Documente Academic
Documente Profesional
Documente Cultură
ELEMENTE DE TEORIA
PROBABILITĂŢILOR
1.1. Evenimente
Definiţie 1.1.1. Realizarea practică a unui
ansamblu de condiţii bine precizat poartă numele de
experienţă sau probă.
Definiţie 1.1.2. Prin eveniment vom înţelege
orice rezultat al unei experienţe despre care putem spune
că s-a realizat sau că nu s-a realizat, după efectuarea
experimentului considerat. Evenimentele se pot clasifica
în: evenimente sigure; evenimente imposibile,
evenimente aleatoare.
Definiţie 1.1.3. Evenimentul sigur este
evenimentul care se produce în mod obligatoriu la
efectuarea unei probe şi se notează cu E.
Definiţie 1.1.4. Evenimentul imposibil este
evenimentul care în mod obligatoriu nu se produce la
efectuarea unei probe şi se notează cu φ.
6 Elemente de teoria probabilităţilor şi statistică matematică
ii) A ⊂ A, B ⊂ B, C ⊂ C;
iii) φ ⊂ A, φ ⊂ B, φ ⊂ C ;
(comutativitatea);
2. ∀A, B, C ∈K ⇒ (A ∪ B) ∪ C = A ∪ (B ∪ C)
(asociativitatea);
3. Dacă A, B ∈K şi A ⊂ B ⇒ A ∪ B = B (evident
A ∪ E = E , A ∪ φ = A , E ∪φ = E şi A ∪ A = E ).
Definiţie 1.2.6. Prin intersecţia evenimentelor A
şi B vom înţelege evenimentul notat A ∩ B care se
realizează dacă ambele evenimente se realizează.
Observaţie 1.2.7. Au loc relaţiile următoare:
1. ∀A, B ∈K ⇒ A ∩ B = B ∩ A
(comutativitatea)
2. ∀A, B, C ∈K ⇒ (A ∩ B) ∩ C = A ∩ (B ∩ C)
(asociativitatea)
3. Dacă A, B ∈K şi A ⊂ B atunci A ∩ B = A
(evident A ∩ E = A , A ∩ φ = φ, E ∩φ = φ şi A ∩ A = A ).
4. ∀A ∈K ⇒A ∩A =φ.
10 Elemente de teoria probabilităţilor şi statistică matematică
i∈
I
Ai =A i i∈
I
;
i∈
I
Ai =A ii∈
I
.
iii) A = (A – B) ∪ (A ∩ B)
iv) (A – B) ∩ (B – A) = φ
v) A ∪ B = A ∪ [B - (A ∩ B)]
vi) A ∩ (B – C) = (A ∩ B) - (A ∩ C)
vii) (A – B) ∩ (C – D) = (A ∩ C) – (B ∪
D)
Definiţie 1.2.12. Evenimentele A şi B sunt
dependente dacă realizarea unuia depinde de realizarea
celuilalt şi sunt independente dacă realizarea unuia nu
depinde de realizarea celuilalt.
O mulţime de evenimente sunt independente în
totalitatea lor dacă sunt independente câte două, câte trei
etc.
Pentru evenimentele independente în totalitatea
lor vom folosi şi denumirea de evenimente independente.
Dacă e1 , e 2 ..., e n sunt evenimentele
elementare corespunzătoare unei experienţe atunci
ii) ∀A, B ∈K ⇒A ∪ B ∈K şi A ∩ B ∈ K .
Observaţie 1.3.2.
1. Notăm câmpul de evenimente [E,K].
2. Evident φ∈K şi E ∈ K .
3. Dacă E = { e1 , e 2 ,...e n } atunci K ⊂ P(E ) .
4. Dacă într-o probă mulţimea evenimentelor
este infinită atunci câmpul de evenimente corespunzător
[E,K] are proprietatea:
∞ ∞
∀A i ∈K , i =1, 2... ⇒ A i ∈K şi A i ∈K.
i =1 i=1
i) A i =E
i =1
ii) Ai ∩ A j = φ ∀i ≠ j, i, j =1, n
evenimente elementare = Cn
0
elementar = Cn1
14 Elemente de teoria probabilităţilor şi statistică matematică
elementare = Cn
k
elementare = Cnn
şi prin urmare, numărul total de evenimente ale lui K este
egal cu
C n0 + C n1 + ... + C nk + ... + C nn = 2 n
ii) P(E)=1
Elemente de teoria probabilităţilor 15
şi A ∩B = φ .
Definiţie 1.4.2. Se numeşte câmp de
probabilitate tripletul {E, K, P} unde E este evenimentul
total, K=P(E) iar P o probabilitate pe K.
Observaţie 1.4.3. În cazul în care câmpul de
evenimente [E,K] este infinit (K este infinită)
probabilitatea P definită pe K satisface axiomele:
i) P( A) ≥ 0, ∀A ∈K
ii) P(E)=1
iii) =∑P( A i )
A i
P dacă
i∈I i∈I
n n
3. P A i = ∑ P( A i ) dacă A i ∩ A j = φ,
i =1 i =1
i ≠ j, i, j =1, n
Demonstraţie:
16 Elemente de teoria probabilităţilor şi statistică matematică
1) Din relaţiile φ ∪ E = E şi φ ∩ E = φ
aplicând axioma iii) din definiţia probabilităţii avem P(E)
= P(φ ∪ E) = P(φ ) + P(E) şi rezultă P(φ ) = 0
2) Din relaţiile A∪A = E şi A ∩A =φ
şi rezultă P ( A) =1 −P ( A)
n n −1 n −1 n −1
P Ai = P Ai ∪ An = P Ai + P ( An ) = ∑ P( Ai ) + P ( An ) =
i =1 i =1 i =1 i =1
n −1
Ai ∩ An = φ
i =1
Definiţia clasică a probabilităţii 1.4.5.
Probabilitatea unui eveniment A este egală cu raportul
dintre numărul evenimentelor egal probabile favorabile
evenimentului A şi numărul total al evenimentelor egal
probabile.
Altă formulare: probabilitatea unui eveniment
este raportul între numărul cazurilor favorabile
evenimentului şi numărul cazurilor posibile.
Observaţie 1.4.6.
1) Conform acestei definiţii nu putem stabili
probabilitatea unui eveniment ce aparţine unui câmp
infinit de evenimente.
2) Definiţia clasică se aplică numai atunci când
evenimentele elementare sunt egal posibile.
18 Elemente de teoria probabilităţilor şi statistică matematică
3 1
3. Deci P(A ) = = .
6 2
Exemplul 1.4.8. Dintr-o urnă cu 15 bile
numerotate de la 1 la 15 se extrage o bilă la întâmplare.
Se consideră evenimentele:
A = obţinerea unui număr prim;
B = obţinerea unui număr par;
C =obţinerea unui număr divizibil prin
3.
Să calculăm probabilităţile acestor evenimente.
Rezolvare:
În această experienţă aleatoare numărul total al
cazurilor posibile este 15.
Elemente de teoria probabilităţilor 19
6 2
adică {2, 3, 5, 7, 11, 13}, deci P(A ) = = .
15 5
Pentru B numărul cazurilor favorabile este 7,
7
adică {2, 4, 6, 8, 10, 12, 14}, deci P(B) = .
15
Pentru C, numărul cazurilor favorabile este 5,
5 1
adică { 3, 6, 9, 12, 15}, deci P(C) = = .
15 3
Dacă A, B ∈K atunci
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) .
Demonstraţie:
Din relaţiile A ∪ B = A ∪ [ B − ( A ∩ B )] şi
A ∩ [ B − ( A ∩ B)] = φ aplicând axioma iii) avem
P ( A ∪ B ) = P ( A) + P[ B − ( A ∩ B ) ] = P ( A) + P ( B ) − P ( A ∩ B )
n n n
n
P Ai = ∑ P( Ai ) − ∑ P( Ai ∩ A j ) + ∑ P( Ai ∩ A j ∩ Ak ) + ...+ (− 1) n− 1 P Ai
i= 1 i= 1 i, j=1 i≠ j ≠ k i= 1
i≠ j
P(A ∩B)
atunci raportul îl numim probabilitatea lui A
P (B)
P( B ∩ E ) P ( B )
ii) PB ( E ) = = =1
P( B) P( B)
P( B ∩ ( A1 ∪ A2 ) ) P[ ( B ∩ A1 ) ∪ ( B ∩ A2 )]
PB ( A1 ∪ A2 ) = = =
P( B ) P( B )
P ( B ∩ A1 ) + P( B ∩ A2 ) P( B ∩ A1 ) P ( B ∩ A2 )
= = + = PB ( A1 ) + PB ( A2 )
P( B) P( B) P( B)
, dacă ( B ∩ A1 ) ∩ ( B ∩ A2 ) = φ .
Observaţie 1.5.1.
1) Oricărui câmp de evenimente [E,K] îi putem
ataşa un câmp de probabilitate condiţionat {E, K, PB}.
2) P(A ∩ B) = P(B) ⋅ PB (A ) - formula de calcul
a intersecţiei a două evenimente dependente. Are loc o
22 Elemente de teoria probabilităţilor şi statistică matematică
n n
independente atunci
P A i ∏P( A i ) .
=
i =1 i =1
n n
independente, atunci: P A i = 1 − ∏(1 − P( A i ) )
i =1 i =1
Demonstraţie:
Elemente de teoria probabilităţilor 23
n n
independente implică
n n
Ai =1 − P
n n n
P
Ai
=1 − P
i =1
Ai
=1 −∏ P ( Ai ) =1 −∏ (1 −
i =1 i =1 i =1 i =1
n n n
P
Ai ∑
≥ P ( Ai ) − ( n −1) =1 − ∑ P ( Ai )
i =1 i =1 i =1
Demonstraţie:
Verificăm inegalitatea din enunţ prin inducţie
matematică.
Pentru n = 2 avem
P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) dacă
P ( A1 ∪ A2 ) ≤ 1 şi rezultă
P( A1 ∩ A2 ) ≥ P ( A1 ) + P( A2 ) − 1 relaţia este adevărată.
24 Elemente de teoria probabilităţilor şi statistică matematică
n
atunci P(X)= ∑P( A i ) ⋅ PA ( X ).
i
i =1
Demonstraţie:
Din ipoteza că Ai, i =1, n este un sistem
complet de evenimente rezultă că
X = ( A1 ∩ X ) ∪ ( A2 ∩ X ) ∪ ... ∪ ( An ∩ X )
Elemente de teoria probabilităţilor 25
Avem succesiv
n n n
P ( X ) = P ( Ai ∩ X ) = ∑ P ( Ai ∩ X ) = ∑ P ( Ai ) ⋅ PAi ( X )
i =1 i =1 i =1
Demonstraţie:
Deoarece P( X ∩ Ai ) = P( X ) ⋅ PX ( Ai ) şi
P( X ∩ Ai ) = P( Ai ) ⋅ PAi ( X ) avem
P ( X ) ⋅ PX ( Ai ) = P ( Ai ) ⋅ PAi ( X ) , deci
26 Elemente de teoria probabilităţilor şi statistică matematică
P( Ai ) ⋅ PAi ( X ) P( Ai ) ⋅ PAi ( X )
PX ( Ai ) = = n
P( X ) dacă s-a
∑ P( A ) ⋅ P
i =1
i Ai (X )
Rezultă:
P ( X ) = P ( A1 ) ⋅ P ( A2 A1 ) ⋅ P ( A3 A1 ∩ A2 ) ⋅ P ( A4 A1 ∩ A2 ∩ A3 )
1 1 1 1 1
⋅ P ( A5 A1 ∩ A2 ∩ A3 ∩ A4 ) = ⋅ ⋅ ⋅ ⋅ .
26 25 24 23 22
P(B) =
P(A 1 ∩ A 2 ∩ A 3 ) = P(A 1 ) ⋅ P(A 2 ) ⋅ P( A 3 ) = 0,7 ⋅ 0,8 ⋅ 0,6 = 0,336
9 7
satisfăcute cu probabilităţile P(A) = , P(B) = şi
10 11
11
P(C) = , atunci probabilitatea ca să fie satisfăcute
12
toate trei caracteristicile se poate evalua cu formula lui
Boole. Astfel se poate scrie:
P( A ∩B ∩C) ≥1 −[P( A ) + P(B) + P( C ) ], adică P(
1 4 1 229
A ∩ B ∩ C) ≥ 1 − + + = .
10 11 12 660
Exemplul 1.5.6. Un sortiment de marfă dintr-o
unitate comercială provine de la trei fabrici diferite în
1 1
proporţii, respectiv de la prima fabrică, de la a
3 6
doua fabrică şi restul de la fabrica a treia. Produsele de la
30 Elemente de teoria probabilităţilor şi statistică matematică
1 1 1
A1 ) = , P(A 2 ) = şi P ( A3 ) = . Dacă A este
3 6 2
evenimentul că produsul cumpărat de client satisface
standardele de fabricaţie, atunci P(A A 1 ) = 0,90 , P(
A A 2 ) = 0,95 şi P( A A 3 ) = 0,92 . Folosind formula
probabilităţii totale se obţine:
Elemente de teoria probabilităţilor 31
P ( A) = P ( A1 ) ⋅ P ( A A1 ) + P ( A2 ) ⋅ P ( A A2 ) + P ( A3 ) ⋅ P ( A A3 )
1 1 1 5,51
= ⋅ 0,90 + ⋅ 0,95 + 0,92 = = 0,918
9 6 2 6
b) Folosind formula lui Bayes, avem:
P(
P( A 1 ) P( A A 1 )
A1 A) = =
P( A 1 ) P ( A A 1 ) + P ( A 2 ) P ( A A 2 ) + P ( A 3 ) P ( A A 3 )
1
⋅ 0,10
3 0,2
= = = 0,408 .
1 1 1 0,49
⋅ 0,10 + ⋅ 0,05 + ⋅ 0,08
3 6 2
a b
p = P( A i ) = şi P( A i ) = = q , evident p+q=1. Notăm
N N
.
Dacă X este evenimentul ca din cele n bile
extrase exact k să fie albe, avem: P(X) =
n!
C kn P ( X k , n −k ) = C kn p k q n −k = p k q n −k .
k!( n − k )!
C kn p k q n −k , p+q=1.
Observaţie 1.6.2.
1) Dacă se consideră formula binomului lui
Newton:
n n
( px + q ) n = ∑ C kn p k q n −k x k = ∑ P(n , k ) x k , deci
k =0 k =0
n
2) ∑P(n, k ) = 1.
k =0
s
numărul bilelor de culoare c i , i = 1, s , iar ∑a
i =1
i = N.
ai
c i , i = 1, s, p i = P(A i ) = , i = 1, s , atunci:
N
n! α α α
Pn (α1 , α2 ,..., αs ) = p1 1 p 2 2 ... p s s
α1!α2 !... αs !
s
, unde ∑α
i =1
i =n
Elemente de teoria probabilităţilor 35
C ak C nb −k
C nb −k , deci P(n,k) = , unde a ≥ k, b ≥ n − k şi
C an+b
a +b ≥n.
Generalizare:
În urnă se află bile de r culori, adică a 1 bile de
culoarea 1, a 2 bile de culoarea 2 etc. a r bile de
culoarea r şi se extrag n bile fără întoarcerea bilei extrase
36 Elemente de teoria probabilităţilor şi statistică matematică
C nn −1 n k
+k −1 p q .
Observaţie 1.6.7.
1) Din proprietatea de complementaritate a
∞ ∞
pn
p n (1 − qx ) −n =
(1 − qx ) n
= ∑
k =0
C k
n +k −1 p n k k
q x = ∑
k =0
P(n , k ) x k , qx < 1
∞ ∞
p
= ∑ pq k x k = ∑ P(1, k ) x k .
1 − qx k =0 k =0
7
într-o zi este p = . Vrem să calculăm probabilitatea ca
8
unitatea hotelieră să fie normal ocupată în cinci zile din
cele şapte zile ale unei săptămâni.
40 Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
Calculul acestei probabilităţi se face cu schema
7
lui Bernoulli cu bila întoarsă, unde n=7, k=5; p= şi q
8
1
= 1-p = . Astfel se obţine că:
8
7 1 3 7
P(7,5) = C 57 ( ) 5 ( ) 2 = ( ) 6 .
8 8 8 8
Exemplul 1.6.9. Piesele produse de o maşină
sunt supuse la două teste independente. Probabilităţile ca
2 3
o piesă să treacă aceste teste sunt respectiv şi . Să
3 4
se calculeze probabilitatea ca din 5 piese luate la
întâmplare, 2 să treacă ambele teste, 1 numai primul test,
1 numai al doilea test, iar una să nu treacă nici un test.
Rezolvare:
Această probabilitate se calculează cu schema
multinomială, unde n=5, s=4, α 1 = 2, α 2 = α 3 = α 4 = 1 , iar
întrucât testele sunt independente, avem că:
2 3 1 2 3 1 2 3 1 2 3
p1 = ⋅ = ; p 2 = ⋅ (1 − ) = ; p 3 = (1 − ) ⋅ = ; p 4 = (1 − )(1 −
3 4 2 3 4 6 3 4 4 3 4
Elemente de teoria probabilităţilor 41
5! 1 1 1 1 5
⋅( )2 ⋅ ⋅ ⋅ = .
2!⋅1!⋅1!⋅1! 2 6 4 12 96
Exemplul 1.6.10. Într-un lot de 50 de piese, 10
sunt defecte. Se iau la întâmplare 5 piese. Vrem să
calculăm probabilitatea ca trei piese din cele cinci să nu
fie defecte.
Rezolvare:
Această probabilitate se calculează cu schema
lui Bernoulli cu bila neîntoarsă, unde a+b=50; a=40,
2
unei ţinte. Primul atinge ţinta cu probabilitatea , al
3
3
doilea cu probabilitatea , al treilea cu probabilitatea
4
42 Elemente de teoria probabilităţilor şi statistică matematică
4 5
, iar al patrulea cu probabilitatea . Care este
5 6
probabilitatea ca ţinta să fie atinsă exact de 3 ori?
Rezolvare:
Evenimentele A i = trăgătorul "i" atinge ţinta; i
= 1,2,3,4 sunt independente şi:
2 3 4
p1 = P ( A1 ) = ; p2 = P( A2 ) = ; p3 = P ( A3 ) = ;
3 4 5
5 1
p4 = P ( A4 ) = ; q1 = 1 − p1 =
6 3
1 1 1
q2 = 1 − p2 = ; q3 = 1 − p3 = ; q4 = 1 − p4 = .
4 5 6
Probabilitatea ca din aceste patru evenimente să se
realizeze trei şi unul nu, este coeficientul lui x 3 din
dezvoltarea polinomului: Q(x) =
2 1 3 1 4 1 5 1
( x + )( x + )( x + )( x + ) , adică:
3 3 4 4 5 5 6 6
2 3 4 1 2 3 1 5 2 1 4 5 1 3 4 5
⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ = 0,427 .
3 4 5 6 3 4 5 6 3 4 5 6 3 4 5 6
Exemplul 1.6.12. Doi jucători sunt angrenaţi
într-un joc format din mai multe partide. Primul jucător
Elemente de teoria probabilităţilor 43
1
câştigă o partidă cu probabilitatea p = şi o pierde cu
3
2
probabilitatea q = 1-p = . Să se calculeze
3
probabilitatea că:
a) prima partidă câştigată de primul jucător să se
producă după cinci partide pierdute;
b) a treia partidă câştigată de primul jucător să
se producă după un total de şase partide pierdute.
Rezolvare:
a) Se aplică schema geometrică. Prin urmare,
probabilitatea cerută este dată de P(1,5) = p q 5 =
1 2 5 32
( ) = .
3 3 729
b) Se utilizează schema lui Pascal, unde n=3,
1 2
k=6, p= , q= . Astfel, probabilitatea cerută este:
3 3
1 2 7 2 9
P(3,6) = C 86 ( ) 3 ( ) 6 = ⋅( ) .
3 3 2 3
Exemplul 1.6.13. Într-o cutie sunt 12 bile
marcate cu 1; 8 sunt marcate cu 3 şi şase sunt marcate cu
44 Elemente de teoria probabilităţilor şi statistică matematică
C 64 C 80 C12
0
P20 = P( 4;4,0,0) = .
C 426
Avem că:
2611
P( A ) = P14 + P16 + P18 + P20 = , de unde
14950
2611 12339
P(A) = 1-P( A ) = 1-
14950
=
14950
≅ 0,825 .
xi
variabilei aleatoare X de tip discret, tabloul
X
pi i∈ I
unde xi, i ∈I, sunt valorile pe care le ia X iar pi este
probabilitatea cu care X ia valoarea xi adică pi = P(X =
xi ), i ∈ I mulţimea I putând fi finită sau cel mult
numărabilă.
Observaţii 1.7.4.
1) Evenimentele (X = xi ) formează un sistem
complet de evenimente şi ∑p
i∈I
i =1 .
Elemente de teoria probabilităţilor 49
xi
X şi Y care au respectiv distribuţiile
X şi
pi i∈ I
Elemente de teoria probabilităţilor 51
yj
Y
q
sunt independente dacă
j j∈ J
P(X = xi , Y = yj) = P(X = xi ) P(Y = yj),
∀(i, j) ∈IxJ .
xi yj
X Y
q
care au respectiv distribuţiile şi
pi i∈ I j j∈ J
52 Elemente de teoria probabilităţilor şi statistică matematică
X
(dacă y j ≠ 0, ∀j ∈J ) vor avea distribuţiile
Y
xi
xi + y j xi y j X
X + Y , X ⋅ Y y j
p p Y
, unde
ax
aX : i
pi i∈I
b) putere a variabilei aleatoare X de
exponent k, k ∈ Z , variabila aleatoare
xk
X k : i cu condiţia ca operaţiile xik ,
pi i∈I
i ∈ I , să aibă sens.
Observaţie 1.7.8. Au loc relaţiile
∑p
j∈J
ij = p i , ∀i ∈I şi ∑p
i∈I
ij = q j , ∀j ∈J.
1. ∀x ∈R , 0 ≤ F( x ) ≤1
2. ∀a , b ∈R , a < b avem:
P (a ≤ X < b) = F( b) −F(a )
P (a < X < b) = F( b) −F(a ) − P( X = a )
Demonstraţie:
Avem succesiv
P ( a ≤ X < b ) = P ( X < b, X < a ) = P [ ( X < b ) − ( X < a ) ] =
= P ( X < b) − P ( X < a ) = F (b) − F ( a )
0 ≤ P( x 1 ≤ X < x 2 ) = F ( x 2 ) − F ( x1 ) ⇒
F ( x1 ) ≤ F ( x 2 )
4. xlim F ( x) = 0, lim F ( x) = 1
→−∞ x→∞
Demonstraţie:
lim F ( x) = lim P ( X < x) = P (φ ) = 0
x →−∞ x →−∞
5. ∀x ∈R , F( x − a ) = F( x ) (F este continuă la
stânga)
Exemplul 1.7.11. Se consideră variabila
1 2 3 4
aleatoare discretă X : p 2 7 1 1 . Care este
p
4 3 6
probabilitatea ca X să ia o valoare mai mică sau egală cu
3?
Rezolvare:
Pentru ca X să fie o variabilă aleatoare trebuie
7 1 1
ca p ≥ 0 şi p 2 + ⋅ p + + = 1 . Se obţine soluţia
4 3 6
56 Elemente de teoria probabilităţilor şi statistică matematică
1
acceptabilă p = . Se calculează probabilitatea cerută
4
prin intermediul evenimentului contrar şi anume
1 5
P( X ≤ 3) = 1 − P( X = 4) = 1 − = sau
6 6
1 7 1 5
P( X ≤ 3) = P( X = 1) + P( X = 2) + P( X = 3) = + + =
16 16 3 6
.
Exemplul 1.7.12. Se dau variabilele aleatoare
independente:
−1 0 1 −1 0 1
X: 1 1 1 ; Y : 1
p + q+ 2p − q 12p 2 .
6 3 3 3
a) Să se scrie distribuţia variabilei 2XY.
b) Pentru ce valori ale lui c avem:
2
P ( X + Y = c) > ?
9
Rezolvare:
Pentru ca X şi Y să fie variabile aleatoare se
impun condiţiile:
Elemente de teoria probabilităţilor 57
1 1
p+ ≥ 0; q + ≥ 0;2p − q ≥ 0 şi apoi :
6 3
1 1 1
6p + + q + + =1
3 3
, rezultă valorile acceptabile
1 + 2p − q + 1 2p 2 = 1
3
1
p= şi q = 0. Deci variabilele aleatoare au repartiţiile:
6
−1 0 1 −1 0 1
X: 1 1 1; Y : 1 1 1 . Avem :
3 3 3 3 3 3
− 2 0 2
a) 2XY : 2 5 2
9 9 9
58 Elemente de teoria probabilităţilor şi statistică matematică
− 2 −1 0 1 2
b) X + Y : 1 2 3 2 1 , deci P(X +
9 9 9 9 9
2 3 2
Y = c)> corespunde situaţiei P(X + Y = 0) = >
9 9 9
adică c = 0.
Exemplul 1.7.13. Variabila aleatoare X cu
distribuţia următoare:
Elemente de teoria probabilităţilor 59
1
1 2
X:2
1 1 1 , are funcţia de repartiţie:
6 2 3
1
0, d a ăc x ≤ ,
2
1 , d a ăc 1 < x ≤ 1,
F( x ) = P ( X < x ) = 6 2
2
, d a ăc1 < x ≤ 2,
3
1, d a ăc x > 2
Graficul funcţiei de repartiţie este:
F(x)
2/3
60 Elemente de teoria probabilităţilor şi statistică matematică
1/6
1/2 1 2 x
Y y1……………yj……………
X
x1 p11……………p1j…………… unde
(
………
………
………
xi pi1……………pij……………
…..
…..
…..
.
…. ………………………………
Elemente de teoria probabilităţilor 61
x i , yi )
sunt
valori
le pe
care
le ia
vecto
rul
aleat
or
(X,Y
), iar
p ij = P( X = x i , Y =
).
.
3. F(x,y) este nedescrescătoare în raport cu
fiecare argument.
l i mF(x, y) = 1 .
x→ ∞
y→ ∞
5. F(x,y) este continuă la stânga în raport cu
fiecare argument.
Elemente de teoria probabilităţilor 63
FX ( x ) = lim F( x , y) şi
y →∞
FY ( y) = lim F( x , y) .
x →∞
Y
X 2 6
1 0,20 0,10
3 0,05 0,15
4 0,45 0,05
7
c) să se calculeze F ,5 .
2
Rezolvare:
a) Variabila X are repartiţia:
1 3 4
X:
p1 p 2 p 3 , unde
1 3 4
X:
.
0,30 0,20 0,50
2 6
Analog, variabila Y are repartiţia Y: q q ,
1 2
unde
q 1 = p11 + p 21 + p 31 = 0,20 + 0,05 + 0,45 = 0,70
, adică
q 2 = p12 + p 22 + p 32 = 0,10 + 0,15 + 0,05 = 0,30
2 6
Y: 0,70 0,30 .
Elemente de teoria probabilităţilor 65
Avem: X+Y:
3 4 6 7 8 10
.
0,20 0,05 0,45 0,10 0,15 0,05
7 7
,5) = P(X < , Y < 5) = P[( X = 1, Y = 2) ∪ (X = 3, Y = 2)] =
2 2
=P(X=1,Y=2) +P(X=3,Y=2) = 0,20+0,05 = 0,25.
2) F'(x) = ρ( x ) a.p.t. pe R.
b
3) P(a ≤X<b) = ∫ ρ( x )dx
a
.
∞
4) ∫−∞
ρ( x )dx =1 .
Observaţie 1.9.3.
1. Pentru o variabilă de tip continuu P(X=a)= 0,
deci P(a ≤ X<b) = P(a<X<b) = P(a ≤ X ≤ b) = P(a<X<b)
b
= ∫ ρ( x )dx
a
.
2.
F ( x + ∆x ) − F ( x ) P ( x ≤ X < x + ∆x)
ρ ( x) = F ' ( x) = lim = lim
∆x →0 ∆x ∆x →0 ∆x
, deci când ∆x este mic avem P(x
≤ X < x + ∆x ) ≈ ρ( x ) ⋅ ∆x .
∂2 F( x , y)
2) = ρ( x , y) a.p.t. pe R 2 .
∂x∂y
2
3) P((X,Y) ∈ D) = ∫∫ ρ( x, y ) dx dy , D ⊂ R .
D
4) ∫∫ R2
ρ( x , y) dx ⋅ dy = 1 .
∞
5) ρX ( x ) = ∫ ρ( x , y)dy , ∀x ∈R ;
−∞
∞
ρY ( y ) = ∫ ρ( x, y ) dx , ∀y ∈R .
−∞
probabilitate dacă ρ( x, y ) ≥ 0 şi
2 3 1
k∫ ∫ xy 2 dxdy =1 , verificată pentru k = .
1 1 13
În acest caz funcţia de repartiţie va fi
26
1 1
1 ( x 2 − 1) , dacă y ∈ [1,2] şi y
2
1 , dacă x > 2 şi y >
şi deducem de asemenea că funcţiile de repartiţie
marginale sunt, respectiv,
Elemente de teoria probabilităţilor 69
0 , x <1
1 2
FX ( x) = ( x − 1) , x ∈ [1,2] ;
3
1 ,x>2
0 , y <1
1
FY ( y ) = ( x 2 − 1) , y ∈ [1,3]
3
1 , y >3
Demonstraţie:
Presupunem că variabilele aleatoare X şi Y sunt
independente, atunci F(x, y) = FX(x) FY(y). Derivăm
această relaţie în raport cu x şi respectiv y, rezultă că
∂ F ( x, y )
ρ( x, y ) = = FX/ ( x ) FY/ ( y ) = ρX ( x ) ρY ( y )
∂x∂y
x y x y x y
F ( x, y ) = ∫ ∫ ρ( s, t )dsdt
−∞ −∞
=∫ ∫ρ
−∞ −∞
X ( s ) ρY (t ) dsdt = ∫ρ
−∞
X ( s ) ds ∫
−∞
Demonstraţie:
Scriem funcţia de rapartiţie FZ a variabilei
aleatoare Z.
FZ ( x ) = P ( Z < x ) = P ( X +Y <) = ∫ ∫ ρ(u, v)dudv
u +v <x
+∞ x −u
FZ ( x ) = ∫[ ∫ ρ(u, v)dv ]du care prin derivare
−∞ −∞
conduce la:
+∞ x −u +∞
∂
ρZ ( x ) = F ( x ) = ∫ [ ∫ ρ(u , v ) dv ]du = ∫ ρ(u , x − u ) du
Z
/
−∞
∂x −∞ −∞
Elemente de teoria probabilităţilor 71
Observaţie 1.10.3.
1) Dacă X,Y sunt independente, atunci:
∞
ρz ( x ) = ∫ ρX ( u ) ⋅ ρY ( x − u )du , ∀x ∈ R .
−∞
2) Dacă U= X ⋅ Y , atunci
∞ x du
ρU ( x ) = ∫ ρ( u , ) , ∀x ∈R .
−∞ u u
X
3) Dacă V= , atunci
Y
∞
ρV ( x ) = ∫ ρ( xu , u ) ⋅ u du , ∀x ∈R .
−∞
Demonstraţie:
Presupunem că g este strict crescătoare şi avem:
FY ( x ) = P (Y < x ) = P ( g ( X ) < x) = P ( X < g −1 ( x )) = FX ( g −1 ( x ))
Prin derivare se obţine că:
72 Elemente de teoria probabilităţilor şi statistică matematică
ρ X ( g −1 ( x))
ρY ( x) = F ( x) = ( g ( x)) F ( g ( x)) = / −1
Y
/ −1 / /
X
−1
g ( g ( x ))
Deoarece g este crescătoare, avem g/>0, deci
ρ X ( g −1 ( x))
ρY ( x) =
g / ( g −1 ( x))
Exemplul 1.10.5. Se consideră variabila
aleatoare X de tip continuu, care are densitatea de
probabilitate ρ( x ) = a ⋅ e
−x
, ∀x ∈R unde a ∈ R . Să se
determine:
a) parametrul real a;
b) funcţia de repartiţie a variabilei
aleatoare X;
c) probabilităţile
P(0 <X <2) şi P(X <0 X ∈[-2,2]).
Rezolvare:
a) Deoarece funcţia ρeste o densitate de
probabilitate, rezultă că
+∞
ρ( x ) ≥ 0, de unde a > 0, şi se impune ca ∫-∞
ρ(x)dx = 1
.
Elemente de teoria probabilităţilor 73
Avem:
+∞ ∞ +∞
a∫ dx = 2a ∫ e −x dx = −2a (e −x )
−x
e 0
= 2a
-∞ 0
1
Rezultă: 2a=1, de unde a = .
2
b) folosind densitatea de probabilitate avem:
1 x
e , d aă cx≤ 0
x 1 x − t 2
F(x) = ∫ ρ (t)d t= ∫ e d t=
2 −∞ 1 - 1 e − x , d aă cx> 0
−∞
2
Dacă
1 x t 1 1 x
∫
x
x ≤ 0, atunci şi t ≤ 0 iar F(x) = e dt = e t −∞
= e
2 −∞ 2 2
.
Dacă x>0, atunci F(x) =
1 0 t 1 x 1 1 1 −x
∫ e dt + ∫ e −t dt = + ( −e −t )
x
0
=1 − e .
2 −∞ 2 0 2 2 2
c) Folosind funcţia de repartiţie avem:
74 Elemente de teoria probabilităţilor şi statistică matematică
1 1 1 1
P(0 < X < 2) = F(2) - F(0) = 1 - e −2 − = 1 − 2
2 2 2 e
.
A doua probabilitate este o probabilitate
condiţionată, deci
P( X < 0,−2 ≤ X ≤ 2)
P( X < 0 X ∈[ −2,2]) = P(X < 0 −2 ≤ X ≤ 2) = =
P( −2 ≤ X ≤ 2)
unde
1 1 −2 1 1
P(−2 ≤ X < 0) = F(0) − F(−2) = − e = 1 − 2
2 2 2 e
1 1 1
P(−2 ≤ X ≤ 2) = F( 2) − F(−2) = 1 − e −2 = e −2 = 1 − 2
2 2 e
1
Se obţine: P(X < 0 X ∈[−2,2]) = .
2
Exemplul 1.10.6. Se consideră funcţia
f ( x ) = 3x 2 −1, x ∈[1,3] .
3
P X < .
2
Rezolvare:
a) Analizând cele două condiţii ale unei densităţi
de probabilitate se obţine:
1) f ( x ) = 3x 2 −1 ≥ 0 dac ă x ∈[1,3]
3 3
2) ∫
1
f ( x )dx = ∫ (3x 2 −1)dx = 24 ≠ 1 , deci
1
1 1
definim ρ( x ) = f (x) = (3x 2 −1), x ∈[1,3] , atunci
24 24
obţinem ρ( x ) care este o densitate de probabilitate.
c) Pentru a calcula probabilităţile cerute se poate
proceda în două moduri:
1) folosind funcţia de repartiţie F(x). Această
funcţie este:
76 Elemente de teoria probabilităţilor şi statistică matematică
0 ,d aăc x < 1
1
F(x) = (x 3 − x) ,d aăc x∈ [ 1 , 3 ]
24
1 ,d aăc x > 3
De aici
1 1
P (1 ≤ X ≤ 2) = F(2) − F(1) = ( 2 3 − 2) =
24 4
3 1 3 3 3 3 5
P X < = − = F =
2 24 2
2 2 64
3 3 5
P X < = ∫ 2 ρ( x )dx =
2 1 64
xi
distribuţia
X ,i ∈ I . Se numeşte valoare medie,
pi
caracteristica numerică M ( X) = ∑
i∈I
x i pi .
Observaţii 1.11.2.
1) Dacă I este finită, valoarea medie există.
2) Dacă I este infinit numărabilă, M(X) există
când seria care o defineşte este absolut convergentă.
Elemente de teoria probabilităţilor 79
x
continuu
X , x ∈ R . Se numeşte valoarea medie
ρ (x)
a variabilei X, caracteristica numerică
+∞
M(X) = ∫ x ρ(x)dx . Valoarea medie există atunci
−∞
Demonstraţie:
a) Fie variabilele aleatoare de tip discret X, Y
x yj
având repartiţiile X
p , Y
i
q
i i∈I j∈J
j
1. Avem
M ( aX + b) = ∑ (ax i + b) pi = ∑ ax i p i + ∑bp i = aM ( X ) + b
i∈I i∈I i∈I
ax i + b
dacă variabila aX + b are repartiţia aX + b
pi i∈I
şi ∑p
i∈I
i =1.
xi + y j
X +Y
p
, pij = P ( X = xi , Y = y j )
ij ( i , j )∈I ×J
Rezultă
Elemente de teoria probabilităţilor 81
= ∑xi pi + ∑y j q j = M ( X ) + M (Y )
i∈I j∈J
xi y j
XY
p q
dacă X şi Y sunt independente.
i j ( i , j )∈I ×J
Avem
M ( XY ) = ∑∑xi y j pi q j = ∑xi pi ∑y j q j = M ( X ) M (Y )
i∈I j∈J i∈I j∈J
x −b
ρX ( )
ρY ( x) = a , pentru orice x ∈ R.
a
Avem:
+∞ +∞
1 x −b
M ( aX + b) = M (Y ) = ∫ xρY ( x)dx =
−∞
a ∫ xρ
−∞
Y (
a
) dx
+∞ +∞ +∞ +∞ +∞ +∞
= ∫ t ( ∫ ρ(u, t )du )dt + ∫ u ( ∫ ρ(u, t )dt )du = ∫ tρ
−∞ −∞ −∞ −∞ −∞
X (t )dt + ∫ uρZ (u
−∞
+∞ +∞ +∞ +∞
= ∫
−∞−∞
∫ tu ρX (u ) ρY (t )dtdu = ∫ uρX (u )du
−∞ −∞
∫ tρ Y (t ) dt = M ( X ) M (Y )
Dispersia
Definiţie 1.11.5. Se numeşte dispersia (varianţa)
variabilei aleatoare X, caracteristica numerică
[
D 2 (X) = M ( X − M (X) )
2
] iar σ(X) = D 2 (X) se
numeşte abatere medie pătratică.
84 Elemente de teoria probabilităţilor şi statistică matematică
D 2 ( X ) = ∑( xi − M ( X ) ) ⋅ pi , I ⊂ N , dacă X este o
2
i∈I
D 2 ( X ) = ∫ ( x − M ( X ) ) ρ( x) dx ,
2
dacă X este o
R
Demonstraţie:
a)
[ ] [
D 2 ( X ) = M ( X − M ( X )) = M X 2 − 2M ( X ) X + ( M ( X ))
2 2
]
= M ( X 2 ) − 2 M ( X ) M ( X ) + [ M ( X )] = M ( X 2 ) − [ M ( X )]
2 2
Elemente de teoria probabilităţilor 85
[
D2 ( X + Y ) = M ( X + Y − M ( X + Y )) = M ]
[( ( X − M ( X )) + (Y − M (Y ))
2
= M [( X − M ( X ) ) + ( Y − M (Y ) ) + 2( X − M ( X ) )( Y − M (Y ) ) ] =
2 2
= M [( X − M ( X ) ) ] + M [( Y − M (Y ) ) ] + 2 M ( X − M ( X ) ) M ( Y − M (Y ) )
2 2
= D 2 ( X ) + D 2 (Y )
− 2 −1 0 1 2 3
X : 1 2 2 5 1 1
12 12 12 12 12 12
atunci deducem că:
86 Elemente de teoria probabilităţilor şi statistică matematică
1 2 2 5 1 1 1
M ( X ) = −2 −1 + 0 +1 + 2 +3 =
12 12 12 12 12 12 2
1 2 2 5 1 1
M (X 2) = 4 +1 + 0 +1 + 4 +9 =2
12 12 12 12 12 12
1 7
D 2 ( X ) = M ( X 2 ) − [ M ( X )] = 2 −
2
=
4 4
7
σ( X ) = D2 ( X ) =
2
Aplicaţia 1.11.8. Dacă X este variabilă aleatoare
continuă
x
x , x ∈ [1,3]
X :
ρ( x )
, ρ ( x) = 4
0, în rest
atunci deducem că:
3
3 x3 13
M ( X ) =∫ xρ( x ) dx = = ,
1 12 1
6
3
3 x4
M ( X 2 ) = ∫ x 2 ρ( x ) dx = =5
1 16 1
169 11
D 2 ( X ) = M ( X 2 ) − [ M ( X )] = 5 −
2
=
36 36
11
σ( X ) = D2 ( X ) =
6
Elemente de teoria probabilităţilor 87
Momente
Definiţie 1.11.9. Se numeşte moment iniţial
(obişnuit) de ordin k al variabilei aleatoare X,
caracteristica numerică σ k = M (X k )
Observaţie 1.11.10. Pentru k=1 avem
σ1 = M (X) iar pentru k=2, D 2 ( X ) = σ 2 − σ12
xi = 1 atunci σ k = ∑xik pi
repartiţia X : , ∑p i
pi i∈I i∈I i∈I
x
atunci σk = ∫ x ρ( x) dx
k
X :
ρ( x)
x∈R R
numerică [
µ k = M ( X − M(X) ) ,
k
] adică
∑ ( xi − M ( X ) ) k ⋅ pi , X discretă
i∈ I
µk =
∫ ( xi − M ( X ) ) ρ ( x)dx , X continuă
k
R
Observaţie 1.11.12. Pentru k=1 avem µ1 = 0 ,
k
µ k = ∑( −1) i C ik σk −i σ1i .
i =0
Demonstraţie:
Avem
[ ] [ ] k
µk = M ( X − M ( X ) ) k = M ( X − σ1 ) k = M ∑Cki X k −i (−σ
i=0
k k k
= M ∑(−1)i Cki X k −iσ1i = ∑(−1)i Cki M ( X k −i )σ1i = ∑(−1
i=0 i=0 i =0
Elemente de teoria probabilităţilor 89
∑ ∑ ( xi − M ( X ) ) r ( y j − M (Y ) ) s pij , ( X , Y ) disc
i∈I j∈J
µ rs =
∫ (∫x − M ( X ) ) ( y − M (Y ) ) ρ ( x, y )dxdy , (X, Y) cont
r s
R2
Observaţie 1.11.17.
σ1 o = M ( X), σ0 1 = M ( Y), µ2 0 = D 2 ( X), µ0 2 = D 2 ( Y)
90 Elemente de teoria probabilităţilor şi statistică matematică
m
∑ i i ∑ j j ∑∑aib j C ( X i , Y j ) ,
n m n
C a X , b Y =
i =1 j =1 i =1 j =1
oricare ar fi variabilele aleatoare Xi şi Yj şi oricare ar fi
constantele reale ai şi bj, 1 ≤ i ≤ m , 1 ≤ j ≤ n
C ( X , Y ) =C (Y , X ) , oricare ar fi X şi Y.
C( X , Y )
r(X, Y)=
D (X) D 2 (Y)
2
Observaţie 1.11.21.
1) X, Y independente ⇒ r ( X, Y) = 0 reciproc
nu este adevărat;
2) Spunem că X,Y sunt necorelate dacă r(X,Y)
=0
Proprietăţi:
a) r ( X, Y ) ≤1
b) r ( X , Y ) = +1 ⇔Y = a X + b, a > 0
c) r ( X , Y ) = −1 ⇔Y = aX + b, a < 0
Observaţie 1.11.21. În practică se mai spune că:
1) X şi Y sunt pozitiv perfect corelate dacă
r ( X , Y ) =1 ;
9 8 7 16 2
M ( X 2 ) =1 +0 +1 = =
24 24 24 24 3
2 1 95
D( X 2 ) = M ( X 2 ) − [ M ( X )]2 = − =
3 144 144
Elemente de teoria probabilităţilor 93
6 7 8 3 8 1
M (Y ) = −1 +0 +1 +2 = =
24 24 24 24 24 3
6 7 1 3 26 13
M (Y 2 ) = 1 +0 +1 +4 = =
24 24 24 24 24 12
13 1 35
D (Y 2 ) = M (Y 2 ) − [ M (Y )] 2 = − =
12 9 36
1 1 1 1 1 1 1 1
M ( XY ) = −1 ⋅ −1 + 0 +1 + 2 + 0 ⋅ −1 + 0 +1 + 2
6 12 12 24 24 6 12 24
1 1 1 1 5
+ 1 ⋅ −1 +0 +1 + 2 =
24 24 6 24 24
5 1 17
C ( X , Y ) = M ( XY ) − M ( X ) M (Y ) = + =
24 36 72
17
C ( X ,Y ) 12
r ( X ,Y ) = = ≈ 0,295
D 2 ( X ) D 2 (Y ) 95 35
⋅
144 36
Observaţie 1.11.23. Coeficientul de corelaţie
r ( X ,Y ) reprezintă prima măsură a corelaţiei sau
gradului de dependenţă în sens clasic. Introdusă de către
statisticianul englez K. Pearson în anul 1901 ca rod al
colaborării acestuia cu antropologul englez F. Galton
94 Elemente de teoria probabilităţilor şi statistică matematică
M ( Z ) = M ( X 1 , X 2 ,..., X n ) = ( M ( X 1 ), M ( X 2 ),..., M ( X n ) )
.
96 Elemente de teoria probabilităţilor şi statistică matematică
1 1 1 3
p111 = ; p112 = ; p121 = ; p122 = ;
16 16 32 32
1 1 1 5
p211 = ; p212 = ; p221 = ; p222 = .
8 4 16 16
Să se determine repartiţiile bidimensionale şi
unidimensionale ale vectorului aleator tridimensional
Z = ( X 1 , X 2 , X 3 ) şi matricele de corelaţie C (Z ) şi
R (Z ) .
Rezolvare:
Avem imediat repartiţiile bidimensionale
1 1
p = p + p
1 1• 1 1 1 1 1 2 8 = p1 2• = p1 2 +1 p1 2 2=
8
3
;
3
p2 •1 = p2 1 +1 p2 1 2= p2 2• = p2 2 +1 p2 2 2=
8 8
pentru ( X 1 , X 2 )
Elemente de teoria probabilităţilor 99
3
p1•1 = p111 + p121 = 32
8
;
p2•1 = p211 + p221 =
16
5
p1• 2 = p112 + p122 =
32 pentru ( X , X )
9 1 3
p2 • 2 = p212 + p222 =
16
3
p•11 = p111 + p211 = 16
3
;
p• 21 = p121 + p221 =
32
5
p•12 = p112 + p212 =
32 pentru ( X , X )
13 2 3
p• 22 = p122 + p222 =
32
şi ca urmare putem scrie următoarele tabele de repartiţie
bidimensionale:
X2 X3 X3
1 3 pi 2 4 pi 2 4 qi
X1 X1 X2
100 Elemente de teoria probabilităţilor şi statistică matematică
55 101 207
M (X3) = ; M ( X 32 ) = ; D2 ( X 3 ) =
16 8 256
M ( X 1 ⋅ X 2 ) = 1 ; M ( X 1 ) M ( X 2 ) =1 ; C ( X 1 , X 2 ) = 0 ;
r ( X1, X 2 ) = 0
29 55
M ( X1 ⋅ X 3 ) = ; M ( X1 )M ( X 3 ) = ;
16 32
3 3
C ( X1, X 3 ) = ; r ( X1, X 3 ) = ≈ 0,12
32 207
113 55
M (X2 ⋅ X3) = ; M ( X 2 )M ( X 3 ) = ;
16 8
3 3
C( X 2, X 3) = ; r( X 2 , X 3 ) = ≈ 0,21
16 207
Elemente de teoria probabilităţilor 101
1 0 0,12
R (Z ) = 0 1 0,21
0,12 0,21 1
1
continuă atunci M e se determină din ecuaţia F(Me) =
2
.
102 Elemente de teoria probabilităţilor şi statistică matematică
a +b
2. Dacă M e ∈(a, b] atunci se ia M e =
2
Definiţie 1.11.29. Se numeşte valoare modală
sau modul a variabilei aleatoare X orice punct de maxim
local al distribuţiei lui X (în cazul discret) respectiv al
densităţii de probabilitate (în cazul continuu).
Observaţie 1.11.30. Dacă există un singur punct
de maxim local spunem că legea lui X este unimodală
altfel o numim plurimodală.
Definiţie 1.11.31. Se numeşte asimetria
(coeficientul lui Fischer) variabilei aleatoare X
µ3
caracteristica numerică definită prin s = .
σ3
Definiţie 1.11.32. Se numeşte exces al variabilei
aleatoare X, caracteristica numerică definită prin
µ4
e= − 3.
σ4
Observaţie 1.11.33.
1) Dacă e<0 atunci graficul distribuţiei are un
aspect turtit şi legea se numeşte platicurtică.
Elemente de teoria probabilităţilor 103
1 1
F (q1 ) ≤ 4 F ( q2 ) ≤ 2
1 1
F (q1 + 0) ≥ F ( q2 + 0) ≥
4 2
3
F (q3 ) ≤ 4
3
F (q3 + 0) ≥
4
Observăm că q2 = M e .
Exemplul 1.11.35. Se consideră variabila
−1 0 2
aleatoare X :
.
0,2 0,3 0,5
104 Elemente de teoria probabilităţilor şi statistică matematică
D 2 ( X), σX .
Rezolvare:
3
M (X) = ∑ x i p i = −1 ⋅ 0,2 + 0 ⋅ 0,3 + 2 ⋅ 0,5 = 0,8
i =1
σX = D 2 ( X) = 1,56 = 1,24
1 − 1 − x , d aă cx∈ ( 0 , 2 )
ρ (x) =
0 a, l t f e l
Rezolvare:
Elemente de teoria probabilităţilor 105
x, d aă c0 < x ≤ 1
Observăm că: ρ ( x ) = 2 - x d, aă 1c < x < 2
0 a, l t f e l
Ţinând seama de definiţie avem:
+∞ 1 2 x3 x3
M (X ) = ∫ x ρ(x)dx = ∫ x 2 dx + ∫ x ( 2 − x )dx =
1 2 2
0
+ x2 1
− 1
=
−∞ 0 1 3 3
+∞ 1 2 x4 x3 x
M(X 2 ) = ∫ x 2 ρ( x )dx = ∫ x 3 dx + ∫ x 2 ( 2 − x )dx =
1 2
0
+2 1
−
−∞ 0 1 4 3
7 1
D 2 ( X ) = M ( X 2 ) − [ M ( X )] =
2
−1 =
6 6
Exemplul 1.11.37. Fie vectorul aleator (X,Y) cu
densitatea de probabilitate
0, î nr e s t
a) să se determine constanta k;
b) să se determine densităţile marginale;
106 Elemente de teoria probabilităţilor şi statistică matematică
1
(x + y + 1) , x∈ [ 0 , 1y ∈] [, 0 , 2 ]
Deci ρ ( x, y) = 5
0 î, nr e s t
b)
+∞ 1 2 2x + 4
ρX ( x ) = ∫
5 ∫0
ρ( x , y)dy = ( x + y +1)dy = , x ∈[0,1]
−∞ 5
2x + 4
, x ∈ [0,1]
⇒ ρ X (x) = 5
0, a l t f e l
Elemente de teoria probabilităţilor 107
+∞ 1 1 2y + 3
ρy ( y) = ∫ ρ( x , y)dx = ∫ ( x + y +1)dx = , y ∈[0,2]
−∞ 5 0 10
2y + 3
, y ∈ [0,2]
⇒ ρ Y ( y) = 1 0
0, a l t f e l
c) X şi Y nu sunt independente deoarece:
ρ( x , y) ≠ ρX ( x ) ⋅ ρY ( y)
d)
+∞ +∞ +∞ 1 1
M(X) = ∫ ∫ xρ( x , y)dxdy = ∫
5 ∫0
xρX ( x )dx = x ( 2 x + 4)d
−∞ −∞ −∞
+∞ +∞ +∞ 1 2
M(Y) = ∫ ∫ ρ( x , y)dxdy = ∫ yρY ( y)dy = ∫ y( 2 y + 3)dy
−∞ −∞ −∞ 10 0
+∞ 1 1 2 11
σ2 ( X ) = M (X 2 ) = ∫ x 2 ρX ( x )dx = ∫ x ( 2 x + 4)dx =
−∞ 5 0 30
+∞ 1 2 8
σ2 (Y) = M (Y 2 ) = ∫ y 2 ρY ( y)dy = ∫ y 2 ( 2 y + 3)dy =
−∞ 10 0 15
11 64 37
D 2 ( X ) = M ( X 2 ) − [ M (X )] =
2
Deci − =
30 225 450
8 289 71
D 2 (Y) = M( Y 2 ) − [ M (Y)] =
2
− =
5 225 225
108 Elemente de teoria probabilităţilor şi statistică matematică
+∞ +∞ 1 1 2
M ( X ⋅Y ) = ∫ ∫ xy ρ(x, y)dxdy = ∫ dx ∫ xy ( x + y +
−∞ −∞ 5 0 0
1 1 2 14 9
=
5 ∫ 0
2 x + x dx =
3 15
⇒C ( X , Y ) = M ( XY ) − M ( X
9 8 12 −1
= − ⋅ =
15 15 15 225
.
Se obţine:
1
−
C( X ,Y ) 225
r( X ,Y ) = = = −0,02758
σ X ⋅σY 37 71
⋅
450 225
Exemplul 1.11.38. Se ştie că, dacă două
variabile aleatoare X şi Y sunt independente, atunci
coeficientul lor de corelaţie este nul. Reciproca nu este
adevărată. Iată un vector aleator discret (X,Y), în care X
şi Y sunt dependente şi totuşi r = 0 .
Y
-1 1 2
X
0
1 2 3
16 16 16
1
2
Elemente de teoria probabilităţilor 109
2 0 2
16 16
1 2 3
16 16 16
Rezolvare:
Calculăm repartiţiile marginale:
0 1 2
X :
6 16 ;
4 16 6 16
−1 1 2
Y :
4 16
4 16 8 16
7 3 3
Avem: M (X) =1; M (X 2 ) = ; D 2 (X ) = ; σX =
4 4 2
5 3 10
M ( Y ) = 1; M (Y 2 ) = ; D 2 (Y ) = ; σY =
2 2 2
− 2 −1 0 2 4
X⋅Y: 1 2 6 4
3 , M(XY)=1
16 16 16 16 16
110 Elemente de teoria probabilităţilor şi statistică matematică
M(X ⋅ Y) - M(X)M(Y) 1 −1
⇒ r= = =0
σ X ⋅ σY 3 10
⋅
2 2
Exemplul 1.11.39. Fie X o variabilă aleatoare
care are densitatea de probabilitate definită prin:
0, x ∉ (0,2)
ρ ( x) = .
1/ 2, x ∈ (0,2)
a) Să se determine modulul şi mediana
b) Să se calculeze momentul de ordin k, σk ( x )
..
Rezolvare:
a) Conform definiţiei, M0 este valoarea pentru
care ρ( x ) → max . adică M 0 ∈(0,2) adică există o
infinitate de valori modale situate pe segmentul (0,2). Me
1
se determină din ecuaţia F ( M e ) = .
2
Elemente de teoria probabilităţilor 111
Cum
Me Me
F( M e ) = P( X < M e ) = ∫ ρ( x )dx = ⇒ M e = 1.
0 2
+∞ 1 2k
b) σk (X) = M (X k ) = ∫ −∞ x k ⋅ dx = .
2 k +1
(ϕ X j
)
(t ) = ϕ j (t ), j =1, m , atunci funcţia caracteristică a
3) Dacă Y = aX + b , a şi b ∈ R, atunci
ϕY (t ) = ϕX ( at )eitb
Elemente de teoria probabilităţilor 113
j =1 j =1
4) Observăm că
ϕ X( r ) (0) = i r M ( X r ) = i rσ r ( X )
Observaţie 1.12.5. Folosirea relaţiei de la
punctul 4) este recomandabilă doar atunci când
calcularea momentelor este mai comodă prin această
relaţie decât pornind direct de la definiţia acestora.
Aplicaţie 1.12.6.
−1 0 1
1) Dacă X :
1 6 1 2 1 3
atunci
1 1 1 it 2eit + e −it + 3
ϕ(t ) = e −it + + e =
6 2 3 6
x
2) Dacă X : , x ∈[0,1] atunci
2x
1
2 − 2ix itx
ϕ(t ) = ∫ 2 xe itx dx = e
0
e2
Elemente de teoria probabilităţilor 115
x
3) Dacă X : −x , x ≥0 atunci
e
∞
1 + it
ϕ(t ) = ∫ e −x eitx dx =
0
1 +t2
3) Dacă Y = aX + b , a şi b ∈ R, atunci
GY (t ) = G X (at ) ⋅ etb
4) Dacă X admite momente iniţiale de orice
ordin, atunci funcţia generatoare admite derivate de orice
Aplicaţie 1.12.9.
−1 0 1
1) Dacă X :
1 6 1 12 atunci
2 3
1 −t 1 1 −t 2e −t + e −t + 3
G (t ) = e + + e =
6 2 3 6
x
2) Dacă X : −λx , x ≥ 0 , λ > 0 atunci
λ e
∞
λ
G (t ) = λ∫ e −λx etx dx = , dacă t < λ
0
λ −t
k
3) Dacă X :
C k p k q n −k
, p, q > 0 ,
n k =0, n
p +q =1 , atunci
n
G (t ) = ∑Cnk p k q n − k etk = ( pe t + q ) n
k =0
G ' (t ) = npe t ( pe t + q ) n −1 ;
k
X :
P ( n, k )
k n −k
k = 0, n , unde P( n, k ) = Cn p q
k
, iar
p ∈(0,1) , q =1 − p
2)
∑C
k =0
k
n p k qn−k = ( p + q ) n = 1 ( p + q =1)
Considerăm relaţia:
n
( pt + q ) n = ∑Cnk p k q n−k t k
k =0
pentru t=1
n
avem np = ∑kC n p q = M ( X )
k kq n −1
k =0
n n n
ϕX (t ) = M (eitX ) = ∑eitk P(n, k ) = ∑eitk Cnk p k q n −k = ∑Cnk ( pe it ) k q n −
k =0 k =0 k =0
k C k C n −k
X : k = 0, n , unde P(n, k ) = a n b , iar n ≤ min( ab )
P(n, k ) Ca + b
∑C
k =0
k
a Cbn−k = Can+b .
Demonstraţie:
Conform relaţiei de definiţie a valorii medii
avem
n
1 n
M(X)= ∑kP (n, k ) = ∑kC ak Cbn−k =
k =0 Can+b k =0
a n
Can+−b1−1 a
=
Can+b
∑Cak−−11Cbn−k = a
k −1
n
Ca +b
=n
a +b
= np
n n
1
M ( X 2 ) = ∑ k 2 P( n, k ) = ∑k 2
Cak Cbn−k =
k =0 Can+b k =0
a n
1 n n
Can+b
∑[k (k −1) + k ]C
k =0
k
a C n −k
b = n ∑ k ( k − 1)Ca Cb + ∑ kC ak C
Ca+b k =0
k n −k
k =0
a n
a (a −1) n k −2 n−k
(X ) = n
2
Ca +b
∑C
k =1
k −1
C
a −1
n−k
b + ∑Ca−2 Cb =
Can+b k =2
=
na b a +b −n N −n
= = npq
a + b a + b a + b −1 N −1
Repartiţia Poisson 1.13.8.
Spunem că variabila aleatoare X de tip discret
urmează legea lui Poisson, dacă are distribuţia
X:
k λk −λ
k = 0,1,2,... unde P(λ) = e , iar λ > 0
Pk (λ) k!
+∞ +∞
λk +∞
λk
∑ P ( λ) = ∑ k ! e λ = e λ ∑ k ! = e λ e λ = 1
k =0
k
k =0
− −
k =0
−
124 Elemente de teoria probabilităţilor şi statistică matematică
+∞
xk
dacă s-a avut în vedere dezvoltarea ex = ∑ , x∈
k =0 k!
R
Teorema 1.13.9. Valoarea medie şi dispersia
variabilei aleatoare X ce urmează legea lui Poisson sunt
egale cu λ ,adică M(X)=D2(X)= λ .
Demonsraţie:
Avem
M(X)
+∞ +∞
λk +∞
λk −1
= ∑kPk (λ) = e −λ ∑k = λe −λ ∑ = λe −λ e λ = λ
k =0 k =0 k! k =1 ( k −1)!
Calculăm
M(X 2)=
+∞ +∞
λk −1
∑k 2 Pk (λ) = λe −λ ∑k
k =0 k =1 (k −1)!
=
+∞
λk +∞ λk −1 +∞
λk −1
λe −λ ∑[( k −1) +1] ∑
= λe −λ ( k −1) + ∑
k =1 ( k −1)! k =1 ( k −1)! k =1 (k −1)!
Elemente de teoria probabilităţilor 125
+∞
λk −2 +∞
λk −1
λ2 e −λ ∑ + λe −λ ∑ = λ2 e −λ e λ +
k =2 ( k − 2)! k =1 ( k −1)!
λe −λ e λ = λ2 + λ
Obţinem
D 2 ( X ) = M ( X 2 ) − [ M ( X )] 2 = λ2 + λ − λ2 = λ.
Într-adevăr avem
+∞ +∞
λk +∞
(λeit ) k −λ λe it
ϕX (t ) = M (eitX ) = ∑eitk Pk (λ) = ∑eitk e −λ = e −λ ∑ e e
k =0 k =0 k! k =0 k!
n( n −1)...( n − k +1) λ k λ
lim P (n, k ) = lim ( ) (1 − ) n−k =
n →∞ n→∞ k! n k
λk n n −1 n − k +1 λ λ λk −λ
lim ... (1 − ) −k (1 − ) n = e
n→∞ k! n n n n n k!
Observaţia 1.13.12. Legea lui Poisson mai este
cunoscută şi sub numele de legea evenimentelor rare,
deoarece se întâlneşte în cazul evenimentelor cu
probabilitate de apariţie mică .
Repartiţia geometrică 1.13.13.
Spunem că variabilă aleatoare X urmează legea
geometrică, dacă are distribuţia:
k
X:
k=1,2,3,… unde p(k)=pq k −1
P (K )
,k=1,2,3,…
Probabilitatea P(k) satisface condiţiile:
1) P(k)=pq k −1 > 0 , k=1,2,…
+∞ +∞
1
2) ∑ P (k ) = p ∑q = p
k −1
=1
k =1 k =1 1− q
unde am avut în vedere seria geometrică convergentă
Elemente de teoria probabilităţilor 127
+∞
1
∑q
k =1
k −1
=
1− q
(0 < q < 1)
k =1 k =1 k =1
q / p 1
p (1 + 2q + 2q 2 + ...) = p (q + q 2 + q 3 + ...) / = p ( ) = =
1− q (1 − q ) 2
p
.
Calculăm
M(X
+∞ +∞ +∞
2
) = ∑k 2 P( k ) = ∑k 2 pq k −1 = p ∑k 2 q k −1 =
k =1 k =1 k =1
=
p (1 + 2 2 q + 32 q 2 +...) = p ( q + 2q 2 + 3q 3 +...) / = p[ q (1 + 2q + 3q 2 +...)]
128 Elemente de teoria probabilităţilor şi statistică matematică
1 1+q 1+q
= p(q )/ = p= 2 .
(1 − q ) 2
(1 − q ) 3
p
Obţinem D
1+ q 1 1 + q −1 q
2
( X ) = M ( X 2 ) − [ M ( X )] 2 = 2
− 2 = 2
= 2
p p p p
.
Observaţia 1.13.15. Funcţia caracteristică
asociată unei variabile aleatoare X ce urmează legea
geometrică este:
pe it
ϕX (t ) = .
1 − qe it
Într-adevăr avem
+∞
p +∞
ϕ X (t ) = M (eitX ) = ∑eitk pq k −1 = ∑ (eit q ) k =
k =1 q k =1
pe it
= pe it (1 + qe it + ( qe it ) 2 +...) = qe it <1 .
1 − qe it
k
X :
P ( −n, k )
n ∈N * k = n, n +1,...
unde P ( −n, k ) = C kn−−11 p n q k −n 0 < p <1 p + q =1
.
Sunt îndeplinite condiţiile unei funcţii de
probabilitate
1) P(-n,k)=C
n−1
k −1 p n q k − n > 0 , k = n, n + 1,... n ∈ N *
2)
+∞ +∞ +∞
∑P(−n, k ) = ∑C
k =n k =n
n −1
k −1 q k −n = p n ∑Ckn−−11q k −n = p n (1 − q ) −n = 1
k =n
+∞
n n( n +1) 2
−n
= ∑C kn−−11q k −n = 1 + q+ q + ... .
k =n 1! 2!
Teorema 1.13.17. Dacă X este o variabilă
aleatoare discretă care urmează legea binomială cu
130 Elemente de teoria probabilităţilor şi statistică matematică
Demonstraţie:
Avem M(X)=
+∞ +∞
qn nq n−1 n
=p q −n+1 ( n −n +1
n
) /
= p q = .
(1 − q ) n (1 − q ) n+1 p
Obţinem
Elemente de teoria probabilităţilor 131
n[ n − p + q ] n n 2 nq
D2 ( X ) = 2
+ − 2 = 2 .
p p p p
1
, dac ă x ∈[ a, b]
ρ( x ) = b − a
0 , dac ă x ∉[ a, b]
+∞ b
1
2) ∫ ρ( x)dx = ∫
−∞ a
b −a
dx =1
ρ( x)
1
b −a
0 a b x
0 ,x ≤a
x −a
F(x)= b − a , x ∈ (a, b]
1 ,x >b
Într-adevăr:
x x
- dacă
x a x
1 x −a
x ∈( a, b] F ( x ) = ∫ ρ(t )dt = ∫ 0dt + ∫
−∞ −∞ a
b −a
dt =
b −a
- dacă
x a b x
1
x > b , F ( x) = ∫ ρ(t )dt = ∫ 0dt + ∫
−∞ −∞ a
b −a ∫
+ 0dt =1
b
F ( x)
1
134 Elemente de teoria probabilităţilor şi statistică matematică
0 a b x
Demonstraţie:
Avem
+∞ +∞
1 1 b2 − a2 a + b
M (X ) = ∫ xρ( x)dx =
−∞
b − a −∫∞
xdx =
b −a 2
=
2
Avem
+∞ +∞
1 a 2 + ab + b 2
M ( X ) = ∫ x ρ( x)dx =
b − a −∫∞
2 2
x 2
dx ==
−∞
3
a 2 + ab + b 2 a + b 2 (b − a ) 2
rezult ă D 2 ( X ) = −( ) =
3 2 12
M ( X ) = ( a +b) 2 , avem valoarea mediană egală cu
valoarea medie .
Observaţia 1.13.23.
Elemente de teoria probabilităţilor 135
+∞ +∞ +∞
∫ ρ( x)dx = ∫ λe dx = −e Ι =1
−λx −λx
2) 0
−∞ 0
0 , dac ă x ≤0
F ( x ) =
1 −e
−λx
dac ă x >0
Demonstraţie:
Avem
+∞ +∞
1
∫ xρ( x)dx = λ ∫ xe dx =
−λx
M (X ) = .
−∞ 0
λ
Calculăm:
+∞ +∞
M (X 2) = ∫ x ρ( x)dx = ∫x λe −λx =
2 2
−∞ 0
+∞ +∞ +∞
1 +∞ 2 2 1
= λ ∫ x 2 (− e −λx )′dx = −x 2 e −λx Ι + 2 ∫ xe −λx dx =
λ ∫
xλe −λx
dx =
0
λ 0
0 0
λλ
Obţinem
2 1 1
D 2 ( X ) = M ( X 2 ) − [ M ( X )]2 = − 2 = 2 .
λ λ
2
λ
Observaţia 1.13.27.
Elemente de teoria probabilităţilor 137
λ
ϕX (t ) =
λ − it
Într-adevăr avem
+∞ +∞ +∞
e
∫e ρ( x) dx = ∫ e λe dx = λ ∫ e −( λ−it ) x dx = λ
−λx
ϕX (t ) = M (e itX
)= itx itx
−∞ 0 0
−
b)Deoarece avem
λ k!i k
ϕX( k ) (t ) = k =1,2,...
(λ − it ) k +1
ϕ X( k ) (0) k!
folosind relaţia σ k = ⇒ σ k = k k = 1,2,...
i k
λ
Repartiţia normală 1.13.28.
Spunem că variabila aleatoare X urmează legea
normală (legea lui Gauss)de parametri
m ∈R şi σ >0 , N ( m, σ)) dacă are densitatea de
probabilitate
( x − m) 2
1 −
ρ ( x) = e 2σ 2
, ∀ x∈R
σ 2π
În mod evident avem:
138 Elemente de teoria probabilităţilor şi statistică matematică
1) ρ( x) > 0 , ∀ x ∈R , σ >0
2)
+∞ +∞ ( x −m ) 2 +∞
1 − 2
∫−∞ρ( x)dx = σ 2π ∫e ∫e
−t 2
2σ 2
dx = dt = 1
−∞ π 0
x −m
t= , dx = σ 2dt .
σ 2
Demonstraţie:
Avem
+∞ +∞ ( x −m )2
1 −
M ( X ) = ∫ xρ ( x) dx = ∫ xe 2σ 2
dx .
−∞ σ 2π −∞
x −m
t= , dx = σ 2 dt .
σ 2
Rezultă
Elemente de teoria probabilităţilor 139
+∞ +∞ +∞
1 2m σ 2
σ 2 ∫ (m + σ 2t )e −t dt = ∫ e dt + ∫ te
2 2
−t −t 2
M (X ) = d
σ 2π −∞ π 0 π −∞
+∞ +∞ ( x −m ) 2
1 −
D ( X ) = ∫ ( x − m) ρ( x )dx =
2 2
∫ ( x − m)
2
e 2σ 2
dx =
−∞ σ 2π −∞
+∞ +∞ +∞
4σ 2 2σ 2 2σ 2 +∞ 2σ 2
∫ t e dt = − ∫ t (e )′dt = − ∫e
2 2 2
2 −t −t −t 2
= 2
te −t Ι + dt =
π 0 π 0 π 0 π 0
ρ(x
1 )
σ 2π
0 m−σ m m+σ x
140 Elemente de teoria probabilităţilor şi statistică matematică
− punctele de abscisă x =m −σ şi x =m +σ
şi are graficul
F ( x)
1
1
2
Elemente de teoria probabilităţilor 141
0 m x
x −u x −m
σ u2 0 u2 σ u2
1 − 1 − 1 −
F(X ) =
2π ∫
−∞
e 2
du =
2π ∫e
−∞
2
du +
2π ∫
0
e 2
du
x t2
1 x−m 1 −
⇒ F ( X ) = + Φ(
2 σ
) unde φ ( x) = ∫
2π 0
e 2 dt , ∀x ∈ R
b−m a−m
P ( a < X < b) = φ ( ) −φ( ) unde m = M (X ) σ 2 = D2 ( X )
σ σ
Demonstraţie:
Avem
1 b −m 1 a −m
P ( a < X < b) = F (b) − F ( a ) = [ + φ( )] −[ +φ( )
2 σ 2 σ
b −m a −m
= φ( ) −φ ( )
σ σ
Repartiţia gamma 1.13.34.
Spunem că variabila aleatoare X urmează legea
gamma cu parametri a,b>0 dacă are densitatea de
probabilitate
x
1 −
x a −1
e b
, dacă x > 0
ρ ( x) = Γ(a )b a
0 , dac ă x ≤ 0
Elemente de teoria probabilităţilor 143
+
∞
∫x
a −1
Γ( a ) = e −x dx .
0
2) ∫ ρ( x)dx =1
−∞
1
are expresia ϕX (t ) = , t ∈R
(1 − itb ) a
Într-adevăr
144 Elemente de teoria probabilităţilor şi statistică matematică
+∞ +∞ x
1 −
ϕX (t ) = M (e itX
) = ∫ e ρ( x)dx =
itx
∫e
itx
x a −1
e b
dx =
−∞
Γ(a )b a 0
+∞ 1 +∞
1 −( −it ) x 1 b
∫x ∫y
a −1 a −1 − y
= e b
dx = ( )a e dy
Γ(a )b a 0
Γ(a )b 1 − itb
a
0
folosind relaţia
ϕ X( k ) (0)
σk = k
= b k ( a + 1)(a + 2)...(a + k − 1) ∀ k = 1,2,...
i
În particular , găsim
M ( X ) =ba , M ( X 2 ) =b 2 a ( a +1) şi apoi D 2 ( X ) =M ( X 2 ) −[ M ( X )] 2 =
1
B (a, b) = ∫ x a −1 (1 − x )b −1 dx
0
+∞ 1
1 B ( a, b)
∫ ρ( x)dx =
−∞
∫
B( a, b) 0
x a −1 (1 − x) b−1 dx =
B ( a, b)
=1
+∞ 1
1
σk = M ( X k ) = ∫ x ρ( x)dx = ∫ x k x a −1 (1 − x) b−1 dx =
k
−∞
B ( a, b) 0
1
1 B ( a + k , b) a ( a +1)...( a + k −
= ∫
B ( a, b) 0
x a +k −1 (1 − x ) b−1 dx =
B (a, b)
=
(a + b)( a + b +1)...( a + b
În particular se obţine
a a (a + 1)
M ( X ) = σ1 = , M ( X 2 ) = σ2 =
a +b ( a + b) 2 (a + b + 1)
ab
şi D 2 ( X ) = M ( X 2 ) − [ M ( X )] 2 =
(a + b) 2 ( a + b + 1)
n n ∫ x2 e 2σ 2
dx , dac ă x > 0
ρ( x) = Γ( )σ n 2 2 0
2
0 , dac ă x ≤ 0
1) ρ( x) ≥0 ∀ x ∈R
2)
n
+∞ +∞ x +∞ n Γ(
22σ n
n
1 −1 −1
∫ ρ( x)dx = ∫x ∫t
−t
n
2
e 2σ 2
dx = n
2
e dt =
n n n 2 Γ(
−∞
Γ( )σ n 2 2 0
Γ( )σ 2 0
2 2
dacă s-a făcut schimbarea de variabilă
t = x 2σ 2 .
n x
+∞ +∞ −1 − 2 +∞ n x
k 2σ
x x e 2
1 − 2
σ k = ∫ x ρ ( x) dx = ∫
k
n
dx = n ∫
x 2+k −1
e 2σ
dx =
n n
−∞ 0
Γ( )σ 2n
n 2
Γ( )σ 2n 2 0
2 2
n
Γ( + k )
2 n n n
2 σ
k 2k
= 2 k σ 2 k ( + 1)...( + k − 1) = σ 2 k n( n + 2)( n + 4)
n 2 2 2
Γ( )
2
În particular se obţine
M ( X ) = σ 1 = nσ 2 , M ( X 2 ) = σ 2 = n(n + 2)σ 4 respectivD 2 ( X ) = σ 2 − σ 12 =
Observaţia 1.13.43. Funcţia de repartiţie
asociată unei variabile aleatoare X ce urmează legea χ2
(hi-pătrat)este de forma
F ( x) = P ( X < x) = P( χ 2 < χq2 ) = F ( χq2 ) =
x q2 n x
1 −
n
n ∫x 2 −1
e 2σ 2
dx = 1 − P ( χ 2 > χq2 ) = 1 − q
Γ( )σ n 2 2 0
2
Elemente de teoria probabilităţilor 149
+∞ n x
1 −1 −
q = P( χ > χ ) = ∫x
2 2 2σ 2
q n
2
e dx
n
Γ( )σ n 2 2 x q2
2
şi ele au semnificaţia prezentată în desenul
F ( x) = F ( x 2 )
q = P ( x 2 > xq )
0 xq2 e = x2
Γ( a )Γ(b) 1
B ( a, b) = , Γ( ) = π
Γ( a +b) 2
1
de probabilitate capătă forma ρ ( x) = , x∈R ,
π (1 + x 2 )
n +1
+∞ +∞ Γ( ) n +1
2 x2 −
σk = σ2 p = ∫ x 2 p ρ( x)dx = ∫ x 2 p (1 + ) 2 dx =
n n
−∞ −∞ nπ Γ( )
2
n +1 n +1
2Γ( ) +∞ 2 n +1 n p Γ( ) 1 n − p −1 1
2 x −
2 p+ −
n ∫0 n ∫0
= x 2p
(1 + ) 2
dx = y 2
(1 − y ) 2
nπ Γ( ) 2 π Γ( )
2 2
n +1 n 1
n p Γ( ) n p Γ( − p )Γ( p + )
n
2 B ( − p, p + ) = 1 2 2
=
n 2 2 n
π Γ( ) π Γ( )
2 2
r +s r
Γ( ) r s −1
2 x 2
r s
2 2
r +s
, dacă x ≥ 0
ρ ( x) = Γ( r )Γ( s )
2 (rx + s ) 2
2
0 , dacă x < 0
unde s,r>0.
Sunt verificate condiţiile unei densităţi de
probabilitate adică
1) ρ( x) ≥0 ∀x ∈R în mod evident
2)
r +s r
+∞ +∞ Γ( ) r s −1
2 x 2
∫ ρ( x)dx = ∫0 r s r s 2 2
r +s
dx =
−∞ Γ( )Γ( ) ( rx + s ) 2
2 2
r +s r s
Γ( ) 1 r −1 s
−1
B( , )
2 2 2 =1
s ∫
= y 2 (1 − y ) 2 dx =
r r s
Γ( )Γ( ) 0 B( , )
2 2 2 2
unde s-a făcut schimbarea de variabilă y = rx (rx + s ).
Observaţia 1.13.48. Pornind de la definiţia
momentului de ordin k, avem:
154 Elemente de teoria probabilităţilor şi statistică matematică
r s r
+∞ +∞ −1
r 2s2 x2
σ k = M ( X k ) = ∫ x k ρ( x)dx = ∫x
k
r +x
dx =
r s
−∞ B( , ) 0
(rx + s ) 2
2 2
r s
+∞ r s B( + k , − k ) Γ(
sk 1 −k −1 −k −1 sk 2 2 s
= k
r B( r , s ) ∫y 2
(1 − y 2
) dy = k
r r s
= ( )k
r
0 B( , )
2 2 2 2
Particularizând pe k se obţine
s s2 r +2
σ1 = M ( X ) = ,s > 2 ,σ 2 = M ( X 2 ) = ,s > 4
s −2 r ( s − 2)( s − 4)
2 s 2 ( s + r − 2)
respectiv D2 ( X ) = ,s > 4
r ( s − 2) 2 ( s − 4)
D 2 (X)
P( X − M (X ) < ε) ≥ 1 − sau inegalitatea
ε2
D2 ( X )
echivalentă cu aceasta P ( X − M ( X ) ≥ ε ) ≤ .
ε2
Demonstraţie:
Presupunem că X este o variabilă aleatoare de
tip continuu, având densitatea de probabilitate ρ( x) .
Atunci
+∞
D2 ( X ) = ∫ ( x − M ( X )) ρ( x)dx ≥ ∫ ( x − M ( X )) 2 p ( x)dx
2
−∞ D
unde D = {x / x −M ( X ) } ≥ ε , deoarece
x −M ( X ) ≥ε , avem că ( x − M ( X )) 2 ≥ ε . Deci, avem
∫ ( x − M ( X )) ρ( x)dx ≥ ε 2 ∫ ρ( x) dx = ε 2 P ( X − M ( X ) ≥ ε )
2
D D
D2 ( X )
P( X − M ( X ) < ε ) = 1 − P( X − M ( X ) ≥ ε ) ≥ 1 −
ε2
Definiţie 1.14.2. Spunem că şirul de variabile
lim P( X n − X < ε) = 1 .
n →∞
aleatoare X şi notăm X n
→ X dacă lim Fn ( x ) = F( x )
r
n →∞
2) X n r → a , a ∈ R ⇒ X n p → a
Definiţie 1.14.6. Spunem că şirul de variabile
aleatoare (X n ) n ≥1 urmează legea numerelor mari dacă
pentru orice ε > 0 avem
1 n 1 n
lim P ∑X k − ∑ M ( X k ) < ε = 1 adică
n →∞
n k =1 n k =1
1 n 1 n
∑ k n∑
n k =1
X −
k =1
M(X k )
→p
0.
1 2 n
lim 2
D ∑ X k = 0 atunci acesta urmează legea
n →∞ n
k =1
numerelor mari.
Demonstraţie:
Elemente de teoria probabilităţilor 159
1 n
variabila X = ∑ X k avem pentru ∀ ε > 0,
n k =1
1 n 1 n
1 ≥ P ( X − M ( X ) < ε ) = P ∑ X k − ∑ M ( X k ) < ε ≥ 1 − 2 2 D 2
1
n k =1 n k =1 n ε
1 n 1 n
lim P ∑ X k − ∑ M ( X k ) < ε = 1 .
n →∞
n k =1 n k =1
Teorema lui Cebîşev 1.14.8. Dacă şirul
(X n ) n ≥1 de variabile aleatoare independente două câte
1 2 n 1 n
1 n
L
2
D ∑ Xk = 2 ∑ D2(X k ) ≤ ∑L= n →0 când
n k =1 n k =1 n2 k =1
160 Elemente de teoria probabilităţilor şi statistică matematică
1 n
M ( X k ) = m, k ≥ 1 ⇒ lim P ∑ X k − m < ε = 1 .
n →∞
n k =1
Acest rezultat explică de ce, în practică, putem
face afirmaţii asupra unei populaţii statistice pe baza unei
selecţii sau a unui sondaj având un volum de observaţii
mic în raport cu acela al întregii populaţii. Explicaţia are
la bază faptul că selecţia implică un număr de măsurători
suficient prin el însuşi. Din acest punct de vedere se
apreciază că teorema lui Cebîşev se află la baza teoriei
selecţiei şi afirmaţia nu este exagerată.
De asemenea, rezultă că între comportarea
fiecărei variabilei aleatoare şi a mediei aritmetice a
acestora există o mare deosebire în sensul că deşi nu
putem preciza ce valoare va lua fiecare dintre variabilele
aleatoare considerate, suntem în măsură să afirmăm cu o
Elemente de teoria probabilităţilor 161
m 1 n
lim P − ∑ p k < ε = 1, ∀ε > 0, şi unde m este
n →∞
n n k =1
numărul apariţiilor lui A în primele n repetări.
Demonstraţie:
Considerăm Xk variabila care indică apariţia
evenimentului A la repetarea de rang k a experimentului
0 1
Xk
q
unde p k = P ( A) ,
k pk
q k =1 − p k =1 − P ( A) = P ( A)
D 2 ( X k ) = M ( X k2 ) − [ M ( X k )] = p k − p k2 = p k (1 − p k ) = p k q k ≤ 1
2
n
, iar m = ∑ X k şi conform teoremei lui Cebîşev rezultă
k =1
m
repetare, atunci lim P − p < ε
= 1, ∀ε > 0, unde m
n →∞
n
3 µ13 + µ 23 + ... + µ n 3
şi lim = 0 , atunci
n →∞
D 2 ( X 1 ) + D 2 ( X 2 ) + ... + D 2 ( X n )
n n
∑ X k − ∑ M (X k )
Zn = k =1 k =1
, converge în repartiţie la o
n
∑D
k =1
2
(X k )
1 x −t
2
adică lim
n →∞
Fn ( x ) =
2π
∫ −∞
e 2
dt , ∀x ∈ R .
Observaţie 1.14.13.
1) Problema limită este problema determinării
legii de probabilitate a variabilei aleatoare Zn, când
n→ ∞ .
2) Teorema limită este teorema care rezolvă o
problemă limită.
3) Dacă legea de probabilitate limită este legea
normală atunci avem teorema limită centrală.
Teorema Lindeberg-Levy 1.14.14. Dacă şirul
de variabile aleatoare independente (X n ) n ≥1 sunt
identic repartizate (urmează aceeaşi lege de probabilitate)
164 Elemente de teoria probabilităţilor şi statistică matematică
şi există
(
m = M (X n ), σ2 = D 2 (X n ), µ3 = M X n − M (X n ) , n = 1,2,3,...
3
)
atunci şirul de variabile aleatoare
1 n
∑Xk − m
n k =1
( Z n ) n ≥1 unde Z n = , converge
σ
n
în repartiţie la o variabilă aleatoare ce urmează legea
normală redusă N(0,1) adică
1 x −t
2
lim Fn ( x ) =
n →∞
2π
∫ −∞
e 2
dt , ∀x ∈ R .
X − np 1 b 2
−x 2
lim P a ≤ < b = ∫ e dx sau
n →∞
npq 2π a
X − np 1 b 2
−x 2
P a ≤ < b ≅ ∫ e dx .
npq 2π a
Demonstraţie:
Fie variabilele aleatoare Xk, k =1, n
0 1
independente şi identic repartizate Xk
q
p
k =1, n
n
atunci X = ∑ X k , M ( X k ) = p , D 2 ( X k ) = pq şi
k =1
∑Xk − p
n k =1
∑X k − np
X − np
Zn = = k =1
= urmează
pq npq npq
n
legea N(0,1)dacă n→ ∞.
X −np 1 x
Avem lim P <x= ∫e
−t 2 / 2
dt şi
n →∞ npq 2π −∞
prin urmare
166 Elemente de teoria probabilităţilor şi statistică matematică
X − np X − np X − np
lim P a ≤ < b = lim P < b − P < a
n →∞ n→∞ npq npq
npq
1 b 1 a 1 b
∫ ∫ ∫
2 2 2
= e −x / 2 dx − e −x / 2 dx = e −x / 2 dx
2π −∞
2π −∞
2π a
Observaţie 1.14.16.
1) Deoarece X=k, k=1,2,…,n se obişnuieşte să
se scrie
k − np 1 b 2
−x 2
P a ≤ < b ≅ ∫ e dx .
npk 2π a
1 x −t
2
Φ(x) =
2π
∫ 0
e 2
dt avem
k − np
Pa ≤ < b ≅ Φ( b ) −Φ(a ) .
npq
b − np a − np
3) P( a ≤ k < b ) = Φ
− Φ
npq npq
1 2 3 4 5 6
X:
0,05 . Să se
0,10 0,25 0,30 0,20 0,10
Elemente de teoria probabilităţilor 167
( )
P X − M ( X ) < 2 = P( − 2 < X − M ( X ) < 2) = P ( − 2 + M ( X ) < X < 2 + M ( X
= P (1,80 < X < 5,80 ) = P ( ( X = 2) ∪ ( X = 3) ∪ ( X = 4) ∪ ( X = 5) ) =
= 0,10 + 0, 25 + 0,30 + 0,20 = 0,85
Deci P( X − M (X ) < ε) ≥ 1 −
1,66
= 0,585
4
Exemplul 1.14.18. Se efectuează 800 de probe
independente. În 200 din ele probabilitatea apariţiei unui
rezultat aşteptat a fost 0,5; în 400 de probe această
probabilitate a fost 0,4; iar în restul probelor a fost 0,3.
Să se determine marginea inferioară a probabilităţii ca
168 Elemente de teoria probabilităţilor şi statistică matematică
630
P(1800 < X < 2400 ) ≥ 1 − = 1 − 0,007 = 0,993
90000
De asemenea, se poate folosi teorema Moivre-Laplace
adică:
170 Elemente de teoria probabilităţilor şi statistică matematică
1 s − m 1 s − 2100
P ( X > s ) = 1 − P ( x ≤ s ) = 1 − F(s ) = 1 − + Φ = − Φ
2 σ 2 630
s − 2100 1 s − 2100
⇒ Φ = − 0,003 ⇒ = 2,75
630 2 630
deci s=2170.
Exemplul 1.14.20.Se consideră şirul de
variabile aleatoare (X n ) n ≥1 , unde
Elemente de teoria probabilităţilor 171
−n − ( n − 1) ... − 1 0 1 ... n −1 n
Xn : 1 1 1 1 1 1
3n 3 p
3(n − 1) 3 3 3 3(n + 1) 3 3n 3
.
Să se verifice dacă şirul de variabile aleatoare se
supune legii numerelor mari.
Rezolvare:
2 1 1
p = 1 − 1 + 3 + ... + 3 , M (X n ) = 0,
3 2 n
2 1 1
M ( X 2n ) = 1 + + ... +
3 2 n
2 1 1
D 2 (X ) = M (X 2n ) − [ M ( X n )] =
2
1 + + ... +
3 2 n
1 2 n 1 n
Calculăm lim 2
D ∑ X k = lim 2 ∑D 2
(X k ) =
n →∞ n
k =1 n →∞ n k =1
2 n 1 1 2 n 2 n
= lim ∑ 1 + + ... + ≤ lim ∑ (1 + ln k ) ≤ lim ∑ (1 + ln
n → ∞ 3n 2 k =1 2 k n →∞ 3n 2 k =1 n →∞ 3n 2
k =1
2 1 dx 1 n
= lim ⋅ n (1 + ln n ) = 0 dar 1 + ≤ 1 + ∫1k ⇒ lim D2 ∑ X =
n →∞ 3n 2 2 x n →∞ n 2 k
k = 1
− n 0 n
X n : 1 1 , atunci şirul urmează legea
p0
n n
numerelor mari.
Rezolvare:
Avem M (X n ) = 0 iar
1 1
D 2 (X n ) = M(X 2n ) = n ⋅ + 0p 0 + n ⋅ = 2 dacă
n n
.
b)Avem două variante : studentul nu primeşte
nici o bursă sau studentul primeşte o bursă. Obţinem
evenimentul
B = (U 1 ∩U 2 ∩U 3 ) ∪ A .
iar F = U1 ∩U 2 ∩U 3 .
d)Avem D = E ∪ F . Altfel, evenimentul D este
contrar evenimentului B, deci
D = B = (U 1 ∩U 2 ∩U 3 ) ∪ A .
2.Într-un grup de studenţi aflaţi în excursie se
găsesc 6 fete şi 9 băieţi. Se aleg la întâmplare doi studenţi
pentru a cerceta traseul. Care este probabilitatea ca cei
doi să fie :
a)băieţi ;
b)fete ;
c)un băiat şi o fată ;
d)cel puţin un băiat ;
e)primul băiat şi a doua fată ;
f)de acelaşi sex.
Rezolvare:
Notăm cu A1 şi A2 evenimentele alegerii unui
băiat la prima, respectiv a doua alegere. La primul punct
Elemente de teoria probabilităţilor 175
sunt incompatibile)
9 6
Dar P ( A1 ∩ A2 ) = P ( A1 ) P( A2 / A1 ) = ⋅ ,
15 14
6 9
iar P ( A2 ∩ A1 ) = P ( A1 ) P ( A2 / A1 ) = ⋅
15 14
9 6 18
de unde P(C ) = 2 ⋅ ⋅ = .
15 14 35
176 Elemente de teoria probabilităţilor şi statistică matematică
= P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) + P ( A3 ) − P (( A1 ∩ A3 ) ∪( A2 ∩
= P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) + P ( A3 ) −[ P ( A1 ∩ A3 ) + P ( A2 ∩
− P (( A1 ∩ A3 ) ∩( A2 ∩ A3 )) = P ( A1 ) + P ( A2 ) + P ( A3 ) −
− P ( A1 ∩ A2 ) − P ( A1 ∩ A3 ) − P ( A2 ∩ A3 ) + P ( A1 ∩ A2 ∩ A3 ).
20 15 15
P( A1 ) = ; P ( A2 ) = ; P ( A3 ) = .
50 50 50
Fie A evenimentul ca documentul controlat să
fie corect. Atunci A / A 1, A / A2, A / A3 reprezintă
evenimentul ca documentul controlat să fie corect ştiind
Elemente de teoria probabilităţilor 179
.
(A1/A reprezintă evenimentul ca documentul
controlat să provină de la primul magazin ştiind că a fost
corect).
5.La un supermarket s-a făcut un sondaj
printre clienţii acestuia, punându-li-se trei întrebări la
care să răspundă prin DA sau NU. S-a constatat că
180 Elemente de teoria probabilităţilor şi statistică matematică
C103 ⋅ C52
a) P(5;3,2) = ;
C155
C105 ⋅ C50
b) P(5;5,0) = ;
C155
C100 ⋅ C55
c) P (5;0,5) = ;
C155
d)
a) la primul magazin;
b) la al doilea magazin;
c) la ultimul magazin;
d) cel mult la al treilea magazin.
Rezolvare:
Suntem în condiţiile schemei geometrice cu p =
0,3 ( se presupune că agentul poate vinde produsul unui
singur magazin). Prin urmare avem:
a) P1 = pq1-1 = 0,3 ;
b) P2 = pq2-1 = pq = 0,3 ∙0,7 = 0,21 ;
c) P4 = pq4-1 = pq3 = 0,3 ∙(0,7)3 = 0,1029 ;
d)Pd =P1+P2+P3=p + pq + pq2 = p(1+q+q2) =
0,3(1+0,7+0,49)=0,657
9.Fie variabilele aleatoare independente :
0 1 2
X :
1 / 2 1 / 4 1 / 4
şi
−1 1 2
Y :
1 / 3 1 / 6 1 / 2
.
Să se scrie variabilele aleatoare : 2X, Y2, X+Y,
XY, 2X+3Y, X/Y, max(X,Y), X .
186 Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
Probabilităţile corespunzătoare valorilor lui 2X,
Y2, X sunt aceleaşi cu cele corespunzătoare lui X şi
respectiv Y. Avem:
0 2 4
2X :
1 / 2 1 / 4 1 / 4
,
0 1 2 1 4
X :
1 / 2
, Y :
2
.
1/ 4 1/ 4
1 / 2 1 / 2
1 1
P (Y 2 = 1) = P (Y = −1 ∨ Y = 1) = P (Y = −1) + P (Y = 1) = +
3 6
.
Deoarece X şi Y sunt independente avem că pij = piqj,1 ≤
i, j ≤ 3 .
De exemplu
1 1 1
p12 = P ( X = 0, Y = 1) = P ( X = 0) P (Y = 1) = ⋅ = .
2 6 12
Obţinem
0 −1 0 +1 0 +2 1 −1 1 +1 1+2 2 −1 2 +1 2 +2
X +Y :
1 / 6 1 / 12
1/ 4 1 / 12 1 / 24 1/ 8 1 / 12 1 / 24 1/ 8
Elemente de teoria probabilităţilor 187
adică
−1 0 1 2 3 4
X +Y :
1 / 6 1 / 12 .
1/ 6 7 / 24 1/ 6 1/ 8
Analog
de unde
−2 −1 0 1 2 4
X ⋅Y :
1 / 12 .
1 / 12 1 / 2 1 / 24 1/ 6 1/ 8
Cum 2X şi 3Y au repartiţiile
0 2 4
2X :
1 / 2 1 / 4 1 / 4
,
−3 3 6
3Y :
1 / 3 1 / 6 ,
1/ 2
obţinem repartiţia lui 2X + 3Y :
−3 −1 1 3 5 6 7 8
2 X + 3Y :
1 / 6 1 / 12
1 / 12 1 / 12 1 / 24 1 / 4 1 / 24 1/ 8
.
La fel obţinem:
188 Elemente de teoria probabilităţilor şi statistică matematică
X −2 −1 0 1/ 2 1 2
:
1 / 12 ,
Y 1 / 12 1 / 2 1 / 8 1 / 6 1 / 24
0 1 2
max( X , Y ) :
1 / 6 .
5 / 24 5 / 8
10.Fie X şi Y două variabile aleatoare discrete
ale căror repartiţii probabiliste comună (pij ) şi marginale
(pi) şi (qj) sunt date în tabelul următor :
X\Y -1 0 1 pi
-1 1/8 1/12 1/6 3/8
1 1/24 1/4 1/3 5/8
qj 1/6 1/3 1/2 1
a)Să se scrie variabilele aleatoare X şi Y.
b)Să se precizeze dacă X şi Y sunt
independente.
c)Să se scrie variabilele X + Y , X ∙ Y, X2, Y2,
Y/X .
Rezolvare:
a)Din tabelul de repartiţie de mai sus deducem
că
−1 1 −1 0 1
X :
3 / 8
şi Y :
.
5 / 8 1 / 6 1 / 3 1 / 2
Elemente de teoria probabilităţilor 189
,
1 3 1
ceea ce nu are loc întrucât ≠ ⋅ .
8 8 6
c)Deoarece
1 1 1 1 1 1
p11 = , p12 = , p13 = , p21 = , p22 = , p23 =
8 12 6 24 4 3
,
obţinem
−2 −1 0 1 2
X +Y :
1 / 8 1 / 12 ,
1 / 6 +1 / 24 1 / 4 1 / 3
−1 0 1
X ⋅Y :
1 / 6 +1 / 24 ,
1 / 12 +1 / 4 1 / 8 +1 / 3
X −1 0 1
:
1 / 24 +1 / 6 1 / 12 +1 / 4 1 / 8 +1 / 3
.
Y
Repartiţiile lui X2 şi Y2 rezultă imediat din cele
ale lui X şi Y:
1 2 0 1
X 2 :
1
, Y :
1 / 3 .
2 / 3
190 Elemente de teoria probabilităţilor şi statistică matematică
1 2 3 3 3
X : .
p p 2
p p 2
p 2
a)Să se determine p.
b)Să se calculeze funcţia de repartiţie a lui X.
c)Să se calculeze probabilităţile:
P ( X <1), P ( X <3), P ( X >4), P (1,5 < X <3,2), P ( X ≥2,1)
P (3,1 < X X >2,8), P (1,5 < X ≤3 2 < X <4).
Rezolvare:
a)Trebuie să avem p + p2 + p + p2 + p2 = 1 şi p ≥
0. Rezultă
3p2 + 2p = 1 şi p ≥ 0, adică p = 1/3.
b)Cum F(x) = P(X<x) rezultă că F(x) = 0 dacă x
≤ 1,
F(x) = p = 1/3 dacă x ∈(1,2] ,
F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dacă x
∈(2,3] ,
0, x ≤ 1;
1
3 , 1 < x ≤ 2;
4
, 2 < x ≤ 3;
F ( x) = 9
7
, 3 < x ≤ 4;
9
8 , 4 < x ≤ 5;
9
1, x > 5.
c)Avem
P(X<1) = P(Φ) = 0,
P(X<3)=P(X=1)+P(X=2)=4/9,
P(X>4)=P(X=5)=1/9,
P(1,5<X<3,2)=P(X=2)+P(X=3)=4/9,
P(X≥2,1)=P(X=3)+P(X=4)+P(X=5)=5/9,
Rezolvare:
+
∞
Avem ∫−∞
ρ( x ) dx =1 , de unde
1/ 2 2 2x
∫0
xdx + ∫ a −
1/ 2
3
dx =1 sau
x2 2
x2 1/ 2
0 +
ax − 3 1/ 2 = 1 . Rezultă a = 4/3 şi deci
Elemente de teoria probabilităţilor 193
0, x<0 0,
x2 ,
x x2 , x ∈ [0,1 / 2]
F ( x) = ∫ ρ (t )dt = 1 x 4 − 2t = 4x − x2 − 1
4 + ∫1 / 2 3 dt , x ∈ (1 / 2,2] ,
−∞
3
1, x>2 1,
Întrucât F este continuă vom avea F(x) =
F(x+0) , ∀x , deci
1 1
F ( M e ( X )) ≤ şi F ( M e ( X )) ≥ , adică
2 2
1
F ( M e ( X )) = . Aceasta se realizează pentru
2
4 x − x 2 −1 1 3
= , de unde x = 2 − ∈(1 / 2,2] .
3 2 2
3
Aşadar M e ( X ) = 2 − = c2 . Se observă că
2
1
F(1/2)=1/4 deci c1 = c3
2
4 x − x 2 −1 3
rezultă din F(x)=3/4, adică = , de
3 4
3
unde c3 = 2 − .
2
194 Elemente de teoria probabilităţilor şi statistică matematică
1
(singurul), prin urmare M o ( X ) = .
2
13.Să se determine variabilele aleatoare
independente
x x +1 x +2 x +3
X :
p şi
2p 3p 4p
y 2y 3y
Y : ,
q q 2
q 2
7
M(Y)=y∙q+2y∙q2+3y∙q2= y. Cum M(Y)=7
4
avem că y=4. Tablourile de repartiţie ale lui X şi Y vor fi
0 1 2 3 4 8 12
X : 1 1 3 2 , Y : 1 1 1 .
10 5 10 5 2 4 4
Folosind proprietăţile mediei avem
M(2X+3Y)=M(2X)+M(3Y)=2M(X)
+3M(Y)=2∙2+3∙7=25.
Pentru calcularea dispersiilor avem nevoie să
calculăm mediile lui X2 şi Y2. Acestea au tablourile de
repartiţie
0 1 4 9 16 64 144
X : 1
2
1 3 2 , Y2 : 1 1 1
10 5 10 5 2 4 4
, astfel că
1 1 3 2
M (X 2) = 0⋅ + 1 ⋅ + 4 ⋅ + 9 ⋅ = 5 şi
10 5 10 5
1 1 1
M (Y 2 ) = 16 ⋅ + 64 ⋅ + 144 ⋅ = 60 . Atunci
2 4 4
D2(X)=M(X2)-M(X)2=5-4=1 şi D2(Y)=M(Y2)-
M(Y)2=60-49=11.
196 Elemente de teoria probabilităţilor şi statistică matematică
X\Y -b 0 b pi
a 1/5 1/10
a2 2/5 3/5
qj 1/5
Rezolvare:
3 2
Deoarece p1+p2=1 rezultă că p1 = 1 − = .
5 5
Mai departe
1 1 2
p11+p12+p13=p1, adică + + p13 = , deci
5 10 5
1
p13 = . Cum
10
Elemente de teoria probabilităţilor 197
1 1 1
p13+p23=q3 rezultă că p23 = − = . Dar
5 10 10
3 2 1 1
p21+p22+p23=p2, adică p21 = − − = . Din
5 5 10 10
3 1
p11+p21=q1 şi p22+p12=q2, rezultă că q1 = şi q2 = .
10 2
Obţinem astfel
a a2 − b 0 b
X : 2 3 , Y : 3 1 1 . Astfel
5 5 10 2 5
2 3
M (X ) = a ⋅ + a 2 ⋅ = 17 , adică 3a2+2a-85=0, de unde
5 5
3b 1 b b
a1=5, a2=-17/3. Deoarece M (Y ) = − +0⋅ + = −
10 2 5 10
şi
3 1 1 b2
M (Y 2 ) = (−b) 2 ⋅ + 02 ⋅ + b 2 ⋅ = , rezultă
10 2 5 2
că
198 Elemente de teoria probabilităţilor şi statistică matematică
b2 b2 49 b 2
D 2 (Y ) = M (Y 2 ) − M (Y ) 2 = − = .
2 100 100
100
Din ipoteză D2(Y)=1, astfel că b2 = , adică
49
10
b= . Din tabloul repartiţiei comune (pij) avem
7
− a 2b − ab 0 ab a 2b
XY : 1 1 1 1 1 şi
10 5 2 10 10
a − b a2 − b a a2 a + b a2 + b
X −Y : 1 1 1 2 1 1
10 10 10 5 5 10
Astfel
a 2b ab ab a 2b ab a
M ( XY ) = − − + + =− =− .
10 5 10 10 10 7
Dacă a=5 M(XY)=-5/7, iar dacă a=-17/3
M(XY)=17/21. Pentru calcularea dispersiei lui X-Y,
avem nevoie de:
Elemente de teoria probabilităţilor 199
a − b a 2 − b a 2a 2 a + b a 2 + b 6a 2 + 4a + b
M ( X −Y ) = + + + + + =
10 10 10 5 5 10 10
( a − b ) 2 ( a 2 − b ) 2 a 2 2a 4 ( a + b ) 2 ( a 2 + b) 2
M [( X − Y ) 2 ] = + + + + + =
10 10 10 5 5 10
6a 4 + 4a 2 + 2ab + 5b 2
=
10
120
Pentru a=5, b=10/7 avem M(X-Y)= şi
7
18985
M [( X −Y ) 2 ] = ,
49
18985 14400 4585
deci D 2 ( X −Y ) = − = .
49 49 49
15.Să se determine parametrii care apar în
repartiţiile următoare şi să se calculeze apoi M(X) şi
D2(X), X fiind o variabilă aleatoare, având repartiţia
respectivă:
n
a) X : 1 q n , n ∈ N , q > 0 ;
4
200 Elemente de teoria probabilităţilor şi statistică matematică
x
b) X : , x ∈[0,1], a > 0 ;
a ( x + 2 x)
2
a 2 x 3 , x ∈ [0,1]
x
1
c) X : , ρ ( x) = ax, x ∈ (1,2]
ρ ( x) 2
0,
altfel .
Rezolvare:
∞
1
a)Din condiţia ∑ 4q
n =0
n
=1 rezultă că
1 1 1 3
⋅ = 1 ⇒1 − q = ⇒ q =
4 1−q 4 4
Atunci
'
∞
1 1 ∞ 1 ∞ 1 ∞
M ( X ) = ∑n ⋅ q n = q ∑n ⋅ q n−1 = q ∑( q n )' = q ∑q n =
n =0 4 4 n=0 4 n=0 4 n=0
'
1 1 1 1 1 3 1
= q ⋅ = q = ⋅ ⋅ =3
4 1 − q 4 (1 − q ) 2
4 4 1
16
Elemente de teoria probabilităţilor 201
' '
∞
1 1 ∞ 1 ∞ 1 ∞
M ( X ) = ∑ n ⋅ q n = q ∑ n( q n )' = q ∑ nq n = q ∑ nq n =
2 2
Astfel D2(X)=M(X2)-M(X)2=24-9=15.
1
∫ a( x + 2 x ) dx =1 rezultă că
2
b) Din condiţia 0
x3 4 3
a + x 2 10 = 1 ⇒ a ⋅ = 1 ⇒ a = . Atunci
3 3 4
1 1 3 2 3 x 4 2 x3 1
M ( X ) = ∫ x ⋅ ρ( x ) dx = ∫ x ⋅ ( x + 2 x ) dx = + 0=
0 0 4 4 4 3 1
,
1 1 3 2 3 x5 2 x 4 1
M ( X 2 ) = ∫ x 2 ⋅ ρ( x)dx = ∫ x 2 ⋅ ( x + 2 x)dx = + 0
0 0 4 4 5 4
.
Astfel
2
21 11 67
D 2 ( X ) = M ( X 2 ) − M ( X )2 = − = .
40 16 1280
2
c)Din condiţia ∫
0
ρ( x) dx =1 rezultă că
202 Elemente de teoria probabilităţilor şi statistică matematică
1 2 ax x4 x2 a 2 3a a =1
∫ a 2 x 3 dx + ∫ dx =1 ⇒ a 2 ⋅ +a ⋅ =1 ⇒ + =1 ⇒
1 2
0 1
0 1 2 4 4 4 4 a = 4
2 1 2 x x6 x4 49
M ( X 2 ) = ∫ x 2 ⋅ ρ( x) dx = ∫ x 2 ⋅ x 3 dx + ∫ x 2 ⋅ dx = 1
0 + 2
1 =
0 0 1 2 6 8 24
,
2
49 41 313
D2 ( X ) = M ( X 2 ) − M ( X )2 = − = .
24 30 1800
+∞ a
∫ −∞ (1 + x )(1 + y 2 )
2
dxdy =1 . Rezultă că
Elemente de teoria probabilităţilor 203
+∞ dx +∞ dy 1
a∫
1 + x 2 ∫−∞ 1 + y 2
+∞ +∞
= 1 ⇒ a ⋅ arctgx −∞ ⋅arctgy −∞ =1 ⇒ a =
−∞ π2
.
Atunci
1 x y dudv 1 x du y dv
F ( x, y ) =
π 2 ∫ ∫
−∞ −∞ (1 + u )(1 + v )
2 2
= 2
π ∫ −∞ 1 + u 2 ∫−∞ 1 + v 2
=
1 1 1 1
= arctgx + arctgy +
π 2 π 2
b)
1 dudv
1 1
P (( X , Y ) ∈D ) =
π 2 2∫ ∫ (1 +u
0)(1 + v 2 )
0
=
1
= F (1,1) − F (1,0) − F (0,1) + F (0,0) =
16
17.Fie vectorul aleator (X,Y) cu densitatea de
probabilitate
ax 2 y, ( x, y ) ∈[0,1] ×[0,2]
ρ( x, y ) =
0, altfel .
a) Să se determine constanta a.
b) Să se calculeze funcţia de repartiţie F(x,y) şi
funcţiile marginale FX(x) şi FY(y).
204 Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
1 2
a) Avem ∫∫ 0 0
ρ( x, y ) dxdy =1 , adică
1 2 2a 3
a ∫ x 2 dx ∫ ydy =1 , rezultă că =1 de unde a = .
0 0 3 2
x y
b) Avem F ( x, y ) = ∫−∞∫−∞ ρ( x, y ) dxdy .
.
Dacă x > 1 şi y ∈[0,2] obţinem
1 y 3 2 3 1 y y2
F ( x, y ) = ∫ ∫ u vdudv = ∫ u 2 du ∫ vdv =
0 0 2 2 0 0 4
.
Elemente de teoria probabilităţilor 205
, x > 1, y ∈ [0,2]
4
1, x > 1, y > 2
Funcţiile de repartiţie marginale sunt
0, x <0
FX ( x) = F ( x, ∞) = x 3 , x ∈[0,1]
1, x >1
0, y <0
y2
FY ( y ) = F (∞, y ) = , y ∈[0,2]
4
1,
y >2
Să se calculeze:
a) P(X<1,Y<1), P(X+Y<1), P(X+Y≥2),
P(X≥1/Y≥1), P(X<2Y), P(X=n) ;
206 Elemente de teoria probabilităţilor şi statistică matematică
1 1
=∫ ∫e
−x −y
dxdy = ( −e −x ) 10 ( −e −y ) 10 = (1 −e −1 ) 2
0 0
1 1−x 1
P ( X +Y <1) = ∫∫ρ( x, y )dxdy
x +y <1
=∫ ∫
0 0
e −x −y dxdy = ∫ e
0
1
= ∫ (e −x −e −1 ) dx = ( −e −x ) 10 −e −1 =1 −2e −1 ,
0
2 2−x 2 2
=1 −∫ ∫ e −x −y dxdy =1 −∫ e −x (e −y ) 2−x
0 dx =1 −∫ (e −x −
0 0 0 0
P ( X ≥1, Y ≥1)
P ( X ≥1 / Y ≥1) =
P (Y ≥1)
(
2
e −x−y dxdy = e −x dx
+∞ +∞ +∞
P ( X ≥1, Y ≥1) = ∫ ∫ ∫1
−x
= ( −e )
1 1
Elemente de teoria probabilităţilor 207
+∞ +∞
P (Y ≥1) = ∫ ∫ e −x −y dxdy = −e −x +∞
0 ( −e −y ) 1+∞ = e −1
0 1
⇒ P( X ≥1, Y ≥1) = e −1
x
+∞ +∞
∫∫e dxdy = ∫ ∫ e −x e −y dydx = ∫
−x −y
P ( X < 2Y ) = 2 e −x
0 0 0
0<x <2 y
+∞
−3 x
−x 2 −32 x +∞ 2 1
=∫ (e −x − e 2
) dx =
−e + 3 e
0 =1 − =
0
3 3
, P(X=Y)=0.
x y
b) Avem F ( x, y ) = ∫−∞∫−∞ ρ(u , v ) dudv .
.
Funcţiile de repartiţie marginale sunt
FX ( x ) = F ( x, ∞) = 1 − e − x şi
FY ( y ) = F (∞, y ) = 1 − e − y .
c) Densităţile de probabilitate marginale
ρX (x) şi ρY ( y ) sunt derivatele funcţiilor de repartiţie
marginale:
208 Elemente de teoria probabilităţilor şi statistică matematică
0, x <0
ρX ( x ) = −x ,
e , x ≥0
0, y <0
ρY ( y ) = −y .
e , y ≥0
d)
+∞ +∞
σk , s = M ( X k Y s ) = ∫0 ∫ 0
x k y s e −x −y dxdy =
+
∞ +
∞
=∫ x k e −x dx ∫ y s e −y dy = Γ( k +1)Γ( s +1) = k! s!
0 0
,
+
∞
unde Γ( p ) = ∫ x p −1e −x dx este funcţia
0
=1 − Γ( 2) 2 =1 −1 = 0 .
X\Y -1 0 1 2 pi
-1 1/10 1/5 1/10 0 2/5
0 1/20 0 1/10 1/20 1/5
1 1/10 1/10 1/20 3/20 2/5
qj 1/4 3/10 1/4 1/5 1
Rezolvare:
Pe baza formulelor corespunzătoare, deducem
imediat:
2 1 2
M ( X ) = −1 ⋅ + 0 ⋅ +1 ⋅ = 0 ,
5 5 5
1 3 1 1 2
M (Y ) = −1 ⋅ +0⋅ +1 ⋅ + 2 ⋅ = ,
4 10 4 5 5
2 1 2 4
M ( X 2 ) = ( −1) 2 ⋅ + 0 2 ⋅ + 12 ⋅ = ,
5 5 5 5
1 3 1 1 13
M (Y 2 ) = ( −1) 2 ⋅ + 0 2 ⋅ + 12 ⋅ + 2 2 ⋅ = ,
4 10 4 5 10
210 Elemente de teoria probabilităţilor şi statistică matematică
4
D 2 ( X ) = M ( X 2 ) − M ( X )2 = ,
5
13 4 57
D 2 (Y ) = M (Y 2 ) − M (Y ) 2 = − =
10 25 50
1 1 1
M ( XY ) = (−1) ⋅ (−1) ⋅ + (−1) ⋅ 0 ⋅ + (−1) ⋅1 ⋅ + (−1) ⋅ 2 ⋅ 0 + 0 ⋅ (−1) ⋅
10 5 10
1 1 1 1 1 3
+ 0 ⋅ 0 ⋅ 0 + 0 ⋅1 ⋅ +0 ⋅2 ⋅ +1 ⋅ (−1) ⋅ +1 ⋅ 0 ⋅ +1 ⋅1 ⋅ +1 ⋅ 2 ⋅
10 20 10 10 20 20
1
cov( X , Y ) = M ( XY ) − M ( X ) M (Y ) = ,
4
cov( X , Y ) 0,25
r( X ,Y ) = =
2 2
D ( X ) D (Y ) 2 57 .
⋅
5 50
Ecuaţiile dreptelor de regresie sunt :
2 2
y− y−
x −0 5 , 5 = +0,25 ⋅ x − 0 .
= +0,25 ⋅
4 57 57 4
5 50 50 5
20.Să se determine funcţia caracteristică şi
funcţia generatoare de momente şi apoi să se calculeze,
pornind de la acestea, momentele σ1 şi σ2 , pentru
următoarele variabile aleatoare :
Elemente de teoria probabilităţilor 211
0 1 2
a) X : 1 1 1 ;
2 4 4
x
b) X : −x , x ≥ 0 .
e
Rezolvare :
a) Avem
1 1 1 2 + e it + e 2it
ϕ X (t ) = e 0⋅it ⋅ + e1⋅it ⋅ + e 2⋅it ⋅ =
2 4 4 4
şi
1 0⋅t 1 1⋅t 1 2⋅t 2 + e t + e 2t
G X (t ) = e + e + e = .
2 4 4 4
Primele două derivate ale acestor funcţii sunt :
i
ϕX' (t ) = (e it + 2e 2it ) ,
4
ϕ"
X (t ) =
1
− (e it +
4
,
212 Elemente de teoria probabilităţilor şi statistică matematică
1 t
G X' (t ) = (e + 2e 2t ) ,
4
1
G "
X (t ) = (e t +4e
4
.
Obţinem
3i " 5
ϕ (0) = , ϕ X (0) = −
'
X
,
4 4
3 " 5 , de unde
G (0) = , GX (0) =
'
X
4 4
ϕ X' (0) 3
σ1 ( X ) = M ( X ) = = G X' (0) = şi
i 4
Elemente de teoria probabilităţilor 213
ϕ "X (0) 5
σ 2 ( X ) = M ( X ) = 2 = G X ( 0) =
" 2
i 4
.
b)
+∞ +∞
ϕX (t ) = ∫ e itx ⋅ e −x dx = ∫ (cos tx + i sin tx ) ⋅ e −x dx =
0 0
+∞ +∞
=∫ cos tx ⋅ e −x dx + i ∫ sin tx ⋅ e −x dx = A + iB
0 0
+∞ +∞
A =∫ cos tx ⋅ e −x dx = ∫ cos tx ⋅ (−e −x )' dx =
0 0
+∞
= −cos tx ⋅ e −x +∞
0 − ∫ t sin tx ⋅ e −x dx =1 − tB ,
0
+
∞ +
∞
B =∫ sin tx ⋅( −e −x ) dx =−sin tx ⋅e −x +∫ t cos tx ⋅ e −x dx =
+∞
0
0 0
.
1
Obţinem A = 1 - t2A , adică A = şi B =
1 +t 2
t
.
1 +t 2
1 + it
Astfel ϕ X (t ) = .
1+t2
214 Elemente de teoria probabilităţilor şi statistică matematică
Apoi
+∞ +∞ e x ( t −1) 1
G X (t ) = ∫ e tx e −x dx = ∫ e x ( t −1) dx = +∞
0 = , t <1
0 0 t −1 1 −t
.
Primele două derivate sunt
i − 2t − it 2
ϕ X' (t ) = ,
(1 + t 2 ) 4
ϕ "
X (t ) =
6i
t 3
+
,
1
G X' (t ) = ,
(1 − t ) 2
2
"
GX (t ) =
(1 −t )3
.
Obţinem
Elemente de teoria probabilităţilor 215
ϕX' (0)
σ1 ( X ) = M ( X ) = = G X' (0) = 1 şi
i
ϕ"X (0)
σ2 ( X ) = M ( X ) = 2
= G X" (0) = 2
i2
.
d)probabilităţile evenimentelor de la
punctele precedente.
2. Un client cumpără dintr-un magazin patru
articole de îmbrăcăminte. Fie A1, A2, A3, A4 respectiv
evenimentele ca primul, al doilea, al treilea şi al patrulea
articol să nu conţină defecţiuni. Să se exprime cu ajutorul
acestor evenimente, următoarele evenimente:
a) nici un articol nu prezintă defecţiuni;
b) cel puţin un articol prezintă defecţiuni;
c) exact un aricol prezintă defecţiuni;
d) exact două articole prezintă defecţiuni;
e) cel mult două articole prezintă defecţiuni.
3. Un lacăt are un cifru din patru cifre. Să se
calculeze probabilitatea de a ghici cifrul lacătului dacă:
a) lacătul funcţionează perfect;
b) ultima cifră, din cauza unei defecţiuni nu
trebuie să coincidă cu ultima cifră a
combinaţiei considerate;
Elemente de teoria probabilităţilor 217
A sin x, x ∈ ( 0, π )
densitatea de probabilitate: ρ ( x ) = ,
0, x ∉ ( 0, π )
unde A este o constantă reală. Să se determine:
a) constanta reală A;
b) funcţia de repartiţie corespunzătoare;
π π
c) probabilităţile P( ≤ X ≤ ) şi P(0<X<
6 2
π π
X> ).
2 4
18. Variabila aleatoare X urmează legea normală
N(0,1). Să se determine densităţile de probabilitate
respectiv pentru variabilele aleatoare Y = X3 şi Z =
X . 19. O persoană doreşte să deschidă un lacăt şi
are n chei, dintre care numai una se potriveşte. Pentru
aceasta, încearcă la întâmplare deschiderea lacătului cu
aceste chei. Fie X numărul de încercări pentru
deschiderea lacătului. Să se scrie distribuţia variabilei
aleatoare X, iar apoi să se calculeze valoarea medie şi
dispersia variabilei aleatoare X, dacă:
Elemente de teoria probabilităţilor 223
A x ,d y ax, y〉 0, cy x〈〈 1 a
densitatea de probabilitate:
ρ ( x, y ) = . Să se
0, a l t f e l
determine:
a) constanta reală A;
b) densităţile de probabilitate ρ X, ρ Y pentru
variabilele aleatoare X, Y;
224 Elemente de teoria probabilităţilor şi statistică matematică
1 1
c) probabilităţile P(0 < X < ,0<Y< )
2 2
1 1
şi P(X < Y< ).
2 2
21. La patru unităţi alimentare din oraş se poate
găsi zilnic pâine proaspătă cu probabilităţile p1=0.8,
p2=0.9, p3=0.95 şi respectiv p4=0.85. Fie X numărul
unităţilor alimentare din cele patru la care se găseşte
pâine proaspătă într-o zi fixată. Să se determine:
a) distribuţia variabilei aleatoare X;
b) valoarea medie, dispersia, abaterea medie
pătratică, mediana şi modul variabilei
aleatoare X.
22. Fie (X,Y) coordonatele unui punct luminos
ce reprezintă o ţintă pe un ecran radar circular şi care
urmează legea uniformă pe domeniul D=
{(x,y)∈R2 x2+y2 ≤ r2}. Să se determine valoarea medie
şi dispersia distanţei Z = X 2 +Y 2 de la centrul
ecranului până la punctul luminos.
Elemente de teoria probabilităţilor 225
xm − x
ρ ( x) = m! e , d a c ax〉 0 .
0, d a c ax ≤ 0
26. Probabilitatea ca o persoană să găsească loc
la un hotel este p = 0.8. În decursul unei luni de zile, la
hotelul respectiv s-au prezentat 4000 de persoane. Fie X
226 Elemente de teoria probabilităţilor şi statistică matematică
− ln n ln n
1 1 urmează legea numerelor mari.
2 2
31. Fie variabilele aleatoare independente:
0 1 2 −1 0 1 2
X :
1 6 şi Y :
12 1 3
1 8
12 14 1 8
Y
X⋅ Y; ; X2; Y3;
X
3X-2Y;
33. Fie variabilele aleatoare independente:
Elemente de teoria probabilităţilor 229
− 2 −1 0 1 2
X : 1 1 2 1 1 şi
10 5 5 10 5
0 1 2 3 4 5
Y : 1 1 1 1 1 1
12 12 2 6 12 12
a) Calculaţi M(X), M(X2), D2(X), M(Y),
M(Y2) şi D2(Y);
b) Care dintre următoarele mărimi pot fi
calculate şi care nu şi de ce?
M(2X+3Y); D2(2X+3Y); M(X2+Y);
D2(X2+Y);
M(X2+Y2); D2(X2+Y2); M(XY).
c) Calculaţi mărimile de la punctul b) pentru
care răspunsul este favorabil.
34. Să se determine, în fiecare caz, variabila
aleatoare X şi apoi să se calculeze M(X) şi D2(X).
x
a) X : x , x∈N, p > 0, q > 0
pq
230 Elemente de teoria probabilităţilor şi statistică matematică
x
b) X : ax b , x∈N, a > 0, b > 0
x!
x
c) X : , x∈[0,1], a∈R
ax
x
d) X : , x∈[0,1], a∈R
a (3 x + 2 x )
2
x
e) X : a x , a∈R, x∈R
e
x
f) X :
, x∈R,
ρ( x )
ax , x ∈ [ 0,1]
a 2 x 2
ρ ( x) = , x ∈ [1,2] , a∈R
2
0 , în rest
0 1 0 1 2
X :1 2 şi Y : 1 1 1
3 3 6 2 3
1
Dacă P ( X = 0, Y = 0) = λ şi P ( X = 1, Y = 1) = , să se
3
determine repartiţia comună a vectorului aleatoriu (X,Y)
Elemente de teoria probabilităţilor 231
1 2 3
a) X : 1 1 1
6 3 2
232 Elemente de teoria probabilităţilor şi statistică matematică
− 2 −1 0 1 2
b) X : 1 1 2 1 1
10 5 5 5 10
x
c) X : 2 , x ∈[ 0,1]
3x
x
d) X : −x , x ≥ 0
xe
şi apoi verificaţi dacă momentele obţinute pe cale directă
coincid cu cele obţinute cu ajutorul acestor funcţii.
38. Verificaţi dacă funcţiile următoare definesc
repartiţii ale unor variabile aleatoare discrete şi apoi
calculaţi M(X) şi D2(X) pentru fiecare dintre ele.
1 (ln θ ) k
a) P (k ) = , k ∈ N ,θ > 1
θ k!
1
1 −
b) P ( k ) = k e θ , k ∈ N ,θ > 0
θ ⋅ k!
c) P( k ) =θ k (1 −θ )1−k , k ∈{0,1},0 <θ <1
39. Să se afle funcţia caracteristică a variabilei
aleatoare X caracterizată prin densitatea de probabilitate
Elemente de teoria probabilităţilor 233
0, x ≤1
x −1, 1< x <2
f ( x) = .
3 − x, 2 < x <3
0, x >3