > 0.

1.7.3 Formula probabilităt, ii totale (se aplică atunci când Ai ,


i = 1, n , s-au realizat)
Fie (Ai )i=1,n un sistem complet de evenimente s, i X un eveniment oarecare.
Presupunem că evenimentele Ai , i = 1, n , s-au realizat.
Atunci are loc formula probabilităt, ii totale:

(1.10) P (X) = P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + . . . + P (An ) P (X|An ) .


Sn
Pentru demonstrat, ie observăm mai întâi că i=1 Ai = Ω s, i deci

X = X ∩ Ω = X ∩ (A1 ∪ . . . ∪ An ) = (X ∩ A1 ) ∪ (X ∩ A2 ) ∪ . . . ∪ (X ∩ An ) .

Deoarece Ai ∩ Aj = ∅, rezultă că (X ∩ Ai ) ∩ (X ∩ Aj ) = ∅, pentru orice i 6= j.


Aplicând (1.7) deducem că

P (X) = P ((X ∩ A1 ) ∪ (X ∩ A2 ) ∪ . . . ∪ (X ∩ An ))
= P (X ∩ A1 ) + P (X ∩ A2 ) + . . . + P (X ∩ An )
= P (X|A1 ) P (A1 ) + P (X|A2 ) P (A2 ) + . . . + P (X|An ) P (An ) .

1.7.4 Formula lui Bayes (se aplică atunci când X s-a realizat)
Folosind relat, ia (1.3) se obt, ine formula lui Bayes
P (B) · P (A|B)
P (B|A) =
P (A)
28 1. Spaţiu de probabilitate

care ne dă posibilitatea să calculăm probabilitatea condit, ionată P (B|A) dacă se
cunoas, te probabilitatea condit, ionată P (A|B) .
În general, fie (Ai )i=1,n un sistem complet de evenimente s, i X un eveni-
ment oarecare. Presupunem că X s-a realizat.
Atunci are loc formula lui Bayes:
P (Ai ) P (X|Ai )
(1.11) P (Ai |X) = Pn , i = 1, n .
j=1 P (Aj ) P (X|Aj )

Pentru demonstrat, ie observăm că


P (Ai ∩ X) = P (Ai ) P (X|Ai ) = P (X) P (Ai |X)
s, i deci
P (Ai ) P (X|Ai )
P (Ai |X) = .
P (X)
Apoi folosim (1.10).

1.8 Metode de numărare


Calculul probabilităt, ilor conduce adesea la numărarea diferitelor cazuri po-
sibile. Pentru aceasta sunt utile not, iunile de permutări, aranjamente s, i com-
binări.

1.8.1 Principiul multiplicării


Să presupunem că avem două evenimente astfel încât primul se poate rea-
liza în m1 moduri iar al doilea în m2 moduri. Atunci ambele evenimente se pot
realiza simultan în m1 · m2 moduri.
În general, dacă avem n evenimente iar fiecare se poate realiza în mi mo-
duri, cu i = 1, n , atunci cele n evenimente se pot realiza simultan în
m1 · m2 · . . . · mn moduri7
Dacă suntem în cazul particular mi = m, i = 1, n , atunci cele n evenimente se
pot realiza simultan în
(1.12) mn moduri.
7 Acest principiu se poate exprima s, i astfel: dacă avem n elemente ai , i = 1, n , iar dacă ele-
mentele pot fi alese în respectiv m1 , m2 , . . . , mn moduri, atunci numărul n−uplurilor ordonate
(a1 , a2 , . . . , an ) este m1 · m2 · . . . · mn .
1.8. Metode de numărare 29

Exemplul 1.74 Numărul situat, iilor posibile care pot apărea dacă aruncăm două
zaruri este 6 · 6 = 62 = 36.
Să furnizăm s, i modelul matematic al experient, ei aleatoare propuse, altfel
spus să determinăm spat, iul de probabilitate (Ω, F, P).
Mult, imea Ω a evenimentelor elementare (sau mult, imea rezultatelor posi-
bile) se poate scrie sub forma
Ω = {(F Z1, F Z2) : F Z1, F Z2 ∈ {1, 2, . . . , 6}}
iar conform principiului multiplicării card (Ω) = 62 care reprezintă numărul
tuturor cazurilor posibile.
În ceea ce prives, te spat, iul de evenimente, mult, imea F a părt, ilor este chiar
mult, imea P (Ω) a tuturor părt, ilor, adică a tuturor reuniunilor de elemente (sau
|A|
evenimente) din Ω. Probabilitatea P a unui eveniment A ∈ F este P (A) = ,
|Ω|
unde |A| = card (A) este numărul tuturor uplurilor care apar în A iar |Ω| =
card (Ω) este numărul tuturor uplurilor care apar în Ω.
Ment, ionăm că, de asemenea, putem scrie Ω s, i sub forma
Ω = {f : {F Z1, F Z2} → {1, 2, . . . , 6} : f este funct, ie}
iar |Ω| = 62 , care este numărul tuturor posibilelor funct, ii între două mult, imi
de cardinal finit (vezi Remarca 1.90). 

Exemplul 1.75 Numărul situat, iilor posibile care pot apărea dacă aruncăm trei
monede este 2 · 2 · 2 = 23 = 8.
Modelul matematic al experient, ei aleatoare propuse este similar celui pro-
pus mai sus.
Mult, imea Ω a evenimentelor elementare este
Ω = {(F M 1, F M 2, F M 3) : F M 1, F M 2, F M 3 ∈ {C, P }}
iar conform principiului multiplicării card (Ω) = 23 care reprezintă numărul
tuturor cazurilor posibile.
Mult, imea F a părt, ilor este mult, imea tuturor reuniunilor de evenimente
elementare din Ω. Probabilitatea P a unui eveniment A ∈ F se defines, te similar
ca mai sus.
Putem scrie Ω s, i sub forma
Ω = {f : {F M 1, F M 2, F M 3} → {C, P } : f este funct, ie}
iar card (Ω) = 23 . 
30 1. Spaţiu de probabilitate

Exemplul 1.76 Numărul de coduri de trei cifre care se pot forma cu cifrele 0,
1,. . . ,9 este 103 .
Într-adevăr,
Ω = {(CP 1, CP 2, CP 3) : CP 1, CP 2, CP 3 ∈ {0, 1, . . . , 9}}
iar conform principiului multiplicării card (Ω) = 103 . 
În continuare vom face distinct, ie între o mult, ime în care ne interesează
ordinea elementelor sale s, i o mult, ime în care nu ne interesează ordinea ele-
mentelor sale.

1.8.2 Permutări. Aranjamente. Combinări


Dacă, de exemplu, avem o mult, ime cu 3 elemente {a, b, c}, atunci acestea se
pot aranja astfel: abc, acb, bac, bca, cab, cba. Deci prima pozit, ie poate fi ocupată
de oricare din cele trei elemente, a doua pozit, ie poate fi ocupată de oricare din
cele două elemente rămase, iar a treia pozit, ie poate fi ocupată doar de singurul
element rămas. Aplicând principiul multiplicării obt, inem astfel un număr de
3 · 2 · 1 = 3! posibile aranjamente a celor 3 elemente.
În general, dacă avem o mult, ime cu n elemente, prima pozit, ie poate fi ocu-
pată de oricare din cele n elemente, a doua pozit, ie poate fi ocupată de ori-
care din cele (n − 1) elemente rămase s, .a.m.d. Ultima pozit, ie, a n−a, poate
fi ocupată doar de singurul element rămas. Aplicând principiul multiplicării
obt, inem astfel un număr de
n · (n − 1) · . . . · 1 = n!
posibile aranjamente a celor n elemente.
Fiecare mult, ime ordonată formată cu n elemente (care nu se pot repe-
ta) se numes, te permutare a elementelor acelei mult, imi iar numărul total de
permutări al celor n elemente este n!.
Dacă avem o mult, ime cu n elemente, atunci ne poate interesa s, i în câte
moduri se pot aranja k ≤ n elemente. Astfel prima pozit, ie poate fi ocupată
de oricare din cele n elemente, a doua pozit, ie poate fi ocupată de oricare din
cele (n − 1) elemente rămase s, .a.m.d. Ultima pozit, ie, a k−a, poate fi ocupată
de elemente rămase, care sunt în număr de (n − (k − 1)). Aplicând principiul
multiplicării obt, inem astfel un număr de
n!
n · (n − 1) · . . . · (n − (k − 1)) =
(n − k)!
1.8. Metode de numărare 31

posibile aranjamente a celor k elemente.


Fiecare submult, ime ordonată de k elemente, care nu se pot repeta, for-
mată din n elemente se numes, te aranjament al celor n elemente luate câte k
iar numărul total aranjamente posibile este notat s, i dat de
def n!
(1.13) Akn == .
(n − k)!
n!
Evident aranjarea a n elemente luate câte n reprezintă Ann = 0! = n! , adică
exact numărul de permutări.

Exemplul 1.77 Dacă avem la dispozit, ie pânză de steag de cinci culori diferi-
te, putem face un steag tricolor (contează ordinea culorilor) în A35 = 5!
2! = 60
moduri. 

Exemplul 1.78 Câte parole cu câte cinci litere se pot forma, dacă literele nu se
pot repeta? Dar dacă se pot repeta? (considerăm că sunt 26 de litere)
Dacă nu se pot repeta, atunci avem A526 moduri (sau de submult, imi ordo-
nate). Dacă se pot repeta, atunci avem 265 moduri, datorită principiului mul-
tiplicării, deoarece fiecare pozit, ie poate sa fie ocupată de oricare dintre cele 26
de litere, independent de celelalte. 
Dacă, de exemplu, avem o mult, ime cu 5 elemente {a, b, c, d, e}, atunci ne
poate interesa câte grupe de câte 3 se pot forma cu aceste elemente. Urmând
metoda de numărare de la aranjamente obt, inem 5 · 4 · 3 posibile modalităt, i de
aranjare în grupe de câte 3 elemente. Pe de altă parte în fiecare grupă obt, inută
contează ordinea. De exemplu, o posibilă grupă de aceleas, i 3 elemente este
numărată de 3! ori deoarece apar variantele: abc, acb, bac, bca, cab, cba. Deci
numărul total de grupe ce pot fi obt, inute din cele 5 elemente s, i pentru care nu
contează ordinea în fiecare grupă este 5·4·3
3! .
În general, dacă avem o mult, ime cu n elemente s, i dorim să obt, inem grupe
(neordonate) de câte k elemente, atunci numărul acestor grupe este
n · (n − 1) · . . . · (n − (k − 1)) n!
= .
k! k! · (n − k)!
Fiecare submult, ime neordonată de k elemente, care nu se pot repeta, formată
din n elemente se numes, te combinare ale celor n elemente luate câte k iar
numărul tuturor combinărilor posibile este notat s, i dat de
def n!
(1.14) Cnk == .
k! · (n − k)!
32 1. Spaţiu de probabilitate

Prin convent, ie vom lua

Cnk = 0 ori de câte ori k < 0 sau k > n.

Remarca 1.79 Termenul Cnk este numit coeficent binomial deoarece este cel
care apare în binomul lui Newton
n
Xn
(x + y) = Cnk xk y n−k .
k=0

Exemplul 1.80 Pentru un joc avem cinci fete s, i trei băiet, i care trebuie să formeze
o echipă de câte patru persoane. În câte moduri se poate forma echipa?
O grupă de patru persoane se poate forma, dacă avem în vedere structura
echipei, în C54 · C30 + C53 · C31 + C52 · C32 + C51 · C33 = 70 moduri.
Pe de altă parte, sunt C84 echipe posibile (deoarece nu contează nici ordinea
nici dacă sunt băiet, i sau fete).
Am obt, inut s, i am demonstrat, folosind astfel analiza combinatorie, identi-
tatea8
C54 · C30 + C53 · C31 + C52 · C32 + C51 · C33 = C84 .


Exemplul 1.81 În câte moduri 10 student, i pot ocupa 10 bănci? Dar 12 bănci?
Evident, 10 student, i pot ocupa 10 bănci în A10
10 = 10! moduri.
10
În cazul a 12 bănci avem: 10 bănci pot fi alese în C12 moduri, iar pentru
10 bănci fixate avem 10! moduri de a se as, eza student, ii. Conform principiului
10
multiplicării vom obt, ine C12 · 10! = A10
12 moduri. 
Putem generaliza formularea problemei de mai sus considerând următoa-
rea situat, ie: avem o mult, ime cu n elemente s, i dorim să obt
P,rinem r grupe (ne-
ordonate) de câte ki elemente fiecare, cu i = 1, r , unde i=1 ki = n. Atunci
numărul total de grupe posibile este dat, conform principiului multiplicării, de
k2 k3 kr
Cnk1 · Cn−k 1
· Cn−k 1 −k2
· . . . · Cn−k1 −...−kr−1

n! (n − k1 )! (n − k1 − . . . − kr−1 )!
= · · ... ·
k1 ! · (n − k1 )! k2 ! · (n − k1 − k2 )! kr ! · (n − k1 − . . . − kr )!
8 Vezi s, i formula (1.20).
1.8. Metode de numărare 33

n!
= .
k1 ! · k2 ! · k3 ! · . . . · kr !
S-a obt, inut o combinarePar celor n elemente luate în r grupe de câte ki elemen-
te fiecare, i = 1, r , cu i=1 ki = n, iar numărul tuturor combinărilor posibile
este notat s, i dat de

def n!
(1.15) Cnk1 ,k2 ,...,kr ==
k1 ! · k2 ! · . . . · kr !
(vezi s, i Sect, iunea 3.4.1, formula (3.43)).

Remarca 1.82 Evident, combinarea a n elemente luate în 2 grupe de câte ki


elemente fiecare (k1 = k s, i respectiv k2 = n−k elemente) dată de definit, ia (1.15)
reprezintă combinarea celor n elemente luate câte k dată de definit, ia (1.14), i.e.
not
Cnk == Cnk,n−k .

Remarca 1.83 Termenul Cnk1 ,k2 ,...,kr este numit coeficent multinomial deoarece
este cel care apare în dezvoltarea multinomială
n
Xn
k1 ,k2 ,...,kr k1 k2
(1.16) (x1 + x2 + . . . + xr ) = k1 =0,...,kr =0 Cn x1 x2 . . . xkr r .
k1 +...+kr =n

Exemplul 1.84 O sect, ie de polit, ie are angajat, i 10 polit, is, ti. S, tim că 5 polit, is, ti
trebuie să fie pe teren, 2 polit, is, ti lucrează la birou iar 3 polit, is, ti sunt pentru
situat, ii de urgent, ă.
Atunci sunt posibile

5 10! 5,2,3
C10 · C52 · C33 = = C10
5! 2! 3!
moduri în care se pot diviza în cele 3 grupe cei 10 polit, is, ti. 

Exemplul 1.85 Se aruncă un zar de 14 ori. Să se arate că probabilitatea ca fat, a
1 să apară de 3 ori, fat, a 2 să apară o dată, fat, a 3 să apară de 4 ori, fat, a 4 să apară
C 3,1,4,2,3,1
de 2 ori, fat, a 5 să apară de 3 ori s, i fat, a 6 să apară o singură dată este 14 14 .
6
34 1. Spaţiu de probabilitate

Într-adevăr, numărul cazurilor tuturor posibile de 14−upluri este de 614 .


Pe de altă parte, numărul tuturor cazurilor favorabile aparit, iei evenimentului
avut în vedere este

3 1 4 14! 3,1,4,2,3,1
C14 · C11 · C10 · C62 · C43 · C11 = = C14 .
3! 1! 4! 2! 3! 1!


Remarca 1.86 Coeficientul multinomial apare s, i în numărul de posibile rea-


ranjări a literelor unui cuvânt. De exemplu, numărul de posibile cuvinte care
6!
se pot forma cu literele cuvântului PEPPER este C63,2,1 = .
3! · 2! · 1!
Într-adevăr, avem 6 litere: P1,E1,P2,P3,E2,R1, deci avem 6! variante posi-
bile de permutare a literelor. Pe de altă parte, anumite litere sunt identice,
deci în cele 6! variante va apărea orice permutare a literelor P1,P2,P3 (adică
s, ase variante: P1,P2,P3, P1,P3,P2, P2,P1,P3 etc.) precum s, i orice permutare
a literelor E1,E2 (adică E1,E2 s, i E2,E1) (precum s, i orice permutare a literei R1).
Deci anumite variante se vor repeta. De exemplu, dacă luăm varianta de
aranjare PEPPER, atunci cele 6! variante posibile numără s, i permutările P-
urilor, mai precis,

P1E1P2P3E2R1, P1E1P3P2E2R1,
P2E1P1P3E2R1, P2E1P3P1E2R1,
P3E1P1P2E2R1, P3E1P2P1E2R1.

Prin urmare, pentru a evita duplicatele, trebuie să împărt, im la numărul tuturor
6!
variantelor care se repetă, deci avem 3!·2!·1! variante posibile de rearanjare. 

Remarca 1.87 Ne putem imagina s, i problema obt, inerii de submult, imi neor-
donate de k elemente dar care se pot repeta, formată din n elemente. Se poate
arăta că numărul tuturor combinărilor posibile de n elemente luate în grupe de
câte k care se pot s, i repeta este dat9 de Cn+k−1
k
.
Astfel, să presupunem că avem o mult, ime cu n elemente; vom lua, fără
a restrânge generalitatea, mult, imea {1, 2, . . . , n} . Dorim să numărăm, în con-
dit, iile în care nu contează ordinea, toate k−uplurile posibile ce se pot forma
din n elemente. Astfel, ne interesează k−uplurile (c1 , c2 , . . . , ck ) , unde ci ∈
9 Pentru demonstrat, ie vezi, de exemplu, [51, Example 4, page 2] sau Wikipedia: Stars and bars
(combinatorics).
1.8. Metode de numărare 35

{1, 2, . . . , n} , cu i = 1, k . Deoarece nu contează ordinea în cadrul uplului, vom


lua, fără a restrânge generalitatea, componentele c1 , c2 , . . . , ck în ordine crescă-
toare.
Dacă repetit, ia nu este permisă, atunci trebuie să impunem restrict, iile

1 ≤ c1 < c2 < . . . < ck ≤ n .

As, a cum am văzut deja, când s-a obt, inut (1.14), numărul tuturor k−uplurilor
posibile (c1 , c2 , . . . , ck ) ce se pot forma din n elemente astfel încât să nu conteze
ordinea s, i repetit, ia să nu fie permisă este Cnk .
Dacă repetit, ia este permisă, atunci trebuie să impunem restrict, iile

1 ≤ c1 ≤ c2 ≤ . . . ≤ ck ≤ n .

Pentru a putea aplica cazul precedent să definim k−uplul (d1 , d2 , d3 , . . . , dk )


prin
d1 = c1 , d2 = c2 + 1, d3 = c3 + 2, . . . , dk = ck + k − 1.
Se obt, in restrict, iile:

1 ≤ d1 < d2 < . . . < dk ≤ n + k − 1 ,

deoarece c1 ≥ 1 iar ck ≤ n.
Astfel ne interesează să numărăm toate k−uplurile (d1 , d2 , . . . , dk ) ce se pot
forma din (n + k − 1) elemente astfel încât să nu conteze ordinea s, i repetit, ia
să nu fie permisă. Conform cazului precedent se obt, ine că numărul posibil al
k
unor asemenea k−upluri este Cn+k−1 .
Prin urmare, folosind s, i (1.12), (1.13), (1.14), se obt, ine următoarea sinteză
legată de numărul de k−upluri ce se pot forma din n elemente (vezi [51, Table
1.1]):
PP
Tipul de
PP
PP
Contează ordinea Nu contează ordinea
Modul PPuplu
PP
de formare P P
P
Repetit, ia este permisă nk k
Cn+k−1

Repetit, ia nu este permisă Akn Cnk


36 1. Spaţiu de probabilitate

Exemplul 1.88 De exemplu, dacă ne interesează submult, imi de 2 elemente


care se pot forma, în diverse moduri, din 3 elemente, atunci avem următoarele
variante:
PP
Tipul de
PP
PP
Contează ordinea Nu contează ordinea
Modul PPuplu
PP
de formare PP
P
(1, 1) (1, 2) (1, 3) (1, 1) (1, 2) (1, 3)
Repetit, ia este permisă (2, 1) (2, 2) (2, 3) (2, 2) (2, 3)
(3, 1) (3, 2) (3, 3) (3, 3)
(1, 2) (1, 3)
(1, 2) (1, 3)
Repetit, ia nu este permisă (2, 1) (2, 3)
(2, 3)
(3, 1) (3, 2)

Exercit, iul 1.89 Să se arate că numărul tuturor rădăcinilor numere întregi s, i nenega-
tive ale ecuat, iei
x1 + x2 + . . . + xk = n
n
este Cn+k−1 .

Dorim să numărăm toate k−uplurile (x1 , x2 , . . . , xk ) ce se pot forma în condit, i-


ile de mai sus. Pentru a obt, ine cadrul de lucru al Remarcii 1.87 (i.e. pentru a pune
elementele în ordine nedescrescătoare) să definim (y1 , y2 , . . . , yk−1 , yk ) prin y1 = 1 +
x1 , y2 = 1 + x1 + x2 , . . . , yk−1 = 1 + x1 + . . . + xk−1 , yk = 1 + x1 + . . . + xk−1 +
xk = 1 + n . Astfel ne interesează, de fapt, (k − 1) −uplurile (y1 , y2 , . . . , yk−1 ) cu
restrict, iile:

y1 ≤ y2 ≤ . . . ≤ yk−1 , unde yi ∈ {1, 2, . . . , n + 1} , cu i = 1, k − 1 ,

deoarece x1 ≥ 0 iar yk−1 ≤ yk = 1 + n.


Prin urmare, trebuie să numărăm toate (k − 1) −uplurile (y1 , y2 , . . . , yk−1 ) ce
se pot forma din (n + 1) elemente astfel încât să nu conteze ordinea s, i repetit, ia să
fie permisă. Conform Remarcii 1.87 se obt, ine că numărul posibil al unor asemenea
k−1 k−1 n
(k − 1) −upluri este C(n+1)+(k−1)−1 = Cn+k−1 care coincide cu Cn+k−1 .
1.8. Metode de numărare 37

Remarca 1.90 Dacă D, C sunt două mult, imi cu un număr finit de elemente
card (D) = |D| = n iar card (C) = |C| = m, atunci numărul tuturor funct, iilor
f : D → C este
|C|
mn = |D| .
Într-adevăr, fiecărui element al mult, imii D i se poate asocia oricare din cele
m valori, deci, folosind principiul multiplicării, numărul tuturor n−uplurilor
· . . . · m} = mn .
| · m {z
ordonate (a1 , a2 , . . . , an ) posibile este m
de n-ori

Evident, dacă |D| = n > m = |C| , atunci nu există nici o funct, ie injectivă
între D s, i C. Dacă n ≤ m, numărul tuturor funct, iilor injective f : D → C este
|D|
Anm = A|C| .

Într-adevăr, dacă n ≤ m, atunci elementului a1 i se pot asocia m valori, elemen-


tului a2 i se pot asocia (m − 1) valori (deoarece asocierea este injectivă s, i deci
o valoare din C nu se mai poate asocia nici unui alt element din D) s, .a.m.d. În
final, elementului an i se pot asocia (m − (n − 1)) valori. Deci, folosind prin-
cipiul multiplicării, numărul tuturor n−uplurilor ordonate (a1 , a2 , . . . , an ) care
se pot scrie este

m!
m · (m − 1) · . . . · (m − (n − 1)) = = Anm .
(m − n)!

Evident, numărul tuturor funct, iilor bijective f : D → C este


|C|
n! = A|C|

deoarece trebuie să avem |C| = |D| .


În ceea ce prives, te numărul de funct, ii surjective să observăm că dacă |D| =
n < m = |C| , atunci nu există nici o funct, ie surjectivă între D s, i C. Dacă n ≥ m,
atunci se poate arăta că numărul tuturor funct, iilor surjective f : D → C este
(vezi [51, Problem 8, page 158])
Xm i n
i
(−1) Cm (m − i) .
i=0

Într-adevăr, să numărăm, mai întâi, funct, iile care nu sunt surjective; în acest
sens, să notăm cu Ak numărul de funct, ii f : D → C care nu iau valoarea
38 1. Spaţiu de probabilitate

k = 1, m (adică f (x) 6= k, pentru orice x ∈ {1, . . . , n} ). Astfel numărul tuturor


funct, iilor care nu sunt surjective este dat de |A1 ∪ A2 ∪ . . . ∪ Am |. Conform
formulei (1.2), avem
[ Xm X
`+1
Ak = (−1) |Ai1 ∩ . . . ∩ Ai` |.


1≤k≤m `=1 1≤i1 <...<i` ≤m

Pe de altă parte, dacă f ∈ Ai1 ∩. . .∩Ai` , atunci f nu poate lua ` din cele m valori
din C, deci sunt doar (m − `) variante posibile de valori; adică ne interesează
numărul de funt, ii posibile f : D → C ` , unde |D| = n iar C ` = m − `. Deci
n
|Ai1 ∩ . . . ∩ Ai` | = (m − `) .
`
P
În plus, observăm că suma 1≤i1 <...<i` ≤m are Cm termeni, deci
[ Xm X
`+1 n
Ak = (−1) (m − `)


1≤k≤m `=1 1≤i1 <...<i` ≤m
Xm `+1 ` n
= (−1) Cm (m − `) .
`=1

Având în vedere că numărul tuturor funct, iilor este mn , deducem că numărul
tuturor funct, iilor surjective este
Xm `+1 n
Xm ` ` n
mn − (−1) `
Cm (m − `) = mn + (−1) Cm (m − `)
`=1 `=1
Xm ` ` n
= (−1) Cm (m − `) .
`=0

Prin urmare, în cazul particular al funct, iilor bijective, numărul tuturor funct, ii-
lor este obt, inut luând n = m.
Prin urmare, am obt, inut s, i am demonstrat, folosind astfel analiza combina-
torie, următoarea identitate:
Xn i n
n! = (−1) Cni (n − i) .
i=0

1.9 Probabilităt, ii geometrice


Să considerăm în Rn o mult, ime D ∈ B (Rn ) mărginită s, i de măsură Le-
besgue nenulă s, i C D astfel încât C ∈ B (Rn ).
1.10. Scheme clasice de probabilitate 39

Prin definit, ie, vom lua probabilitatea P ca un punct ales la întamplare din
λ (C)
D să apart, ină părt, ii C ca fiind , unde λ este măsura Lebesgue pe Rn .
λ (D)
În acest caz, toate subdomeniile mult, imii D formează mult, imea de eveni-
mente, iar probabilitatea definită mai sus satisface Definit, ia 1.28.
def
Astfel obt, inem spat, iul de probabilitate (Ω, F, P) == (D, B (D) , P).

1.10 Scheme clasice de probabilitate


1.10.1 Schema lui Poisson (schema binomială generalizată)
Fie E o experient, ă care constă în efectuarea a n experient, e independente
E1 , . . . En , iar Ai , i = 1, n , evenimente legate de experient, ele Ei respectiv. Fie
X evenimentul care constă în realizarea a k evenimente (0 ≤ k ≤ n) din cele n
evenimente Ai , i = 1, n , când se efectuează experient, a E.
Atunci are loc

Propozit, ia 1.91 Probabilitatea evenimentului X este coeficientul lui xk din polino-


mul
Q (x) = (p1 x + q1 ) · (p2 x + q2 ) · . . . · (pn x + qn ) ,

unde pi = P (Ai ) s, i qi = 1 − pi = P Āi .
Demonstrat, ie. Pentru simplitate, vom considera doar cazul n = 4 s, i k = 2.
Evenimentul a cărui realizare înseamnă realizarea a 2 evenimente s, i neralizarea
a 2 evenimente este scris sub forma unei reuniuni de alte C42 = 6 evenimente
(în fiecare dintre ele 2 se realizează s, i celelalte 2 nu):
  
A1 ∩ A2 ∩ Ā3 ∩ Ā4 ∪ A1 ∩ Ā2 ∩ A3 ∩ Ā4 ∪ A1 ∩ Ā2 ∩ Ā3 ∩ A4
  
∪ Ā1 ∩ A2 ∩ A3 ∩ Ā4 ∪ Ā1 ∩ A2 ∩ Ā3 ∩ A4 ∪ Ā1 ∩ Ā2 ∩ A3 ∩ A4 .

Toate cele 6 evenimente sunt incompatibile între ele, iar fiecare dintre ele este
intersect, ia a patru evenimente independente. Prin urmare, probabilitatea eveni-
mentului precedent este
p1 p2 q3 q4 + p1 q2 p3 q4 + p1 q2 q3 p4 + q1 p2 p3 q4 + q1 p2 q3 p4 + q1 q2 p3 p4
care este exact coeficientul lui x2 din polinomul
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ) (p4 x + q4 ) .
40 1. Spaţiu de probabilitate

În cazul general, X contă în reuniunea a Cnk evenimente, fiecare dintre acestea


scriindu-se ca intersect, ia a n evenimente independente (dintre care k sunt de
tipul Ai iar (n − k) sunt de tipul Āj ).

Remarca 1.92 Se vede din demonstrat, ie că rezultatul obt, inut nu simplifică cal-
culul efectiv al probabilităt, ii cerute. Este doar o formulare condensată a meto-
dei de calcul. 

O variantă concretă s, i des întâlnită a schemei Poisson este următoarea: se


dau n urne U1 , ..., Un care cont, in bile albe s, i negre în proport, ii cunoscute (adică
se cunosc probabilităt, ile pi de extragere a unei bile albe din urna Ui , cu i =
1, n ). Fie E experient, a extragerii a câtei unei bile din fiecare urnă Ui , i = 1, n .
Dacă X reprezintă evenimentul extragerii a k bile albe (s, i deci a n − k bile
negre), când din fiecare urnă se extrage câte o bilă, atunci P (X) este ak , unde
ak este coeficientul lui xk din polinomul

Q (x) = (p1 x + q1 ) · (p2 x + q2 ) · . . . · (pn x + qn ) .

Remarca 1.93 Uneori se poate considera că cele n evenimente Ai coincid între
ele, Ai = A, i = 1, n . Evenimentul X constă atunci în faptul că evenimentul A
se realizează de k ori s, i de (n − k) ori nu se realizează, atunci când se efectuează
experient, a E ce constă în cele n experient, e Ei . În acest caz particular se obt, ine
schema binomială. 

1.10.2 Schema binomială (schema bilei revenite)


Fie E o experient, ă s, i A un eveniment legat de experient, a E. Notăm cu
p = P (A). Fie X evenimentul care constă în realizarea lui A de k ori s, i în
nerealizarea lui A de n − k , când se efectuează experient, a E de n ori.
Atunci are loc

Propozit, ia 1.94 Probabilitatea evenimentului X este

P (X) = Cnk pk q n−k , cu q = 1 − p.

Demonstrat, ie. Se observă că suntem într-un caz particular al schemei lui Poi-
sson în care pentru i = 1, n , Ei = E, Ai = A, deci pi = p, qi = 1 − p iar
n
Q (x) = (px + q) . Prin urmare, probabilitatea cerută este coeficientul lui xk ,
adică Cnk pk q n−k .
1.10. Scheme clasice de probabilitate 41

O variantă concretă a schemei binomiale este următoarea: se dă o urnă


U care cont, ine bile a albe s, i b bile negre (deci probabilitatea p de extragere a
unei bile albe din urna U este p = a/ (a + b) s, i evident q = b/ (a + b)). Fie E
experient, a extragerii unei bile din urna U , urmând ca bila să fie pusă înapoi. Se
efectuează E de n ori. Dacă X reprezintă evenimentul extragerii a k bile albe s, i
a n − k bile negre, atunci
 k  n−k
a b
P (X) = Cnk .
a+b a+b

Exemplul 1.95 Dintr-o urnă cu 14 de bile, dintre care 8 albe s, i 6 negre, se extrag
cu revenire 3 bile. Care este probabilitatea ca cele 3 bile extrase să fie 2 albe s, i
una neagră?
Suntem în cazul n = 3, k = 2, p = 8/14 = 4/7, q = 3/7. 

1.10.3 Schema multinomială


Fie E o experient, ă s, i (Ai )i=1,r un sistem complet de evenimente legate de
Pr , ă cu probabilităt, ile de realizare pi = P (Ai ) , i = 1, r (deci tre-
acea experient
buie ca i=1 pi = 1 ). Se repetă experient, a de n ori în aceleas, i condit, ii. Fie
X evenimentul care constă în realizarea fiecărui eveniment Ai de ki ori, unde
ki = 0, n , i = 1, r astfel încât k1 + . . . + kr = n.
Utilizând argumente de numărare folosite s, i în cazul schemei binomiale
precum s, i deducerea definit, iei termenului multinomial Cnk1 ,k2 ,...,kr dat de (1.15)
deducem următorul rezultat10 .

Propozit, ia 1.96 Probabilitatea evenimentului X este

P (X) = Cnk1 ,k2 ,...,kr pk11 pk22 . . . pkr r ,

unde ki = 0, n , i = 1, r cu k1 + . . . + kr = n.
O variantă concretă a schemei multinomiale este următoarea: se dă o urnă
U care cont, ine bile de r culori iar probabilitatea de extragere a unei bile de
culoare ci este pi , cu i = 1, r . Fie E experient, a extragerii unei bile din urnă,
urmând ca bila să fie pusă înapoi. Se efectuează E de n ori. Atunci X este
evenimentul care constă în aparit, ia de ki ori a bilei de culoare ci , unde i = 1, r
iar k1 + . . . + kr = n.
10 Vezi s, i distribut, ia multinomială.
42 1. Spaţiu de probabilitate

Exemplul 1.97 Se aruncă un zar de 14 ori. Care este probabilitatea de a obt, ine
de 3 ori fat, a 1, o dată fat, a 2, de 4 ori fat, a 3, de 2 ori fat, a 4, de 3 ori fat, a 5 s, i o
singură dată fat, a 6?
Avem
 3  1 1  1 4  1 2  1 3  1 1
3,1,4,2,3,1 1 14! 1
P (X) = C14 = .
6 6 6 6 6 6 3! 1! 4! 2! 3! 1! 614


1.10.4 Schema hipergeometrică11 (schema bilei nerevenite)


Să considerăm o urnă U cu m bile de tipul a bile albe s, i b = m − a bile
negre. Experient, a E constă în extragerea succesivă a n bile fără a pune bila
extrasă înapoi (n ≤ m) (sau se poate considera că se scot n bile simultan). Fie
X evenimentul ca din cele n bile extrase α să fie albe s, i β = n − α să fie negre
(α ≤ a, β ≤ b).
Atunci are loc următorul rezultat.

Propozit, ia 1.98 Probabilitatea evenimentului X este

Caα · Cbβ
P (X) = α+β
, unde α + β = n, a + b = m.
Ca+b

Demonstrat, ie. Să presupunem că se extrag n bile deodată. Numărul cazurilor
n
posibile este Ca+b . Pe de altă parte, α bile albe se pot extrage în Caα iar β bile
negre se pot extrage în Cbβ , deci, conform principiului multiplicării, α bile albe
s, i β bile negre se pot extrage în Caα · Cbβ moduri (fiecare grupă de α bile albe se
poate grupa cu fiecare grupă de β bile negre). Apoi folosim definit, ia clasică a
probabilităt, ii.
Cazul în care bilele se extrag una câte una se rezolvă similar: în această
situat, ie, numărul cazurilor posibile este Ana+b = n!Ca+b
n
iar cel al cazurilor fa-
α β
vorabile este n! · Ca · Cb .

Exemplul 1.99 La o extragere, din 400 de bilete, 4 sunt câs, tigătoare. O per-
soană cumpără 10 bilete. Care este probabilitatea ca să nu aibă nici un bilet
câs, tigător?
11 Pentru denumirea „hipergeometrică” vezi Remarca 2.109.
1.11. Exerciţii rezolvate 43

Avem a = 4, b = 396, α = 0, β = 10, n = 10. Deci probabilitatea să obt, inem


C 0 · C 10
k = 0 bilete câs, tigătoare este 4 10 396 = 0.903. 
C400
Putem să generalizăm în felul următor: să considerăm o urnă U cu m bile
de r culori; mai precis, avem ai bile din fiecare culoare ci , i = 1, r . Experient, a
Pconstă
E în extragerea succesivă a n bile fără a pune bila extrasă înapoi (n ≤
r
i=1 ai ) (sau se poate considera că se scot n bile simultan). Fie X evenimentul
ca din
Pr cele n bile extrase α1 să fie de culoarea c1 , . . . , αr să fie de culoarea cr ,
cu i=1 αi = n astfel încât αi ≤ ai .
În mod similar Propozit, iei 1.98 se poate demonstra următorul rezultat.

Propozit, ia 1.100 Probabilitatea evenimentului X este


Caα11 · Caα22 · . . . · Caαmm
P (X) = , unde α1 + . . . + αm = n.
Caα11+...+a
+...+αm
m

Exemplul 1.101 O urnă cont, ine 8 bile albe, 9 bile negre s, i 10 bile ros, ii. Se extrag
3 bile. Care este probabilitatea ca bilele extrase să fie de culori diferite?
Dorim ca grupul celor trei bile să arate astfel: una albă, una neagră s, i una
C 1 · C91 · C10
1
ros, ie. Deci probabilitatea evenimentului cerut este 8 3 = 0.246. 
C27

Exemplul 1.102 Un magazin vinde un acelas, i tip de marfă produsă de trei


firme. Magazinul are 300 de unităt, i de la prima firmă, 260 de unităt, i de la a
doua firmă, 420 de unităt, i de la a treia firmă s, i vinde 260 de produse. Care este
probabilitatea 80 de unităt, i să fie de la prima firmă, 50 de unităt, i de la a doua
firmă s, i 130 de unităt, i să fie de la a treia firmă? 

1.11 Exercit, ii rezolvate


1.11.1 Amestecăm un pachet de 10 cărt, i de joc numerotate cu 1, 2, . . . , 10. Care
este probabilitatea ca deasupra să fie cartea 1? Dar probabilitatea ca pe primele
două pozit, ii să fie cărt, ile 1 s, i 2?

Rezolvare:
Cele 10 cărt, i pot fi aranjate în A10
10 = 10! moduri posibile. Cazul favorabil
este orice aranjare în care pe primul loc se află numărul 1 iar apoi celelalte 9
44 1. Spaţiu de probabilitate

numere (indiferent de ordine). Deci numărul cazurilor favorabile este 9!, deci
9! 1
probabilitatea ca prima carte să fie 1 este = .
10! 10
Putem formaliza s, i scrie s, i sub forma: mult, imea Ω a tuturor evenimentelor
elementare poate fi văzută ca fiind o mult, ime de n−upluri de tipul

Ω = {(CJP 1, CJP 2, . . . , CJP 10) : CJP i ∈ {1, 2, . . . , 10} ,

CJP i 6= CJP j, i, j = 1, 10 , cu i 6= j}

iar numărul tuturor cazurilor posibile este card (Ω) = 10 · 9 · . . . · 1 = A10


10 = 10!
(deoarece prima pozit, ie a 24−uplului are 10 variante posibile, a doua pozit, ie
are 9 variante posibile etc.).
Primul eveniment avut în vedere este

A = {(CJ1, CJP 2, . . . , CJP 10) ∈ Ω : CJP i ∈ {2, . . . , 10} ,

i = 2, 10 }

A99 1
iar card (A) = A99 = 9! . Deci P (A) = = .
A10
10 10

Putem face s, i direct: să observăm că pe primul loc poate fi oricare din cele 10
cărt, i, deci avem zece cazuri posibile. Dintre acestea unul singur este favorabil
(aparit, ia cărt, ii 1). Deci probabilitatea este 1/10.

Al doilea eveniment avut în vedere este

B = {(CJ1, CJ2, CJP 3, . . . , CJP 10) ∈ Ω : CJP i ∈ {3, . . . , 10} ,

i = 3, 10 }

A88 1
iar card (B) = A88 = 8! . Deci P (B) = = .
A10
10 90

Putem face s, i direct: să observăm că pe primele două pozit, ii poate fi orice
pereche ordonată de numere, deci numărul cazurilor posibile este de A210 =
10!
8! = 90. Dintre acestea unul singur este favorabil (aparit, ia cărt, ilor 1 s, i 2). Deci
probabilitatea este 1/90.
1.11. Exerciţii rezolvate 45

1.11.2 Un număr de telefon este compus din s, ase cifre. Care este probabili-
tatea ca toate cifrele să fie diferite una de alta? (toate cifrele pot avea una dintre
valorile 0, 1, . . . , 9).

Rezolvare:
Formalizăm, văzând mult, imea Ω a tuturor evenimentelor elementare ca
pe o mult, ime de 6−upluri:

Ω = {(T P 1, T P 2, . . . , T P 6) : T P i ∈ {0, 1, . . . , 9} , i = 1, 6 }

iar numărul tuturor cazurilor posibile (toate numerele de telefon din s, ase cifre,
nu neapărat diferite) este card (Ω) = 10 · 10 · . . . · 10 = 106 (deoarece prima
pozit, ie a 6−uplului are 10 variante posibile, a doua pozit, ie are tot 10 variante
posibile etc.).
Eveniment avut în vedere este

A = {(T P 1, T P 2, . . . , T P 6) ∈ Ω : T P i 6= T P j, i, j = 1, 6 ,

cu i 6= j }

iar card (A) = 10 · 9 · . . . · 5 = A610 (deoarece prima pozit, ie a 6−uplului are 10


variante posibile, a doua pozit, ie are 9 variante posibile etc.).
A610 5 · 6 · 7 · 8 · 9 · 10
Deci probabilitatea cerută este P (A) = = = 0.1512 .
106 106
1.11.3 Într-un oras, se găsesc 10000 de biciclete numerotate de la 0000 la 9999.
Care este probabilitatea ca numărul primei biciclete întâlnite să nu cont, ină cifra
8?

Rezolvare:
Formalizăm, văzând mult, imea Ω a tuturor evenimentelor elementare ca
pe o mult, ime de 4−upluri:

Ω = {(BP 1, BP 2, BP 3, BP 4) : BP i ∈ {0, 1, . . . , 9} , i = 1, 4 }

iar numărul tuturor cazurilor posibile este card (Ω) = 10 · 10 · 10 · 10 = 104 =


10000 (deoarece prima pozit, ie a 4−uplului are 10 variante posibile, a doua
pozit, ie are tot 10 variante posibile etc.).
46 1. Spaţiu de probabilitate

Eveniment avut în vedere este

A = {(BP 1, BP 2, BP 3, BP 4) ∈ Ω : BP i 6= 8, i = 1, 4 }

iar card (A) = 9 · 9 · 9 · 9 = 94 (deoarece prima pozit, ie a 4−uplului are 9 variante


posibile, a doua pozit, ie are 9 variante posibile etc.).
94 4
Deci probabilitatea cerută este P (A) = = (0.9) = 0.6561 .
104
1.11.4 O bancă foloses, te numere personale de identificare (PIN) compuse din pa-
tru cifre (din cele zece).
(a) Câte PIN-uri posibile există?
(b) Banca are nis, te restrict, ii în alegerea PIN-urilor. Astfel următoarele alegeri
sunt interzise: (i) toate cifrele identice, (ii) s, iruri consecutive ascendente sau
descendente, (iii) orice s, ir care începe cu 19 (care ar fi un an de nas, tere ce se
poate ghici us, or). Dacă este ales un PIN la întâmplare, care este probabilitatea
ca acest PIN să satisfacă restrict, iile băncii?
(c) Cineva a furat un card bancar s, i s, tie că prima cifră PIN-ului acestui card este
8 iar ultima este 1. Hot, ul are doar trei încercări înainte de a-i fi blocat cardul în
ATM. El s, tie de restrict, iile băncii. Care este probabilitatea ca hot, ul să acceseze
cardul?
(d) Să se recalculeze probabilitatea de la punctul (c) dacă prima s, i ultima cifră
sunt ambele 1.
Să se scrie s, i spat, iul de probabilitate pe care se lucrează.
1.11.5 Care este probabilitatea ca într-un grup de n persoane să existe cel put, in
2 care să-s, i aniverseze ziua de nas, tere în aceeas, i zi a anului? (se presupune că
anul are 365 de zile)

Rezolvare:
Evident, dacă n > 365, atunci probabilitatea cerută este 1. Să presupunem
că n ≤ 365. Este mai us, or de calculat probabilitatea evenimentului contrar,
notat Ā, adică evenimentul ca fiecare din cele n persoane îs, i aniverseze ziua de
nas, tere într-o zi diferită de ziua celorlalte (n − 1) persoane.
Mult, imea evenimentelor elementare (sau mult, imea rezultatelor posibile) se
poate scrie sub forma

Ω = (ZN P 1, ZN P 2, . . . , ZN P n) : ZN P i ∈ {1, 2, . . . , 365} , i = 1, n
1.11. Exerciţii rezolvate 47

iar card (Ω) = 365n (se poate aplica principiul multiplicării) care reprezintă
numărul cazurilor posibile.
Evenimentul contrar este dat de

Ā = {(ZN P 1, ZN P 2, . . . , ZN P n) ∈ Ω : ZN P i 6= ZN P j, i, j = 1, n ,

cu i 6= j }

iar card Ā = 365 · 364 · . . . · (365 − n + 1) = An365 (deoarece prima pozit, ie
a n−uplului are 365 de variante posibile, a doua pozit, ie are 364 de variante
posibile etc.).
An
Deci probabilitatea cerută este P (A) = 1 − P Ā = 1 − 365n .

365
Să observăm că putem scrie Ω s, i cu ajutorul funct, iilor:

Ω = {f : {ZN P 1, ZN P 2, . . . , ZN P n} → {1, 2, . . . , 365} : f este funct, ie}

iar card (Ω) = 365n (care este numărul tuturor posibilelor funct, ii între două
mult, imi de cardinal finit).
Scrisă în acest fel, evenimentul Ā este, de fapt,

Ā = {f : {ZN P 1, ZN P 2, . . . , ZN P n} → {1, 2, . . . , 365} : f este

funct, ie injectivă }

iar card Ā = An365 (care este numărul tuturor posibilelor funct, ii injective între
două mult, imi de cardinal finit).
An
Deci probabilitatea evenimentului cerut este P (A) = 1 − P Ā = 1 − 365n .

365
În final ment, ionăm că dacă, de exemplu, n = 23, atunci se obt, ine
343 · 345 · . . . · 364 · 365
P (A) = 1 − = 0.5072
36523
316 · 317 · . . . · 364 · 365
iar dacă n = 50, atunci se obt, ine P (A) = 1 − = 0.9703.
36550
1.11.6 Un lift urcă cu k persoane într-o clădire cu n etaje. Care este probabili-
tatea ca la un etaj să coboare cel mult o persoană?
48 1. Spaţiu de probabilitate

Rezolvare:
Dacă n < k, atunci probabilitatea cerută este 0. Să considerăm deci cazul
n ≥ k. La fiecare etaj cele k persoane pot coborî din lift în nk moduri. Pe de
altă parte, la fiecare etaj cele k persoane pot coborî maxim una pe etaj în Akn
Ak
moduri. Deci probabilitatea cerută este kn .
n
A710
În cazul particular n = 10 s, i k = 7 obt, inem probabilitatea = 0.060 .
107
Evident, putem scrie, similar cu problema precedentă,

Ω = {f : {P P 1, P P 2, . . . , P P k} → {E1, E2, . . . , En} : f este funct, ie}

iar numărul cazurilor posibile este deci card (Ω) = nk .


Evenimentul cerut este

A = {f : {P P 1, P P 2, . . . , P P k} → {E1, E2, . . . , En} : f este

funct, ie injectivă }

iar numărul tuturor funct, ii injective este card (A) = Akn .


1.11.7 Numerele 1, 2, . . . , n sunt as, ezate la întâmplare. Care este probabilitatea
ca numerele 1 s, i 2 să fie as, ezate în s, ir în ordine crescătoare s, i consecutive?

Rezolvare:
Cele n numere se pot scrie în n! moduri.
Într-adevăr, formalizăm, văzând mult, imea Ω a tuturor evenimentelor ele-
mentare ca pe o mult, ime de n−upluri:

Ω = {(N P 1, N P 2, . . . , N P n) : N P i ∈ {1, 2, . . . , n} ,

N P i 6= N P j, i, j = 1, n , cu i 6= j}

iar numărul tuturor cazurilor posibile este card (Ω) = n·(n − 1)·. . .·1 = Ann = n!
(deoarece prima pozit, ie a n−uplului are n variante posibile, a doua pozit, ie are
(n − 1) variante posibile etc.).
Evenimentul avut în vedere cont, ine n−upluri în care apare, pe de o parte,
(1, 2) în (n − 1) variante posibile s, i, pe de altă parte, celelalte (n − 2) numere în
1.11. Exerciţii rezolvate 49

(n − 2) pozit, ii posibile, deci în An−2


n−2 = (n − 2)! variante posibile. Prin urmare,
(n − 1) · An−2
n−2 1
card (A) = (n − 1) · An−2n−2 , deci P (A) = n
= .
An n
1.11.8 Într-o cameră întunecoasă sunt cinci perechi de pantofi de aceeas, i mă-
rime. Alegem la întâmplare cinci pantofi. Care este probabilitatea ca printre
pantofii ales, i să fie cel put, in o pereche?

Rezolvare:
5
Avem C10 cazuri posibile de a alege cinci pantofi. Evenimentul contrar, de
a nu fi nici măcar o pereche, are două cazuri favorabile (cinci pantofi stângi sau
2
cinci pantofi drept, i). Deci probabilitatea cerută este 1 − 5 .
C10
1.11.9 Într-o cameră întunecoasă sunt cinci perechi de pantofi de mărimi di-
ferite. Alegem la întâmplare cinci pantofi. Care este probabilitatea ca printre
pantofii ales, i să fie cel put, in o pereche de aceeas, i mărime?

Rezolvare:
Vom studia probabilitatea evenimentului contrar, de a nu fi nici măcar o
5
pereche de aceeas, i mărime. Sunt C10 cazuri posibile. Să presupunem că avem
(D1, D2, D3, D4, D5) s, i (S1, S2, S3, S4, S5) s, i să numărăm cazurile favorabile.
Avem un număr de C55 variante de tipul (D1, D2, D3, D4, D5), apoi C54
variante12 de tipul (D1, D2, D3, D4, S5), apoi C53 variante de tipul (D1, D2,
D3, S4, S5), apoi C52 variante de tipul (D1, D2, S3, S4, S5), apoi C51 variante
de tipul (D1, S2, S3, S4, S5) s, i C50 variante de tipul (S1, S2, S3, S4, S5). Deci
5
numărul cazurilor favorabile este C55 + C54 + C53 + C52 + C51 + C50 = (1 + 1) .
25
Prin urmare, probabilitatea cerută este 1 − 5 .
C10
1.11.10 Într-un tramvai cu trei vagoane urcă nouă pasageri. Care este proba-
bilitatea ca în primul vagon să urce trei persoane? Dar ca în fiecare vagon să
urce trei persoane?

Rezolvare:
Sunt nouă pasageri iar fiecare poate alege oricare din cele trei vagoane, deci
sunt 39 cazuri posibile (fiecare persoană din cele 9 are câte 3 variante posibile).
12 Variantele sunt (D1, D2, D3, D4, S5), (D1, D2, D3, D5, S4), (D1, D2, D4, D5, S3),
(D1, D3, D4, D5, S2), (D2, D3, D4, D5, S1).
50 1. Spaţiu de probabilitate

Trei persoane într-un vagon pot urca în C93 moduri. Dacă trei persoane s-au
urcat în primul vagon, atunci celelalte s, ase pot urca în celelalte două vagoane
în 26 moduri. Deci numărul de cazuri favorabile este C93 ·26 . Prima probabilitate
C 3 · 26
cerută este 9 9 .
3
În ceea ce prives, te al doilea eveniment: trei persoane într-un vagon pot
urca în C93 moduri. Apoi cele s, ase persoane care au rămas pot urca în al doilea
vagon în C63 moduri (deci cele trei persoane rămase pot urca în al treilea vagon
în C33 moduri). Prin urmare, numărul de cazuri favorabile este (vezi s, i Definit, ia
1.15)
9!
C93 · C63 · C33 = = C93,3,3 ,
3! 3! 3!
C 3,3,3
deci a doua probabilitate cerută este 9 9 .
3
1.11.11 Într-un tramvai cu trei vagoane urcă nouă pasageri. Care este proba-
bilitatea ca în primul vagon să urce trei persoane, în al doilea două persoane
s, i în ultimul restul de patru? Dar ca într-un vagon să urce trei persoane, în alt
vagon două persoane s, i în alt vagon patru persoane?

Rezolvare:
Sunt nouă pasageri iar fiecare poate alege oricare din cele trei vagoane, deci
sunt 39 cazuri posibile (fiecare persoană din cele 9 are câte 3 variante posibile).
În ceea ce prives, te primul eveniment: similar, ca la problema precedentă,
numărul de cazuri favorabile este
9!
C93 · C62 · C44 = = C93,2,4 ,
3! 2! 4!
C93,2,4
deci prima probabilitate cerută este .
39
În ceea ce prives, te al doilea eveniment: diferent, a fat, ă de cazul precedent
este că nu se precizează structura vagoanelor. Avem, prin urmare, următoarele
3! posibile structuri în cele trei vagoane:
(3, 2, 4) , (3, 4, 2) , (2, 3, 4) , (2, 4, 3) , (4, 2, 3) , (4, 3, 2) .
Fiecare structură este un eveniment de tipul celui precedent, deci numărul de
cazuri favorabile este
3! · C93,2,4 .
1.11. Exerciţii rezolvate 51

3! · C93,2,4
Prin urmare, a doua probabilitate cerută este .
39
1.11.12 Un prieten organizează o petrecere. Băuturile pe care le-a pregătit sunt:
8 sticle de Fetească neagră, 10 sticle de Merlot s, i 12 sticle de Cabernet (de la diferit, i
producători de vin).
(a) Dacă vrea să servească 3 sticle de Fetească neagră iar ordinea (producătorilor)
este importantă, în câte moduri poate face asta?
(b) Care este probabilitatea să aleagă 6 sticle de vin astfel încât să aibă câte două
sticle din fiecare tip de vin?
(c) Care este probabilitatea să aleagă 6 sticle de vin astfel încât acestea să fie
identice?
1.11.13 Să se determine, în două moduri, numărul tuturor grupelor (de orice
mărime) care se pot forma cu maxim n persoane? Să se deducă apoi identi-
tatea13
1 + Cn1 + . . . + Cnn = 2n .
Rezolvare:

Formalizăm, văzând mult, imea Ω a tuturor evenimentelor elementare ca pe


o mult, ime de n−upluri:

Ω = {(P P 1, P P 2, . . . , P P n) : P P i ∈ {1, 2} , i = 1, n }

(P P i poate să facă parte dintr-un grup sau nu, deci sunt două variante posibile
pentru fiecare P P i).
Astfel numărul tuturor cazurilor posibile este card (Ω) = 2 · 2 · . . . · 2 = 2n .
Pe de altă parte, as, a cum am văzut în Exemplul 1.9, toate submult, imile care
se pot forma cu cele n persoane (considerăm s, i mult, imea vidă) s, i este dată de
1 + Cn1 + . . . + Cnn .
Identificând, obt, inem, folosind astfel analiza combinatorie, următoarea i-
dentitate 1 + Cn1 + . . . + Cnn = 2n .
1.11.14 L. este un student dintr-o grupă de 40 de student, i. Se formează comisii
de câte 3 student, i.
(a) Câte comisii se pot forma?
13 Pentru alte exemple de identităt, i demostrate folosind analiza combinatorie vezi https://www.
math.uaic.ro/∼maticiuc/didactic/Applications_of_Probability_Theory.pdf, Section I.5 s, i I.6
52 1. Spaţiu de probabilitate

(b) Câte comisii în care să fie s, i L. se pot forma? dar în care L. nu este? Să se
deducă identitatea asociată punctelor (a) s, i (b) .
(c) Câte comisii se pot forma în cazul în care comisia este formată dintr-un
pres, edinte, un secretar s, i un cenzor (prin urmare contează ordinea în care sunt
ales, i cei trei membri)?
1.11.15 Într-un lot de 100 de piese 5 sunt defecte. Se aleg la întâmplare 5 piese
din acest lot. Care este probabilitatea ca printre piesele alese cel put, in una să
fie defectă?

Rezolvare:
Să observăm că un sistem complet de evenimente este format de sistemul
de evenimente (Xk )k=0,5 , unde Xk este dat de notat, ia standard

Xk = {k succese, (n − k) es, ecuri}


(1.17)
= {k succese din n încercări}, k = 0, n .
Deci
X0 = {nici o piesă nu este defectă},

X1 = {o piesă este defectă, patru sunt bune},

X2 = {două piese sunt defecte, trei sunt bune},

X3 = {trei piese sunt defecte, două sunt bune},

X4 = {patru piese sunt defecte, una este bună},

X5 = {toate piesele alese sunt defecte}.


Evenimentul cerut este A = X1 ∪ . . . ∪ X5 . Deci
X5
P (A) = P (X1 ∪ . . . ∪ X5 ) = P (Xi ) .
i=1

Pe de altă parte, observăm că P (A) = 1 − P Ā = 1 − P (X0 ) iar P (X0 ) este
mai us, or de calculat.
5 5
Avem C100 moduri în care putem lua câte 5 piese din totalul de 100 s, i C95
moduri în care putem lua câte 5 piese din cele 95 de piese bune. Deci P (X0 ) =
C50 · C95
5
C0 · C5
5 s, i, prin urmare, P (A) = 1 − 5 5 95 .
C100 C100
1.11. Exerciţii rezolvate 53

1.11.16 Din 100 de mere 10 sunt stricate. Scoatem la întâmplare 5 mere. Care
este probabilitatea ca între cele 5 mere să existe s, i mere stricate?

Rezolvare:
Avem că evenimentul contrar, toate cele 5 mere sunt bune, are probabili-
C5 C5
tatea 590 . Probabilitatea cerută este 1 − 590 .
C100 C100
1.11.17 Dacă se aruncă de patru ori un zar14 , care este probabilitatea să apară
cel put, in o dată fat, a s, ase?
Dacă se aruncă două zaruri de 24 de ori, care este probabilitatea să apară cel
put, in o dată fat, a s, ase pe ambele zaruri (i.e. cel put, in o dată dubla (6, 6) )?
Dar să apară cel put, in o dată o fat, ă s, ase (pe cel put, in unul dintre zaruri)?
Dar să apară o singură dată fat, a s, ase?
Să se scrie s, i spat, iul de probabilitate în care se lucrează.

Rezolvare:
Dacă se aruncă de patru ori un zar, atunci numărul rezultatelor posibile
este de 64 . Evenimentul să apară, la patru aruncări, măcar o dată fat, a s, ase este
complementar evenimentului de a nu apărea niciodată fat, a s, ase (apar doar
fet, ele cu 1, 2, 3, 4 sau 5 puncte). Deci numărul rezultatelor posibile să apară
una din cele cinci fet, e, la patru aruncări, este de 54 . Prin urmare, probabilitatea
54
ca la patru aruncări să nu apară niciodată fat, a s, ase este 4 , iar probabilitatea
6
54
să apară măcar o dată fat, a s, ase este atunci 1 − 4 .
6
Dacă se aruncă două zaruri, atunci numărul rezultatelor posibile este 36,
deci dacă se aruncă de 24 de ori, atunci numărul rezultatelor posibile este 3624
(adică 24−upluri în care fiecare pozit, ie este o pereche de fet, e de două zaruri,
deci fiecare pozit, ie are 36 variante posibile).
La o aruncare, numărul posibil de perechi diferite de dubla (6, 6) este 35 s, i
deci, dacă se aruncă de 24 de ori, atunci numărul rezultatelor posibile în care
nu apare niciodată dubla (6, 6) este 3524 (fiecare pozit, ie a 24−uplului are 35
variante posibile). Probabilitatea ca să nu apară, la 24 de aruncări, niciodată
3524
dubla (6, 6) este deci de 24 .
36
14 Vezi s, i rezolvarea Exercit, iului 1.11.51.
54 1. Spaţiu de probabilitate

Prin urmare, probabilitatea ca să apară, la 24 de aruncări, cel put, in o dată


3524
dubla (6, 6) este de 1 − 24 ' 0.4914.
36
La o aruncare, numărul posibil de perechi care nu cont, in fat, a s, ase este 25
(sunt 11 perechi care cont, in măcar o fat, ă de s, ase puncte) deci, dacă se aruncă
de 24 de ori, atunci numărul rezultatelor posibile în care nu apare niciodată o
fat, ă s, ase este 2524 (fiecare pozit, ie a 24−uplului are 25 variante posibile). Prin
urmare, probabilitatea ca să apară, la 24 de aruncări, cel put, in o dată o fat, ă s, ase
2524
este de 1 − 24 ' 0.9998.
36
La o aruncare, numărul posibil de perechi care cont, in fat, a s, ase o singură
dată este 10 iar numărul posibil de perechi care nu cont, in nici o fat, ă s, ase sau
două fet, e s, ase este 26 (sunt 25 variante fără nici o fat, ă cu s, ase puncte s, i 1 vari-
ante cu două fet, e de s, ase puncte). Dacă se aruncă de 24 de ori, atunci numărul
rezultatelor posibile în care apare o singură dată fat, a s, ase este dat de rat, iona-
mentul următor: o pozit, ie a 24−uplului (oricare din cele 24 de pozit, ii) care are
o singură fat, ă cu s, ase puncte are 10 variante posibile; apoi celelalte 23 de pozit, ii
nu mai au voie să cont, ină o singură fat, ă cu s, ase puncte, deci sunt 2623 variante
posibile. Prin urmare, probabilitatea ca să apară, la 24 de aruncări, o singură
23
1 10 · 26
dată fat, a s, ase este C24 .
3624
Să ment, ionam că probabilitatea se poate calcula folosind s, i schema binomi-
10 1 26 23
1
 
ală; astfel probabilitatea cerută este C24 36 36 .

1.11.18 Să definim A ca fiind evenimentul în care fat, a s, ase apare cel put, in o
dată la aruncarea unui zar de 4 ori s, i B ca fiind evenimentul în care fat, a s, ase
apare de cel put, in două ori la aruncarea a două zaruri de 24 de ori (pe perechi
diferite de zaruri, adică excludem aparit, ia dublei (6, 6)). Care dintre cele două
evenimente este mai probabil?

Rezolvare:
 54  2624 1 10 · 26
23
Se arată că P Ā = 4 s, i că P B̄ = 24 + C24 s, i se compară cele
6 36 3624
două valori.

1.11.19 La un joc participă doi jucători. Partida este câs, tigată de jucătorul care
câs, tigă trei jocuri. Dacă jocul este fort, at să se întrerupă la scorul de 2 − 1, atunci
cum trebuie împărt, ită miza?
1.11. Exerciţii rezolvate 55

Rezolvare:
Mai întâi trebuie stabilit criteriul de împărt, ire a mizei. Astfel, se poate pro-
pune ca fiecare jucător să ia o parte din miză proport, ională cu probabilitatea
pe care o are de a câs, tiga jocul, dacă acesta ar continua. Să calculăm aceste
probabilităt, i.
Este evident că dacă se continuă jocul, atunci în maxim două jocuri se poate
stabili câs, tigătorul. Să notăm cu A jucătorul care a câs, tigat două partide s, i
cu B pe cel care a câs, tigat o partidă. Atunci, după cele două jocuri avem pa-
tru posibilităt, i: (A, A) , (A, B) , (B, A) , (B, B) (prima pozit, ie înseamnă cine a
câs, tigat primul joc iar a doua cine a câs, tigat al doilea joc). Deci s, ansele de câs, tig
ale jucătorului A sunt de 3/4, iar ale lui B sunt de 1/4 (iar aceasta este regula
după care trebuie împărt, ită miza).

1.11.20 O urnă cont, ine patru bile albe, dintre care două numerotate cu 1 s, i
două numerotate cu 2, s, i cinci bile negre, dintre care trei numerotate cu 1 s, i
două numerotate cu 2. Se extrage o bilă din urnă. Care este probabilitatea ca
bila extrasă să aibă numărul 1, condit, ionată de faptul că bila extrasă este albă?

Rezolvare:
Să notăm evenimentele A = {bila extrasă este albă} , B = {bila extrasă are
numărul 1}. Atunci P (A) = 4/9, P (B) = 5/9 iar P (A ∩ B) = 2/9. Conform
definit, iei (1.3) a probabilităt, ii condit, ionate, probabilitatea cerută este P (B|A) =
P (A ∩ B) 2/9 2
= = .
P (A) 4/9 4
2
Pe de altă parte, se poate vedea s, i direct că P (B|A) = (sunt 4 cazuri
4
posibile, în care bila este albă, s, i 2 cazuri favorabile).

1.11.21 O urnă cont, ine trei bile albe s, i patru bile negre. Se extrag simultan (i.e.
succesiv s, i fără revenirea în urnă a bilei extrase) două bile din urnă. Care este
probabilitatea ca a doua bilă extrasă să fie albă, în ipoteza că prima este albă?

Rezolvare:
Să folosim notat, ia standard

(1.18) Ai = {la extragerea i apare succesul} , i = 1, 2 ,

adică să notăm cu Ai evenimentul obt, inerii unei bile albe la extragerea i = 1, 2 .
56 1. Spaţiu de probabilitate

Atunci P (A1 ) = 3/7 iar P (A1 ∩ A2 ) = 6/42, deoarece numărul cazurilor


posibile este A27 = 42 iar cel al cazurilor favorabile este A23 = 6. Conform
P (A1 ∩ A2 )
definit, iei (1.3) probabilitatea cerută este dată de P (A2 |A1 ) = =
P (A1 )
1/7
= 1/3 .
3/7
Pe de altă parte, se poate vedea s, i direct (în acest caz este util s, i reprezenta-
rea celor două extrageri sub forma unei structuri de tip arbore) că P (A2 |A1 ) =
2/6 deoarece sunt 6 cazuri posibile (după ce s-a extras prima bilă s, i este albă în
urnă au rămas două bile albe s, i patru bile negre) s, i 2 cazuri favorabile.
1.11.22 O urnă cont, ine 16 bile numerotate de la 1 la 16. Primele trei bile sunt
albe, următoarele zece sunt negre iar ultimele trei sunt ros, ii. Se extrage o bilă
din această urnă. Să notăm evenimentele A = {bila extrasă este neagră}, B =
{bila extrasă are numărul mai mic sau egal decât 9}. Să se calculeze P (A) ,
P (B) , P (A|B) s, i P (B|A) .
Aceleas, i cerint, e în cazul în care eliminăm ultima bilă ros, ie (cea cu numărul
16).

Rezolvare:
 
Avem P (A) = 10/16 , P (B) = 9/16 , P Ā = 6/16 , P B̄ = 7/16 . Avem
s, i P (A ∩ B) = 6/16, deci P (B|A) = 6/10. De asemenea, putem determina s, i
direct P (B|A) = 6/10 iar P B|Ā = 3/6 . Pe de altă parte, P (A|B) = 6/9 iar
P A|B̄ = 4/7. Deci observăm că fiecare din evenimentele A sau B îs, i schimbă
probabilitatea în funct, ie de realizarea sau nu a celuilalt. Deci aceste două sunt
dependente unul de celălalt.
1.11.23 Se aruncă un zar o singură dată. Se consideră evenimentele A = {se
obt, ine una dintre fet, ele 1, 2 sau 3}, B = {se obt, ine una dintre fet, ele 2, 3, 4 sau
5}. Sunt independente cele două evenimente?

Rezolvare:
Avem P (A) = 3/6 , P (B) = 4/6 s, i P (A ∩ B) = 2/6 . Deci este verificată
relat, ia P (A ∩ B) = 3/6 · 4/6 = P (A) · P (B) , ceea ce înseamnă că cele două
evenimente sunt independente.
1.11.24 Doi arcas, i trag asupra unei t, inte. Primul nimeres, te această t, intă cu
probabilitatea de 7/9 iar al doilea cu probabilitatea 9/11. Care este probabili-
tatea ca t, inta să fie atinsă cel put, in o dată?
1.11. Exerciţii rezolvate 57

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 2 , dată de (1.18), adică să notăm cu
Ai evenimentul nimeririi t, intei la de către arcas, ul i = 1, 2 .
Să observăm că aceste evenimente sunt independente dar nu sunt s, i dis-
juncte (sunt compatibile).
Trebuie determinat P (A1 ∪ A2 ) . Folosind (1.4) obt, inem

P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 )


7 9 7 9
= P (A1 ) + P (A2 ) − P (A1 ) P (A2 ) = + − · .
9 11 9 11

1.11.25 Trei arcas, i trag asupra unei t, inte. Primul nimeres, te această t, intă cu
probabilitatea de 2/3, al doilea cu probabilitatea 3/4 iar al treilea cu probabil-
itatea 4/5. Care este probabilitatea15 ca t, inta să fie atinsă de trei ori? Dar pro-
babilitatea ca t, inta să fie atinsă de două ori? Care este probabilitatea ca t, inta să
fie atinsă cel put, in o dată?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 3 , dată de (1.18), adică să notăm cu
Ai evenimentul nimeririi t, intei la de către arcas, ul i = 1, 3 .
Avem P (A1 ) = 2/3, P (A2 ) = 3/4, P (A3 ) = 4/5.
Prima probabilitate cerută este P (A1 ∩ A2 ∩ A3 ) = P (A1 ) · P (A2 ) · P (A3 ) =
2/5 (deoarece evenimentele sunt independente).
A doua probabilitate cerută este a evenimentului A1 ∩ A2 ∩ Ā3 sau A1 ∩ Ā2 ∩
A3 sau Ā1 ∩ A2 ∩ A3 . Cele trei mult, imi de intersect, ie sunt evenimente disjuncte
iar evenimentele A1 , A2 , A3 sunt independente, prin urmare, obt, inem
   
P A1 ∩ A2 ∩ Ā3 ∪ A1 ∩ Ā2 ∩ A3 ∪ Ā1 ∩ A2 ∩ A3
  
= P A1 ∩ A2 ∩ Ā3 + P A1 ∩ Ā2 ∩ A3 + P Ā1 ∩ A2 ∩ A3
  
= P (A1 )·P (A2 )·P Ā3 + P (A1 )·P Ā2 ·P (A3 ) + P Ā1 ·P (A2 )·P (A3 )
2 3 1 2 1 4 1 3 4 13
= · · + · · + · · = .
3 4 5 3 4 5 3 4 5 30
15 Probabilitatea se poate calcula folosind s, i schema lui Poisson.
58 1. Spaţiu de probabilitate

Pentru a treia probabilitate cerută este mai us, or să calculăm probabilitatea
evenimentului contrar lui A1 ∪ A2 ∪ A3 , care este Ā1 ∩ Ā2 ∩ Ā3 . Deci, eveni-
mentele indicate fiind independente, obt, inem
    1 1 1 1
P Ā1 ∩ Ā2 ∩ Ā3 = P Ā1 · P Ā2 · P Ā3 = · · = .
3 4 5 60
Deci probabilitatea evenimentului cerut este
  1
P (A1 ∪ A2 ∪ A3 ) = 1 − P A1 ∪ A2 ∪ A3 = 1 − P Ā1 ∩ Ā2 ∩ Ā3 = 1 − .
60

1.11.26 Fie (Ai )i=1,n un sistem de evenimente cu P (Ai ) = pi , cu i = 1, n . Să se


determine probabilitatea realizării a cel put, in unui eveniment Ai .

Rezolvare:
Să definim X ca fiind evenimentul S care constă în realizarea a cel put, in unui
n
eveniment Ai , i = 1, n . Atunci16 X = i=1 Ai iar acum folosim formula (1.6):
[  X X
P Ai = P (Ai ) − P (Ai ∩ Aj )
1≤i≤n 1≤i≤n 1≤i<j≤n
X n−1
+ P (Ai ∩ Aj ∩ Ak ) − . . . + (−1) P (A1 ∩ . . . ∩ An ) .
1≤i<j<k≤n

1.11.27 Într-o urnă sunt 5 bile albe s, i 5 bile negre. Se scot trei bile (fără revenirea
lor în urnă). Care este probabilitatea17 obt, inerii a trei bile albe? Dar proba-
bilitatea obt, inerii a două bile albe s, i a uneia negre? Care este probabilitatea
obt, inerii a cel put, in două bile albe? Dar a cel put, in unei bile albe?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 3 , dată de (1.18), adică să notăm cu
Ai evenimentul ca bila să fie albă la extragerea i = 1, 3 .
Avem imediat că P (A1 ) = 5/10, P (A2 |A1 ) = 4/9, P (A3 |A1 ∩ A2 ) = 3/8 (în
acest caz este util s, i reprezentarea celor trei extrageri sub forma unei structuri
de tip arbore).
Acum, folosind regula (1.9) de înmult, ire a probabilităt, ilor obt, inem
5 4 3 1
P (A1 ∩ A2 ∩ A3 ) = P (A1 ) · P (A2 |A1 ) · P (A3 |A1 ∩ A2 ) = · · = .
10 9 8 12
16 Vezi s, i rezolvarea Exercit, iului 1.11.46.
17 Probabilitatea se poate calcula folosind s, i schema hipergeometrică.
1.11. Exerciţii rezolvate 59

A doua probabilitate cerută este a evenimentului A1 ∩ A2 ∩ Ā3 sau A1 ∩ Ā2 ∩ A3


sau Ā1 ∩ A2 ∩ A3 . Cele trei mult, imi de intersect, ie sunt evenimente disjuncte,
prin urmare obt, inem
   
P A1 ∩ A2 ∩ Ā3 ∪ A1 ∩ Ā2 ∩ A3 ∪ Ā1 ∩ A2 ∩ A3
  
= P A1 ∩ A2 ∩ Ā3 + P A1 ∩ Ā2 ∩ A3 + P Ā1 ∩ A2 ∩ A3
  
= P (A1 )·P (A2 |A1 )·P Ā3 |A1 ∩ A2 + P (A1 )·P Ā2 |A1 ·P A3 |A1 ∩ Ā2
  
+P Ā1 · P A2 |Ā1 · P A3 |Ā1 ∩ A2
5 4 5 5 5 4 5 5 4 5 5 5 5
= · · + · · + · · = + + = .
10 9 8 10 9 8 10 9 8 36 36 36 12

Într-adevăr, de exemplu, P Ā3 |A1 ∩ A2 = 5/8 este probabilitatea să extragi o
bilă neagră în ipoteza că evenimentul A1 ∩ A2 este
 realizat, adică urna cont, ine
3 bile albe s, i 5 bile negre. Apoi P A3 |A1 ∩ Ā2 = 4/8 este probabilitatea să
extragi o bilă albă în ipoteza că evenimentul A1 ∩ Ā2 este realizat, adică urna
cont, ine 4 bile albe s, i 4 bile negre.
A treia probabilitate cerută este a evenimentului
  
A1 ∩ A2 ∩ Ā3 ∪ A1 ∩ Ā2 ∩ A3 ∪ Ā1 ∩ A2 ∩ A3 ∪ (A1 ∩ A2 ∩ A3 ) .

Se va obt, ine suma celor două probabilităt, i precedente.


Pentru al patrulea eveniment cerut trebuie determinată, mai întâi, probabil-
itatea obt, inerii unei bile albe s, i a două negre:
  
A1 ∩ Ā2 ∩ Ā3 ∪ Ā1 ∩ A2 ∩ Ā3 ∪ Ā1 ∩ Ā2 ∩ A3 .

Evenimentul obt, inerii a cel put, in unei bile albe este atunci
  
A1 ∩ Ā2 ∩ Ā3 ∪ Ā1 ∩ A2 ∩ Ā3 ∪ Ā1 ∩ Ā2 ∩ A3
  
∪ A1 ∩ A2 ∩ Ā3 ∪ A1 ∩ Ā2 ∩ A3 ∪ Ā1 ∩ A2 ∩ A3 ∪ (A1 ∩ A2 ∩ A3 ) ,

iar probabilitatea lui este suma probabilităt, ilor fiecărui termen al reuniunii.
Este mai us, or obt, inerea evenimentului contrar evenimentului
 patru: nu se
obt, ine nici o bilă albă. Acesta este deci Ā1 ∩ Ā2 ∩ Ā3 iar apoi se va calcula
P Ā1 ∩ Ā2 ∩ Ā3 .
60 1. Spaţiu de probabilitate

1.11.28 Motoarele unui avion au probabilitatea 1 − p, unde p ∈ (0, 1), de a se


defecta (independent unul de altul). Pentru ca avionul să termine cursa trebuie
să funct, ioneze cel put, in jumătate dintre motoarele lui.
(a) Dacă avionul are 3 motoare, care este probabilitatea avionul să termine
cursa?
(b) Dacă avionul are 5 motoare, care este probabilitatea avionul să termine
cursa?
(c) Pentru ce valori ale lui p un avion cu 5 motoare are mai multe s, anse să
funct, ioneze decât un avion cu 3 motoare?

1.11.29 Într-un lot de 48 de piese 3 sunt defecte iar în alt lot de 50 de piese 3
sunt defecte. Din fiecare lot se iau câte 3 piese. Care este probabilitatea ca, din
primul lot, primele două piese să fie bune s, i a treia să fie defectă iar, din al
doilea lot, toate trei să fie bune?

Rezolvare:
Să notăm evenimentele:
A = {din primul lot primele două piese luate sunt bune iar a treia este
defectă},
B = {din al doilea lot toate cele 3 piese luate sunt bune},
Ai = {piesa i din primul lot este bună}, i = 1, 3 ,
Bj = {piesa j din al doilea lot este bună}, j = 1, 3 .
Avem, A, B fiind independente, P (A ∩ B) = P (A) · P (B) . Pe de altă parte
 
P (A) = P A1 ∩ A2 ∩ Ā3 = P (A1 ) · P (A2 |A1 ) · P Ā3 |A1 ∩ A2
45 44 3
= · ·
48 47 46
iar

P (B) = P (B1 ∩ B2 ∩ B3 ) = P (B1 ) · P (B2 |B1 ) · P (B3 |B1 ∩ B2 )


47 46 45
= · · .
50 49 48
45 44 3 47 46 45 297
Deci P (A ∩ B) = P (A) · P (B) = · · · · · = .
48 47 46 50 49 48 6273
1.11. Exerciţii rezolvate 61

1.11.30 O urnă cont, ine trei bile albe s, i patru bile negre iar altă urnă cont, ine
patru bile albe s, i cinci bile negre. Se extrage o bilă la întâmplare din una din
cele două urne. Care este probabilitatea ca bila extrasă să fie albă?

Rezolvare:
Să notăm evenimentele

X = {bila aleasă este albă} ,

A1 = {urna aleasă este prima} ,

A2 = {urna aleasă este a doua} = Ā1 .

Este mai dificil de spus imediat cine este P (X) . Dar, conform enunt, ului, avem
3 4
că P (X|A1 ) = , P (X|A2 ) = . Folosind formula probabilităt, ii totale (1.10)
7 9
obt, inem s, i probabilitatea cerută:
1 3 1 4 55
P (X) = P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) = · + · = .
2 7 2 9 126

1.11.31 Într-un depozit se aduc piese de la trei ateliere. Primul are două mas, ini
care fabrică aceste piese s, i dă 3% rebut. Al doilea are două mas, ini s, i dă 2%
rebut. Al treilea are trei mas, ini s, i dă 3% rebut. Care este probabilitatea ca o
piesă luată din depozit, la întâmplare, să fie defectă? (fiecare mas, ină produce
acelas, i număr de piese în unitatea de timp)

Rezolvare:
Avem
X = {piesa aleasă este defectă},

A1 = {piesa provine de la primul atelier},

A2 = {piesa provine de la al doilea atelier},

A3 = {piesa provine de la al treilea atelier}.


Evenimentele A1 , A2 s, i A3 formează un sistem complet de evenimente. Avem
2 2 3
P (A1 ) = , P (A2 ) = , P (A3 ) = .
7 7 7
62 1. Spaţiu de probabilitate

iar
3 2 3
P (X|A1 ) = , P (X|A2 ) = , P (X|A3 ) = .
100 100 100
Deci, folosind formula probabilităt, ii totale (1.10), obt, inem s, i probabilitatea ce-
rută:

P (X) = P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) + P (A3 ) · P (X|A3 )


2 3 2 2 3 3 19
= · + · + · = .
7 100 7 100 7 100 700

1.11.32 O urnă cont, ine trei bile albe s, i patru bile negre iar altă urnă cont, ine
patru bile albe s, i cinci bile negre. Se extrage o bilă la întâmplare din una din
cele două urne. Dacă bila extrasă este albă, care este probabilitatea ca ea să
provină din prima urnă?

Rezolvare:
Se cere P (A1 |X) (vezi notat, iile Exercit, iului 1.11.30). Avem că P (A1 ) =
P (A2 ) = 1/2. Folosind formula (1.11) a lui Bayes obt, inem:

P (A1 ) P (X|A1 )
P (A1 |X) =
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 )
1/2 · 3/7 27
= = .
1/2 · 3/7 + 1/2 · 4/9 55

1.11.33 Un student are trei conturi de e-mail. Cele mai multe dintre mesaje
(mai precis 70%) ajung în primul cont. Alte 20% ajung în contul al doilea iar
10% ajung în cel de-al treilea cont. Dintre mesaje doar 1% sunt de tip spam în
primul cont, iar pentru celelalte conturi ratele sunt de 2% s, i respectiv 5%. Care
este probabilitatea ca un mesaj primit de acel student să fie de tip spam?
Care este probabilitatea ca un mesaj care s-a dovedit a fi un spam să provină
de la al treilea cont?

Rezolvare:
Se foloses, te formula (1.11) a lui Bayes.

1.11.34 La întrebarea de la un examen un student ori s, tie răspunsul ori îl ghi-


ces, te. Fie p probabilitatea ca studentul să s, tie răspunsul. Să presupunem că
probabilitatea ca studentul să răspundă corect în condit, iile în care acesta nu s, tie
1.11. Exerciţii rezolvate 63

răspunsul este de 1/m (unde m este numărul de posibilităt, i alternative). Care


este probabilitatea ca acest student să s, tie răspunsul la întrebarea examenului
în condit, iile în care răspunsul lui este corect?
1.11.35 Într-un depozit se aduc piese de la trei ateliere. Primul are două mas, ini
care fabrică aceste piese s, i dă 3% rebut. Al doilea are două mas, ini s, i dă 2%
rebut. Al treilea are trei mas, ini s, i dă 3% rebut. Din depozit a fost luată o piesă,
la întâmplare, care s-a dovedit a fi defectă. Care este probabilitatea ca piesa
luată din depozit să provină de la al doilea atelier? Dar probabilitatea ca piesa
luată din depozit să provină de la al treilea atelier?

Rezolvare:
Se cer P (A2 |X) s, i P (A3 |X) (vezi notat, iile Exercit, iului 1.11.31). Folosind
formula (1.11) a lui Bayes obt, inem:

P (A2 ) P (X|A2 )
P (A2 |X) =
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + P (A3 ) P (X|A3 )
2/7 · 2/100 4
= =
2/7 · 3/100 + 2/7 · 2/100 + 3/7 · 3/100 19
s, i

P (A3 ) P (X|A3 )
P (A3 |X) =
P (A1 ) P (X|A1 ) + P (A2 ) P (X|A2 ) + P (A3 ) P (X|A3 )
3/7 · 3/100 9
= = .
2/7 · 3/100 + 2/7 · 2/100 + 3/7 · 3/100 19

1.11.36 Patru urne au următoarele distribut, ii: prima urnă cont, ine 7 bile albe s, i
2 bile negre, a doua urnă cont, ine 8 bile albe s, i 4 bile negre, a treia cont, ine 10 bile
albe s, i 12 bile negre iar a patra urnă cont, ine 8 bile albe s, i 12 bile negre. Se ex-
trage o bilă la întâmplare din una din cele patru urne. Care este probabilitatea
de a extrage o bilă albă?
Dacă bila extrasă este albă, care este probabilitatea ca ea să provină din cea
de a treia urnă?

Rezolvare:
Să notăm evenimentele X = {bila aleasă este albă}, Ai = {urna aleasă
este i }, i = 1, 4 . Evenimentele (Ai )i=1,4 formează un sistem complet de eveni-
mente.
64 1. Spaţiu de probabilitate

Avem că P (Ai ) = 1/4, i = 1, 4 iar P (X|A1 ) = 7/9, P (X|A2 ) = 8/12,


P (X|A3 ) = 10/22, P (X|A3 ) = 8/20.
Mai întâi se cere P (X) . Folosind formula probabilităt, ii totale (1.10) obt, inem
P (X) = P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 )
+ P (A3 ) · P (X|A3 ) + P (A4 ) · P (X|A4 )
= 1/4 · 7/9 + 1/4 · 8/12 + 1/4 · 10/22 + 1/4 · 8/20 = 569/990 .
Apoi se cere P (A3 |X) . Folosind formula (1.11) a lui Bayes obt, inem:
P (A3 ) P (X|A3 )
P (A3 |X) =
P (A1 ) P (X|A1 ) + . . . + P (A4 ) P (X|A4 )
1/4 · 10/22 225
= = .
1/4 · 7/9 + 1/4 · 8/12 + 1/4 · 10/22 + 1/4 · 8/20 1138

1.11.37 Un laborator de teste medicale detectează cu probabilitatea de 0.95


prezent, a unei afect, iuni, când afect, iunea este prezentă în realitate. De aseme-
nea, testul este pozitiv pentru 1% dintre cei care fac testul dar care nu au
acea afect, iune. Presupunem că 0.5% din populat, ie are într-adevăr afect, iunea.
Alegem la întâmplare o persoană pentru care testul a fost pozitiv. Care este
probabilitatea ca persoana să aibă într-adevăr afect, iunea avută în vedere?

Rezolvare:
Folosim notat, iile D = {persoana este bolnavă}, T + = {testul este pozitiv}.
Se va determina P (D|T +) folosind formula (1.11) a lui Bayes.
1.11.38 Un magazin de electronice vinde DVD playere de la trei producători
diferit, i, 50% de la firma 1 (cele mai ieftine), 30% sunt de la firma 2, s, i 20% sunt
de la firma 3. Fiecare producător oferă 1 an de garant, ie. Se s, tie că 25% din DVD
playerele de la firma 1 necesită reparat, ii în cadrul garant, ie, iar procentajele
pentru produsele de la firmele 2 s, i 3 sunt de 20% s, i de respectiv 10% .
(a) Care este probabilitatea ca un DVD player cumpărat la întâmplare din ma-
gazin să provină de la firma 2 s, i să necesite reparat, ii în cadrul garant, iei?
(b) Dacă un cumpărător se întoarce în magazin cu un DVD player care nece-
sită reparat, ii în cadrul garant, iei, care este probabilitatea ca acel DVD player să
provină de la firma 3?

Rezolvare:
Se foloses, te formula (1.11) a lui Bayes.
1.11. Exerciţii rezolvate 65

1.11.39 O companie de asigurări lucrează cu două categorii de persoane: cele


care sunt predispuse la accidente s, i cele care nu sunt. Datele indică faptul
că o persoană predispusă la accidente va avea un accident într-o perioadă de
1 an cu probabilitatea 0.1; probabilitatea pentru tot, i ceilalt, i este de 0.05. Să
presupunem că probabilitatea ca un nou asigurat să fie predispus la accidente
este de 0.2.
(a) Care este probabilitatea ca un nou asigurat să aibă un accident în primul
an?
(b) În cazul în care un nou asigurat are un accident în primul an, care este
probabilitatea că acesta să fie predispusă la accidente?

Rezolvare:
Se pot folosi notat, iile A = {noul asigurat este predispus la accidente} s, i
B = {noul asigurat are accidente în primul an}.
1.11.40 Două urne cont, in bile albe s, i negre cu compozit, iile (n, m) s, i respectiv
(r, s) .
(a) Dacă se extrage o bilă la întâmplare din una din urne, care este probabili-
tatea ca bila aleasă să fie albă?
(b) Se extrage o bilă la întâmplare din prima urnă s, i apoi se pune în a doua
urnă. Care este probabilitatea ca o bilă aleasă din urna a doua să fie albă?

Rezolvare:
Se foloses, te formula probabilităt, ii totale (1.10).
1.11.41 Un examen oral la disciplina Probabilităt, i constă în răspusul corect la
un bilet de examinare ales la întâmplare din 25 de bilete. Dintre acestea doar
15 cont, in subiecte învăt, ate de studentul L.. Care este probabilitatea ca L. să
promoveze examenul dacă este primul care alege biletul? Dar dacă este al
doilea? Dar dacă este al treilea student care alege un bilet?
1.11.42 Avem trei loturi de câte 100 de piese. În primul lot trei piese sunt de-
fecte, în al doilea lot patru piese sunt defecte, iar în al treilea lot cinci piese sunt
defecte. Din fiecare lot se ia câte o piesă. Care este probabilitatea obt, inerii a
două piese bune s, i a uneia defecte?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 3 , dată de (1.18), adică să notăm cu
Ai evenimentul extragerii unei piese bune din lotul Li , i = 1, 3 .
66 1. Spaţiu de probabilitate

Acestea sunt evenimente independente. Probabilitatea pi = P (Ai ), deci


p1 = 97/100, p2 = 96/100, p3 = 95/100 s, i respectiv q1 = 1 − p1 = 3/100,
q2 = 4/100, q3 = 5/100. Atunci, conform schemei lui Poisson, probabilitatea
ca două din cele trei piese să fie bune (i.e. k = 2 piese bune s, i (3 − 2) piese
defecte) este coeficientul corespunzător lui x2 din polinomul

Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 )


= p1 p2 p3 x3 + (p1 p2 q3 + p1 p3 q2 + p2 p3 q1 ) x2
+ (p1 q2 q3 + p2 q1 q3 + p3 q1 q2 ) x + q1 q2 q3 ,

adică probabilitatea cerută este p1 p2 q3 + p1 p3 q2 + p2 p3 q1 .


1.11.43 Fie trei urne cu următoarele proport, ii de bile albe s, i negre. Urna U1 :
trei albe s, i patru negre, urna U2 : patru albe s, i cinci negre iar urna U3 : cinci
albe s, i s, ase negre. Dacă din fiecare urnă se extrage câte o bilă atunci care este
probabilitatea ca bilele extrase să fie albe? Care este probabilitatea ca una să fie
albă s, i două negre? Dar probabilitatea ca cele trei bile extrase să fie negre?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 3 , dată de (1.18), adică să notăm cu
Ai evenimentul extragerii unei bile albe din urna Ui , i = 1, 3 .
Acestea sunt evenimente independente. Probabilitatea pi = P (Ai ), deci
p1 = 3/7, p2 = 4/9, p3 = 5/11 s, i respectiv q1 = 1 − p1 = 4/7, q2 = 5/9,
q3 = 6/11.
Atunci probabilitatea ca cele trei bile extrase să fie albe (i.e. k = 3 bile
albe s, i (3 − 3) bile negre) este coeficientul corespunzător lui x3 din polinomul
Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ), adică probabilitatea cerută este p1 p2 p3 .
De asemenea, probabilitatea ca să extragem k = 1 bile albe s, i (3 − 1) bile
negre este coeficientul corespunzător lui x1 din polinomul Q (x), adică proba-
bilitatea cerută este p1 q2 q3 + p2 q1 q3 + p3 q1 q2 .
Probabilitatea ca să extragem k = 0 bile albe s, i (3 − 0) bile negre este coe-
ficientul corespunzător lui x0 din polinomul Q (x), adică probabilitatea cerută
este q1 q2 q3 .
1.11.44 Patru arcas, i trag asupra unei t, inte. Primul atinge t, inta cu probabili-
tatea 2/3, al doilea cu probabilitatea 3/4, al treilea cu probabilitatea 4/5 iar al
patrulea cu probabilitatea 5/6. Care este probabilitatea ca t, inta să fie atinsă de
3 ori?
1.11. Exerciţii rezolvate 67

Care este probabilitatea ca t, inta să fie atinsă de cel put, in 2 ori? Dar proba-
bilitatea ca t, inta să fie atinsă de cel mult 2 ori?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, 4 , dată de (1.18), adică să notăm cu
Ai evenimentul atingerii t, intei de către arcas, ul i, i = 1, 4 .
Acestea sunt evenimente independente. Probabilitatea pi = P (Ai ), deci
p1 = 2/3, p2 = 3/4, p3 = 4/5, p4 = 5/6 s, i respectiv q1 = 1 − p1 = 1/3, q2 = 1/4,
q3 = 1/5, q4 = 1/6.
Să folosim s, i notat, ia standard Xk , k = 0, 4 , dată de (1.17), adică să notăm
cu Xk evenimentul ca t, inta să fie atinsă de k ori, unde k = 0, 4 .
Atunci putem calcula probabilitatea P (X0 ) folosind s, i scrierea lui X0

X0 = Ā1 ∩ Ā2 ∩ Ā3 ∩ Ā4 .

De asemenea, folosind schema lui Poisson (în cazul k = 0 atingeri s, i (4 − 0)


ratări), probabilitatea ca t, inta să nu fie atinsă niciodată este coeficientul cores-
punzător lui x0 din polinomul

Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 ) (p4 x + q4 )


    
2 1 3 1 4 1 5 1
= x+ x+ x+ x+ .
3 3 4 4 5 5 6 6

Deci
1 1 1 1 1
· · · =
P (X0 ) = q1 q2 q3 q4 = .
3 4 5 6 360
Putem calcula probabilitatea P (X1 ) folosind s, i scrierea lui X1
 
X1 = A1 ∩ Ā2 ∩ Ā3 ∩ Ā4 ∪ Ā1 ∩ A2 ∩ Ā3 ∩ Ā4
 
∪ Ā1 ∩ Ā2 ∩ A3 ∩ Ā4 ∪ Ā1 ∩ Ā2 ∩ Ā3 ∩ A4 .

De asemenea, folosind schema lui Poisson (în cazul k = 1 atingeri s, i (4 − 1)


ratări), probabilitatea ca t, inta să fie atinsă o singură dată este coeficientul co-
respunzător lui x1 din polinomul Q (x). Deci

P (X1 ) = p1 q2 q3 q4 + p2 q1 q3 q4 + p3 q1 q2 q4 + p4 q1 q2 q3
2 1 1 1 3 1 1 1 4 1 1 1 5 1 1 1 7
= · · · + · · · + · · · + · · · = .
3 4 5 6 4 3 5 6 5 3 4 6 6 3 4 5 180
68 1. Spaţiu de probabilitate

Putem calcula probabilitatea P (X2 ) folosind s, i scrierea lui X2


 
X2 = A1 ∩ A2 ∩ Ā3 ∩ Ā4 ∪ A1 ∩ Ā2 ∩ A3 ∩ Ā4
 
∪ Ā1 ∩ A2 ∩ A3 ∩ Ā4 ∪ A1 ∩ Ā2 ∩ Ā3 ∩ A4
 
∪ Ā1 ∩ A2 ∩ Ā3 ∩ A4 ∪ Ā1 ∩ Ā2 ∩ A3 ∩ A4 .

De asemenea, folosind schema lui Poisson (în cazul k = 2 atingeri s, i (4 − 2)


ratări), probabilitatea P (X2 ) este coeficientul corespunzător lui x2 din polino-
mul Q (x). Deci

P (X2 ) = p1 p2 q3 q4 + p1 p3 q2 q4 + p2 p3 q1 q4 + p1 p4 q2 q3
+ p2 p4 q1 q3 + p3 p4 q1 q2
2 3 1 1 2 4 1 1 3 4 1 1
= · · · + · · · + · · ·
3 4 5 6 3 5 4 6 4 5 3 6
2 5 1 1 3 5 1 1 4 5 1 1 71
+ · · · + · · · + · · · = .
3 6 4 5 4 6 3 5 5 6 3 4 360
Putem calcula probabilitatea P (X3 ) folosind s, i scrierea
 
X3 = A1 ∩ A2 ∩ A3 ∩ Ā4 ∪ A1 ∩ A2 ∩ Ā3 ∩ A4
 
∪ A1 ∩ Ā2 ∩ A3 ∩ A4 ∪ Ā1 ∩ A2 ∩ A3 ∩ A4 .

De asemenea, folosind schema lui Poisson (în cazul k = 3 atingeri s, i (4 − 3)


ratări), probabilitatea P (X3 ) este coeficientul corespunzător lui x3 din polino-
mul Q (x). Deci

P (X3 ) = p1 p2 p3 q4 + p1 p2 p4 q3 + p1 p3 p4 q2 + p2 p3 p4 q1
2 3 4 1 2 3 5 1 2 4 5 1 3 4 5 1 77
= · · · + · · · + · · · + · · · = .
3 4 5 6 3 4 6 5 3 5 6 4 4 5 6 3 180
Apoi X4 = A1 ∩ A2 ∩ A3 ∩ A4 . Folosind schema lui Poisson (în cazul k =
4), probabilitatea P (X4 ) este coeficientul corespunzător lui x4 din polinomul
Q (x). Deci
2 3 4 5 2
P (X4 ) = p1 p2 p3 p4 = · · · = .
3 4 5 6 6
Să definim Y ca fiind evenimentul ca t, inta să fie atinsă de cel put, in 2 ori.
Atunci Y = X2 ∪ X3 ∪ X4 iar (Xi )i=0,4 sunt evenimente disjuncte, deci P (Y ) =
P (X2 ∪ X3 ∪ X4 ) = P (X2 ) + P (X3 ) + P (X4 ), s, i se vor folosi rezultatele prece-
dente.
1.11. Exerciţii rezolvate 69

Să definim Z ca fiind evenimentul ca t, inta să fie atinsă de cel mult 2 ori.
Atunci Z = X0 ∪ X1 ∪ X2 , deci P (Z) = P (X0 ∪ X1 ∪ X2 ) = P (X0 ) + P (X1 ) +
P (X2 ), s,i se vor folosi rezultatele precedente (sau Z̄ = X3 ∪ X4 iar P (Z) =
1 − P Z̄ = 1 − P (X3 ) − P (X4 )).
Să observăm în final că evenimentele (Xi )i=0,4 formează un sistem complet,
S5
deci i=0 Xi = Ω (cu valorile obt, inute mai sus se poate face proba că, într-
P5
adevăr, i=0 P (Xi ) = 1 ).
1.11.45 Trei arcas, i trag asupra unei t, inte. Probabilitatea să atingă t, inta este
pentru fiecare arcas, în parte p1 , p2 s, i respectiv p3 . După trageri s-a constatat
că t, inta a fost atinsă o singură dată. Care este probabilitatea ca t, inta să fi fost
atinsă de primul arcas, ?

Rezolvare:
Fie Ai evenimentul nimeririi t, intei de către arcas, ul i, cu i = 1, 3 s, i B eveni-
mentul că un singur arcas, nimeres, te t, inta.
P (A1 ∩ B)
Se cere P (A1 |B) care este dată de formula P (A1 |B) = .
P (B)
Mai întâi observăm că are loc A1 ∩ B = A1 ∩ Ā2 ∩ Ā3 , deci, evenimentele
fiind independente,
  
P (A1 ∩ B) = P A1 ∩ Ā2 ∩ Ā3 = P (A1 ) P Ā2 P Ā3 = p1 q2 q3 ,

unde q2 = 1 − p2 , q3 = 1 − p3 .
Pe de altă parte P (B) se obt, ine din schema lui Poisson s, i este egală cu coe-
ficientul lui x1 din polinomul

Q (x) = (p1 x + q1 ) (p2 x + q2 ) (p3 x + q3 )


= p1 p2 p3 x3 + (p1 p2 q3 + p1 p3 q2 + p2 p3 q1 ) x2
+ (p1 q2 q3 + p2 q1 q3 + p3 q1 q2 ) x + q1 q2 q3 .
p1 q2 q3
Deci probabilitatea cerută este P (A1 |B) = .
p1 q2 q3 + p2 q1 q3 + p3 q1 q2
Similar se pot determina probabilităt, ile P (A2 |B) s, i P (A3 |B) .
Să ment, ionăm că putem utiliza s, i formula lui Bayes:

P (A1 ) P (B|A1 )
P (A1 |B) = ,
P (A1 ) P (B|A1 ) + P (A2 ) P (B|A2 ) + P (A3 ) P (B|A3 )
70 1. Spaţiu de probabilitate

unde   
P (B|A1 ) = P Ā2 ∩ Ā3 = P Ā2 · P Ā3 = q2 q3 ,
  
P (B|A2 ) = P Ā1 ∩ Ā3 = P Ā1 · P Ā3 = q1 q3 ,
  
P (B|A3 ) = P Ā1 ∩ Ā2 = P Ā1 · P Ā2 = q1 q2 .

1.11.46 Într-o t, intă trag simultan n arcas, i, în condit, ii identice, fiecare având
probabilitatea pi , i = 1, n , de a nimeri t, inta. Care este probabilitatea ca t, inta
să fie atinsă (de cel put, in un arcas, )?
Care este probabilitatea ca t, inta să fie atinsă de cel put, in 3 ori? Dar proba-
bilitatea ca t, inta să fie atinsă de cel mult 3 ori?

Rezolvare:
Să folosim notat, ia standard Ai , i = 1, n , dată de (1.18), adică să notăm cu
Ai evenimentul atingerii t, intei de către arcas, ul i, i = 1, n .
Acestea sunt evenimente independente (dar sunt s, i compatibile) cu proba-
bilităt, ile P (Ai ) = pi .
Să folosim s, i notat, ia standard Xk , k = 0, n , dată de (1.17), adică să notăm
cu Xk este evenimentul ca t, inta să fie atinsă de k ori, unde k = 0, n . Acestea
sunt evenimente incompatibile.
Fie X evenimentul ca t, inta să fie atinsă cel put, in o dată. Atunci, evident,
evenimentul X̄ ca t, inta să nu fie atinsă deloc se poate scrie în două moduri:

X̄ = X0 sau X̄ = Ā1 ∩ Ā2 ∩ . . . ∩ Ān .

Deci, X se poate s, i el scrie în două moduri:

X = X̄0 = X1 ∪ X2 ∪ . . . ∪ Xn sau

X = A1 ∪ A2 ∪ . . . ∪ An = Ā1 ∩ Ā2 ∩ . . . ∩ Ān ,

deoarece (Xk )k=0,n constituie un sistem complet de evenimente (s, i deci Ω =


Sn
k=0 Xk ).
Sn 
Pentru calculul probabilităt, ii P i=1 Ai folosim (1.6):
[n  X X
P Ai = pi − pi pj
i=1 1≤i≤n 1≤i<j≤n
1.11. Exerciţii rezolvate 71
X
(1.19) + pi pj pk − . . .
1≤i<j<k≤n
n−1
+ (−1) p1 p2 . . . pn−1 pn .

Putem calcula s, i probabilitatea evenimentului complementar X̄. Deci


 \n  Yn
P (X) = 1 − P X̄ = 1 − P (X0 ) = 1 − P Āi = 1 − qi ,
i=1 i=1

unde qi = 1 − pi .
Dacă se fac calculele se va obt, ine exact formula (1.19):
Yn X X
P (X) = 1 − (1 − pi ) = pi − pi pj
i=1 1≤i≤n 1≤i<j≤n
X n−1
+ pi pj pk − . . . + (−1) p1 p2 . . . pn−1 pn .
1≤i<j<k≤n

Fie Y evenimentul ca t, inta să fie atinsă cel put, in de trei ori. Atunci
[n
Y = X3 ∪ X4 ∪ . . . ∪ Xn = Xj .
j=3

Fie Z evenimentul ca t, inta să fie atinsă cel mult de trei ori. Atunci

Z = X0 ∪ X1 ∪ X2 ∪ X3 .

Obt, inem
[n  Xn
P (Y ) = P Xj = P (Xj )
j=3 j=3
X3
P (Z) = P (X0 ∪ X1 ∪ X2 ∪ X3 ) = P (Xj ) .
j=0

Probabilitatea P (Xk ), k = 0, n , se obt, ine din schema lui Poisson s, i este egală
cu coeficientul lui xk din polinomul
Yn
Q (x) = (pi x + qi ) .
i=1

Deci X
P (Xk ) = pi1 pi2 . . . pik qik+1 qik+2 . . . qin .

1.11.47 Doi arcas, i trag asupra unei t, inte. Probabilitatea fiecăruia de a nimeri
t, inta este de 1/3. Care este probabilitatea ca t, inta să fie atinsă cel put, in o dată?
72 1. Spaţiu de probabilitate

Rezolvare:
Vom considera evenimentul contrar Ā care este evenimentul ca t, inta să nu
 2
fie atinsă de un arcas, . Probabilitatea P Ā = . Repetăm experient, a de n = 2
3
ori s, i să definim X ca fiind evenimentul ca Ā să apară de k = 2 ori. Conform
schemei binomiale, probabilitatea ca ambii să nu nimerească t, inta este P (X) =
 2  0  2  2
2 1 2 2
C22 = . Probabilitatea cerută va fi atunci 1 − .
3 3 3 3
1.11.48 Dintr-un lot de 1000 piese, alegem la întâmplare 100 de piese (punând
de fiecare dată piesa înapoi). S, tiind că 2% dintre piese sunt defecte, care este
probabilitatea ca printre piesele alese cel put, in 3 să fie defecte?

Rezolvare:
Evenimentul A constă în alegerea unei piese defecte iar p = P (A) = 0.02.
Avem 3 ≤ k ≤ 20 s, i n = 100. Atunci probabilitatea evenimentului cerut este,
conform schemei binomiale,
X20 k 100−k
k
P (X) = C100 (0.02) (0.98) .
k=3

Se poate determina s, i probabilitatea evenimentului contrar, de a obt, ine maxim


două piese defecte. Astfel
X2 k 100−k
k
P(X̄) = C100 (0.02) (0.98)
k=0
0 0 100 1 1 99 2 2 98
= C100 (0.02) (0.98) + C100 (0.02) (0.98) + C100 (0.02) (0.98)
100 99 100 · 99 2 98
= (0.98) + 100 · 0.02 · (0.98) + (0.02) (0.98) = 0.677,
2
deci P (X) = 0.323.
1.11.49 Se consideră experient, a aruncării a două zaruri de opt ori. Care este
probabilitatea obt, inerii sumei 7 de trei ori?

Rezolvare:
Să definim A ca fiind evenimentul aparit, iei sumei 7 la aruncarea unei pe-
rechi de zaruri. Probabilitatea p = P (A) = 6/36 (sunt 36 de perechi posibile
s, i 6 perechi sunt favorabile). Avem k = 3 s, i n = 8. Atunci, conform schemei
 3  5
1 5
binomiale, P (X) = C83 .
6 6
1.11. Exerciţii rezolvate 73

1.11.50 O urnă cont, ine 10 bile albe s, i 4 bile negre. Din această urnă se fac
extrageri cu revenire.
(a) Să se determine probabilitatea ca primele k bile extrase să fie toate albe;
(b) Să se determine probabilitatea ca în primele k bile extrase să fie o singură
bilă albă;
(c) Se fac extrageri repetate până când apare prima bilă albă. Sa se calculeze
probabilitatea evenimentului de a se face k extrageri până când apare prima
bilă albă;
(d) Se fac extrageri repetate până când apar primele două bile albe. Sa se cal-
culeze probabilitatea evenimentului de a se face k extrageri până când apar
primele două bile albe;
(e) Se fac extrageri repetate până când apar primele trei bile albe. Sa se cal-
culeze probabilitatea evenimentului de a se face k extrageri până când apar
primele trei bile albe.

Rezolvare:
Se foloses, te schema binomială. Este utilă s, i notat, ia standard Ai , i ∈ N∗ ,
dată de (1.18), adică Ai este evenimentul obt, inerii unei bile albe la extragerea
i ∈ N∗ . Acestea sunt evenimente independente iar P (Ai ) = 10 ∗
14 , pentru i ∈ N .
(c) Evenimentul cerut este

X = Ā1 ∩ Ā2 ∩ . . . ∩ Āk−1 ∩ Ak .

Vezi s, i Remarca 2.135 din cadrul Distribut, iei geometrice.


(d) Evenimentul cerut este
X = A ∩ Ak ,
unde A este evenimentul obt, inerii unei singure bile albe în primele (k − 1)
extrageri.
 1  k−1
1 10 4
Conform schemei binomiale, obt, inem P(A) = Ck−1 .
14 14
Vezi s, i Remarca 2.143 din cadrul Distribut, iei binomiale cu exponent nega-
tiv.
1.11.51 Dacă se aruncă de patru ori un zar18 , care este probabilitatea să apară
cel put, in o dată fat, a unu?
18 Vezi s, i rezolvarea Exercit, iului 1.11.17.
74 1. Spaţiu de probabilitate

Dacă se aruncă două zaruri de 24 de ori, care este probabilitatea să apară cel
put, in o dată fat, a unu pe ambele zaruri (i.e. cel put, in o dată dubla (1, 1) )?
Dar cel put, in de două ori fat, a unu pe ambele zaruri (i.e. cel put, in de două ori
dubla (1, 1) )?
Dar cel put, in de două ori fat, a unu (pe cel put, in unul din cele două zaruri) (i.e.
cel put, in o dată fat, a unu pe cel put, in două perechi de zaruri)?
Dar cel put, in de două ori fat, a unu (pe unul singur din cele două zaruri) (i.e. o
singură fat, ă unu pe cel put, in două perechi de zaruri)?

Rezolvare:
În primul caz, fie A evenimentul de a apărea fat, a unu. Atunci Ā este eveni-
mentul de a nu apărea  fat, a unu (deci Ā este evenimentul de a apărea doar
celalte fet, e), iar P Ā = 5/6. Repetăm experient, a de n = 4 ori s, i să definim X
ca fiind evenimentul ca Ā să apară de k = 4 ori. Conform schemei binomiale,
 4  0  4
4 5 1 5
P (X) = C4 = .
6 6 6
 4
5
Deci probabilitatea să apară măcar o dată fat, a unu este 1 − ' 0.5178.
6

În al doilea caz, fie B evenimentul de a apărea fat, a unu pe ambele zaruri.


Atunci B̄ este evenimentul de a nu apărea fat, a unu pe ambele zaruri, iar P(B̄) =
35
. Repetăm experient, a de n = 24 ori s, i să definim Y ca fiind evenimentul ca
36
B̄ să apară de k = 24 ori. Conform schemei binomiale,
 24  0
24 35 1
P (Y ) = C24 .
36 36
Evident putem gândi similar Y ca fiind evenimentul ca B să apară de k = 0 ori,
 0  24
0 1 35
deci P (Y ) = C24 . Prin urmare, probabilitatea să apară măcar
36 36
 24
35
o dată fat, a unu pe ambele zaruri este 1 − ' 0.4914.
36

În al treilea caz, fie C evenimentul de a apărea fat, a unu pe ambele zaruri,


1
iar P (C) = . Repetăm experient, a de n = 24 ori s, i să definim Z ca fiind
36
1.11. Exerciţii rezolvate 75

evenimentul ca C să apară de k = 0 sau de k = 1 ori. Conform schemei bino-


 0  24  1  23
0 1 35 1 1 35
miale, P (Z) = C24 + C24 . Deci probabilitatea
36 36 36 36
 24
35
să apară cel put, in de două ori fat, a unu pe ambele zaruri este 1 − −
36
   23
1 35
24 ' 0.1427.
36 36

În al patrulea caz, fie D evenimentul de a apărea fat, a unu, pe cel put, in unul
11
dintre cele două zaruri. Avem P (D) = . Repetăm experient, a de n = 24 ori s, i
36
să definim T ca fiind evenimentul ca D să apară de k = 0 sau de k = 1 ori. Con-
 0  24  1  23
0 11 25 1 11 25
form schemei binomiale, P (T ) = C24 + C24 .
36 36 36 36
Deci probabilitatea să apară cel put, in o dată fat, a unu pe cel put, in două perechi
 24  23
25 11 25
de zaruri este 1 − − 24 ' 0.9943.
36 36 36

În al cincilea caz, fie E evenimentul de a apărea fat, a unu, pe un singur zar


10
dintre cele două zaruri. Avem P (E) = . Repetăm experient, a de n = 24 ori s, i
36
să definim U ca fiind evenimentul ca E să apară de k = 0 sau de k = 1 ori. Con-
 0  24  1  23
0 10 26 1 10 26
form schemei binomiale, P (T ) = C24 + C24 .
36 36 36 36
Deci probabilitatea să apară o singură fat, ă unu pe cel put, in două perechi de
 24  23
26 10 26
zaruri este 1 − − 24 ' 0.986.
36 36 36
1.11.52 Un arcas, trage asupra unei t, inte s, i o atinge cu probabilitatea 0.8. Dacă
trage de 10 ori, atunci care este probabilitatea ca t, inta să fie atinsă de 5 ori?
Care este probabilitatea ca t, inta să fie atinsă de cel mult 3 ori? Dar de cel
put, in 8 ori?

Rezolvare:
Să folosim s, i notat, ia standard Xk , k = 0, 10 , dată de (1.17), adică să notăm
cu Xk este evenimentul ca t, inta să fie atinsă de k ori, unde k = 0, 10 . Acestea
sunt evenimente incompatibile.
k k 10−k
Atunci P (Xk ) = C10 (0.8) (0.2) .
76 1. Spaţiu de probabilitate

Primul eveniment cerut este X5 iar

5 5 5 10! 5 5
P (X5 ) = C10 (0.8) (0.2) = (0.8) (0.2) = 0.026.
5! · 5!
Al doilea eveniment este X = X0 ∪ X1 ∪ X2 ∪ X3 iar P (X) = P (X0 ) + P (X1 ) +
P3 k k 10−k
P (X2 ) + P (X3 ) = k=0 C10 (0.8) (0.2) .
Al treilea eveniment este Y = X8 ∪ X9 ∪ X10 iar P (X) = P (X8 ) + P (X9 ) +
P10 k k 10−k
P (X10 ) = k=8 C10 (0.8) (0.2) .

1.11.53 Într-o urnă sunt 2n bile, dintre care n bile albe s, i n bile negre. Se extrag
n bile deodată. Care este probabilitatea extragerii a k bile albe?
Să se deducă apoi identitatea19
2 2 2 2 2
Cn0 + Cn1 + Cn2 + . . . + Cnn−1 + (Cnn ) = C2n
n
.

Rezolvare:
Să folosim s, i notat, ia standard Xk , k = 0, n , dată de (1.17), adică să notăm
cu Xk este evenimentul ca să fie extrase k bile albe s, i (n − k) bile negre. Atunci,
conform schemei hipergeometrice,
2
Cnk · Cnn−k Cnk
P (Xk ) = n = n .
C2n C2n

Pe de altă parte, evenimentele (Xk )k=0,n formează un sistem complet de eveni-


mente. Prin urmare,
[ n  Xn
1 = P (Ω) = P Xk = P (Xk ) .
k=0 k=0

Deci, ca o consecint, ă, vom obt, ine20


2
Xn Cnk 2 2 2 2
n =1 ⇔ Cn0 + Cn1 + Cn2 + . . . + (Cnn ) = C2n
n
.
k=0 C2n
19 Identitatea se poate demostra folosind s, i analiza combinatorie (vezi tipul de abordare din E-
xemplul 1.80).
20 Să observăm că identitatea cerută se poate obt, ine s, i direct din identificarea coeficient, ilor lui xn
din scrierea (a + b)n (a + b)n = (a + b)2n .
1.11. Exerciţii rezolvate 77

1.11.54 Într-un lot de (n + m) piese, n sunt conform standardelor s, i m piese


nu. S-au controlat k ≤ n + m piese (prin extragearea simultană a k piese). Care
este probabilitatea ca dintre cele k piese, r ≤ k să fie conform standardelor?
Să se arate că, pentru orice21 n, m, k ∈ N∗ astfel încât k ≤ n + m, au loc
identităt, ile22 :

Cn(k−m)∨0 · Cm
k−(k−m)∨0
+ Cn(k−m)∨0+1 · Cm
k−(k−m)∨0−1
+ ...
(1.20)
+Cnk∧n · Cm
k−k∧n k
= Cn+m

s, i
2 2 2 2
Cn0 + Cn1 + Cn2 + . . . + (Cnn ) = C2n
n
.

Rezolvare:
Fie numărul natural r astfel încât

0 ≤ r ≤ k, 0≤k−r ≤k s, i

0 ≤ r ≤ n, 0 ≤ k − r ≤ m.

Vom obt, ine


0 ∨ (k − m) ≤ r ≤ k ∧ n.
Vezi notat, ia standard (1.17): fie Xr evenimentul de a extrage r piese conform
standardelor s, i (k − r) piese necorespunzătoare. Atunci, conform schemei hi-
pergeometrice,

Cnr · Cm
k−r
P (Xr ) = k
, r = 0 ∨ (k − m) , k ∧ n .
Cn+m

Pe de altă parte, evenimentele (Xr )r=0∨(k−m),k∧n formează un sistem complet


de evenimente. Prin urmare,
[  X
k∧n k∧n
1 = P (Ω) = P Xr = P (Xr ) .
r=0∨(k−m) r=0∨(k−m)

21 Operatorii binari ∧ şi ∨ sun definit, i de a ∧ b = min{a, b} s, i respectiv a ∨ b = max{a, b}.


22 Identitatea se poate demostra folosind s, i analiza combinatorie (vezi tipul de abordare din E-
xemplul 1.80).
78 1. Spaţiu de probabilitate

Deci, ca o consecint, ă, am obt, inut următoarea identitate23


Xk∧n Cnr · Cm
k−r

k
=1
r=0∨(k−m) Cn+m

sau, echivalent24 ,
0∨(k−m) k−0∨(k−m) 0∨(k−m)+1 k−0∨(k−m)−1
Cn · Cm + Cn · Cm + ...
(1.21)
+Cnk∧n · Cm
k−k∧n k
= Cn+m .

Deoarece 0 ∨ (k − m) = k − (k ∧ m) , să observăm că putem scrie s, i sub forma

Xk∧n k−r
Cnr · Cm
k
=1
r=k−(k∧m) Cn+m

sau, echivalent,

Cnk−(k∧m) · Cm
k∧m
+ Cnk−(k∧m)+1 · Cm
(k∧m)−1
+ . . . + Cnk∧n · Cm
k−k∧n k
= Cn+m .

Ment, ionăm că formula (1.21) în cazul în care n = m = k devine:


2 2 2 2
Cn0 + Cn1 + Cn2 + . . . + (Cnn ) = C2n
n
,

în cazul în care k ≤ n ∧ m devine:

Cn0 · Cm
k
+ Cn1 · Cm
k−1
+ . . . + Cnk · Cm
0 k
= Cn+m ,

în cazul n < k ≤ m devine:

Cn0 · Cm
k
+ Cn1 · Cm
k−1
+ . . . + Cnn · Cm
k−n k
= Cn+m ,
23 Să observăm că identitatea cerută se poate obt, ine s, i direct din identificarea coeficient, ilor lui xk
din scrierea (a + b)n (a + b)m = (a + b)n+m .
24 În ceea ce prives, te restrict, iile asupra coeficient, ilor, să reamintim convent, ia:
Cba = 0 ori de câte ori a < 0 sau a > b.
Cu această convent, ie formula (1.21) se poate scrie sub forma mai simplă
Xn+m
r k−r k
Cn · Cm = Cn+m .
r=0
1.11. Exerciţii rezolvate 79

în cazul m < k ≤ n devine:


Cnk−m · Cm
m
+ Cnk−m+1 · Cm
m−1
+ . . . + Cnk · Cm
0 k
= Cn+m ,
iar în cazul n ∨ m < k ≤ n + m devine:
Cnk−m · Cm
m
+ Cnk−m+1 · Cm
m−1
+ Cnk−m+2 · Cm
m−2
+ . . . + Cnn · Cm
k−n k
= Cn+m .

1.11.55 Într-un set de 100 de bilete există 3 bilete câs, tigătoare. Un jucător cum-
pără 40 de bilete. Care este probabilitatea ca să cumpere un bilet câs, tigător?
Dar probabilitatea ca el să cumpere cel put, in un un bilet câs, tigător?
Rezolvare:
Vezi notat, ia standard (1.17): fie Xr evenimentul de a extrage r bilete câs, ti-
gătoare s, i a (40 − r) bilete necâs, tigătoare, r = 40 − (40 ∧ 96) , 40 ∧ 3 = 0, 3 .
Probabilitatea de a avea 1 bilet câs, tigător este, conform schemei hipergeo-
C 1 · C 39
metrice, P (X1 ) = 3 40 97 .
C100
Evenimentul de a extrage cel put, in 1 un bilet câs, tigător este X1 ∪ X2 ∪ X3 ,
iar probabilitatea este dată de
P (X1 ∪ X2 ∪ X3 ) = P (X1 ) + P (X2 ) + P (X3 )
C31 · C97
39
C 2 · C 38 C 3 · C 37
= 40 + 3 40 97 + 3 40 97 .
C100 C100 C100
Să observăm că evenimentele (Xr )r=0,3 formează un sistem complet de eveni-
mente. Prin urmare,
[  X
3 3
1 = P (Ω) = P Xr = P (Xr ) .
r=0 r=0

40−r
C3r · C97
Dar P (Xr ) = 40 . Prin urmare, obt, inem următoarea identitate25 :
C100
40−r
X3 C3r · C97
40 =1
r=0 C100
40−1 40−2 40−3
⇔ C30 · C97
40
+ C31 · C97 + C32 · C97 + C33 · C97 40
= C100 ,
care este formula (1.20) scrisă în cazul 3 = n < k = 40 ≤ m = 97.
25 Identitatea se poate demostra folosind s, i analiza combinatorie (vezi tipul de abordare din E-
xemplul 1.80).
80 1. Spaţiu de probabilitate

1.11.56 Într-o urnă sunt 20 de bile, dintre care 8 bile albe s, i 12 bile negre. Se
extrag 6 bile deodată. Care este probabilitatea extragerii a r bile albe? Să se
deducă apoi valoarea sumei de tipul r Cnr Cm k−r
P
.

Rezolvare:
Se foloses, te schema hipergeometrică.

1.11.57 Într-un set de 12 bilete există 8 bilete câs, tigătoare. Un jucător cumpără
5 bilete. Să se deducă identitatea (1.20).

Rezolvare:
Vezi notat, ia standard (1.17): fie Xr evenimentul de a extrage r bilete câs, ti-
gătoare s, i a (5 − r) bilete necâs, tigătoare, cu r = 5 − (5 ∧ 4) , 5 ∧ 8 = 1, 5 .
Să observăm că evenimentele (Xr )r=1,5 formează un sistem complet de
evenimente. Prin urmare,
[  X
5 5
1 = P (Ω) = P Xr = P (Xr ) .
r=1 r=1

C8r · C45−r
Dar P (Xr ) = 5 . Astfel vom obt, ine identitatea
C12

X5 C8r · C45−r
5 =1
r=1 C12

sau, echivalent,

C81 · C44 + C82 · C43 + C83 · C42 + C84 · C41 + C85 · C40 = C12
5
,

care este formula (1.20) scrisă în cazul în care 4 = m < k = 5 ≤ n = 8.

1.11.58 Dintr-un lot de 1000 piese, alegem la întâmplare 100 de piese. S, tiind că
2% dintre piese sunt defecte, care este probabilitatea ca printre piesele alese cel
put, in 3 să fie defecte?

Rezolvare:
Conform enunt, ului, cele 100 de piese sunt luate simultan (adică succesiv,
fără revenire), deci trebuie folosită schema hipergeometrică.
1.11. Exerciţii rezolvate 81

1.11.59 Un departament al unei universităt, i are 25 de imprimante, dintre care


20 sunt de tip laser, iar restul de tip inkjet (i.e. cu cerneală). Un tehnician alege,
la întâmplare, pentru control, 6 dintre ele. Care este probabilitatea ca 3 impri-
mante din cele 6 alese să fie de tip inkjet? Dar ca cel put, in 4 imprimante să fie
P tipj inkjet?
de
k−j
Să se deducă, în cadrul problemei date, valoarea sumei de tipul
C C
j n m .

Rezolvare:
Se foloses, te schema hipergeometrică.

1.11.60 Într-un set de 52 de bile, 4 sunt albe. Bilele se împart în patru grupe
egale. Care este probabilitatea ca fiecare grupă să cont, ină o bilă albă?

Rezolvare:
Grupele sunt de câte 13 bile. Probabilitatea ca prima grupă să cont, ină o bilă
C 1 · C 12
albă este, conform schemei hipergeometrice, P (A1 ) = 4 13 48 .
C52
Să observăm că cele patru evenimente A1 , A2 , A3 s, i A4 nu sunt indepen-
dente (notat, iile sunt cele standard).
După formarea primei grupe au rămas 39 de bile dintre care 3 albe. În
această condit, ie, probabilitatea ca a doua grupă să cont, ină o bilă albă este
C 1 · C 12
P (A2 |A1 ) = 3 13 36 .
C39
După formarea celei de doua grupe au rămas 26 de bile dintre care 2 albe.
În aceste condit, ii, probabilitatea ca a treia grupă să cont, ină o bilă albă26 este
C 1 · C 12
P (A3 |A1 ∩ A2 ) = 2 13 24 .
C26
Probabilitatea cerută este atunci

P (A1 ∩ A2 ∩ A3 ) = P (A3 |A1 ∩ A2 ) · P (A2 |A1 ) · P (A1 )


C41 · C48
12
C31 · C36
12
C21 · C24
12
= 13 · 13 · 13 .
C52 C39 C26
26 Să observăm că, în condit, iile problemei, probabilitatea ca a patra grupă formată să cont, ină o
C 1 · C 12
bilă albă este P (A4 |A1 ∩ A2 ∩ A3 ) = 1 13 12 = 1.
C13
82 1. Spaţiu de probabilitate

1.11.61 Într-un lot de 100 de piese 8 sunt defecte iar în alt lot de 120 de piese
9 sunt defecte. Din unul din aceste loturi, luat la întâmplare, se iau 10 piese.
Care este probabilitatea ca între piesele alese să fie 8 bune?

Rezolvare:
Să notăm evenimentele A = {piesele sunt luate din primul lot} s, i B = {din
piesele luate, 8 sunt bune}.
Atunci, conform formulei probabilităt, ii totale (1.10), avem că
 
P (B) = P (A) · P (B|A) + P Ā · P B|Ā ,

deoarece A, Ā formează un sistem complet de evenimente.
Conform schemei hipergeometrice avem
8
C92 C82  C 8 C92
P (B|A) = 10 s, i P B|Ā = 111
10 .
C100 C120
Deci
8
1 C92 C82 8
1 C111 C92
P (B) = 10 + 10 .
2 C100 2 C120
1.11.62 Jucătorul A are a lei iar jucătorul B are b lei. Jocul constă într-o serie
de partide în care cel care câs, tigă dă un leu partenerului. Jocul continuă până
când unul dintre jucători pierde tot, i banii. Presupunem că s, ansele de câs, tig la
fiecare partidă sunt egale pentru jucători. Care este probabilitatea ca A să ia
tot, i banii lui B?

Rezolvare:
Fie C evenimentul că jucătorul A, care are n lei, câs, tigă jocul iar C1 eveni-
mentul că jucătorul A, care are n lei, câs, tigă primul joc. Să notăm cu pn proba-
bilitatea ca jucătorul A, care are n lei, să câs, tige jocul. Atunci, conform formulei
probabilităt, ii totale (1.10), avem că
 
pn = P (C) = P (C1 ) · P (C|C1 ) + P C̄1 · P C|C̄1 ,

deoarece C1 , C̄1 formează un sistem complet de evenimente.

Evident, P (C1 ) = P C̄1 = 1/2. Pe de altă parte, conform definit, iei prece-
dente, P (C|C1 ) = pn+1 iar P C|C̄1 = pn−1 . Deci
1 1
pn = pn−1 + pn+1 ,
2 2
1.11. Exerciţii rezolvate 83

unde p0 = 0 iar pa+b = 1.


i
Se obt, ine pi = i+1 pi+1 , pentru i = 1, a + b − 1 .
Deci, pe de o parte, pa+b−1 = a+b−1
a+b pa+b =
a+b−1
a+b iar, pe de altă parte,
1
pa+b−1 = (a + b − 1) p1 . Avem p1 = a+b s, i apoi pi = i p1 , i = 1, a + b .
Probabilitatea ca jucătorul A, care are a lei, să câs, tige jocul este atunci pa =
a
.
a+b
1.11.63 (Problema lui Banach) Un fumător cumpără două cutii de chibrituri,
fiecare cont, inând n bet, e. De fiecare dată când are nevoie de un chibrit scoate la
întâmplare o cutie s, i consumă un băt, . Care este probabilitatea ca în momentul
în care constată că o cutie este goală cealaltă să cont, ină k bet, e?
Pe baza rezultatului obt, inut, să se deducă s, i identitatea
n n
C2n + 2C2n−1 + 22 C2n−2
n
+ . . . + 2n−1 Cn+1
n
+ 2n Cnn = 22n .

Rezolvare:
Să observăm că pentru a constata că o cutie goală aceasta trebuie deschisă
de (n + 1) ori. Dacă în acest moment cealaltă cutie mai are k bet, e, atunci aceasta
a fost deschisă de (n − k) ori. Deci cutiile au fost deschise de (2n − k + 1) ori.
Problema poate fi enunt, ată s, i în modul următor: o urnă cont, ine o bilă albă
s, i una neagră. Se extrage din urnă o bilă punându-se bila înapoi s, i se repetă
experient, a până când o bilă (nu contează care dintre ele) apare de (n + 1) ori.
Care este probabilitatea ca în acel moment cealaltă bilă să fi ies, it de (n − k) ori?
Să definim evenimentele:
A = {în (2n − k) extrageri, bila albă apare de n ori},

B = {în (2n − k) extrageri, bila neagră apare de n ori},

C = {la extragerea (2n − k + 1) apare bila albă}.



În aceste notat, ii, se cere probabilitatea P (A ∩ C) ∪ B ∩ C̄ .
Evident, din motive de simetrie, P (A) = P (B) .
Deci
 
P (A ∩ C) ∪ B ∩ C̄ = P (A ∩ C) + P B ∩ C̄
 1 1
= P (A) · P (C) + P (B) · P C̄ = P (A) + P (B) = P (A) .
2 2
84 1. Spaţiu de probabilitate

Pe de altă parte probabilitatea P (A) se poate calcula folosind schema binomi-


ală: avem o experient, ă care se efectuează de (2n − k) ori s, i se cere probabili-
tatea aparit, iei bilei albe de n ori (s, i a (n − k) bile negre). Deci
 n  n−k
n 1 1 1
P (A) = C2n−k pn q n−k = C2n−k
n n
= C2n−k
2 2 22n−k
1
 n
s, i atunci P (A ∩ C) ∪ B ∩ C̄ = C2n−k 22n−k
.
Să notăm acum cu Ak evenimentul din enunt, : Ak = {când se constată că
una dintre cutii este goală, cealaltă cont, ine k bet, e}. Evident (Ak )k=0,n consti-
tuie un sistem complet de evenimente, deci
[ n  Xn
1 = P (Ω) = P Ak = P (Ak )
k=0 k=0
Xn
n 1
⇔ C2n−k =1
k=0 22n−k
n 1 n 1 n 1 1
⇔ C2n 2n
+ C2n−1 2n−1
+ C2n−2 2n−2
+ . . . + Cnn n = 1
2 2 2 2
n n
⇔ C2n + 2C2n−1 + 22 C2n−2
n
+ . . . + 2n−1 Cn+1
n
+ 2n Cnn = 22n .

1.11.64 (Problema concordant, elor) O urnă cont, ine n bile numerotate de la 1


la n. Se extrag la întâmplare, una câte una, toate aceste bile. Spunem că s-a
produs o concordant, ă dacă la extragerea k s-a obt, inut bila cu numărul k. Care
este probabilitatea obt, inerii a cel put, in unei concordant, e?

Rezolvare:
Să reamintim notat, ia standard

Ai = {la extragerea i apare succesul} , i = 1, n ,

adică să notăm cu Ai evenimentul obt, inerii unei concordant, e la extragerea i =


1, n .
Prin urmare (vezi s, i rezolvarea Exercit, iului 1.11.46), evenimentul obt, inerii
[n
a cel put, in unei concordant, e este dat de Ai .
i=1
 [n 
Deci ne interesează calculul probabilităt, ii P Ai .
i=1
Sunt n! moduri posibile de a ies, i cele n bile. Dacă fixăm pozit, ia i, atunci
celelalte (n − 1) pozit, ii se pot aranja în (n − 1)! moduri, adică există (n − 1)!
1.11. Exerciţii rezolvate 85

(n − 1)! 1
de cazuri favorabile. Deci P (Ai ) = = . Se poate rat, iona s, i direct:
n! n
la extragerea i pe pozit, ia i poate apărea oricare din cele n bile, iar numărul
1
cazurilor favorabile este unul singur, prin urmare P (Ai ) = .
n
Dacă fixăm doi indici i, j = 1, n astfel încât i < j, atunci celelalte (n − 2)
pozit, ii se pot aranja în (n − 2)! moduri, adică există (n − 2)! de cazuri favora-
(n − 2)! 1
bile. Deci P (Ai ∩ Aj ) = = . Se poate rat, iona s, i direct: la ex-
n! n (n − 1)
tragerile i s, i j, perechea ordonată (i, j) poate apărea în A2n moduri, iar numărul
1
cazurilor favorabile este unul singur, prin urmare P (Ai ∩ Aj ) = 2 .
An
(n − k)! 1
Putem extinde s, i obt, inem P (Ai1 ∩ Ai2 ∩ . . . ∩ Aik ) = = k , unde
n! An
1 ≤ i1 < i2 < . . . < ik ≤ n.
Utilizăm formula (1.6)
[  X X
P Ai = P (Ai ) − P (Ai ∩ Aj )
i i i<j
X n−1
+ P (Ai ∩ Aj ∩ Ak ) − . . . + (−1) P (A1 ∩ A2 ∩ . . . ∩ An ) .
i<j<k

Deoarece
(n − 1)!
P (Ai ) = , i = 1, n
n!
sunt în număr de Cn1 ,

(n − 2)!
P (Ai ∩ Aj ) = , i, j = 1, n , astfel încât i < j,
n!
sunt în număr de Cn2 ,

(n − 3)!
P (Ai ∩ Aj ∩ Ak ) = , i, j, k = 1, n , astfel încât i < j < k,
n!
sunt în număr de Cn3 , s, i as, a mai departe,
vom obt, ine
[  (n − 1)! (n − 2)! (n − 3)!
P Ai = Cn1 · − Cn2 · + Cn3 · − ...
i n! n! n!
86 1. Spaţiu de probabilitate

n−1 0!
+ (−1) Cnn ·
n!
1 1 n−1 1
=1− + − . . . + (−1) .
2! 3! n!
Dacă dorim să determinăm probabilitatea de a nu avea nici o concordant, ă,
atunci calculăm
[  [  1 1 1 n 1
P Ai = 1 − P Ai = − + − . . . + (−1) .
i i 2! 3! 4! n!
x x2 x3 xn
Reamintim dezvoltarea ex = 1 + + + + ... + + . . . care devine
1! 2! 3! n!
n
1 1 (−1)
e−1 = − + ... + + ... .
2! 3! n!
Deci [ 
limn→∞ P Ai = e−1 ,
i=1,n

adică probabilitatea ca să nu se obt, ină nici măcar o concordant, ă este, la limită,
e−1 .
1.11.65 Un grup compus din n perechi (sot, s, i sot, ie) dansează. Se formează
perechi. Care este probabilitatea ca, după formarea perechilor, nici un bărbat
să nu danseze cu sot, ia lui? Să se determine limita acestei probabilităt, i când n
tinde la infinit.

Răspuns:
Problema este o reformulare a problemei concordant, elor. Se va nota cu Ai
evenimentul ca bărbatul cu număruli să danseze cu sot, ia sa. Probabilitatea
[n
de a obt, ine cel put, in o pereche este P Ai . Apoi trebuie să determinăm
\  i=1
P Āi .
i

1.11.66 (Paradoxul lui Bertrand) Care este probabilitatea ca alegând o coardă,


la întâmplare, în interiorul unui cerc, aceasta să fie mai mare decât lungimea
laturii triunghiului echilateral înscris în cerc?

Rezolvare:
Problema comportă mai multe rezolvări, în funct, ie de modul în care înt, ele-
gem alegerea „la întâmplare” a coardei.
1.11. Exerciţii rezolvate 87

(a) Coarda dusă aleator în cerc este complet determinată, de exemplu, de ur-
mătorii doi parametri: distant, a de la centrul cercului la coardă, notată d, s, i
unghiul făcut de perpendiculară cu un diametru fixat, unghi notat α. În acest
caz domeniul parametrilor este

D : d ∈ [0, R), α ∈ [0, 2π).

Conform desenului avem coarda P Q, cu mijlocul M s, i triunghiul echilateral


ABC de latură l, înscris în cercul de rază R.
√ √
Din calcule obt, inem: l = R 3, |P Q| = 2 R2 − d2 s, i deci

P (|P Q| ≥ l) = P (d ≤ R/2) .

Domeniul situat, iilor favorabile este atunci

D0 : d ∈ [0, R/2], α ∈ [0, 2π).

Probabilitatea geometrică cerută este


Aria (D0 ) 2πR/2 1
P (|P Q| ≥ l) = = = .
Aria (D) 2πR 2
(b) Coarda dusă aleator în cerc este complet determinată, de exemplu, de ur-
mătorii doi parametri: unghiul făcut de raza OQ cu un diametru fixat, unghi
notat α, s, i unghiul OQP
\, notat β. În acest caz domeniul parametrilor este

D : α ∈ [0, 2π), β ∈ [0, π/2).



Din calcule obt, inem: l = R 3, |P Q| = 2R cos β s, i deci
√ 
P (|P Q| ≥ l) = P cos β ≥ 3/2 = P (0 ≤ β ≤ π/6) .

Domeniul situat, iilor favorabile este atunci

D0 : α ∈ [0, 2π), β ∈ [0, π/6].

Probabilitatea geometrică cerută este


Aria (D0 ) 2π · π/6 1
P (|P Q| ≥ l) = = = .
Aria (D) 2π · π/2 3
(c) Să considerăm mijlocul M al coardei dusă aleator în cerc. Observăm din de-
sen că, dacă |P Q| ≥ l atunci punctul M apart, ine interiorului cercului înscris în
88 1. Spaţiu de probabilitate

triunghiul echilateral, respectiv, dacă P Q este o coardă oarecare în cerc atunci


M este, evident, situat în interiorul cercului dat.
Deci
2
Aria (cercului înscris) π · (R/2) 1
P (|P Q| ≥ l) = = 2
= .
Aria (cercului) π·R 4

1.11.67 Care este probabilitatea ca alegând o coardă, la întâmplare, în interiorul


unui cerc de rază R, aceasta să fie cel mult R?

Rezolvare:
Problema comportă mai multe rezolvări.
Să considerăm notat, iile Exercit, iului 1.11.66, cazurile (a) s, i respectiv (b) .
(a) Domeniul parametrilor este
D : d ∈ [0, R), α ∈ [0, 2π).

Din calcule obt, inem |P Q| = 2 R2 − d2 s, i deci
 √ 
P (|P Q| ≤ R) = P d ≥ R 3/2 .

Domeniul situat, iilor favorabile este atunci



D0 : d ∈ [R 3/2, R], α ∈ [0, 2π).
Probabilitatea geometrică cerută este



Aria (D0 ) 2πR 1 − 3/2
P (|P Q| ≤ R) = = = 1 − 3/2 = 0.134 .
Aria (D) 2πR
(b) Domeniul parametrilor este
D : α ∈ [0, 2π), β ∈ [0, π/2).
Din calcule obt, inem |P Q| = 2R cos β s, i deci
P (|P Q| ≤ R) = P (cos β ≤ 1/2) = P (β ≥ π/3) .
Domeniul situat, iilor favorabile este atunci D0 : α ∈ [0, 2π) s, i β ∈ [π/3, π/2].
Probabilitatea geometrică cerută este
Aria (D0 ) 2π · (π/2 − π/3) 1
P (|P Q| ≤ R) = = = = 0.333 .
Aria (D) 2π · π/2 3
1.11. Exerciţii rezolvate 89

1.11.68 Care este probabilitatea ca alegând o coardă, la întâmplare, în interiorul


unui cerc, aceasta să aibă lungimea cuprinsă între a s, i b?
Rezolvare:
Să considerăm notat, iile Exercit, iului 1.11.66, cazul (a).
Domeniul parametrilor este
D : d ∈ [0, R), α ∈ [0, 2π).

Din calcule obt, inem |P Q| = 2 R2 − d2 s, i deci
p p 
P (a ≤ |P Q| ≤ b) = P R2 − b2 /4 ≤ d ≤ R2 − a2 /4 .

Domeniul situat, iilor favorabile este atunci


hp p i
D0 : d ∈ R2 − b2 /4, R2 − a2 /4 , α ∈ [0, 2π).

Probabilitatea geometrică cerută este


p p 
2π · R2 − a2 /4 − R2 − b2 /4
P (a ≤ |P Q| ≤ b) =
2πR
1 p 2 p 
= R − a /4 − R2 − b2 /4 .
2
R
1.11.69 Un segment de lungime ` este rupt în trei segmente. Care este proba-
bilitatea ca acestea să poată fi laturile unui triunghi?
Rezolvare:
Fie segmentul AB, de lungime `, rupt în trei segmente de punctele aleator
alese P , Q. Notăm x = |AP |, y = |P Q|. Domeniul cazurilor posibile este dat
atunci de D : x ∈ [0, `], y ∈ [0, `] astfel încât x + y ≤ `, adică
D : x ∈ [0, `] , y ∈ [0, ` − x]
Cele trei segmente formează un triunghi dacă s, i numai dacă au loc următoarele
inegalităt, i
 
 |AP | ≤ |P Q| + |QB| ,

  x ≤ `/2,



 

|P Q| ≤ |AP | + |QB| , ⇔ y ≤ `/2,

 


 

|QB| ≤ |AP | + |P Q| x + y ≥ `/2.
 
90 1. Spaţiu de probabilitate

Domeniul cazurilor favorabile este dat atunci de


D0 : x ∈ [0, `/2] , y ∈ [`/2 − x, `/2] .
Probabilitatea geometrică cerută este
Aria (D0 ) `2 /8 1
= 2 = .
Aria (D) ` /2 4
Aceeas, i probabilitate obt, inem s, i dacă folosim notat, iile x = |AP |, y = |AQ| .
În acest caz vom obt, ine
D : {(x, y) : x, y ∈ [0, `]}
s, i
D0 : {(x, y) : x, y ∈ [0, `] , x ≤ `/2, y ≥ `/2, y ≤ x + `/2}
∪ {(x, y) : x, y ∈ [0, `] , x ≥ `/2, y ≤ `/2, y ≥ x − `/2}
(am luat în considerare faptul că punctele pot fi în ordinea A, P, Q, B sau în
ordinea A, Q, P, B).
Se face desenul s, i probabilitatea geometrică cerută este
2 2
Aria (D0 ) (`/2) /2 + (`/2) /2 1
= = .
Aria (D) `2 4

1.11.70 Fie segmentul AB, de lungime `, rupt în trei segmente de punctele P ,


Q, alese aleator. Care este probabilitatea ca lungimea segmentului P Q să fie
mai mică decât `˜ (cu `˜ ≤ `)?
Rezolvare:
Să considerăm reperul xOy cu originea în A s, i astfel încât B este tot pe axa
Ox. Vom nota cu x, y abscisele punctelor P s, i respectiv Q.
Domeniul cazurilor posibile este dat atunci de D : x ∈ [0, `], y ∈ [0, `].
Domeniul cazurilor favorabile este dat de D0 : x, y ∈ [0, `] astfel încât
|x − y| ≤ `˜ ceea ce duce la
D0 : {(x, y) : x, y ∈ [0, `] , y ≤ x + `˜} ∩ {(x, y) : x, y ∈ [0, `] , y ≥ x − `˜}.
Probabilitatea geometrică cerută este
Aria (D0 ) ˜2
`2 − (` − `) 2``˜ − `˜2 2`˜ `˜2
= 2
= 2
= − 2.
Aria (D) ` ` ` `
1.11. Exerciţii rezolvate 91

1.11.71 Două semnale ajung la un dispozitiv de recept, ie uniform în intervalul


de timp [0, T ]. Aparatul se blochează dacă semnalele sosesc la interval mai mic
de a minute unul fat, ă de celălalt (a < T ). Care este probabilitatea ca aparatul
să se blocheze?

Rezolvare:
Dacă x, y notează timpul când semnalul ajunge la aparat, atunci domeniul
parametrilor, în funct, ie de situat, iile posibile este D : x, y ∈ [0, T ].
Domeniul situat, iilor favorabile blocării este atunci D0 : |x − y| < a ceea ce
este echivalent cu −a ≤ x − y ≤ a.
Obt, inem
Aria (D0 )
P (|x − y| < a) = .
Aria (D)

Domeniul este acelas, i cu cel obt, inut în Exercit, iul 1.11.70. Deci
2
T 2 − (T − a)
P (|x − y| < a) = .
T2

1.11.72 În interiorul unui triunghi echilateral se alege la întâmplare (repartizat


în mod uniform) un punct. Care este probabilitatea ca distant, ele la cele trei
laturi ale triunghiului considerat să fie laturile unui triunghi?

Rezolvare:
Să notăm cu M punctul din interiorul triunghiului echilateral ABC s, i cu
P, Q, R picioarele perpendicularelor pe laturile BC, AC s, i respectiv AB. Deoa-
rece A∆ABC = A∆AM C + A∆AM C + A∆BM C deducem că

l 3
|M P | + |M Q| + |P Q| = (constant) = h = .
2
Deci problema este similară cu Exercit, iul 1.11.69.
Să se dea s, i o interpretare geometrică a rezultatului (unde se poate situa
punctul M astfel încât să aibă loc condit, iile cerute în enunt, ?).
1.11.73 (Problema acului lui Buffon) Pe un plan este trasat un fascicul de
drepte paralele, echidistante, având distant, a 2a între drepte. Se aruncă pe acest
fascicul un ac de lungime 2` (2` < 2a). Care este probabilitatea ca acul să inter-
secteze una dintre dreptele fasciculului?
92 1. Spaţiu de probabilitate

Rezolvare:
Se notează cu A, B capetele acului dat s, i cu M mijlocul lui. Se notează cu α
unghiul făcut de AB cu dreptele paralele s, i cu d distant, a cea mai scurtă de la
M la o dreaptă din fascicul. Pozit, ia acului este atunci unic determinată de d s, i
α. Atunci domeniul parametrilor este

D : α ∈ [0, π] , d ∈ [0, a] .

Ducem perpendiculara pe o dreaptă din fascicul s, i formăm triunghiul drep-


tunghic ABC (cu latura AC paralelă cu dreptele din fascicul). Obt, inem că
|BC| = 2` sin α. În acest caz situat, iile favorabile ca acul sa atingă o dreaptă este
ca
d ≤ |BC| /2 ⇔ d ≤ ` sin α.
Domeniul situat, iilor favorabile este atunci

D0 : α ∈ [0, π] , d ∈ [0, ` sin α] .


Z π
0 π
Obt, inem Aria (D ) = ` sin αdα = −` cos α|0 = 2`, deci probabilitatea este
0
2`
.

Având în vedere rezultatul obt, inut mai sus, se pot obt, ine, prin experimen-
tări, valori aproximative ale numărului π. Astfel să luăm ` = a/2. Dacă se
aruncă acul de n ori s, i de k ori are loc intersect, ia, atunci se obt, ine că frecvent, a
relativă a evenimentului de avea loc intersect, ia este k/n. Dar probabilitatea
2` 1 k
teoretică este aproximată de această frecvent, ă relativă, deci = ' .
aπ π n
n
Obt, inem că π ' .
k
1.11.74 Pe segmentul OA de lungime ` situat pe axa Ox se alege la întâmplare
un punct B. Să se determine probabilitatea ca cel mai mic dintre segmentele
OB s, i OA să aibă o lungime mai mare ca `/3.
Rezolvare:
Se va obt, ine probabilitatea 1/3.
1.11.75 Pe segmentul AB de lungime ` se aleg la întâmplare două puncte C s, i
D. Să se determine probabilitatea ca C să fie situat mai aproape de D decât de
A. Pozit, iile punctelor C s, i D sunt egal posibile.
1.11. Exerciţii rezolvate 93

Rezolvare:
Se va obt, ine probabilitatea 3/4.

1.11.76 Se aleg la întâmplare două numere pozitive x s, i y mai mici sau egale
cu 2. Să se determine probabilitatea ca produsul lor să nu depăs, ească 1, iar y/x
să nu depăs, ească pe 2.
Rezolvare:
Se va obt, ine probabilitatea (1 + 3 ln 2) /8.

1.11.77 Într-un cerc de rază R se marchează la întâmplare un punct M . Să se


determine probabilitatea ca punctul să se găsească:
(a) în interiorul unui pătrat înscris în cerc;
(b) în interiorul unui triunghi echilateral înscris în cerc. Pozit, iile punctului M
sunt egal posibile.
Rezolvare:

3 3
Se va obt, ine probabilitatea 2/π s, i respectiv .

Capitolul 2

Variabile aleatoare. Variabile


aleatoare discrete

2.1 Variabile aleatoare. Generalităt, i


O mărime legată de o experient, ă aleatoare E s, i care ia valori la întâmplare,
în funct, ie de rezultatele experient, ei, se numes, te variabilă aleatoare.
Pentru o definit, ie mai riguroasă, să considerăm un spat, iu de probabilitate
(Ω, F, P) .

Definit, ia 2.1 Funct, ia


X:Ω→R
se numes, te variabilă aleatoare (pe scurt v.a.) dacă

(2.1) {X ≤ x} ∈ F, pentru orice x ∈ R,


def
unde, pentru simplitate, s-a notat {X ≤ x} == {ω : X (ω) ≤ x} .

Definit, ia 2.2 De fapt, spunem27 că X : (Ω, F) → (R, B (R)) este o v.a. dacă este o
funct, ie măsurabilă între cele două spat, ii măsurabile, i.e.

X −1 (B) ∈ F, pentru orice B ∈ B (R) .


27 Pentru σ−algebra Borel B (R) vezi Definit, ia 1.46.

95
96 2. Variabile aleatoare discrete

Remarca 2.3 Într-adevăr, are loc scrierea

{X ≤ x} = {ω : X (ω) ≤ x} = {ω : X (ω) ∈ (−∞, x]} = X −1 ((−∞, x]) ,

unde notat, ia X −1 (A) desemnează preimaginea (sau imaginea inversă a)28


mult, imii Borel A ∈ B (R) prin X.
Prin urmare, Definit, ia 2.1 devine: funct, ia X : Ω → R este o v.a. dacă s, i
numai dacă
pentru orice x ∈ R, X −1 ((−∞, x]) ∈ F.
Aceasta înseamnă, echivalent (vezi Remarca 1.47), că X −1 (B) ∈ F, pentru
orice B ∈ B (R) , adică X este o funct, ie măsurabilă. 
Mult, imea X (Ω) ⊆ R este mult, imea valorilor v.a. Vom clasifica29 o v.a. X
astfel:

• X este o v.a. de tip discret dacă mult, imea X (Ω) este finită, sau infinită
dar numărabilă30 .
• X este o v.a. de tip continuu dacă mult, imea X (Ω) este un interval (posi-
bil nemărginit) sau o reuniune de intervale din R (un interval poate fi
nemărginit).

Exemple de v.a. discrete: v.a. care are drept valori numărul de puncte
apărute pe o fat, ă a zarului, la aruncarea unui zar; v.a. care are drept valori
numărul de apeluri zilnice primite de un Serviciu Client, i al unei firme; v.a. care
are drept valori numărul de cutremure apărute într-o anumită zonă seismică.
Exemple de v.a. de tip continuu: v.a. ale cărei valori reprezintă timpul de
funct, ionare a unui aparat, până la prima defectare; v.a. ale cărei valori repre-
zintă durata de viat, ă a unui organism; v.a. ale cărei valori reprezintă mărimile
erorilor comise la efectuarea măsurătorilor.
28 Preimaginea (sau imaginea inversă a) unei mult, imi A ⊂ V printr-o funct, ie f : U → V este
dată de def
f −1 (A) == {x ∈ U : f (x) ∈ A} .
Preimaginea unei mult, imi printr-o funct, ie există chiar dacă funct, ia nu admite inversă în sensul
uzual.
29 Pentru o clasificare exhaustivă vezi Remarca 3.12.
30 Spunem că o mult, ime este numărabilă dacă are cardinalul mai mic sau egal cu ℵ0 . Prin urmare,
o v.a. X spunem că este discretă dacă are card (X (Ω)) finit sau dacă are card (X (Ω)) = ℵ0 .
Se poate arăta (vezi, de exemplu, [23, Proposition 1.10]) că
card (N) = card (N∗ ) = card (Z) = card (Q) = ℵ0 .
2.1. Variabile aleatoare. Generalităţi 97

În fiecare din aceste exemple, unui fenomen supus aleatorului, i se asociază


un număr real, deci se stabiles, te o corespondent, ă între spat, iul de select, ie Ω
convenabil ales s, i R. În practică este deseori dificil să găsim valorile acestor
corespondent, e, dar este posibil să apreciem cât de des sunt luate aceste valori.

Definit, ia 2.4 Fie X : Ω → R o v.a. Funct, ia


PX : B (R) → [0, 1] ,
definită prin
def
(2.2) PX (B) == P (X ∈ B) = P ({ω ∈ Ω : X (ω) ∈ B}) , B ∈ B (R) ,

se numes, te legea sau repartit, ia sau distribut, ia v.a. X.

Remarca 2.5 Putem scrie s, i sub forma


PX (B) = P X −1 (B) = P ◦ X −1 (B) ,
 
B ∈ B (R) .


Remarca 2.6 În Teoria probabilităt, ilor suntem interesat, i nu în valorile pe care le


poate lua o v.a., ci în probabilităt, ile ca X să ia valori într-o anumită mult, ime
B ∈ B (R) , i.e. P (X ∈ B) . 

Remarca 2.7 Se poate demonstra că dacă PX este legea unei v.a. X, atunci PX :
(R, B (R)) → R este o probabilitate, deci tripletul (R, B (R) , PX ) devine un
spat, iu de probabilitate. 
Având în vedere că B (R) poate fi generată de intervale de tipul (−∞, x],
adică B (R) = σ ({(−∞, x]: x ∈ R}) , a cunoas, te legea unei v.a. este echivalent
cu a cunoas, te PX (−∞, x] . Astfel obt, inem următoarea not, iune.

Definit, ia 2.8 Fie X : Ω → R o v.a. Funct, ia


FX : R → [0, 1] ,
definită prin
def
(2.3) FX (x) == P (X ≤ x) , x ∈ R,

se numes, te funct, ia de repartit, ie (sau funct, ia de distribut, ie sau funct, ia de dis-


tribut, ie cumulativă) asociată v.a. X.
98 2. Variabile aleatoare discrete

Remarca 2.9 Putem scrie s, i sub forma

FX (x) = P X −1 ((−∞, x]) = PX (−∞, x] .


 

Remarca 2.10 Prin urmare, determinarea funct, iei de repartit, ie FX , asociată


v.a. X, calculată în punctul x ∈ R, înseamnă determinarea probabilităt, ii eveni-
mentului ca v.a. X să ia valori mai mici decât x. 

Remarca 2.11 Teoria probabilităt, ilor se ocupă cu studiul legilor v.a. sau, echi-
valent, al funct, iilor de repartit, ie, s, i al proprietăt, ilor acestora. Tocmai această
concentrare asupra studiului repartit, iilor este ceea ce distinge Teoria probabili-
tăt, ilor de Teoria măsurii. 

Definit, ia 2.12 Spunem că v.a. X, Y : Ω → R sunt identic distribuite sau identic
repartizate sau egale în lege31 , notat

d lege
X=Y sau X === Y,

dacă au aceas, i lege, i.e.


PX = PY , pe B (R) ,
sau, echivalent, dacă au aceeas, i funct, ia de repartit, ie, i.e.

FX = FY , pe R,

sau, echivalent, dacă urmează aceeas, i distribut, ie.

Remarca 2.13 Evident, în cazul a două v.a. discrete, cele două v.a. sunt identic
distribuite dacă au acelas, i tablou de repartit, ie. 

Remarca 2.14 Să ment, ionăm că dacă

d d
X +Z = Y +Z 6
=⇒ X=Y

(pentru demonstrat, ie vezi [29, Example 4.3.2]). 


31 Pentru o caracterizare a egalităt, ii în distribut, ie a două v.a. vezi Propozit, ia 5.26.
2.1. Variabile aleatoare. Generalităţi 99

Definit, ia 2.15 Spunem că v.a. X, Y sunt egale aproape sigur în raport cu mă-
sura de probabilitate P s, i scriem
a.s.
X == Y sau X = Y, P − a.s. ,

dacă32 (vezi s, i Nota 4) există evenimentul N ∈ F cu P (N ) = 0 astfel încât X (ω) =


Y (ω) , pentru orice ω ∈ N̄ .
Astfel, X = Y, P−a.s., înseamnă

P (X = Y ) = P ({ω : X (ω) = Y (ω)}) = 1 sau, echivalent,

P (X 6= Y ) = P ({ω : X (ω) 6= Y (ω)}) = 0.

Lema 2.16 Fie două v.a. X, Y : Ω → R. Dacă X, Y sunt egale P−a.s., atunci cele
două v.a. sunt identic distribuite:
a.s. d
X == Y ⇒ X=Y
sau
X = Y, P − a.s. ⇒ FX = FY , pe R.
Evident, reciproca nu este adevărată: putem să avem două v.a. diferite P−a.s. (pot fi
diferite chiar în orice ω ∈ Ω) dar care să aibă aceeas, i lege.
Demonstrat, ie. Avem P (A) = 0, unde A = {X 6= Y } . Atunci, pentru orice
B ∈ B (R) ,

{X ∈ B} = {X ∈ B, Y = X} ∪ {X ∈ B, Y 6= X}

= {Y ∈ B} ∪ {X ∈ B, Y 6= X} ⊆ {Y ∈ B} ∪ {X 6= Y }

s, i, similar,
{Y ∈ B} ⊆ {X ∈ B} ∪ {X 6= Y } ,
32 Fie spat, iul de probabilitate (Ω, F, P) . Spunem că o proprietate A are loc P−aproape sigur
(notat P−a.s.) dacă există evenimentul N ∈ F cu P (N ) = 0 astfel încât proprietatea A are loc
pentru orice ω ∈ N̄ .
Să observăm că mult, imea M ⊆ N pentru care proprietatea A nu are loc nu este neapărat negli-
jabilă deoarece M nu trebuie, în mod necesar, să fie eveniment, i.e. M ∈ F. Prin urmare, s, tim că
există M, N astfel încât M ⊆ N, N ∈ F, cu P (N ) = 0, iar proprietatea A are loc pentru orice
ω ∈ N̄ ∪ (N \ M ) s, i nu are loc pentru orice ω ∈ M.
100 2. Variabile aleatoare discrete

deci
{X ∈ B} ⊆ {Y ∈ B} ∪ A ⊆ {X ∈ B} ∪ A.

Astfel obt, inem

P (X ∈ B) ≤ P (Y ∈ B) + P (A) ≤ P (X ∈ B) + P (A) ,

deci P (X ∈ B) = P (Y ∈ B), pentru orice B ∈ B (R), adică X s, i Y au aceeas, i


lege (vezi definit, ia (2.2)).

Propozit, ia 2.17 Au loc următoarele proprietăt, i caracteristice ale funct, iei de re-
partit, ie:

(i) Funct, ia FX este monoton nedescrescătoare (i.e. crescătoare dar nu neapărat


strict crescătoare).

(ii) Funct, ia FX este continuă la dreapta în orice punct x ∈ R, i.e.

FX (x) = FX (x + 0) , pentru orice x ∈ R,

def
unde FX (x + 0) == limy→x FX (y) .
y>x

(iii) Au loc33 s, i

(2.4) FX (−∞) = 0 s, i FX (+∞) = 1,

unde
def
FX (−∞) == limx→−∞ FX (x) iar
def
FX (+∞) == limx→+∞ FX (x) .

Remarca 2.18 Se poate demonstra (vezi Propozit, ia 3.80) că dacă F : R → [0, 1]
este o funct, ie reală care satisface cele trei proprietăt, i de mai sus, atunci există
un spat, iu de probabilitate (Ω, F, P) s, i o v.a. X definită pe acesta astfel încât F
este funct, ia de repartit, ie asociată lui X, i.e. F = FX . 
33 În plus fat, ă de limitele date de (2.4) au loc limitele date de (3.16).
2.1. Variabile aleatoare. Generalităţi 101

Remarca 2.19 Egalitatea



P (−∞, x] = F (x) , pentru orice x ∈ R,

stabiles, te o corespondent, ă biunivocă34 între măsurile de probabilitate P pe


(R, B (R)) (conform Definit, iei 1.28) s, i funct, iile de repartit, ie F (definite de cele
trei proprietăt, i din Propozit, ia 2.17).

Într-adevăr, dacă se dă o măsură de probabilitate P pe (R, B (R)) , atunci


def 
se poate arăta că F (x) == P (−∞, x] este o funct, ie de repartit, ie pe R.

Invers, dacă se dă o funct, ie de repartit, ie F pe R, atunci se poate arăta că


aplicat, ia P : (R, B (R)) → R definită pe orice tip de interval astfel (vezi for-
mulele (2.7)): pentru orice −∞ ≤ a < b ≤ +∞,

 
P (a, b] = F (b) − F (a) , P [a, b] = F (b) − F (a − 0) ,
 
P [a, b) = F (b − 0) − F (a − 0) , P (a, b) = F (b − 0) − F (a) ,

este o măsură de probabilitate pe (R, B (R)) . 

Propozit, ia 2.20 Au loc următoarele proprietăt, i suplimentare ale funct, iei de re-
partit, ie:

(iv) Funct, ia FX admite o mult, ime cel mult numărabilă de puncte de discontinui-
tate35 (care sunt doar de specia întâi).

(v) Funct, ia FX admite limită la stânga în orice punct x ∈ R, i.e.

def
există FX (x − 0) == limy→x FX (y) .
y<x

34 Vezi s, i [31, Theorem 7.1] s, i [31, Theorem 7.2].


35 Pentru demonstrat, ie vezi, de exemplu, [23, Lemma 1.12].
102 2. Variabile aleatoare discrete

(vi) Au loc următoarele formule,36 pentru orice a ∈ R :

P (X < a) = FX (a − 0) ,

P (X > a) = 1 − FX (a) ,

P (X ≥ a) = 1 − FX (a − 0)

s, i

(2.5) P (X = a) = FX (a) − FX (a − 0) .

Prin urmare, pentru a ∈ R,

(2.6) P (X = a) = 0 ⇔ FX este continuă în a

s, i
{a ∈ R : P (X = a) > 0} este cel mult numărabilă.

(vii) Au loc următoarele formule,37 pentru orice −∞ ≤ a < b ≤ +∞ :

P (a < X ≤ b) = FX (b) − FX (a) ,


P (a < X < b) = FX (b − 0) − FX (a) ,
(2.7)
P (a ≤ X < b) = FX (b − 0) − FX (a − 0) ,
P (a ≤ X ≤ b) = FX (b) − FX (a − 0) .

Evident, formulele precedente se pot scrie utilizând legea v.a. PX a unei v.a. X;
astfel obt, inem legătura dintre legea PX s, i funct, ia de repartit, ie, valabilă pentru
orice −∞ ≤ a < b ≤ +∞ :

(2.8) PX (a, b] = FX (b) − FX (a) .
36 Pentru demonstrat, ie sunt utile egalităt, ile:
{X ≤ a} ∪ {X > a} = Ω, {X < a} ∪ {X ≥ a} = Ω, {X < a} ∪ {X = a} = {X ≤ a} .

37 Pentru demonstrat, ie sunt utile egalităt, ile:

{X ≤ a} ∪ {a < X ≤ b} = {X ≤ b} , {X ≤ a} ∪ {a < X < b} = {X < b} ,

{X < a} ∪ {a ≤ X < b} = {X < b} , {X < a} ∪ {a ≤ X ≤ b} = {X ≤ b} .


2.1. Variabile aleatoare. Generalităţi 103

(viii) Prin urmare, dacă F este continuă, atunci, pentru orice −∞ ≤ a < b ≤ +∞,

FX (b) − FX (a) = P (a < X ≤ b)


= P (a < X < b)
(2.9)
= P (a ≤ X < b)
= P (a ≤ X ≤ b) .

Remarca 2.21 Deoarece F admite un număr cel mult numărabil de salturi de-
ducem că mult, imea punctelor a pentru care P (X = a) 6= 0 este s, i ea cel mult
numărabilă. 

Propozit, ia 2.22 Fie X, Y două v.a. astfel încât X (ω) ≤ Y (ω), pentru orice ω ∈ Ω.
Atunci FX (x) ≥ FY (x), pentru orice x ∈ R.
Demonstrat, ie. Într-adevăr, din ipoteză rezultă că {Y ≤ x} ⊂ {X ≤ x} s, i deci

FX (x) = P (X ≤ x) ≥ P (Y ≤ x) = FY (x) .

Definit, ia 2.23 Dacă X : Ω → R este o v.a., atunci definim σ−algebra generată de


v.a. X prin
def 
σ (X) == X −1 (B) : B ∈ B (R) .

Aceasta este cea mai mică σ−algebră în raport cu care X este funct, ie măsurabilă.

Remarca 2.24 Se poate arăta că σ−algebra generată de v.a. X este dată de

σ (X) = σ X −1 ((−∞, x]) : x ∈ R .


 

Definit, ia 2.25 Spunem că v.a. Xi : Ω → R, i = 1, n , sunt independente în ansam-


blu dacă σ−algebrele σ (Xi ) , i = 1, n , generate de v.a. date, sunt σ−algebre indepen-
dente în ansamblu, i.e.
\n  Yn
P Ci = P (Ci ) ,
i=1 i=1

pentru orice evenimente Ci ∈ σ (Xi ) , i = 1, n .


104 2. Variabile aleatoare discrete

Având în vedere că σ (Xi ) = {Xi−1 (B) : B ∈ B (R)} = {Xi ∈ B : B ∈


B (R)}, deducem că Ci ∈ σ (Xi ) dacă există Bi ∈ B (R) astfel încât Ci = {Xi ∈
Bi }, prin urmare putem defini s, i în modul următor.

Definit, ia 2.26 Spunem că v.a. Xi : Ω → R, i = 1, n , sunt independente în


ansamblu dacă

P (X1 ∈ B1 , . . . , Xn ∈ Bn ) = P (X1 ∈ B1 ) . . . P (Xn ∈ Bn ) ,

pentru orice mult, ime Borel Bi ∈ B (R) , i = 1, n .


În particular obt, inem:

Definit, ia 2.27 Spunem că v.a. Xi : Ω → R, i = 1, n , sunt independente două


câte două dacă

P (Xi ∈ B1 , Xj ∈ B2 ) = P (Xi ∈ B1 ) P (Xj ∈ B2 ) ,

pentru orice i, j ∈ {1, 2, . . . , n} s, i pentru orice mult, imi Borel B1 , B2 ∈ B (R) .

Remarca 2.28 Evident, dacă v.a. Xi , i = 1, n , sunt independente în sensul


Definit, iei 2.26, atunci ele sunt independente două câte două. Reciproca acestei
afirmat, ii nu este adevărată. Există exemple în care v.a. sunt independente două
câte două dar nu sunt independente în ansamblu. 

Remarca 2.29 Alegând Bi = (−∞, ai ] obt, inem caracterizarea: v.a. Xi : Ω → R,


i = 1, n , sunt independente în ansamblu dacă s, i numai dacă
Yn
P (X1 ≤ a1 , . . . , Xn ≤ an ) = P (Xi ≤ ai ) ,
i=1

pentru orice a1 , a2 , . . . , an ∈ R. 

Definit, ia 2.30 Spunem (Xi )i∈I este o familie independentă în ansamblu de v.a.
dacă orice subfamilie finită este independentă (în sensul Definit, iei 2.26).

Definit, ia 2.31 Fie vectorul aleator (X1 , . . . , Xn ) : Ω → Rn . Funct, ia

F(X1 ,...,Xn ) : Rn → [0, 1] ,

definită prin

F(X1 ,...,Xn ) (x1 , . . . , xn ) = P (X1 ≤ x1 , . . . , Xn ≤ xn ) , (x1 , . . . , xn ) ∈ Rn ,


2.2. Variabile aleatoare discrete cu un număr finit de valori 105

se numes, te funct, ia de repartit, ie (sau funct, ia de distribut, ie sau funct, ia cumula-


tivă de distribut, ie) asociată vectorului aleator (X1 , . . . , Xn ) : Ω → Rn .
Folosind Remarca 2.29 obt, inem următoarea caracterizare a independent, ei.

Propozit, ia 2.32 V.a. Xi : Ω → R, i = 1, n , sunt independente în ansamblu dacă s, i


numai dacă
F(X1 ,X2 ,...,Xn ) (x1 , x2 , . . . , xn ) = FX1 (x1 ) · FX2 (x2 ) · . . . · FXn (xn ) ,

pentru orice x1 , . . . , xn ∈ R.

2.2 Variabile aleatoare discrete cu un număr finit de


valori
Cunoas, terea legii PX : B (R) → [0, 1], dată de PX (B) = P (X ∈ B), unde
B ∈ B (R), asociată unei v.a. discrete X, cu un număr finit sau infinit de
valori, este echivalentă cu cunoas, terea valorile pe care le poate lua v.a. (adică
a mult, imii X (Ω) ) s, i a probabilităt, ilor cu care este luată fiecare valoare din
X (Ω) .
Putem reprezenta aceste informat, ii sub forma unui tabloul de repartit, ie:
   
x1 x2 . . . x n xi
(2.10) X:  sau X :   ,
p1 p2 . . . pn pi
i=1,n

unde X (Ω) = {x1 , x2 , . . . , xn } iar pi = P (X = xi ) , cu i = 1, n, deci


Xn
pi ≥ 0, pentru i = 1, n s, i pi = 1
i=1

(prin convent, ie, am scris valorile x1 , x2 , . . . , xn ale v.a. în ordine strict crescă-
toare).

Remarca 2.33 Să ment, ionăm că, în cazul unei v.a. discrete definită pe un spat, iu
finit de probabilitate (Ω, P (Ω) , P), condit, ia din Definit, ia 2.2 are loc întotdeauna.
Prin urmare, dacă avem card (Ω) finit, atunci
orice funct, ie X : (Ω, P (Ω)) → (R, B (R)) este v.a.,
adică măsurabilă. 
106 2. Variabile aleatoare discrete

Exemplul 2.34 Dacă luăm F P (Ω) , afirmat, ia precedentă nu mai este ade-
vărată.
Într-adevăr, fie spat, iul finit de probabilitate (Ω, F, P) cu Ω = {1, 2, 3} s, i
F = {∅, Ω, {1, 2} , {3}} . Atunci funct, ia identitate X : Ω → R, dată de X (1) =
1, X (2) = 2, X (3) = 3, nu este măsurabilă, deoarece, de exemplu, {1} nu este
eveniment, mai precis X −1 ({1}) = {1} ∈ / F. 

Remarca 2.35 Dată o v.a., putem să-i atas, ăm un sistem complet de evenimente,
def
de exemplu, (Ai )i=1,n date de Ai == X −1 ({xi }) = {X = xi } , unde i = 1, n.

De asemenea, are loc s, i reciproca: dat un sistem complet de evenimente


(Ai )i=1,n se poate defini o v.a. X care are tabloul de repartit, ie (2.10), unde
Ai = {X = xi } , deci pi = P (Ai ) = P (X = xi ) . 

Orice v.a. discretă dată prin tabloul său de repartit, ie se poate reprezenta
grafic prin poligonul său de repartit, ie: pe axa absciselor se trec valorile v.a. iar
pe axa coordonatelor se trec probabilităt, ile.

Exemplul 2.36 În cazul unei v.a. constante funct, ia de repartit, ie se calculează


foarte us, or. Mai precis, dacă X = c, P−a.s., atunci se obt, ine:


 0, x < c,
FX (x) = P (X ≤ x) =
1, x ≥ c.

De fapt, funct, ia de repartit, ie, dată de Definit, ia 2.8, asociată oricărei v.a. dis-
crete, cu un număr finit de valori, este o funct, ia în scară (adică e constantă pe
port, iuni s, i nedescrescătoare). Deci

X
FX (x) = P (X ≤ x) = xi ∈X(Ω) P (X = xi ) , pentru orice x ∈ R,
xi ≤x
2.2. Variabile aleatoare discrete cu un număr finit de valori 107

mai precis,



 0, x < x1 ,






 p1 , x1 ≤ x < x2 ,


x2 ≤ x < x 3 ,

 p +p ,
1 2
(2.11) FX (x) = .


 ..






 p1 + . . . + pn−1 , xn−1 ≤ x < xn ,


 1 = p + ... + p , x ≤ x

1 n n

Observăm că, în acest caz, funct, ia de repartit, ie FX este o funct, ie continuă în ori-
ce punct cu except, ia {xk }k=1,n , mai precis, singurele puncte de discontinuitate
sunt punctele de salt {xk }k=1,n .
Pe de altă parte, dacă se dă o funct, ie de tipul (2.11), atunci se poate arăta că
ea este o funct, ie de repartit, ie s, i, în plus, putem determina v.a. X căreia funct, ia
îi este asociată. Astfel, probabilităt, ile P (X = x) sunt date de (2.5):

P (X = x) = FX (x) − FX (x − 0) , pentru orice x ∈ X (Ω) .

Prin urmare, în punctul x în care FX este continuă P (X = x) = 0 iar în punctul


x în care FX are un salt P (X = x) 6= 0, adică X ia doar valorile x în care FX
este discontinuă.

Remarca 2.37 Deci X este v.a. discretă dacă s, i numai dacă funct, ia de repartit, ie
FX asociată ei verifică proprietăt, ile date de Propozit, ia 2.17 s, i este constantă pe
port, iuni.

Remarca 2.38 (vezi s, i Remarca 3.21) Reamintim definit, ia măsurii Dirac δ x ,


asociată unei valori x ∈ R. Aceasta este măsura δ x : (R, B (R)) → R dată de

δ x (A) == 1A (x) ,
def
pentru A ∈ B (R) ,

 1, x ∈ A,
unde 1A este funct, ia indicatoare a mult, imii A, i.e. 1A (x) =
def
=
0, x∈
/ A.

108 2. Variabile aleatoare discrete

Integrala Lebesgue în raport cu măsura δ x satisface


Z +∞
f (t) δ x (dt) = f (x) ,
−∞

pentru orice funct, ie continuă f cu suport compact.


Măsura Dirac δ x este o măsură de probabilitate. Aceasta are un singur
atom38 dat de {x} ; deci putem spune că măsura Dirac δ x este concentrată în
punctul x ∈ R.
Funct, ia treapta unitate Heaviside este dată de

 0, x < 0,
def
H (x) ==
1, x ≥ 0

s, i astfel Z x 
H (x) = δ 0 (dt) = δ 0 (−∞, x] .
−∞

Deci, dacă X este o v.a. discretă astfel încât X (Ω) = {xi }i∈I , atunci funct, ia de
repartit, ie este dată de
def
X
FX (x) = pi · H (x − xi ) , unde pi == P (X = xi ) ,
i∈I

prin urmare
X  X 
FX (x) = pi · δ 0 (−∞, x − xi ] = pi · δ xi (−∞, x]
i∈I i∈I
X Z
= pi δ xi (dt)
i∈I (−∞,x]
Z X
= pi δ xi (dt).
(−∞,x] i∈I

38 Dat un spat, iu măsurabil (Ω, F) oarecare s, i o măsură µ (nu neapărat de probabilitate) pe acest
spat, iu, spunem că A ∈ F este atom pentru µ dacă
µ (A) > 0

s, i dacă, pentru orice B ⊂ A, cu B ∈ F, are loc


µ (B) < µ (A) ⇒ µ (B) = 0.
2.2. Variabile aleatoare discrete cu un număr finit de valori 109

Putem introduce (ca s, i în cazul continuu) funct, ia densitate de repartit, ie fX


asociată unei v.a. discrete X prin

P (X = xi ) · 1{t=xi } ,
X
(2.12) fX (t) = pentru orice t ∈ R
i∈I

sau, echivalent,
X
(2.13) fX (t) = P (X = xi ) · δ xi ({t}) , pentru orice t ∈ R.
i∈I

Astfel are loc legătura cu funct, ia de repartit, ie dată de următoarea integrală


Lebesgue (vezi s, i formula (3.1) din cazul v.a. continue):
Z x
def
FX (x) == fX (dt) , pentru orice x ∈ R
−∞

P raport cu măsura de probabilitate discretă f : B (R) → R, dată de fX (B) =


în
i∈I pi · δ xi (B) , pentru B ∈ B (R) . Astfel se obt, ine FX (x) = fX ((−∞, x]) .

Prin urmare, în termenii de mai sus, putem redefini o v.a. discretă (cu
un număr finit sau infinit de valori) astfel: spunem că o v.a. X este discretă
dacă legea PX asociată ei este măsură de probabilitate discretă39 , adică există
{pi , xi }i∈I ⊂ R, unde I este o mult, ime cel mult numărabilă de indici, astfel
încât
X X
PX (B) = pi · δ xi (B) = i∈I pi , unde B ∈ B (R) .
i∈I xi ∈B

În acest caz 
 pi , x = xi ,
PX ({x}) =
0, în rest,

Pe de altă parte

PX ({xi }) = P (X ∈ {xi }) = P (X = xi ) ,
39 Ment, ionăm că, dacă Ω este cel mult numărabilă, atunci orice măsură de probabilitate pe spat, iul
măsurabil (Ω, F) trebuie să fie discretă.
Pe de altă parte, dacă Ω este infinită s, i nenumărabilă, atunci putem înzestra spat, iul măsurabil
(Ω, F) cu o măsură discretă. De exemplu, dacă luăm o v.a. X discretă, atunci legea ei asociată
PX este măsură de probabilitate discretă definită pe spat, iul (R, B (R)) .
110 2. Variabile aleatoare discrete

deci 
 P (X = xi ) = pi , pentru i ∈ I, s, i

P (X = x) = 0, pentru x ∈
/ {pi }i∈I

s, i astfel
X
PX (B) = P (X = xi ) · δ xi (B) , unde B ∈ B (R) .
i∈I

În cazul particular în care legea PX este dată de PX = δ x0 , pentru un x0 ∈ R,


obt, inem că

P (X = x0 ) = 1 s, i P (X = x) = 0, pentru x 6= x0 ,

adică
X = x0 , P − a.s..
Evident, are loc s, i reciproca: dacă X este o v.a. constantă aproape sigur, i.e.
X = x0 , P−a.s., atunci legea ei este dată de PX = δ x0 . 

Exemplul 2.39 Funct, ia indicatoare 1A a evenimentului A ∈ F, dată de



 1, ω ∈ A,
1A (ω) =
def
=
0, ω ∈/ A,

este o v.a. discretă.


Mai mult, se poate arăta că dacă A ∈ P (Ω) este o mult, ime, atunci funct, ia
1A este v.a. (adică funct, ie măsurabilă) dacă s, i numai dacă A este eveniment,
adică A ∈ F. 

Remarca 2.40 Prin urmare, dacă X este o v.a. de tip discret (cu un număr
finit sau infinit de valori) definită pe spat, iul de probabilitate (Ω, F, P) , atunci
putem scrie v.a. X sub forma

xi 1A i ,
X
X=
i∈I

unde I este o mult, ime cel mult numărabilă, X (Ω) = {xi }i∈I iar
def
Ai == X −1 ({xi }) = {X = xi } = {ω : X(ω) = xi }, i ∈ I.


2.2. Variabile aleatoare discrete cu un număr finit de valori 111

Exemplul 2.41 Să considerăm experient, a care constă în aruncarea unui zar. Fie
X v.a. ale cărei valori reprezintă numărul de puncte apărute la aruncarea unui
zar. Să se scrie tabloul de repartit, ie s, i funct, ia de repartit, ie.
Mult, imea evenimentelor este {1, 2, 3, 4, 5, 6} s, i ea coincide cu Ω, adică
Ω = {ω = i : i ∈ {1, 2, . . . , 6} } .
Atunci X : Ω → R este dată de
 
1 2 3 4 5 6
X: .
1/6 1/6 1/6 1/6 1/6 1/6



 0, x < 1,


1/6 , 1 ≤ x < 2,







 2/6 , 2 ≤ x < 3,

Funct, ia de repartit, ie este F (x) = ..



 .


5/6 , 5 ≤ x < 6,







1, 6 ≤ x.



2.2.1 Operat, ii cu variabile aleatoare


Având în vedere că v.a. sunt funct, ii definite pe mult, imea evenimentelor
elementare s, i cu valori reale, putem defini suma s, i produsul a două v.a (ca s, i la
funct, ii). Astfel, dacă ω este un eveniment elementar s, i X, Y au acelas, i domeniu
de definit, ie, atunci definim (suma, produsul s, i produsul cu un scalar α)

(X + Y ) (ω) = X (ω) + Y (ω) ,

(X · Y ) (ω) = X (ω) Y (ω) ,

(αX) (ω) = α X (ω) .


Fie v.a. discrete X, Y cu tablourile
   
x1 x2 . . . x m y1 y2 ... yn
X: , Y : ,
p1 p2 . . . pm q1 q2 ... qn
112 2. Variabile aleatoare discrete

unde pi , qj ∈ [0, 1], cu i = 1, m , j = 1, n , s, i


Xm Xn
pi = 1 = qj .
i=1 j=1

Pentru i = 1, m , j = 1, n să notăm cu

pij = P (X = xi , Y = yj ) = P ({X = xi } ∩ {Y = yj }) .

Atunci tabloul de repartit, ie al v.a. X + Y este dat de


 
x1 + y1 x1 + y2 . . . x1 + yn . . . xm + yn
X +Y : ,
p11 p12 ... p1n ... pmn

iar pentru produsul X · Y avem


 
x1 y1 x1 y2 ... x1 yn ... x m yn
X ·Y : .
p11 p12 ... p1n ... pmn

În particular, dacă Y = a este o v.a. constantă, atunci


 
a + x1 a + x2 . . . a + xm
a+X : ,
p1 p2 ... pm
 
ax1 ax2 . . . axm
aX :  .
p1 p2 . . . pm

În particular, adunând v.a. aX s, i b, se obt, ine s, i


 
ax1 + b ax2 + b . . . axm + b
aX + b :  .
p1 p2 ... pm

De asemenea, dacă luăm X = Y atunci obt, inem pătratul unei v.a.


 
2 2 2
def x1 x 2 . . . x m 
X 2 == X · X :  ,
p1 p2 . . . pm
2.2. Variabile aleatoare discrete cu un număr finit de valori 113

deoarece în acest caz X = Y s, i, pentru i 6= j,


pij = P (X = xi , X = xj ) = P ({X = xi } ∩ {X = xj }) = 0,
iar pentru i = j,
pii = P X 2 = x2i = P ({X = xi } ∩ {X = xi }) = P (X = xi ) = pi .


Propozit, ia 2.42 Au loc relat, iile


Xn Xm
pij = pi , pij = qj .
j=1 i=1

Demonstrat, ie. Avem


{X = xi } = {X = xi } ∩ ({Y = y1 } ∪ {Y = y2 } ∪ · · · ∪ {Y = yn })
= ({X = xi } ∩ {Y = y1 }) ∪ ({X = xi } ∩ {Y = y2 })
· · · ∪ ({X = xi } ∩ {Y = yn }) ,
deci
[ n 
pi = P (X = xi ) = P (X = xi , Y = yj )
j=1
Xn Xn
= P (X = xi , Y = yj ) = pij .
j=1 j=1

2.2.2 Caracteristici numerice


Fie v.a. X cu tabloul de repartit, ie
 
x1 x2 ... xm
X: ,
p1 p2 ... pm
Pm
unde pi ∈ [0, 1], cu i = 1, m s, i i=1 pi = 1.

Definit, ia 2.43 Vom numi media40 v.a. discrete X, numărul


def
Xm
(2.14) E (X) == x1 p1 + x2 p2 + . . . + xm pm = xi pi .
i=1
40 Pentru definit, ia mediei unei v.a. discrete cu un număr infinit de valori sau al unei v.a. continue
vezi Definit, ia 2.118 s, i respectiv Definit, ia 3.31
114 2. Variabile aleatoare discrete

Remarca 2.44 Definit, ia precedentă o putem scrie s, i sub forma41


X
E (X) = x · P (X = x) .
x∈X(Ω)

Remarca 2.45 Media unei v.a. X mai este numită s, i valoarea medie sau valoa-
rea as, teptată sau sperant, a. 

Denumirea de medie este îndreptăt, ită dacă t, inem seama de sensul ei prac-
tic. Presupunem că am repetat de N ori o experient, ă care Pne-a condus la v.a.
m
X. Dacă fiecare valoare xi este luată de ni ori astfel încât i=1 ni = N . Atunci
suma valorilor luate de v.a. X este n1 x1 + . . . + nm xm iar media aritmetică a
valorilor luate de X va fi deci
n1 x1 + . . . + nm xm n1 n2 n3 nm
= x1 + x2 + x3 + . . . + xm .
N N N N N
ni
Dar N reprezintă raportul dintre numărul cazurilor în care s-a luat valoarea xi
def
s, i numărul total de experimentări, adică pi == nNi reprezintă probabilitatea de
aparit, ie a valorii xi .
Media aritmetică a valorilor luate de X este, prin urmare p1 x1 +. . .+pm xm ,
adică media lui X.
Media lui X ne arată la ce valoare putem să ne as, teptăm pentru media
aritmetică a unui mare număr de valori ale lui X, obt, inute în urma repetării
experient, ei date.

Remarca 2.46 În cazul în care nu este specificat explicit, următoarele definit, ii


s, i proprietăt, i s, i formule de calcul sunt valabile s, i în cazul unor v.a. X oarecare
(nu neapărat cu un număr numărabil de valori). 
41 De fapt (vezi s, i Remarca 2.119 s, i Remarca 3.32), dacă (Ω, F, P) este un spat, iu de probabilitate s, i
X este o v.a. definită pe acest spat, iu, atunci media unei v.a. (indiferent de tipul ei) este definită
de următoarea integrală Lebesgue (în caz că aceasta există) pe Ω în raport cu măsura P :
Z
def
E (X) == X (ω) P (dω) .

Conform definit, iei integralei Lebesgue, se deduce că X este integrabilă Lebesgue (adică integrala
există s, i este finită) dacă s, i numai dacă |X| este integrabilă Lebesgue.
Evident, toate concluziile s, i calculele date în Remarca 2.119 sunt valabile s, i în cazul unei v.a. cu
un număr finit de valori.
2.2. Variabile aleatoare discrete cu un număr finit de valori 115

Propozit, ia 2.47 (Proprietăt, i ale mediei)


(i) Valoarea medie a unei constante42 este egală cu constanta. Mai precis43 , pentru
c ∈ R,
X = c, P − a.s. ⇒ E (X) = c.

(ii) Pentru orice v.a. X, Y care admit medie44 s, i pentru orice a, b ∈ R,

E (aX + bY ) = a E (X) + b E (Y ) .

(iii) V.a. dată de funct, ia indicatoare 1A a evenimentului A ∈ F are media45

E (1A ) = P (A) .

(iv) Pentru orice v.a. X care admite medie, are loc



(2.15) E (X) ≤ E |X| .

(v) Dacă
există E (X) ⇒ există s, i E (X 1A ) ,
pentru orice eveniment A ∈ F.
(vi) Dacă X, Y sunt două v.a. astfel încât X admite medie, atunci

X = Y, P − a.s. ⇒ există s, i E (Y ) iar E (X) = E (Y ) .

(vii) Dacă v.a. X admite medie, atunci

X ≥ 0, P − a.s. ⇒ E (X) ≥ 0
 
42
c
De fapt, putem vedea c ca pe o v.a. X : ; prin urmare E (X) = c · 1 = c.
1
43 Pentru semnificat, ia lui X = c, P−a.s., vezi Nota 32.
44 În cazul a două v.a. oarecare (nu neapărat cu un număr finit de valori), trebuie impusă condit, ia
ca cele două v.a. să admită medie finită (vezi Definit, ia 2.118 s, i Definit, ia 3.31).
45 Dacă folosim definit, ia generală (3.10) a mediei, exprimată cu ajutorul integralei Lebesgue,
obt, inem Z Z
E (1A ) = 1A (ω) P (dω) = P (dω) = P (A) .
Ω A
116 2. Variabile aleatoare discrete

s, i, în plus, dacă X are valori nenegative P−a.s., atunci

(2.16) E (X) = 0 ⇔ X = 0, P − a.s..

Prin urmare, dacă X 2 admite medie, atunci

E X2 = 0

⇔ X = 0, P − a.s.

(vezi s, i punctul (ii) din Propozit, ia 2.77).

(viii) Evident, conform (vii) , dacă X, Y sunt două v.a. care admit medie, atunci

X ≤ Y, P − a.s. ⇒ E (X) ≤ E (Y ) .

(ix) Dacă X, Y sunt două v.a. care admit medie astfel încât

E (X 1A ) = E (Y 1A ) , pentru orice eveniment A ∈ F,


atunci46 X = Y, P−a.s..

(x) Dacă X, Y sunt două v.a. care admit medie astfel încât

E (X 1A ) ≤ E (Y 1A ) , pentru orice eveniment A ∈ F,


atunci X ≤ Y, P−a.s..

(xi) Dacă X este o v.a. care admite medie, atunci ea este finită P−a.s., adică

(2.17) E (|X|) < ∞ ⇒ |X| < ∞, P − a.s..


46 Dacă folosim definit, ia generală (3.10) a mediei, exprimată cu ajutorul integralei Lebesgue,
obt, inem că
Z Z Z
E (X 1A ) = X (ω) 1A (ω) P (dω) = X (ω) P (dω) = X dP.
Ω A A

Prin urmare, (ix) afirmă că dacă E (X 1A ) = E (Y 1A ) , adică


Z Z
X dP = Y dP, pentru orice eveniment A ∈ F,
A A

atunci X = Y, P−a.s..
Pentru demonstrat, ie vezi [23, Lemma 5.11].
2.2. Variabile aleatoare discrete cu un număr finit de valori 117

(xii) Dacă două v.a. sunt independente care admit medie, atunci media produsului
este produsul mediilor, i.e.

(2.18) X, Y independente ⇒ E (XY ) = E (X) E (Y )

(pentru demonstrat, ie vezi, de exemplu, [14, T22., Capitolul III]).

Remarca 2.48 Relat, ia (2.18) oferă o condit, ie necesară pentru independent, a a


două v.a. dar ea nu este s, i suficientă. În acest sens vezi Exemplul 3.76. Pentru
alte exemple, vezi Remarca 2.73. 

O condit, ie suficientă a independent, ei a două v.a., în spiritul relat, iei (2.18),


este dată de următorul rezultat.

Propozit, ia 2.49 (vezi [14, P25, Capitolul III])


(a) Dacă X, Y sunt v.a. discrete, cu |X (Ω)| s, i |Y (Ω)| finite, s, i dacă

E(X k Y l ) = E(X k )E(Y l ),

pentru orice 1 ≤ k ≤ |X (Ω)| − 1 s, i orice 1 ≤ l ≤ |Y (Ω)| − 1, atunci X, Y sunt v.a.


independente.
(b) În cazul unor v.a. oarecare, dacă X, Y sunt v.a. mărginite s, i dacă

E(X k Y l ) = E(X k )E(Y l ), pentru orice k, l ∈ N∗ ,

atunci X, Y sunt v.a. independente.

Următorul rezultat arată că independent, a a două v.a. implică independent, a


oricăror funct, ii aplicate acestor v.a..

Propozit, ia 2.50 (vezi [24, Proposition 7.14]) Dacă X, Y : Ω → R sunt două v.a.,
atunci
X, Y independente ⇔ g (X) , h (Y ) independente,

pentru orice g, h : R → R.

De fapt, se poate arăta următorul rezultat.


118 2. Variabile aleatoare discrete

Propozit, ia 2.51 (vezi [30, Teorema 3, pag. 127]) Dacă X, Y : Ω → R sunt două
v.a., atunci

X, Y independente ⇔ |X + a| , |Y + b| independente

pentru orice a, b ∈ R.

Exemplul 2.52 Prin urmare, dacă X, Y sunt v.a. independente, atunci |X| , |Y |
sunt v.a. independente. Dar reciproca nu este adevarată, as, a cum se va vedea
în exemplul următor.
def
Să considerăm spat, iul de probabilitate (Ω, F, P) == ([0, 1] , B ([0, 1]) , λ), un-
de λ este măsura Lebesgue. Fie v.a. X, Y : Ω → R date de

 −1, 0 ≤ ω < 1
2 ,
X (ω) = Y (ω) =
1
1, ≤ ω ≤ 1.

2

Deoarece |X (ω)| = |Y (ω)| = 1, pentru orice ω ∈ Ω, obt, inem că |X| , |Y | sunt
v.a. independente.
Pe de altă parte, evident, X, Y nu sunt v.a. independente (fiind identice).
Putem folosi s, i definit, ia; de exemplu

P (X < 0, Y < 0) = P (X < 0) = P ({ω : X (ω) < 0})


1 1
= P ([0, 1/2)) = λ ([0, 1/2)) = 6= = P (X < 0) P (Y < 0)).
2 4


Următorul rezultat ne dă o altă caracterizare a independent, ei.

Propozit, ia 2.53 (vezi [24, Proposition 7.15]) Dacă X, Y : Ω → R sunt două v.a.,
atunci

X, Y independente ⇔ E (g (X) h (Y )) = E (g (X)) E (h (Y )) ,

pentru orice funct, ii g, h : R → R

astfel încât g (X) , h (Y ) admit medie.


2.2. Variabile aleatoare discrete cu un număr finit de valori 119

Propozit, ia 2.54 Fie X o v.a. discretă (cu un număr finit sau infinit de valori) s, i care
ia valori în N. Dacă X admite medie, atunci47
X∞ X∞
(2.19) E (X) = P (X > n) = P (X ≥ n)
n=0 n=1

sau, echivalent,
X∞
(2.20) E (X) = (1 − FX (n)) .
n=0

Demonstrat, ie. Folosind definit, ia (2.14) sau (2.38) a mediei obt, inem
X∞ X∞
E (X) = k P (X = k) = k P (X = k)
k=0 k=1
X∞  Xk  X∞ Xk
= P (X = k) = P (X = k) .
k=1 n=1 k=1 n=1

Pentru a putea schimba ordinea de integrare în sumele iterate precedente să


introducem indicatoarea s, i apoi să folosim un rezultat teoretic (de tip Foubini)
care ne permite acest lucru48 . Astfel
X∞ X∞ X∞ X∞
E (X) =
k=1 n=1
1 {n≤k} P (X = k) =
n=1 k=1
1{k≥n} P (X = k)
X∞ X∞ X∞
= P (X = k) = P (X ≥ n) .
n=1 k=n n=1

Propozit, ia 2.55 (vezi [29, Theorem 2.12.1]) Fie X o v.a. nenegativă (discretă sau
continuă). Atunci
X∞
(a) E (X) < ∞ ⇔ P (X ≥ n) < ∞;
n=1
X∞
(b) E (X r ) < ∞ ⇔ nr−1 P (X ≥ n) < ∞.
n=1
47 Pentru formula mediei unei v.a. continue vezi Propozit, ia 3.38 s, i Propozit, ia 3.47 (dar s, i Exercit, iile
3.39 s, i 3.44).
48 Putem
 folosi, de exemplu, Teorema 3 s, i Corolarul de la pagina P 312 dinP[22, Capitolul XI, § 5]:
Fie an,k n,k un s, ir dublu de numere reale. Dacă seria iterată ∞ ∞

an,k este absolut
P∞ P∞ P∞ n=0
P∞ k=0
convergentă, atunci ambele serii iterate n=0 k=0 a n,k s
, i k=0 n=0 an,k precum s, i seria
dublă ∞
P
n,k=0 an,k sunt convergente s, i au loc egalităt, ile:
X∞ X∞ X∞ X∞ X∞
an,k = an,k = an,k
n=0 k=0 k=0 n=0 n,k=0

(vezi s, i [53, Problem 2.6.13] sau [51, Corollary, page 223]).


120 2. Variabile aleatoare discrete

Remarca 2.56 Folosind argumente similare se poate arăta că dacă X este o v.a.
discretă (cu un număr finit sau infinit de valori) care ia valori în N s, i dacă X 2
admite medie, atunci49
X∞
n P (X > n) = E X 2 − E (X)

2
n=0

sau, echivalent,
 X∞
E X2 = (2n + 1) P (X > n) .
n=0


Exercit, iul 2.57 (vezi [4, Exercise 48, Chapter 2]) Fie X o v.a. discretă (cu un nu-
măr finit sau infinit de valori) s, i care ia valori în N.
(a) Dacă X (Ω) = {0, 1, . . . , N } , cu N ∈ N∗ , să se arate, regrupând termenii, că
XN
n P (X = n) = P (X = 1) + P (X = 2) + . . . + P (X = N )
n=0

+P (X = 2) + . . . + P (X = N )
..
.
+P (X = N ).

(b) Folosind (a) să se arate că dacă X (Ω) = {0, 1, . . . , N } , cu N ∈ N∗ , atunci
XN XN −1 XN −1
n P (X = n) = P (X > n) = (1 − FX (n)) .
n=0 n=0 n=0

(c) Luând N → ∞ în (b) să se arate că dacă X admite medie, atunci are loc formula
(2.20) de exprimare a mediei, i.e.
X∞
E (X) = (1 − FX (n)) .
n=0

Să observăm că rezultatul se ment, ine chiar dacă v.a. X are un număr infinit de valori
(caz în care 1 − FX (n) = P (X > n) = 0, pentru orice n ≥ N ).
(d) Conform punctului (c) observăm că media E (X) este finită dacă s, i numai dacă
seria X∞
(1 − FX (n)) este convergentă.
n=0
49 Pentru formula mediei pătratului unei v.a. continue vezi Propozit, ia 3.40 s, i Propozit, ia 3.48.
2.2. Variabile aleatoare discrete cu un număr finit de valori 121

Definit, ia 2.58 Se numes, te moment de ordin r > 0 al v.a. X, media v.a. X r (dacă
este bine definită). Vom nota

not
µr == E(X r ) .

Deci, în cazul unei v.a. discrete X, cu un număr finit de valori,


Xm X
µr = xri pi = xr · P (X = x) .
i=1 x∈X(Ω)

Evident, momentul de ordin 1 este exact media v.a. X, i.e. µ1 = E (X) .

Definit, ia 2.59 Se numes, te moment central de ordin r > 0 al v.a. X, media v.a.
r
(X − µ1 ) (dacă este bine definită). Vom nota

not  r  r
ν r == E (X − µ1 ) = E (X − E (X)) .

Deci, în cazul unei v.a. discrete X, cu un număr finit de valori,


Xm r
X r
νr = (xi − µ1 ) pi = (x − E(X)) · P (X = x) .
i=1 x∈X(Ω)

Definit, ia 2.60 V.a. X − E (X) se numes, te v.a. centrată. Evident, media v.a. centrate
X − E (X) este nulă, i.e. E (X − E (X)) = E (X) − E (X) = 0.

Definit, ia 2.61 Se numes, te moment absolut de ordin r > 0 al v.a. X, media v.a.
r
|X| . Deci, în cazul unei v.a. discrete X, cu un număr finit de valori,
Xm X
E(|X|r ) = |xi |r pi = |x|r · P (X = x) .
i=1 x∈X(Ω)

Media unei funct, ii aplicată unei v.a. poate fi calculată folosind următorul
rezultat.

Teorema 2.62 (Formula de transfer) Fie X o .v.a. discretă cu tabloul de repartit, ie


 
x1 x2 . . . x m
X: .
p1 p2 . . . p m
122 2. Variabile aleatoare discrete

Fie h : R → R o funct, ie măsurabilă. Atunci h (X) : Ω → R este s, i ea o v.a. s, i are


media dată de:
Xm
(2.21) E (h (X)) = h (xi ) pi .
i=1

Remarca 2.63 Formula precedentă o putem scrie s, i sub forma


X
E (h(X)) = h(x) · P (X = x) .
x∈X(Ω)

De multe ori la o v.a. ne interesează cât de mult se abat valorile variabilei de


la valoarea medie. Trebuie să stabilim un indicator al împrăs, tierii valorilor v.a.
în jurul valorii medii. Valoarea medie a abaterii este zero deci nu poate carac-
2
teriza această împrăs, tiere. Foarte utilă va fi folosirea cantităt, ii E (X − µ1 ) .

Definit, ia 2.64 Se numes, te dispersia (sau variant, a) v.a. X, notată cu D2 (X) (sau
cu Var (X) ), momentul central de ordin 2 al v.a. X, i.e.50

def 2
D2 (X) = Var(X) == ν 2 = E (X − µ1 ) , unde µ1 = E (X) .

Deci, în cazul unei v.a. discrete X,


Xm 2
X 2
D2 (X) = (xi − µ1 ) pi = (x − E(X)) · P (X = x) .
i=1 x∈X(Ω)

Ment, ionăm că dispersia unei v.a. X este, într-un anume sens, cea mai bună valoare
care caracterizează împrăs, tierea valorilor x1 , . . . , xm fat, ă de medie (vezi Exercit, iul
2.4.16 s, i Exercit, iul 3.64).

Remarca 2.65 Deoarece v.a. X − E (X) are media zero, obt, inem s, i proprietatea
2
D2 (X − E (X)) = E [(X − E (X)) − E (X − E (X))] = D2 (X)

(dispersia v.a. centrate coincide cu dispersia v.a.). 


50 În cazul unei v.a. oarecare (nu neapărat cu un număr finit de valori), trebuie impusă condit, ia ca
v.a. X 2 să admită medie, i.e. E X 2 < ∞.

2.2. Variabile aleatoare discrete cu un număr finit de valori 123

Remarca 2.66 Având în vedere formula de transfer (2.21) obt, inem


2
Xm 2
D2 (X) = E (X − µ1 ) = pi (xi − µ1 )
i=1
Xm Xm Xm
= pi x2i − 2 p i x i µ1 + pi µ21
i=1 i=1 i=1
Xm Xm Xm
= pi x2i − 2µ1 pi xi + µ21 pi
i=1 i=1 i=1
Xm Xm
= pi x2i − 2µ1 µ1 + µ21 · 1 = pi x2i − µ21 ,
i=1 i=1

deci are loc formula de calcul a dispersiei:


2
D2 (X) = E X 2 − (E (X)) .


Remarca 2.67 Formula precedentă este adevărată s, i în cazul unei v.a. X oare-
care (nu neapărat discretă). Într-adevăr,
2 2
D2 (X) = E (X − E (X)) = E X 2 − 2E (X) · X + (E (X))


2
= E X 2 − 2E [E (X) · X] + E (E (X))
 

2 2
= E X 2 − 2E (X) · E (X) + (E (X)) = E X 2 − (E (X)) .
 

Exemplul 2.68 Fie următoarele date 20.1, 20.5, 20.2, 21.7, 20.5, 21.8, 21.9, 20.5.
Atunci obt, inem următorul tablou:
 
20.1 20.2 20.5 21.7 21.8 21.9
X: 
1/8 1/8 3/8 1/8 1/8 1/8

167.2
Atunci media aritmetică este 8 = 20.9 iar media v.a. X este
1 · 20.1 + 1 · 20.2 + 3 · 20.5 + 1 · 21.7 + 1 · 21.8 + 1 · 21.9
E (X) = = 20.9
8
Mediana este, conform definit, iei dată de Remarca 3.26, valoarea x1/2 = 20.5
deoarece

P (X ≤ 20.5) = 5/8 ≥ 1/2 s, i P (X ≥ 20.5) = 6/8 ≥ 1/2.


124 2. Variabile aleatoare discrete

Moda (sau modul sau valoarea modală sau valoarea cea mai probabilă) este,
prin definit, ie51 , valoarea v.a. X care are probabilitatea maximă de aparit, ie;
deci, în cazul nostru, moda este 20.5.
Pentru a calcula dispersia, calculăm mai întâi

 1 · (20.1)2 + 1 · (20.2)2 + 3 · (20.5)2 + . . . + 1 · (21.9)2


E X2 = = 437.32.
8
deci
2 2
D2 (X) = E X 2 − [E (X)] = 437.32 − (20.9) = 0.51.


Definit, ia 2.69 Se numes, te covariant, a v.a. X s, i Y , notată Cov (X, Y ) , media52

def
(2.22) Cov (X, Y ) == E [(X − E (X)) · (Y − E (Y ))] .

Remarca 2.70 Dacă facem calculele, obt, inem formula de calcul a covariant, ei:

(2.23) Cov (X, Y ) = E (XY ) − E (X) E (Y ) .

Remarca 2.71 Evident, covariant, a dintre v.a. X cu ea însăs, i este chiar disper-
sia, deci putem lua drept definit, ie:

def
D2 (X) == Cov (X, X) .


51 În cazul unei v.a. continue moda este, prin definit, ie, valoarea v.a. X în care funct, ia de densi-
tate are valoarea maximă. Dacă densitatea are o singură valoare maximă locală, atunci v.a. se
numes, te unimodală; dacă densitatea are mai multe valori maxime locale, atunci v.a. se numes, te
multimodală.
Să ment, ionăm că în cazul unei v.a. simetrice (vezi Nota 58) media (în caz că există) s, i mediana
coincid.
De asemenea, în cazul unei v.a. simetrice unimodale media (în caz că există) s, i mediana s, i moda
coincid.
52 Pentru calculul concret, vezi formula (3.39) precum s, i Exemplul 3.161 (pentru cazul discret).
2.2. Variabile aleatoare discrete cu un număr finit de valori 125

Definit, ia 2.72 Dacă D2 (X) > 0 s, i D2 (Y ) > 0, atunci

def Cov (X, Y )


Cor(X, Y ) = ρ (X, Y ) == p
D2 (X) · D2 (Y )

se numes, te corelat, ia (sau coeficientul de corelat, ie al) v.a. X s, i Y.

Remarca 2.73 Dacă două v.a. X, Y sunt independente, atunci, folosind (2.18),
obt, inem covariant, a (sau, echivalent, corelat, ia) nulă, i.e. Cov (X, Y ) = 0 =
ρ (X, Y ) . În acest caz spunem că cele două v.a. sunt necorelate.
Deci

(2.24) dacă două v.a. sunt independente, atunci sunt necorelate.

Reciproca nu este adevărată; în acest sens vezi Exemplele 2.74, 2.75, 3.162, 3.175
s, i 3.176. 

Exemplul 2.74 Se poate arăta că v.a.


  
−1 0 1  1, dacă X = 0,
X:  s, i Y =
1/3 1/3 1/3  0, în rest

sunt două v.a. necorelate, dar ele sunt, evident, dependente.


Într-adevăr, obt, inem
   
0 1 −1 0 1
Y :  , deci X · Y :  
2/3 1/3 1/9 7/9 1/9

s, i E (X) = 0, E (Y ) = 1/3 iar E (X · Y ) = 0. 

Exemplul 2.75 Se poate arăta (vezi [28, Section 3.11, Problem 16]) că dacă X, Y
sunt două v.a. independente distribuite Bernoulli, de parametru 1/2, atunci
U = X + Y s, i V = |X − Y | sunt v.a. necorelate, dar sunt, în mod evident,
dependente. 

Remarca 2.76 Se poate arăta53 că


|ρ (X, Y )| ≤ 1
53 Vezi, de exemplu, [51, Chapter 1, Section 4, Problem 7] sau [1, Theorem 5.3.1] sau [28, Section
3.6, Lemma 8].
126 2. Variabile aleatoare discrete

s, i că

|ρ (X, Y )| = 1 dacă s, i numai dacă

exista a, b, c ∈ R, cu a, b 6= 0, astfel încât aX + bY = c, P − a.s.,

adică P (aX + bY = c) = 1.
Să remarcăm faptul că dependent, a liniară obt, inută nu are loc pentru tot, i
ω ci are loc aproape sigur în raport cu măsura de probabilitate P, adică există
evenimentul negljabil N, i.e. N ∈ F cu P (N ) = 0, astfel încât aX (ω)+bY (ω) =
c, pentru orice ω ∈ Ω \ N.
Astfel putem spune că ρ este o măsură a gradului de dependent, ă liniară
dintre cele două v.a.. Dacă |ρ| = 1, atunci dependent, a este liniară. Dacă ρ ∈
(−1, 1) , atunci dependent, a nu este complet liniară, dar poate fi o dependent, ă
(de tip neliniar).
S, tim că dacă cele două v.a. sunt independente atunci ele sunt necorelate
(i.e. ρ = 0), dar dacă ρ = 0, atunci aceasta nu înseamnă că cele două v.a. sunt
independente, ci doar indică o absent, ă totală a unei dependent, e liniare. Prin
urmare, două variabile pot fi necorelate, dar pot fi totus, i dependente într-un
mod neliniar. 

Propozit, ia 2.77 (Proprietăt, i ale dispersiei)


(i) Dispersia unei constante este nulă. Mai precis54 , pentru c ∈ R,

X = c, P − a.s. ⇒ D2 (X) = 0.

(ii) Dispersia unei v.a. este nulă dacă s, i numai dacă v.a. este constantă P−a.s., i.e.

D2 (X) = 0 ⇔ X = c, P − a.s. (unde c = E(X) ).

(iii)
D2 (aX) = a2 D2 (X) , a ∈ R.

(iv)
D2 (a + bX) = b2 D2 (X) , a, b ∈ R.
54 Pentru semnificat, ia lui X = c, P−a.s., vezi Nota 32.
2.2. Variabile aleatoare discrete cu un număr finit de valori 127

(v) Dacă două v.a. sunt necorelate, atunci dispersia sumei este suma dispersiilor55 ,
i.e.

X, Y necorelate56 ⇒ D2 (X + Y ) = D2 (X) + D2 (Y ) .

Reciproca nu este adevărată.


În cazul a n v.a. (Xi )i=1,n necorelate două câte două dispersia sumei este suma
dispersiilor, i.e.
Xn  Xn
(Xi )i=1,n necorelate ⇒ D2 Xi = D2 (Xi ) .
i=1 i=1

(vi) Are loc57 următoarea formulă de calcul a dispersiei sumei a două v.a. în cazul
general (în care v.a. nu sunt neapărat necorelate):

(2.25) D2 (X + Y ) = D2 (X) + D2 (Y ) + 2 Cov (X, Y ) .

În cazul combinat, iei liniare a două v.a., formula de calcul a dispersiei este dată
de:

D2 (aX + bY ) = a2 D2 (X) + b2 D2 (Y ) + 2ab Cov (X, Y ) .

În cazul a n v.a. (Xi )i=1,n dispersia sumei este dată de formula


Xn  Xn Xn
(2.26) D2 Xi = D2 (Xi ) + 2 i,j=1 Cov (Xi , Xj ) .
i=1 i=1 i<j

 2
Demonstrat, ie. (i) Avem D2 (c) = E c2 − (E (c)) = c2 − c2 = 0.

(ii) În cazul unei v.a. X discrete să arătăm mai întâi că E X 2 = 0 implică
X = 0, P−a.s..
Într-adevăr, deoarece avem că o sumă de numere nenegative este nulă, i.e.
 X
0 = E X2 = x2i P (X = xi ) ,
i=1
55 În cazul a două v.a. oarecare (nu neapărat cu un număr finit de valori), trebuie impusă condit, ia
ca cele două v.a. să aibă dispersie finită.
56 Evident, vezi (2.24), dacă v.a. sunt independente, atunci obt, inem aceeas, i concluzie.
57 În cazul a două v.a. oarecare (nu neapărat cu un număr finit de valori), trebuie impusă condit, ia
ca cele două v.a. să aibă dispersie finită.
128 2. Variabile aleatoare discrete

deducem că pentru orice xi 6= 0, P (X = xi ) = 0.


Prin urmare, singura probabilitate diferită de zero este P (X = 0) = 1.
2
Apoi, dacă D2 (X) = E (X − µ1 ) = 0, deducem, folosind pasul precedent,
că X = µ1 , P−a.s..
Dar rezultatul este adevărat s, i în cazul v.a. continue. În acest caz, folosim
definit, ia dispersiei s, i faptul că media este o integrală Lebesgue dată de (3.10):
Z
2 2
D2 (X) = E (X − µ1 ) = (X (ω) − µ1 ) P (dω) .

R se s, tie că dacă Y : Ω → R+ este funct, ie măsurabilă s, i nene-


Pe de altă parte,
gativă, atunci Ω Y (ω) P (dω) = 0 dacă s, i numai dacă Y = 0, P−a.s. (vezi, de
exemplu, [44, Teorema 8.1-10]).
Prin urmare, D2 (X) = 0 dacă s, i numai dacă X = µ1 , P−a.s. (pentru o
demonstrat, ie alternativă vezi s, i [1, Theorem 2.4.8]).
(iii) Avem
Xm 2
Xm 2
D2 (aX) = pi (axi − aµ1 ) = a2 pi (xi − µ1 ) = a2 D2 (X) .
i=1 i=1

Evident, formula este adevărată s, i în cazul unei v.a. X oarecare (nu neapărat
discretă):
2 2 2 2
D2 (aX) = E (aX) − (E (aX)) = a2 E (X) − (EX) = a2 D2 (X) .

(iv) Avem
2 2
D2 (a + bX) = E (a + bX)

− (E (a + bX))
2
= a + 2abE (X) + b2 E X 2 − a2 − 2abE (X) − b2 (E (X))
2


= b2 D2 (X) .

(v) Avem
2 2
D2 (X + Y ) = E (X + Y ) − (E (X + Y ))
= E X 2 + 2E (XY ) + E Y 2
 

2 2
− (EX) − 2E (X) E (Y ) − (EY )
2 2
= E X 2 + E Y 2 − (EX) − (EY ) = D2 (X) + D2 (Y ) .
 
2.2. Variabile aleatoare discrete cu un număr finit de valori 129

(vi) Avem
2 2
D2 (X + Y ) = E (X + Y ) − (E (X + Y ))
= E X 2 + 2E (XY ) + E Y 2
 

2 2
− (EX) − 2E (X) E (Y ) − (EY )
= D2 (X) + D2 (Y ) + 2 Cov (X, Y ) .

Remarca 2.78 Folosind inegalitatea


 lui Liapunov s, i definit, ia dispersiei se poate
arăta că momentul E X 2 de ordin 2 al unei v.a. X există s, i este finit dacă s, i
numai dacă media E (X) s, i dispersia D2 (X) există s, i sunt finite:

există E X 2 < ∞ ⇔ există E (X) < ∞ s, i D2 (X) < ∞.




Definit, ia 2.79 De obicei, gradul de împrăs, tiere a valorilor unei v.a. X se exprimă nu
prin dispersie ci prin deviat, ia standard (sau abaterea standard) notată D (X) s, i
definită de
def p
D (X) == D2 (X).
Această not, iune are avantajul că se exprimă prin aceleas, i unităt, i de măsură ca s, i valo-
rile v.a. X.

Propozit, ia 2.80 (Proprietăt, i ale abaterii standard)

(i) X = c, P − a.s. ⇒ D(X) = 0.

(ii) D (aX) = |a| D (X) .

Propozit, ia 2.81 Coeficientul de corelat, ie nu se modifică la schimbări liniare ale v.a.,


i.e.
ρ (aX + b, cY + d) = ρ (X, Y ) , pentru orice a, b, c, d ∈ R.

Remarca 2.82 Momentul central de ordin 3 este de asemenea important. El


este folosit pentru a măsura lipsa de simetrie a distribut, iei58 . Pe de altă parte
58 Spunem că v.a. X este simetrică (în raport cu 0) dacă v.a. X s, i −X urmează aceeas, i distribut, ie.
130 2. Variabile aleatoare discrete
h i
3
ν 3 = E (X − µ) depinde de unitatea de măsură utilizată pentru valorile lui
X. Pentru a deveni independentă în raport cu unitatea de măsură vom con-
sidera momentul de ordin 3 al v.a. standardizate
p asociată v.a. X (vezi Re-
marca 3.101). Astfel, dacă µ = E (X) iar σ = D2 (X) , definim coeficientul
de asimetrie (sau skewness)
" 3 #
X −µ
S3 = E .
σ

Distribut, ia normală standard (vezi Remarca 3.87 s, i formulele (3.73)) s, i orice


altă distribut, ie simetrică (cu momentul de ordin 3 finit) are coeficientul S3 = 0.
Astfel, distribut, ia simetrică, respectiv S3 = 0, devine un element de comparat, ie
pentru alte distribut, ii.
Reamintim că într-o distribut, ie simetrică s, i unimodală media (în caz că e-
xistă), mediana s, i moda coincid. Coeficientul de asimetrie este pozitiv strict
dacă moda este la stânga valorii medii s, i este negativ strict dacă moda este la
dreapta valorii medii.
Momentul central de ordin 4 este utilizat pentru a descrie gradul de apro-
pierepfat, ă de densitatea distribut, iei normale standard. Dacă µ = E (X) iar
σ = D2 (X) , definim coeficientul de exces (sau kurtosis)
" 4 #
X −µ
E4 = E .
σ

Distribut, ia normală standard are coeficientul E4 = 3. Astfel, distribut, ia nor-


mală standard, respectiv E4 = 3, devine un element de comparat, ie pentru alte
distribut, ii. 
Prezentăm în continuare o serie de inegalităt, i importante care folosesc me-
dia.
Deci, dacă X este o v.a. continuă, atunci X este simetrică (în raport cu 0) dacă v.a. X s, i −X au
aceeas, i densitate. Având în vedere că v.a. −X are densitatea f−X (x) = fX (−x) (vezi Remarca
3.30), spunem că v.a. X este simetrică dacă densitatea ei are dreapta Oy drept axă de simetrie
(adică densitatea este o funct, ie pară).
Spunem că v.a. X este simetrică în raport cu a dacă v.a. (X − a) s, i (a − X) urmează aceeas, i
distribut, ie.
Deci, dacă X este o v.a. continuă, atunci X este simetrică în raport cu a dacă v.a. (X − a) s, i
(a − X) au aceeas, i densitate (sau, echivalent, dacă v.a. X s, i (2a − X) au aceeas, i densitate), adică
(vezi Remarca 3.30) dacă fX (a + x) = fX (a − x), pentru orice x ∈ R, deci dacă densitatea ei are
dreapta x = a drept axă de simetrie.
2.2. Variabile aleatoare discrete cu un număr finit de valori 131

Teorema 2.83 (Inegalitatea lui Markov) Fie g : R → [0, ∞) o funct, ie crescătoare


s, i măsurabilă s, i X o v.a..
Atunci are loc, pentru orice  > 0,

E (g (X))
(2.27) P (X ≥ ) ≤ .
g ()

Demonstrat, ie. Având în vedere că (vezi Nota 45 s, i Remarca 2.93)

E (1A ) = P (A) ,

1{X≥} = P (X ≥ ) , deci

obt, inem E

1[,∞) (X) ≥ g () E 1[,∞) (X) = g () P (X ≥ ) ,


 
E (g (X)) ≥ E g (X)

pentru orice  > 0.

Corolarul 2.84
(a) Dacă X este o v.a. cu valori nenegative s, i g (x) = x 1[0,∞) (x), obt, inem, pentru
orice  > 0,
E (X)
P (X ≥ ) ≤ .

(b) Dacă X este v.a. s, i g (x) = x 1[0,∞) (x), obt, inem, pentru orice  > 0,

E (|X|)
P (|X| ≥ ) ≤ ,


deci, dacă v.a. X are medie finită, atunci59

0 ≤ lim→+∞ P (|X| ≥ ) ≤ lim→+∞ −1 = 0.


59 Prin urmare, dacă X este o v.a. cu valori nenegative, atunci
P (X = +∞) > 0 ⇒ E (X) = +∞
sau, echivalent,
E (X) < +∞ ⇒ P (X = +∞) = 0.
Se obt, ine, de fapt, un rezultat binecunoscut: orice funct, ie integrabilă (vezi Nota 41) este finită
aproape peste tot.
Mai precis, folosind (2.17), obt, inem că dacă există finită media v.a. X, adică integrala Lebesgue
a funct, iei X (sau, echivalent, integrala Lebesgue a funct, iei |X|), atunci P(|X| = +∞) = 0.
132 2. Variabile aleatoare discrete

(c) Dacă X este v.a. s, i g (x) = e−θx , cu θ > 0, obt, inem, pentru orice  > 0,
P (X ≥ ) ≤ e−θ E(eθX ) ,
deci, dacă v.a. X are momente exponent, iale finite, atunci funct, ia  → P (X ≥ )
descres, te exponent, ial, mai precis
0 ≤ lim→+∞ P (X ≥ ) ≤ lim→+∞ e−θ = 0.

(d) Dacă X este v.a. s, i g (x) = x2 1[0,∞) (x), obt, inem inegalitatea lui Cebâs, ev

D2 (X)
(2.28) P (|X − E (X)| ≥ ) ≤ , pentru orice  > 0.
2
sau, echivalent,

D2 (X)
(2.29) P (|X − E (X)| < ) ≥ 1 − , pentru orice  > 0.
2

(e) În cazul particular E (X) = m, D2 (X) = σ2 < ∞ s, i  = kσ, inegalitatea (2.28)


a lui Cebâs, ev devine
1
(2.30) P (|X − m| ≥ kσ) ≤ .
k2

Remarca 2.85 Inegalităt, ile lui Markov s, i Cebâs, ev (precum s, i celelalte cazuri
particulare) au loc pentru orice tip de v.a. 

Exemplul 2.86 Fie v.a.


 
0.2 0.3 0.4 0.5
X: .
0.1 0.2 0.3 0.4

Să se obt, ină o estimare a probabilităt, ii P (|X − µ1 | < 0.2).


Media s, i dispersia sunt date de
E (X) = 0.4, E X 2 = 0.17, D2 (X) = 0.17 − 0.16 = 0.01.


Avem deci, aplicând inegalitatea (2.29) a lui Cebâs, ev,


P (|X − 0.4| < 0.2) ≥ 0.75.

2.2. Variabile aleatoare discrete cu un număr finit de valori 133

2.2.3 Exemple de v.a. discrete


Distribut, ia uniformă discretă
V.a. X spunem că urmează o distribut, ie discretă de tip uniform, s, i scriem
X ∼ DU (n) , dacă valorile pe care le poate lua sunt egal probabile. Tabloul de
distribut, ie este dat de
 
x1 x2 . . . x n
X: .
1/n 1/n . . . 1/n

Evident, avem P (X = xk ) = 1/n ≥ 0 s, i suma probabilităt, ilor este 1.


 
1 2 ... n
Remarca 2.87 Fie v.a. X ∼ DU (n) de tipul X :  .
1/n 1/n ... 1/n
Media este dată de
Xn 1 1 Xn n+1
E (X) = k· = k=
k=1 n n k=1 2
iar
 Xn 1 1 Xn (n + 1) (2n + 1)
E X2 = k2 · = k2 = ,
k=1 n n k=1 6
deci dispersia este
2
n2 − 1

2 (n + 1) (2n + 1) n+1
D (X) = − = .
6 2 12


Distribut, ia Poisson (cu un număr finit de valori)


Fie X o v.a. care ia drept valori numărul total de bile albe extrase din n urne
Ui , i = 1, n , care cont, ine fiecare în proport, ii diferite, dar cunoscute, bile albe
s, i negre. Probabilitatea de a extrage o bilă albă din urna Ui este pi , iar o bilă
neagra qi = 1 − pi . Să definim Xi v.a. care ia valoarea 1 dacă din Ui se extrage
o bilă albă s, i 0 dacă se extrage o bilă neagră:
 
0 1
Xi :   , i = 1, n .
qi pi
134 2. Variabile aleatoare discrete

Avem s, i  
0 1
Xi2 :  , i = 1, n ,
qi pi

iar media
E Xi2 = pi

E (Xi ) = pi ,
s, i dispersia
D2 (Xi ) = pi − p2i = pi (1 − pi ) = pi qi .
Prin urmare, dacă v.a. X este numărul total de bile albe extrase, atunci X este,
de fapt, suma celor n v.a. independente Xi , i.e. X = X1 + X2 + . . . + Xn .
Folosind schema clasică de probabilitate a lui Poisson se poate calcula pro-
babilitatea evenimentului {X = k} , cu k = 0, n . Mai precis, spunem că v.a. X
urmează o distribut, ie de tip Poisson dacă tabloul de distribut, ie este dat de
 
k
X:  ,
ak
k=0,n

unde ak = P (X = k) este coeficientul lui xk din polinomul

Q (x) = (p1 x + q1 ) · (p2 x + q2 ) · . . . · (pn x + qn ) ,

iar pi , qi ≥ 0 cu qi = 1 − pi , P
i = 1, n .
n
Evident, avem ak ≥ 0 s, i k=0 ak = 1, deoarece
Xn Yn
ak xk = (pk x + qk )
k=0 k=0
Pn Qn
s, i luând x = 1, obt, inem k=0 ak = k=0 (pk + qk ) = 1.

Remarca 2.88 Semnificat, ia schemei este următoarea: fie o experient, ă care con-
stă din n experient, e independente s, i A1 , . . . , An evenimente legate de fiecare
experient, ă în parte. Fie pi = P (Ai ), qi = 1 − pi , i = 1, n . Atunci X reprezintă
v.a. care ia drept valori numărul de realizări ale evenimentului Ai când au loc
cele n experient, e. 

Propozit, ia 2.89 V.a. X este dată s, i de relat, ia


Xn
X = X1 + X2 + . . . + Xn = Xi .
i=1
2.2. Variabile aleatoare discrete cu un număr finit de valori 135

Deci media s, i dispersia v.a. distribuite Poisson X sunt date de


Xn Xn
E (X) = E (Xi ) = pi ,
i=1 i=1
Xn Xn
D2 (X) = D2 (Xi ) = pi qi ,
i=1 i=1

deoarece v.a. Xi sunt independente.

Distribut, ia Bernoulli
Să considerăm distribut, ia Poisson în cazul particular Ui = U s, i deci pi = p,
qi = q cu i = 1.
Mai precis, spunem că v.a. X spunem că urmează o distribut, ie de tip
Bernoulli, s, i scriem X ∼ Bernoulli (p) , dacă tabloul de distribut, ie este dat de
 
0 1
X:  , unde q = 1 − p.
q p

Remarca 2.90 Valoarea p se numes, te parametrul distribut, iei. 

Remarca 2.91 Legea unei v.a. X ∼ Bernoulli (p) este măsură de probabilitate
discretă s, i este dată de

PX (A) = q · δ 0 (A) + p · δ 1 (A) , pentru A ∈ B (R) ,

unde δ k este măsura Dirac concentrată în punctul k ∈ {0, 1} . 

Remarca 2.92 Semnificat, ia distribut, iei este următoarea: fie o experient, ă s, i A


un eveniment legat de ea care se realizează cu probabilitatea p = P (A) . Atunci
X reprezintă v.a. care ia drept valori numărul de realizări ale evenimentului
A dacă se efectuează o singură dată experient, a (adică numărul de aparit, ii ale
Succesului (aparit, ia evenimentului A) la o singură efectuare a experient, ei). 

Remarca 2.93 Să observăm că v.a. indicatoare 1A a evenimentului A ∈ F este


chiar v.a. de tip Bernoulli (p) , adică
 
0 1
1A :  def
 , unde p == P (A) .
q p
136 2. Variabile aleatoare discrete

 1, ω ∈ A,
Într-adevăr, dacă v.a. este 1A (ω) ==
def
, atunci
 0, ω ∈
/A

p = P (1A = 1) = P ({ω : 1A (ω) = 1}) = P (A) .

Se obt, ine imediat (vezi s, i Nota 45) că

(2.31) E (1A ) = P (A)

12A = E (1A ) = P (A) , deci



s, i apoi E

D2 (1A ) = P (A) (1 − P (A)) ,

adică: 

Propozit, ia 2.94 Dacă X ∼ Bernoulli (p), atunci media s, i dispersia sunt date de:

(2.32) E (X) = p s, i D2 (X) = pq.

Remarca 2.95 Modalitatea de a exprima probabilitatea unui eveniment folo-


sind media unei anumite v.a., dată de formula (2.31), este utilă s, i pentru a
demonstra formula (1.4) de calcul a reuniunii de evenimente.
Să observăm că, folosind definit, ia indicatoarei 1, obt, inem, pentru orice
evenimente A, B,

1A∪B = 1A + 1B
(2.33) 1A∩B = 1A · 1B .
Prin urmare,
1 = 1Ω = 1A∪Ā = 1A + 1Ā ,
deci

1A∪B = 1 − 1A∪B = 1 − 1Ā∩B̄ = 1 − 1Ā · 1B̄ = 1 − (1 − 1A ) (1 − 1B )


= 1A + 1B − 1A · 1B = 1A + 1B − 1A∩B .

Aplicând media obt, inem

P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .
2.2. Variabile aleatoare discrete cu un număr finit de valori 137

Pentru a generaliza la cazul a n evenimente să observăm că


Yn
1S ni=1 Ai = 1 − (1 − 1Ai ) .
i=1

Efectuând înmult, irea, folosind formula (2.33) s, i aplicând media obt, inem for-
mula (1.6). 

Distribut, ia binomială
Să considerăm distribut, ia Poisson în cazul particular Ui = U s, i deci pi = p,
qi = q.
Deci v.a. X spunem că urmează o distribut, ie binomială, s, i scriem X ∼
B (n, p), dacă tabloul de distribut, ie este dat de
 
0 1 2 ... k ... n
X: 
Cn0 p0 q n Cn1 p1 q n−1 Cn2 p2 q n−2 . . . Cnk pk q n−k . . . Cnn pn q 0

sau, scris pe scurt,


 
k def
X:  , unde q == 1 − p.
Cnk pk q n−k
k=0,n

Evident, avem P (X = k) = p q Cnk


≥ 0. k n−k

Pentru a arăta că suma probabilităt, ilor este 1 folosim binomul lui Newton60 :
Xn Xn Xn n
pk = P (X = k) = Cnk pk q n−k = (p + q) = 1
k=0 k=0 k=0

Remarca 2.96 Valorile n s, i p se numesc parametrii distribut, iei. 

Remarca 2.97 Semnificat, ia distribut, iei este următoarea: fie o experient, ă s, i A


un eveniment legat de ea care se poate realiza cu probabilitatea p = P (A). Se
repetă experient, a de n ori în aceleas, i condit, ii. Atunci X reprezintă v.a. care
ia drept valori numărul de realizări ale evenimentului A la n efectuări ale
experient, ei, adică numărul de aparit, ii ale Succesului (aparit, ia evenimentului
A) la n efectuări ale experient, ei. 
60 Binomul lui Newton:
Xr
(a + b)r = Cri ai br−i = br + Cr1 abr−1 + Cr2 a2 br−2 + · · · + Crr−1 ar−1 b + ar ,
i=0
pentru orice a, b ∈ R s, i orice r ∈ N∗ .
138 2. Variabile aleatoare discrete

Remarca 2.98 În cazul particular n = 1 obt, inem distribut, ia Bernoulli, adică

B (1, p) = Bernoulli (p) ,

deci X ∼ B (1, p) înseamnă


 
0 1
X: .
q p

Propozit, ia 2.99 Dacă X ∼ B (n, p), atunci media s, i dispersia sunt date de:

(2.34) E (X) = n · p s, i D2 (X) = n · pq.

Demonstrat, ie. Într-adevăr, mai întâi avem că


Xn Xn n!
E (X) = k · Cnk pk q n−k = pk q n−k
k=0 k=1 (k − 1)! (n − k)!
Xn−1 (n − 1)! 0 0 n−1
= np pk q (n−1)−k = np (p + q) = np
k0 =0 (k 0 )! ((n 0
− 1) − k )!

s, i
 Xn Xn n!
E X2 = k 2 · Cnk pk q n−k = k pk q n−k
k=0 k=1 (k − 1)! (n − k)!
Xn n!
= (k − 1) pk q n−k
k=1 (k − 1)! (n − k)!
Xn n!
+ pk q n−k
(k − 1)! (n − k)!
k=1

Xn (n − 2)!
= n (n − 1) p2 pk−2 q n−k
k=2 (k − 2)! (n − k)!

Xn (n − 1)!
+ np pk−1 q n−k
k=1 (k − 1)! (n − k)!

Xn−2 (n − 2)! 0 0
= n (n − 1) p2 pk q (n−2)−k
k0 =0 (k 0 )! ((n − 2) − k 0 )!
2.2. Variabile aleatoare discrete cu un număr finit de valori 139

Xn−1 (n − 1)! 0 0
+ np pk q (n−1)−k
k0 =0 (k 0 )! ((n 0
− 1) − k )!
n−2 n−1
= n (n − 1) p2 (p + q) + np (p + q) = n (n − 1) p2 + np.

Deci
2
D2 (X) = E X 2 − (E (X)) = n2 p2 − np2 + np − n2 p2 = np − np2 = np (1 − p) .


Remarca 2.100 Funct, ia de repartit, ie este dată de


Xbxc
F (x) = P (X ≤ x) = Cnk pk q n−k , pentru orice x ∈ R,
k=0

unde bxc este partea întreagă61 a numărului real x, i.e. cel mai mare întreg mai
mic sau egal cu x. 

Propozit, ia 2.101 Suma a două v.a. independente care urmează o distribuit, ie de tip
binomial este o v.a care urmează o distribuit, ie tot de tip binomial. Mai precis62 ,

Xi ∼ B(ni , p) , i = 1, 2 , independente ⇒ X1 + X2 ∼ B(n1 + n2 , p) .

Demonstrat, ie. Valorile pe care P le poate lua X1 +X2 sunt k ∈ {0, 1, . . . , n1 +n2 }.
Atunci63 P (X1 + X2 = k) = i P (X1 = i) · P (X2 = k − i), unde indicele i ∈ N
satisface restict, iile: 0 ≤ i ≤ n1 s, i 0 ≤ k − i ≤ n2 sau, echivalent, k − n2 ≤ i ≤ k.
61 Partea întreagă a numărului real x este cel mai mare întreg mai mic sau egal cu x. Se notează cu
bxc (numită s, i funct, ia floor). Deci
def
bxc == max {m ∈ Z : m ≤ x} .
Mai există s, i notat, ia dxe care reprezintă cel mai mic întreg mai mare sau egal decât x (numită s, i
funct, ia ceiling). Deci
def
dxe == min {n ∈ Z : n ≥ x} .
Pentru orice x ∈ R, există două unice numere întregi m, n ∈ Z astfel încât
x − 1 < m ≤ x ≤ n < x + 1.
Astfel avem că m = bxc s, i n = dxe .
62 Acest rezultat se poate demonstra s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul 4.2.11).
63 Dacă X, Y sunt două v.a. independente discrete astfel încât X (Ω) , Y (Ω) ⊆ N, atunci formula
Xk
P (X + Y = k) = P (X = i) · P (Y = k − i) , k ∈ N∗
i=0

este numită formula de convolut, ie (vezi s, i Nota 115, pentru cazul continuu).
140 2. Variabile aleatoare discrete

Folosim relat, ia (1.20) s, i obt, inem, de exemplu, în cazul k ≤ n1 ∧ n2 ,


Xk
P (X1 + X2 = k) = P (X1 = i) · P (X2 = k − i)
i=0
Xk
= Cni 1 pi q n1 −i · Cnk−i
2
pk−i q n2 −k+i
i=0
Xk
= pk q n1 +n2 −k · Cni 1 · Cnk−i
2
= pk q n1 +n2 −k Cnk1 +n2 .
i=0

Celelalte cazuri se studiază similar (vezi pagina 78).


Deci v.a. X1 + X2 ∼ B(n1 + n2 , p) .

Remarca 2.102 Ca o consecint, ă a rezultatului anterior se obt, ine următoarea


proprietate.
Dacă avem n v.a. independente, distribuite Bernoulli de acelas, i parametru
p, adică n v.a. independente Xi ∼ Bernoulli (p) = B (1, p), atunci suma lor este
distribuită binomial, mai precis,
Xn
X = X1 + X2 + . . . + Xn = Xi ∼ B (n, p) .
i=1

Aceasta este evident, având în vedere că dacă Xi reprezintă numărul de suc-
cese obt, inute la încercarea i = 1, n (adică Xi ia doar valorile 0 sau 1), atunci
numărul natural aleator X = X1 + X2 + . . . + Xn reprezintă numărul total de
succese obt, inute în n încercări, adică X ∼ B (n, p) .
Deci

orice v.a. X ∼ B (n, p) poate fi văzută ca o sumă de

n v.a. independente, de tip Bernoulli (p).

În plus, s, tim că E (Xi ) = p iar D2 (Xi ) = pq, deci este foarte us, or să obt, inem s, i
să ret, inem media s, i dispersia unei v.a. distribuite binomial, adică formulele
(2.34):  Xn  Xn Xn
E (X) = E Xi = E (Xi ) = p=n·p
i=1 i=1 i=1

s, i Xn  Xn Xn
D2 (X) = D2 Xi = D2 (Xi ) = pq = n · pq.
i=1 i=1 i=1

2.2. Variabile aleatoare discrete cu un număr finit de valori 141

Definit, ia 2.103 As, a cum am văzut deja, moda este valoarea λ ∈ {0, 1, . . . , n} a v.a.
X care e cea mai probabilă, i.e. valoarea λ pentru care P (X = λ) = Cnλ pλ q n−λ are
valoarea maximă.

Propozit, ia 2.104 Moda λ al v.a. X ∼ B (n, p) satisface inegalitatea


np − q ≤ λ ≤ np + p.
Demonstrat, ie. Trebuie să fie satisfăcute următoarele inegalităt, i
P (X = λ − 1) ≤ P (X = λ) s, i P (X = λ + 1) ≤ P (X = λ) .
Obt, inem
Cnλ−1 pλ−1 q n−λ+1 ≤ Cnλ pλ q n−λ s, i
Cnλ+1 pλ+1 q n−λ−1 ≤ Cnλ pλ q n−λ
1 1 1 1
sau, echivalent, (n−λ+1) q≤ λ p s, i λ+1 p≤ (n−λ) q, unde q = 1 − p.

Remarca 2.105 Să observăm că


np + p = (np − q) + 1.
(a) În general, evident, np − q ∈ / Z deci echivalent np + p ∈
/ Z. În acest caz λ
este acel număr natural între 0 s, i n astfel încât
(np − q) < λ < (np − q) + 1 = np + p,
adică λ este partea întreagă a lui np + p, i.e. cel mai mare întreg mai mic sau
egal cu np + p, deci
λ = bnp + pc .
(b) Dacă avem că np − q ∈ Z atunci echivalent s, i np + p ∈ Z s, i, în acest caz, λ ia
două valori λ1 = np − q s, i λ2 = np + p, având în vedere că
P (X = np − q) = P (X = np + p) .


Remarca 2.106 (a) Calculând valorile P (X = k) = Cnk pk q n−k pentru diferite


valori ale lui p s, i q = 1 − p se constată că ele sunt distribuite asimetric, cu
except, ia cazului când p = q = 0.5. Asimetria este cu atât mai pronunt, ată cu cât
p este mai mic.
(b) Dacă n cres, te, asimetria devine din ce în ce mai put, in pronunt, ată astfel încât
pentru p = 0.1 s, i n ≥ 100 se ajunge la o distribut, ie simetrică (confirmând astfel
Teorema 5.76 a lui Moivre-Laplace). 
142 2. Variabile aleatoare discrete

Distribut, ia hipergeometrică
V.a. X spunem că urmează o distribut, ie de tip hipergeometric dacă tabloul
ei de distribut, ie este dat de
 
k
(2.35) X:  ,
pk
k=0,n

unde
Cak Cbn−k
P (X = k) = pk = n , pentru k = 0, n .
Ca+b
C k C n−k
Evident, avem P (X = k) = aC nb ≥ 0.
a+b
Pentru aParăta că suma probabilităt, ilor este 1 folosim identitatea (1.20) s, i
n
obt, inem că k=0 pk = 1.

Remarca 2.107 De fapt, valorile k = 0, n ale v.a. X trebuie să satisfăcă restrict, iile
max (0, n − b) ≤ k ≤ min (n, a) .


Remarca 2.108 Semnificat, ia distribut, iei este următoarea: fie o urnă cu a bile
albe s, i b bile negre din care se extrag pe rând, dar fără a pune bila la loc (sau
se extrag simultan), n bile, cu n ≤ a + b. Atunci X reprezintă v.a. care ia drept
valori numărul de aparit, ii ale Succesului (aparit, ia unei bile albe) în cele n
extrageri. 

Remarca 2.109 Să ment, ionăm că, în cazul unei v.a. X distribuite hipergeome-
tric, funct, ia generatoare de probabilităt, i asociată ei (vezi pagina 377) este
 Xn Xn
GX (t) = E tX = tk P (X = k) = pk tk ,
k=0 k=0

unde pk sunt termenii unei serii hipergeometrice, ceea ce justifică denumirea


distribut, iei.
a a b b
Mai precis, să notăm r = a + b, p = a+b = r ,q = a+b = r . Atunci
k n−k
Crp Crq (rq−n+1)·...·(rq−1)·rq
pk = Crn . Deci p0 = (r−n+1)·...·(r−1)·r s, i apoi

n · (n − 1) · . . . · (n − k + 1)
pk = p0
k!
2.2. Variabile aleatoare discrete cu un număr finit de valori 143

rp · (rp − 1) · . . . · (rp − k + 1)
· .
(rq − n + k) · (rq − n + k − 1) · . . . · (rq − n + 1)

Acum, dacă notăm cu α = −n, β = −rp, γ = rq − n + 1, rescriem pk astfel

α · (α + 1) · . . . · (α + k − 1) β · (β + 1) · . . . · (β + k − 1)
pk = p0 .
k! γ · (γ + 1) · . . . · (γ + k − 1)

Prin urmare, folosind notat, iile (α)k , (β)k , (γ)k pentru termenii din fract, iile
precedente, funct, ia generatoare de probabilităt, i cont, ine termeni de tipul

(α)k · (β)k 1
·
(γ)k k!

care sunt cei care apar în seria hipergeometrică. 

Propozit, ia 2.110 Media s, i dispersia v.a. distribuite hipergeometric X sunt date de

a a b a+b−n
(2.36) E (X) = n · s, i D2 (X) = n · .
a+b a+b a+b a+b−1

Remarca 2.111 Dacă notăm numărul total de bile cu


a
N =a+b s, i cu p =
a+b
b
probabilitatea de a obt, ine a bile albe la prima extragere (deci q = a+b ), atunci
formulele (2.36) se scriu:
N −n
E (X) = np s, i D2 (X) = npq · ,
N −1
adică formula pentru media unei v.a. distribuite hipergeometric (i.e. cazul a
n extrageri fără revenirea bilei în urnă) este exact cea din cazul v.a. distribuite
binomial (i.e. cazul a n extrageri cu revenirea bilei în urnă). Deci este foarte
us, or să ret, inem media unei v.a. distribuite hipergeometric.
De asemenea, în formula pentru dispersia unei v.a. distribuite hipergeo-
metric recunoas, tem termenul npq din cazul v.a. distribuite binomial (apare
−n
termenul N N −1 care este numit factor de corect, ie al populat, iei finite). Deci
este foarte us, or să ret, inem s, i dispersia unei v.a. distribuite hipergeometric.
Dar să observăm două aspecte:
144 2. Variabile aleatoare discrete

−n
• deoarece N N −1 < 1, obt, inem că dispersia din cazul hipergeometric (cazul
în care es, antionul de volum n este ales fără revenirea elementului în
es, antion) este mai mică decât cea din cazul v.a. distribuite binomial (cazul
în care es, antionul de volum n este ales cu revenirea elementului în es, an-
tion). Deci cu cât mai mare este volumul n al es, antionului ales de noi, în
raport cu volumul N al populat, iei cu atât mai mică este dispersia;
• de asemenea, dacă volumul N al populat, iei este foarte mare în compa-
rat, ie cu volumul n al es, antionului ales de noi, atunci factorul de corect, ie
1−n/N 2
1−1/N este foarte aproape de 1, deci dispersia devine D (X) = npq, adică
exact cea din cazul v.a. distribuite binomial.


Demonstrat, ia Propozit, iei 2.110. Folosind identitatea (1.20)
Xn Cak Cbn−k
E (X) = k· n
k=0 Ca+b
Xn a! b! n! (a + b − n)!
= k· · ·
k=1 k! (a − k)! (n − k)! (b − n + k)! (a + b)!
an Xn (a − 1)! b!
= ·
a+b k=1 (k − 1)! ((a − 1) − (k − 1))! (n − k)! (b − n + k)!

(n − 1)! ((a + b − 1) − (n − 1))!


·
(a + b − 1)!
k 0 (n−1)−k0
an Xn−1 Ca−1 Cb an
= n−1 = .
a+b k0 =0 Ca+b−1 a+b

Similar
 Xn Cak Cbn−k
E X2 = k2 · n
k=0 Ca+b
an Xn (a − 1)! b!
= (k − 1) ·
a+b k=1 (k − 1)! (a − k)! (n − k)! (b − n + k)!
(n − 1)! (a + b − n)!
·
(a + b)!
an Xn (a − 1)! b!
+ ·
a+b k=1 (k − 1)! (a − k)! (n − k)! (b − n + k)!
2.2. Variabile aleatoare discrete cu un număr finit de valori 145

(n − 1)! (a + b − n)!
·
(a + b − 1)!
an (n − 1) a − 1 Xn (a − 2)! b!
=
a+b a+b−1 k=2 (k − 2)! (a − k)! (n − k)! (b − n + k)!
k 0 (n−1)−k0
(n − 2)! (a + b − n)! an Xn−1 Ca−1 Cb
· + n−1 .
(a + b − 2)! a+b k0 =0 Ca+b−1

Deci
k 0 (n−2)−k0
2
 an (n − 1) a − 1 Xn−2 Ca−2 Cb an
E X = n−2 +
a+b a+b−1 k0 =0 Ca+b−2 a+b
an (n − 1) a − 1 an
= + .
a+b a+b−1 a+b
Obt, inem
 2
2 an (n − 1) a − 1 an an
D (X) = + −
a+b a+b−1 a+b a+b
 
an (a − 1) (n − 1) an an b (a + b − n)
= +1− = .
a+b a+b−1 a+b a + b (a + b − 1) (a + b)

Remarca 2.112 La fel ca s, i în cazul unei v.a. distribuite binomial (vezi Remarca
2.102), să definim v.a. Xi ca fiind numărul de bile albe obt, inute la extragerea
i = 1, n (adică Xi ia doar valorile 0 sau 1, deci Xi sunt v.a. care urmează o
lege de tip Bernoulli) în cadrul de lucru dat de Remarca 2.108: din urna cu a
bile albe s, i b bile negre se extrag pe rând n ≤ a + b bile, dar fără a pune bila
la loc (sau se extrag simultan n bile). Prin urmare, Xi sunt v.a. care nu sunt
independente între ele.
Pe de altă parte, numărul natural aleator X1 + X2 + . . . + Xn reprezintă
numărul total de bile albe obt, inute după cele n extrageri, prin urmare X =
X1 + X2 + . . . + Xn reprezintă o v.a. distribuită hipergeometric.
Deci

orice v.a. X distribuită hipergeometric poate fi văzută ca

o sumă de n v.a. dependente, de tip Bernoulli.


146 2. Variabile aleatoare discrete
 
0 1 a
Pe de altă parte, evident, X1 :   , deci E (X1 ) = .
b a a+b
a+b a+b
 
0 1
Apoi obt, inem s, i tabloul v.a. X2 :   , deoarece avem o struc-
b a
a+b a+b
tură de tip arbore s, i, folosind formula probabilităt, ii totale, putem calcula:
P (X2 = 0)
= P (X2 = 0|X1 = 1) · P (X1 = 1) + P (X2 = 0|X1 = 0) · P (X1 = 0)
b a b−1 b b
= · + · = ,
a+b−1 a+b a+b−1 a+b a+b
P (X2 = 1)
= P (X2 = 1|X1 = 1) · P (X1 = 1) + P (X2 = 1|X1 = 0) · P (X1 = 0)
a−1 a a b a
= · + · = .
a+b−1 a+b a+b−1 a+b a+b
 
0 1
Tabloul v.a. X3 :   , deoarece avem o structură de tip arbore s, i,
b a
a+b a+b
folosind formula probabilităt, ii totale, putem calcula:
P (X3 = 0)
= P (X3 = 0|X2 = 1, X1 = 1) · P (X2 = 1|X1 = 1) · P (X1 = 1)
+ P (X3 = 0|X2 = 0, X1 = 1) · P (X2 = 0|X1 = 1) · P (X1 = 1)
+ P (X3 = 0|X2 = 1, X1 = 0) · P (X2 = 1|X1 = 0) · P (X1 = 0)
+ P (X3 = 0|X2 = 0, X1 = 0) · P (X2 = 0|X1 = 0) · P (X1 = 0)
b a−1 a b−1 b a
= · · + · ·
a+b−2 a+b−1 a+b a+b−2 a+b−1 a+b
b−1 a b b−2 b−1 b
+ · · + · ·
a+b−2 a+b−1 a+b a+b−2 a+b−1 a+b
ab (a + b − 2) b (b − 1) (a + b − 2)
= +
(a + b) (a + b − 1) (a + b − 2) (a + b) (a + b − 1) (a + b − 2)
b (a + b − 1) b
= = ,
(a + b) (a + b − 1) a+b
2.2. Variabile aleatoare discrete cu un număr finit de valori 147

a
prin urmare P (X3 = 1) = .
a+b
Similar,
 
0 1 a
Xi :  , deci E (Xi ) = , pentru i = 1, n .
b a a+b
a+b a+b

Deci este foarte us, or să obt, inem s, i să ret, inem media unei v.a. distribuite
hipergeometric, adică formula (2.36) (vezi s, i Remarca 2.111):
Xn  Xn Xn a a
E (X) = E Xi = E (Xi ) = =n· .
i=1 i=1 i=1 a + b a+b

În ceea ce prives, te dispersia, (Xi )i=0,n nefiind independente, este mai greu de
calculat D2 (X) folosind doar D2 (Xi ) . 

Remarca 2.113 Dintr-o populat, ie statistică de mărime N s-a făcut o select, ie de


n indivizi, nerepetată (individul extras nu se întoarce în populat, ie) în vederea
cercetării unei caracteristici A (sau se poate considera că la n indivizi se face
simultan cercetarea caracteristicii A). Dacă presupunem că o parte dintre indi-
vizii populat, iei posedă caracteristica A iar restul nu o posedă, atunci numărul
de indivizi cercetat, i posedând proprietatea A urmează schema hipergeometri-
că (sau schema bilei nerevenite). 

Remarca 2.114 (vezi s, i Remarca 2.111) Distribut, ia hipergeometrică este utilă


atunci când volumul N al populat, iei este mic sau când volumul n al select, iei
este comparabil cu N. Dacă volumul N este suficient de mare s, i volumul n este
mic în comparat, ie cu N , atunci putem utiliza distribut, ia binomială care apro-
ximează, în acest caz, distribut, ia hipergeometrică. De exemplu, dacă a = b =
1000000, atunci prima bilă extrasă este albă cu probabilitatea p = 1000000
2000000 = 0.5.
După prima extragere, a doua bilă extrasă este albă cu probabilitatea p1 =
99999 100000
199999 = 0.499997, dacă prima bilă extrasă este albă s, i respectiv p2 = 199999 =
0.500002, dacă prima bilă extrasă este neagră. Deci indiferent de culoare primei
bile extrase, probabilitatea ca a doua bilă extrasă să fie albă este practic tot
0.5 (deci, în acest caz particular, se poate considera că urna nu îs, i modifică
compozit, ia). 

Observat, ia precedentă este justificată teoretic de următorul rezultat de legă-


tură dintre distribut, ia binomială s, i distribut, ia hipergeometrică.
148 2. Variabile aleatoare discrete

Teorema 2.115 Distribut, ia binomială B (n, p) este este un caz limită al distribut, iei
hipergeometrice dată de (2.35), când a, b → ∞ astfel încât există p, q ∈ (0, 1) astfel
a b
încât → p iar → q = 1 − p, pentru a, b → ∞.
a+b a+b
Mai precis, are loc limita
Cak Cbn−k
lim a,b→∞ n = Cnk pk q n−k .
a b Ca+b
a+b →p, a+b →q

Demonstrat, ie. Fie n, k ∈ N∗ arbitrar fixate. Avem


Cak Cbn−k a! b! n! (a + b − n)!
n =
Ca+b k! (a − k)! (n − k)! (b − n + k)! (a + b)!
a! b! (a + b − n)!
= Cnk
(a − k)! (b − n + k)! (a + b)!
(a − k + 1) (a − k + 1) . . . a · (b − (n − k) + 1) (b − (n − k) + 2) . . . b
= Cnk
(a + b − n + 1) (a + b − n + 2) . . . (a + b)
a−k+1 a−k+2 a−k+k
= Cnk ...
a+b−n+1 a+b−n+2 a+b−n+k
b − (n − k) + 1 b − (n − k) + 2 b − (n − k) + (n − k)
· ...
a + b − (n − k) + 1 a + b − (n − k) + 2 a + b − (n − k) + (n − k)
Yk a − k + r Yn−k b − (n − k) + s
= Cnk .
r=1 a + b − n + r s=1 a + b − (n − k) + s

a b
Dar, dacă a, b → ∞ astfel încât a+b → p, a+b → q, când a, b → ∞, atunci,
pentru orice r s, i s, avem
a
a−k+r − k−r
= a+b n−r
a+b
−→ p iar
a+b−n+r 1 − a+b

b − (n − k) + s
b
− (n−k)−s
= a+b (n−k)−s
a+b
−→ q.
a + b − (n − k) + s 1 − a+b
Prin urmare,
Cak Cbn−k Yk Yn−k
lim a,b→∞ n = Cnk p q = Cnk pk q n−k .
a b Ca+b r=1 s=1
a+b →p, a+b →q
2.3. Variabile aleatoare discrete cu un număr infinit de valori 149

Remarca 2.116 Cu alte cuvinte, când numărul de bile albe s, i bile negre este
foarte mare valoarea probabilităt, ii dată de schema bilei nerevenite se apropie
de valoarea probabilităt, ii dată de schema bilei revenite (schema binomială), i.e.
k  n−k
Cak Cbn−k

a b
n ' Cnk .
Ca+b a+b a+b

Acest rezultat este de as, teptat având în vedere că o bilă scoasă din urnă nu
influent, ează foarte mult compozit, ia urnei; astfel se ajunge la o succesiune de
extrageri independente de bile. 

2.3 Variabile aleatoare discrete cu un număr infinit


de valori
Ca s, i în cazul v.a. cu un număr finit de valori (vezi pagina 105), cunoas, terea
legii dată de PX (B) = P (X ∈ B), unde B ∈ B (R), asociată unei v.a. discrete
X, cu un număr infinit de valori, este echivalentă cu cunoas, terea valorile pe
care le poate lua v.a. (adică a mult, imii X (Ω) ) s, i a probabilităt, ilor cu care este
luată fiecare valoare din X (Ω) .
Putem reprezenta aceste informat, ii sub forma unui tabloul de repartit, ie:
   
x1 x2 . . . x i . . . x
(2.37) X:  sau X :  i  ,
p1 p2 . . . pi . . . pi
i∈I

unde I este o mult, ime cel mult numărabilă (prin convent, ie, am scris valorile
x1 , x2 , . . . , xn ale v.a. în ordine strict crescătoare).
Deci X (Ω) = {x1 , x2 , . . . , xn , . . .} iar pi = P (X = xi ) , cu i ∈ I , astfel încât
X
pi ≥ 0, pentru i ∈ I , s, i pi = 1
i∈I
P
(seria i∈I pi este convergentă s, i are suma 1).
Are loc, s, i în acest caz, scrierea unei v.a. discrete dată de Remarca 2.40:

xi 1Ai ,
X
X=
i∈I

unde Ai = X −1 ({xi }) = {X = xi } , pentru i ∈ I.


150 2. Variabile aleatoare discrete

Funct, ia de repartit, ie este dată de Definit, ia 2.8 s, i este o funct, ia în scară:


X
F (x) = P (X ≤ x) = xi ∈X(Ω) P (X = xi ) , pentru orice x ∈ R.
xi ≤x

Operat, iile cu variabile cu un număr infinit de valori se definesc ca s, i în cazul


v.a. discrete cu un număr finit de valori (vezi Sect, iunea 2.2.1).

Exemplul 2.117 Fie v.a. discrete X, Y de tip i.i.d., date de P(X = xi ) = P(Y =
xi ) = pi , cu i ∈ I. Să se determine64 P (X = Y ).
Avem, folosind independent, a,
[  X
P (X = Y ) = P {X = xi , Y = xi } = P ({X = xi , Y = xi })
i∈I i∈I
X X
= P (X = xi ) · P (Y = xi ) = p2i .
i∈I i∈I


Definit, ia 2.43 se poate da s, i în cazul unei v.a. discrete cu un număr infinit
de valori. Pentru simplitatea scrierii vom lua I = N∗ (vezi Nota 30).
 
xi
Definit, ia 2.118 Fie v.a. discretă X :   . Spunem că v.a. X admite
pi
i∈N∗
medie (sau că este integrabilă), dacă următoarea serie este convergentă:
X

|xi | pi < ∞.
i∈N
P
În caz că v.a. X admite medie, atunci suma seriei i∈N∗ xi pi se va numi media v.a.
discrete X, i.e.

def
X
(2.38) E (X) == x1 p1 + x2 p2 + . . . + xi pi + . . . = xi pi .
i∈N∗

Remarca 2.119 Dacă v.a. X admite medie, atunci putem scrie definit, ia prece-
dentă s, i sub forma
X
E (X) = x · P (X = x) .
x∈X(Ω)

64 Vezi s, i Exemplul 3.172.


2.3. Variabile aleatoare discrete cu un număr infinit de valori 151

De fapt, vezi Remarca 3.32, dacă (Ω, F, P) este un spat, iu de probabilitate s, i X


este o v.a. definită pe acest spat, iu, atunci media unei v.a. (indiferent de tipul
ei) este definită de următoarea integrală Lebesgue (în caz că aceasta există) pe
Ω în raport cu măsura P :
Z
def
E (X) == X (ω) P (dω) .

Conform definit, iei integralei Lebesgue, se deduce că X este integrabilă Lebes-
gue (adică integrala există s, i este finită) dacă s, i numai dacă |X| este integrabilă
Lebesgue.

Se poate arăta că integrala precedentă se poate exprima cu ajutorul integra-


lei Lebesgue pe R în raport cu măsura PX :
Z
E (X) = x PX (dx) .
R

De exemplu, în cazul în care v.a. X este discretă, cu X = i∈I xi 1Ai , unde


P
I este o mult, ime cel mult mult, ime cel mult numărabilă, X (Ω) = {xi }i∈I iar
Ai = {X = xi }, pentru i ∈ I (vezi Remarca
Z Z X
E (X) = X (ω) P (dω) = xi 1{X=xi } (ω) P (dω)
Ω Ω i∈I
Z Z
1{X=xi } (ω) P (dω) =
X X
= xi xi P (dω)
i∈I Ω i∈I {X=xi }
X X Z
= ∗
xi P (X = xi ) = ∗
xi PX ({xi }) = x PX (dx) .
i∈N i∈N R

Remarca 2.120 Media unei v.a. discrete cu un număr finit de valori există în-
totdeauna, fiind o sumă finită, pe când media unei v.a. discrete cu un număr
infinit de valori nu; astfel, seria modulelor care apare în definit, ia mediei este o
serie cu termeni nenegativi s, i poate să fie convergentă (are suma finită) sau nu
(are suma infinită).
Să observăm că dacă se impune ca seriaPcare defines, te media să fie abso-
lut convergentă, atunci seria fără module i∈N∗ xi pi este convergentă, prin
urmare media este bine definită s, i este suma acelei serii. 
152 2. Variabile aleatoare discrete

P
Remarca 2.121 Se impune ca seria i∈N∗ xi pi să fie absolut convergentă deoa-
rece se dores, te ca prin orice permutare a termenilor seriei să se obt, ină o serie
tot convergentă s, i cu aceeas, i sumă65 .
Astfel, se impune absoluta convergentă deoarece, atunci când se calculează
media v.a., să nu conteze ordinea de scriere a valorilor v.a. s, i respectiv a terme-
nilor sumei din definit, ia mediei. 

Media unei funct, ii aplicată unei v.a. poate fi calculată folosind următorul
rezultat.

Teorema 2.122 (Formula de transfer) Fie X o .v.a. discretă cu tabloul de repartit, ie


 
xi
X:  .
pi
i∈N∗

Fie h : R → R o funct, ie măsurabilă. Atunci h (X) : Ω → R este s, i ea o v.a. s, i această


v.a. admite medie dacă s, i numai dacă
X
|h (xi )| pi < ∞.
i∈N∗

În cazul în care h (X) admite medie, aceasta este dată de:


X
E (h (X)) = h (xi ) pi .
i∈N∗

Remarca 2.123 Dacă v.a. h(X) admite medie, atunci formula precedentă o
putem scrie s, i sub forma
X
E (h(X)) = h(x) · P (X = x) .
x∈X(Ω)


65
P
Vezi [22, pag. 291]: dacă seria i∈N∗ ai este absolut convergentă, atunci orice altă serie
obt, inută printr-o permutare a termenilor este de asemenea convergentă s, i are aceeas, i sumă cu
seria init, ială.
P
Dacă seria i∈N∗ ai nu ar fi absolut convergentă (ci doar convergentă), atunci, conform Teormei
lui Riemann (vezi [22, pag. 292]), pentru orice A ∈ R̄, există o permutare a termenilor astfel încât
noua serie să aibă suma A.
2.3. Variabile aleatoare discrete cu un număr infinit de valori 153

Remarca 2.124 Dispersia, covariant, a, corelat, ia, precum s, i momentele init, iale,
centrale sau absolute de ordin r > 0 se definesc cu ajutorul seriilor numerice s, i
similar cazului v.a. cu un număr finit de valori. 

Remarca 2.125 Au loc s, i în cazul v.a. discrete cu un număr infinit de valori


rezultatele stabilite de Propozit, iile 2.47 s, i 2.77 precum s, i inegalităt, ile lui Markov
s, i Cebâs, ev date de (2.27) s, i respectiv (2.28). 

2.3.1 Exemple de v.a. discrete


Distribut, ia Poisson (cu un număr infinit de valori)
Spunem că X este o v.a. este de tip Poisson de parametru λ ∈ (0, ∞) , s, i
scriem X ∼ P (λ), dacă are tabloul
 
0 1 2 ... k ...
X: λ −λ λ2 −λ λk −λ
.
e−λ e e ... e ...
1! 2! k!
k
Evident, avem P (X = k) = λk! e−λ > 0, unde k ∈ N.
Pentru a arăta că suma probabilităt, ilor este 1 folosim dezvoltarea în serie
de puteri a exponent, ialei66 :
X∞ X∞ λk X∞ λk
pk = e−λ = e−λ = e−λ eλ = 1.
k=0 k=0 k! k=0 k!

Remarca 2.126 Distribut, ia Poisson este utilizată când ne interesează numărul


de evenimente care apar într-un interval de timp precizat, dacă se observă că
aceste evenimente apar cu o anumită medie (rată de aparit, ie sau intensitate) s, i
faptul că ele apar independent unele fat, ă de altele.
De exemplu, v.a. distribuite Poisson pot fi cele care reprezintă numărul de
accidente ce apar într-un an, într-o anumită sect, iune a unei străzi; sau numărul
persoanelor care mor într-un an din cauza bolii Lyme; sau numărul de cutre-
mure ce apar într-un an, într-o anumită zonă geografică. 
66 Dezvoltarea în serie de puteri a exponent, ialei, i.e. dezvoltarea Taylor în jurul lui a = 0, adică
seria Maclaurin, asociată funct, iei ex :
X ∞ xk x x2 xn
ex = =1+ + + ... + + . . . , pentru orice x ∈ R.
k=0 k! 1! 2! n!
154 2. Variabile aleatoare discrete

Remarca 2.127 Legea unei v.a. X ∼ P (λ) este măsură de probabilitate discretă
s, i este dată de
X∞ λk e−λ
PX (A) = · δ k (A) , pentru A ∈ B (R) ,
k=0 k!
unde δ k este măsura Dirac concentrată în punctul k ∈ {0, 1, 2, . . .} . 

Propozit, ia 2.128 Media s, i dispersia v.a. distribuite Poisson X sunt date de

(2.39) E (X) = λ s, i D2 (X) = λ.

Remarca 2.129 Deci, în cazul unei v.a. de tip P (λ) , parametrul ei este chiar
media (precum s, i dispersia) v.a.. 
Demonstrat, ie. Într-adevăr,
X∞ X∞ λk −λ X∞ λk−1
E (X) = kpk = k e = λe−λ =λ
k=0 k=0 k! k=1 (k − 1)!

s, i
 X∞ 2 X∞ λk −λ X∞ λk
E X2 = k pk = k2 e = e−λ k
k=0 k=0 k! k=1 (k − 1)!
k
X∞ λ
= e−λ (k − 1 + 1)
k=1 (k − 1)!
X∞ λk−2 X∞ λk−1
= λ2 e−λ + λe−λ
k=2 (k − 2)! k=1 (k − 1)!

= λ2 e−λ eλ + λe−λ eλ = λ2 + λ,
deci
2
D2 (X) = E X 2 − (E (X)) = λ.


Avem următorul rezultat de legătură dintre distribut, ia binomială s, i distri-


but, ia Poisson.

Teorema 2.130 Distribut, ia Poisson P (λ) este un caz limită al distribut, iei binomiale
B (n, p) când n → ∞ s, i p → 0 astfel încât produsul np = λ (rămâne constant).
În acest sens are loc limita
λk e−λ
lim n→∞ Cnk pk q n−k = .
p=λ/n→0 k!
2.3. Variabile aleatoare discrete cu un număr infinit de valori 155

Demonstrat, ie. Fie k ∈ N∗ arbitrar fixat s, i fie n > k. Să considerăm v.a. Xn ∼
def
B (n, pn ), unde pn == λ/n. Atunci E (Xn ) = npn = λ, pentru orice n ∈ N∗ .
Atunci

limn→∞ P (Xn = k)
k n−k
= limn→∞ Cnk (pn ) (qn )
 k  n−k
(n − k + 1) (n − k + 2) . . . (n − 1) n λ λ
= limn→∞ 1−
k! n n
 k  n−k
(n − k + 1) (n − k + 2) . . . (n − 1) n λ λ
= limn→∞ 1−
k! n n
n−k
λk
 
(n − k + 1) (n − k + 2) . . . (n − 1) n λ
= limn→∞ 1 −
k! nk n
λ k
n−k+1 n−k+1 n−1 n h i −λ(n−k)
−n/λ n
= limn→∞ ... (1 − λ/n)
k! n n n n
λk −λ
= e .
k!
Deci, dacă pn este suficient de mic s, i n suficient de mare atunci putem aproxima
distribut, ia Poisson de parametru λ prin distribut, ii binomiale de parametri n s, i
pn = λ/n.

Remarca 2.131 Mai concret, putem preciza că, pentru n ≥ 30 s, i λ = np < 5,


atunci distribut, ia binomială este o bună aproximare a distribut, iei Poisson s, i
scriem
B (n, λ/n) ' P (λ) .


Remarca 2.132 Distribut, ia Poisson se aplică atunci când p este mic, adică în
cazul evenimentelor care se întâmplă rar. De aceea ea mai poartă numele de
legea evenimentelor rare. Distribut, ia Poisson se aplică deci când avem un
număr mare de obiecte ce sunt repartizate uniform pe un domeniu mare. 

Remarca 2.133 Distribut, ia Poisson este un model matematic potrivit atunci


când numărăm aparit, iile unui eveniment într-un interval de timp fixat (de e-
xemplu numărul de apeluri zilnice primite de un Serviciu Client, i al unei firme
156 2. Variabile aleatoare discrete

sau numărul de cutremure care se produc într-un an într-o anumită regiune


geografică).
Deoarece E (X) = λ, parametrul λ > 0 poate fi văzut ca rata sau intensi-
tatea medie de aparit, ie a evenimentului pe unitatea de timp. 

Propozit, ia 2.134 Suma a două v.a. independente care urmează o distribuit, ie de tip
Poisson este o v.a care urmează o distribuit, ie tot de tip Poisson. Mai precis67 ,
Xi ∼ P (λi ) , i = 1, 2 , independente ⇒ X1 + X2 ∼ P (λ1 + λ2 ) .
Demonstrat, ie. Valorile pe care le poate lua X1 + X2 sunt k ∈ N. Atunci
Xk
P (X1 + X2 = k) = P (X1 = i) · P (X2 = k − i)
i=0
Xk λi1 −λ1 λk−i
= e · 2
e−λ2
i=0 i! (k − i)!
Xk λi λk−i
= e−(λ1 +λ2 ) 1
· 2
i=0 i! (k − i)!
1 −(λ1 +λ2 ) Xk 1 −(λ1 +λ2 ) k
= e Cki λi2 λk−i
2 = e (λ1 + λ2 ) .
k! i=0 k!
Deci v.a. X1 + X2 ∼ P (λ1 + λ2 ) .

Distribut, ia geometrică
V.a. X spunem că urmează o distribut, ie de tip geometric de parametru
p ∈ (0, 1) , s, i scriem X ∼ G (p) , dacă tabloul ei de distribut, ie este dat de
 
k
X:  .
pq k−1 ∗ k∈N

Evident, avem P (X = k) = pq k−1 ≥ 0.


Pentru a arăta că suma probabilităt, ilor este 1 folosim seria geometrică68
67 Acest rezultat se poate demonstra s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul 4.2.14).
68 Seria geometrică este suma termenilor unei progresii geometrice s, i este dată de următoarea
dezvoltare în serie de puteri, i.e. dezvoltarea Taylor în jurul lui a = 0, adică seria Maclaurin,
1
asociată funct, iei 1−x :
1 X∞
= xk = 1 + x + x2 + . . . + xk + . . . , pentru orice |x| < 1.
1−x k=0
2.3. Variabile aleatoare discrete cu un număr infinit de valori 157

(ceea ce justifică s, i numele distribut, iei):


X X∞ X∞ X∞ 1
pk = pq k−1 = p q k−1 = p qk = p = 1.
k∈N ∗ k=1 k=1 k=0 1−q

Remarca 2.135 Semnificat, ia distribut, iei este următoarea: fie o experient, ă s, i A


un eveniment legat de ea care se poate realiza cu probabilitatea p = P (A). Se
repetă experient, a de mai multe ori s, i în aceleas, i condit, ii. Atunci X reprezintă
v.a. care ia drept valori numărul de încercări până când are loc prima realizare
a evenimentului A, i.e. primul Succes (aparit, ia evenimentului A ).
Deci, evenimentul {X = k} este evenimentul ca în primele (k − 1) efectu-
ări ale experient, ei, evenimentul A nu se produce deloc (spunem că s-au pro-
dus (k − 1) es, ecuri) s, i în efectuarea k a experient, ei evenimentul A se produce
(spunem că se produce primul succes).
Obt, inem P (X = k) = q · q · . . . · q · p = q k−1 p. 
| {z }
de (k−1)-ori

Remarca 2.136 Putem defini distribut, ia geometrică s, i în modul următor: fie o


experient, ă s, i A un eveniment legat de ea care se realizează cu probabilitatea
p = P (A). Se repetă experient, a de mai multe ori s, i în aceleas, i condit, ii. Să
definim X ca fiind v.a. care ia drept valori numărul de es, ecuri până când are
loc prima realizare a evenimentului A, i.e. primul Succes (aparit, ia evenimen-
tului A ).
Atunci evenimentul {X = k} este evenimentul ca în primele k efectuări ale
experient, ei, evenimentul A nu se produce deloc s, i în efectuarea (k + 1) a ex-
perient, ei evenimentul A se produce.
Deci P (X = k) = q · q · . . . · q · p = q k p iar tabloul este dat de
| {z }
de k-ori
 
k
X:  .
pq k
k∈N

Propozit, ia 2.137 Media s, i dispersia unei v.a. X ∼ G (p) sunt date de

1 q
(2.40) E (X) = s, i D2 (X) = .
p p2
158 2. Variabile aleatoare discrete

Demonstrat, ie. Folosim dezvoltări cunoscute, plecând69 de la dezvoltarea func-


1
t, iei în serii de puteri (i.e. de la seria geometrică). Obt, inem
1−x
X∞ X∞ 1 1
E (X) = k pk = p k q k−1 = p 2 = p
k=1 k=1 (1 − q)
s, i
 X∞ 2 X∞ 1+q 2−p
E X2 = k pk = p k 2 q k−1 = p 3 = p2 ,
k=1 k=1 (1 − q)
deci
2 2−p 1 1−p
D2 (X) = E X 2 − (E (X)) =

− 2 = .
p2 p p2

Exercit, iul 2.138 Să se calculeze media s, i dispersia în cazul în care X numără es, ecurile
până la aparit, ia primului Succes.

Propozit, ia 2.139 Dacă X ∼ G (p), atunci, pentru orice n ∈ N∗ , funct, ia de repartit, ie


este dată de

(2.41) F (n) = 1 − q n sau, echivalent, P (X > n) = q n ,

pentru orice n ∈ N∗ .
69 1
= ∞ k
P
Derivând o dată dezvoltarea funct, iei 1−x k=0 x obt, inem dezvoltarea
1 X∞
= kxk−1 , pentru orice |x| < 1.
(1 − x)2 k=1

Se obt, ine imediat s, i


x X∞
2
= kxk , pentru orice |x| < 1.
(1 − x) k=1

Derivând încă o dată obt, inem dezvoltarea


2 X∞
3
= k (k − 1) xk−2 , pentru orice |x| < 1.
(1 − x) k=2

precum s, i
 0
X∞ x 1+x
k2 xk−1 = 2
= , pentru orice |x| < 1.
k=1 (1 − x) (1 − x)3
1
Integrând dezvoltarea funct, iei 1−x obt, inem dezvoltarea
 1  X∞ 1
ln = xk+1 , pentru orice |x| < 1.
1−x k=0 k + 1
2.3. Variabile aleatoare discrete cu un număr infinit de valori 159

Remarca 2.140 Evident, obt, inem



 0, dacă x ∈ (−∞, 1),
F (x) =
1 − q bxc dacă x ∈ [1, ∞),

unde bxc este partea întreagă a lui x, i.e. cel mai mare întreg mai mic sau egal
cu x. 
Demonstrat, ie. Într-adevăr,
Xn Xn−1 1 − qn
F (n) = P (X ≤ n) = pq k−1 = p qk = p · = 1 − qn .
k=1 k=0 1−q

Exercit, iul 2.141 (a) Să se determine probabilitatea de a obt, ine o dublă atunci când se
aruncă, o singură dată, două zaruri.
(b) Se aruncă două zaruri în mod repetat, până când se obt, ine prima dublă. Fie X v.a.
care reprezintă numărul de încercări. Să se determine legea v.a. X.
(c) Să se determine probabilitatea de a nu avea nici o dublă în primele 5 aruncări (i.e.
P (X > 5) ).

Exercit, iul 2.142 Fie X ∼ G (p) . Să se calculeze media E (X) folosind formula (2.20)
adică să se calculeze media E (X) folosind doar funct, ia de repartit, ie dată de (2.41).

Distribut, ia binomială cu exponent negativ


V.a. X spunem că urmează o distribut, ie de tip binomial cu exponent nega-
tiv de parametri r ∈ N∗ , p ∈ (0, 1) , s, i scriem X ∼ NegB (r, p) , dacă tabloul ei
de distribut, ie este dat de
 
k
X :  r−1  .
Ck−1 pr q k−r
k∈N, k≥r
r−1 r k−r ∗
Evident Ck−1 p q ≥ 0, pentru orice k ∈ N cu k ≥ r. Pentru a arăta că suma
probabilităt, ilor este 1 folosim dezvoltarea binomială cu exponent negativ70
70 Dezvoltarea binomială (generalizare a binomului lui Newton):
α α (α − 1) 2 α (α − 1) (α − 2) . . . (α − n + 1) n
(1 + x)α = 1 + x+ x + ... + x + ... ,
1! 2! n!
pentru orice |x| < 1 s, i pentru orice α ∈ R \ N.
160 2. Variabile aleatoare discrete

(ceea ce justifică s, i numele distribut, iei):


1 r r (r + 1) 2
r =1+ x+ x + ...
(1 − x) 1! 2!
r (r + 1) (r + 2) · · · (r + n − 1) n
+ x + ...
n!
r−1 r−1 2 r−1 2
(2.42) = Cr−1 + Crr−1 x + Cr+1 x + Cr+2 x + ...
r−1
+ Cr+n−1 xn + . . .
X∞
= r−1 k−r
Ck−1 x , pentru orice |x| < 1 s, i orice r ∈ N∗ .
k=r

Obt, inem
X∞ X∞
r−1 r k−r
X∞
r−1 k−r pr
pk = Ck−1 p q = pr Ck−1 q = r = 1.
k=r k=r k=r (1 − q)

Remarca 2.143 Semnificat, ia distribut, iei este următoarea: fie o experient, ă s, i A


un eveniment legat de ea care se poate realiza cu probabilitatea p = P (A). Se
repetă experient, a de mai multe ori s, i în aceleas, i condit, ii. Atunci X reprezintă
v.a. care ia drept valori numărul de încercări până când evenimentul A se
realizează de r ori, i.e. se produce Succesul (aparit, ia evenimentului A ) de r
ori.
Într-adevăr, evenimentul {X = k} , unde k ≥ r, este intersect, ia a două
evenimente independente: în primele (k − 1) efectuări ale experient, ei, eveni-
mentul A se produce de r − 1 ori s, i la efectuarea k a experient, ei evenimentul A
se produce.
Probabilitatea primului eveniment este, conform schemei binomiale, dat
r−1 r−1 k−r
de Ck−1 p q iar probabilitatea celui de-al doilea eveniment este p. Deci
probabilitatea intersect, iei este
r−1 r−1 k−r r−1 r k−r
P (X = k) = Ck−1 p q · p = Ck−1 p q .

Remarca 2.144 Evident, în cazul particular r = 1 distribut, ia binomială cu ex-


ponent negativ devine distribut, ia geometrică, mai precis,

NegB (1, p) = G (p) .


2.3. Variabile aleatoare discrete cu un număr infinit de valori 161

Remarca 2.145 Are loc următoarea legătură dintre v.a. distribuite binomial s, i
cele distribuite binomial cu exponent negativ.
Astfel, fie X ∼ NegB (r, p). Atunci

P (X ≤ n) = P ({nr. de încercări până la primele r succese este ≤ n})


= P ({în primele n încercări succesul apare de cel put, in r ori})
= P (Y ≥ r) ,

unde Y ∼ B (n, p) .
Relat, ia de legătură de mai sus se poate scrie s, i sub forma

FX (n) = 1 − FY (r − 1) ,

deoarece P (Y ≥ r) = 1 − P (Y < r) = 1 − P (Y ≤ r − 1) . 

Propozit, ia 2.146 Media s, i dispersia unei v.a. X ∼ NegB (r, p) distribuite binomial,
cu exponent negativ, sunt date de

1 q
E (X) = r · s, i D2 (X) = r · .
p p2

Demonstrat, ie. Derivând dezvoltarea binomială (2.42)


xr X∞
r = C r−1 xk
(1 − x) k=r k−1

obt, inem
0 r r−1
xr rxr−1 (1 − x) + rxr (1 − x)
X∞ 
r−1 k−1
kCk−1 x = r = 2r
k=r (1 − x) (1 − x)
rxr−1
= r+1 ,
(1 − x)
deci
X∞ X∞
r−1 r k−r
E (X) = kpk = kCk−1 p q
k=r k=r
X∞ rq r−1 r
= pr q −(r−1) r−1 k−1
kCk−1 q = pr q −(r−1) r+1 = .
k=r (1 − q) p
162 2. Variabile aleatoare discrete

Remarca 2.147 Dacă vedem X ∼ NegB (r, p) ca fiind numărul de încercări


până la aparit, ia succesului de ordin r (sau a primelor r succese), atunci X
este o sumă de r v.a. Xi independente date de: X1 reprezintă numărul de
încercări necesare până la aparit, ia primului succes, X2 reprezintă numărul de
încercări necesare de după aparit, ia primului succes, până la aparit, ia celui de-
al doilea succes, X3 reprezintă numărul de încercări necesare de după aparit, ia
celui de-al doilea succes, până la aparit, ia celui de-al treilea succes s, .a.m.d.
În definit, iile de mai sus Xi reprezintă r v.a. independente distribuite geo-
metric de acelas, i parametru p, i.e. Xi ∼ G (p) , deci

orice v.a. X distribuită negativ binomial poate fi văzută ca o sumă de


n v.a. dependente, de tip geometric,

i.e.
Xr
X = X1 + X2 + . . . + Xr = Xi ∼ NegB (r, p) .
i=0

1 q
În plus, s, tim că E (Xi ) = iar D2 (Xi ) = 2 , deci este foarte us, or să obt, inem
p p
s, i să ret, inem media s, i dispersia unei v.a. distribuite binomial cu exponent
negativ NegB (r, p) :
 Xr  Xr Xr 1 1
(2.43) E (X) = E Xi = E (Xi ) = =r·
i=1 i=1 i=1 p p

s, i
Xr  Xr Xr q q
(2.44) D2 (X) = D2 Xi = D2 (Xi ) = =r· 2 .
i=1 i=1 i=1 p2 p


Legătura precedentă dintre o v.a. distribuită binomial cu exponent negativ


s, i o sumă de v.a. distribuite geometric poate fi demonstrată s, i formal.

Propozit, ia 2.148 Suma a două v.a. independente care urmează o distribuit, ie de tip
geometric este o v.a care urmează o distribuit, ie de tip negativ binomial. Mai precis71 ,

X1 , X2 ∼ G (p) independente ⇒ X1 + X2 ∼ NegB (2, p) .


71 Acest rezultat se poate demonstra s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul 4.2.16).
2.4. Exerciţii rezolvate 163

Demonstrat, ie. Valorile pe care le poate lua suma X1 + X2 sunt k ∈ {2, 3, . . .} ,


deoarece X1 (Ω) = X2 (Ω) = N∗ . Atunci
Xk−1
P (X1 + X2 = k) = P (X1 = i) · P (X2 = k − i)
i=1
Xk−1 Xk−1
= pq i−1 · pq k−i−1 = p2 q k−2 = (k − 1) p2 q k−2
i=1 i=1
2−1 2 k−2
= Ck−1 p q , pentru orice k ≥ 2,

adică X1 + X2 ∼ NegB (2, p) .

Propozit, ia 2.149 Suma a două v.a. independente care urmează o distribuit, ie de tip
negativ binomial este o v.a care urmează o distribuit, ie tot de tip negativ binomial. Mai
precis72 ,

Xi ∼ NegB (ri , p) , i = 1, 2 , indep. ⇒ X1 + X2 ∼ NegB (r1 + r2 , p) .

Exercit, iul 2.150 Un arcas, trage asupra unei t, inte. Probabilitatea de a atinge t, inta
este de 1/3. Să se determine tabloul v.a. care are drept valori numărul de es, ecuri până
la primele două nimeriri ale t, intei.

2.4 Exercit, ii rezolvate


2.4.1 Să considerăm experient, a care constă în aruncarea a două zaruri. Fie X
v.a. ale cărei valori reprezintă numărul maxim de puncte apărute pe cele două
fet, e. Să se scrie tabloul de repartit, ie s, i funct, ia de repartit, ie. Să se determine
media s, i dispersia v.a. X.

Rezolvare:
Vom lucra pe spat, iul de probabilitate (Ω, P (Ω) , P) , unde

Ω = {ω = (i, j) : i, j ∈ {1, 2, . . . , 6} }

s, i P ({ω}) = P ({(i, j)}) = 1/36 (evenimentele elementare sunt echiprobabile).


Atunci v.a. X : Ω → R este definită de X(ω) = max (i, j), pentru orice
ω = (i, j) ∈ Ω.
72 Acest rezultat se poate demonstra s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul 4.2.17).
164 2. Variabile aleatoare discrete

Deci  
1 2 3 4 5 6
X: ,
1/36 3/36 5/36 7/36 9/36 11/36

deoarece

P (X = 1) = P ({(1, 1)}) = 1/36,

P (X = 2) = P ({(1, 2)} ∪ {(2, 1)} ∪ {(2, 2)}) = 3/36,

P (X = 3) = P({(1, 3)} ∪ {(2, 3)} ∪ {(3, 3)} ∪ {(3, 1)} ∪ {(3, 2)}) = 5/36

s, .a.m.d.
Obt, inem73
X6 2k − 1 1 X6 1 X6 161
E (X) = k· = k2 − k= .
k=1 36 18 k=1 36 k=1 36
Apoi
 X6 2k − 1 1 X6 1 X6 791
E X2 = = k2 · k3 − k2 = .
k=1 36 18 k=1 36 k=1 36
 2
2 791 161 2555
Dispersia este D2 (X) = E X 2 − (E (X)) =

− = .
36 36 1296
2.4.2 Dintr-o urnă se extrage o bilă albă cu probabilitatea p. Se fac două ex-
trageri punându-se bila înapoi după extragere. Fie X, Y v.a. ce reprezintă
numărul de bile albe obt, inute la prima extragere, respectiv la a doua extragere.
Să se scrie tabloul de repartit, ie al v.a. X, Y, X +Y, XY s, i apoi X 2 , X 3 , 5X, X −2.
Să se determine s, i media s, i dispersia v.a. obt, inute.

Rezolvare:
73 Sunt utile formulele:
Pn n(n+1)
k=1 k = 1 + 2 + ... + n = 2
,
Pn n(n+1)(2n+1)
k=1 k2 = 12 + 22 + . . . + n2 = 6
,
Pn n(n+1) 2
k=1 k3 = 13 + 23 + . . . + n3 = 2
, oricare ar fi n ∈ N.
2.4. Exerciţii rezolvate 165

Avem că
   
0 1 0 1
X: , Y :  , unde q = 1 − p,
q p q p

adică X, Y sunt două v.a. de tip Bernoulli, mai precis, X, Y ∼ Bernoulli (p) .
Deci
   
0+0 0+1 1+0 1+1 0 1 2
X +Y : = ,
q2 pq pq p2 q2 2pq p2

deoarece

P (X + Y = 0) = P (X = 0, Y = 0) = P (X = 0) P (Y = 0) = q 2 ,
P (X + Y = 1) = P ({X = 0, Y = 1} ∪ {X = 1, Y = 0})
= P (X = 0) P (Y = 1) + P (X = 1) P (Y = 0)
= pq + pq = 2pq,
P (X + Y = 2) = P (X = 1, Y = 1) = P (X = 1) P (Y = 1) = p2 .

Similar
   
0·0 0·1 1·0 1·1 0 1
X ·Y : = ,
q2 pq pq p2 q 2 + 2pq p2

deoarece

P (XY = 0) = P ({X = 0, Y = 0} ∪ {X = 0, Y = 1} ∪ {X = 1, Y = 0})


= P (X = 0) P (Y = 0) + P (X = 0) P (Y = 1)
+ P (X = 1) P (Y = 0)
= q 2 + 2pq,
P (XY = 1) = P (X = 1, Y = 1) = P (X = 1) P (Y = 1) = p2 .

În final    
0·0 1·1 0 1
X2 = X · X :  = ,
q p q p
166 2. Variabile aleatoare discrete

deoarece
P X 2 = 0 = P (X = 0) = q,


P X 2 = 1 = P (X = 1) = p.


Valoarea medie este


E (X) = E (Y ) = 0 · q + 1 · p = p,
iar E (X + Y ) = 0 · q 2 + 1 · 2pq + 2 · p2 = 2p (p + q) = 2p.
 
Apoi obt, inem E (X Y ) = 0· q 2 + 2pq +1·p2 = p2 iar E X 2 = 0·q+1·p = p.
2.4.3 Fie X o v.a. de tip Bernoulli cu parametrul 1/3. Fie Y = 1 − X. Să se scrie
tabloul de repartit, ie al v.a. Y s, i să se calculeze D2 (Y ) .
Rezolvare:
Dacă X ∼ Bernoulli (1/3), atunci

P (Y = 1) = P (X = 0) = 2/3

P (Y = 0) = P (X = 1) = 1/3,
ceea ce înseamnă că Y ∼ Bernoulli (2/3) .
Dispersia este D2 (Y ) = 1 · 2/3 · 1/3 = 2/9.
2.4.4 Fie X o v.a. discretă dată de: P (X = −1) = 1/8, P (X = 0) = 1/4,
P (X = 1) = a. Să se determine a astfel încât X să fie o v.a. Să se determine
tipul de distribut, ie al v.a. Y = X 2 s, i Z = |X| . Să se calculeze dispersia s, i
deviat, ia standard a v.a. 1 − X.
Rezolvare:
Să calculăm
P (Y = 1) = P ({X = −1} ∪ {X = 1}) = P (X = −1) + P (X = 1) = 3/4
P (Y = 0) = P (X = 0) = 1/4,
ceea ce înseamnă că Y ∼ Bernoulli (3/4) .
Similar se obt, ine Z ∼ Bernoulli (3/4) .
Prin urmare, am obt, inut două v.a. cu acelas, i tablou de repartit, ie, adică
identic distribuite.
Dar, evident, cele două v.a. nu sunt independente.
2.4. Exerciţii rezolvate 167

2.4.5 Fie X o v.a. discretă dată de: P (X = −2) = 1/6, P (X = 0) = 1/3,


P (X = 2) = a.
(a) Să se determine a s, i să se determine tipul de distribut, ie al v.a. Y = X 2 /4 s, i
Z = |X| /2 .
(b) Să se calculeze dispersia s, i deviat, ia standard a v.a. 2 − 3X.

2.4.6 Se dau trei urne. Prima cont, ine o bilă albă s, i una neagră, a doua cont, ine
două bile albe s, i s, apte negre iar a treia cont, ine o bilă albă s, i trei negre. Din
fiecare urnă se extrage câte o bilă.
Se cere media s, i dispersia v.a. care are drept valori numărul de bile albe
apărute în cele trei extrageri.

Rezolvare:
V.a. Xi desemnează numărul de bile albe obt, inute la extragerea din urna
i = 1, 3 s, i au tablourile
     
0 1 0 1 0 1
X1 :   , X2 :   , X3 :  .
1/2 1/2 7/9 2/9 3/4 1/4

Mediile sunt

E (X1 ) = 1/2, E (X2 ) = 2/9, E (X3 ) = 1/4

iar dispersiile
2
D2 (X1 ) = 12 · 1/2 − (1/2) = 1/4,
2
D2 (X2 ) = 12 · 2/9 − (2/9) = 14/81,
2
D2 (X3 ) = 12 · 1/4 − (1/4) = 3/16.
Atunci numărul total de bile albe apărute în cele trei extrageri defines, te v.a.
X = X1 + X2 + X3 . Obt, inem

E (X) = E (X1 ) + E (X2 ) + E (X3 ) = 1/2 + 2/9 + 1/4 = 35/36

s, i, deoarece X1 , X2 s, i X3 sunt independente,

D2 (X) = D2 (X1 ) + D2 (X2 ) + D2 (X3 ) = 1/4 + 14/81 + 3/16 = 0.61.


168 2. Variabile aleatoare discrete

2.4.7 Se dau trei urne. Prima cont, ine o bilă albă s, i una neagră, a doua cont, ine
două bile albe s, i s, apte negre iar a treia cont, ine o bilă albă s, i trei negre. Din
prima urnă se extrage o bilă s, i se introduce în cea de a doua urnă. Apoi se
extrage o bilă din a doua urnă s, i se introduce în cea de a treia. La sfârs, it se
extrage o bilă din a treia urnă.
Se cere media s, i dispersia v.a. care are drept valori numărul de bile albe
apărute în cele trei extrageri.

Rezolvare:
V.a. Xi desemnează numărul de bile albe obt, inute la extragerea din urna
i = 1, 3 . V.a. X1 , X2 s, i X3 nu mai sunt independente. Numărul total de bile
albe apărute în cele trei extrageri defines, te v.a. X = X1 + X2 + X3 .
 
0 1
Tabloul v.a. X1 este X1 :  .
1/2 1/2

 Pentru a determina
 X2 folosim formula probabilităt, ii totale. Atunci X2 :
0 1
  deoarece
3/4 1/4

P (X2 = 0) = P (X1 = 0) · P (X2 = 0|X1 = 0)


+ P (X1 = 1) · P (X2 = 0|X1 = 1)
1 8 1 7 3
= · + · =
2 10 2 10 4
s, i

P (X2 = 1) = P (X1 = 0) · P (X2 = 1|X1 = 0)


+ P (X1 = 1) · P (X2 = 1|X1 = 1)
1 2 1 3 1
= · + · = .
2 10 2 10 4
 
0 1
Similar, X3 :   deoarece
3/4 1/4

P (X3 = 0) = P (X2 = 0) · P (X3 = 0|X2 = 0)


2.4. Exerciţii rezolvate 169

+ P (X2 = 1) · P (X3 = 0|X2 = 1)


3 4 1 3 3
= · + · =
4 5 4 5 4
s, i

P (X3 = 1) = P (X2 = 0) · P (X3 = 1|X2 = 0)


+ P (X2 = 1) · P (X3 = 1|X2 = 1)
3 1 1 2 1
= · + · = .
4 5 4 5 4
Media este

E (X) = E (X1 ) + E (X2 ) + E (X3 ) = 1/2 + 1/4 + 1/4 = 1.

Pentru dispersie determinăm mai întâi tabloul


 
0 1 2 3
X: 
8/25 21/50 1/5 3/50

deoarece

P (X = 0) = P (X1 = 0, X2 = 0, X3 = 0)
= P (X1 = 0) · P (X2 = 0|X1 = 0) · P (X3 = 0|X1 = 0, X2 = 0)
1 8 4 8
= · · =
2 10 5 25
s, i

P (X = 1) = P({X1 = 1, X2 = X3 = 0} ∪ {X1 = X3 = 0, X2 = 1}
∪ {X1 = X2 = 0, X3 = 1})
= P (X1 = 1) · P (X2 = 0|X1 = 1) · P (X3 = 0|X1 = 1, X2 = 0)
+ P (X1 = 0) · P (X2 = 1|X1 = 0) · P (X3 = 0|X1 = 0, X2 = 1)
+ P (X1 = 0) · P (X2 = 0|X1 = 0) · P (X3 = 1|X1 = 0, X2 = 0)
1 7 4 1 2 3 1 8 1 21
= · · + · · + · · =
2 10 5 2 10 5 2 10 5 50
170 2. Variabile aleatoare discrete

s, i
P (X = 2) = P({X1 = X2 = 1, X3 = 0} ∪ {X1 = X3 = 1, X2 = 0}
∪ {X2 = X3 = 1, X1 = 0})
= P (X1 = 1) · P (X2 = 1|X1 = 1) · P (X3 = 0|X1 = 1, X2 = 1)
+ P (X1 = 1) · P (X2 = 0|X1 = 1) · P (X3 = 1|X1 = 1, X2 = 0)
+ P (X1 = 0) · P (X2 = 1|X1 = 0) · P (X3 = 1|X1 = 0, X2 = 1)
1 3 3 1 7 1 1 2 2 1
= · · + · · + · · =
2 10 5 2 10 5 2 10 5 5
s, i
P (X = 3) = P (X1 = 1, X2 = 1, X3 = 1)
= P (X1 = 1) · P (X2 = 1|X1 = 1) · P (X3 = 1|X1 = 1, X2 = 1)
1 3 2 3
= · · = .
2 10 5 50
2.4.8 Fie v.a. (Xi )i=1,n , independente s, i care urmează aceeas, i distribut, ie74 , cu
tablourile date de
 
0 1 2
Xi :   , i = 1, n .
1/4 1/2 1/4

Fie Sn = X1 + . . . + Xn , unde n ∈ N∗ . Să se determine E (Sn ) s, i D2 (Sn ).


Rezolvare:

Media este E (Xi ) = 0 · 1/4 + 1 · 1/2 + 2 · 1/4 = 1 iar E Xi2 = 02 · 1/4 + 12 ·
1/2 + 22 · 1/4 = 3/2, deci D2 (Xi ) = 3/2 − 1 = 1/2.
Pn
Media este E (Sn ) = P(X
i=1 E i ) = n s, i, deoarece v.a. Xi sunt indepen-
n
dente, dispersia este D2 (Sn ) = i=1 D2 (Xi ) = n/2.
2.4.9 V.a. X desemnează numărul de produse cumpărate de cineva dintr-un
magazin. Avem următoarele date

P (0 ≤ X ≤ 1) = 8/12, P (1 ≤ X ≤ 2) = 7/12,

P (0 ≤ X < 3) = 10/12, P (X = 3) = P (X ≥ 4) .
74 Dacă v.a. (Xi )i=1,n sunt independente s, i urmează aceeas, i distribut, ie atunci vom scrie prescur-
tat că v.a. (Xi )i=1,n sunt i.i.d. (independente s, i identic distribuite).
2.4. Exerciţii rezolvate 171

2
(a) Să se determine tabloul de repartit, ie al v.a. X s, i 2 − X s, i (2 − X) .
 
1
(b) Să se calculeze media E 3X−2 s, i dispersia D2 (3X − 2) .
(c) Să se determine s, i funct, ia de repartit, ie FX .
Rezolvare:
Avem

P (0 ≤ X ≤ 1) = P (X = 0) + P (X = 1) = 8/12

P (1 ≤ X ≤ 2) = P (X = 1) + P (X = 2) = 7/12

P (0 ≤ X < 3) = P (X = 0) + P (X = 1) + P (X = 2) = 10/12.

Obt, inem P (X = 0) = 3/12, P (X = 1) = 5/12, P (X = 2) = 2/12.


Apoi
X∞
1= P (X = k)
k=0

= P (X = 0) + P (X = 1) + P (X = 2) + P (X = 3) + P (X ≥ 4)
3 5 2
= + + + 2P (X = 3) ,
12 12 12
deci P (X = 3) = P (X ≥ 4) = 1/12.

2.4.10 O urnă cont, ine 12 bile negre, 6 albe s, i 4 verzi. Să presupunem că vom
câs, tiga 2 C
= pentru fiecare bilă verde aleasă s, i vom pierde 1 C
= pentru fiecare bilă
neagră aleasă.
(a) Să se determine tabloul v.a. X1 care desemnează câs, tigul nostru (euro
câs, tigat, i sau pierdut, i la final) după extragerea unei bile.
(b) Să se determine tabloul v.a. Y care desemnează câs, tigul nostru după ex-
tragerea a două bile (cu revenirea în urnă), precum s, i valoarea as, teptată a
câs, tigului nostru.
(c) Să se determine s, i distribut, ia v.a. |Y | precum s, i valoarea as, teptată a v.a. |Y |
s, i deviat, ia standard a v.a. 3 − 2Y.

Rezolvare:
Se determină direct sau se observă că Y = X1 + X2 .
172 2. Variabile aleatoare discrete

2.4.11 Fie X o v.a. discretă dată de


 
−3 −2 −1 0 1 2
X: .
a 5/32 b 5/16 c 1/32

Se s, tie că E (X) = −1/2 s, i că D2 (X) = 5/4. Să se determine a, b, c s, i să se
calculeze D2 (3 − 2X) .

Rezolvare:
P2 
Deoarece k=−3 P (X = k) = 1, E (X) = −1/2 s, i E X 2 = D2 (X) +
2
(E (X)) = 5/4 + 1/4 = 3/2, obt, inem
5 5 1

 a+
 +b+ +c+ =1



 32 16 32
5 5 1 1

−3a − 2 · −b+0· +c+2· =−


 32 16 32 2

 (−3)2 a + (−2)2 · 5 2 5 1 3
+ (−1) b + 02 · + c + 22 ·

=

32 16 32 2
sau echivalent
1


 a+b+c=



 2
1

−3a − b + c = −


 4


 9a + b + c = .
 3
4
Obt, inem a = 1/32, b = 5/16, c = 5/32.
Să calculăm
2 2
D2 (3 − 2X) = E (3 − 2X) − (E (3 − 2X))
2
= 9 − 12E (X) + 4E X 2 − 9 + 12E (X) − 4 (E (X))


= 4 D2 (X) = 5.
 
−3 −2 −1 0 1
2.4.12 Fie X o v.a. discretă dată de X :  .
a 6/32 b 1/4 c

(a) Se s, tie că E (X) = −13/16 s, i că E X 2 = 33/16. Să se determine a, b, c.
2.4. Exerciţii rezolvate 173

(b) Să se scrie s, i să se justifice tabloul v.a. X 2 , X + 3 s, i să se calculeze media
1
E 2+3X s, i dispersia D2 (2 + 3X) .
(c) Să se determine s, i funct, ia de repartit, ie FX .
 
−2 −1 0 1
2.4.13 Fie X o v.a. discretă dată de X :   . Se s, tie că
a b 1/4 c
media lui X este −5/8 iar dispersia este 47/64.
(a) Să se determine a, b, c. Să se determine apoi s, i să se justifice tabloul v.a. X 2 ,
X + 3.
1
(b) Se calculeze media lui 2+3X s, i dispersia lui 2X − 3X 2 .
(c) Să se determine s, i funct, ia de repartit, ie FX .



 1 + a, x < 0,



x ∈ [0, 2) ,


 2b,
2.4.14 Fie funct, ia F : R → R dată de F (x) =
c + b, x ∈ [2, 3) ,








 d, x ≥ 3.
(a) Să se precizeze restrict, iile pentru a, b, c, d astfel încât F să fie o funct, ie de
repartit, ie.
(b) Să se determine a, b, c, d dacă se s, tie că P (X ≥ 2.5) = 0.45 s, i P(−1 ≤ X ≤
1.5) = 0.50.
(c) Să se determine s, i să se justifice tabloul de repartit, ie al v.a. X astfel încât F
să fie funct, ia ei de repartit, ie.

Rezolvare:
Din proprietăt, ile funct, iei de repartit, ie obt, inem a = −1, d = 1 s, i b ≤ c. În
plus trebuie să impunem ca 2b, c + b ∈ [0, 1] .
Avem

0.45 = P (X ≥ 2.5) = 1 − P (X < 2.5) = 1 − F (2.5 − 0) = 1 − c − b

s, i

0.50 = P (−1 ≤ X ≤ 1.5) = F (1.5) − F (−1 − 0) = 2b − 1 − a = 2b.


174 2. Variabile aleatoare discrete

Obt, inem b = 0.30 s, i c = 0.15.


Determinăm acum

P (X = 0) = F (0) − F (0 − 0) = 0.50,

P (X = 2) = F (2) − F (2 − 0) = 0.05,

P (X = 3) = F (3) − F (3 − 0) = 0.45.

Evident P (X = α) = 0, pentru orice α 6= 0, 2, 3 iar tabloul v.a. X este dat de


 
0 2 3
X: .
0.50 0.05 0.45

2.4.15 Variabila X desemnează numărul de persoane care as, teaptă la o coadă,


la un anume ghis, eu, într-o anumită perioadă a zilei s, i are funct, ia de repartit, ie



 a, x < 0,






 0.30, 0 ≤ x < 3 ,

FX (x) = 0.55, 3 ≤ x < 5 ,



0.75, 5 ≤ x < 7 ,






7 ≤ x.

 b,

(a) Să se determine a, b s, i apoi probabilitatea ca la acea coadă să fie trei per-
soane, precum s, i P (3 ≤ X ≤ 6) s, i P (X ≥ 5) .
(b) Să se determine s, i legea v.a. X.

2.4.16 Fie X o v.a. cu tabloul


 
x1 x2 ... xn
X: .
p1 p2 ... pn

2 
Să se determine minimul funct, iei R 3 a 7→ E (X − a) .
2.4. Exerciţii rezolvate 175

Să se arate că deviat, ia standard verifică inegalitatea


xn − x1
D (X) ≤ .
2

Rezolvare:
2 
Să definim funct, ia f (a) = E (X − a) , a ∈ R. Pentru a găsi minimul
funct, iei f calculăm
 Xn 0 Xn
2
f 0 (a) = pk (xk − a) = −2 pk (xk − a) ,
k=1 a k=1
Xn
f 00 (a) = 2 pk = 2
k=1

s, i observăm că f 0 (a) = 0 dacă s, i numai dacă


Xn Xn Xn Xn
(xk − a) pk = xk pk − apk = xk pk − a = 0,
k=1 k=1 k=1 k=1

deci minimul se realizează pentru a = E (X) .


Prin urmare75 ,
2
dispersia D2 (X) este valoarea minimă a funct, iei f (a) = E (X − a)

.

s, i aceasta se realizează pentru a = E (X) .

Astfel am demonstrat că

2  2  def 2
E (X − a) ≥ E (X − E (X)) == D (X) , pentru orice a ∈ R.

Aplicând rezultatul precedent deducem că dispersia verifică inegalitatea:



2 x1 + xn 2
D2 (X) = E (X − E(X))

≤E X−
2
Xn  x 1 + x n  2 Xn  x1 + xn 2
= p k xk − ≤ pk xn −
k=1 2 k=1 2
 x − x 2
n 1
= ,
2
75 Rezultatul este adevărat s, i în cazul v.a. continue; vezi Exercit, iul 3.64.
176 2. Variabile aleatoare discrete

deoarece, pentru k = 1, n ,
x1 + xn x1 + xn
xk − ≤ xn − .
2 2
xn − x1
Prin urmare, obt, inem D (X) ≤ .
2
2.4.17 (vezi Problema concordant, elor) La o petrecere n persoane îs, i lasă pălări-
ile la garderobă. La plecare fiecare persoană ia câte o pălărie, la întâmplare. Să
se determine media s, i dispersia v.a. X care reprezintă numărul persoanelor
care îs, i aleg propria lor pălărie.

Rezolvare:
Să definim v.a. Xi ca fiind v.a. care ia valoarea 1 dacă persoana i îs, i alege
propria pălărie sau 0 dacă nu îs, i alege propria pălărie, unde i = 1, n .
Prin urmare, suma v.a. Xi reprezintă numărul tuturor persoanelor care îs, i
aleg propria lor pălărie, i.e.

X1 + X2 + . . . + Xn = X.

Evident, v.a. (Xi )i nu sunt v.a. independente (deoarece succesul unei persoane
influent, ează succesul sau es, ecul următoarei persoane care alege).
În notat, iile standard de la Problema concordant, elor,
(n − 1)! 1
P (Xi = 1) = P (Ai ) = = , i = 1, n ,
n! n
deci
 1
P (Xi = 0) = P Āi = 1 − , i = 1, n .
n
Obt, inem  
0 1
Xi :  , i = 1, n ,
1 − 1/n 1/n
deci  
1 1 1
E (Xi ) = s, i D2 (Xi ) = 1−
n n n
s, i apoi
 Xn  Xn Xn 1
E (X) = E Xi = E (Xi ) = = 1.
i=1 i=1 i=1 n
2.4. Exerciţii rezolvate 177

În ceea ce proves, te dispersia, folosim formula (2.26), deoarece v.a. nu sunt


independente:
 Xn  Xn Xn
D2 (X) = D2 Xi = D2 (Xi ) + 2 i,j=1 Cov (Xi , Xj ) .
i=1 i=1 i<j

Acum să determinăm tabloul v.a. Xi · Xj . Deoarece (Xi · Xj ) (Ω) = {0, 1} iar
(n − 2)!
P (Xi · Xj = 1) = P (Ai ∩ Aj ) = , 1 ≤ i < j ≤ n,
n!
obt, inem
 
0 1
Xi · Xj :  , 1 ≤ i < j ≤ n.
1 − (n − 2)!/n! (n − 2)!/n!

Putem calcula covariant, a folosind formula (2.23):

Cov (Xi , Xj ) = E (Xi Xj ) − E (Xi ) E (Xj )


 (n − 2)!  (n − 2)!  1 2
=0· 1− +1· −
n! n! n
1 1 1
= − = 2 .
n (n − 1) n2 n (n − 1)
Astfel
 
2
Xn 1
1 Xn 1
D (X) = 1− +2 i,j=1 2
i=1 n
n i<j n (n − 1)
 
1 1 1
=n 1− + 2 Cn2 2
n n n (n − 1)
n−1 n! 1
= +2 2
= 1.
n 2! (n − 2)! n (n − 1)

2.4.18 Fie două v.a. independente X, Y ∼ DU (n) . Să se determine P (X = Y )


s, i P (X ≤ Y ) .

Rezolvare:
Avem
Xn Xn
P (X = Y ) = P (X = k, Y = k) = P (X = k) P (Y = k)
k=1 k=1
178 2. Variabile aleatoare discrete

Xn 1 1 1
= =
k=1 n n n
iar
Xn
P (X ≤ Y ) = P (X = k, Y ∈ {k, k + 1, . . . , n})
k=1
Xn Xn 1 Xn Xn
= P (X = k) P (Y = j) = 2 1
k=1 j=k n k=1 j=k
 
1 Xn 1 n (n + 1)
= (n − k + 1) = 2 n2 − +n
n2 k=1 n 2
 
1 n (n − 1)
= +n .
n2 2

2.4.19 Presupunem că probabilitatea unei mas, ini de a funct, iona este de 0.8.
Într-un atelier se află cinci mas, ini. Să se scrie tabloul de repartit, ie s, i funct, ia de
repartit, ie a v.a. X care reprezintă numărul de mas, ini care funct, ionează la un
moment dat. Să se determine s, i media v.a. X.

Rezolvare:
Probabilitatea pk ca să lucreze k mas, ini, 0 ≤ k ≤ 5, este, conform schemei
k 5−k
binomiale, pk = C5k (0.8) (0.2) . Deci dacă scriem sub forma unui tablou
atunci v.a. este dată de
 
0 1 2 3 4 5
X: 
0.0003 0.0064 0.0512 0.2048 0.4096 0.3277

deoarece
4
P (X = 1) = C51 (0.8) (0.2) = 0.0064,
2 3 2 3
P (X = 2) = C52 (0.8) (0.2) = 10 (0.8) (0.2) = 0.0512
s, .a.m.d.
Obt, inem E (X) = 0 · 0.0003 + 1 · 0.0064 + 2 · 0.0512 + . . . = 4.
Evident, putem să observăm direct că X este distribuită binomial, i.e. X ∼
B (n, p) , unde n = 5 s, i p = 0.8
 
k
X:  , cu q = 0.2.
k k 5−k
C5 p q
k=0,5
2.4. Exerciţii rezolvate 179

Folosind (2.34), obt, inem imediat:

E (X) = np = 5 · 0.8 = 4

D2 (X) = npq = 5 · 0.8 · 0.2 = 0.8.

2.4.20 Un sistem de comunicat, ii consistă în n componente care funct, ionează


fiecare (independent unul de altul) cu probabilitatea p. Spunem că sistemul
funct, ionează eficient dacă funct, ionează cel put, in jumătate dintre componen-
tele lui. Să notăm cu X v.a. care are drept valori numărul de componente care
funct, ionează în sistem.
(a) Dacă sistemul are 3 componente, care este probabilitatea să funct, ioneze
eficient? Să se determinea legea v.a. X precum s, i valoarea as, teptată s, i dispersia
numărului de componente care funct, ionează în sistem.
(b) Dacă sistemul are 5 componente, care este probabilitatea să funct, ioneze efi-
cient? Să se determinea legea v.a. X precum s, i valoarea as, teptată s, i dispersia
numărului de componente care funct, ionează în sistem.
(c) Pentru ce valori ale lui p un sistemul de 5 componente are mai multe s, anse
să funct, ioneze decât un sistem de 3 componente?
2.4.21 Fie fn frecvent, a absolută de aparit, ie a stemei (adică numărul total de
def def
aparit, ii ale stemei) la n aruncări ale unei monede. Definim X1 == f1 , Xn+1 ==
fn+1 − fn , unde n ∈ N∗ .
(a) Să se scrie s, i să se justifice tablourile v.a. f1 , f2 , f3 , fn s, i X1 , X2 , X3 , Xn ,
pentru n ∈ N∗ , n ≥ 2. Care e semnificat, ia v.a. X1 , X2 , X3 , Xn .
(b) Să se calculeze E (fn ) , D2 (fn ) s, i E (Xn ) , D2 (Xn ) .
(c) Să se arate, folosind inegalitatea (2.28) a lui Cebâs, ev, că pentru orice  > 0
are loc  
fn 1
limn→∞ P − ≥  = 0.
n 2
Să se interpreteze rezultatul (vezi s, i Exercit, iul 5.5.15 s, i Exemplul 5.60).
2.4.22 O urnă cont, ine 10 bile albe s, i 4 bile negre. Dacă din această urnă se fac
6 extrageri fără revenire să se determine:
(a) V.a. care are drept valori numărul de bile albe extrase s, i apoi funct, ia de
repartit, ie asociată.
(b) Să se deducă apoi valoarea sumei de tipul j Cnj Cm
k−j
P
.
180 2. Variabile aleatoare discrete

2.4.23 Dintr-o urnă cu 5 bile albe s, i 3 bile negre se extrag simultan 4 bile. Fie
X v.a. care are drept valori numărul de bile negre obt, inute.
(a) Să se scrie spat, iul de probabilitate care modelează experient, a aleatoare s, i
să se determine legea v.a. X. Să se scrie P (X = k) s, i să se calculeze E (X) .
(b) Să se scrie s, i sistemul complet de evenimente asociate experient, ei aleatoare
de mai sus s, i să se deducă apoi identitatea asociată.
2.4.24 O urnă cont, ine 12 bile negre, 6 albe s, i 4 verzi. Să presupunem că vom
câs, tiga 2 C
= pentru fiecare bilă verde aleasă s, i vom pierde 1 C
= pentru fiecare bilă
neagră aleasă.
(a) Să se determine tabloul v.a. X1 care desemnează câs, tigul nostru (euro
câs, tigat, i sau pierdut, i la final) după extragerea unei bile.
(b) Să se determine tabloul v.a. Y care desemnează câs, tigul nostru (euro câs, tigat, i
sau pierdut, i la final) după extragerea simultană a două bile, precum s, i valoarea
as, teptată a câs, tigului nostru.
(c) Să se determine s, i distribut, ia v.a. |Y | precum s, i valoarea as, teptată a v.a. |Y |
s, i deviat, ia standard a v.a. 3 − 2Y.

Rezolvare:
Se poate folosi o structură de tip arbore s, i se observă că Y = X1 + X2 .
De asemenea, se poate folosi schema hipergeometrică pentru a obt, ine direct
tabloul lui Y.
2.4.25 Fie v.a. X ∼ P (λ) . Să definim v.a. Y prin Y = 0, dacă X este par s, i
X +1
Y = , dacă X este impar. Să se scrie tabloul de repartit, ie al v.a. Y .
2
Rezolvare:
Avem
X∞
P (Y = 0) = P (X este par) = k=0 P (X = k)
k par
X∞ X∞ λ2i −λ
= P (X = 2i) = e .
i=0 i=0 (2i)!
Pentru k ≥ 1,

λ2k−1 −λ
P (Y = k) = P (X = 2k − 1) = e .
(2k − 1)!
2.4. Exerciţii rezolvate 181

P∞
Se verifică us, or că k=0 P (Y = k) = 1, deoarece
X∞ X∞
P (Y = k) = P (Y = 0) + P (Y = k)
k=0 k=1
X∞ λ2i −λ X∞ λ2k−1 −λ X∞ λj
= e + e = e−λ
i=0 (2i)! k=1 (2k − 1)! j=0 j!

= 1.

X
2.4.26 Fie v.a. X ∼ P (λ) . Să definim v.a. Y prin Y = , dacă X este par s, i
2
1−X
Y = , dacă X este impar. Să se scrie tabloul de repartit, ie al v.a. Y .
2
Rezolvare:
Fie k ∈ N∗ . Dacă X = 2k, atunci Y = k, iar dacă X = 2k + 1, atunci Y = −k,
Deci, pentru orice k ∈ N∗ ,

λ2k −λ
P (Y = k) = P (X = 2k) = e
(2k)!

s, i
λ2k+1 −λ
P (Y = −k) = P (X = 2k + 1) = e
(2k + 1)!
iar
λ −λ
P (Y = 0) = P (X = 0) + P (X = 1) = e−λ + e = (1 + λ) e−λ .
1!
P
Se verifică us, or că k∈Z P (Y = k) = 1, deoarece
X X∞ X∞
P (Y = k) = P (Y = 0) + P (Y = −k) + P (Y = k)
k∈Z k=1 k=1
X∞ λ2k+1 −λ X∞ λ2k −λ
= (1 + λ) e−λ + e + e
k=1 (2k + 1)! k=1 (2k)!

X∞ λj
= (1 + λ) e−λ + e−λ
j=2 j!

∞ λj
X 
λ
= (1 + λ) e−λ + e−λ −1− = 1.
j=0 j! 1!
182 2. Variabile aleatoare discrete

2.4.27 Doi student, i au dat examenul scris la disciplina P&S. V.a. X s, i Y de-
semnează numărul de gres, eli făcute de primul s, i respectiv al doilea student s, i
presupunem că X s, i Y sunt distribuite Poisson (de parametri λ s, i respectiv µ)
s, i că sunt independente între ele.
(a) Să se scrie tabloul vectorului aleator (X, Y ) . Să se determine parametrii
distribut, iilor Poisson s, tiind că numărul mediu de gres, eli ale primului stu-
dent este 7 iar pentru cel de-al doilea este 9. Să se arate că media s, i dispersia
numărului de gres, eli pe care le face primul student sunt egale între ele.
(b) Să se determine tipul distribut, iei pe care îl urmează numărul total de erori
făcute de cei doi student, i la examen. Care este probabilitatea ca cel mult o
eroare să fie făcută de cei doi student, i împreună.

Rezolvare:
(a) Se calculează E (X) , D2 (X) ;
(b) Se arată că X + Y ∼ P (λ + µ) ; se determină apoi P (X + Y ≤ 1) .

2.4.28 Fie v.a. X ∼ P (λ) . Fie f : R → R o funct, ie măsurabilă s, i mărginită. Să


se arate că
E (X · f (X)) = λE (f (X + 1)) .

Rezolvare:
Suntem în condit, iile Teoremei 2.122, deci există media
X∞
E (X · f (X)) = k f (k) · P (X = k)
k=0
X∞ λk X∞ λk −λ
= f (k) · e−λ = λ f (k + 1) e
k=1 (k − 1)! k=0 k!
X∞
=λ f (k + 1) · P (X = k) = λE (f (X + 1)) .
k=0

2.4.29 Fie v.a. X ∼ P (λ) . Să se arate că

k+1
P (X ≥ k) < P (X = k) , pentru orice k > λ − 1.
k+1−λ
Să se arate s, i:

P (X > k) < P (X = k) , pentru orice k > 2λ − 1.


2.4. Exerciţii rezolvate 183

Rezolvare:
Avem
X∞ λi
P (X ≥ k) = e−λ
i=k i!

λk −λ λ2
 
λ
= e 1+ + + ...
k! k + 1 (k + 1) (k + 2)
!
λk −λ λ λ2 λk −λ X∞ λi
< e 1+ + + . . . = e
k! k + 1 (k + 1)2 k! i=0 (k + 1)i

λk −λ 1 k+1
= e λ
= P (X = k) .
k! 1 − k+1 k+1−λ

λ
Deoarece k+1−λ < 1, obt, inem s, i

P (X > k) = P (X ≥ k) − P (X = k)
k+1
< P (X = k) − P (X = k)
k+1−λ
λ
= P (X = k) < P (X = k) .
k+1−λ

2.4.30 Un arcas, trage asupra unei t, inte. Probabilitatea de a atinge t, inta este de
1/3.
(a) Să se determine tabloul v.a. care are drept valori numărul de trageri nece-
sare pentru ca t, inta să fie lovită s, i să se calculeze media s, i dispersia acesteia.
(b) Aceleas, i cerint, e s, i în cazul în care v.a. are drept valori numărul de es, ecuri
până ca t, inta să fie lovită prima dată.

Rezolvare:
(a) Dacă numărăm încercările până la primul succes, atunci v.a. este distribuită
geometric cu tabloul
 
1 2 3 ... k ...
 
X:
 1
 2  k−1 .
21 2 1 2 1 
... ...
3 33 3 3 3 3
184 2. Variabile aleatoare discrete

Pentru a calcula media s, i dispersia acesteia folosim formulele (2.40) (sunt utile
s, i diversele serii de puteri de la pagina 158):
 k−1
X∞ 2 1 1
E (X) = k = = 3,
k=1 3 3 p
 k−1
2
X∞
2 2 1 q
D (X) = k − 32 = 2 = 6.
k=1 3 3 p

Dacă numărăm es, ecurile până la primul succes, atunci v.a. are tabloul
 
k
X:  .
pq k
k∈N

2.4.31 O urnă cont, ine a bile albe s, i b bile negre. Se extrag bile din urnă (punând
după fiecare extragere bila înapoi). Fie Yk v.a. care drept valori numărul de
bile albe obt, inute la extragerea k s, i fie Sn = Y1 + . . . + Yn numărul de bile albe
obt, inute în n extrageri. De asemenea, definim

Z = inf {n ∈ N∗ : Sn = 1} ,

adică Z este rangul extragerii la care se obt, ine pentru prima dată bila albă.
(a) Să se scrie s, i să se justifice tablourile v.a. Yk , Sn s, i Z.
(b) Să se calculeze E (Yk ) , D2 (Yk ) s, i să se arată că

a ab a+b
E (Sn ) = n , D2 (Sn ) = n 2 s, i E (Z) = .
a+b (a + b) a

2.4.32 Fie X1 s, i X2 două v.a. discrete de tip i.i.d., definite de P (Xi = k) =


k−1
p (1 − p) , pentru k ∈ N∗ , cu i = 1, 2 , unde p ∈ (0, 1) . Să se determine s, i să
se justifice legea v.a. X1 + X2 .
2.4.33 Începând cu o dată anume se ia în evident, ă fiecare nou născut la un spi-
tal până când se nas, te o fată. Să presupunem că probabilitatea ca să se nască
o fată este p ∈ (0, 1) . De asemenea, să presupunem că nas, terile sunt indepen-
dente.
(a) Să se determine s, i să se justifice tabloul v.a. X1 care are drept valori numărul
de nas, teri observate până când se nas, te prima fată.
2.4. Exerciţii rezolvate 185

(b) Care este probabilitatea ca să fie înregistrate exact 5 nas, teri până când se
nas, te prima fată? Care este probabilitatea ca să fie înregistrate cel put, in 5
nas, teri până când se nas, te prima fată? (i.e. P (X1 > 5)).
(c) Să se determine funct, ia de repartit, ie asociată v.a. X1 .
(d) Să se determine s, i să se justifice tabloul v.a. Y care are drept valori numărul
de nas, teri observate până când se nasc primele 2 fete.
(e) Să se determine s, i să se justifice tabloul v.a. Z care are drept valori numărul
de nas, teri observate până când se nasc primele 4 fete.
k
a
2.4.34 Fie X o v.a. discretă cu probabilităt, ile date de P (X = k) = (1+a)k+1 , cu

a > 0, pentru orice k ∈ N. Să se calculeze media s, i dispersia v.a. X.

Rezolvare:
Sunt utile s, i diversele serii de puteri de la pagina 158:
X∞ ak a X∞  a k−1
E (X) = k k+1
= 2 k
k=0 (1 + a) (1 + a) k=1 1+a
a 1
= 2  2 = a
(1 + a) 1 − a
1+a

iar
 X∞ 2 ak a X∞  a k−1
E X2 = k k+1
= 2 k2
k=0 (1 + a) (1 + a) k=1 1+a
a
a 1+ 1+a
= 2  3 = a (1 + 2a) .
(1 + a) 1− a
1+a

Deci D2 (X) = a (1 + 2a) − a2 = a + a2 .


 1 
2.4.35 Fie v.a. X ∼ G (p) . Să se determine E .
1+X
Rezolvare:
Folosind formula de calcul a mediei dată de Teorema 2.122 (formula de
transfer), obt, inem
 1  X∞ 1 X∞ 1
E = P (X = k) = pq k−1
1+X k=1 1+k k=1 1+k
186 2. Variabile aleatoare discrete
X 
p X∞ 1 p ∞ 1
= 2
q k+1 = q k+1 − q
q k=1 k + 1 q2 k=0 k+1
  
p 1  p
= 2 ln −q = (− ln p − q)
q 1−q q2

(sunt utile s, i diversele serii de puteri de la pagina 158).

2.4.36 Fie două v.a. independente X, Y ∼ G (p) . Să se arate că

1
P (X = k|X + Y = n) = , k ∈ N∗ .
n
Rezolvare:
Avem
P ({X = k} ∩ {X + Y = n})
P (X = k|X + Y = n) =
P (X + Y = n)
P ({X = k} ∩ {Y = n − k})
= Pn
i=1 P ({X = i} ∩ {Y = n − i})
P ({X = k}) · P ({Y = n − k})
= Pn
i=1 P ({X = i}) · P ({Y = n − i})

pq k−1 · pq n−k−1 q n−2 1


= Pn i−1 n−i−1
= Pn n−2
= .
i=1 pq · pq i=1 q n

2.4.37 Fie v.a. X ∼ G (p) . Să se arate că pentru orice k, n ∈ N are loc

(2.45) P (X = n + k|X > n) = P (X = k) .

Rezolvare:
În cazul în care k = 0 se obt, ine egalitatea.
Să luăm k > 0. Conform Propozit, iei 2.139,

P ({X = n + k} ∩ {X > n})


P (X = n + k|X > n) =
P (X > n)
P (X = n + k) pq n+k−1
= = = pq k−1 = P (X = k) ,
P (X > n) qn
2.4. Exerciţii rezolvate 187

deoarece {X = n + k} ⊂ {X > n} .
S, tim că o v.a. X ∼ G (p) reprezintă numărul de încercări (extrageri, cu
revenire, a unei bile dintr-o urnă) până când se obt, ine pentru prima dată eveni-
mentul A, cu P (A) = p dată. Egalitatea (2.45) arată că dacă A nu s-a produs
până la încercarea n, atunci numărul k de încercări rămase pentru obt, inerea
pentru prima dată a lui A are aceeas, i distribut, ie ca numărul de încercări pen-
tru obt, inerea lui A într-o distribut, ie geometrică nouă (ca s, i cum nu s-ar fi făcut
deja cele n încercări). Deci distribut, ia geometrică este „fără memorie”76 . Acest
fapt este legat de jocurile de noroc, deoarece, conform egalităt, ii obt, inute, nici
o strategie bazată pe rezultatele obt, inute în trecut nu poate ajuta jucătorul în
deciziile viitoare.

2.4.38 Fie v.a. X ∼ G (p) . Să se arate că pentru orice k, n ∈ N are loc

P (X ≥ n + k|X > n) = P (X ≥ k) .

Similar

(2.46) P (X > n + k|X > n) = P (X > k) .

Rezolvare:
În cazul în care k > 0 avem, conform Propozit, iei 2.139,

P ({X ≥ n + k} ∩ {X > n})


P (X ≥ n + k|X > n) =
P (X > n)
P (X ≥ n + k) P (X > n + k) + P (X = n + k)
= =
P (X > n) P (X > n)
q n+k + pq n+k−1
= = P (X > k) + P (X = k)
qn
= P (X ≥ k) .

Egalităt, ile obt, inute arată, în principal, acelas, i lucru ca egalitatea (2.45): dacă
s, tim că X depăs, es, te valoarea n, atunci probabilitatea ca X să depăs, ească cu cel
put, in k unităt, i pe n este chiar probabilitatea ca X să fie cel put, in k.
76 Distribut, ia geometrică este singura distribut, ie discretă “fără memorie” (vezi Exercit, iul 2.4.39).
În cazul continuu, singura distribut, ie “fără memorie” este cea exponent, ială.
188 2. Variabile aleatoare discrete

2.4.39 Egalitatea (2.46) caracterizează o distribut, ie geometrică. Astfel dacă X


este o v.a. discretă, cu valori numere naturale nenule, care satisface propri-
etatea P (X > n + k|X > n) = P (X > k), pentru orice k, n ∈ N, atunci există
p ∈ [0, 1] astfel încât X ∼ G (p) .

Rezolvare:
def
Să notăm cu G (n) == P (X > n), unde n ∈ N. Egalitatea dată devine

P ({X > n + k} ∩ {X > n})


= G (k)
P (X > n)
P (X > n + k)
⇔ = G (k) ⇔ G (n + k) = G (k) G (n) ,
P (X > n)
pentru orice k, n ∈ N.
n
Dând valori particulare se obt, ine G (n) = (G (1)) , pentru orice n ∈ N. Să
def def
notăm p == 1 − G (1) s, i q == G (1) .
Obt, inem

P (X = 1) = P (X ≤ 1) = 1 − G (1) = p,
P (X = 1) + P (X = 2) = P (X ≤ 2) = 1 − G (2)
= 1 − q 2 = p (1 + q) = p + pq.

Deci P (X = 2) = pq.
Se va obt, ine, în cazul general, P (X = k) = pq k−1 , pentru orice k ∈ N∗ ,
adică X ∼ G (p) .
2.4.40 Fie X, Y două v.a. independente astfel încât X ∼ G (p1 ) s, i Y ∼ G (p2 ) .
Să se determine77 densitatea de repartit, ie a v.a.

U = min (X, Y ) .

Rezolvare:
Funct, ia de repartit, ie a v.a. U este

FU (n) = 1 − P (min (X, Y ) > n) = 1 − P (X > n, Y > n)


= 1 − P (X > n) · P (Y > n) = 1 − (1 − FX (n)) (1 − FY (n))
77 Vezi s, i Exercit, iul 3.6.30.
2.4. Exerciţii rezolvate 189

= 1 − q1n q2n ,

deoarece FX , FY sunt date de (2.41).


n
Prin urmare, FU (n) = 1 − (q1 q2 ) , deci U ∼ G (1 − q1 q2 ) .

2.4.41 Fie v.a. X ∼ G (p) . Să definim Y = max (X, m) s, i Z = min (X, m), unde
m ∈ N∗ . Să se scrie tabloul de repartit, ie al v.a. Y . Să se arate că Y + Z = X + m.
Să se determine E (Y ) s, i E (Z).

Rezolvare:
Să observăm, mai întâi, că, pentru orice k ∈ N∗ ,

{Y = k} = {X ≤ m, m = k} ∪ {X ≥ m, X = k} .

Dacă m < k, atunci

P (Y = k) = 0 + P (X = k) = pq k−1 ,

dacă m > k, atunci


P (Y = k) = 0

iar dacă m = k, atunci, conform Propozit, iei 2.139,

P (Y = k) = P (X ≤ m) = 1 − q m .

Tabloul lui Y este


 
m m+1 m+2 m+3 ...
Y : 
1 − qm pq m pq m+1 pq m+2 ...

Avem
X∞
P (Y = k) = 1 − q m + pq m + pq m+1 + pq m+2 + . . .
k=m

= (1 − q) 1 + q + q 2 + . . . + q m−1 + pq m + pq m+1 + pq m+2 + . . .




1
= p + pq + pq 2 + . . . + pq m−1 + pq m + pq m+1 + . . . = p = 1.
1−q
190 2. Variabile aleatoare discrete

Media este78 , folosind s, i dezvoltările de la pagina 158,


X∞ X∞
E (Y ) = kP (Y = k) = m (1 − q m ) + kpq k−1
k=m k=m+1
X∞ Xm
= m (1 − q m ) + p kq k−1 − p kq k−1
k=1 k=1

m 1 − (m + 1) q m (1 − q) + 1 − q m+1
= m − mq +p 2 −p 2
(1 − q) (1 − q)
1 − (m + 1) pq m + 1 − q m+1
= m − mq m + −
p p
q m (p + q) qm
=m+ =m+ .
p p
Pentru orice k ∈ N∗ ,

{Z = k} = {X ≤ m, X = k} ∪ {X ≥ m, m = k} .

Dacă m < k, atunci

P (Z = k) = P (X ≤ m, X = k) + P (X ≥ m, m = k) = 0

dacă m > k, atunci

P (Z = k) = P (X ≤ m, X = k) + P (X ≥ m, m = k)
= P (X = k) + 0 = pq k−1

iar dacă m = k, atunci, conform Propozit, iei 2.139,

P (Z = k) = P (X ≥ m) = P (X > m) + P (X = m)
= q m + pq m−1 = q m−1 .

Tabloul lui Z este


 
1 2 ... m−2 m−1 m
Z: 
p pq ... pq m−3 pq m−2 q m−1
n+1
= 1 + x + x2 + . . . + xn = n
Pn
78 Derivând identitatea 1−x k k−1 =
P
1−x k=1 x obt, inem k=1 kx
n n+1
1−x n+1 0 −(n+1)x (1−x)+ (1−x )
1−x
= (1−x)2
, pentru orice x 6= 1.
2.4. Exerciţii rezolvate 191

Avem
Xm
P (Z = k) = p + pq + . . . + pq m−2 + q m−1
k=1

1 − q m−1
=p + q m−1 = 1 − q m−1 + q m−1 = 1.
1−q

Media este
Xm Xm−1
E (Z) = kP (Z = k) = kpq k−1 + mq m−1
k=1 k=1
Xm−1
=p kq k−1 + mq m−1
k=1

−mpq m−1 + 1 − q m
=p 2 + mq m−1
(1 − q)
−mpq m−1 + 1 − q m 1 − qm
= + mq m−1 = .
p p
Capitolul 3

Variabile aleatoare continue

Fie (Ω, F, P) un spat, iu de probabilitate. Vorbind neriguros, spunem că v.a.


X : Ω → R este de tip continuu dacă poate lua orice valoare dintr-un interval,
posibil nemărginit, (a, b) ⊂ R.
În cazul v.a. continue nu ne interesează probabilitatea ca X să ia o singură
valoare ci doar probabilităt, i de forma P (X < a) sau P (a < X < b), deoarece
vom vedea că, pentru orice a ∈ R, probabilitatea P (X = a) = 0.
O v.a. continuă este bine determinată dacă se cunoas, te cel put, in una dintre
funct, iile legate de ea: funct, ia de repartit, ie F sau densitatea de repartit, ie f .
Not, iunea de funct, ie de repartit, ie este dată de Definit, ia 2.8. Densitatea de repar-
tit, ie este mai importantă pentru o v.a. continuă, deoarece ea suplines, te tabloul
de repartit, ie din cazul v.a. discrete.
Proprietăt, ile funct, iei de repartit, ie sunt date de Propozit, iile 2.17 s, i 2.20.

Remarca 3.1 Dacă X este o v.a. continuă atunci vom vedea că funct, ia ei de
repartit, ie FX este funct, ie continuă (ceea ce justifică s, i numele v.a.) prin urmare
graficul acestei funct, ii este o curbă plană continuă (spre deosebire de v.a. dis-
crete când FX este o funct, ie în scară: constantă pe port, iuni, nedescrescătoare
s, i cu un număr cel mult numărabil de salturi). 

3.1 Densitatea de repartit, ie


Definit, ia 3.2 Funct, ia f : R → R este o densitate de repartit, ie dacă:

193
194 3. Variabile aleatoare continue

(i) f (x) ≥ 0, pentru orice x ∈ R;


Z +∞
(ii) f este integrabilă cu f (t) dt = 1.
−∞

Definit, ia 3.3 Să considerăm o v.a. X pentru care există o densitate de repartit, ie fX :
R → [0, ∞) astfel încât
Z x
(3.1) FX (x) = fX (t) dt, pentru orice x ∈ R,
−∞

unde FX este funct, ia de repartit, ie a v.a. X definită de (2.3).


Atunci funct, ia fX se numes, te densitatea de repartit, ie asociată v.a. X.

Remarca 3.4 Evident, luând x → ∞ obt, inem


Z ∞
limx→∞ FX (x) = f (t) dt = 1.
−∞

Putem considera drept definit, ie a unei v.a. continue următoarea formulare:

Definit, ia 3.5 V.a. X este v.a. de tip continuu dacă admite o densitate de repartit, ie
(în sensul Definit, iei 3.3).

Remarca 3.6 Nu orice v.a. admite o densitate (vezi Remarca 3.12). 

Remarca 3.7 Densitatea asociată unei v.a. nu este unică (în sensul egalităt, ii
peste tot) dar densitatea asociată unei v.a. este unică în sensul egalităt, ii
aproape peste tot (vezi s, i Nota 32), în sensul că dacă f, g : R → [0, ∞) sunt
două funct, ii integrabile Riemann pe R, atunci:

f, g sunt două densităt, i pentru aceeas, i v.a. X dacă s, i numai dacă


f =g a.p.t.79 (în raport cu măsura Lebesgue).

Demonstrat, ia se bazează pe următoarele două rezultate:


79 Fie spat, iul măsurabil (R, B (R)) înzestrat cu o măsură µ. Spunem că o proprietate A are loc
µ−aproape pentru tot, i x sau µ−aproape peste tot (notat µ−a.p.t.) dacă există mult, imea mă-
surabilă N ∈ B (R) cu µ(N ) = 0 astfel încât proprietatea A are loc pentru orice x ∈ N̄ .
3.1. Densitatea de repartiţie 195

Rx
• dacă f s, i g sunt funct, ii integrabile Riemann pe R s, i dacă −∞ f (t) dt =
Rx
−∞
g (t) dt, pentru orice x ∈ R, atunci f = g, a.p.t., în raport cu măsura
Lebesgue (vezi Nota 46);
• dacă f este o funct, ie integrabilă Riemann pe R s, i pozitivă,
R atunciR f este
integrabilă Lebesgue pe R s, i integralele coincid, i.e. R f (t) dt = R f dλ,
unde λ este măsura Lebesgue (vezi, de exemplu, [45, Teorema 5.3-10]).
Astfel, dacă avem o funct, ie de densitate fX asociată unei v.a. X iar g este
o funct, ie obt, inută prin modificarea lui fX într-o mult, ime de măsură Lebesgue
nulă80 , i.e. fX = g a.p.t. (în raport cu măsura Lebesgue), astfel încât g rămâne
integrabilă Riemann pe R, atunci g este s, i ea o funct, ie de densitate pentru o v.a.
Y cu aceas, i funct, ie de repartit, ie ca s, i X.
Într-adevăr, modificând fX într-o mult, ime neglijabilă de puncte, valoarea
integralei Lebesgue nu se modifică iar integrala Lebesgue coincide cu integrala
Riemann, deci
Z x Z Z
G (x) = g (t) dt = g dµ = fX dµ = FX (x) ,
−∞ (−∞,x] (−∞,x]

adică funct, ia de repartit, ie asociată densităt, ii g coincide cu funct, ia de repartit, ie


asociată densităt, ii fX .

Prin urmare, este suficient să cunoas, tem o densitate în orice punct din R
exceptând, eventual, o mult, ime cel mult numărabilă de puncte.

De exemplu, dacă f (x) = 1[0,1] (x) s, i g (x) = 1(0,1) (x) , atunci ambele funct, ii
sunt densităt, i, f = g a.p.t. (în raport cu măsura Lebesgue) s, i ambele sunt
densităt, i asociate v.a. X s, i respectiv Y cu funct, iile de repartit, ie



 0, x < 0,

FX (x) = FY (x) = x , 0 ≤ x < 1,



1, x ≥ 1,

adică X s, i Y sunt identic distribuite. Să observăm că X, Y ∼ U [0, 1].


Deci, dacă v.a. X ∼ U [0, 1] , atunci putem să considerăm că X are densi-
tatea f = 1[0,1] (x) sau g = 1(0,1) (x) . 
80 Spunem că mult, imea A ∈ B(R) este nulă sau neglijabilă în raport cu masura µ dacă µ(A) = 0.
196 3. Variabile aleatoare continue

Dacă f : R → R este o densitate de repartit, ie, atunci se poate demonstra că


există un spat, iu de probabilitate (Ω, F, P) s, i o v.a. definită pe acesta astfel încât
f este densitatea de repartit, ie asociată lui X. Prin urmare, are loc următoarea
caracterizare:

Propozit, ia 3.8 Funct, ia f : R → R este densitatea de repartit, ie a unei v.a. dacă s, i


numai dacă f satisface cele două condit, ii din Definit, ia 3.2.

Remarca 3.9 Folosind teorema lui Lebesgue de caracterizare a funct, iilor inte-
grabile Riemann (vezi [44, Teorema 8.3-3]) s, tim că (vezi Nota 79)

dacă f este mărginită pe [a, b], atunci:


f este integrabilă Riemann pe [a, b] dacă s, i numai dacă
f este continuă a.p.t. pe [a, b], în raport cu măsura Lebesgue.

Prin urmare, dacă o funct, ie nenegativă f : R → [0, ∞) are suportul în [a, b],
def
i.e. Supp(f ) == {x : f (x) 6= 0} ⊆ [a, b] ⊂ [0, ∞), s, i dacă f este mărginită pe
[a, b], atunci81 f este o densitate de repartit, ie dacă s, i numai dacă f este continuă
a.p.t. pe [a, b] în raport cu măsura Lebesgue. 
R +∞
Remarca 3.10 Dacă f este o funct, ie de densitate, atunci −∞ f (x) dx este con-
vergentă, deci ne putem as, tepta ca limx→±∞ f (x) = 0, dar nu este obligatoriu
(există exemple82 în acest sens). 

Remarca 3.11 O funct, ie de densitate nu trebuie neapărat să fie mărginită. De


exemplu, dacă X este o v.a. cu funct, ia de repartit, ie



 0, x < 0,


FX (x) = x , 0 ≤ x < 1,



1, x ≥ 1,

81
R
În general, s, tim doar că dacă există integrala Riemann R f (x) dx, atunci f este continuă a.p.t.
în raport cu măsura Lebesgue, dar reciproca afirmat, iei nu este adevărată (vezi, de exemplu,
Exercit, iul 3.6.79).
82 Se poate arăta (vezi pagina 583 din [22, Capitolul XIII, § 5]) că dacă integrala ∞ f (x) dx este
R
a
convergentă, atunci:
(a) dacă există limita limx→∞ f (x) , atunci aceasta trebuie să fie 0;
(b) dacă există limita limx→∞ xf (x) , atunci aceasta trebuie să fie 0.
3.1. Densitatea de repartiţie 197

atunci densitatea asociată este


1
fX (x) = √ 1(0,1) (x)
2 x
care nu este mărginită în 0.
R R1 1
Cu toate acestea, fX ≥ 0 pe R iar R fX (x) dx = 0+0 √
2 x
dx = 1.
Un alt exemplu de densitate nemărginită este dat de densitatea distribut, iei
χ2 (1, σ) cu un singur grad de libertate. 

Remarca 3.12 În probleme concrete cel mai adesea folosim v.a. discrete (caz în
care funct, ia de repartit, ie este nedescrescătoare s, i constantă pe port, iuni) s, i v.a.
continue (caz în care funct, ia de repartit, ie este continuă, nedescrescătoare, dată
de integrala (3.1)).
Dar se poate da83 (vezi [43, pag. 2-3]) s, i o clasificare riguroasă a v.a. X :

• spunem că X este v.a. discretă dacă există B ∈ B (R) cel mult numărabi-
lă astfel încât P (X ∈ B) = 1; s-a arătat deja că X este v.a. discretă dacă s, i
numai dacă funct, ia ei de repartit, ie este constantă pe port, iuni;
• spunem că X este v.a. continuă dacă P (X ∈ B) = 0, pentru orice B ∈
B (R) cel mult numărabilă; în această definit, ie se obtine, conform (2.5),
că X este v.a. continuă dacă s, i numai dacă funct, ia ei de repartit, ie este
continuă.

În cadrul v.a. continue avem clasificarea:


• spunem că X este v.a. absolut continuă dacă P (X ∈ B) = 0, pentru orice
B ∈ B (R) neglijabilă în raport cu măsura Lebesgue pe R, adică dacă
legea PX este măsură absolut continuă în raport cu măsura Lebesgue;
se poate arăta, folosind Teorema lui Radon-Nikodym (vezi, de exemplu,
[44, Teorema 11.2-6]), că X este v.a. absolut continuă dacă s, i numai dacă
există o funct, ie nenegativă f, integrabilă pe R astfel încât
Z
(3.2) PX (B) = f (t) dt, pentru orice B ∈ B (R) ,
B
Rx
sau, echivalent, FX (x) = −∞ f (t) dt, pentru orice x ∈ R (integralele
sunt integrale Lebesgue în raport cu măsura Lebesgue); de asemenea, se
83 Pentru o clasificare similară, dar a funct, iilor de repartit, ie, vezi [51, pag. 188-192].
198 3. Variabile aleatoare continue

poate arăta (vezi, de exemplu, [34, Propozit, ia 1.9.2] sau [44, Propozit, ia
11.2-5]) că X este v.a. absolut continuă dacă s, i numai dacă funct, ia ei de
repartit, ie este funct, ie absolut continuă;

• spunem că X este v.a. singulară dacă X este v.a. continuă s, i dacă e-
xistă B ∈ B (R) neglijabilă în raport cu măsura Lebesgue astfel încât
P (X ∈ B) = 1.

Să observăm ca v.a. continue în sensul Definit, iei 3.5 sunt, de fapt, v.a. ab-
solut continue (în sensul definit, iei de mai sus). Noi vom lucra doar cu v.a.
discrete s, i cu v.a. absolut continue; nu vom lucra cu v.a. singulare s, i nu vom
lucra nici cu v.a. obt, inute ca „amestec” de v.a. discrete s, i v.a. continue.
Pentru un exemplu de v.a. singulară vezi [51, pag. 190-192] sau [39, Cap.
II, § 2] sau [44, Exemplu 11.2-1] (funct, ia de repartit, ie asociată acestei v.a. este
funct, ia lui Cantor). 

Evident, se pot construi us, or exemple de v.a. care să fie de tip mixt, adică
v.a. X să ia anumite valori cu probabilitate strict pozitivă s, i, de asemenea,
valorile v.a. X să fie un interval.

Exemplul 3.13 O v.a. de tip mixt poate să apară în felul următor.
(i) Fie X timpul de funct, ionare al unui echipament. Prin urmare, valorile lui
X sunt în [0, ∞). Dar să presupunem că există o probabilitate strict pozitivă p
ca echipamentul să nu funct, ioneze deloc, adică
R ∞să nu funct, ioneze la momentul
X = 0. Atunci P (X = 0) = p s, i P (X > 0) = 0 f (x) dx = 1 − p.
(ii) Un alt exemplu de v.a. mixtă apare în cazul în care X reprezintă timpul de
as, teptare al unei persoane la un semafor. Prin urmare, valorile lui X sunt în
[0, ∞). Este posibil ca atunci când persoana ajunge la acel semafor să nu as, tepte
deloc, adică există p > 0 astfel încât P (X = 0) = p; în cazul în care persoana
trebuie să as, tepte, timpul de as, teptare defines
R ∞ , te o v.a. de tip continuu. Prin
urmare, există f astfel încât P (X > 0) = 0 f (x) dx = 1 − p. 

Exemplul 3.14 Un alt exemplu concret de v.a. de tip mixt este dat de v.a. X
definită de următoarea funct, ia de repartit, ie:



 0, x < 0,

FX (x) = 0.1 + 0.8 x, 0 ≤ x < 1,



1, x ≥ 1.

3.1. Densitatea de repartiţie 199

Această funct, ie este o funct, ie de repartit, ie deoarece este nedescrescătoare, con-


tinuă la dreapta pe R iar FX (−∞) = 0 s, i FX (+∞) = 1.
Dar această funct, ie nu este nici constantă pe port, iuni (cazul v.a. discrete) s, i
nici continuă pe R (cazul v.a. continue).
Să observăm că putem scrie FX ca o combinat, ie convexă84 de două funct, ii
de repartit, ie, una constantă pe port, iuni s, i alta continuă pe R :

FX (x) = 0.2 FXd (x) + 0.8 FXc (x) ,

unde
 


 0, x < 0, 

 0, x < 0,
 
FXd (x) = 0.5, 0 ≤ x < 1, s, i FXc (x) = x, 0 ≤ x < 1,

 

 
1, x≥1 1, x ≥ 1.
 

De fapt, FXd este o funct, ie de repartit, ie corespunzătoare unei v.a. discrete Xd


iar FXc este o funct, ie de repartit, ie corespunzătoare unei v.a. continue Xc .
Deci
X = 0.2 Xd + 0.8 Xc ,
unde v.a. discretă Xd si v.a. continuă Xc sunt date de tabloul si respectiv den-
sitatea:  
0 1
Xd :   s, i fXc (x) = 1(0,1) (x) .
0.5 0.5

Prin urmare, obt, inem că X ia valori în [0, 1] s, i că există două mult, imi D s, i C
astfel încât D ∪ C = [0, 1] s, i

 D este cel mult numărabilă s, i 0 < P (X ∈ D) < 1,

P (X = a) = 0, pentru orice a ∈ C.

Avem D = {0, 1} iar

P (X ∈ D) = P (X = 0) + P (X = 1) =
84 Pentru detalii teoretice legate de descompunerea unei funct, ii de repartit, ie vezi [39, Cap. II, § 2]
sau [34, Corolarul 1.9.2] sau [30, Teorema 4, pag. 118].
200 3. Variabile aleatoare continue

= F (0) − F (0 − 0) + F (1) − F (1 − 0)
= 0.1 + 0.1 = 0.2

s, i C = (0, 1) iar

P (X = a) = F (a) − F (a − 0) = 0, pentru orice a ∈ (0, 1) = C.

Deci, pentru orice A ⊆ [0, 1] , putem scrie sub forma (vezi s, i formula (3.2) de
legătură):

X Z
P (X ∈ A) = P (X = x) + 0.8 fXc (x) dx,
x∈A A

unde densitatea fXc este dată de fXc (x) = 1(0,1) (x) .


Avem:

P (X = 0) = 0.1, P (X = 1) = 0.1, P (X ∈ (0, 1)) = 0.8.

Să observăm că putem scrie legea PX ca o combinat, ie convexă85 dintre o mă-
sură de probabilitate discretă s, i una absolut continuă:

PX (A) = 0.2 PXd (A) + 0.8 PXc (A) ,

unde
Z
1 X
PXd (A) = P (X = x) iar PXc (A) = fXc (x) dx.
0.2 x∈A A

Obt, inem (vezi definit, iile de la pagina 197) că v.a. X nu este nici discretă: într-
adevăr, dacă ar exista B cel mult numărabilă astfel încât P (X ∈ B) = 1, atunci
trebuie ca {0, 1} ⊂ B s, i apoi obt, inem o contradict, ie:
X Z
P (X ∈ B) = P (X = x) + 0.8 fXc (x) dx
x∈B B

= P (X = 0) + P (X = 1) + 0.8 · 0 = 0.2,
R
deoarece B
fXc (x) dx = 0 fiind calculată pe o mult, ime cel mult numărabilă;
85 Pentru detalii teoretice legate de descompunerea unei măsuri de probabilitate pe (R, B (R))
vezi [34, Propozit, ia 1.9.8].
3.1. Densitatea de repartiţie 201

s, i v.a. X nu este nici continuă: într-adevăr, des, i D = {0, 1} este mult, ime cel
mult numărabilă, totus, i P (X ∈ D) = 0.2 6= 0.
Densitatea v.a. X este dată de
fX (x) = 0.2 fXd (x) + 0.8 fXc (x) , x ∈ R,

unde (vezi Remarca 3.21)



 1, 0 ≤ x < 1,
fXd (x) = 0.5 δ 0 (x) + 0.5 δ 1 (x) iar fXc (x) =
 0, în rest.

În notat, iile de mai sus obt, inem formula


Z
P (X ∈ A) = fX (x) dx,
A

deci Z Z
P (X ∈ A) = 0.2 fXd (x) dx + 0.8 fXc (x) dx.
A A


Exemplul 3.15 Pentru alte exemple de v.a. mixte vezi [28, Section 2.3, Example
5], [28, Section 2.4, Example 4], [23, Exercise 1, page 51] precum s, i trunchierea
unei v.a. continue dată de [28, Section 2.4, Exercise 2]. 

Propozit, ia 3.16 Fie X o v.a. continuă s, i FX funct, ia ei de repartit, ie. Atunci:

(i) FX este funct, ie continuă (ceea ce justifică denumirea de v.a. continuă).


Astfel cuvântul „continuu” din denumirea „v.a. continue” se referă mai de-
grabă la o proprietate a funct, iei de repartit, ie FX decât la o proprietate a funct, iei
măsurabile X.
(ii) FX este derivabilă în orice punct x ∈ R în care f este continuă s, i
0
FX (x) = fX (x) , oricare ar fi x punct de continuitate pentru f .

(iii) Folosind (2.5) (vezi s, i (2.6)) deducem86 că

(3.3) P (X = a) = 0, pentru orice a ∈ R.


86 Vezi s, i Exemplul 3.172.
202 3. Variabile aleatoare continue

(iv) Folosind (2.7) (vezi s, i (2.9)) deducem că, pentru orice −∞ ≤ a < b ≤ +∞,
Z b
FX (b) − FX (a) = fX (t) dt = P (a < X ≤ b)
a

(3.4) = P (a < X < b)


= P (a ≤ X < b)
= P (a ≤ X ≤ b)

Remarca 3.17 Ultima relat, ie se mai poate scrie s, i sub forma


Z
P (X ∈ [a, b]) = fX (t) dt, pentru orice − ∞ ≤ a < b ≤ +∞.
[a,b]

Prin urmare, dacă [a, b] nu este din


R Supp(fX ), adică fX (x) = 0, pentru orice
x ∈ [a, b] , atunci P (X ∈ [a, b]) = [a,b] fX (t) dt = 0.

Deci, dacă există a < b astfel încât fX (x) = 0, pentru orice x ∈ [a, b] , atunci
{c ≤ X ≤ d} este un eveniment neglijabil, pentru orice c, d ∈ [a, b] . 

Remarca 3.18 Mai general, dacă v.a. X admite densitatea fX , atunci (vezi s, i
formula de legătură (3.2) precum s, i formula (3.42), din cazul bidimensional)
Z
(3.5) P (X ∈ D) = fX (x) dx ,
D

pentru orice D ∈ B (R) . 

Remarca 3.19 Formal putem deduce că P (X = a) = 0 scriind


Z a+h
P (X = a) = limh→0 fX (t) dt = 0.
a

Remarca 3.20 Semnificat, ia geometrică a densităt, ii de probabilitate este ur-


mătoarea: fX este acea funct, ie nenegativă s, i integrabilă cu proprietatea că aria
domeniului D din plan cuprins între dreptele x = a, x = b, axa Ox s, i curba
3.1. Densitatea de repartiţie 203

Rb
y = f (x) este egală, pe de o parte, cu integrala a fX (t) dt iar, pe de altă parte,
este egală cu probabilitatea ca X să ia valori între a s, i b, i.e.
Z b
A (D) = fX (t) dt = P (a ≤ X ≤ b) .
a

Remarca 3.21 (vezi s, i Remarca 2.38) Dacă X este o v.a. discretă cu X (Ω) =
{xi }i∈I , unde I este cel mult numărabilă, rolul densităt, ii de probabilitate este
jucat de funct, ia următoare (vezi definit, ia (2.13)):
X
fX (x) = P (X = xi ) δ xi ({x})
i∈I

P (X = xi ) 1{x=xi } , pentru orice x ∈ R,


X
=
i∈I

unde δ xi este măsura Dirac concentrată în punctul xi .


Astfel formula (3.5) rămâne adevărată, dar într-o formă similară; mai precis,
pentru orice D ∈ B (R) , putem scrie, folosind integrala Lebesgue în raport cu
măsura de probabilitate PX ,
Z Z
P (X ∈ D) = PX (D) = PX (dx) = fX (dx)
D D
Z X X Z
= P (X = xi ) δ xi (dx) = P (X = xi ) δ xi (dx)
D i∈I i∈I D
X
= P (X = xi )
xi ∈D
X
= P (X = x) .
x∈D


1
Exemplul 3.22 Funct, ia f : R → R, f (x) = 2 1[1,∞) (x) este o densitate de
x
repartit, ie.
Într-adevăr, f ≥ 0 pe R s, i
Z +∞ Z ∞
1 −1 x=∞
f (x) dx = 2
dx = = 1.
x x x=1

−∞ 1


204 3. Variabile aleatoare continue

Definit, ia 3.23 În cazul unei v.a. X oarecare (nu neapărat continuă) cuantila cores-
punzătoare pragului de probabilitate p ∈ (0, 1) (sau cuantila de ordin p) este valoarea
xp ∈ R dată de
def −1
xp == FX (p) ,
−1
unde FX : (0, 1) → R este inversa generalizată a funct, iei de repartit, ie FX
(numită s, i funct, ia cuantilă), i.e.

−1 def
FX (p) == inf {x ∈ R : FX (x) ≥ p} .

Remarca 3.24 Salturile funct, iei F corespund intervalelor în care F −1 este con-
stantă iar intervalele mărginite în care funct, ia F este constantă corespund sal-
turilor funct, iei F −1 .
−1
În plus, funct, ia FX satisface (vezi [32, Theorem 2.1], [25, Appendix A.3] s, i
[53, Problem 3.8.8]):
−1
(a) FX (p) = sup {x ∈ R : FX (x) < p} ;
−1
(b) FX este continuă la stânga;
−1
(c) FX (p) ≤ x ⇔ p ≤ F (x) sau, echivalent,
−1
FX (p) > x ⇔ p > F (x) ;
−1 −1
 
(d) FX FX (p) − 0 ≤ p ≤ FX FX (p) ;
−1

(e) dacă FX este continuă, atunci FX FX (p) = p;
−1
(f ) dacă FX este continuă, atunci FX (p) = inf {x ∈ R : FX (x) > p} ;
−1
(g) dacă FX este continuă, atunci FX (p) = max {x ∈ R : FX (x) = p} .

În cazul particular în care X este o v.a. continuă iar FX este strict crescătoare
pe intervalul [a, b] (vezi Nota 104) se obt, ine că FX este inversabilă pe [a, b], deci
−1
inversa generalizată FX este chiar inversa propriu-zisă iar cuantila este unica
solut, ie a ecuat, iei FX (xp ) = p. 

Remarca 3.25 Se poate lua ca definit, ie a cuantilei s, i varianta (vezi [6, Chapter
2, Section 1.22])
−1 def
FX (p) == inf {x ∈ R : FX (x) > p} .

3.1. Densitatea de repartiţie 205

Remarca 3.26 Folosind proprietatea precedentă (d) , observăm că, dacă xp este
o cuantilă, atunci
(3.6) P (X < xp ) ≤ p ≤ P (X ≤ xp )
sau, echivalent,
(3.7) P (X ≤ xp ) ≥ p s, i P (X ≥ xp ) ≥ 1 − p.
Condit, iile (3.6), sau (3.7), pot fi luate drept o definit, ie alternativă a cuantilei.
Cuantila de ordin 2 se numes, te mediana repartit, iei s, i este valoarea x1/2
astfel încât  
P X < x1/2 ≤ 1/2 ≤ P X ≤ x1/2
sau, echivalent,
  
max P X < x1/2 , P X > x1/2 ≤ 1/2
sau, echivalent,
 
P X ≤ x1/2 ≥ 1/2 s, i P X ≥ x1/2 ≥ 1/2

sau, echivalent,
  
min P X ≤ x1/2 , P X ≥ x1/2 ≥ 1/2
sau, echivalent,  
FX x1/2 − 0 ≤ 1/2 ≤ FX x1/2 .
Cuantilele de ordin 4 se numesc cuartile s, i sunt valorile x1/4 , x2/4 , x3/4 astfel
încât
 
P X < x1/4 ≤ 1/4 ≤ P X ≤ x1/4 ;
 
P X < x2/4 ≤ 2/4 ≤ P X ≤ x2/4 ;
 
P X < x3/4 ≤ 3/4 ≤ P X ≤ x3/4

sau, echivalent,
 
P X ≤ x1/4 ≥ 1/4 s, i P X ≥ x1/4 ≥ 3/4;
 
P X ≤ x2/4 ≥ 2/4 s, i P X ≥ x2/4 ≥ 2/4;
 
P X ≤ x3/4 ≥ 3/4 s, i P X ≥ x3/4 ≥ 1/4
206 3. Variabile aleatoare continue

sau, echivalent,
 
FX x1/4 − 0 ≤ 1/4 ≤ FX x1/4 ;
 
FX x2/4 − 0 ≤ 2/4 ≤ FX x2/4 ;
 
FX x3/4 − 0 ≤ 3/4 ≤ FX x3/4 .

Cuantilele de ordin 100 se numesc percentile (sau centile). Avem 99 de centile;


de exemplu, x20/100 este valoarea sub care sunt găsite cel put, in 20% din valorile
v.a. X s, i respectiv valoarea peste care sunt găsite cel put, in 80% din valorile v.a.
X.

În particular, dacă X este o v.a. continuă, obt, inem că, dacă xp este cuantilă,
atunci cele două condit, ii din definit, ia (3.6) a cuantilei se reduc la

P (X ≤ xp ) = p.

Apoi obt, inem că

P (xp ≤ X ≤ x2p ) = FX (x2p ) − FX (xp ) = 2p − p = p

s, .a.m.d.

Deci, în cazul unei v.a. continue, putem vedea cuantilele s, i ca pe acele


puncte care împart valorile v.a. X în intervale de probabilităt, i egale.

În practică vom lua p = kq , unde q ∈ N∗ se va numi ordinul cuantilei iar


valorile k = 1, q − 1 vor defini cuantilele de ordin q.
k
Avem o singură cuantilă de ordin 2 (luăm p = 2 , unde k = 1 ), deci medi-
ana este valoarea x1/2 astfel încât

 
P X ≤ x1/2 = P X ≥ x1/2 = 1/2

sau, echivalent,

FX x1/2 = 1/2,

adică mediana x1/2 împarte volumul valorilor lui X în două părt, i egale.
3.1. Densitatea de repartiţie 207

Avem trei cuantilele de ordin 4 (luăm p = k4 , unde k = 1, 3 ), deci cuartilele


sunt valorile x1/4 , x2/4 , x3/4 astfel încât
 
P X ≤ x1/4 = P x1/4 ≤ X ≤ x1/2

= P x1/2 ≤ X ≤ x3/4

= P X ≥ x3/4
= 1/4

sau, echivalent,
  
FX x1/4 = 1/4, FX x1/2 = 1/2, FX x3/4 = 3/4,
adică cuartilele x1/4 , x2/4 , x3/4 împart volumul valorilor lui X în patru părt, i
egale.
k
Avem 99 cuantile de ordin 100 (luăm p = 100 , unde k = 1, 99 ) numite
percentile (sau centile). De exemplu, x20/100 este valoarea sub care sunt găsite
20% din valorile v.a. X. 
Următorul rezultat ne arată cum se schimbă densitatea de repartit, ie la schim-
barea v.a.

Teorema 3.27 Fie X o .v.a. continuă cu densitatea de repartit, ie fX . Fie h : D ⊂


R → R o funct, ie astfel încât:

(i) h este derivabilă pe D,

(ii) h este bijectivă,


def
(iii) Supp(fX ) == {x : fX (x) 6= 0} ⊆ D.

Atunci densitatea noii v.a. Y = h (X) este dată de

fY (y) = fX h−1 (y) |(h−1 )0 (y)| 1h(D) (y) ,



(3.8)

în orice punct y astfel încât fX este continuă în h−1 (y) .

Remarca 3.28 Demonstrat, ia se bazează pe schimbarea de variabilă în integrală.


Deoarece h este injectivă s, i continuă obt, inem că h este monotonă. În cazul în
0
care h−1 este crescătoare (deci h−1 (z) > 0, pentru orice z ) avem
FY (y) = P (Y ≤ y) = P (h (X) ≤ y) = P X ≤ h−1 (y)

208 3. Variabile aleatoare continue

Z h−1 (y) Z y
fX h−1 (z) d h−1 (z)
 
= fX (x) dx =
−∞ h(−∞)
Z y Z y
−1 −1 0
fX h−1 (z) |(h−1 )0 (z) |dz.
 
= fX h (z) (h ) (z) dz =
−∞ −∞

Pe de altă parte Z y
FY (y) = fY (z) dz,
−∞

deci obt, inem concluzia (3.8).


Cazul h−1 descrescătoare se tratează similar.
Evident, în cazul în care h−1 este crescătoare, putem scrie s, i direct:

FY (y) = P (Y ≤ y) = P (h (X) ≤ y) = P X ≤ h−1 (y) = FX h−1 (y) ,


 

deci
0 0
fY (y) = FY0 (y) = FX h−1 (y) = FX
0
h−1 (y) · h−1 (y)
 
0
= fX h−1 (y) · h−1 (y) .


Corolarul 3.29 Fie X o .v.a. continuă cu densitatea de repartit, ie fX . Fie a 6= 0 s, i

Y −b
Y = aX + b sau, echivalent, X = .
a
Atunci densitatea v.a. Y este
1 y − b
fY (y) = fX , pentru orice y ∈ R.
|a| a

Remarca 3.30 În particular, dacă X este o v.a. continuă cu densitatea de repar-


tit, ie fX , atunci v.a. Y = −X are densitatea

fY (y) = fX (−y), pentru orice y ∈ R.

V.a. Z = X − a, unde a ∈ R (arbitrar ales), are densitatea

fZ (y) = fX (a + y), pentru orice y ∈ R.


3.2. Caracteristici numerice 209

V.a. W = a − X, unde a ∈ R (arbitrar ales), are densitatea

fW (y) = fX (a − y), pentru orice y ∈ R.

V.a. U = 2a − X, unde a ∈ R (arbitrar ales), are densitatea

fU (y) = fX (2a − y), pentru orice y ∈ R.

V.a. V = X + a, unde a ∈ R (arbitrar ales), are densitatea

fV (y) = fX (y − a), pentru orice y ∈ R.

3.2 Caracteristici numerice


În cazul discret media unei v.a. este suma unei serii numerice (vezi Definit, ia
2.118), dar în cazul continuu media este dată de o integrală.

Definit, ia 3.31 În caz că următoarea integrală este absolut convergentă, aceasta se va
numi media v.a. continue X cu densitatea de repartit, ie fX :
Z
(3.9) E (X) = xfX (x) dx
R

(în caz că integrala este absolut convergentă vom spune că v.a. admite medie sau că
este integrabilă).

Remarca 3.32 De fapt, dacă (Ω, F, P) este un spat, iu de probabilitate s, i X este


o v.a. definită pe acest spat, iu, atunci

media unei v.a. (indiferent de tipul ei) este definită de următoarea


integrală Lebesgue (în caz că aceasta există) pe Ω în raport cu măsura P :

Z
def
(3.10) E (X) == X (ω) P (dω) .

210 3. Variabile aleatoare continue

Conform definit, iei integralei Lebesgue, se deduce că X este integrabilă Le-
besgue (adică integrala există s, i este finită) dacă s, i numai dacă |X| este inte-
grabilă Lebesgue.
Aplicând o teoremă de schimbare de variabilă în integrala Lebesgue ante-
rioară (vezi, de exemplu, [45, Teorema 5.2-24] sau [24, Theorem 14.12]), obt, inem
că media se poate exprima cu ajutorul integralei Lebesgue pe R în raport cu
măsura PX (legea asociată v.a. X ):
Z
(3.11) E (X) = x PX (dx)
R

(vezi s, i Remarca 2.119 privind calculul acestei integrale din cazul unei v.a. dis-
crete).
Având în vedere că legea unei v.a. este unic determinată de funct, ia de
repartit, ie FX (vezi Remarca 2.19 sau [51, Theorem 1, page 185]), integrala
precedentă se poate exprima (vezi [39, Capitolul III, pag. 58]) s, i cu ajutorul
integralei Riemann-Stieltjes pe R în raport cu funct, ia crescătoare FX (care este,
prin urmare, cu variat, ie mărginită) asociată v.a. X :
Z
(3.12) E (X) = x dFX (x) .
R

Ment, ionăm că cele trei exprimări ale mediei, de mai sus, sunt valabile pentru
orice tip de v.a..
Dacă lucrăm cu v.a. absolut continue (vezi pagina 197), atunci, prin definit, ie,
PX Zeste măsură absolut
Z continuă în raport cu măsura Lebesgue pe R s, i ast-
fel x PX (dx) = x fX (x) dx, deci obt, inem formula concretă (3.9) de cal-
R R
cul a mediei unei v.a. absolut continue (astfel, formula (3.9) poate fi luată ca
definit, ie). Evident, în cazul v.a. absolut continue s, i funct, ia de distribut, ie FX
devine absolut continuă s, i astfel formula (3.12) devine formula (3.9). 

Media unei funct, ii aplicată unei v.a. poate fi calculată folosind următorul
rezultat.

Teorema 3.33 (Formula de transfer) Fie X o .v.a. continuă cu densitatea de repar-


tit, ie fX . Fie h : R → R o funct, ie măsurabilă. Atunci h (X) : Ω → R este s, i ea o v.a.
3.2. Caracteristici numerice 211

s, i această v.a. admite medie dacă s, i numai dacă


Z
|h (x)| fX (x) dx < ∞.
R

În cazul în care h (X) admite medie, aceasta este dată de:


Z
(3.13) E (h (X)) = h (x) fX (x) dx .
R

Remarca 3.34 În cazul particular în care luăm h (x) = 1B (x) , unde B ∈ B (R)
este arbitrar fixată, formula (3.13) devine
Z Z
E (1B (X)) = 1B (x) fX (x) dx = fX (x) dx.
R B

Pe de altă parte, folosind definit, ia mediei, obt, inem


Z Z Z
E (1B (X)) = 1B (X) dP = 1X∈B dP = dP = P (X ∈ B) .
Ω Ω X∈B

Astfel obt, inem din nou formula (3.2) sau (3.5) din cazul v.a. de tip continuu:
Z
P (X ∈ B) = fX (x) dx.
B


Remarca 3.35 În general, dacă X este o v.a. (de orice tip) s, i h : R → R este o
funct, ie măsurabilă, atunci dacă există una din integralele87 de mai jos, atunci
există s, i celelalte s, i au loc egalităt, ile (vezi s, i Remarca 3.32)
Z Z
def
E (h (X)) == h (X) dP = h (X (ω)) P (dω)
Ω Ω
Z
(3.14) = h (x) PX (dx)
R
Z
= h (x) dFX (x) ,
R

87 Primele două integrale sunt integrale Lebesgue în raport cu măsura P, a treia integrală este o
integrală Lebesgue în raport cu măsura PX iar ultima integrală este o integrală Lebesgue-Stieltjes
în raport cu măsura generată de funct, ia nedescrescătoare FX .
212 3. Variabile aleatoare continue

unde PX este legea v.a. X iar FX este funct, ia de repartit, ie asociată v.a. X.
În cazul în care v.a. X admite densitatea f, integralele de mai sus coincid
cu integrala Riemann dată de (3.13) deoarece avem egalităt, ile, scrise formal,

PX (dx) = fX (x) dx = dFX (x).

Propozit, ia 3.36 Fie X o v.a. (discretă sau continuă) cu funct, ia de repartit, ie FX .


Dacă X admite medie, atunci88

limx→∞ x · (1 − FX (x)) = 0,
(3.15)
limx→−∞ x · FX (x) = 0.

R
Demonstrat, ie. Având în vedere că există media, avem R
|y| dFX (y) < ∞,
deci s, i integralele următoare sunt finite:
Z +∞ Z 0
|y| dFX (y) < ∞ s, i |y| dFX (y) < ∞.
0 −∞

Prin urmare, pentru x > 0,


Z ∞ Z ∞
limx→∞ y dFX (y) = limx→∞ |y| dFX (y) = 0.
x x

Pe de altă parte, pentru x > 0,


Z ∞ Z ∞ Z ∞
0 ≤ x (1 − FX (x)) = x dFX (y) = x dFX (y) ≤ |y| dFX (y) ,
x x x

deci limx→∞ x (1 − FX (x)) = 0+ .


Similar, pentru x < 0,
Z x Z x
limx→−∞ y dFX (y) = − limx→−∞ |y| dFX (y) = 0.
−∞ −∞

88 Evident, aceste limite implică limitele date de (2.4).


3.2. Caracteristici numerice 213

Pe de altă parte, pentru x < 0,


Z x Z x
0 ≤ −xFX (x) = −x dFX (y) = (−x) dFX (y)
−∞ −∞
Z x Z x
≤ (−y) dFX (y) = |y| dFX (y) ,
−∞ −∞

deci limx→−∞ xFX (x) = 0− .

Remarca 3.37 Fie X o v.a. (discretă sau continuă) cu funct, ia de repartit, ie FX .


Dacă X r admite medie, unde r ∈ N∗ , atunci, repetând demonstrat, ia Propozit, iei
3.36, se obt, ine

limx→∞ xr · (1 − FX (x)) = 0,
(3.16)
limx→−∞ xr · FX (x) = 0.

Propozit, ia 3.38 Fie X o v.a. continuă cu densitatea fX astfel încât Supp(fX ) ⊆


[0, ∞) s, i funct, ia de repartit, ie FX . Dacă X admite medie, atunci89
Z ∞
(3.17) E (X) = P (X > x) dx
0

sau, echivalent,
Z ∞
E (X) = (1 − FX (x)) dx.
0

Demonstrat, ie. Folosind (3.4) obt, inem


Z ∞ Z ∞ Z ∞ 
P (X > x) dx = fX (y) dy dx.
0 0 x

Pentru a putea schimba ordinea de integrare în integralele iterate preceden-


te să introducem indicatoarea s, i apoi să folosim un rezultat teoretic (de tip
Foubini) care ne permite acest lucru. Astfel
Z ∞ Z +∞ Z +∞ 
P (X > x) dx = fX (y) 1(x,∞) (y) 1[0,∞) (x) dy dx
0 −∞ −∞
89 Pentru formula mediei unei v.a. discrete vezi Propozit, ia 2.54 s, i Exercitiul 2.57.
214 3. Variabile aleatoare continue
Z +∞ Z +∞ 
= fX (y) 1(x,∞) (y) 1[0,∞) (x) dx dy
−∞ −∞
Z +∞ Z +∞ 
= 1(x,∞) (y) 1[0,∞) (x) dx fX (y) dy.
−∞ −∞

Să observăm că


1(x,∞) (y) = 1(−∞,y) (x) ,
deci (folosim faptul că variabila de integrare y > x ≥ 0 )
Z ∞ Z +∞ Z +∞ 
P (X > x) dx = 1(−∞,y) (x) 1[0,∞) (x) dx fX (y) dy
0 −∞ −∞
Z +∞ Z +∞ 
= 1[0,y) (x) dx fX (y) 1[0,∞) (y) dy
−∞ −∞
Z ∞ Z y  Z ∞
= dx fX (y) dy = y fX (y) dy = E (X) .
0 0 0

Exercit, iul 3.39 (vezi [4, Exercise 37 s, i Exercise 38, Chapter 3]) Fie X o v.a. con-
tinuă s, i nenegativă90 cu densitatea fX s, i funct, ia de repartit, ie FX .
(a) Să se arate că
Z ∞
y fX (y) dy ≥ x · P (X > x) = x · (1 − FX (x)) , x > 0.
x

(b) Folosind (a) să se arate că dacă X admite medie91 , atunci are loc concluzia (3.15),
i.e.
limx→∞ x · (1 − FX (x)) = 0.
(c) Folosind (b) să se arate că dacă X admite medie, atunci are loc concluzia (3.17), i.e.
Z ∞
E (X) = (1 − FX (x)) dx.
0

(d) Să se arate că media E (X) există dacă s, i numai dacă
limx→∞ x · (1 − FX (x)) = 0.
90 În loc de nenegativă putem cere ca X să fie o v.a. continuă cu densitatea fX astfel încât suportul
ei Supp(fX ) ⊆ [0, ∞).
91 Deci există si este finită lim
Rx R∞
, x→∞ 0 y fX (y) dy = 0 y fX (y) dy = E (X) .
3.2. Caracteristici numerice 215

Propozit, ia 3.40 Fie X o v.a. continuă cu densitatea fX cu Supp(fX ) ⊆ [0, ∞).


Dacă X r admite medie, unde r > 0, atunci92
Z ∞
r
(3.18) E (X ) = r xr−1 P (X > x) dx.
0

Demonstrat, ie. Folosind (3.4) obt, inem


Z ∞ Z ∞ Z ∞ 
r−1 r−1
r x P (X > x) dx = r x fX (y) dy dx.
0 0 x

Pentru a putea schimba ordinea de integrare în integralele iterate precedente


să introducem indicatoarea. Astfel
Z ∞ Z ∞ Z ∞ 
rxr−1 P (X > x) dx = rxr−1 fX (y) dy dx
0 0 x
Z +∞ Z +∞ 
= rxr−1 fX (y) 1[x,∞) (y) 1[0,∞) (x) dy dx
−∞ −∞
Z +∞ Z +∞ 
= rxr−1
fX (y) 1[x,∞) (y) 1[0,∞) (x) dx dy
−∞ −∞
Z +∞ Z +∞ 
= rxr−1
1(−∞,y] (x) 1[0,∞) (x) dx fX (y) dy
−∞ −∞
Z +∞ Z +∞ 
= rxr−1 1[0,y] (x) dx fX (y) 1[0,∞) (y) dy
−∞ −∞
Z ∞ Z y  Z ∞
= rxr−1 dx fX (y) dy = y r fX (y) dy = E (X r ) .
0 0 0

Remarca 3.41 Să ment, ionăm că formula (3.18) este adevărată pentru orice tip
de v.a. (atât discretă cât s, i continuă). Astfel, pentru demonstrarea formulei
(3.18) putem rat, iona s, i în modul următor. Să observăm, mai întâi, că
Z X(ω) Z ∞
X r (ω) = rxr−1 dx = rxr−1 1{x≤X(ω)} dx.
0 0

92 Pentru formula mediei pătratului unei v.a. discrete vezi Remarca 2.56.
216 3. Variabile aleatoare continue

Integrăm în raport cu P iar pentru a putea schimba ordinea de integrare folo-


sim un rezultat teoretic (de tip Foubini) care ne permite acest lucru. Astfel
Z Z Z ∞ 
r
E (X ) = r
X (ω) P (dω) = rx r−1
1{x≤X(ω)} dx P (dω)
Ω Ω 0
Z ∞ Z 
= rxr−1 1{x≤X(ω)} P (dω) dx
0 Ω
Z ∞ Z 
= rxr−1
1{x≤X(ω)} P (dω) dx
0 Ω
Z ∞
= rxr−1 P (X ≥ x) dx.
0

Remarca 3.42 O altă demonstrat, ie alternativă pentru formula (3.18) se poate


face dacă folosim (3.15) s, i formula de integrare prin părt, i în cadrul integralei
Riemann-Stieltjes dată de (3.14)
Z ∞
r
E (X ) = xr dFX (x)
0

(vezi demonstrat, ia Propozit, iei 3.47).


Nici această demonstrat, ie nu depinde de tipul ales al v.a. (discretă sau con-
tinuă). 

Exercit, iul 3.43 Fie X o v.a. cu valori nenegative (discretă sau continuă) s, i g : R+ →
R o funct, ie derivabilă cu derivata continuă s, i astfel încât g (X) admite medie. Atunci
Z ∞
E (g (X)) = g (0) + g 0 (t) P (X > t) dt.
0

Vom utiliza o abordare us, or diferită, fată de demonstrat, ia formulelor similare (3.17)
s, i (3.18), utilizând formula (3.11) de exprimare a mediei cu ajutorul legii PX asociată
v.a. X precum s, i o teoremă de tip Foubini.
Nici această demonstrat, ie nu depinde de tipul ales al v.a..
Astfel obt, inem:
Z ∞ Z ∞  Z x 
E (g (X)) = g (x) PX (dx) = PX (dx) g (0) + g 0 (t) dt
0 0 0
3.2. Caracteristici numerice 217
Z ∞ Z ∞ Z x 
= g (0) PX (dx) + g 0 (t) dt PX (dx)
0 0 0
Z ∞ Z ∞ 
= g (0) PX ([0, ∞)) + PX (dx) g 0 (t) dt
0 t
Z ∞
= g (0) + P (X > t) g 0 (t) dt.
0

Exercit, iul 3.44 (vezi [4, Exercise 38, Chapter 3]) Fie X o v.a. continuă s, i nenega-
tivă cu funct, ia de repartit, ie FX . Fie r ∈ N∗ .
(a) Folosind argumente similare cu cele folosite în Exercit, iul 3.39 să se arate că dacă
X r admite medie, atunci are loc concluzia (3.18), i.e.
Z ∞
E (X r ) = rxr−1 (1 − FX (x)) dx.
0
r
(b) Să se arate că momentul E (X ) de ordin r există dacă s, i numai dacă

limx→∞ xr · (1 − FX (x)) = 0.

Exercit, iul 3.45 Să presupunem că v.a. continuă X are funct, ia de repartit, ie
−3
FX (x) = 1 − (1 + x) , dacă x > 0.

Să se determine, fără a calcula densitatea fX , media s, i deviat, ia standard a v.a. X.


Tehnica de lucru utilizată în demonstrat, ia Propozit, iei 3.38 s, i a Propozit, iei
3.40 se poate aplica s, i pentru a demonstra Formula de Transfer dată de Teorema
3.33.

Propozit, ia 3.46 Fie X o v.a. continuă cu densitatea fX s, i h : R → R o funct, ie


măsurabilă astfel încât h (X) să fie v.a. continuă. Să presupunem că h ia valori93 în
[0, ∞). Atunci
Z
E (h (X)) = h (x) fX (x) dx .
R

Demonstrat, ie. Folosind (3.17) s, i apoi (3.5) obt, inem


Z ∞ Z ∞ Z 
E (h (X)) = P (h (X) ≥ x) dx = fX (y) dy dx,
0 0 D
93 Rezultatul are loc s, i în cazul în care h ia valori nu neapărat nenegative.
218 3. Variabile aleatoare continue

unde D = {y ∈ R : h (y) ≥ x} .
Pentru a putea schimba ordinea de integrare în integralele iterate prece-
dente să introducem indicatoarea. Astfel
Z ∞ Z +∞ Z +∞ 
P (h (X) ≥ x) dx = fX (y) 1D (y) dy 1[0,∞) (x) dx
0 −∞ −∞
Z +∞ Z +∞ 
= fX (y) 1D (y) 1[0,∞) (x) dx dy
−∞ −∞
Z +∞ Z +∞ 
= 1D (y) 1[0,∞) (x) dx fX (y) dy.
−∞ −∞

Să observăm că y ∈ D dacă s, i numai dacă x ∈ (−∞, h (y)], adică

1D (y) = 1{h(y)≥x} = 1(−∞,h(y)] (x) ,

deci (folosim faptul că variabila de integrare g (y) ≥ 0 )


Z ∞ Z +∞ Z +∞ 
P (h (X) ≥ x) dx = 1(−∞,h(y)] (x) 1[0,∞) (x) dx fX (y) dy
0 −∞ −∞
Z +∞ Z +∞ 
= 1[0,h(y)] (x) dx fX (y) dy
−∞ −∞
Z +∞ Z h(y)  Z +∞
= dx fX (y) dy = h (y) fX (y) dy
−∞ 0 −∞
= E (h (X)) .

Prezentăm în continuare o generalizare a Propozit, iei 3.38. Demonstrat, ia nu


va fi o reluare a celei date pentru Propozit, ia 3.38 ci una alternativă; ea va folosi,
în mod esent, ial, limitele date de (3.15).
De asemenea, ment, ionăm că atât demonstrat, ia cât s, i formula obt, inută nu
depind de tipul ales al v.a. (discretă sau continuă).

Propozit, ia 3.47 Fie X o v.a. cu funct, ia de repartit, ie FX . Dacă X admite medie,


atunci
Z ∞ Z 0
E (X) = P (X > x) dx − P (X ≤ x) dx
0 −∞
3.2. Caracteristici numerice 219

sau, echivalent,
Z +∞ Z 0
(3.19) E (X) = (1 − FX (x)) dx − FX (x) dx.
0 −∞

Demonstrat, ie. Să observăm că


Z 0 Z ∞
E (X) = y dFX (y) + y dFX (y)
−∞ 0
Z 0 Z v
= limu→−∞ y dFX (y) + limv→∞ y dFX (y) .
u 0

Integrând prin părt, i obt, inem


Z 0 y=0 Z 0 Z 0
y dFX (y) = y FX (y) − FX (y) dy = −u FX (u) − FX (y) dy

u y=u u u

s, i
Z v y=v Z v Z v
y dFX (y) = y FX (y) − FX (y) dy = v FX (v) − FX (y) dy

0 y=0 0 0
Z v
= −v (1 − FX (v)) + (1 − FX (y)) dy.
0

Prin urmare, folosind s, i limitele (3.15),


Z 0
E (X) = − limu→−∞ u FX (u) − FX (y) dy
−∞
Z ∞
− limv→∞ v (1 − FX (v)) + (1 − FX (y)) dy
0
Z 0 Z ∞
=− FX (y) dy + (1 − FX (y)) dy.
−∞ 0

Observăm că demonstrat, ia formulei (3.19) s-a făcut folosind (3.16) s, i for-
mula de integrare prin părt, i în cadrul integralei Riemann-Stieltjes dată de (3.14).
Astfel, în acelas, i mod, se poate arăta o generalizare a Propozit, iei 3.47.
220 3. Variabile aleatoare continue

Propozit, ia 3.48 (vezi [51, Corollary 2, page 247]) Fie X o v.a. cu funct, ia de re-
partit, ie FX . Dacă X r admite medie, unde r ∈ N∗ , atunci
Z ∞
r
E (|X| ) = r xr−1 [1 − F (x) + F (−x)] dx
0

sau, echivalent,
Z ∞
r
E (|X| ) = r xr−1 P(|X| > x)dx
0

s, i
Z ∞
r
E (X ) = r xr−1 [1 − F (x) + (−1)r F (−x)] dx.
0

Remarca 3.49 Folosind (3.19) deducem că


Z ∞ Z 0
E (X) = 0 ⇔ (1 − FX (x)) dx = FX (x) dx.
0 −∞

Observând că E (X − µ) = 0, unde µ = E (X) , s, i că FX−µ (x) = FX (x + µ) ,


putem generaliza astfel:
Z ∞ Z a
E (X) = a ⇔ (1 − FX (x)) dx = FX (x) dx.
a −∞

Exercit, iul 3.50 (vezi [53, Problem 2.6.42]) Fie două v.a. continue X, Y. Aplicând
Propozit, ia 3.47 deducem că
Z +∞  
E (X) = P (0 < x ≤ X) − P (X < x ≤ 0) dx.
−∞

Prin urmare, se poate arăta că, dacă X, Y admit medie, atunci


Z +∞  
E (X) − E (Y ) = P (Y < x ≤ X) − P (X < x ≤ Y ) dx.
−∞
3.2. Caracteristici numerice 221

Definit, ia 3.51 Se numes, te moment de ordin r > 0 al v.a. X, media v.a. X r (dacă
este bine definită). Vom nota
Z
not r
µr == E(X ) = xr f (x) dx .
R

Deci momentul µ1 este chiar media v.a. X.

Definit, ia 3.52 Se numes, te moment central de ordin r > 0 al v.a. X, media v.a.
r
(X − µ1 ) (dacă este bine definită). Vom nota
Z
not  r r
ν r == E (X − µ1 ) = (x − µ1 ) f (x) dx .
R

Definit, ia 3.53 Se numes, te moment absolut de ordin r > 0 al v.a. X, media v.a.
r
|X| , deci
Z
E(|X|r ) = |x|r f (x) dx .
R

Definit, ia 3.54 Se numes, te dispersia (sau variant, a) v.a. X, notată cu D2 (X) (sau
cu Var(X) ), momentul central de ordin 2 al v.a. X, i.e.
def 2
D2 (X) = Var(X) == E (X − µ1 ) .

Deci, în cazul unei v.a. continue X care admite densitatea fX ,


Z
2 2
D (X) = (x − E (X)) f (x) dx .
R

Remarca 3.55 Având în vedere formula de transfer (3.13) obt, inem formula de
calcul a dispersiei:
2
D2 (X) = E X 2 − (E (X)) .


Definit, ia 3.56 Cantitatea definită de


def p
D (X) == D2 (X)

se numes, te deviat, ia standard (sau abaterea standard).


222 3. Variabile aleatoare continue

Remarca 3.57 Evident,

ν 1 = E (X − µ1 ) = E (X) − E (µ1 ) = 0.

Calculând obt, inem


2
= E X 2 − 2µ1 X + µ21 = E X 2 − 2µ1 E (X) + µ21
  
ν 2 = E (X − µ1 )
= µ2 − µ21 = D2 (X)

(deci momentul central ν 2 este chiar dispersia v.a. X ) s, i similar


3
= E X 3 − 3µ1 X 2 + 3µ21 X − µ31 = µ3 − 3µ1 µ2 + 2µ31 .
 
ν 3 = E (X − µ1 )

Definit, ia 3.58 Se numes, te covariant, a v.a. X s, i Y , notată Cov (X, Y ), media94

def
(3.20) Cov (X, Y ) == E [(X − E (X)) · (Y − E (Y ))] .

Remarca 3.59 Dacă facem calculele, obt, inem formula de calcul a covariant, ei:

(3.21) Cov (X, Y ) = E (XY ) − E (X) E (Y ) .

Remarca 3.60 Evident, covariant, a dintre v.a. X cu ea însăs, i este chiar disper-
sia, i.e.
D2 (X) = Cov (X, X) .


Definit, ia 3.61 Dacă D2 (X) > 0 s, i D2 (Y ) > 0, atunci

def Cov (X, Y )


(3.22) ρ (X, Y ) == p
D2 (X) · D2 (Y )

se numes, te corelat, ia (sau coeficientul de corelat, ie al) v.a. X s, i Y.


94 Pentru calculul concret, vezi formula (3.41).
3.2. Caracteristici numerice 223

Remarca 3.62 Au loc s, i în cazul v.a. continue rezultatele stabilite de Propozi-


t, iile 2.47 s, i 2.77 precum s, i inegalităt, ile lui Markov s, i Cebâs, ev date de (2.27) s, i
respectiv (2.28). 

 3.63 Fie X o v.a. cu densitatea de repartit, ie f : R → R, f (x) =


Exemplul
x + 12 1[0,1] (x) . Media ei este dată de
Z +∞ Z 1   x3
1 x2  x=1 7
E (X) = xf (x) dx = x x+ dx = + = .
2 3 4 12

−∞ 0 x=0

Exercit, iul 3.64 Fie X o v.a. (discretă sau continuă). Să se arate că95
2 2
E (X − a) = D2 (X) + (E (X) − a) , pentru orice a ∈ R.


 
Apoi să se determine minimul funct, iei R 3 a 7→ E |X − a| .
Identitatea este us, or de obt, inut:
2
E (X − a) = E X 2 − 2aE (X) + a2
 

2
= D2 (X) + (E (X)) − 2aE (X) + a2 .
 2 2
În plus, inf a∈R E (X − a) = D2 (X) + inf a∈R (E (X) − a) = D2 (X) iar mini-
mul se realizează pentru a = E (X) .
Prin urmare,
2
dispersia D2 (X) este valoarea minimă a funct, iei f (a) = E (X − a)


s, i aceasta se realizează pentru a = E (X) .

Astfel am demonstrat că

2 2  def
E (X − a) ≥ E (X − E (X)) == D2 (X) ,
 
pentru orice a ∈ R.

Prin urmare media E (X) este constanta care aproximează cel mai bine v.a.
X în spat, iul L2 (Ω, F, P) care este spat, iul funct, iilor măsurabile X : Ω → R, astfel
încât Z
2
E X2 =

|X (ω)| P (dω) < ∞.

95 Vezi s, i Exercit, iul 2.4.16.
224 3. Variabile aleatoare continue

Exercit, iul 3.65 Fie X o v.a. (discretă sau continuă). Să se arate96 , folosind exercit, iul
precedent, că dispersia unei v.a. este mai mică decât pătratul semidiferent, ei dintre
valorile sale extreme, i.e.
 M − m 2
D2 (X) ≤ , unde m = inf ω∈Ω X (ω) s, i M = supω∈Ω X (ω)
2

sau, echivalent, abaterea standard a unei v.a. este mai mică decât semidiferent, a dintre
valorile sale extreme, i.e.
M −m
D (X) ≤ .
2

Într-adevăr, folosind

2 2
E (X − a) = D2 (X) + (E (X) − a) ,

pentru orice a ∈ R.

m+M
obt, inem, pentru a = ,
2
 2 
m+M
D2 (X) ≤ E X −
2

m+M
cu egalitate pentru E (X) = 2 .

Deci
 2   2   2
2 m+M m+M M −m
D (X) ≤ E X − ≤E M− = .
2 2 2

Exercit, iul 3.66 Fie X, Y două v.a. (discrete sau continue). Să se arate că, pentru
orice a, b ∈ R,
2
E (Y − aX − b) = D2 (Y ) + a2 D2 (X) − 2a Cov (X, Y ) + b̃2 ,


unde b̃ = b − E (Y ) + a E (X) .
 2
Apoi să se determine minimul funct, iei R2 3 (a, b) 7→ E (Y − aX − b) .

96 Vezi s, i rezultatul similar din cadrul Exercit, iului 2.4.16.


3.2. Caracteristici numerice 225

Identitatea este us, or de obt, inut:


 2
E (Y − aX − b)
 2 
= E (Y − E (Y )) − a (X − E (X)) − (b − E (Y ) + a E (X))
 2  2  
= E (Y − E (Y )) + E (X − E (X)) − 2a E (Y − E (Y )) (X − E (X))

−2b̃ E Y − E (Y ) + 2ab̃ E X − E (X) + b̃2 .


   

Prin urmare, minimul în raport cu b se obt, ine dacă luăm b̃ = 0 sau, echivalent
b = E (Y ) − a E (X) ,
deci, pentru orice a ∈ R,
2
E (Y − aX − b) ≥ D2 (Y ) + a2 D2 (X) − 2a Cov (X, Y ) .


În cazul D2 (X) 6= 0, minimul în raport cu a se obt, ine (derivând în raport cu a ) dacă


luăm
Cov (X, Y )
a= .
D2 (X)
Prin urmare
 2
inf a,b∈R E (Y − aX − b)
 2
2 Cov (X, Y ) Cov (X, Y )
= D (Y ) + D2 (X) − 2 Cov (X, Y )
D2 (X) D2 (X)
Cov2 (X, Y )
= D2 (Y ) − ,
D2 (X)
adică
2
inf a,b∈R E (Y − aX − b) = D2 (Y ) 1 − ρ2 (X, Y ) ,
  

unde ρ(X, Y ) este corelat, ia v.a. X, Y dată de (3.22), iar minimul se realizează pentru
Cov (X, Y ) Cov (X, Y )
a= s, i b = E (Y ) − E (X) .
D2 (X) D2 (X)
Dreapta
y = ax + b,
cu a, b determinat, i mai sus, se numes, te dreapta de regresie.
226 3. Variabile aleatoare continue

Exercit, iul 3.67 (vezi [58, Chapter VIII, Section 2.1]) Fie X o v.a. continuă cu den-
sitatea f s, i cu mediana x1/2 . Să se arate că, pentru orice a ∈ R,

   
Z x1/2
E |X − a| = E |X − x1/2 | + 2 (x − a) f (x) dx
a
(3.23) Z +∞ Z x1/2 

+ x1/2 − a f (x) dx − f (x) dx .
x1/2 −∞

 
Apoi să se determine minimul funct, iei R 3 a 7→ E |X − a| .
Vom arăta identitatea, mai întâi, pentru cazul a < x1/2 ; cazul a > x1/2 se arată
similar.
Avem:
Z
 
E |X − a| = |x − a| f (x) dx
R
Z a 
Z a 
= a − x1/2 f (x) dx + x1/2 − x f (x) dx
−∞ −∞
Z x1/2 Z x1/2
 
+ x − x1/2 f (x) dx + x1/2 − a f (x) dx
a a
Z +∞ 
Z +∞ 
+ x − x1/2 f (x) dx + x1/2 − a f (x) dx
x1/2 x1/2
Z a 
Z x1/2 
= x1/2 − x f (x) dx + x1/2 − x f (x) dx
−∞ a
Z +∞ 
 Z x1/2 
+ x − x1/2 f (x) dx − x1/2 − x f (x) dx
x1/2 a
Z a 
Z x1/2 
+ a − x1/2 f (x) dx + x − x1/2 f (x) dx
−∞ a
Z x1/2 
Z +∞ 
+ x1/2 − a f (x) dx + x1/2 − a f (x) dx.
a x1/2

Deci
 
Z +∞
E |X − a| = x − x1/2 f (x) dx
−∞
3.2. Caracteristici numerice 227
Z +∞ 
Z x1/2 
+ x1/2 − a f (x) dx − x1/2 − a f (x) dx
x1/2 −∞
Z x1/2 

+ x1/2 − a f (x) dx
−∞
Zx1/2 
Z a 
+ x − x1/2 f (x) dx + a − x1/2 f (x) dx
a −∞
Z x1/2 
Z x1/2 
+ x − x1/2 f (x) dx + x1/2 − a f (x) dx.
a a
97
Astfel obt, inem
 
Z +∞
E |X − a| = x − x1/2 f (x) dx
−∞
"Z #
 +∞ Z x1/2
+ x1/2 − a f (x) dx − f (x) dx
x1/2 −∞
Z x1/2 
Z x1/2 
+2 x − x1/2 f (x) dx + 2 x1/2 − a f (x) dx,
a a

adică egalitatea (3.23).


Acum observăm că
Z x1/2
(x − a) f (x) dx ≥ 0, pentru orice a
a

(indiferent dacă a < x1/2 sau dacă a > x1/2 ) s, i, folosind definit, ia medianei, avem
Z +∞ Z x1/2
f (x) dx = f (x) dx.
x1/2 −∞

Prin urmare,    
inf a∈R E |X − a| = E |X − x1/2 |
iar minimul se realizează pentru a = x1/2 , adică98
   
(3.24) E |X − a| ≥ E |X − x1/2 | , pentru orice a ∈ R,
97 Să observăm că este mai simplu (s, i este suficient) să se arate egalitatea (3.23) în cazul particular
x1/2 = 0 , considerând cazurile a > 0 s, i a < 0 (vezi [53, Problem 1.4.5]).
98 Rezultatul este adevărat s, i pentru v.a. de tip discret.
228 3. Variabile aleatoare continue

unde x1/2 este mediana asociată v.a. X.

Propozit, ia 3.68 Fie X o v.a. cu media E (X) s, i dispersia D2 (X) finite s, i cu mediana
x1/2 . Să se arate că99
E (X) − x1/2 ≤ D (X) .

Demonstrat, ie. Folosind proprietatea (2.15), apoi proprietatea (3.24) a medianei


s, i apoi inegalitatea lui Liapunov cu p = 1 < 2 = q, obt, inem:
 
E (X) − x1/2 = E X − x1/2 ≤ E X − x1/2 ≤ E (|X − E (X)|)
q q 
2 2
p
= E (X − E (X)) ≤ E (X − E (X)) = D2 (X) = D (X) .

3.3 Exemple de v.a. continue


3.3.1 Distribut, ia uniformă
O v.a. X spunem că urmează distribut, ia uniformă pe intervalul [a, b], s, i
scriem X ∼ U [a, b], dacă are densitatea de repartit, ie dată de

1
f (x) = 1[a,b] (x) , x ∈ R.
b−a
Se verifică imediat că f ≥ 0 s, i că
Z +∞ Z b Z b x=b
1 1
f (x) dx = f (x) dx = dx = x = 1.

−∞ a b−a a b − a x=a
Rx
Funct, ia de repartit, ie corespunzătoare este F (x) = −∞ f (t) dt = 0, dacă x ≤ a.
Dacă a < x ≤ b, atunci
Z x Z a Z x Z x
1 x−a
F (x) = f (t) dt = f (t) dt + f (t) dt = dt =
−∞ −∞ a a b − a b−a
iar dacă x > b, atunci
Z x Z a Z b Z x
F (x) = f (t) dt = f (t) dt + f (t) dt + f (t) dt
−∞ −∞ a b
99 Vezi s, i estimările date de [29, Proposition 3.6.1].
3.3. Exemple de v.a. continue 229

Z b
1
= f (t) dt = (b − a) = 1.
a b−a
Deci



 0, dacă x ≤ a,


 x−a
(3.25) F (x) = , dacă a < x ≤ b,
 b−a




 1, dacă x > b.

Graficele funct, iilor f s, i F se pot desena cu us, urint, ă.

Propozit, ia 3.69 Media s, i dispersia v.a. distribuite uniform X ∼ U [a, b] sunt date
de
2
a+b (b − a)
E (X) = s, i D2 (X) = .
2 12
Demonstrat, ie. Într-adevăr, conform definit, iei
Z
E (X) = xf (x) dx,
R

deci
b b
1 x2 x=b
Z Z
1 1 a+b
E (X) = x dx = xdx = = .
b−a b−a b − a 2 x=a 2

a a

Pe de altă parte
b
1 x3 x=b a2 + ab + b2
Z Z
2 2 1
x2

E X = x f (x) dx = dx = = ,
b−a b − a 3 x=a 3

R a

deci 2 2
a2 + ab + b2

2 a+b (b − a)
D (X) = − = .
3 2 12

Remarca 3.70 V.a. X ale cărei valori sunt erorile de rotunjire până la cel mai
apropiat întreg (obt, inute atunci când se măsoară o anumită caracteristică) ur-
mează o distribut, ie uniformă. 
230 3. Variabile aleatoare continue

Exemplul 3.71 Fie X ∼ U [0, 1]. Atunci



 0, dacă x ≤ 0,



(3.26) F (x) = x dacă 0 < x ≤ 1,



1, dacă x > 1.

Deci probabilitatea P (1/4 ≤ X ≤ 3/4) = F (3/4) − F (1/4) = 1/2. 

Exercit, iul 3.72 Fie o v.a. X ∼ U (0, 1) s, i n ∈ N∗ . Să se arate că100


def
U == bnXc + 1 ∼ DU (n) ,
unde bnXc este partea întreagă a v.a. nX, i.e. cel mai mare întreg aleator mai mic sau
egal decât v.a. nX.
Deoarece X ∈ (0, 1) obt, inem că nX ∈ (0, n) , deci bnXc ∈ {0, 1, . . . , n − 1}
adică mult, imea valorilor v.a. U este {1, 2, . . . , n} .
Pentru orice k ∈ {1, 2, . . . , n} ,
P (U = k) = P (bnXc = k − 1) = P (k − 1 ≤ nX < k)
  Z k
k−1 k n 1
=P ≤X< = dx = ,
n n k−1
n
n
 
1 2 ... n
prin urmare U :   , adică U ∼ DU (n) .
1/n 1/n . . . 1/n

Exercit, iul 3.73 Fie o v.a. X ∼ U (0, 1) s, i q ∈ (0, 1) . Să se determine tipul v.a.
 
def ln (X)
U == + 1.
ln (q)
Se va obt, ine, pentru orice k ∈ N∗ ,
P (U = k) = pq k−1 ,
prin urmare101 U ∼ G (p) , unde p = 1 − q.
100 Aceasta este o metodă de a genera v.a. discrete distribuite uniform folosind v.a. continue
distribuite uniform pe (0, 1).
101 Aceasta este o metodă de a genera v.a. discrete distribuite geometric folosind v.a. continue
distribuite uniform pe (0, 1).
3.3. Exemple de v.a. continue 231

Propozit, ia 3.74 V.a. X ∼ U [a, b] dacă s, i numai dacă102 v.a.


X −a
Y = ∼ U [0, 1] .
b−a
Demonstrat, ie. Avem
X − a 
FY (y) = P (Y ≤ y) = P ≤ y = P (X ≤ (b − a) y + a)
b−a
= FX ((b − a) y + a) ,
deci
0 0
fY (y) = (FY (y)) = (FX ((b − a) y + a)) = (b − a) fX ((b − a) y + a)
1
= (b − a) · 1[a,b] ((b − a) y + a) = 1[0,1] (y) ,
b−a
deoarece
a ≤ (b − a) y + a ≤ b ⇔ 0 ≤ y ≤ 1,
adică
1[a,b] ((b − a) y + a) = 1[0,1] (y) .
Prin urmare, Y corespunde unei v.a. distribuite uniform pe [0, 1] .

Remarca 3.75 Similar se arată că v.a. X ∼ U [0, 1] dacă s, i numai dacă v.a.
Y = (b − a) X + a ∼ U [a, b] .


Exemplul 3.76 Relat, ia (2.18), i.e.


X, Y independente ⇒ E (XY ) = E (X) E (Y ) ,
oferă o condit, ie necesară pentru independent, a a două v.a. dar ea nu este s, i
suficientă.
2
În acest sens, fie
3
 X ∼ U (−a, a) , cu a > 0, s, i Y = X . Se obt, ine us, or că
E (X) = 0 = E X , deci

E (XY ) = E X 3 = 0 = 0 · E (Y ) = E (X) E (Y )


dar, evident, X, Y nu sunt independente. 


102 Vezi s, i demonstrat, ia alternativă dată de formula (3.46), aplicată în Exemplul 3.190.
232 3. Variabile aleatoare continue

1
Exercit, iul 3.77 Fie X o v.a. continuă cu densitatea f (x) = e−|x| , x ∈ R. Fie
2
v.a.
def
Y == FX (X) .
(a) Să se arate că X are funct, ia de repartit, ie
 1
 ex ,
 dacă x < 0,
2
FX (x) =
 1
2 − e−x , dacă x ≥ 0.
 
2
(b) Să se calculeze FY (y) în cazul y ∈ (0, 1/2) s, i apoi în cazul y ∈ (1/2, 1) . Să se
deducă faptul că 


 0, dacă y < 0,

FY (y) = y, dacă y ∈ [0, 1] ,



1, dacă y > 1,

adică Y este distribuită uniform pe [0, 1] .

Într-adevăr,

FY (y) = P (Y ≤ y) = P (Y ≤ y, X < 0) + P (Y ≤ y, X ≥ 0)
= P (FX (X) ≤ y, X < 0) + P (FX (X) ≤ y, X ≥ 0)
1  1 
eX ≤ y, X < 0 + P 2 − e−X ≤ y, X ≥ 0

=P
2 2
= P (X ≤ ln (2y) , X < 0) + P (X ≤ − ln [2 (1 − y)] , X ≥ 0) .

Dacă y ∈ (0, 1/2) , atunci

ln (2y) < 0 s, i − ln [2 (1 − y)] < 0,

prin urmare

1 ln(2y)
FY (y) = P (X ≤ ln (2y)) + P (∅) = FX (ln (2y)) = e = y.
2
Dacă y ∈ (1/2, 1) , atunci

ln (2y) > 0 s, i − ln [2 (1 − y)] > 0,


3.3. Exemple de v.a. continue 233

prin urmare
FY (y) = P (X < 0) + P (0 ≤ X ≤ − ln [2 (1 − y)])
1 
= FX (0) + FX (− ln [2 (1 − y)]) − FX (0) = 2 − eln(2y) = y.
2
De fapt, se poate arăta următorul rezultat general (indiferent de forma con-
cretă a funct, iei de repartit, ie FX ).

Propozit, ia 3.78 Fie X o v.a. continuă cu funct, ia de repartit, ie FX s, i v.a.


def
Y == FX (X) .
Atunci103 v.a. Y este distribuită uniform pe [0, 1] .
Demonstrat, ie. Să observăm, mai întâi, că FX : R → [0, 1] , deci
FY (y) = P (Y ≤ y) = P (FX (X) ≤ y) = 0, dacă y < 0
s, i
FY (y) = P (Y ≤ y) = P (FX (X) ≤ y) = 1, dacă y > 1.
Să folosim relat, iile date de Remarca 3.24:
−1
(a) x < FX (y) ⇔ FX (x) < y;
−1

(b) FX FX (y) = y,
−1
unde FX este inversa generalizată a funct, iei FX (reamintim că FX este continuă).
Astfel, dacă 0 ≤ y ≤ 1,
−1

FY (y) = P (Y ≤ y) = P (Y < y) = P (FX (X) < y) = P X < FX (y)
−1 −1
 
= P X ≤ FX (y) = FX FX (y) = y,
deoarece X, Y sunt v.a. continue.
Prin urmare, 


 0, dacă y < 0,

FY (y) = y, dacă y ∈ [0, 1] ,



1, dacă y > 1,

103 Pentru o demonstrat, ie alternativă vezi, de exemplu, [24, Lemma 6.2].


234 3. Variabile aleatoare continue

adică Y ∼ U [0, 1] .
Să ment, ionăm că în cazul în care FX ar fi strict crescătoare104 pe un interval,
inversa generalizată coincide cu inversa funct, iei FX iar calculul este elementar:
−1

FY (y) = P (Y ≤ y) = P (FX (X) ≤ y) = P X ≤ FX (y)
−1

= FX FX (y) = y.

Remarca 3.79 Rezultatul precedent este util dacă dorim să simulăm o v.a. con-
tinuă cu o funct, ie de repartit, ie F dată, adică să generăm valori numerice ale
unei v.a. continue cu o funct, ie de repartit, ie F dată.
În acest sens, să generăm mai întâi, prin diverse alte metode cunoscute,
valorile y1 , . . . , yn ale unei v.a. Y ∼ U [0, 1] . Apoi, conform rezultatului prece-
dent, valorile x1 = F −1 (y1 ) , . . . , xn = F −1 (yn ) sunt ale unei v.a. X cu funct, ia
de repartit, ie F.
Această metodă de simulare a unei v.a. continue se numes, te metoda inver-
sei funct, iei de repartit, ie . 

Propozit, ia 3.80 Fie F : R → [0, 1] o funct, ie care satisface cele trei proprietăt, i ale
Propozit, iei 2.17. Atunci există105 un spat, iu de probabilitate (Ω, F, P) s, i o v.a X :
Ω → R astfel încât F să fie funct, ia de repartit, ie a v.a. X.

Demonstrat, ie. Mai precis, fie F −1 : (0, 1) → R inversa generalizată a funct, iei
def  
F, dată de Definit, ia 3.23. Vom lua (Ω, F, P) == (0, 1), B (0, 1) , λ , unde λ
este măsura Lebesgue. Fie U ∼ U [0, 1] .
Vom arăta că noua v.a.
def
X == F −1 ◦ U
admite pe F drept funct, ie de repartit, ie, i.e. F = FX .
Să folosim relat, ia dată de Remarca 3.24:

F −1 (y) ≤ x ⇔ y ≤ F (x) .
104 De exemplu, dacă X este o v.a. continuă care ia valori doar în intervalul [a, b] , adică
Supp (fX ) = [a, b] , iar dacă densitatea fX este continuă pe [a, b] , atunci se poate arăta că
funct, ia de repartit, ie FX este strict crescătoare pe [a, b] (vezi (3.4) s, i [54, Propozit, ia 9.2.13, Coro-
larul 4]).
105 Pentru o demonstrat, ie alternativă vezi, de exemplu, [19, Theorem 1.2.2].
3.3. Exemple de v.a. continue 235

Prin urmare, pentru orice x ∈ R,

FX (x) = P (X ≤ x) = P F −1 (U ) ≤ x = P (U ≤ F (x))


= FU (F (x)) = F (x) ,

deoarece FU (u) = u, dacă u ∈ [0, 1] .

3.3.2 Distribut, ia exponent, ială


O v.a. X spunem că urmează distribut, ia exponent, ială de parametru λ > 0,
s, i scriem X ∼ Exp(λ), dacă are densitatea de repartit, ie dată de

f (x) = λe−λx 1[0,∞) (x) , x ∈ R.

Evident, f (x) ≥ 0, pentru orice x ∈ R s, i


+∞ +∞
e−λx x=+∞
Z Z
f (x) dx = λe−λx dx = λ = 1 − e−∞ = 1.
−λ x=0

−∞ 0
Rx
Funct, ia de repartit, ie corespunzătoare este F (x) = −∞ f (t) dt = 0, dacă x ≤ 0
s, i, dacă x > 0, atunci
Z x Z x
e−λt t=x
F (x) = f (t) dt = λe−λt dt = λ ,
−λ x=0

−∞ 0

deci (vezi s, i relat, iile (2.41) din cazul distribut, iei geometrice), pentru orice x > 0
avem

(3.27) F (x) = 1 − e−λx sau, echivalent, P (X ≥ x) = e−λx .

Evident, putem scrie funct, ia de repartit, ie s, i sub forma

F (x) = (1 − e−λx ) 1[0,∞) (x) , x ∈ R.

Să ment, ionăm că funct, ia definită de


def
rX (x) == 1 − FX (x) = P (X > x)

este numită funct, ia de supraviet, uire sau funct, ia de fiabilitate s, i, datorită for-
mei simple din cazul distribut, iei exponent, iale, este preferabil să lucrăm cu ea.
236 3. Variabile aleatoare continue

Remarca 3.81 Ca s, i distribut, ia geometrică, din cazul discret, s, i distribut, ia ex-


ponent, ială este „fără memorie” (vezi Exercit, iul 2.4.37, Exercit, iul 2.4.38 s, i Exer-
cit, iul 2.4.39). Mai mult chiar, distribut, ia exponent, ială este singura distribut, ie
continuă „fără memorie”.
Astfel are loc

P (X ≥ s + t|X ≥ s) = P (X ≥ t) , pentru orice s, t > 0

(vezi Exercit, iul 3.6.10 s, i Exercit, iul 3.6.11). 

Propozit, ia 3.82 Media s, i dispersia v.a. distribuite exponent, ial X ∼ Exp (λ) sunt
date de
1 1
(3.28) E (X) = s, i D2 (X) = .
λ λ2
Remarca 3.83 Deci, în cazul unei v.a. de tip Exp (λ) , parametrul ei este chiar
inversul mediei v.a.. 
Demonstrat, ie. Conform definit, iei, integrând prin părt, i, obt, inem
Z ∞ Z ∞ −λx
−λx e−λx x=∞ e
E (X) = λxe dx = λx −λ dx
−λ −λ

0 x=0 0
x x=∞ e−λx x=∞ 1
= − λx + = .
e x=0 −λ x=0 λ

Pe de altă parte
∞ Z ∞
e−λx x=∞ e−λx
Z
2 2 −λx 2

E X = λx e dx = λx −λ 2x dx
−λ x=0 −λ

0 0

x2 x=∞
Z
E (X) 2
= − λx +2 xe−λx dx = 2 = 2.
e x=0 0 λ λ
Deci  2
2 2 1 1
D (X) = 2 − = 2.
λ λ λ

Exercit, iul 3.84 Fie o v.a. X ∼ Exp (λ), λ > 0. Să se calculeze funct, ia de repartit, ie
FU , unde U = bXc , adică partea întreagă a v.a. X, i.e. cel mai mare întreg aleator
mai mic sau egal decât v.a. X.
3.3. Exemple de v.a. continue 237

Să notăm q = e−λ s, i p = 1 − q.


Se obt, ine că

P (U > n) = P (bXc > n) = P (bXc ≥ n + 1)


= P (X ≥ n + 1) = e−λ(n+1) = q n+1 ,

deci
FU (u) = 1 − q n+1 .
Astfel, pentru orice n ∈ N,

P (U = n) = P (U > n − 1) − P (U > n)
= q n − q n+1 = q n (1 − q) = pq n ,

adică106 U ∼ G (p) (varianta dată de Remarca 2.136).


Putem rat, iona s, i astfel:
Z n+1
P (U = n) = P (bXc = n) = P (n ≤ X < n + 1) = λe−λx dx
n

e−λx x=n+1 n
= e−λn − e−λ(n+1) = 1 − e−λ e−λ

=
−1 x=n

= p qn .

Astfel putem spune că distribut, ia geometrică este versiunea discretă a distri-
but, iei exponent, iale.

3.3.3 Distribut, ia normală


O v.a. X spunem că urmează distribut, ia normală (sau distribut, ia Gaussi-
ană) de parametri µ ∈ R s, i σ2 > 0, s, i scriem X ∼ N µ, σ2 , dacă are densitatea
de repartit, ie dată de
1 (x−µ)2
f (x) = √ e− 2σ2 , x ∈ R.
2πσ2
Uneori se scrie sub forma N(µ, σ) , adică se consideră că parametrii sunt µ ∈ R
s, i σ > 0.
106 Aceasta este o metodă de a genera v.a. distribuite geometric folosind v.a. distribuite
exponent, ial.
238 3. Variabile aleatoare continue

Densitatea de repartit, ie asociată v.a. distribuite normal

Propozit, ia 3.85 Funct, ia f este o densitate de repartit, ie.

Demonstrat, ie. Evident f (x) ≥ 0, pentru orice x ∈ R.


x−µ √
Dacă facem schimbarea de variabilă √ = t sau echivalent x = 2 σ t+µ,
2σ 2

atunci dx = 2 σ dt s, i
Z +∞ Z +∞
1 (x−µ)2 1
Z +∞
2 √
f (x) dx = √ e− 2σ2 dx = √ e−t 2 σ dt
−∞ −∞ 2πσ2 2πσ2 −∞
Z +∞
1 2
=√ e−t dt = 1,
π −∞

deoarece avem următoarea valoare a integralei Gauss (sau Euler-Poisson)


Z +∞ √
2
(3.29) e−t dt = π.
−∞

Se obt, in us, or s, i valorile


Z ∞ √
−t2 π
e dt =
0 2
∞ Z 0
Z r
t2 t2 π
e− 2 dt = e− 2 dt = .
0 −∞ 2

Să demonstrăm (3.29).


Are loc evident ey > 1 + y, pentru orice y > 0, deci

2 1
e−x < , pentru orice x ∈ R,
1 + x2
R∞ 1
dar 0 1+x2 dx= arctan (∞) − arctan (0) = π/2 adică este convergentă. Deci
def R ∞ 2
integrala improprie I1 == 0 e−x dx este s, i ea convergentă.
Pe de altă parte
Z ∞ Z ∞ ZZ
2 2 2
2 −y 2
(I1 ) = e−x dx · e−y dy = e−x dxdy.
0 0 x,y≥0
3.3. Exemple de v.a. continue 239

Pentru calculul acestei integrale duble se va folosi trecerea la coordonate polare


x = ρ cos θ, y = ρ sin θ cu determinantul Jacobian J = ρ. Obt, inem
π/2 ∞ π/2 2
e−ρ ρ=∞
Z Z  Z
2 2 π
(I1 ) = e−ρ ρ dρ dθ = dθ = .
−2 ρ=0 4

0 0 0
Z +∞ √
2
Deci e−t dt = 2I1 = π.
−∞

Remarca 3.86 Referitor la graficul densităt, ii de probabilitate f :

(i) Graficul este cunoscut sub numele de clopotul lui Gauss s, i este simetric
în raport cu dreapta x = µ (adică X este v.a. simetrică în raport cu µ)
(ii) Parametrul σ2 dă gradul de turtire al graficului (sau gradul de împrăs, ti-
ere al valorilor lui X fat, ă de valoarea medie µ).
(iii) Graficul are axa Ox drept asimptotă orizontală la ±∞ deoarece avem
limx→±∞ f (x) = 0.
 
1
(iv) Graficul admite un maxim în punctul M m, √2πσ 2
s, i două puncte de
inflexiune date de µ − σ s, i µ + σ.
Într-adevăr, derivata
1 (x−µ)2 x−µ x−µ
f 0 (x) = √ e− 2σ2 = − 2 f (x) .
2πσ2 −σ2 σ

Punctele de extrem sunt date de

f 0 (x) = 0 ⇔ x = µ.

Pe de altă parte
−1  − (x−µ) 2 (x−µ)2 x − µ

f 00 (x) = √ e 2σ2 + (x − µ) e− 2σ2
2π σ3 −σ2
2 2
−1 (x−µ)2 σ2 − (x − µ) σ2 − (x − µ)
=√ e− 2σ2 = − f (x) .
2π σ3 σ2 σ4

Deci punctele de inflexiune sunt date de

f 00 (x) = 0 ⇔ x = µ ± σ.
240 3. Variabile aleatoare continue

Remarca 3.87 Luând µ = 0 s, i σ2 = 1 se obt, in v.a. distribuite de tip N(0, 1) ,


numite s, i v.a. distribuite normal standard, cu densitatea

1 x2
f (x) = √ e− 2 , x ∈ R.

Graficul densităt, ii de probabilitate este simetric în raport cu axa Oy (adică den-
sitatea f este funct, ie pară s, i, prin 
urmare,X este v.a. simetrică în raport cu 0)
s, i admite un maxim în punctul M 0, √12π .
De asemenea, f (0) = √12π ' 0.3989 s, i f (3.99) = f (−3.99) ' 10−4 ' 0.
Deci valorile f (x) pentru |x| > 4 sunt neglijabile, adică curba se apropie foarte
repede de axa absciselor Ox când x cres, te. 

Propozit, ia 3.88 Media s, i dispersia v.a. distribuite normal X ∼ N µ, σ2 sunt date
de
E (X) = µ s, i D2 (X) = σ2 .

Remarca 3.89 Deci, în cazul unei v.a. de tip N µ, σ2 , parametrii ei reprezintă
chiar media s, i dispersia v.a.. 

Demonstrat, ie. Utilizăm (3.29) s, i obt, inem, luând x = 2 σ t + µ,
Z +∞
x (x−µ)2 1
Z +∞ √ 2√
E (X) = √ e− 2σ2 dx = √ ( 2 σ t + µ)e−t 2 σ dt
−∞ 2πσ2 2πσ2 −∞
√ Z +∞ Z +∞
2σ 2 µ 2
= √ te−t dt + √ e−t dt
π −∞ π −∞
√ 2
2 σ e−t x=+∞ µ √
= √ +√ π =0+µ
π −2 x=−∞ π

s, i
Z +∞
x2 (x−µ)2 1
Z +∞ √ 2√
E X2 = e− ( 2 σ t + µ)2 e−t 2 σ dt

√ 2σ2 dx = √
−∞ 2πσ2 2πσ2 −∞

2σ2 +∞ 2 −t2 2 2µσ +∞ −t2
Z +∞
µ2
Z Z
2
= √ t e dt + √ te dt + √ e−t dt
π −∞ π −∞ π −∞
3.3. Exemple de v.a. continue 241

2 2
2σ2 e−t x=+∞ 2σ2 +∞ e−t µ2 √
Z
= √ t −√ dt + 0 + √ π
π −2 x=−∞ π −∞ −2 π

Z +∞
σ2 t x=+∞ σ2 2
= − √ t2 +√ e−t dt + µ2 = σ2 + µ2 .
π e x=−∞ π −∞

Deci D2 (X) = σ2 + µ2 − µ2 = σ2 .

Funct, ia de repartit, ie asociată v.a. distribuite normal


Funct, ia de repartit, ie asociată v.a. X ∼ N(0, 1) se notează cu Φ, i.e.
not
Φ (x) == FX (x) , pentru x ∈ R,
deci Z x
def 1 t2
Φ (x) == √ e− 2 dt , x ∈ R,
2π −∞

pentru care există tabele cu valori ale ei.


Rz
Pe de altă parte, funct, ia de repartit, ie Φ (z) = −∞ fX (t) dt reprezintă aria
domeniului din plan cuprins între x = z, axa Ox s, i curba y = fX (x).

Remarca 3.90 Evident, dacă folosim interpretarea cu ajutorul ariei funct, iei Φ,
observăm că
1
Φ (0) =
2
s, i, folosind simetria graficului funct, iei de densitate fX , obt, inem că
Φ (−x) = 1 − Φ (x) , pentru orice x > 0,
prin urmare este suficient să cunoas, tem doar valorile funct, iei Φ în argumente
strict pozitive. 

Remarca 3.91 Avem, evident, limx→∞ Φ (x) = 1. Dacă folosim tabelele, citim
următoarele valori:

Φ (3.00) = 0.998650
Φ (3.80) = 0.999928 s, i Φ (3.90) = 0.999952
Φ (3.98) = 0.999966 s, i Φ (3.99) = 0.999967.

242 3. Variabile aleatoare continue

Exemplul 3.92 Fie v.a. X ∼ N(0, 1). Citim din tabele valoarea Φ (1.68) = 0.954,
deci probabilitatea ca X să ia valori mai mici decât 1.68 reprezintă aproximativ
95% din întreaga arie mărginită de densitatea de repartit, ie s, i de axa Ox. 

Propozit, ia 3.93 Fie X ∼ N µ, σ2 . Are loc următoarea legătură între funct, ia de
repartit, ie FX s, i funct, ia de repartit, ie Φ pentru care există tabele de valori:
x − µ
(3.30) F (x) = Φ , pentru orice x ∈ R.
σ

Demonstrat, ie. Într-adevăr,


Z x
1 (t−µ)2
F (x) = √ e− 2σ2 dt.
−∞ 2πσ2

Acum se va face schimbarea de variabilă


t−µ
=s ⇔ t = σs + µ ⇒ dt = σ ds
σ
deci
x−µ x−µ
1
Z σ s2 1
Z σ s2
x − µ
F (x) = √ e− 2 σ ds = √ e− 2 ds = Φ .
2πσ2 −∞ 2π −∞ σ

Remarca 3.94 Deoarece Φ (0) = 1/2 obt, inem că

1
F (µ) = ,
2
deci µ = x1/2 este mediana distribut, iei, deoarece împarte mult, imea valorilor
în două părt, i egale, i.e.

P (X ≤ µ) = P X ≤ x1/2 = 1/2

iar

P (X > µ) = 1 − P X ≤ x1/2 = 1/2.

3.3. Exemple de v.a. continue 243

Propozit, ia 3.95 Fie X ∼ N µ, σ2 . Atunci pentru orice a, b ∈ R,  > 0 s, i k ∈ N∗




b − µ a − µ
(i) P (a ≤ X ≤ b) = F (b) − F (a) = Φ −Φ ,
σ σ
(ii) P (|X − µ| ≤ ) = F (µ + ) − F (µ − )
   
(3.31) =Φ −Φ − = 2Φ − 1,
σ σ σ
(iii) P (|X − µ| ≤ kσ) = 2Φ (k) − 1,

(iv) P (|X − µ| > kσ) = 2 (1 − Φ (k)) .



Exemplul 3.96 Fie v.a. X ∼ N 0, σ2 . Să calculăm P (|X| ≤ σ).
Utilizând (3.31) obt, inem

P (|X| ≤ σ) = 2Φ (1) − 1 = 2 · 0.841345 − 1 = 0.6826.

Deci probabilitatea ca X să ia valori în intervalul (−σ, σ) reprezintă aproxima-


tiv 68% din aria mărginită de densitatea de repartit, ie s, i de axa Ox. 

Remarca 3.97 Fie X ∼ N µ, σ2 . Atunci, folosind valoarea din tabel

Φ (3) ' 0.998650

obt, inem că

P (|X − µ| > 3σ) = 2 (1 − Φ (3)) ' 2 · 0.00135 = 0.0027.

Având în vedere că valoarea


 0.0027 poate fi neglijată, obt, inem că o v.a. reparti-
zată normal X ∼ N µ, σ2 ia valori semnificative în intervalul (µ − 3σ, µ + 3σ)
(„regula celor 3σ”), i.e.

P (|X − µ| ≤ 3σ) = P (µ − 3σ ≤ X ≤ µ + 3σ) ' 99.73%.

Similar se va obt, ine

P (|X − µ| ≤ σ) = P (µ − σ ≤ X ≤ µ + σ) ' 68.26%

P (|X − µ| ≤ 2σ) = P (µ − 2σ ≤ X ≤ µ + 2σ) ' 95.45% .



244 3. Variabile aleatoare continue

Remarca 3.98 Putem obt, ine o estimare a probabilităt, ii P (|X − µ| > 3σ) s, i cu
ajutorul inegalităt, ii (2.30) a lui Cebâs, ev:
1
P (|X − µ| ≥ 3σ) ≤ ' 0.1111.
32
Observăm că margine superioară obt, inută este mult mai mare decât valoarea
exactă a probabilităt, ii. 

Propozit, ia 3.99 Fie X ∼ N(0, 1). Atunci, pentru orice −∞ ≤ a ≤ b ≤ + ∞,

(i) aria regiunii cuprinsă între x = −a s, i x = a, unde a > 0, este


Z a Z a
A= f (t) dt = 2 f (t) dt = 2Φ (a) − 1,
−a 0
Ra
iar, pe de altă parte −a
f (t) dt = P (−a ≤ X ≤ a), deci

A = P (|X| ≤ a) = 2Φ (a) − 1, pentru orice a > 0;

(ii) aria regiunii cuprinsă între x = −∞, x = −a s, i, respectiv, x = a, x = +∞,


unde a > 0, este
Z −a Z +∞ Z +∞ Z a
A= f (t) dt + f (t) dt = f (t) dt − f (t) dt
−∞ a −∞ −a

= 2 (1 − Φ (a)) ,

iar, pe de altă parte


Z −a Z +∞
f (t) dt + f (t) dt = P ({X ≤ −a} ∪ {X ≥ a}) = P (|X| ≥ a) ,
−∞ a

deci
A = P (|X| ≥ a) = 2 (1 − Φ (a)) , pentru orice a > 0;

(iii) aria regiunii cuprinsă între x = a s, i x = b este


Z b
A= f (t) dt = P (a ≤ X ≤ b) = Φ (b) − Φ (a) .
a

Pentru demonstrarea următoarelor rezultate vezi s, i Corolarul 3.29.


3.3. Exemple de v.a. continue 245

Propozit, ia 3.100 Are loc107


X −µ
X ∼ N µ, σ2

⇔ ∼ N(0, 1) .
σ
Remarca 3.101 Dacă X este o v.a., atunci spunem că noua v.a.

X − E (X)
p se numes, te standardizarea v.a. X.
D2 (X)
X−µ X−E(X)
= √

De exemplu, dacă X ∼ N µ, σ2 , atunci v.a. σ 2
este chiar stan-
D (X)
dardizarea v.a. X. 
X −µ
Demonstrat, ie. Să notăm cu Y = . Avem
σ
X − µ 
FY (y) = P (Y ≤ y) = P ≤ y = P (X ≤ σy + µ) = FX (σy + µ) .
σ
Deci
0 0
fY (y) = (FY (y)) = (FX (σy + µ)) = σ fX (σy + µ)
1 (σy)2 1 y2
=σ√ e− 2σ2 = √ e− 2 ,
2πσ 2 2π
adică Y corespunde unei v.a. distribuite normal standard.

Remarca 3.102 Similar se arată că

σX + µ ∼ N µ, σ2 .

X ∼ N(0, 1) ⇔

Propozit, ia 3.103 Are loc:

X ∼ N µ, σ2 aX + b ∼ N aµ + b, a2 σ2 .
 

Demonstrat, ie. Să notăm cu Y = aX + b. Avem


 y − b y − b
FY (y) = P (Y ≤ y) = P (aX + b ≤ y) = P X ≤ = FX .
a a
107 Vezi s, i demonstrat, ia alternativă dată de formula (3.46), aplicată în Exemplul 3.191.
246 3. Variabile aleatoare continue

Deci
  y − b  0 1 y − b
0
fY (y) = (FY (y)) = FX = fX
a |a| a
y−b 2
1 1 −
( a
−µ)
1 (y−(aµ+b))2
= √ e 2σ2 =√ e− 2a2 σ2 ,
|a| 2πσ2 2π a2 σ2

adică Y corespunde unei v.a. distribuite normal N aµ + b, a2 σ2 .
Demonstrarea următorului rezultat se poate face folosind formula (3.47)
de calcul a densitatii sumei a doua v.a. (vezi Exemplul 3.198) sau cu ajutorul
funct, iei caracteristice (vezi Exercit, iul 4.2.25).

Propozit, ia 3.104 Suma a două v.a. independente care urmează o distribuit, ie de tip
normal este o v.a care urmează o distribuit, ie tot de tip normal. Mai precis,
Xi ∼ N µi , σ2i , i = 1, 2 , indep. ⇒ X1 + X2 ∼ N µ1 + µ2 , σ21 + σ22 .
 

Remarca 3.105 Distribut, ia normală este cazul limită al multor distribut, ii (în
acest sens vezi Teorema Limită Centrală 5.71 s, i Teorema 5.76 a lui Moivre-
Laplace). Deci pentru valori mari ale lui n putem folosi doar tabele de valori
ale distribut, iei normale. 

Problema erorilor. Erori accidentale (aleatoare)


Fie a o mărime fizică s, i {ai }i=1,n n măsurători ale ei. Să definim erorile de
def
măsurare i == a − ai , i = 1, n . Problema este de a determina o valoare aproxi-
mativă pentru a (cu o eroare minimă). Ne interesează erorile accidentale, care
apar datorită unor factori aleatori, neidentificabili. Nu există posibilitatea de-
pistării s, i eliminării lor (ele nu sunt erori grosolane sau sistematice). Aceste erori
pot fi văzute ca valori ale unei v.a. Se poate demonstra că erorile accidentale
au o repartit, ie de tipul N 0, σ2 .

Exemplul 3.106 (Problema inversă Exemplului 3.92) Pentru orice grup de ob-
servat, ii s, i erorile asociate lor, să găsim probabilitatea de 50% să apară (adică,
oricare ar fi eroarea unei măsurători, sa aibă aceeas, i s, ansă să fie între anumite
limite sau să nu fie între acele limite). Să determinăm valoarea E0.5 care este
dată de definit, ia108
P (|X| ≤ Eδ ) = δ, cu δ ∈ (0, 1) ,
108 Se poate folosi s, i notat, ia E50 în loc de E0.5 .
3.3. Exemple de v.a. continue 247

unde X ∼ N(0, 1) .
def 
Să determinăm s, i valoarea E0.5 corespunzătoare v.a. Y == σX ∼ N 0, σ2 .

Utilizând (3.31) obt, inem că valoarea E0.5 este dată de

0.5 = P (|X| ≤ E0.5 ) = 2Φ (E0.5 ) − 1 ⇔ Φ (E0.5 ) = 0.75.

Folosind tabelul funct, iei funct, iei de repartit, ie asociate unei v.a. N(0, 1) obt, inem
că E0.5 este o valoare situată între 0.67 s, i 0.68 deoarece Φ (0.67) = 0.748571 s, i
Φ (0.68) = 0.751748. Valoarea lui E0.5 se va găsi prin interpolare liniară.
Astfel
E0.5 − 0.67 0.75 − 0.748571
= = 0.44980
0.68 − 0.67 0.751748 − 0.748571
deci E0.5 = 0.01 · 0.44980 + 0.67 = 0.67450

Dacă Y ∼ N 0, σ2 , atunci valoarea E0.5 este dată de
   
E0.5 E0.5
0.5 = P (|Y | ≤ E0.5 ) = 2Φ −1 ⇔ Φ = 0.75.
σ σ

Obt, inem E0.5 = 0.6745 · σ. 


Exemplul 3.107 Dacă Y ∼ N 0, σ2 obt, inem similar valorile

Eδ Valoarea Procentul din aria întreagă


E0.5 0.6745 σ 50%
E0.9 1.645 σ 90%
E0.95 1.960 σ 95%
E0.99 2.576 σ 99%
E0.997 2.968 σ 99.7%
E0.999 3.29 σ 99.9%

Observăm că din valoarea lui E0.95 se deduce „regula celor 2σ”, iar din valoa-
rea lui E0.997 se deduce „regula celor 3σ”. 
248 3. Variabile aleatoare continue

3.3.4 Distribut, ia Gamma


O v.a. X spunem că urmează distribut, ia Gamma de parametri unde p > 0
s, i λ > 0, s, i scriem X ∼ Gamma (p, λ) , dacă are densitatea de repartit, ie dată de

λp p−1 −λx
(3.32) f (x) = x e 1(0,∞) (x) , x ∈ R,
Γ (p)

unde Γ este funct, ia Gamma


Z ∞
def
Γ (p) == xp−1 e−x dx, p > 0.
0

Folosim un criteriu de convergent, ă s, i deducem că această integrală impro-


prie este convergentă pentru orice p > 0, deoarece, pentru orice α > 1, avem
α+p−1
xα xp−1 e−x = x ex → 0 < ∞, când x → ∞.

Remarca 3.108 Distribut, ia exponent, ială este un caz particular al distribut, iei
Gamma:
Exp (λ) = Gamma (1, λ) .


Propozit, ia 3.109 Proprietăt, i ale funct, iei Gamma sunt:

(i) Γ (p + 1) = p Γ (p) , pentru orice p > 0,

(ii) Γ (1) = 1, Γ (n + 1) = n! , pentru orice n ∈ N,


1 √
(iii) Γ = π.
2
Demonstrat, ie. Proprietatea (i) se demonstrează utilizând procedeul de inte-
grare prin părt, i iar (ii) este o consecint, ă imediată a lui (i) .
Din (3.29) avem Z ∞ √
def 2 π
I1 == e−x dx =
0 2
s, i apoi, facând substitut, ia x2 = t sau echivalent x = t1/2 , obt, inem

1 ∞ −1/2 −t
Z
1 1
I1 = t e dt = Γ .
2 0 2 2
3.3. Exemple de v.a. continue 249

1
 √
Deci Γ 2 = π.
Se verifică s, i proprietăt, ile unei densităt, i de repartit, ie: f (x) ≥ 0 pentru orice
x ∈ R s, i
+∞ ∞ ∞
λp
Z Z Z
p−1 −λx 1 0
f (x) dx = x e dx = (x0 )p−1 e−x dx0
−∞ Γ (p) 0 Γ (p) 0
1
= Γ (p) = 1,
Γ (p)

deoarece am facut schimbarea de variabila x0 = λx.

Propozit, ia 3.110 Media s, i dispersia v.a. distribuite Gamma X ∼ Gamma (p, λ)


sunt date de
p p
(3.33) E (X) = s, i D2 (X) = .
λ λ2
Demonstrat, ie. Avem
∞ ∞
λp λp
Z Z
E (X) = x · xp−1 e−λx dx = xp e−λx dx
Γ (p) 0 Γ (p) 0
Z ∞
1 0 1 p
= (x0 )(p+1)−1 e−x dx0 = Γ (p + 1) =
λΓ (p) 0 λΓ (p) λ

s, i
∞ ∞
λp λp
Z Z
E X2 = x2 xp−1 e−λx dx = xp+1 e−λx dx

Γ (p) 0 Γ (p) 0
Z ∞
1 0 1 p (p + 1)
= (x0 )(p+2)−1 e−x dx0 = Γ (p + 2) = ,
λ2 Γ (p) 0 λ2 Γ (p) λ2

deci
p (p + 1) p2 p
D2 (X) = − 2 = 2.
λ2 λ λ

Remarca 3.111 Momentele de ordin k sunt us, or de calculat:


Z ∞ Z ∞
λp λp
µk = E(X k ) = xk xp−1 e−λx dx = x(p+k)−1 e−λx dx
Γ (p) 0 Γ (p) 0
250 3. Variabile aleatoare continue

1 p (p + 1) . . . (p + k − 1)
= Γ (p + k) = .
λk Γ (p) λk


Propozit, ia 3.112 Suma a două v.a. independente care urmează o distribuit, ie de tip
Gamma este o v.a care urmează o distribuit, ie tot de tip Gamma. Mai precis109 ,

Xi ∼ Gamma (pi , λ) , i = 1, 2 , indep. ⇒ X1 + X2 ∼ Gamma (p1 + p2 , λ) .

În particular, folosind Remarca 3.108, obt, inem că suma de v.a. indepen-
dente s, i distribuite exponent, ial de acelas, i parametru λ urmează o distribut, ie
de tip Gamma (vezi s, i Exercit, iul 4.2.20).

Propozit, ia 3.113 Suma a două v.a. independente care urmează o distribuit, ie de tip
exponent, ial este o v.a care urmează o distribuit, ie de tip Gamma. Mai precis,

Xi ∼ Exp(λ), i = 1, 2 , independente ⇒ X1 + X2 ∼ Gamma (2, λ) .

Remarca 3.114 Ca o consecint, ă a rezultatului anterior se obt, ine următoarea


proprietate.
Dacă avem n v.a. independente, distribuite exponent, ial de acelas, i parame-
tru λ, adică n v.a. independente Xi ∼ Exp(λ) = Gamma (1, λ) , atunci suma lor
este distribuită de tip Gamma, mai precis,
Xn
X = X1 + X2 + . . . + Xn = Xi ∼ Gamma (n, λ) ,
i=1

adică

orice v.a. X ∼ Gamma(n, λ) distribuită de tip Gamma poate fi văzută


ca o sumă de n v.a. dependente, de tip exponent, ial.

1 1
În plus, conform (3.28), avem că E (Xi ) = iar D2 (Xi ) = 2 , deci este foarte
λ λ
us, or să obt, inem s, i să ret, inem media s, i dispersia unei v.a. distribuite de tip
Gamma (n, λ) în cazul n ∈ N∗ , adică formulele (3.33):
 Xn  Xn Xn 1 1
E (X) = E Xi = E (Xi ) = =n·
i=1 i=1 i=1 λ λ
109 Acest rezultat se poate demonstra s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul 4.2.19).
3.3. Exemple de v.a. continue 251

s, i
 Xn  Xn Xn 1 1
D2 (X) = D2 Xi = D2 (Xi ) = 2
=n· 2 .
i=1 i=1 i=1 λ λ

Demonstrarea următorului rezultat se poate face cu ajutorul funct, iei carac-
teristice (vezi Exercit, iul 4.2.21).

Propozit, ia 3.115 Pentru orice c > 0 are loc:


 
λ
X ∼ Gamma (p, λ) dacă s, i numai dacă cX ∼ Gamma p, .
c

3.3.5 Distribut, ia Student


O v.a. X spunem că urmează distribut, ia Student de parametru n > 0, s, i
scriem X ∼ t (n) , dacă are densitatea de repartit, ie dată de
− n+1
Γ n+1
 
2 x2 2

(3.34) f (x) = √ 1 + , x ∈ R.
nπ Γ n2

n

Remarca 3.116 În cazul particular n = 1, densitatea devine

Γ (1) −1 1
f (x) = √  1 + x2 = , x ∈ R,
π Γ 12 π (1 + x2 )

care defines, te o v.a. distribuită Cauchy C (0, 1) (vezi Nota 127), adică

t (1) = C (0, 1) .

Remarca 3.117 Funct, iei Beta este definită de:


Z 1
def v−1
β (u, v) == xu−1 (1 − x) dx, u, v > 0
0

sau, echivalent, făcând schimbarea de variabilă y = 1−x


x , de
Z ∞
def y v−1
β (u, v) == u+v dx, u, v > 0.
0 (1 + y)
252 3. Variabile aleatoare continue

Atunci, pentru orice u, v > 0, are loc110

(i) β (u, v) = β (v, u) ,


Γ (u) Γ (v)
(ii) β (u, v) = .
Γ (u + v)

Cu aceste notat, ii densitatea f se poate rescrie:


− n+1
x2

1 2

f (x) = √ 1 n
 1+ , x ∈ R.
n β 2, 2 n


Are loc
− n+1
+∞
Γ n+1
 Z +∞ 
x2
Z 2
2
f (x) dx = √ n
 1+ dx.
−∞ nπ Γ 2 −∞ n

Acum se va face schimbarea de variabilă √xn = y sau echivalent x = ny, deci

dx = n dy.
Obt, inem

Γ n+1
Z +∞  Z +∞
− n+1 √
f (x) dx = √ 2
n
 1 + y2 2
ndy
−∞ nπ Γ 2 −∞
Z ∞
2Γ n+1 − n+1
=√ 2 
n 1 + y2 2
dy
πΓ 2 0

(integrandul este o funct, ie pară).


2
Am obt, inut o integrală binomă, s, i putem face substitut, ia 1+y y2 = t−1 sau
q  0
t
echivalent y = 1−t . Se va obt, ine dy = √1 t t
1−t dt s, i deci
2 1−t

1 1−t+t 1 −3/2
dy = q 2 dt = t−1/2 (1 − t) dt.
t
2 1−t (1 − t) 2

110 Pentru a demonstra proprietatea (ii) se poate, de exemplu, folosi schimbarea de variabilă x =
uv s, i y = u (1 − v) în integrala dublă Γ (p) · Γ (q) = (0,∞)×(0,∞) xp−1 y q−1 e−(x+y) dxdy.
RR

Observăm că x + y = u s, i că dacă x, y ∈ (0, ∞) , atunci u ∈ (0, ∞) s, i v ∈ (0, 1) .


3.3. Exemple de v.a. continue 253

Apoi
− n+1
+∞
2Γ n+1
Z Z 1
2  1 2
1 −1/2 −3/2
f (x) dx = √ n t (1 − t) dt
−∞ πΓ 2 0 1 − t 2
Γ n+1
 Z 1
n+1
−3/2
= √ 2 
n (1 − t) 2 t−1/2 (1 − t) dt
πΓ 2 0
Γ n+1 Γ n+1
 Z 1  
2 
n
2 −1 −1/2 2  1 n
= √ (1 − t) t dt = √ β ,
π Γ n2 0 π Γ n2 2 2
Γ n+1 1 n
  
2  Γ 2 Γ 2
= √ = 1.
π Γ n2 Γ n+1 2

Remarca 3.118 Parametrul n reprezintă gradele de libertate ale distribut, iei s, i


de obicei este un număr natural. 

Remarca 3.119 Distribut, ia student t (n) este utilizată la verificarea ipotezelor


statistice. 

Remarca 3.120 Referitor la graficul densităt, ii de probabilitate f :

(i) Graficul este simetric în raport cu axa Oy (adică densitatea f este funct, ie
pară s, i, prin urmare, X este v.a. simetrică în raport cu 0) s, i este asemănă-
tor cu graficul densităt, ii distribut, iei normale standard N(0, 1), doar că,
atunci când x → ∞, graficul se apropie mai încet de axa Ox.
(ii) Graficul are axa Ox drept asimptotă orizontală la ±∞ deoarece avem
limx→±∞ f (x) = 0.
(iii) Derivata este
− n+1
2 −1
x2
 
0 n+1 2x
f (x) = C − 1+ ,
2 n n
Γ( n+1
2 )
unde C = √
nπ Γ( n
.
2)

Dacă x < 0, atunci f cres, te de la f (−∞) = limx→−∞ f (x) = 0 la f (0) =


C iar dacă x > 0, atunci f descres, te de la f (0) = C la f (+∞) = 0.


254 3. Variabile aleatoare continue

Remarca 3.121 Pentru distribut, ia X ∼ t (n) există tabele de valori care dau
probabilităt, i de forma
P (X > t ) = .
R∞
De fapt, P (X > t ) = t f (x) dx adică P (X > t ) este aria domeniului cu-
prins între dreapta x = t , graficul funct, iei f s, i axa Ox. 

Exemplul 3.122 Dacă dorim să obt, inem 98% din aria totală astfel încât ariile
domeniilor rămase la stânga s, i la dreapta să fie egale fiecare cu 1%, atunci tre-
buie să determinăm din tabel numărul t0.01 . Aria căutată va fi atunci

A = P (|X| < t0.01 ) = P (−t0.01 < X < t0.01 ) = 1 − 2P (X > t0.01 )


= 1 − 2 · 0.01 = 0.98.

Dacă numărul n al gradelor de libertate s, i  sunt date, atunci obt, inem t .


Invers, dat n s, i numărul t obt, inem valoarea  = P (X > t ) . 

Propozit, ia 3.123 Media s, i dispersia v.a. distribuite Student X ∼ t (n) sunt date de
n
E (X) = 0 , dacă n > 1, s, i D2 (X) = , dacă n > 2.
n−2
Γ( n+1
2 )
Demonstrat, ie. Să notăm C0 = √
nπ Γ( n
. Media este dată de
2)

+∞ − n+1
x2
Z  2

E (X) = C0 x 1 + dx
−∞ n
Z 0 − n+1 Z ∞  − n+1
x2 x2
 2 2

= C0 x 1+ dx + C0 x 1+ dx
−∞ n 0 n
! n+1
Z ∞ 2 − 2 Z +∞  − n+1
(x0 ) x2 2

= C0 x 1+ dx0 − C0 x 1+ dx
0 n 0 n

(făcând substitut, ia x0 = −x).


Pe de altă parte, aplicând un criteriu de convergent, ă, observăm că
− n+1
x2 xα+1
 2
n+1
α
x ·x 1+ =n 2 n+1 .
n (x2 + n) 2
3.3. Exemple de v.a. continue 255

α+1
x
Luând α = n obt, inem limx→∞ n+1 = 1 ∈ (0, ∞), deci integrala im-
(x2 +n) 2
R∞ 2 − n+1
proprie 0 x 1 + xn 2
dx este convergentă dacă n > 1 s, i divergentă dacă
n ∈ (0, 1].
Mai precis, obt, inem că media E (X) este 0, dacă n > 1 s, i nu există111 dacă
n ∈ (0, 1] (faptul că funct, ia care se integrează este impară nu este suficient că
să tragem concluzia că media este zero).
În ceea ce prives, te dispersia, calculăm

+∞ − n+1 Z ∞  − n+1
x2 x2
Z  2 2
2 2 2

E X = C0 x 1 + dx = 2C0 x 1+ dx
−∞ n 0 n

(integrandul fiind funct, ie pară).


Pe de altă parte, aplicând un criteriu de convergent, ă, observăm că
− n+1
x2 xα+2
 2
n+1
α 2
x ·x 1+ =n 2
n+1 .
n (x2 + n) 2

α+2
x
Luând α = n − 1 obt, inem limx→∞ n+1 = 1 ∈ (0, ∞), deci integrala
(x2 +n) 2
n+1
− 2
R∞  2
improprie 0 x2 1 + xn dx este convergentă dacă n > 2 s, i divergentă
dacă n ∈ (0, 2].

Obt, inem că media E X 2 (deci s, i dispersia) există s, i este finită doar în cazul
în care n > 2.
2
În acest caz făcând schimbarea de variabilă xn = y obt, inem
 Z ∞ √
Γ n+1
Z +∞
2
 2 2 − n+1 n
E X = x f (x) dx = 2 √ n
 ny (1 + y) 2
√ dy
−∞ nπ Γ 2 0 2 y
Z ∞
nΓ n+1

2 1 − n+1
= 1
 n
 y 2 (1 + y) 2 dy
Γ 2 Γ 2 0
 Z ∞
nΓ n+1 3 − n−2 − 3
= 1
 2
n
 y 2 −1 (1 + y) 2 2 dy
Γ 2 Γ 2 0
111 În cazul în care n = 1 v.a. X ∼ t(1) = C (0, 1), deci media v.a. X nu există (vezi Exercit, iul
3.6.79).
256 3. Variabile aleatoare continue

nΓ n+1
  
2 3 n−2
= β ,
Γ 12 Γ n2
 
2 2
nΓ n+1 Γ 32 Γ n−2 n 12 Γ 1 n−2
    
2 2 2 Γ 2  n
= = = ,
Γ 12 Γ n2 Γ n+1 n−2 1 n−2
  
2 2 Γ 2 Γ 2
n−2

deci
n n
D2 (X) = − 02 = .
n−2 n−2

Remarca 3.124 Momentele de ordin impar sunt nule deoarece funct, ia care se
Z ∞ − n+1
x2
 2
2k+1
integrează este impară iar x 1+ dx este convergentă:
0 n
− n+1
+∞
Γ n+1

x2
Z  2
2k+1 2 2k+1
µ2k+1 = E(X )= √ n x
 1+ dx = 0.
−∞ nπ Γ 2 n


3.3.6 Distribut, ia χ2
O v.a. X spunem că urmează distribut, ia χ2 de parametri n ∈ N∗ s, i σ > 0, s, i
scriem X ∼ χ2(n, σ), dacă are densitatea de repartit, ie dată de
1
1(0,∞) (x) , x ∈ R .
n x
(3.35) f (x) = n n
 x 2 −1 e− 2σ2
2 2 σnΓ 2

Remarca 3.125 Având în vedere definit, ia (3.32) obt, inem următoarea legătură
între distribut, ia χ2 s, i distribut, ia Gamma:
n 1 
(3.36) χ2(n, σ) = Gamma , 2 , pentru n ∈ N∗ s, i σ > 0.
2 2σ

Se verifică proprietăt, ile unei densităt, i de repartit, ie. Într-adevăr, dacă se face
schimbarea de variabilă 2σx 2 = y, obt, inem
Z +∞ Z ∞
1 n x
f (x) dx = n n
 x 2 −1 e− 2σ2 dx
−∞ 0 2 2 σn Γ 2
3.3. Exemple de v.a. continue 257
Z ∞
1  n −1 n
2σ2 2 y 2 −1 e−y 2σ2 dy

= n
n n

2 σ Γ 2 0
2

Z ∞
1 n 1
y 2 −1 e−y dy = n

= n
 n Γ 2 = 1.

Γ 2 0 Γ 2

Remarca 3.126 Parametrul n reprezintă gradele de libertate ale distribut, iei s, i


de obicei este un număr natural. 

Remarca 3.127 Distribut, ia χ2(n, σ) este utilizată la verificarea ipotezelor statis-


tice. 

Remarca 3.128 Referitor la graficul densităt, ii de probabilitate f (pentru sim-


plitatea prezentării vom considera doar cazul σ = 1 ):
(i) Cazul n = 1 (sau, echivalent, 1 − n/2 > 0 ).
1 1
Funct, ia f devine f (x) = , x > 0, unde C = 2n/2 Γ (n/2) .
C x1−n/2 ex/2
Avem
limx→0+ f (x) = +∞, limx→+∞ f (x) = 0.
Se obt, ine
1 n/2−2 −x/2 n − 2 − x
f 0 (x) = x e < 0, pentru orice x > 0 > n − 2,
C 2
deci f descres, te de la f (0+ ) = +∞ la limx→+∞ f (x) = 0.
(ii) Cazul n = 2 (sau, echivalent, 1 − n/2 = 0 ).
1 1
Funct, ia f devine f (x) = , x ≥ 0, deoarece C = 2Γ (1) = 2.
2 ex/2
Avem
f (0+ ) = 1/2 , limx→+∞ f (x) = 0.
Se obt, ine
1 −x/2 −1
f 0 (x) = e < 0, pentru orice x > 0,
2 2
deci f descres, te de la f (0+ ) = 1/2 la limx→+∞ f (x) = 0.
(iii) Cazul n > 2 (sau, echivalent, n/2 − 1 > 0 ).
1 xn/2−1
Funct, ia f devine f (x) = x/2 , x ≥ 0.
C e
Avem
f (0+ ) = 0 , limx→+∞ f (x) = 0.
258 3. Variabile aleatoare continue

Se obt, ine
1 n/2−2 −x/2 n − 2 − x
f 0 (x) = x e
C 2
deci f (x) < 0, pentru orice x ∈ (n − 2, +∞) s, i f 0 (x) > 0, pentru orice x ∈
0

(0, n − 2), adică f cres, te de la f (0+ ) = 0 la f (n − 2) s, i descres, te de la f (n − 2)


def
la f (+∞) == limx→+∞ f (x) . 

Remarca 3.129 Pentru distribut, ia X ∼ χ2(n, 1) există tabele de valori care dau
probabilităt, i de forma
P X > χ2 = .


 R +∞ 
De fapt, P X > χ2 = χ2 f (x) dx adică P X > χ2 este aria domeniului

cuprins între dreapta x = χ2 , graficul funct, iei f s, i axa Ox. 

Exercit, iul 3.130 Dacă dorim să obt, inem 98% din aria totală astfel încât ariile domeni-
ilor rămase la stânga s, i la dreapta să fie egale fiecare cu 1%, atunci trebuie să deter-
minăm din tabel numerele χ20.99 s, i χ20.01 . Aria căutată va fi atunci

A = P χ20.99 < X < χ20.01 = P X > χ20.99 − P X < χ20.01


  

= 0.99 − 0.01 = 0.98

Dacă numărul n al gradelor de libertate s, i  sunt date, atunci obt, inem χ2 .

2
Exemplul 3.131
2
 Invers, dacă se dau numărul natural n s, i valoarea χ , obt, inem
 = P X > χ . 

Propozit, ia 3.132 Media s, i dispersia v.a. X ∼ χ2(n, 1) sunt date de

(3.37) E (X) = n s, i D2 (X) = 2n.

Demonstrat, ie. Avem


Z +∞ Z +∞
1 n x
E (X) = xf (x) dx = n n
 x 2 e− 2 dx
0 22 Γ 2 0

x
Făcând schimbarea de variabilă 2 = y obt, inem
Z +∞ Z +∞
1 n 2 n
E (X) = n n
 (2y) 2 e−y 2dy = n
 y 2 e−y dy
2 Γ
2
2 0 Γ 2 0
3.3. Exemple de v.a. continue 259

2 n 
= n Γ
 + 1 = n.
Γ 2
2
Apoi
Z +∞
1 n x
2
x 2 +1 e− 2 dx

E X = n n

2 Γ
2
2 0
Z +∞ Z +∞
1 n
2 +1 −y 4 n
= n n
 (2y) e 2dy = n
 y 2 +1 e−y dy
2 Γ
2
2 0 Γ 2 0

4 n n
n  
= n Γ 2 +2 =4 2
 +1 ,
Γ 2 2
deci
n n 
D2 (X) = 4 + 1 − n2 = 2n .
2 2

Demonstrarea următorului rezultat se poate face cu ajutorul funct, iei carac-


teristice (vezi Exercit, iul 4.2.30).

Propozit, ia 3.133 Suma a două v.a. independente care urmează o distribuit, ie de tip
χ2 este o v.a care urmează o distribuit, ie tot de tip χ2 . Mai precis,
Xi ∼ χ2(ni , σ) , i = 1, 2 , independente ⇒ X1 + X2 ∼ χ2(n1 + n2 , σ) .

3.3.7 Distribut, ia Fisher


O v.a. X spunem că urmează distribut, ia Fisher de parametri m > 0 s, i n > 0,
s, i scriem X ∼ F (m, n), dacă are densitatea de repartit, ie dată de
m
m 2
Γ m+n
 m+n
 m − 2
1(0,∞) (x) , x ∈ R .
m
f (x) = n 2
x 2 −1 1 + x
Γ m Γ n2
 
2
n

Remarca 3.134 Parametrii m, n reprezintă gradele de libertate ale distribut, iei


s, i de obicei sunt număre naturale. 

Remarca 3.135 Pentru distribut, ia X ∼ F (m, n) există tabele de valori care dau
probabilităt, i de forma
P (X > F ) = .
R +∞
De fapt, P (X > F ) = F f (x) dx adică P (X > F ) este aria domeniului cu-
prins între dreapta x = F , graficul funct, iei f s, i axa Ox. 
260 3. Variabile aleatoare continue

Propozit, ia 3.136 Media s, i dispersia v.a. X ∼ F (m, n) sunt date de

n 2n2 (n + m − 2)
E (X) = s, i D2 (X) = 2 .
n−2 m (n − 2) (n − 4)

3.4 Vectori aleatori


Definit, ia 3.137 Fie spat, iul de probabilitate (Ω, F, P) . Funct, ia

X : (Ω, F, P) → (Rn , B (Rn ))

se numes, te variabilă aleatoare n−dimensională sau vector aleator n−dimen-


sional dacă este o funct, ie măsurabilă.

Remarca 3.138 Dacă n = 1, vom spune că X este variabilă aleatoare reală sau,
mai simplu, variabilă aleatoare. Dacă n ≥ 2, vom spune că X este vector
aleator n−dimensional sau, mai simplu, vector aleator. 

Remarca 3.139 În definit, ia vectorului aleator am scris întregul spat, iu de pro-


babilitate des, i probabilitatea P nu intervine în definit, ie (dar vectorii aleatori se
asociază unor experimente aleatoare pentru care este esent, ial spat, iul de proba-
bilitate).
Deci, de fapt, X : (Ω, F) → (Rn , B (Rn )) este vector aleator dacă este o
funct, ie măsurabilă între cele două spat, ii măsurabile. 

Remarca 3.140 Funct, ia X : (Ω, F) → (Rn , B (Rn )) , cu X = (X1 , . . . , Xn ),


este vector aleator n−dimensional dacă s, i numai dacă fiecare componentă Xi :
(Ω, F) → (R, B (R)) este v.a. reală, cu i = 1, n . 

Definit, ia 3.141 Fie X un vector aleator dat de X = (X1 , . . . , Xn ) . Funct, ia

FX : Rn → [0, 1] ,

definită prin
def
FX (x1 , . . . , xn ) == P (X1 ≤ x1 , . . . , Xn ≤ xn )
se numes, te funct, ia de repartit, ie asociată vectorului aleator X.
3.4. Vectori aleatori 261

Remarca 3.142 Putem scrie s, i sub forma

FX (x) = P (X ∈ B) = P X−1 (B) = PX (B) ,




unde B = (−∞, x1 ]×. . .×(−∞, xn ] iar PX este legea asociată vectorului aleator
X. 

Propozit, ia 3.143 Au loc următoarele proprietăt, i ale funct, iei de repartit, ie FX :

(i) Funct, ia FX este monoton nedescrescătoare (i.e. crescătoare dar nu neapărat


strict crescătoare) în fiecare argument al ei.
(ii) Funct, ia FX este continuă la dreapta în fiecare argument al ei.
(iii) Dacă i = 1, n , atunci

limxi →−∞ FX (x1 , . . . , xi , . . . , xn ) = 0, pentru orice

x1 , . . . , xi−1 , xi+1 , . . . , xn ∈ R,

limx1 →+∞,...,xn →+∞ FX (x1 , . . . , xn ) = 1.

(iv) Pentru orice ai , bi ∈ R cu i = 1, n ,

P (a1 < X1 ≤ b1 , . . . , an < Xn ≤ bn )


Xn
= FX (b1 , . . . , bn ) − FX (b1 , . . . , bi−1 , ai , bi+1 , . . . , bn )
i=1
Xn
+ i,j=1 FX (b1 , . . . , ai , . . . , aj , . . . , bn ) − . . .
i<j
n
+ (−1) FX (a1 , . . . , an ) .

(v) În cazul particular n = 2 punctul (iv) devine: pentru orice a, b, c, d ∈ R avem

P (a < X1 ≤ b, X2 ≤ c) = FX (b, c) − FX (a, c) ,


P (X1 ≤ a, b < X2 ≤ c) = FX (a, c) − FX (a, b) ,
P (a < X1 ≤ b, c < X2 ≤ d) = FX (b, d) − FX (a, d)
− FX (b, c) + FX (a, c) .
262 3. Variabile aleatoare continue

Remarca 3.144 În cazul 1−dimensional proprietăt, ile (i) , (ii) , (iii) sunt carac-
teristice unei funct, ii de repartit, ie.
În cazul multidimensional trebuie impusă condit, ia (care se obt, ine din (iv)):
0
(iv) ∆a1 ,b1 [∆a2 ,b2 [. . . ∆an ,bn [FX (x1 , . . . , xn )]]] ≥ 0

pentru orice a, b ∈ Rn cu ai ≤ bi ,

unde
def
∆ai ,bi [FX (x1 , . . . , xn )] == FX (x1 , . . . , xi−1 , bi , xi+1 , . . . , xn )
− FX (x1 , . . . , xi−1 , ai , xi+1 , . . . , xn ) .
Cu notat, iile de mai sus, în cazul multidimensional (n ≥ 2), proprietăt, ile
0
(i) , (ii) , (iii) s, i (iv) sunt caracteristice unei funct, ii de repartit, ie. 

Definit, ia 3.145 Dacă X : Ω → Rn este un vector aleator iar FX este funct, ia de


repartit, ie, atunci funct, ia marginală de repartit, ie a v.a. Xi , i = 1, n , este dată de
FXi (xi ) = limxj →+∞ FX (x1 , . . . , xi , . . . , xn ) .
j6=i

Remarca 3.146 Prin urmare, dacă (X, Y ) : Ω → R2 este un vector aleator bidi-
mensional iar F(X,Y ) este funct, ia de repartit, ie asociată, atunci funct, iile margi-
nale de repartit, ie sunt date de

FX (x) = limy→+∞ F(X,Y ) (x, y) = F(X,Y ) (x, +∞) ,


FY (y) = limx→+∞ F(X,Y ) (x, y) = F(X,Y ) (+∞, y) .


Remarca 3.147 Dacă s, tim funct, ia de repartit, ie a vectorului aleator atunci pu-
tem determina s, i funct, ia marginală de repartit, ie a fiecărei componente. Reci-
proca nu este adevărată: dacă s, tim funct, ia marginală de repartit, ie a fiecărui v.a.
componente atunci nu putem obt, ine funct, ia de repartit, ie a vectorului aleator
în întregime. 
În cazul unui vector aleator X = (X1 , . . . , Xn ) , în caz că există media com-
ponentelor, definim media vectorului X ca fiind
 def 
E (X) = E (X1 , . . . , Xn ) == E (X1 ) , . . . , E (Xn ) .
3.4. Vectori aleatori 263

De asemenea, se poate defini covariant, a Cov (Xi , Xj ) a v.a. componente Xi s, i


Xj . Prin urmare introducem următoarea notat, ie.

Definit, ia 3.148 Fie X = (X1 , . . . , Xn )T un vector aleator (coloană de tip n × 1).


Să definim, urmând (2.22), matricea de covariant, ă (sau matricea de variant, ă sau
matricea de dispersie sau matricea de variant, ă-covariant, ă) asociată vectorului
X, notată prin Cov (X, X) sau Var (X), ca fiind media:
h T i
not def 
(3.38) Var (X) == Cov (X, X) == E X − E (X) · X − E (X) .

Prin urmare, Cov (X, X) este matricea (de tip n × n)


 
Var (X1 ) Cov (X1 , X2 ) ... Cov (X1 , Xn )
 
 
def  Cov (X2 , X1 ) Var (X2 ) ... Cov (X2 , Xn ) 

Cov (X, X) ==  ,

.. .. .. ..

 . . . .


 
Cov (Xn , X1 ) Cov (Xn , X2 ) . . . Var (Xn )

def
unde Cov (Xi , Xj ) == E [(Xi − E (Xi )) · (Xj − E (Xj ))] , cu i, j = 1, n .

Remarca 3.149 Formula de calcul este dată de

not T
Var (X) == Cov (X, X) = E X · XT − E (X) · E (X) .


Definit, ia 3.150 Fie X = (X1 , . . . , Xn )T s, i Y = (Y1 , . . . , Yn )T doi vector aleatori


(coloane de tip n × 1). Putem extinde (3.38) definind matricea de covariant, ă dintre
cei doi vectori X s, i Y, notată cu Cov (X, Y) ca fiind media
h T i
def 
Cov (X, Y) == E X − E (X) · Y − E (Y) .

Prin urmare, Cov (X, Y) este matricea (de tip n × n)



Cov (X, Y) = Cov (Xi , Yj ) i,j=1,n .
264 3. Variabile aleatoare continue

Remarca 3.151 Formula de calcul este dată de


T
Cov (X, Y) = E X · YT − E (X) · E (Y) .


Propozit, ia 3.152 Matricea de covariant, ă satisface următoarele proprietăt, i:


(a) având în vedere că Cov (Xi , Xj ) = Cov (Xj , Xi ) , matricea de covariant, ă
Cov (X, X) este o matrice simetrică, i.e.
T
Cov (X, X) = Cov (X, X) ;

(b) matricea de covariant, ă Cov (X, X) este o matrice pozitiv semi-definită (sau matrice
pozitiv nenegativ-definită), i.e.

aT · Cov (X, X) · a ≥ 0, pentru orice a ∈ Rn \ {0n } ;

(c) matricea de covariant, ă dintre vectorii X s, i Y satisface:


T
Cov (X, Y) = Cov (Y, X) .

Remarca 3.153 Următorul rezultat este o generalizare a celui dat de Remarca


2.76.
Se poate arăta112 că

det (Cov (X, X)) = 0 dacă s, i numai dacă

există a ∈ Rn s, i b ∈ R astfel încât

ha, Xi = a1 X1 + . . . + an Xn = b, P − a.s.,

adică P (a1 X1 + . . . + an Xn = b) = 1.
Să observăm că în cazul particular n = 1 matricea de covariant, ă devine

Cov (X, X) = D2 (X1 ) ,

deci, folosind Propozit, ia 2.77,

det (Cov (X, X)) = 0 ⇔ D2 (X1 ) = 0 ⇔ X1 = c, P − a.s..


112 Vezi, de exemplu, [27, Section 3.11, Problem 15].
3.4. Vectori aleatori 265

În cazul particular n = 2 matricea de covariant, ă devine


 
D2 (X1 ) Cov (X1 , X2 )
Cov (X, X) =  ,
Cov (X1 , X2 ) D2 (X2 )

deci
det (Cov (X, X)) = 0 ⇔ |ρ (X, Y )| = 1
iar pentru |ρ (X, Y )| = 1 vezi Remarca 2.76. 

Remarca 3.154 Dacă (X, Y ) : Ω → R2 este un vector aleator discret, atunci


probabilităt, ile din tabloul lui trebuie să satisfacă restrict, iile:
X
P (X = x, Y = y) ≥ 0 s, i x∈X(Ω) P (X = x, Y = y) = 1.
y∈Y (Ω)

Remarca 3.155 Dacă (X, Y ) : Ω → R2 este un vector aleator discret, atunci


tablourile (sau distribut, iile) marginale sunt date de:
X
P (X = x) = P (X = x, Y = y)
y∈Y (Ω)

s, i de X
P (Y = y) = P (X = x, Y = y) .
x∈X(Ω)

Media unei funct, ii aplicată unui vector aleator discret poate fi calculată
folosind următorul rezultat.

Teorema 3.156 (Formula de transfer) Fie (X, Y ) un vector aleator discret cu pro-
babilităt, ile date de P (X = x, Y = y) , unde x ∈ X (Ω) s, i y ∈ Y (Ω) . Fie h : R×R →
R o funct, ie măsurabilă. Atunci h (X, Y ) : Ω → R este o v.a. s, i această v.a. admite
medie dacă s, i numai dacă
X
x∈X(Ω) |h (x, y)| P (X = x, Y = y) < +∞.
y∈Y (Ω)

În cazul în care h (X, Y ) admite medie, aceasta este dată de:


X
E(h(X, Y )) = x∈X(Ω) h (x, y) P (X = x, Y = y) .
y∈Y (Ω)
266 3. Variabile aleatoare continue

Remarca 3.157 Prin urmare, dacă (X, Y ) : Ω → R2 este un vector aleator dis-
cret, atunci covariant, a dintre X s, i Y definită de (2.22) se calculează folosind
formula:

(3.39) Cov (X, Y ) = E [(X − E (X)) (Y − E (Y ))]


X
= (x − E (X)) (y − E (Y )) P (X = x, Y = y) .
x∈X(Ω)
y∈Y (Ω)

Exemplul 3.158 Se aruncă două zaruri simultan. Fie vectorul aleator bidimen-
sional (X, Y ) unde X, Y iau drept valori numărul de puncte apărute la arun-
carea primului s, i respectiv celui de al doilea zar.
Atunci
X X
F(X,Y ) (x, y) = xi ∈X(Ω) yi ∈Y (Ω) P (X = xi , Y = yi )
xi ≤x yi ≤y

De exemplu,
F(X,Y ) (3, 2) = P (X1 = 1, X2 = 1) + P (X1 = 1, X2 = 2)
+ P (X1 = 2, X2 = 1) + P (X1 = 2, X2 = 2)
+ P (X1 = 3, X2 = 1) + P (X1 = 3, X2 = 2)
1 1 1 1 1 1 1
= + + + + + = .
36 36 36 36 36 36 6


Propozit, ia 3.159 (vezi Remarca 2.29) Dacă (X, Y ) : Ω → R2 este un vector aleator,
atunci

X, Y independente ⇔ F(X,Y ) (x, y) = FX (x) FY (y) ,

pentru orice x, y ∈ R.

Propozit, ia 3.160 Dacă (X, Y ) : Ω → R2 este un vector aleator discret, atunci

X, Y independente ⇔ P (X = x, Y = y) = P (X = x) P (Y = y) ,

pentru orice x ∈ X (Ω) , y ∈ Y (Ω) .


3.4. Vectori aleatori 267

Exemplul 3.161 Fie vectorul aleator discret (X, Y ) dat de tabloul bidimensio-
nal următor:
HH
H X 2 4 5
Y HH
H
3 0.05 0.05 0.10
5 0.15 0.20 0.15
6 0.10 0.15 0.05

(a) Să se studieze dacă v.a. X, Y sunt independente s, i apoi să se calculeze
covariant, a celor două v.a. Să se determine s, i F(X,Y ) (3, 5) .

Să calculăm, mai întâi, distribut, iile marginale ale lui X s, i respectiv Y :

P (X = 2) = P (X = 2, Y = 3) + P (X = 2, Y = 5) + P (X = 2, Y = 6)
= 0.05 + 0.15 + 0.1 = 0.3
P (X = 4) = P (X = 4, Y = 3) + P (X = 4, Y = 5) + P (X = 4, Y = 6)
= 0.05 + 0.2 + 0.15 = 0.4
P (X = 5) = P (X = 5, Y = 3) + P (X = 5, Y = 5) + P (X = 5, Y = 6)
= 0.1 + 0.15 + 0.05 = 0.3

s, i

P (Y = 3) = P (X = 2, Y = 3) + P (X = 4, Y = 3) + P (X = 5, Y = 3)
= 0.05 + 0.05 + 0.1 = 0.2
P (Y = 5) = P (X = 2, Y = 5) + P (X = 4, Y = 5) + P (X = 5, Y = 5)
= 0.15 + 0.2 + 0.15 = 0.5
P (Y = 6) = P (X = 2, Y = 6) + P (X = 4, Y = 6) + P (X = 5, Y = 6)
= 0.1 + 0.15 + 0.05 = 0.3.

Deci v.a. X, Y nu sunt independente deoarece, de exemplu,

P (X = 2) · P (Y = 3) = 0.4 · 0.6 = 0.24 6= 0.1 = P (X = 2, Y = 3) .

Tablourile v.a. X, Y sunt


   
2 4 5 3 5 6
X: , Y : .
0.3 0.4 0.3 0.2 0.5 0.3
268 3. Variabile aleatoare continue

Pentru a determina covariant, a, determinăm mai întâi mediile E (X) = 3.7,


E (Y ) = 4.9 s, i apoi

(X − E (X)) (Ω) = {−1.7, 0.3, 1.3} s, i (Y − E (Y )) (Ω) = {−1.9, 0.1, 1.1}

iar covariant, a va fi dată de formula (3.39):


X
Cov (X, Y ) = x∈X(Ω) (x − E (X)) (y − E (Y )) P (X = x, Y = y)
y∈Y (Ω)

= (−1.7) · (−1.9) · 0.05 + (−1.7) · 0.1 · 0.15 + (−1.7) · 1.1 · 0.10


+ 0.3 · (−1.9) · 0.05 + 0.3 · 0.1 · 0.20 + 0.3 · 1.1 · 0.15
+ 1.3 · (−1.9) · 0.10 + 1.3 · 0.1 · 0.15 + 1.3 · 1.1 · 0.05
= −0.051 + 0.027 − 0.156 = −0.18 .

(b) Dacă definim Z = X − Y , să se calculeze tabloul v.a. Z.

Având în vedere tabloul vectorului aleator (X, Y ), tabloul v.a. Z = X − Y


este dat de
 
−4 −3 −2 −1 0 1 2
Z: .
0.1 0.15 0.15 0.3 0.15 0.05 0.1

De exemplu,

P (Z = −1) = P (X = 2, Y = 3) + P (X = 4, Y = 5) + P (X = 5, Y = 6)
= 0.05 + 0.2 + 0.05 = 0.3.

Exemplul 3.162 Fie vectorul aleator discret (X, Y ) dat de tabloul bidimensio-
nal următor:
HH
HHX −4 −2 2 4
Y HH
−2 0.25
−1 0.25
1 0.25
2 0.25
3.4. Vectori aleatori 269

Se calculează, mai întâi, distribut, iile marginale ale lui X s, i respectiv Y s, i se


poate arăta că v.a. X, Y nu sunt independente. De exemplu,

P (X = −4) · P (Y = 1) = 0.25 · 0.25 = 0.0625 6= 0.25 = P (X = −4, Y = 1) .

Apoi se calculează covariant, a celor două v.a.:

Cov (X, Y ) = E [(X − E (X)) (Y − E (Y ))] = E [X · Y ]


X
= x∈X(Ω) x y P (X = x, Y = y)
y∈Y (Ω)

= (−4) · 1 · 0.25 + (−2) · (−2) · 0.25 + 2 · 2 · 0.25 + 4 · (−1) · 0.25


= 0,

deoarece mediile E (X) = E (Y ) = 0. 

Exercit, iul 3.163 Cele mai comune tipuri de erori făcute de programatori sunt cele de
sintaxă s, i cele de logică. Fie X variabilă care dă numărul de erori de sintaxă iar Y
variabila care dă numărul de erori de logică la rularea programului. Să presupunem că
X s, i Y au următorul tablou de repartit, ie (pentru un anume programator care face un
anume program):
HH
HHX 0 1 2 3
Y HH
0 0.71 0.03 0.02 0.01
1 0.04 0.06 0.03 0.01
2 0.03 0.03 0.02 0.01

(a) Care este probabilitatea ca acel program să aibă strict mai multe erori de sintaxă
decât cele de logică?
(b) Să se determine tablourile marginale. Sunt X s, i Y independente?
(c) Care este numărul mediu de erori de sintaxă care se pot produce? Dar numărul
mediu de erori de logică? Să presupunem că un evaluator acordă puncte acelui program
după formula 100−4X−9Y . Care este numărul de puncte care te as, tept, i să fie acordate
acelui program?
(d) Să se calculeze dispersiile D2 (100 − 9Y ) s, i D2 (4X − 9Y ) .
270 3. Variabile aleatoare continue

Exercit, iul 3.164 Fie (X, Y ) un vector aleator discret cu tabloul de repartit, ie
HH
HHX 2 4
Y HH
1 a 0.1
2 0.1 0.3
3 a 3a

(a) Să se determine a ∈ R astfel încât tabloul de mai sus să fie asociat unui vector
aleator s, i apoi să se determine distribut, iile marginale ale v.a. X s, i Y.
(b) Să se determine s, i să se justifice tabloul v.a. X 2 , X + 3 s, i 2X − 0.5Y + 1 s, i să se
calculeze dispersia D2 (2 − 3X) .
(c) Să se calculeze P(X + Y ≤ 4), P(X ≥ 2, Y ≥ 3), P(Y ≤ 3| X ≥ 2) s, i
F(X,Y ) (2, 3) (unde F(X,Y ) este funct, ia de repartit, ie asociată lui (X, Y ) ).
(d) Să se studieze dacă X s, i Y sunt independente.

Definit, ia 3.165 Funct, ia f : Rn → R este o densitate de repartit, ie dacă:

(i) f (x) ≥ 0, pentru orice x ∈ Rn .


Z Z
(ii) f este integrabilă cu ··· f (x1 , . . . , xn ) dx1 · · · dxn = 1.
Rn

Definit, ia 3.166 Să considerăm un vector aleator X = (X1 , . . . , Xn ) pentru care


există o densitate de repartit, ie fX : Rn → [0, ∞) astfel încât, pentru orice x =
(x1 , . . . , xn ) ∈ Rn ,
Z x1 Z xn
(3.40) FX (x) = ··· fX (t1 , . . . , tn ) dt1 . . . dtn ,
−∞ −∞

unde FX este funct, ia de repartit, ie asociată lui X.


Atunci funct, ia fX se numes, te densitatea de repartit, ie asociată vectorului aleator
X iar vectorul aleator X se numes, te vectorul aleator de tip continuu.

Media unei funct, ii aplicată unui vector aleator discret poate fi calculată
folosind următorul rezultat.
3.4. Vectori aleatori 271

Teorema 3.167 (Formula de transfer) Fie (X, Y ) un vector aleator care admite den-
sitatea f(X,Y ) . Fie h : R × R → R o funct, ie măsurabilă. Atunci h (X, Y ) : Ω → R
este o v.a. s, i această v.a. admite medie dacă s, i numai dacă
ZZ
|h (x, y)| f(X,Y ) (x, y) dxdy < +∞.
R2

În cazul în care h (X, Y ) admite medie, aceasta este dată de:


ZZ
E (h (X, Y )) = h (x, y) f(X,Y ) (x, y) dxdy .
R2

Remarca 3.168 Prin urmare, dacă (X, Y ) : Ω → R2 este un vector aleator con-
tinuu, atunci covariant, a dintre X s, i Y definită de (3.20) se calculează folosind
formula:

(3.41) Cov (X, Y ) = E [(X − E (X)) (Y − E (Y ))]


ZZ
= (x − E (X)) (y − E (Y )) f(X,Y ) (x, y) dxdy .
R2

Propozit, ia 3.169 Dacă X = (X, Y ) : Ω → R2 un vector aleator care admite densi-


tatea de repartit, ie fX , atunci FX admite derivată part, ială mixtă de ordinul doi în orice
punct (x, y) ∈ R2 în care fX este continuă s, i

∂ 2 FX
fX (x, y) = (x, y) .
∂x∂y

Remarca 3.170 Dacă vectorul aleator X admite densitatea fX , atunci


Z Z
P ((X1 , . . . , Xn ) ∈ B) = · · · fX (x1 , . . . , xn ) dx1 · · · dxn ,
B

pentru orice mult, ime B ∈ B (Rn ) . 

Remarca 3.171 De exemplu, dacă vectorul aleator (X, Y ) admite densitatea


f(X,Y ) , atunci
ZZ
P ((X, Y ) ∈ [a, b] × [c, d]) = f(X,Y ) (x, y) dx dy ,
[a,b]×[c,d]
272 3. Variabile aleatoare continue

pentru orice a, b, c, d ∈ R.
Mai general, dacă vectorul aleator (X, Y ) admite densitatea f(X,Y ) , atunci (vezi
s, i (3.5))
ZZ
(3.42) P ((X, Y ) ∈ D) = f(X,Y ) (x, y) dx dy ,
D


pentru orice domeniu D ∈ B R2 . 

Exemplul 3.172 (a) Fie vectorul aleator continuu (X, Y ) cu densitatea f(X,Y ) .
Să se arate113 că
P (X = Y ) = 0.
Într-adevăr, folosind formula (3.42) obt, inem
ZZ
P (X = Y ) = P ((X, Y ) ∈ D) = f(X,Y ) (x, y) dx dy = 0,
D

unde D = (x, y) ∈ R2 : x = y , deoarece integrala dublă se calculează pe o
mult, ime D de măsură Lebesgue 0.
Putem rat, iona s, i astfel: v.a. X − Y este s, i ea de tip continuu, cu densitatea
dată de (3.50), deci P (X − Y = 0) = 0.
(b) Fie v.a. independente X, Y astfel încât X e de tip continuu iar Y e de tip
discret. Să se arate că
P (X = Y ) = 0.
Într-adevăr, folosind independent, a obt, inem:
[  X
P (X = Y ) = P {X = xi , Y = xi } = P ({X = xi , Y = xi })
i∈I i∈I
X X
= P (X = xi ) · P (Y = xi ) = 0pi = 0.
i∈I i∈I

Remarca 3.173 Având în vedere calculul

FX1 (x1 ) = P (X1 ≤ x1 ) = P (X1 ≤ x1 , X2 < +∞, . . . , Xn < +∞)


113 Vezi s, i Exemplul 2.117.
3.4. Vectori aleatori 273

= P ((X1 , X2 , . . . , Xn ) ∈ (−∞, x1 ] × R × . . . × R)
Z x1 Z Z
= · · · f (x1 , x2 , . . . , xn ) dx1 dx2 · · · dxn
−∞ R R
Z x1 Z Z 
= ··· f (x1 , . . . , xn ) dx2 · · · dxn dx1 ,
−∞ R R

deducem că, dacă se cunoas, te densitatea de repartit, ie a vectorului aleator X,


atunci densitatea marginală de repartit, ie a componentei Xi este dată de
Z Z
fXi (xi ) = · · · f (x1 , . . . , xn ) dx1 . . . dxi−1 dxi+1 . . . dxn .
Rn−1

Remarca 3.174 Prin urmare, dacă (X, Y ) : Ω → R2 este un vector aleator bidi-
mensional iar f(X,Y ) este densitatea asociată, atunci densităt, ile marginale sunt
date de Z
fX (x) = f(X,Y ) (x, y) dy,
R
Z
fY (y) = f(X,Y ) (x, y) dx.
R


Exemplul 3.175 Fie X ∼ N(0, 1) s, i  o v.a. discretă de tip uniform, indepen-


dentă de X, dată de P ( = 1) = P ( = −1) = 1/2. Fie v.a. Y = X.
Deoarece v.a. X s, i  sunt independente s, i au media zero, covariant, a v.a. X
s, i Y este dată de

Cov (X, Y ) = E (XY ) − E (X) E (Y ) = E (XY ) − 0 · 0


= E X 2 = E () E X 2 = 0,
 

deci v.a. X, Y sunt necorelate.


Să calculăm s, i funct, ia de repartit, ie a lui Y :

P (Y ≤ x) = P (X ≤ x) = P (X ≤ x,  = 1) + P (X ≤ x,  = −1)


= P (X ≤ x) P ( = 1) + P (X ≥ −x) P ( = −1)
1
= [P (X ≤ x) + P (X ≥ −x)] = P (X ≤ x) ,
2
274 3. Variabile aleatoare continue

deoarece, conform Propozit, iei 3.103, −X ∼ N(0, 1) , sau, din motive de sime-
trie ale graficului densităt, ii fX , are loc P (X ≥ −x) = P (X ≤ x), pentru orice
x ∈ R.
Deci s-a obt, inut că v.a. Y este s, i ea distribuită normal standard Y ∼ N(0, 1) .
Pe de altă parte, v.a. normale standard au momentele de ordin par date de
(vezi formulele (3.73)):

E X 2k = (2k − 1)!! = 1 · 3 · 5 · . . . · (2k − 1) ,




deci
E X 2 = E Y 2 = 1 s, i E X 4 = E Y 4 = 3.
   

Obt, inem

E X 2 Y 2 = E 2 X 4 = E 2 E X 4 = 1 · 3 = 3,
   

E X 2 · E Y 2 = 1 · 1 = 1,
 

  
adică E X 2 Y 2 6= E X 2 · E Y 2 , ceea ce arată că v.a. X, Y nu sunt indepen-
dente.
Evident, dacă două v.a. sunt independente, atunci sunt necorelate.
Exemplul propus arată că reciproca nu este adevărată. Astfel am obt, inut
două v.a. care au covariant, a nulă (i.e. sunt necorelate) dar nu sunt indepen-
dente. 

Exemplul 3.176 Un alt exemplu de v.a. care sunt necorelate dar nu sunt totus, i
independente este următorul: fie X ∼ N(0, 1) s, i Y = X 2 .
Deoarece v.a. normale standard au momentele de ordin impar nule (vezi
formulele 3.73), i.e.
E X 2k+1 = 0,


obt, inem

Cov (X, Y ) = E (XY ) − E (X) E (Y ) = E X 3 − 0 · E X 2 = 0


 

deci v.a. X, Y sunt necorelate.


Pe de altă parte, evident, v.a. X s, i Y = X 2 nu sunt independente. 

Exemplul 3.177 Funct, ia


1
f (x, y) = 1[a,b]×[c,d] (x, y)
(b − a) (d − c)
3.4. Vectori aleatori 275

este o densitate de repartit, ie. Într-adevăr


ZZ ZZ
1
f (x, y) dxdy = dxdy = 1.
R2 [a,b]×[c,d] (b − a) (d − c)

Funct, ia de repartit, ie unui vector aleator (X, Y ) cu densitatea f este


Z x Z y
1
F(X,Y ) (x, y) = 1[a,b]×[c,d] (t, s) dtds
−∞ −∞ (b − a) (d − c)
1
= (x − a) (y − c) , pentru (x, y) ∈ [a, b] × [c, d] .
(b − a) (d − c)

Apoi F(X,Y ) (x, y) = 0, pentru x < a sau y < c, s, i F(X,Y ) (x, y) = 1, pentru
x > b sau y > d.
Vectorul (X, Y ) reprezintă coordonatele unui punct distribuit uniform în
dreptunghiul [a, b]×[c, d] iar F(X,Y ) este distribut, ia rectangulară pe [a, b]×[c, d] .
Densităt, ile marginale sunt date de, pentru orice (x, y) ∈ [a, b] × [c, d] ,
Z +∞ Z d
1 1
fX (x) = 1[a,b]×[c,d] (x, y) dy = dy ,
−∞ (b − a) (d − c) (b − a) (d − c) c
Z +∞ Z b
1 1
fY (y) = 1[a,b]×[c,d] (x, y) dx = dx .
−∞ (b − a) (d − c) (b − a) (d − c) a

Deci se obt, ine


1 1
fX (x) = s, i fY (y) = .
b−a d−c

1
Exemplul 3.178 În cazul particular f(X,Y ) (x, y) = 1[0,2]×[0,3] (x, y) să cal-
6
culăm P (1 ≤ X ≤ 3, −1 ≤ Y ≤ 2) .
Utilizând Remarca 3.170 obt, inem
Z 3 Z 2
1
P (1 ≤ X ≤ 3, −1 ≤ Y ≤ 2) = 1[0,2]×[0,3] (x, y) dxdy
1 −1 6
Z 2Z 2
1 1 x=2 y=2 1
= dxdy = · x · y = .
1 0 6 6 x=1 y=0 3

276 3. Variabile aleatoare continue

Exemplul 3.179 Dacă D este discul cu centrul în origine s, i de rază 1, atunci


funct, ia
1
f (x, y) = 1D (x, y)
π
este o densitate de repartit, ie.
Vectorul (X, Y ) reprezintă coordonatele unui punct distribuit uniform în
discul D. 

Exemplul 3.180 Funct, ia


1 − x2 +y2
f (x) = e 2

este o densitate de repartit, ie. Într-adevăr
ZZ ZZ Z 2π Z +∞
1 −x
2 +y 2
1 ρ2

f (x, y) dxdy = e 2 dxdy = ρe− 2 dρ dθ
R2 2π R2 2π 0 0
2 ρ=+∞
− ρ2
= −e = 1.


ρ=0

Un vector aleator (X, Y ) cu densitatea f spunem că este distribuit normal bidi-
mensional. 

Propozit, ia 3.181 Dacă (X, Y ) : Ω → R2 este un vector aleator care admite densi-
tatea de repartit, ie f(X,Y ) , atunci

X, Y independente ⇔ f(X,Y ) (x, y) = fX (x) · fY (y) ,

pentru orice x, y ∈ R.

Demonstrat, ie. S, tim că v.a. X, Y sunt independente dacă s, i numai dacă

P (X ≤ x, Y ≤ y) = P (X ≤ x) P (Y ≤ y) , pentru orice x, y ∈ R.

Dacă v.a. X, Y sunt independente, atunci, pentru orice x, y ∈ R,


Z x Z y
f(X,Y ) (u, v) dudv = P (X ≤ x, Y ≤ y) = P (X ≤ x) P (Y ≤ y)
−∞ −∞
Z x Z y
= fX (u) du · fY (v) dv
−∞ −∞
3.4. Vectori aleatori 277
Z x Z y
= fX (u) fY (v) dudv.
−∞ −∞

Reciproc, dacă f(X,Y ) (x, y) = fX (x) fY (y) , atunci, pentru orice x, y ∈ R,


Z x Z y
P (X ≤ x, Y ≤ y) = f(X,Y ) (u, v) dudv
−∞ −∞
Z x Z y
= fX (u) du · fY (v) dv = P (X ≤ x) P (Y ≤ y) .
−∞ −∞

Remarca 3.182 De fapt, are loc următorul rezultat: dacă (X, Y ) : Ω → R2 este
un vector aleator care admite densitatea de repartit, ie f(X,Y ) s, i dacă există două
funct, ii g, h : R → R astfel încât are loc scrierea

f(X,Y ) (x, y) = g (x) · h (y) , pentru orice x, y ∈ R,

atunci v.a. X, Y sunt independente s, i densităt, ile marginale sunt date de fX = g


s, i fY = h. 

3.4.1 Distribut, ia multinomială


Un exemplu important de vector aleator discret este cel distribuit multino-
mial.
Fie E o experient, ă s, i (Ai )i=1,r un sistem complet de evenimente legat de
acea experient, ă. Evenimentele
Pr Ai se pot realiza cu probabilităt, ile pi = P (Ai ) ,
i = 1, r s, i impunem i=1 pi = 1. Se repetă experient, a de n ori în aceleas, i
condit, ii.
Să definim X ca fiind vectorul aleator care ia drept valori numărul de rea-
lizări ale fiecărui eveniment Ai , mai precis X = (X1 , . . . , Xr ), unde Xi este v.a.
care are drept valori numărul de aparit, ii ale evenimentului Ai la n efectuări ale
experient, ei114 .
Utilizând argumente de numărare folosite s, i în cazul distribut, iei binomiale
(vezi s, i deducerea definit, iei termenului Cnk1 ,k2 ,...,kr dat de (1.15)) spunem că
vectorul aleator X urmează o distribut, ie multinomială, s, i scriem

X ∼ B(n, p1 , . . . , pr ),
114 Vezi s, i schema multinomială.
278 3. Variabile aleatoare continue

dacă tabloul de distribut, ie este dat de:


(3.43) P (X = (k1 , . . . , kr )) = P (X1 = k1 , . . . , Xr = kr )
n!
= pk1 . . . pkr r 1{k1 +...+kr =n} ,
k1 ! . . . kr ! 1
unde ki = 0, n , i = 1, r .

Remarca 3.183 Să observăm că probabilitatea P (X1 = k1 , . . . , Xr = kr ) este co-


eficientul termenului xk11 · . . . · xkr r din dezvoltarea multinomială
n
Xn
k1 ,k2 ,...,kr k1
(p1 x1 + . . . + pr xr ) = k1 =0,...,kr =0 Cn p1 . . . pkr r xk11 . . . xkr r
k1 +...+kr =n

(vezi s, i formula (1.16)). 


n
De asemenea, folosind dezvoltarea polinomului (p1 + . . . + pr ) obt, inem că
suma tuturor probabilităt, ilor de mai sus este 1. Într-adevăr,
Xn Xn n!
k1 =0,...,kr =0 P (X = (k1 , . . . , kr )) = k1 =0,...,kr =0 pk11 . . . pkr r
k1 +...+kr =n k1 +...+kr =n k1 ! . . . kr !
n
= (p1 + . . . + pr ) = 1.
O variantă concretă a schemei multinomiale este următoarea: se dă o urnă
U care cont, ine bile de r culori iar probabilitatea de extragere a unei bile de
culoare ci este pi , cu i = 1, r . Fie E experient, a extragerii unei bile din urnă,
urmând ca bila să fie pusă înapoi. Se efectuează E de n ori. Atunci X este
vectorul aleator ce are drept valori vectorul r−dimensional (k1 , . . . , kr ), unde
ki este numărul de bile de culoarea ci , unde i = 1, r .
În cazul particular r = 3 numărul de termeni pk11 pk22 pk33 este dat astfel: avem
k1
Cn posibilităt, i de a alege k1 bile de culoarea c1 din n bile extrase; apoi avem
k2
Cn−k 1
posibilităt, i de a alege k2 bile de culoarea c2 din (n − k1 ) bile rămase (s, i
k3
respectiv Cn−k 1 −k2
= Ckk33 = 1 posibilităt, i de a alege k3 bile de culoarea c3 din
(n − k1 − k2 ) = k3 bile rămase). Deci
k2 k3
P (X1 = k1 , X2 = k2 , X3 = n − k1 − k2 ) = Cnk1 Cn−k1
Cn−k1 −k2
pk11 pk22 pk33
n! (n − k1 )!
= pk1 pk2 pk3
k1 ! (n − k1 )! k2 ! (n − k1 − k2 )! 1 2 3
n!
= pk1 pk2 pk3 ,
k1 !k2 ! (n − k1 − k2 )! 1 2 3
3.4. Vectori aleatori 279

adică are loc formula (3.43).

Remarca 3.184 Luând r = 2 observăm că distribut, ia binomială B (n, p) este


un caz particular al distribut, iei multinomiale. În acest caz avem distribut, iile
marginale:
Xn
P (X1 = k1 ) = k2 =0 P (X1 = k1 , X2 = k2 ) = P (X1 = k1 , X2 = n − k1 )
k1 +k2 =n
n!
= pk1 pn−k1 = Cnk1 pk11 pn−k 1

k1 ! (n − k1 )! 1 2 2

s, i
Xn
P (X2 = k2 ) = k1 =0 P (X1 = k1 , X2 = k2 ) = P (X1 = n − k2 , X2 = k2 )
k1 +k2 =n

= Cnk2 pk22 pn−k


1
2
,

unde p2 = 1 − p1 iar k1 = 0, n . 

Propozit, ia 3.185 Dacă vectorul aleator X = (X1 , . . . , Xr ) ∼ B (n, p1 , . . . , pr ) ,


atunci Xi ∼ B (n, pi ), pentru i = 1, r .
Demonstrat, ie. Pentru simplitatea expunerii vom arăta concluzia doar în cazul
r = 3 (vezi s, i Remarca 3.184).
Avem
Xn
P (X1 = k1 ) = k2 =0,k3 =0 P (X1 = k1 , X2 = k2 , X3 = k3 )
k2 +k3 =n−k1
Xn−k1
= P (X1 = k1 , X2 = k2 , X3 = n − k1 − k2 )
k2 =0
Xn−k1 n!
= pk1 pk2 pn−k1 −k2
k2 =0k1 !k2 ! (n − k1 − k2 )! 1 2 3
n! Xn−k1 (n − k1 )!
= pk11 pk2 pn−k1 −k2
k1 ! (n − k1 )! k 2 =0 k2 ! (n − k1 − k2 )! 2 3
n! n−k1 n−k1
= pk1 (p2 + p3 ) = Cnk1 pk11 (1 − p1 ) .
k1 ! (n − k1 )! 1
Similar se obt, ine
n−k2 n−k3
P (X2 = k2 ) = Cnk2 pk22 (1 − p2 ) , P (X3 = k3 ) = Cnk3 pk33 (1 − p3 ) .
280 3. Variabile aleatoare continue

Propozit, ia 3.186 Dacă X ∼ B (n, p1 , . . . , pr ) , atunci media vectorului aleator este


dată de  
np1
 
 np2 
 
E (X) =   . 

 .. 
 
npr
s, i matricea de covariant, ă este
 
np1 (1 − p1 ) −np1 p2 ··· −np1 pr
 
−np1 p2 np2 (1 − p2 ) · · · −np2 pr
 
 
Cov (X, X) =  .
 .. .. .. .. 

 . . . . 

−np1 pr np2 pr ··· npr (1 − pr )

Demonstrat, ie. Într-adevăr, E (Xi ) = npi s, i D2 (Xi ) = npi (1 − pi ) .


Se poate arăta s, i formula de calcul a covariant, ei:

Cov (Xi , Xj ) = −npi pj , unde i, j = 1, r , cu i 6= j.

De exemplu, în cazul particular r = 2, avem două v.a. de tip binomial, X1 ∼


B (n, p) s, i X2 ∼ B (n, q), astfel încât X1 + X2 = n iar p + q = 1. Atunci v.a. X1
s, i X2 nu sunt independente iar media produsului este
Xn
E (X1 · X2 ) = k (n − k) P (X1 = k, X2 = n − k)
k=0
Xn n!
= k (n − k) pk q n−k
k=0 k! (n − k)!
Xn−1 (n − 2)!
= n (n − 1) pq pk−1 q n−k−1
k=1 (k − 1)! (n − k − 1)!
Xn−2 (n − 2)!
= n (n − 1) pq pk q n−k−2
k=0 k! (n − k − 2)!
n−2
= n (n − 1) pq (p + q) .
3.4. Vectori aleatori 281

Deci, conform (3.21),


Cov (X1 , X2 ) = E (X1 X2 ) − E (X1 ) E (X2 ) = n (n − 1) pq − n2 pq = −npq.

3.4.2 Transformări ale vectorilor aleatori


Fie (X, Y ) : Ω → D un vector aleator care admite densitatea de repartit, ie
f(X,Y ) astfel încât Supp (f ) ⊂ D. Să considerăm transformarea
Φ = (Φ1 , Φ2 ) : ∆ ⊂ R2 → D ⊂ R2 ,
dată de 
 x = Φ1 (u, v) ,

y = Φ2 (u, v) , (u, v) ∈ ∆,

astfel încât
(i) Φ este biject, ie,

(ii) Φ s, i Φ−1 admit derivate part, iale de ordinul întâi pe ∆ s, i respectiv D,



∂Φ1 ∂Φ1

def D (Φ1 , Φ2 ) ∂u ∂v
(iii) JΦ (u, v) == = 6= 0, pentru (u, v) ∈ ∆

D (u, v) ∂Φ2 ∂Φ2
∂u ∂v

(JΦ se numes, te determinantul Jacobian al transformării Φ ).


Atunci Φ−1 (X, Y ) este tot un vector aleator notat cu (U, V ) , i.e.

(U, V ) = Φ−1 (X, Y ) ⇔ (X, Y ) = Φ (U, V ) .


Să notăm cu f(X,Y ) s, i f(U,V ) densităt, ile de repartit, ie corespunzătoare vectorilor
aleatori (X, Y ) s, i respectiv (U, V ) .
Fie acum ∆0 ⊂ ∆ arbitrar ales s, i Φ (∆) = D0 ⊂ D. Folosind schimbarea de
variabilă în integrala dublă obt, inem
ZZ
f(X,Y ) (x, y) dxdy
D0
(3.44) ZZ
= f(X,Y ) (Φ1 (u, v) , Φ2 (u, v)) |J (u, v)| dudv.
∆0
282 3. Variabile aleatoare continue

Dar probabilitatea ca (X, Y ) să ia valori în D0 coincide cu probabilitatea ca


(U, V ) să ia valori în ∆0 , i.e.

P ((X, Y ) ∈ D0 ) = P ((U, V ) ∈ ∆0 ) ,

deci
ZZ
f(U,V ) (u, v) dudv = P ((U, V ) ∈ ∆0 ) = P ((X, Y ) ∈ D0 )
∆0
ZZ
= f(X,Y ) (x, y) dxdy
D0
ZZ
= f(X,Y ) (Φ1 (u, v) , Φ2 (u, v)) |J (u, v)| dudv.
∆0

Având în vedere că ∆0 ⊂ ∆ este ales arbitrar, din egalitatea celor două in-
tegrale calculate pe ∆0 , deducem egalitatea integranzilor, adică următoarea
formulă care exprimă densitatea vectorului aleator (U, V ) folosind densitatea
vectorului aleator (X, Y ) :

f(U,V ) (u, v) = f(X,Y ) (Φ1 (u, v) , Φ2 (u, v)) |J (u, v)|


(3.45)
a.p.t. (u, v) ∈ ∆.

Remarca 3.187 Să ment, ionăm că egalitatea precedentă nu are loc pentru tot, i
(u, v) ∈ ∆, ci are loc aproape pentru tot, i (u, v) ∈ ∆, în raport cu măsura
Lebesgue pe R2 . 

Remarca 3.188 Relat, ia (3.45) se poate generaliza us, or s, i la cazul unei transfor-
mări Φ : ∆ → D, cu ∆, D ⊂ Rn . 

Remarca 3.189 Teorema 3.27 reprezintă un caz particular al acestei formule.


Astfel, dacă luăm
Φ:∆⊂R→D⊂R
astfel încât Φ ∈ C 1 (∆), inversabilă, atunci Φ−1 (X) este tot un vector aleator
notat cu U, i.e.
U = Φ−1 (X) ⇔ X = Φ (U ) ,
3.4. Vectori aleatori 283

s, i are loc următoarea formulă care exprimă densitatea v.a. U folosind densi-
tatea v.a. X :

(3.46) fU (u) = fX (Φ (u)) |Φ0 (u)| , a.p.t. u ∈ ∆

(în raport cu măsura Lebesgue pe R ). 

Exemplul 3.190 Dacă X ∼ U [0, 1], atunci v.a. Y = a + (b − a) X ∼ U [a, b] ,


Y −a
deoarece X = s, i legătura dintre densităt, i este dată de relat, ia (vezi s, i
b−a
Corolarul 3.29)
1 y − a 1 y − a 1
fY (y) = fX = 1[0,1] = 1[a,b] (y) ,
b−a b−a b−a b−a b−a
y−a
deoarece 0 ≤ ≤ 1 dacă s, i numai dacă a ≤ y ≤ b. 
b−a

Exemplul 3.191 Dacă X ∼ N µ, σ2 s, i Y = aX + b, a 6= 0, atunci obt, inem
y−b 2
1 1 ( a
−µ) 1 −
[y−(aµ+b)]2
fY (y) = √ e− 2σ2 =q e 2(aσ)2 ,
|a| 2πσ2 2
2π (aσ)

adică
Y = aX + b ∼ N aµ + b, a2 σ2 .


 X −µ
În particular, X − µ ∼ N 0, σ2 s, i ∼ N(0, 1) . 
σ
Remarca 3.192 Similar putem demonstra (vezi s, i Propozit, ia 3.74 s, i Propozit, ia
3.103 unde demonstrat, ia se face cu ajutorul funct, iei de repartit, ie):

(a) X ∼ U [0, 1] dacă s, i numai dacă (b − a) X + a ∼ U [a, b] ;


X −a
(b) X ∼ U [a, b] dacă s, i numai dacă ∼ U [0, 1] ;
b−a
X −µ
X ∼ N µ, σ2

(c) dacă s, i numai dacă ∼ N(0, 1) ;
σ
dacă s, i numai dacă σX + µ ∼ N µ, σ2 ;

(d) X ∼ N(0, 1)

X ∼ N µ, σ2 dacă s, i numai dacă aX + b ∼ N aµ + b, a2 σ2 .


 
(e)
284 3. Variabile aleatoare continue

Propozit, ia 3.193 (Densitatea sumei a două v.a.) Fie X, Y două v.a. independente
ale căror densităt, i de repartit, ie sunt fX s, i respectiv fY .
Atunci115
Z +∞
fX+Y (u) = fX (u − v) fY (v) dv
−∞
(3.47) Z +∞
= fX (v) fY (u − v) dv, a.p.t. u ∈ R
−∞

s, i
Z +∞
fX−Y (v) = fX (u + v) fY (u) du
−∞
(3.48) Z +∞
= fX (u) fY (u − v) du, a.p.t. v ∈ R.
−∞

Remarca 3.194 A doua egalitate din (3.47) se obt, ine us, or făcând schimbarea de
variabilă u − v = v 0 , deci v = u − v 0 s, i dv = −dv 0 .
Similar s, i pentru a doua egalitate din (3.48): se notează u + v = u0 , deci
u = u0 − v s, i du = du0 . 
Demonstrat, ie. Alegem transformarea
 
 u = x + y,  x = Φ1 (u, v) = 21 (u + v) ,

v = x − y, y = Φ2 (u, v) = 21 (u − v) .
 

1/2 1/2

Să calculăm determinantul Jacobian J (u, v) =
= −1/2.

1/2 −1/2
115 Reamintim definit, ia convolut, iei dintre două funct, ii g s, i h (vezi s, i Nota 63, pentru cazul dis-
cret): Z
(g ∗ h) (u) = g (u − v) h (v) dv.
R
Astfel deducem că densitatea sumei a două v.a. este chiar convolut, ia dintre funct, iile densitate a
celor două v.a., i.e.
fX+Y = fX ∗ fY .
3.4. Vectori aleatori 285

Deci, a.p.t. (u, v) ∈ R2 , are loc relat, ia


 u + v u − v  −1
f(U,V ) (u, v) = f(X,Y ) ,

2 2 2
.

Densitatăt, ile marginale pentru U, V sunt date de


Z +∞ Z +∞
(3.49) fU (u) = f(U,V ) (u, v) dv, fV (v) = f(U,V ) (u, v) du,
−∞ −∞

deci obt, inem


Z +∞  u + v u − v  −1
1
fU (u) = f(X,Y ) ,

2 2 2 2
dv.
−∞

Dacă notăm u−v


2 = v 0 sau echivalent v = u − 2v 0 , integrala devine
Z −∞
1
fU (u) = f(X,Y ) (u − v 0 , v 0 ) (−2) dv 0 ,
2 +∞

deci obt, inem relat, ia


Z +∞
fX+Y (u) = f(X,Y ) (u − v, v) dv, a.p.t. u ∈ R.
−∞

Deci, în cazul în care v.a. sunt independente, se obt, ine formula


Z +∞
fX+Y (u) = fX (u − v) fY (v) dv, a.p.t. u ∈ R.
−∞

Apoi
Z +∞ u + v u − v
1
fX−Y (v) = fV (v) = f(X,Y ) , du.
2 −∞ 2 2
Dacă notăm u−v
2 = u sau echivalent u = 2u0 + v, integrala devine
0

Z +∞
1
fX−Y (v) = f(X,Y ) (u0 + v, u0 ) 2du0
2 −∞
(3.50) Z +∞
= f(X,Y ) (u + v, u) du.
−∞
286 3. Variabile aleatoare continue

Deci, în cazul în care v.a. sunt independente, se obt, ine formula


Z +∞
fX−Y (u) = fX (u + v) fY (u) du, a.p.t. v ∈ R.
−∞


 u = x + y,
Remarca 3.195 Alegând transformarea se obt, ine, de asemenea,
v = y,

că densitatea marginală a v.a. U = X +Y este dată de prima egalitate din (3.47).

 u = x + y,
Alegând transformarea se obt, ine, de asemenea, că densitatea
v = x,

marginală a v.a. U = X + Y este dată de a doua egalitate din (3.47).


 u = x − y,
Remarca 3.196 Alegând transformarea se obt, ine, de asemenea,
v = y,

că densitatea marginală a v.a. U = X −Y este dată de prima egalitate din (3.48).

 u = x − y,
Alegând transformarea se obt, ine, de asemenea, că densitatea
v = x,

marginală a v.a. U = X − Y este dată de a doua egalitate din (3.48). 

Exemplul 3.197 Dacă avem două v.a. independente X, Y ∼ N(0, 1), atunci
X + Y urmează tot o distribut, ie normală116 s, i X + Y ∼ N(0, 2).
Folosind formula (3.47) de calcul a densităt, ii sumei a două v.a. s, i (3.29)
obt, inem
Z +∞ Z +∞
1 (u−v)2 v2
fX+Y (u) = fX (u − v) fY (v) dv = e− 2 e− 2 dv
−∞ 2π −∞
Z +∞
1 − u2 u2 +∞ −(v− u2 )2
Z
1 −u 2
−(v 2 −uv )
= e 2 e dv = e 2 e 4 e dv
2π −∞ 2π −∞

116 Demonstrarea acestui rezultat se poate face s, i cu ajutorul funct, iei caracteristice (vezi Exercit, iul
4.2.24).
3.4. Vectori aleatori 287

+∞ 2
1 − u2 √
Z u
1 − u2 0 2 1 − √
= e 4 e−(v ) dv 0 = e 4 π=q √ 2 e
2( 2)2
,
2π −∞ 2π
2π 2

ceea ce înseamnă că X + Y ∼ N(0, 2) . 



Exemplul 3.198 Dacă avem două v.a. independente X ∼ N µ1 , σ21 , Y ∼
N µ2 , σ22 , atunci X + Y urmează tot o distribut, ie normală, mai precis,

X + Y ∼ N µ1 + µ2 , σ21 + σ22 .


Să considerăm, mai întâi, cazul X, Y ∼ N(0, 1) . Fie transformarea:


  u+v
 u = ax + by ,  x=
 ,
2a


v = ax − by  y = u−v

2b

1 1
2a 2a 1
cu determinantul Jacobian J (u, v) = = − 2ab .
1 1
2b − 2b
Obt, inem, pentru a, b > 0,
1 u + v u − v
f(U,V ) (u, v) = − f(X,Y ) ,

2ab 2a 2b
u+v 2 u−v 2
1 1 − ( 2a ) ( 2b ) 1 (a2 +b2 )u2 +2(b2 −a2 )uv+(a2 +b2 )v 2
= e 2 e− 2 = e− 8a2 b2 .
2ab 2π 4abπ
Pentru a calcula densitatea marginală fU folosim formula (3.49) s, i integrala
(3.29):
Z +∞
1 (a2 +b2 )u2 2(b2 −a2 )uv+(a2 +b2 )v 2
fU (u) = e− 8a2 b2 e− 8a2 b2 dv
4abπ −∞
√ b2 −a2 u
2
b2 −a2 u
2
Z +∞ a2 +b2 v+ √ − √
1 2 2
(a +b )u 2 2
a +b 2 2
a +b2
= e− 8a2 b2 e− 8a2 b2 dv
4abπ −∞

deci
√ b2 −a2 u
!2

+∞ a2 +b2 v+ √
(b2 −a2 )2
Z
1 (a2 +b2 )u2
− 8a2 b2 u2 a2 +b2
fU (u) = e e 8a2 b2 (a2 +b2 ) e− 8a2 b2 dv
4abπ −∞
288 3. Variabile aleatoare continue

+∞

(b2 −a2 )2 u2 −(a2 +b2 )2 u2
Z
1 0 2 2 2ab
= e 8a2 b2 (a2 +b2 ) e−(v ) √ dv 0
4abπ −∞ a2 + b2
2
1 1 √−u √ 1 −u2
=√ √ e 2( a2 +b2 )2
π=p e 2(a2 +b2 ) ,
2π a2 + b2 2π(a2 + b2 )
√ 2 2
a2 +b2 v+ √b −a u
0 a2 +b2
unde v = √
2 2ab
.

Deci s-a obt, inut aX + bY ∼ N(0, a2 + b2 ) s, i, folosind Remarca 3.192 sau


Propozit, ia 3.103, obt, inem aX + bY + c ∼ N(c, a2 + b2 ).
 
În general, dacă avem X ∼ N µ1 , σ21 , Y ∼ N µ2 , σ22 , atunci aplicăm
Y −µ2
rezultatul precedent v.a. X−µ σ1 , σ2
1
∼ N(0, 1) s, i obt, inem

X − µ1 Y − µ2
+ (µ1 + µ2 ) ∼ N µ1 + µ2 , σ21 + σ22 .

X + Y = σ1 + σ2
σ1 σ2


Propozit, ia 3.199 Fie X, Y două v.a. independente ale căror densităt, i de repartit, ie
sunt fX s, i respectiv fY .
Atunci
Z +∞
1 u
fX·Y (u) = fX fY (v) dv,
(3.51) −∞ |v| v

a.p.t. u ∈ R

s, i
Z +∞
f X (v) = |u| fX (uv) fY (u) du,
Y
(3.52) −∞

a.p.t. v ∈ R.

Demonstrat, ie. Alegem o transformare bijectivă Φ = (Φ1 , Φ2 ) : ∆ → D dată de


u
 
 u = x · y,  x= ,

⇔ v
v = y,
 
 y = v.
3.4. Vectori aleatori 289

1/v −u/v 2

Să calculăm determinantul Jacobian J (u, v) = = 1/v.

0 1
2
Deci, a.p.t. (u, v) ∈ R , are loc relat, ia
1 1
f(U,V ) (u, v) = f(X,Y ) (u/v, v) = fX (u/v) fY (v) ,

v v
deoarece X, Y sunt independente.
Densitatăt, ile marginale pentru U, V sunt date de (3.49), deci obt, inem
Z +∞
1 u
fU (u) = fX fY (v) dv, a.p.t. u ∈ R.
−∞ |v| v

Similar, alegând o transformare bijectivă Φ = (Φ1 , Φ2 ) : ∆ → D dată de


 x 
 u= ,
  x = uv ,
y

y = v.

 v = y, 

X
se va obt, ine densitatea marginală a v.a. U = .
Y

Exemplul 3.200 Fie X, Y două v.a. independente astfel încât X ∼ Exp (1) s, i Y
este o v.a. arbitrară, de tip continuu s, i cu valori nenegative. Să se arate că117
 
X
> r = E e−rY , pentru orice r ≥ 0.

P
Y

Într-adevăr, pentru orice r ≥ 0,


  Z +∞ Z +∞ Z +∞ 
X
P >r = f X (v) dv = |u| fX (uv) fY (u) du dv
Y r
Y
r −∞
Z +∞ Z +∞ 
= |u| fX (uv) fY (u) dv du
−∞ r

117 De fapt, vezi Definit, ia 4.6 s, i respectiv Nota 133, se obt, ine că P (U > r) = MX (−r), unde
MX este funct, ia generatoare de momente asociată v.a. X sau transformata Laplace asociată
densităt, ii fX .
290 3. Variabile aleatoare continue
Z +∞ Z +∞ 
= |u| fY (u) e−uv 1{uv≥0} dv du
0 r
+∞ −uv v=+∞ +∞
Z Z
e
= u fY (u) du = fY (u) e−ru du
0 −u v=r 0

= E e−rY ,


deoarece fY (u) = fY (u) 1{u≥0} , pentru orice u ∈ R.


X

Evident, se observă că P Y > r = 0, pentru orice r < 0. 

Remarca 3.201 Formulele (3.47), (3.48), (3.51) s, i (3.52) de mai sus se pot de-
monstra s, i prin calcularea unor integrale duble pe domenii convenabil alese,
mai precis cu ajutorul funct, iilor de repartit, ie s, i a formulei (3.42).
Astfel, fie U = X + Y. Să calculăm

FU (u) = P (U ≤ u) = P (X + Y ≤ u)
ZZ
= P ((X, Y ) ∈ D) = f(X,Y ) (x, y) dxdy,
D
 2
unde D = (x, y) ∈ R : x + y ≤ u .

Explicitând domeniul avem D = (x, y) ∈ R2 : x ∈ R, y ≤ u − x , deci
ZZ Z +∞ Z u−x 
FU (u) = f(X,Y ) (x, y) dxdy = f(X,Y ) (x, y) dy dx.
D −∞ −∞

Facem substitut, ia x + y = y 0 s, i apoi, inversând ordinea de integrare, obt, inem


Z +∞  Z u 
FU (u) = f(X,Y ) (x, y 0 − x) dy 0 dx
−∞ −∞
Z u Z +∞ 
= f(X,Y ) (x, y − x) dx dy.
−∞ −∞
Ru
Având în vedere că FU (u) = −∞
fU (y) dy deducem că
Z +∞ Z +∞
(3.53) fU (y) = f(X,Y ) (x, y − x) dx = fX (x) fY (y − x) dx,
−∞ −∞

deoarece X, Y sunt v.a. independente.


3.4. Vectori aleatori 291

Astfel am obt, inut a doua egalitate din (3.47).


Pentru a obt, ine prima egalitatedin (3.47) trebuie să explicităm domeniul D
în raport cu cealaltă axă, i.e. D = (x, y) ∈ R2 : y ∈ R, x ≤ u − y .
De asemenea, prima egalitate din (3.47) se poate obt, ine s, i dacă facem schim-
barea de variabilă y − x = x0 în (3.53):
Z −∞ Z +∞
fU (y) = fX (y − x0 ) fY (x0 ) (−dx0 ) = fX (y − x) fY (x) dx.
+∞ −∞

Similar se calculează FX−Y s, i apoi fX−Y pentru a obt, ine formula (3.48).

Dacă notăm U = X · Y, atunci

FU (u) = P (U ≤ u) = P (X · Y ≤ u)
ZZ
= P ((X, Y ) ∈ D) = f(X,Y ) (x, y) dxdy,
D

unde D = (x, y) ∈ R2 : x · y ≤ u .
Explicitând domeniul avem
ZZ
FU (u) = f(X,Y ) (x, y) dxdy
D
Z 0 Z +∞  Z +∞ Z u/x 
= f(X,Y ) (x, y) dy dx + f(X,Y ) (x, y) dy dx.
−∞ u/x 0 −∞

În prima integrală, în cazul x < 0, facem substitut, ia xy = y 0 :


Z +∞ Z −∞  y 0  dy 0 Z u
1  y
f(X,Y ) (x, y) dy = f(X,Y ) x, = f(X,Y ) x, dy.
u/x u x x −∞ |x| x

Similar, în a doua integrală, în cazul x > 0, se schimbă variabila s, i se obt, ine


Z u/x Z u
1  y
f(X,Y ) (x, y) dy = f(X,Y ) x, dy,
−∞ −∞ |x| x
deci
Z +∞ Z u
1  y 
FU (u) = f(X,Y ) x, dy dx
−∞ −∞ |x| x
292 3. Variabile aleatoare continue
Z u Z +∞
1  y 
= f(X,Y ) x, dx dy.
−∞ −∞ |x| x
Ru
Dar FU (u) = −∞
fU (y) dy, deci
Z +∞ Z +∞
1  y 1 y
fU (y) = f(X,Y ) x, dx = fX (x) fY dx,
−∞ |x| x −∞ |x| x

deoarece X, Y sunt v.a. independente.


Schimbând variabila în integrala precedentă (sau explicitând domeniul D
în raport cu cealaltă axă), se poate obt, ine s, i formula
Z +∞
1 y
fU (y) = fX fY (x) dx.
−∞ |x| x

Astfel am obt, inut formula (3.51).


Similar se calculează F X s, i apoi f X pentru a obt, ine formula (3.52). 
Y Y

Exemplul 3.202 Utilizând tehnica folosită mai sus (calculul unor probabilităt, i
folosind calcularea unor integrale duble pe domenii convenabil alese, mai pre-
cis formula (3.42)) se poate arăta că, dacă X, Y sunt două v.a. continue, atunci
Z +∞ Z y 
(3.54) P (X < Y ) = f(X,Y ) (u, y) du dy.
−∞ −∞

În cazul particular în care X, Y sunt două v.a. continue independente obt, inem
formula
Z +∞ Z +∞
(3.55) P (X < Y ) = FX (y) fY (y) dy = P (X ≤ y) fY (y) dy
−∞ −∞

= E (FX (Y )) .

Într-adevăr,
ZZ
P (X < Y ) = P ((X, Y ) ∈ D) = f(X,Y ) (x, y) dxdy,
D

unde D = (x, y) ∈ R2 : x < y .
3.4. Vectori aleatori 293

Explicitând domeniul avem D = (x, y) ∈ R2 : y ∈ R, x < y , deci
Z +∞  Z y 
P (X < Y ) = f(X,Y ) (x, y) dx dy,
−∞ −∞

adică (3.54).
Dacă cele două v.a. sunt independente, atunci f(X,Y ) (x, y) = fX (x) fY (y) ,
deci
Z +∞  Z y  Z +∞
P (X < Y ) = fX (x) dx fY (y) dy = FX (y) fY (y) dy,
−∞ −∞ −∞

adică (3.55).

Explicitând altfel obt, inem D = (x, y) ∈ R2 : x ∈ R, y > x obt, inem că
Z +∞  Z +∞ 
P (X < Y ) = f(X,Y ) (x, y) dx dx
−∞ x

iar dacă cele două v.a. sunt independente, atunci se obt, ine formula de calcul
Z +∞  Z +∞ 
P (X < Y ) = fY (y) dx fX (x) dx,
−∞ x

deci
Z +∞
(3.56) P (X < Y ) = (1 − FY (x)) fX (x) dx
−∞
Z +∞
= P (x < Y ) fX (x) dx.
−∞

Exemplul 3.203 Dacă X, Y sunt două v.a. independente, de tip exponent, ial,
cu parametri λ s, i respectiv µ, atunci
λ
P (X < Y ) = .
λ+µ

Într-adevăr, conform (3.54),


Z +∞  Z y 
P (X < Y ) = λµ e−λu e−µy du dy
0 0
294 3. Variabile aleatoare continue

+∞ Z +∞
e−λu u=y −µy
Z
e−λy − 1 e−µy dy

= λµ e dy = −µ
−λ u=0

0 0
Z +∞ Z +∞
= −µ e−(λ+µ)y dy + µ e−µy dy
0 0
−(λ+µ)y
e y=+∞ e−µy y=+∞ −µ λ
= −µ +µ = +1= .

− (λ + µ) y=0 −µ y=0 λ+µ λ+µ

Aceeas, i formulă se obt, ine s, i dacă se foloses, te formula (3.56) de calcul. 

3.5 Relat, ii între distribut, ii


Propozit, ia 3.204 Dacă X ∼ Exp (λ) , unde λ > 0, atunci v.a. Y = p eX , unde
p > 0, are densitatea de repartit, ie118
λ pλ
(3.57) fY (y) = 1[p,∞) (y) .
y λ+1
Demonstrat, ie. Pentru orice y < p obt, inem FY (y) = 0.
Pentru y ≥ p avem
 y  y
FY (y) = P p eX ≤ y = P X ≤ ln

= FX ln .
p p
Deci
  y 0  y 1
0
fY (y) = (FY (y)) = FX ln = fX ln
p p y
1 −λ ln yp 1  y −λ
=λ e =λ = λ pλ y −λ−1 .
y y p

Propozit, ia 3.205 Dacă X, Y sunt v.a. independente astfel încât X ∼ Exp (1) s, i
Y ∼ Gamma (p, λ) , unde p > 0 s, i λ > 0, atunci:
X
(a) V.a. U = are densitatea de repartit, ie
Y
p λp
fU (u) = p+1 1[0,∞) (u) ;
(λ + u)
118 Dacă o v.a. Y are densitatea de repartit, ie dată de (3.57), cu p > 0 s, i λ > 0, atunci spunem că Y
urmează distribut, ia Pareto de parametri p s, i λ.
3.5. Relaţii între distribuţii 295

(b) V.a.
X
V = + λ ∼ Pareto(λ, p)
Y
(vezi Nota 118).

Demonstrat, ie. Se utilizează formula (3.52). Vezi s, i Exemplul 3.200.


Utilizând Remarca 3.30 observăm, în plus, că

p λp p λp
fU +λ (u) = fU (u − λ) = 1[0,∞) (u − λ) = 1[λ,∞) (u)
up+1 up+1
X
adică v.a. + λ urmează distribut, ia Pareto de parametri λ s, i p.
Y
În mod similar se arată următorul rezultat.

Propozit, ia 3.206 Dacă X, Y sunt v.a. independente astfel încât X ∼ Exp (λ) s, i
Y ∼ Gamma (n, λ) , unde n ∈ N∗ s, i λ > 0, atunci v.a.

X
V = + 1 ∼ Pareto(1, n).
Y

Propozit, ia 3.207 Dacă X ∼ N µ, σ2 , unde µ > 0 s, i σ > 0, atunci v.a. Y = eX
are densitatea de repartit, ie119

1 1 − (ln y−µ) 2

(3.58) fY (y) = √ e 2σ2 1(0,∞) (y) .


2πσ2 y

Demonstrat, ie. Avem, pentru orice y ≤ 0, FY (y) = 0 s, i pentru orice y > 0,

FY (y) = P eX ≤ y = P (X ≤ ln y) = FX (ln y) .


Deci

0 0 1 1 1 − (ln y−µ)2

fY (y) = (FY (y)) = (FX (ln y)) = fX (ln y) =√ e 2σ2 .


y 2πσ2 y

119 Dacă o v.a. Y are densitatea de repartit, ie dată de (3.58), cu µ > 0 s, i σ > 0, atunci spunem că Y
urmează distribut, ia Lognormală de parametri µ s, i σ.
296 3. Variabile aleatoare continue

Propozit, ia 3.208 Dacă X, Y sunt v.a. independente cu X ∼ Gamma (p, λ) s, i Y ∼


X
Gamma (q, λ) , unde p > 0, q > 0 s, i λ > 0, atunci v.a. U = are densitatea
X +Y
de repartit, ie120
1
(3.59) fU (u) = up−1 (1 − u)
q−1
1[0,1] (u) .
β (p, q)
Demonstrat, ie. Să considerăm transformarea bijectivă Φ = (Φ1 , Φ2 ) : ∆ → D,
unde ∆ = (0, 1) × (0, ∞) iar D = (0, ∞) × (0, ∞), dată de
 x  uv
 u=
 ,  x = Φ1 (u, v) =
 ,
x+y 1−u


 v=y 
 y = Φ (u, v) = v
2

cu determinantul Jacobian

v u

(1 − u)2 1−u v

J (u, v) = = .

(1 − u)2
0 1

Obt, inem
   
uv v uv v
f(U,V ) (u, v) = f(X,Y ) ,v = fX fY (v)

1−u (1 − u)2 1−u (1 − u)
2

p−1
λp+q

uv uv v
= e−λ 1−u v q−1 e−λv 2
Γ (p) Γ (q) 1 − u (1 − u)
λp+q up−1 v p+q−1 −λ 1−u
v
= p+1 e .
Γ (p) Γ (q) (1 − u)
Să calculăm densitatea marginală
Z +∞
λp+q up−1 v p+q−1 −λ 1−u
v
fU (u) = p+1 e dv
0 Γ (p) Γ (q) (1 − u)
Z +∞
λp+q up−1 v
= v p+q−1 e−λ 1−u dv
Γ (p) Γ (q) (1 − u)p+1 0
120 Dacă o v.a. U are densitatea de repartit, ie dată de (3.59), cu p > 0 s, i q > 0, unde β este funct, ia
Beta (vezi pagina 251), atunci spunem că U urmează distribut, ia Beta de parametri p s, i q.
3.5. Relaţii între distribuţii 297

+∞ p+q−1
λp+q up−1 (1 − u) 1−u 0
Z
0
= (v 0 )p+q−1 e−v dv
Γ (p) Γ (q) (1 − u)p+1 0 λp+q−1 λ
Γ (p + q) p−1 q−1
= u (1 − u) , pentru orice u ∈ (0, 1) .
Γ (p) Γ (q)

, ia 3.209 Dacă X, Y sunt două v.a. independente distribuite normal, de tipul


Propozit
N 0, σ2 , unde σ > 0, atunci

X 2 ∼ χ2(1, σ) s, i X 2 + Y 2 ∼ χ2(2, σ) .


Demonstrat, ie. Avem, pentru orice y ≤ 0, FX 2 (y) = 0 s, i pentru orice y > 0,


√ √ √ √
FX 2 (y) = P X 2 ≤ y = P (− y ≤ X ≤ y) = FX ( y) − FX (− y) .


Deci
0 √ √ 0
fX 2 (y) = (FX 2 (y)) = (FX ( y) − FX (− y))
√ 1 √ 1 √ 1
= fX ( y) √ + fX (− y) √ = fX ( y) √
2 y 2 y y

1 ( y )2 1 1 1 y
=√ e− 2σ2 √ =√ y 2 −1 e− 2σ2 ,
2πσ2 y 2πσ

adică X 2 corespunde unei  v.a. distribuite χ2(1, σ).


Dacă X, Y ∼ N 0, σ , atunci X , Y ∼ χ2(1, σ) s, i, prin urmare, folosind
2 2 2

Propozit, ia 3.133, obt, inem X 2 + Y 2 ∼ χ2(1 + 1, σ) .


Se poate generaliza la cazul a n v.a. independente.

Propozit, ia 3.210
 Dacă Xi , i = 1, n , sunt v.a. independente distribuite normal de
tipul N 0, σ2 , unde σ > 0, atunci
Xn
(3.60) Xi2 ∼ χ2(n, σ) .
i=1

Propozit, ia 3.211 Pentru orice a > 0,



X ∼ χ2(n, σ) dacă s, i numai dacă aX ∼ χ2 n,

(3.61) aσ ,

unde n ∈ N∗ s, i σ > 0.
298 3. Variabile aleatoare continue

Demonstrat, ie. Avem, pentru orice x ≤ 0, FaX (x) = 0 s, i pentru orice x > 0,

FaX (x) = P (aX ≤ x) = P (X ≤ x/a) = FX (x/a) .

Deci
x 1
0 0
faX (x) = (FaX (x)) = (FX (x/a)) = fX
a a
x
1 n − √
= n √ n n
 x 2 −1 e 2( aσ)2
,
2 2 ( aσ) Γ 2


adică aX ∼ χ2(n, a σ).

Propozit, ia 3.212 Dacă Xi , i = 1, n , sunt v.a.Pindependente, distribuite normal de


n
def Xi
tipul N µ, σ2 , unde µ > 0 s, i σ > 0, s, i X̄ == i=1

, atunci
n
Xn 2
Xi − X̄ ∼ χ2(n − 1, σ) .
i=1

, ie. Utilizând
Demonstrat
Pn  Propozit, ia 3.104 s, i Propozit, ia 3.103 obt, inem că suma
2
X
i=1 i ∼ N nµ, nσ s, i apoi

X̄ ∼ N µ, σ2 /n .

(3.62)

Aplicând din nou Propozit, ia 3.103 deducem că

(Xi − µ) ∼ N 0, σ2 X̄ − µ ∼ N 0, σ2 /n .
  
s, i

2
Obt, inem, aplicând (3.60), (Xi − µ) ∼ χ2(1, σ) s, i conform Propozit, iei 3.133,
Xn 2
(Xi − µ) ∼ χ2(n, σ)
i=1

Aplicând din nou (3.60), avem


2 √ 
X̄ − µ ∼ χ2 1, σ/ n
2
s, i apoi, aplicând (3.61), n X̄ − µ ∼ χ2(1, σ) .
3.5. Relaţii între distribuţii 299

Pe de altă parte avem că


Xn  2 Xn  2
Xi − X̄ = (Xi − µ) − X̄ − µ
i=1 i=1
Xn h 2  2 i
= (Xi − µ) − 2 (Xi − µ) X̄ − µ + X̄ − µ
i=1
Xn 2  Xn Xn 2
= (Xi − µ) − 2 X̄ − µ (Xi − µ) + X̄ − µ
i=1 i=1 i=1
Xn 2  Xn  2
= (Xi − µ) − 2 X̄ − µ Xi − nµ + n X̄ − µ
i=1 i=1
Xn 2 2 2
= (Xi − µ) − 2n X̄ − µ + n X̄ − µ
i=1

deci
Xn 2 Xn 2 2
Xi − X̄ = (Xi − µ) − n X̄ − µ
i=1 i=1

∼ χ2(n, σ) − χ2(1, σ) = χ2(n − 1, σ) .

Are loc următoarea legătura dintre distribut, ia normală, distribut, ia χ2 s, i


distribut, ia Student.

Propozit, ia 3.213 Dacă X ∼ N 0, σ2 s, i Y ∼ χ2(n, σ) , unde n ∈ N∗ s, i σ > 0, sunt




două v.a. independente, atunci distribut, ia


def X
T == q ∼ t (n) .
Y
n

Demonstrat, ie. Vectorul aleator (X, Y ) are densitatea de repartit, ie


1 x2 1 n y
f(X,Y ) (x, y) = √ e− 2σ2 · y 2 −1 e− 2σ2
2πσ2 2n/2 σn Γ (n/2)
1 n x2 +y
=√ n+1 y 2 −1 e− 2σ2 , x ∈ R, y ≥ 0.
πσn+1 2 2 Γ (n/2)
Să considerăm transformarea
x
 √
u v

 u = py ,  x= √ ,
 

n ⇔ n
 
v = y,  y = v,
 
300 3. Variabile aleatoare continue

cu determinantul Jacobian

v √
√n √ u√
2 n v
v
J (u, v) = = √ .

n
0 1

Folosind (3.45) obt, inem


 √  √ u2
 
v
n−1 − 2σ 2 n +1
u v v v 2 e
f(U,V ) (u, v) = f(X,Y ) √ , v √ = √ n+1 .
n n nπ σn+1 2 2 Γ (n/2)

Densitatea marginală este dată de (avem v = y ≥ 0)


Z +∞ u2
1
 
v
n−1 − 2σ 2 +1
fU (u) = √ n+1 v 2 e n
dv.
nπ σn+1 2 2 Γ (n/2) 0
 2 
2σ2
Facem substitut, ia 2σv 2 un + 1 = v 0 deci dv = u2
dv 0 s, i
n +1

+∞  n−1
2σ2 2σ2
Z 
1 2 n−1 0
fU (u) = √ n+1 u2
(v 0 ) 2
e−v u2
dv 0
nπσn+1 2Γ (n/2) 0
2
n +1 n + 1
 2 − n+1 Z +∞
1 u 2
n−1
=√ +1 v 2 e−v dv
nπΓ (n/2) n 0
2 n+1
1  u  − 2  n + 1
=√ +1 Γ .
nπΓ (n/2) n 2

Deci U urmează distribut, ia Student cu n grade de libertate.


Aplicând, în principal, rezultatul precedent se pot demonstra următoarele
două Propozit, ii.

Propozit, ia 3.214 Dacă Xi , i = 1, n P, sunt v.a. independente distribuite normal de


n
def Xi
tipul N 0, σ2 , unde σ > 0, s, i X̄ == i=1

, atunci
n

rP ∼ t (n − 1) .
n 2
i=1 (Xi −X̄ )
n(n−1)
3.5. Relaţii între distribuţii 301

Demonstrat, ie. Utilizând Propozit, iile 3.212 s, i 3.211 obt, inem


Pn 2
2 i=1 Xi − X̄ √ 
∼ χ2 n − 1, σ/ n .

X̄ ∼ N 0, σ /n s, i
n
Concluzia se obt, ine utilizând Propozit, ia 3.213:


rP ∼ t (n − 1) .
n (X −X̄ )2
i=1 i
n
n−1

 Dacă Xi , i = 1, n + 1 , sunt v.a. independente distribuite normal


Propozit, ia 3.215
de tipul N 0, σ2 , unde σ > 0, atunci

X
(3.63) q Pn+1
n
∼ t (n) .
i=1 Xi2
n

Are loc următoarea legătura dintre distribut, ia χ2 s, i distribut, ia Fisher.

Propozit, ia 3.216 Dacă X ∼ χ2(m, 1) s, i Y ∼ χ2(n, 1) , unde m ∈ N∗ s, i n ∈ N∗ ,


atunci distribut, ia
X
def m
T == Y
∼ F (m, n) .
n
X
Demonstrat, ie. Să calculăm mai întâi funct, ia de repartit, ie a v.a. Y :
ZZ
F X (u) = fX (x) fY (y) dxdy,
Y
D
n o
unde D = (x, y) ∈ R2 : x ≥ 0, y > 0, xy ≤ u .
Notez
1 1
C1 = n n  , C2 = m .
2 2 σ Γ n2 2 2 σm Γ m 2

Explicitând s, i domeniul D obt, inem D = (x, y) : x ≥ 0, y ≥ ux , deci




!
Z Z +∞ +∞ x+y
n m
F X (u) = C1 C2 x 2 −1 y 2 −1 e− 2σ2 dy dx.
Y
0 x/u
302 3. Variabile aleatoare continue

Derivând funct, ia de repartit, ie de mai sus conform formulei (3.65) obt, inem
Z +∞  x 0 n  x  m2 −1 x+ x
u
f X (u) = C1 C2 (−) x 2 −1 e− 2σ2 dx
Y
0 u u
Z +∞
C1 C2
x 2 −1 e− 2σ2 (1+ u ) dx.
n+m x 1
= 1+m/2
u 0

2σ2
În această integrală facem substitut, ia 2σx 2 1 + u1 = x0 cu dx = 1+1/u dx0 , deci


+∞  n+m
2 −1
2σ2 2σ2
Z 
C1 C2 0 0
fX (u) = 1+m/2 x e−x dx0
Y u 0 1 + 1/u 1 + 1/u
 n+m Z +∞
C1 C2 2σ2 2 n+m
= 1+m/2 n+m x 2 −1 e−x dx
u (1 + u) 2 u 2 − n+m
0

un/2−1
 
2
 n+m
2
n+m
= C1 C2 n+m 2σ Γ .
(1 + u) 2 2

Înlocuind C1 , C2 obt, inem


n+m

Γ un/2−1
fX/Y (u) = n
2 m
 n+m .
Γ 2 Γ 2 (1 + u) 2

m m
Se notează acum V = n U, se aplică formula (3.46) cu v = n u s, i se obt, ine
n  n
fV (v) = fU v ,
m m
adică, folosind s, i legătura dintre funct, ia Gamma s, i Beta, obt, inem
n/2−1
Γ n+m n

2 m v n
fV (v) = n
 m
 n+m
Γ 2 Γ 2 1+ m n

v 2 m

Γ n+m
 n+m
 n n/2 n  n − 2
= 2
v 2 −1 1 + v
Γ n2 Γ m
 
2
m m
n
 n/2 n+m
n
 n − 2
= mn m  v 2 −1 1 + v , v ≥ 0.
β 2, 2 m
Relat, ia din enunt, se poate obt, ine s, i calculând direct densitatea de repartit, ie f X
Y
cu ajutorul formulei (3.52).
3.6. Exerciţii rezolvate 303

Propozit, ia 3.217 Dacă v.a. independente (Xi )i=1,m s, i (Yj )j=1,n sunt distribuite

N 0, σ2 , unde σ > 0, atunci

n X12 + . . . + Xm2
U= ∼ F (m, n) .
m Y12 + . . . + Yn2

3.6 Exercit, ii rezolvate


3.6.1 Funct, ii de repartit, ie. Densităt, i de repartit, ie
3.6.1 Să se determine a, b astfel încât funct, ia F : R → R, F (x) = a+b arctan (x)
să fie o funct, ie de repartit, ie.

Rezolvare:
Impunând condit, iile F (−∞) = 0 s, i F (+∞) = 1 obt, inem a = 21 s, i b = π1
(ceea ce este suficient ca F să satisfacă s, i celelate condit, ii ale unei funct, ii de
repartit, ie).

3.6.2 Se dă funct, ia 




 0, x ≤ 0,

F (x) = ax2 , 0 < x ≤ 1,



1, x > 1.

Să se determine a astfel încât F să fie o funct, ie de repartit, ie s, i să se scrie densi-
tatea de repartit, ie corespunzătoare. Dacă X este o v.a. cu funct, ia de repartit, ie
F , să se calculeze P (0.25 ≤ X < 0.5).

Rezolvare:
Trebuie a = 1.
Densitatea de repartit, ie este dată de f (x) = F 0 (x) = 2x 1[0,1) (x) (există
F (0) = 0, dar F 0 (1) nu există).
0

Are loc
P (0.25 ≤ X < 0.5) = F (0.5) − F (0.25) = 0.5.

3.6.3 Să se determine c astfel încât funct, ia

f : R → R, f (x) = cx1[0,1] (x) + (2 − x) 1[1,2] (x)


304 3. Variabile aleatoare continue

să fie o densitate de repartit, ie. Dacă X este o v.a. cu densitatea f, să se calculeze
FX (1/2) .

Rezolvare:
Impunem ca
Z +∞ Z 1 Z 2
1= f (x) dx = cxdx + (2 − x) dx
−∞ 0 1

x2 x=1  x2  x=2
 
c 1
=c + 2x − = + (4 − 2) − 2 −
2 x=0 2 x=1 2 2

s, i obt, inem c = 1.
Avem s, i
1/2 1/2
x2 x=1/2
Z Z
FX (1/2) = f (x) dx = xdx = = 1/8 .
2 x=0

−∞ 0

3.6.4 Fie v.a. X cu densitatea de repartit, ie

f : R → R, f (x) = 2x 1(0,1) (x) .

Să se calculeze P (1/4 ≤ X ≤ 1/2) .

Rezolvare:
Avem
Z 1/2
P (1/4 ≤ X ≤ 1/2) = FX (1/2) − FX (1/4) = f (x) dx
1/4
Z 1/2 x=1/2
= 2xdx = x2 = 3/16 .

1/4 x=1/4

c
3.6.5 Să se determine c astfel încât funct, ia f : R → R, f (x) = 1(1,2) (x) să
x5
fie o densitate de repartit, ie.
Dacă X este o v.a. cu densitatea f, să se calculeze P (1 ≤ X ≤ 3/2) .

Rezolvare:
3.6. Exerciţii rezolvate 305

Avem
+∞ 2
x−4 x=2
Z Z
c c
2−4 − 1−4

1= f (x) dx = dx = c =
x5 −4 x=1 −4

−∞ 1

deci c = 64/15.
Obt, inem
3/2
64 x−4 x=3/2
Z
208
P (1 ≤ X ≤ 3/2) = f (x) dx = = .
15 −4 x=1 243

1

3.6.6 Se dă funct, ia f (x) = a cos x 1[−π/2,π/2] (x) . Să se determine a astfel încât
f să fie o densitate de repartit, ie s, i să se scrie funct, ia de repartit, ie corespunză-
toare. Dacă X este o v.a. cu densitatea f, să se calculeze P(0 ≤ X ≤ π/4).

Rezolvare:
Obt, inem a = 1/2.



 0, x < −π/2,

1

Funct, ia de repartit, ie este F (x) = (1 + sin x) , x ∈ [−π/2, π/2),


 2
x ≥ π/2.

 1,

Are loc √
P (0 ≤ X ≤ π/4) = F (π/4) − F (0) = 2/4.

3.6.7 Se dă funct, ia


a
f (x) = , x ∈ R.
ex + e−x
Să se determine a astfel încât f să fie o densitate de repartit, ie. Să se calculeze
P (X < 1, Y ≤ 1) s, i P (X < 1, Y ≥ 1), unde X, Y sunt două observat, ii indepen-
dente care au densitatea f .

Rezolvare:
R +∞ a
R +∞ ex
Obt, inem a = 2/π. Într-adevăr, −∞ ex +e −x dx = a −∞ 1+e2x dx s, i se va
face substitut, ia ex = t, deci dt = ex dx s, i apoi
Z +∞ Z +∞
a 1
dx = a dt = a π/2.
−∞ ex + e−x 0 1 + t2
306 3. Variabile aleatoare continue

Deoarece X, Y sunt două observat, ii independente avem, mai întâi,


Z x Z x
FX (x) = fX (t) dt = fY (t) dt = FY (x) .
−∞ −∞

Apoi
2
P (X < 1, Y ≤ 1) = P (X < 1) P (Y ≤ 1) = FX (1) FY (1) = (FX (1))
Z 1 2 Z 1 2
4 ex
= f (x) dx = 2 2x
dx =
−∞ π −∞ 1 + e
4 x=1 2 4
= 2 arctan (ex ) = 2 arctan2 (e) .

π x=−∞ π
Apoi, folosind P (Y ≥ 1) = 1 − P (Y < 1),

P (X < 1, Y ≥ 1) = P (X < 1) P (Y ≥ 1) = FX (1) · (1 − FX (1)) .

a
3.6.8 Se dă funct, ia f (x) = √ 1[−`,`] (x) . Să se determine a astfel încât
`2 − x2
f să fie densitatea de repartit, ie a unei v.a. X s, i să se scrie funct, ia de repartit, ie
corespunzătoare. Să se calculeze s, i probabilităt, ile P(0 < X ≤ `) s, i P(`/2 < X <
`).

Rezolvare:
Se obt, ine a = 1/π.



 0, x ≤ −`,


1 x 1

Funct, ia de repartit, ie este F (x) = arcsin + , x ∈ (−`, `) ,


 π ` 2

x ≥ `.

 1,

3.6.9 Timpul de viat, ă a unei particule este o v.a distribuită exponent, ial cu den-
1 −x
sitatea f (x) = e 10 1(0,+∞) (x) . Să se determine media de viat, ă a particulei
10
s, i apoi probabilitatea ca particula să trăiască cel mult 7 de ani.

Rezolvare:
Deoarece X este distribuită exponent, ial obt, inem λ = 10−1 . Media de viat, ă
este E (X) = λ1 = 10 ani.
3.6. Exerciţii rezolvate 307

Probabilitatea cerută este


Z 7
1 −x x x=7

P (0 ≤ X ≤ 7) = e 10 dx = −e− 10 = 1 − e−0.7 ' 0.5.
0 10 x=0

3.6.10 Fie v.a. X ∼ Exp (λ) . Să se arate că pentru orice s, t > 0 are loc

(3.64) P (X ≥ s + t|X ≥ s) = P (X ≥ t) .

Rezolvare:
Folosind (3.27), avem P (X ≥ t) = 1 − FX (t) = e−λt , pentru orice t > 0.
Deci
P ({X ≥ s + t} ∩ {X ≥ s})
P (X ≥ s + t|X ≥ s) =
P (X ≥ s)
P ({X ≥ s + t}) e−λ(s+t)
= = = e−λt = P (X ≥ t) ,
P (X ≥ s) e−λs
deoarece {X ≥ s + t} ⊂ {X ≥ s} .
Dacă avem în vedere timpul de as, teptare pentru aparit, ia unui eveniment
anume, timp care să presupunem că urmează o distribut, ie de tip exponent, ial,
atunci proprietatea de a fi „fără memorie” înseamnă că trecutul (până la mo-
mentul X = s) nu are nici un efect asupra comportamentului viitor. Astfel dacă
am s, ti că timpul de as, teptare pentru aparit, ia acelui eveniment este α, atunci,
indiferent cât timp ai as, teptat deja, timpul până la producerea următorului
eveniment este tot α, ca s, i cum s-ar restarta de fiecare dată.
3.6.11 Egalitatea (3.64) caracterizează distribut, ia exponent, ială. Astfel dacă X
este o v.a. continuă astfel încât P (X > 0) = 1 iar P (X > t) > 0 s, i care satis-
face proprietatea P (X > s + t|X > s) = P (X > t), pentru orice s, t ≥ 0, atunci
există λ > 0 astfel încât X ∼ Exp (λ) .

Rezolvare:
def
Să notăm cu G (t) == P (X > t), unde t ≥ 0. Evident G (0) = 1 s, i G este o
funct, ie descrescătoare s, i continuă.
Egalitatea dată devine
P ({X > s + t} ∩ {X > t}) P ({X > s + t})
G (t) = =
P (X > s) P (X > s)
308 3. Variabile aleatoare continue

sau, echivalent, G (s + t) = G (s) G (t), pentru orice s, t ≥ 0.


Are loc, pentru orice n ∈ N∗ , si ≥ 0 cu i = 1, n ,

G (s1 + . . . + sn ) = G (s1 ) · . . . · G (sn ) .


n
Dând valori particulare se obt, ine G (1) = G n1 , pentru orice n ∈ N∗ .
m m
Fie m, n ∈ N∗ . Atunci G m 1 1
 
n =G m· n = G n = (G (1)) n .
Să notăm
def
λ == − ln (G (1)) = − ln (P (X > 1)) ,
deci e−λ = G (1) .
Obt, inem G (r) = e−λr , pentru orice r ∈ Q cu r ≥ 0.
Fie t ∈ [0, ∞) arbitrar ales s, i rn ∈ Q astfel încât rn → t, când n → ∞. Atunci

G (t) = limn→∞ G (rn ) = limn→∞ e−λrn = e−λt .

Deci F (t) = P (X ≤ t) = 1 − G (t) = 1 − e−λt , adică X ∼ Exp (λ) .

3.6.12 Fie o v.a. repartizată uniform X ∼ U(0, 1). Să se calculeze densitatea de
repartit, ie fU , unde:

1 1 1
(a) U = ln , (b) U = − ln (X) , (c) U = − ln (1 − X) ,
X λ λ
2 3

(d) U = X , (e) U = X , (f ) U = X ,
1
(g) U = .
X
Rezolvare:
În multe situat, ii este comod să găsim densitatea de probabilitate calculând
mai întâi funct, ie de repartit, ie a noii v.a. (obt, inute printr-o transformare simplă,
dar nu neapărat bijectivă, a unei alte v.a.).
Funct, ia de repartit, ie a v.a. X este dată de



 0, dacă x ≤ 0,

FX (x) = x, dacă x ∈ (0, 1],



1, dacă x > 1.

3.6. Exerciţii rezolvate 309

(a) Funct, ia de repartit, ie a v.a. U este

FU (u) = P (U ≤ u) = P X ≥ e−u = 1 − P X < e−u = 1 − FX e−u ,


  

deci 
 1 − e−u , dacă e−u ≤ 1
FU (u) =
 1 − 1, dacă e−u > 1.
Obt, inem
fU (u) = FU0 (u) = e−u 1[0,∞) (u) ,
adică U ∼ Exp (1) .
Putem să calculăm fU aplicând s, i formula (3.46) cu u = ln x1 , deci x =
Φ (u) = e−u s, i J (u) = Φ0 (u) = −e−u , unde Φ : [0, ∞) → (0, 1].

(b) Similar ca la punctul precedent se obt, ine fU (u) = λe−λx 1[0,∞) (u) , adică121
U ∼ Exp (λ) .

(d) Dacă u ≤ 0, atunci funct, ia de repartit, ie este 0 s, i dacă u > 0, atunci


√ √ 
FU (u) = P X 2 ≤ u = P − u ≤ X ≤ u

√ √ √
= FX ( u) − FX (− u) = FX ( u),

deci  √ √
 u, dacă u ≤ 1,
FU (u) =

1, dacă u > 1.

121 Aceasta este o metodă de a genera v.a. distribuite exponent, ial folosind v.a. distribuite uniform
pe (0, 1). De fapt, este vorba de metoda inversei funct, iei de repartit, ie (vezi Remarca 3.79).
Astfel, dacă
 dorim să generăm variabile de tip Exp (λ) , atunci amintim că FX (x) =
1 − e−λx 1{x≥0} . Să considerăm restrict, ia FX : [0, ∞) → [0, 1] care este biject, ie, deci
−1 1
există inversa FX (y) = − ln (1 − y). Deci, în notat, iile s, i conform Propozit, iei 3.78, dacă
λ
Y ∼ U [0, 1] , atunci
−1 1
X = FX (Y ) = − ln (1 − Y ) ∼ Exp (λ) .
λ
Pe de altă parte, Y ∼ U [0, 1] dacă s, i numai dacă (1 − Y ) ∼ U [0, 1] , deci, similar,
1
− ln (Y ) ∼ Exp (λ) .
λ
310 3. Variabile aleatoare continue

Obt, inem
1 1
fU (u) = FU0 (u) = √ 1(0,1) (u) = 1(0,1) (z) ,
1
 u 2 −1 (1 − u)1−1
2 u β 21 , 1
1
adică U este distribuită Beta de parametri 2 s, i 1 (vezi definit, ia de la pagina
296).
1
(e) fU (u) = √
3
1(0,1] (u) .
3 u2
(f ) fU (u) = 2u 1(0,1] (u) .
1
(g) fU (u) = 1[1,∞) (u) .
u2
1
3.6.13 Fie v.a. independente X, Y ∼ U [0, 1] s, i U = 1000 ln .
X
(a) Să se determine funct, ia de repartit, ie FX s, i densitatea de repartit, ie fU .
(b) Să se arate că media s, i deviat, ia standard a v.a. U sunt egale. Apoi să se
calculeze P(U ≥ 1000).
(c) Să se calculeze E (X + Y ) , D2 (X + Y ) , P (X = 0.25) s, i P (Y ≥ 0.25).
3.6.14 Fie o v.a. repartizată uniform X ∼ U [−1, 1]. Să se calculeze densitatea
de repartit, ie fU , unde:

(a) U = eX , (b) U = 2X + 1, (c) U = 2X 2 + 1.


Rezolvare:
Funct, ia de repartit, ie a v.a. X este dată de



 0, dacă x ≤ −1,

x+1

FX (u) = , dacă x ∈ (−1, 1],


 2

 1, dacă x > 1.
(a) Funct, ia de repartit, ie a v.a. U este



 0, dacă ln u ≤ −1,

1 + ln u

FU (u) = FX (ln u) = , dacă ln u ∈ (−1, 1],


 2

 1, dacă ln u > 1.
3.6. Exerciţii rezolvate 311

Obt, inem
1
fU (u) = FU0 (u) = 1 −1 (u) .
2u (e ,e]
Putem să calculăm fU aplicând s, i formula (3.46) cu u = ex .
(b) Funct, ia de repartit, ie a v.a. U este
   
u−1 u−1
FU (u) = P X ≤ = FX ,
2 2

deci
1
fU (u) = FU0 (u) = 1(−1,3) (u) .
4
Putem să calculăm fU aplicând s, i formula (3.46) cu u = 2x + 1.
(c) Funct, ia de repartit, ie a v.a. U este FU (u) = 0, pentru u < 1. Pentru u > 1
avem

u−1
  ru − 1 r
u − 1
2
FU (u) = P X ≤ =P − ≤X≤
2 2 2
r r
 u − 1  u − 1
=P X≤ −P X <−
2 2
r u − 1   ru − 1
= FX − FX −
2 2
Z √ u−1
2
Z −
√ u−1
2
Z √ u−1
2
= fX (t) dt − fX (t) dt = √ fX (t) dt,
u−1
−∞ −∞ − 2

deci, derivând în raport cu u, avem


 Z √ u−1 0
2
fU (u) = FU0 (u) = √ u−1 fX (t) dt .
− 2 u

Vom aplica o teoremă de derivare a integralei cu parametru. Mai precis, în


anumite condit, ii de regularitate, integrala cu parametru
Z b(y)
I (y) = f (x, y) dx
a(y)
312 3. Variabile aleatoare continue

este derivabilă s, i are loc relat, ia


Z b(y)
∂f
(3.65) I 0 (y) = (x, y) dx + b0 (y) f (b (y) , y) − a0 (y) f (a (y) , y) .
a(y) ∂y

Aplicând acest rezultat obt, inem


r 0 r   r 0  r 
u−1 u−1 u−1 u−1
fU (u) = fX − − fX −
2 2 2 2

s, i deci
1
fU (u) = p 1(1,3) (u) ,
2 2 (u − 1)
q
u−1
deoarece 0 < 2 < 1 este echivalent cu u ∈ (1, 3).
Avem s, i calculul direct:
 r 0   r 0
u−1 u−1
fU (u) =FU0 (u) = FX − FX −
2 2
r r 0  r  r 0
0 u−1 u−1 0 u−1 u−1
= FX − FX − −
2 2 2 2
 r   r 
1 u−1 u−1
= p fX + fX − .
2 2 (u − 1) 2 2

Să se studieze s, i posibilitatea aplicării formulei (3.46) cu u = 2x2 + 1.

3.6.15 Fie v.a. X ∼ U [−2, 3].


(a) Să se determine funct, ia de repartit, ie FX s, i apoi funct, ia de repartit, ie FY s, i,
cu ajutorul ei, densitatea de repartit, ie fY , unde Y = 2X 2 − 5 .
(b) Să se calculeze media s, i deviat, ia standard a v.a. X. Apoi să se calculeze
P (X ≥ 2) , P (X = 2) .

3.6.16 Fie v.a. X ∼ U − π2 , π2 . Să se calculeze densitatea de repartit, ie fU ,




unde
(a) U = cos X , (b) U = tan(X).
Rezolvare:
3.6. Exerciţii rezolvate 313

1
Avem fX (x) = 1(−π/2,π/2) (x) .
π
(a) Pe intervalul − π2 , π2 funct, ia u = cos x nu este inversabilă. Avem


FU (u) = P (cos X ≤ u)
= P (cos X ≤ u, X ∈ (−π/2, 0)) + P (cos X ≤ u, X ∈ (0, π/2))
= P (X ∈ (−π/2, − arccos u)) + P (X ∈ (arccos u, π/2))
Z − arccos u Z π/2
= fX (x) dx + fX (x) dx.
−π/2 arccos u

Apoi fU (u) = FU0 (u) = 2 √ 1


π 1−u2 .
(b) Pe intervalul − π2 , π

2 funct, ia u = tan(x) este inversabilă. Avem
Z arctan(u)
1
FU (u) = P (X ≤ arctan(u)) = 1(−π/2,π/2) (x) dx.
−∞ π

Obt, inem fU (u) = FU0 (u) = ( π1 arctan(u) + 12 )0 = π1 1+u


1
2 , adică v.a. tan(X) este
122
distribuită Cauchy de tip C (0, 1) (vezi Nota 127).

 v.a. X ∼
3.6.17 Fie U (0, 1) . Să se calculeze123 densitatea de repartit, ie fU , unde
1

U = tan π X − 2 .

3.6.18 Fie o v.a. X ∼ Exp (λ) , λ > 0. Să se calculeze funct, ia de repartit, ie FU s, i
apoi densitatea de repartit, ie fU , unde U = e−λX .

Rezolvare:
Se obt, ine că U ∼ U [0, 1] .
122 Aceasta este o metodă de a genera v.a. distribuite Cauchy folosind v.a. distribuite uniform.
De asemenea, tipul v.a. X s, i definit, ia lui U indică s, i o interpretarea a v.a. distribuite Cauchy:
X reprezintă un număr uniform ales din (−π/2, π/2), deci poate fi văzut ca un unghi orien-
tat făcut cu axa Oy (partea negativă) de către o semidreaptă cu capătul fixat în punctul (0, 1)
din plan, care se rotes, te liber s, i uniform de o parte s, i de alta a axei Oy. Atunci |U | reprezintă
lungimea segmentului dintre originea O (0, 0) s, i punctul de intersect, ie al acelei semidrepte cu
axa Ox. Prin urmare, v.a. U va reprezenta lungimea cu semn a acelui segment s, i se arată că
este distribuită Cauchy de parametri 0 s, i 1. Din această interpretare se vede s, i faptul că v.a.
distribuită Cauchy nu admite medie.
123 Aceasta este o metodă de a genera v.a. distribuite Cauchy folosind v.a. distribuite uniform pe
(0, 1).
314 3. Variabile aleatoare continue

3.6.19 Fie o v.a. X ∼ Exp (λ) , λ > 0. Să se calculeze densitatea de repartit, ie
fU , unde U = e−X .

Rezolvare:
Densitatea de repartit, ie a v.a. X este f (x) = λe−λx 1[0,∞) (x) . Aplicăm
formula (3.46) luând u = e−x , deci Φ0 (u) = −1/u, unde Φ : [0, ∞) → (0, 1].
Obt, inem, pentru u ∈ (0, 1],

−1
fU (u) = λ e−λ(− ln u) = 1 λ eλ ln u = λuλ−1 .
u u

3.6.20 Fie o v.a. X ∼ Exp (λ) , λ > 0. Să se calculeze densitatea de repartit, ie
fU , unde U = X 1/α , unde α > 0.

Rezolvare:
Densitatea de repartit, ie a v.a. X este f (x) = λe−λx 1[0,∞) (x) . Aplicăm
formula (3.46) luând u = x1/α , deci Φ0 (u) = α uα−1 , unde Φ : (0, ∞) → (0, ∞).
Obt, inem124 , pentru u ∈ (0, ∞),
α α
fU (u) = α uα−1 λ e−λ u = αλ uα−1 e−λ u .

3.6.21 Lungimea laturii unui pătrat reprezintă o v.a. X ce are densitatea de


repartit, ie f (x) = c x 1[0,4] (x) , x ∈ R.
(a) Să se determine c s, i apoi densitatea de repartit, ie a ariei pătratului.
(b) Să se calculeze valoarea as, teptată a ariei pătratului.
(c) Să se calculeze probabilitatea ca aria pătratului să fie mai mare ca 10 s, i
probabilitatea ca aria pătratului să fie egală cu 10.
3.6.22 Aria unui pătrat este o v.a. X ce are densitatea de repartit, ie f (x) =
1
1[0,9] (x) , x ∈ R.
9
124 Dacă o v.a. U are densitatea de repartit, ie fU (u) = α u α−1 −(u/λ)α
1(0,∞) (u) , unde

λ λ
e
α > 0 s, i λ > 0, atunci spunem că U urmează distribut, ia Weibull de parametri α s, i λ.
Distribut, ia exponent, ială este un caz particular al distribut, iei Weibull:
 1
Exp (λ) = Weibull α, .
λ
3.6. Exerciţii rezolvate 315

(a) Să se determine densitatea de repartit, ie a laturii pătratului.


(b) Să se calculeze valoarea medie a laturii pătratului.
(c) Să se calculeze probabilitatea ca latura pătratului să fie egală cu 2 s, i proba-
bilitatea ca latura pătratului să fie strict mai mare ca 2.
3.6.23 Fie o v.a. repartizată normal X ∼ N(0, 1). Să se calculeze densitatea de
repartit, ie fU , unde:
2
(a) U = 3 |X| , (b) U = eX .
Rezolvare:
x2
Densitatea de repartit, ie a v.a. X este f (x) = √1

e− 2 .
(a) Funct, ia de repartit, ie a v.a. U este FU (u) = 0, pentru u < 0. Pentru u > 0
avem
FU (u) = P (|X| ≤ u/3) = P (−u/3 ≤ X ≤ u/3)
Z u/3
1 x2
= FX (u/3) − FX (−u/3) = √ e− 2 dx.
2π −u/3
Obt, inem
 
1 1 − (u/3)2 −1 − (−u/3)2 1 u2
fU (u) = FU0 (u) = √ e 2 − e 2 = √ 2e− 18 .
2π 3 3 3 2π
(b) Funct, ia de repartit, ie a v.a. U este FU (u) = 0, pentru u < 1. Pentru ln u > 0
sau echivalent u > 1,
√ √
FU (u) = P X 2 ≤ ln u = P − ln u ≤ X ≤ ln u
 

√ √ Z √ln u
1 x2
e− 2 dx.
 
= FX ln u − FX − ln u = √ √
2π − ln u
Obt, inem
 √ √ 
1 1 1 − ( ln u)2 −1 1 − (− ln u)2
fU (u) = FU0
(u) = √ √ e 2 − √ e 2
2π 2 ln u u 2 ln u u
1 ln u 1
= √ √ e− 2 = √ √ √ .
u 2π ln u u u 2π ln u
2
Să se studieze s, i posibilitatea aplicării formulei (3.46) cu u = ex , respectiv
u = 3 |x|.
316 3. Variabile aleatoare continue

3.6.24 Fie o v.a. repartizată normal standard X ∼ N(0, 1). Să se calculeze den-
1
sitatea de repartit, ie fU , unde U = .
1 + X2
Rezolvare:
Funct, ia de repartit, ie a v.a. U este, pentru u ∈ (0, 1),
n q o n q o
FU (u) = P X 2 ≥ 1−u 1−u 1−u

u = P X ≥ u ∪ X ≤ − u
 q   q 
= P X ≥ 1−u u + P X ≤ − 1−u u

Z +∞ Z −√ 1−u
1 − x2
2 1 u x2
=√ √ 1−u e dx + √ e− 2 dx
2π u
2π −∞

Z − 1−u r !
2 u x2 1 − u
=√ e− 2 dx = 2FX − ,
2π −∞ u

deci
r !
1−u
fU (u) = FU0 (u) = 0
2FX −
u
 √
1−u 2

 q 0 −
2 u 1 1 1−u
=√ − 1−u
u e− 2 =√ p e− 2u .
2π 2π u u (1 − u)
1
Să se studieze s, i posibilitatea aplicării formulei (3.46) cu u = 1+x2 .

3.6.25 Fie două v.a. independente X, Y ∼ Exp (λ), cu λ > 0, s, i  o v.a. discretă
de tip uniform, independentă de X, Y dată de P ( = 1) = P ( = −1) = 1/2.
(a) Să se calculeze densitatea de repartit, ie a v.a. U = X.

 X,  = 1,
(b) Să se determinea legea v.a. V =
 −Y,  = −1.

Rezolvare:
(a) Să calculăm funct, ia de repartit, ie a lui U :

FU (u) = P (X ≤ u) = P (X ≤ u,  = 1) + P (X ≤ u,  = −1)


3.6. Exerciţii rezolvate 317

= P (X ≤ u) P ( = 1) + P (X ≥ −u) P ( = −1)
1 1
= (P (X ≤ u) + P (X ≥ −u)) = (FX (u) + 1 − FX (−u)) .
2 2
1
Dacă u ≤ 0, atunci FY (u) = 2 (1 − FX (−u)) iar dacă u > 0, atunci FY (u) =
1
2 (1 + FX (u)) .
Deci dacă u ≤ 0, atunci
1 0 λ
fU (u) = FU0 (u) = F (−u) = eλy ,
2 X 2
iar dacă u > 0, atunci
1 0 λ
fU (u) = FU0 (u) =
F (u) = e−λy .
2 X 2
λ
Obt, inem125 că U = X are densitatea fU (u) = e−λ|y| , deci este distribuită
2
Laplace126 de parametri λ1 s, i 0.
(b) Să calculăm funct, ia de repartit, ie a lui V :
FV (v) = P (V ≤ v) = P (V ≤ v,  = 1) + P (V ≤ v,  = −1)
= P (X ≤ v,  = 1) + P (−Y ≤ v,  = −1)
= P (X ≤ v) P ( = 1) + P (−Y ≤ v) P ( = −1)
1 1
= (P (X ≤ v) + P (Y ≥ −v)) = (FX (v) + 1 − FY (−v)) .
2 2
1
Dacă v ≤ 0, atunci FV (v) = 2 (1 − FY (−v)) iar dacă u > 0, atunci FV (v) =
1
2 (FX (v) + 1) .
Deci, dacă v ≤ 0, atunci
1 0 λ
fV (v) = FV0 (v) = F (−v) = eλv ,
2 Y 2
iar dacă v > 0, atunci
1 0 λ
fV (v) = FV0 (v) = F (v) = e−λv ,
2 X 2
1
adică V este distribuită Laplace de parametri λ s, i 0.
125 Aceasta este o metodă de a genera v.a. distribuite Laplace folosind v.a. distribuite exponent, ial.
|x−µ|
126 1 − a
Dacă o v.a. X are densitatea de repartit, ie f (x) = 2a e , unde a > 0, µ ∈ R, atunci
spunem că X urmează distribut, ia Laplace de parametri a s, i µ, s, i scriem X ∼ Laplace(a, µ)
318 3. Variabile aleatoare continue

λ
3.6.26 Fie X o v.a. cu densitatea de repartit, ie fX (x) = e−λ|x| , cu λ > 0.
2

 +1, X ≥ 0,
(a) Să se determinea legea v.a. U =
 −1, X < 0.

(b) Fie V = |X| . Să se arate că V ∼ Exp (λ) .

Rezolvare:
(a) Să calculăm funct, ia de repartit, ie a lui U :

FU (u) = P (U ≤ u) = P (U ≤ u, X ≥ 0) + P (U ≤ u, X < 0)
= P (1 ≤ u, X ≥ 0) + P (−1 ≤ u, X < 0)
= P (1 ≤ u) P (X ≥ 0) + P (−1 ≤ u) P (X < 0) .

Se arată s, i că P (X ≥ 0) = P (X ≤ 0) = 1/2.


1
3.6.27 Fie X o v.a. cu densitatea de repartit, ie127 . f (x) = . Să se
π (1 + x2 )
calculeze densitatea de repartit, ie fU , unde

1
(a) U = , (b) U = 1 − X 3 .
X
Rezolvare:
(a) Determinăm, mai întâi, funct, ia de repartit, ie a v.a. U .
Avem
1  1 
FU (0− ) = limu→0− P ≤ u = limu→0− P ≤X<0
X u
127 1
Dacă o v.a. X are densitatea de repartit, ie f (x) =   , unde a ∈ R s, i γ > 0, atunci
πγ 1+( x−a
γ
)2
spunem că X urmează distribut, ia Cauchy de parametri a s, i γ, s, i scriem X ∼ C (a, γ) .
Semnificat, ia parametrilor este următoarea: x1/2 = a este mediana iar x1/4 = a − γ, x1/2 = a,
x3/4 = a + γ sunt cuartilele distribut, iei C (a, γ) .

În cazul X ∼ C (0, 1) avem că x1/2 = 0 este mediana lui X, i.e. P (X ≤ 0) = P (X ≥ 0) = 21 ,


iar x1/4 = −1, x1/2 = 0, x3/4 = 1 sunt cuartilele, i.e. P (X ≤ −1) = P (−1 ≤ X ≤ 1) =
P (X ≥ 1) = 14 .

În cazul general X ∼ C (a, γ) avem că x1/2 = a este mediana lui X iar x1/4 = a − γ, x1/2 = a,
x3/4 = a + γ sunt cuartilele
3.6. Exerciţii rezolvate 319

Z 0 x=0
1 1 1
= limu→0− dx = limu→0− arctan (x) =

1 2
π (1 + x ) π x=1/u 2
u

s, i
1  1   1 
FU (0+ ) = limu→0+ P ≤u =P < 0 + limu→0+ P 0 < ≤u
X X X
 1
= P (X < 0) + limu→0+ P X ≥
u
Z 0 Z +∞
1 1
= 2
dx + limu→0+ dx
−∞ π (1 + x ) 1
u
π (1 + x2 )
1 x=0 1 x=+∞ 1
= arctan (x) + limu→0+ arctan (x) = .

π x=−∞ π x=1/u 2

Pentru u < 0, obt, inem


1  Z 0 1 1 1
FU (u) = P ≤X<0 = dx = − arctan ,
u 1 π (1 + x2 ) π u
u

deci
−1 −1 1 1
fU (u) = FU0 (u) = = .
π u2 1 + u12 π (1 + u2 )
Pentru u > 0, obt, inem
1  1   1 
FU (u) = P ≤u =P <0 +P 0< ≤u
X X X
 1
= P (X < 0) + P X ≥
u
Z 0 Z +∞
1 1
= 2
dx + dx
−∞ π (1 + x ) 1
u
π (1 + x2 )
1 x=0 1 x=+∞
= arctan (x) + limu→0+ arctan (x)

π x=−∞ π x=1/u
1 1
= 1 − arctan ,
π u
deci
−1 −1 1 1
fU (u) = FU0 (u) = 2 1 = .
π u 1 + u2 π (1 + u2 )
320 3. Variabile aleatoare continue

Obt, inem
1
fU (u) = , u ∈ R,
π (1 + u2 )
1
adică X ∼ C (0, 1) dacă s, i numai dacă∼ C (0, 1) .
X
(b) Aplicăm formula (3.46). Să considerăm transformarea u = 1 − x3 , deci
1 −2
x = Φ (u) = (1 − u) 3 s, i Φ0 (u) = 1
3 (1 − u) 3
, cu Φ : R → R.
Obt, inem

−2/3
1
−2/3 1 (1 − u)
fU (u) = (1 − u) = .

3 2/3 2/3 

π 1 + (1 − u) 3π 1 + (1 − u)

3.6.28 Fie X, Y două v.a. independente astfel încât X, Y ∼ U [a, b] . Să se deter-
mine densitatea de repartit, ie a v.a.

U = max (X, Y ) .

Rezolvare:
Funct, ia de repartit, ie a v.a. U este

FU (u) = P (X ≤ u, Y ≤ u) = P (X ≤ u) · P (Y ≤ u)
2
= FX (u) FY (u) = FX (u),

unde FX (u) = FY (u) sunt date de (3.25).


Deci 


 0, dacă u ≤ a,


u−a 2
  
FU (u) = , dacă a < u ≤ b,
 b−a




 1, dacă u > b

s, i

u−a 1
fU (u) = FU0 (u) = 2FX (u)FX
0
(u) 1[a,b] (u) = 2 1[a,b] (u) .
b−a b−a
3.6. Exerciţii rezolvate 321

3.6.29 Fie X, Y două v.a. independente astfel încât X, Y ∼ U [a, b] . Să se deter-
mine densitatea de repartit, ie a v.a.
V = min (X, Y ) .
Rezolvare:
Funct, ia de repartit, ie a v.a. V este
FV (v) = 1 − P (V ≥ v) = 1 − P (X ≥ v, Y ≥ v)
= 1 − P (X ≥ v) · P (Y ≥ v) = 1 − (1 − FX (v)) (1 − FY (v))
2
= 1 − (1 − FX (v)) .
Deci 


 0, dacă v ≤ a,


v−a 2
  
FV (v) = 1− 1− , dacă a < v ≤ b,

 b−a



 1, dacă v > b
s, i
fV (v) = FV0 (v) = 2 (1 − FX (v)) FX 0
(v) 1[a,b] (u)
 v−a  1
=2 1− 1[a,b] (u) .
b−a b−a
3.6.30 Fie v.a. (Xk )k=1,n de tip i.i.d., cu funct, ia de repartit, ie F.
(a) Să se arate că funct, ia de repartit, ie asociată v.a.
U = max (X1 , X2 , . . . , Xn )
este dată de
n
FU (u) = [F (u)] .
(b) Să se arate că funct, ia de repartit, ie asociată v.a.
V = min (X1 , X2 , . . . , Xn )
este dată de
n
FV (v) = 1 − [1 − F (v)] .
(c) Dacă v.a. (Xk )k=1,n sunt de tip continuu cu densitatea de repartit, ie f, să se
arate că densitatea de repartit, ie asociată v.a. U s, i V sunt date de:
n−1 n−1
fU (u) = n [F (u)] f (u) , fV (v) = n [1 − F (v)] f (v) .
322 3. Variabile aleatoare continue

3.6.31 Fie v.a. independente X, Y ∼ U[0, 1] s, i definim

V = min (X, Y ) s, i U = max (X, Y ) .

(a) Să se determine funct, ia de repartit, ie s, i apoi densitatea de repartit, ie asociată


v.a. V.
(b) Folosind relat, iile de legătură

U +V =X +Y s, i U · V = X · Y,

să se determine media v.a. U s, i apoi covariant, a dintre U s, i V.

Rezolvare:
(a) Se va obt, ine fV (x) = 2 (1 − x) 1[0,1] .
1 1 1 2
(b) Se va obt, ine E (U ) = E (A) + E (B) − E (V ) = 2 + 2 − 3 = 3 s, i apoi

Cov (U, V ) = E (U V ) − E (U ) E (V ) = E (XY ) − E (U ) E (V )


1 1 2 1 1
= E (X) E (Y ) − E (U ) E (V ) = · − · = .
2 2 3 3 36

3.6.32 Fie (Xk )k∈N∗ un s, ir de v.a. de tip i.i.d., cu Xk ∼ U[0, 1], unde k ∈ N∗ . Să
se determine funct, ia de repartit, ie s, i apoi densitatea de repartit, ie asociată v.a.

Yn = max (X1 , X2 , . . . , Xn ) ,
Zn = min (X1 , X2 , . . . , Xn ) , n ∈ N∗ .

Rezolvare:
Se va obt, ine că Yn ∼ Beta (n, 1) iar Zn ∼ Beta (1, n) .
3.6.33 Fie două v.a. independente, distrubuite uniform, X ∼ U [0, 1] , Y ∼
U [0, 2]. Să se calculeze densitatea de repartit, ie fX+Y .

Rezolvare:
În formula (3.47) de calcul a densităt, ii sumei a două v.a. folosim expresi-
ile densităt, ilor celor două v.a. date în enunt, : fX (x) = 1[0,1] (x) s, i fY (y) =
2 1[0,2] (y) .
1

Deci
Z +∞
fX+Y (u) = fX (u − v) fY (v) dv
−∞
3.6. Exerciţii rezolvate 323
Z +∞
1
= 1[0,2] (v) dv
fX (u − v)
−∞ 2
1 2 1 2
Z Z
(3.66) = fX (u − v) dv = 1[0,1] (u − v) dv.
2 0 2 0
Să facem schimbarea de variabilă

u − v = v0 ⇔ v = u − v0 ⇒ dv = −dv 0

s, i integrala devine

−1 u−2 1 u
Z Z Z
1
fX+Y (u) = fX (v 0 ) dv 0 = 1[0,1] (v) dv = dv.
2 u 2 u−2 2 [u−2,u]∩[0,1]

Dacă u ≤ 0, atunci fX+Y (u) = 0.


Dacă u ∈ (0, 1], atunci
Z 0 Z u Z u
1 1 1 u
fX+Y (u) = fX (v) dv + fX (v) dv = dv = .
2 u−2 2 0 2 0 2

Dacă u ∈ (1, 2], atunci

1 0 1 1 1 u
Z Z Z
1
fX+Y (u) = fX (v) dv + fX (v) dv + fX (v) dv = .
2 u−2 2 0 2 1 2

Dacă u ∈ (2, 3], atunci

1 1 1 u 1 1 3−u
Z Z Z
fX+Y (u) = fX (v) dv + fX (v) dv = dv = .
2 u−2 2 1 2 u−2 2
Dacă u > 3, atunci
Z u
1
fX+Y (u) = fX (v) dv = 0.
2 u−2

O altă abordare este aceea de a rescrie indicatoarea 1[0,1] (u − v) în integrala


(3.66) (în loc de a schimba variabila). Mai precis, avem

0≤u−v ≤1 dacă s, i numai dacă u − 1 ≤ v ≤ u,

deci
1[0,1] (u − v) = 1[u−1,u] (v) .
324 3. Variabile aleatoare continue

Obt, inem
Z 2 Z 2
1 1
fX+Y (u) = 1[0,1] (u − v) dv = 1[u−1,u] (v) dv
2 0 2 0
Z
1
= dv
2 [u−1,u]∩[0,2]

iar acum avem iarăs, i discut, ie în funct, ie de valorile lui u.

3.6.34 Fie două v.a. independente, distribuite uniform X, Y ∼ U [a, b] . Să se


calculeze densitatea de repartit, ie fX+Y .

Rezolvare:
Folosim fX (x) = fY (x) = 1
b−a 1[a,b] (x) s, i obt, inem
Z +∞ Z b
1
fX+Y (u) = fX (u − v) fY (v) dv = fX (u − v) dv.
−∞ b−a a

Să facem schimbarea de variabilă

u − v = v0 ⇔ v = u − v0 ⇒ dv = −dv 0

s, i integrala devine
Z u−a
1
fX+Y (u) = fX (v 0 ) dv 0 .
b−a u−b

Dacă u − a ≤ a, adică u ≤ 2a, atunci fX+Y (u) = 0.


Dacă u − a ∈ (a, b], adică u ∈ (2a, a + b], atunci
a u−a
u − 2a
Z Z
1 1
fX+Y (u) = fX (v 0 ) dv 0 + fX (v 0 ) dv 0 = 2 .
b−a u−b b−a a (b − a)

Dacă u − a > b s, i u − b ∈ (a, b], adică u ∈ (a + b, 2b], atunci


b u−a
2b − u
Z Z
1 1
fX+Y (u) = fX (v 0 ) dv 0 + fX (v 0 ) dv 0 = 2 .
b−a u−b b−a b (b − a)

Dacă u − b > b, adică u > 2b, atunci fX+Y (u) = 0.


3.6. Exerciţii rezolvate 325

Prin urmare,
u − 2a 2b − u
fX+Y (u) = 2 1(2a,a+b] (u) + 2 1(a+b,2b] (u)
(b − a) (b − a)
(3.67)
1
= 2 [(b − a) − |u − (a + b)|] 1(2a,2b] (u) .
(b − a)

În cazul particular în care X, Y ∼ U [−1, 1] , obt, inem


1 1
fX+Y (u) = (2 + u) 1[−2,0] (u) + (2 − u) 1(0,2] (u)
4 4
(3.68)
1
= (2 − |u|) 1[−2,2] (u) .
4
În cazul particular în care X, Y ∼ U [−1/2, 1/2] , obt, inem

fX+Y (u) = (1 + u) 1[−1,0] (u) + (1 − u) 1(0,1] (u)


(3.69)
= (1 − |u|) 1[−1,1] (u) .

În cazul particular în care X, Y ∼ U [0, 1] , obt, inem

fX+Y (u) = u 1[0,1] (u) + (2 − u) 1(1,2] (u)


(3.70)
= (1 − |u − 1|) 1[0,2] (u) .
Densitatea (3.67) s, i cazurile particulare (3.68−3.70), se pot reprezenta grafic cu
us, urint, ă, prin urmare este justificată următoarea denumire: dacă o v.a are den-
sitatea dată de una dintre formulele (3.67−3.70), atunci spunem că v.a. urmează
o distribut, ie triunghiulară
Deci am obt, inut că:

suma a două v.a. uniforme s, i de tip i.i.d. urmează o

distribut, ie triunghiulară.

3.6.35 Fie v.a. independente, distribuite uniform X1 , X2 , X3 , X4 ∼ U [0, 1] s, i


1
Yi = Xi − , pentru i = 1, 3 .
2
(a) Să se calculeze s, i să se reprezinte grafic densitatea de repartit, ie fX1 −X2 .
326 3. Variabile aleatoare continue

(b) Să se calculeze s, i să se reprezinte grafic densităt, ile de repartit, ie fX1 +X2 ,
fX1 +X2 +X3 s, i fX1 +X2 +X3 +X4 .
(c) Să se determine tipul de distribut, ie al v.a. Yi , pentru i = 1, 3 , s, i apoi să se
calculeze s, i să se reprezinte grafic densităt, ile de repartit, ie fY1 +Y2 , fY1 +Y2 +Y3 s, i
fY1 −Y2 .

Rezolvare:
(a) Se obt, ine densitatea:
fX1 −X2 (u) = (1 + u) 1[−1,0) (u) + (1 − u) 1[0,1] (u)
= (1 − |u|) 1[−1,1] (u) .
(b) Se observă imediat că dacă X1 , X2 , X3 , X4 ∼ U [0, 1] , atunci v.a. X1 + X2 ia
valori în [0, 2] , X1 + X2 + X3 ia valori în [0, 3] iar X1 + X2 + X3 + X4 ia valori
în [0, 4] .
Se obt, ine următoarele densităt, i:
fX1 +X2 (u) = u 1[0,1) (u) + (2 − u) 1[1,2] (u) = (1 − |u − 1|) 1[0,2] (u) ;
 1

 u, dacă x ∈ [0, 1),


 1!

= 1
u − C21 (u − 1) , dacă x ∈ [1, 2],



 1!


0, dacă x ∈
/ [0, 2]

s, i
2 
u2
 
3 3
fX1 +X2 +X3 (u) = 1[0,1) (u) + − u− 1[1,2) (u)
2 4 2
1
+ (u − 3) 1[2,3] (u) ;
2
2

1 2

 u , dacă x ∈ [0, 1),
2!




1  2

 
2
u − C31 (u − 1) , dacă x ∈ [1, 2),



= 2!
 1  2 2 2

u − C31 (u − 1) + C32 (u − 2) , dacă x ∈ [2, 3),





 2!


 0, dacă x ∈
/ [0, 3] .

3.6. Exerciţii rezolvate 327

Pn+1
În general, pentru n ∈ N∗ , v.a. i=1 Xi ia valori în [0, n + 1] iar densitatea este
dată de
1 n
fPn+1 Xi (u) = u 1[0,1) (u)
i=1 n!
1
(u − 1) 1[1,2) (u)
n
+ un − Cn+1
1
n!
1
(u − 2) 1[2,3) (u) .
n n
+ un − Cn+1
1 2
(u − 1) + Cn+1
n!
...
1
(u − n) 1[n,n+1] (u) .
n 2
+ un − Cn+1
1 n
(u − 1) + . . . + Cn+1
n!

Să observăm că densitatea fX1 este o funct, ie discontinuă; densitatea fX1 +X2
este o funct, ie continuă, dar cu derivata de ordinul întâi discontinuă; densitatea
fX1 +X2 +X3 este o funct, ie continuă, cu derivata de ordinul întâi continuă, dar
cu derivata de ordinul discontinuă, s, .a.m.d..
(c) Se obt, ine Yi ∼ U [−1/2, 1/2] . Se observă că Y1 + Y2 = (X1 + X2 ) − 1, deci,
folosind (b) ,

fY1 +Y2 (u) = fX1 +X2 (u + 1) = (1 − |u|) 1[−1,1] (u) .


Avem s, i
fY1 +Y2 +Y3 (u) = fX1 +X2 +X3 (u + 3/2) ,
deoarece Y1 + Y2 + Y3 = (X1 + X2 + X3 ) − 3/2.
Se observă că Y1 − Y2 = X1 − X2 s, i că are aceeas, i lege ca v.a. Y1 + Y2 .

În ceea ce prives, te graficul densităt, ii fPni=1 Xi , cu n ≥ 2 dat, se observă


că acesta aproximează graficul, translat cu n2 , al densităt, ii normale standard
fN(0,1) . Se va obt, ine (aplicând Teorema Limită Centrală dată de Teorema 5.71)
ceea ce se vede s, i din graficul densităt, ii, s, i anume că standardizarea v.a. X1 +
X2 + . . . + Xn va converge în lege către v.a. Z ∼ N(0, 1).
De asemenea, s, i graficul densităt, ii fY1 +Y2 +Y3 aproximează graficul densită-
t, ii normale standard fN(0,1) . Se poate generaliza pentru i = 1, n s, i se va obt, ine
(aplicând Teorema Limită Centrală dată de Teorema 5.71) ceea ce se vede s, i din
graficul densităt, ii, s, i anume că standardizarea v.a. Y1 +Y2 +. . .+Yn va converge
în lege către v.a. Z ∼ N(0, 1) .
328 3. Variabile aleatoare continue

3.6.36 Fie două v.a. independente X, Y ∼ U [−1, 1] .


(a) Să se determine funct, iile de repartit, ie FX , FU s, i densitatea de repartit, ie fU ,
unde U = 2X − 1.
(b) Să se determine funct, ia de repartit, ie FV s, i densitatea de repartit, ie fV , unde
X +1
V = .
2
(c) Să se calculeze media s, i deviat, ia standard a v.a. X + Y s, i apoi P (X = 0.5)
s, i P (X ≥ 0.5) .
(d) Să se determine densitatea de repartit, ie a v.a Z = X + Y .
3.6.37 Fie două v.a. independente X, Y ∼ U [−2, 0] .
(a) Să se determine funct, iile de repartit, ie FX , FU s, i densitatea de repartit, ie fU ,
X +2
unde U = .
2
(b) Să se calculeze media s, i deviat, ia standard a v.a. X + Y s, i apoi P (X ≥ 0.9)
s, i P (X = 0.9) .
3.6.38 Un băiat s, i prietena lui au fixat o întâlnire la o anume locat, ie. S, tim că
cei doi ajung independent unul de altul iar timpul de sosire al fiecăruia (X s, i
respectiv Y ) este distribuit uniform între ora 12 s, i ora 13.
(a) Să se determine probabilitatea ca cel care ajunge primul să îl as, tepte pe
celălalt cel put, in 10 minute. Care este probabilitatea ca cei doi să ajungă în
acelas, i moment? Să se scrie s, i funct, ia de repartit, ie asociată timpului sosirii
băiatului, i.e. FX .
(b) Să se calculeze media s, i deviat, ia standard a v.a. X + Y s, i apoi probabilitatea
ca băiatul să ajungă după 12.5 s, i apoi probabilitatea ca fata să ajungă la 12.3.

Rezolvare:
(a) trebuie să se determine P (|X − Y | ≥ 10) , adică P(X ≥ Y + 10) s, i P(Y ≥
X + 10); în acest sens se calculează, mai întâi, densitatea diferent, ei dată de
R +∞
formula fX−Y (u) = −∞ fX (u + v) fY (v) dv .
3.6.39 Fie U, V două v.a. independente cu U, V ∼ U [0, 1] .
(a) Să se determine densitatea fU +12 . Să se determine s, i densitatea fU +V a
sumei v.a.. Reprezentat, i grafic densitatea fU +V .
(b) Să se determine funct, ia de repartit, ie s, i apoi densitatea v.a.
Y = max (U, V ) s, i Z = min (U, V ) .
3.6. Exerciţii rezolvate 329

3.6.40 Fie două v.a. independente distribuite Cauchy X, Y ∼ C (0, 1) . Să se


calculeze densitatea de repartit, ie a v.a. U = X + Y s, i apoi densitatea de
X +Y
repartit, ie128 a v.a. V = .
2
Rezolvare:
Obt, inem
Z +∞ Z +∞
1 1 1
fX+Y (u) = fX (u − v) fY (v) dv = 2 dv.
2
−∞ π −∞ 1 + (u − v) 1 + v2

Pentru calculul integralei rat, ionale trebuie să descompunem fract, ia precedentă
în fract, ii simple, adică să găsim a, b, c, d astfel încât
1 1 a + b (u − v) c + dv
2 2
= 2 + 1 + v2 .
1 + (u − v) 1 + v 1 + (u − v)
1 2
În urma calculelor obt, inem a = c = s, i b = d = , adică
(4 + u2 ) u(4 + u2 )
1 1 1  2u (u − v) + u2 2uv + u2 
2 = 2 + .
1 + (u − v) 1 + v 2 u2 (4 + u2 ) 1 + (u − v) 1 + v2
R +∞ 2
Dacă facem schimbarea de variabilă u − v = v 0 în −∞ 2u(u−v)+u
1+(u−v)2
dv, obt, inem
+∞ +∞
2u (u − v) + u2 2uv 0 + u2
Z Z
2 dv = 2 dv 0 ,
−∞ 1 + (u − v) −∞ 1 + (v 0 )
deci
+∞
2uv + u2
Z
2
fX+Y (u) = dv
π 2 u2 (4 + u2 ) −∞ 1 + v2
2  Z +∞ 2uv Z +∞
u2