Introducere în teoria probabilităţilor

Introducere în teoria probabilităţilor

Capitolul IV

§.1. Probabilităţi
Teoria probabilităţilor este o ramură importantă a matematicii, cu aplicaţii larg
răspândite în aproape fiecare sferă a activităţii umane în care există un element de
incertitudine. Teoria probabilităţilor reprezintă baza teoretică pentru Statistica matematică, o
ştiinţă cu vaste aplicaţii în economie, fizică, chimie, biologie.
Teoria probabilităţilor pune la dispoziţia cercetătorului din orice domeniu un punct de
vedere probabilistic asupra fenomenelor naturale, în opoziţie cu cele deterministe, cu care
suntem obişnuiţi. Este vorba de a aprecia desfăşurarea posibilă a unor evenimente, pe baza
unor experienţe anterioare sau pe baza unor date empirice. Experienţele concrete, care pun
în evidenţă un singur fenomen, ale căror rezultate sunt bine cunoscute, nu interesează
calculul probabilităţilor.
Un experiment (sau experienţă) este o activitate cu rezultate observabile. Rezultatele
observabile se numesc evenimente legate de experimentul respectiv.
Exemple
1. Aruncarea monedei. Se aruncă o monedă şi se observă dacă apare faţa cu
valoare (V) sau faţa fără valoare (S). Experimentul este aruncarea monedei. Evenimentele
sunt (V) şi (S).
2. Aruncarea zarului. Se aruncă un zar şi se observă care dintre feţele 1,2,3,4,5 sau
6 apar. Experimentul este “aruncarea zarului”, iar evenimentele sunt ω1=apariţia feţei cu un
not not not
punct = {1}; ω2=apariţia feţei cu două puncte = {2};…ω6=apariţia feţei cu şase puncte = {6}.
3.Dacă o monedă este aruncată repetat până când apare faţa cu valoare, atunci
evenimentele sunt următoarele: V,SV,SSV,SSSV,….. Ele sunt în număr infinit.
Orice rezultat al unui experiment se numeşte eveniment elementar (simplu). De
exemplu, la aruncarea unui zar evenimentele elementare sunt şase: {1};{2};{3};{4};{5};{6}.
Dar, nu toate evenimentele sunt elementare.De exemplu, tot la aruncarea zarului pot
apărea şi evenimente care nu sunt elementare, cum ar fi evenimentul A=” apariţia unei feţe
cu un număr par de puncte” , care este o reuniune de evenimente elementare:
A=ω2∪ω4∪ω6.

1 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Notăm cu Ω mulţimea tuturor evenimentelor elementare realizabile într-o anumită

experienţă. În primul exemplu Ω={V,S}, în exemplul 2, Ω={ω1,ω2,ω3,ω4,ω5,ω6}, în exemplul 3,
Ω={V,SV,SSV,SSSV,…} şi este format dintr-o infinitate de evenimente elementare.
Ω se mai numeşte evenimentul sigur, iar evenimentul care nu se poate produce la
efectuarea unei experienţe se numeşte evenimentul imposibil şi se notează ∅.
E xem plu. Un experiment constă în aruncarea unei monede de trei ori şi observarea
şirului de valori care apar. Mulţimea tuturor evenimentelor elementare este :
Ω={VVV,VVS,VSV,SVV,SSV,SVS,VSS,SSS}.
Evenimentul A=”apariţia feţei cu valoare exact de două ori” este A={VVS,VSV,SVV}.
Evenimentul B=”apariţia cel puţin o dată a feţei cu valoare în cele trei aruncări” este
Ω\{SSS}.
Operaţii cu evenimente
Pe mulţimea tuturor evenimentelor corespunzătoare unei experienţe se definesc trei
operaţii : “sau”, “şi”, “non”.
a) A, B sunt două evenimente, vom numi reuniunea lor şi vom nota A∪B evenimentul
“A sau B” care se produce atunci când :
- apare numai A;
- apare numai B;
- apar simultan A şi B.
b) “A şi B” este evenimentul care se realizează atunci cănd se realizează atât A cât şi
B; se notează prin A∩B.
c) Pentru orice eveniment A, există evenimentul “non A” se realizeaza dacă şi numai
dacă nu apare A. El se notează A sau non A sau A c .
Notaţiile de aici, precum şi sensul lor este asemănător cu cel din teoria mulţimilor.

Proprietăţi ale operaţiilor cu evenimente

1. Ωc=∅, ∅c= Ω ; A∪ A = Ω , A∩ A = ∅;
2. A∪B = B∪A ; A∩B = B∩A;
3. A∪(B∪C)=(A∪B)∪C; A∩(B∩C)=(A∩B)∩C;
4. A∪∅=A; A∩∅=∅;
5. A∪Ω=Ω; A∩Ω=A;
6. A∪A=A; A∩A=A;
7. A ∩ B = A ∪ B ; A ∩ B = A ∪ B ( legile de Morgan)
8. B∪(A∩C)=(B∪A)∩(B∪C); B∩(A∪C)=(B∩A)∪(B∩C).
2 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

Două evenimente A şi B care nu se pot realiza simultan se numesc incompatibile,

adica evenimentul “A şi B” este evenimentul imposibil : A∩B=∅.
Dacă A∩B ≠ ∅, A şi B se numesc compatibile.
Evenimentele elementare sunt incompatibile.
Evenimentele A1,A2,…, An cu proprietatile:
- sunt incompatibile două câte două, adică Ai ∩ Aj=∅ ∀i,j= 1, n ,i≠j;
- reuniunea lor este Ω, adică: A1∪A2∪…∪An=Ω

spunem că formează un sistem complet de evenimente.

Exemplu. A este un eveniment, sistemul {A, A } este cel mai simplu sistem complet de
evenimente.

O altă operaţie cu evenimente este “ diferenţa” lor, notata A\ B. Prin definiţie, A\ B=

A∩ B .
Vom spune că evenimentul A implică B, dacă realizarea lui A atrage după sine realizarea lui
B. Vom nota A⊂B.

Câmp de evenimente
Fie Ω mulţimea evenimentelor elementare realizate într-o anumită experienţă, P(Ω)
mulţimea părţilor lui Ω şi K⊂P(Ω) o mulţime de evenimente aleatoare rezultate din experienţa
respectivă.
O mulţime K de părţi a lui Ω, nevidă, se numeşte corp de evenimente dacă
îndeplineşte axiomele:
k1) oricare ar fi evenimentul A∈K ⇒ A ∈ K;
k2) oricare ar fi A şi B ∈K ⇒ A ∪ B ∈ K.

Se numeşte corp borelian de evenimente (după matematicianul francez Emile Borel)

o mulţime K de părţi ale lui Ω, infinită, cu proprietăţile :
i) ∀A∈K ⇒ A ∈K;
∞
ii) oricare ar fi evenimentele A1,A2,..,An,…∈K ⇒ evenimentul U Ai ∈K.
i =1

Corpul borelian este un corp de evenimente.Reciproca nu este adevărată.

Se numeşte câmp finit de evenimente o mulţime finită de evenimente Ω, pe care s-
a definit un corp de evenimente K. Se notează {Ω,K}.

3 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Dacă Ω nu este finit, iar K este un corp borelian, atunci {Ω,K} se numeşte câmp
borelian de evenimente.

Definiţia clasică a probabilităţii

Vom considera că Ω este format dintr-un număr finit de evenimente egal posibile, pe
care îl vom nota n(Ω). Fie A un eveniment din Ω şi n(A) numărul de evenimente elementare
care sunt favorabile apariţiei lui A.
Vom numi probabilitatea evenimentului A şi vom nota cu P(A), raportul dintre n(A) şi
n(Ω), adică :
nr . even. elementare favorabile realizarii lui A
P(A) = . (1)
nr . even. posibile

E xem plu. Considerăm experimentul “aruncarea zarului”. Ω este format din 6

evenimente elementare, deci n(Ω)=6. Fie E evenimentul “numărul apărut pe faţa zarului este
impar”. Atunci E={1,3,5}, iar n(E)=3.
n( E ) 3 1
Rezultă P(E) = = = .
n(Ω) 6 2
Definiţia 1. 6.( statistică a probabilităţii )
Se numeşte frecvenţă absolută a evenimentului A, numărul de apariţii ale
evenimentului A într-un număr oarecare de probe efectuate.
Frecvenţa relativă a evenimentului A este raportul dintre numărul m de apariţii ale
evenimentului A şi numărul total de probe efectuate.
m
Frecvenţa relativă se va nota: fn= . (2)
n
Exemplu. Aruncând o moneda de 100 ori, faţa cu valoare apare de 55 ori. Frecvenţa relativă
55
a evenimentului “apariţia feţei cu valoare “, notat cu V, este: f100= .
100
Aceasta poate aproxima probabilitatea evenimentului V.

Definiţia axiomatică a probabilităţii

Fie {Ω,K} câmp de evenimente. Se numeşte probabilitate pe câmpul de evenimente
{Ω,K} o funcţie P :K → R, care verifică axiomele:
P1) P(A) ≥ 0, ∀A∈K;
P2) P(Ω)=1;
P3) P(A∪B)=P(A)+P(B), dacă A∩B=∅ ( adică A şi B sunt evenimente incompatibile).

4 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Propoziţie Dacă A şi B sunt evenimente din K, atunci:

1) P( A )=1 - P(A);
2) P(∅)=0;
3) Dacă A⊂B ( A implică B), atunci P(A) ≤ P(B);
4) Pentru orice eveniment A∈K, 0≤ P(A) ≤1;
5) P(B \ A)=P(B) – P(A∩B);
6) Dacă A⊂B, atunci P(B \ A) = P(B) – P(A);
7) P(A∪B)=P(A)+P(B) – P(A∩B);
⎛n ⎞ n
8) P ⎜ U Ak ⎟ = ∑ P ( Ak ) , evenimentele A1,A2,..,An sunt incompatibile două câte două.
⎝ k =1 ⎠ k =1

Un câmp de evenimente {Ω,K} înzestrat cu o probabilitate P se numeşte câmp de

probabilitate.Se notează {Ω,K,P}.
Fie {Ω,K} un câmp borelian. Se numeşte probabilitate complet aditivă pe câmpul
{Ω,K} o funcţie P:K→R cu proprietăţile:
1) P(A) ≥ 0 , ∀ A∈K;
2) P(Ω)=1;
⎛∞ ⎞ ∞
3) P ⎜ U Ak ⎟ = ∑ P ( Ak ) , pentru orice familie numărabilă de evenimente incompatibile
⎝ k =1 ⎠ k =1
două câte două.
{Ω,K,P} se numeşte câmp borelian de probabilitate, dacă P este complet aditivă.
Proprietăţile din propoziţia 1.2. rămân valabile şi pentru un câmp borelian de probabilitate. De
asemenea, definiţia clasică a probabilităţii satisface condiţiile din definiţia axiomatică.

Probabilitate condiţionată
Fie {Ω,K,P} un câmp de probabilitate şi A,B ∈K, cu P(A)≠0.
Se numeşte probabilitatea evenimentului B condiţionat de evenimentul A şi se
notează PA(B) sau P(B/A) raportul :
P( A ∩ B)
P(B/A)=PA(B)= . (4)
P ( A)

Această condiţionare implică faptul că se pot evalua consecinţele apariţiei

evenimentului B, ştiind că evenimentul A s-a realizat. Adesea, se foloseşte formula :
P(A∩B)=P(A)⋅PA(B). (5)

5 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Exemplu. Într-un lot se găsesc 20 piese defecte şi 30 piese corespunzătoare din punct
de vedere al calităţii. Se extrag două piese, fără a pune prima piesă extrasă inapoi în lot. Se
cere probabilitatea ca în această dublă extragere, să se obţină:
a) în prima o piesă defectă şi în a doua o piesă bună;
b) două piese bune.
Soluţie. Notăm cu A1 - evenimentul: prima piesă extrasă este bună
A2 - evenimentul: a doua piesă extrasă este bună.
a) Vom calcula probabilitatea evenimentului A1c∩A2. Ştiind că A1c este eveniment
contrar lui A1, adică prima piesă este defectă şi ştiind că sunt 20 piese defecte din totalul de
20 2
50 piese, rezultă P(A1c)= = . Dacă s-a extras prima dată o piesă defectă, înseamnă că în
50 5
30
lot au rămas 19 piese defecte şi 30 bune. Prin urmare PAc (A2)= . Folosind formula
1 49
probabilităţii condiţionate, putem afla :
2 30
P(A1c∩A2).= P(A1c)⋅ PAc (A2)= ⋅ =0,245.
1
5 49
30 3
b) Vom calcula P(A1∩A2)=P(A1)⋅ PA1 ( A2 ) . P(A1)= = . PA1 ( A2 ) este probabilitatea
50 5
evenimentului de a extrage a doua piesă bună, ştiind că prima piesă extrasă a fost bună;
deci, acum în lot au rămas doar 29 piese bune din totalul de 49 piese.

29 3 29
PA1 ( A2 ) = şi P(A1∩A2)=P(A1)⋅ PA1 ( A2 ) = ⋅ =0,355. g
49 5 49

Evenimente independente
Două evenimente A şi B pentru care
P(A∩B)=P(A)⋅P(B) (6)
se numesc evenimente independente.
Dacă două evenimente sunt independente şi incompatibile atunci
P(A∩B)=P(A)⋅P(B) şi P(A∩B)=P(∅)=0⇒ P(A)=0 sau P(B)=0.
Vom spune că n evenimente A1, A2,…, An sunt independente în totalitatea lor, dacă
pentru orice număr s cuprins între 0 şi n şi orice indice k1,k2,…,ks cu 1≤ k1< k2<…<ks≤n
este îndeplinită condiţia:

P( Ak ∩ Ak ∩ …∩ Ak )=P( Ak ) ⋅ P ( Ak ) ⋅ …⋅P( Ak ).
1 2 s 1 2 s

6 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Formula de calcul a probabilităţii unei intersecţii de evenimente independente în totalitatea lor

este P( A1 ∩ A2 ∩ …∩ An )=P( A1 ) ⋅ P ( A 2 ) ⋅ …⋅P( An ).

Exemplu. Probabilitatea ca un anumit tip de maşină să se defecteze în prima lună de

funcţionare este de 0,3. Dacă o firmă are două maşini de acest tip, care au fost instalate în
acelaşi timp, care este probabilitatea ca la sfârşitul primei luni, numai una singură să se
defecteze?
Soluţie. Notăm cu A - evenimentul ca maşina 1 să se defecteze în prima lună de la
instalare şi cu B - evenimentul ca maşina 2 să se defecteze în prima lună de la instalare.
Performanţele celor două maşini sunt independente. Dacă numai o singură maşină se
defectează există următoarele posibilităţi:
- sau maşina 1 funcţionează şi maşina 2 se defectează ( A şi B)
- sau maşina 1 se defectează şi maşina 2 funcţionează (A şi B ).
Vom calcula probabilitatea p a evenimentului ( A ∩B)∪(A∩ B ). Dar A ∩B şi A∩ B sunt
evenimente incompatibile, deci : p=P[( A ∩B)∪(A∩ B )]=P( A ∩B) + P(A∩ B ). Pe de altă parte
perechile de evenimente A şi B , A şi B sunt independente.
Se obţine astfel: p=P( A )⋅P(B) + P(A)⋅P( B )=0,7⋅0,3+0,3⋅0,7=0,42.
Probabilităţile evenimentelor contrarii s-au calculat cu formula P( A ) = 1 – P(A). g

Fie A1,A2,…,An evenimente. Probabilitatea evenimentului

A1 ∩ A2 ∩ …∩ An
se calculeaza generalizând formula probabilităţilor condiţionate (5):

P( A1 ∩ A2 ∩ …∩ An )=P(A1)⋅ PA (A2)⋅ PA1∩ A2 (A3)⋅…⋅ PA1∩ A2 ∩...∩ An −1 ( An ).

1

Demonstraţia acestei formule se face prin inducţie matematică.

Exemplu.Un lot de 100 de piese este supus controlului de calitate.Condiţia ca acest

lot să fie admis este ca în 4 verificări consecutive să nu fie nici o piesă
necorespunzătoare.Care este probabilitatea ca lotul să fie acceptat, ştiind că în lot sunt 10%
piese defecte?
Soluţie. Notăm cu Aj - evenimentul ca piesa nr. j să fie bună, j= 1,4 .Lotul de piese va fi
acceptat dacă la toate cele 4 controale nu apare nici o piesă defectă, adică dacă apare
90 9
evenimentului A1∩A2∩A3∩A4. P(A1)= = .
100 10

7 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Dacă prima piesă nu este defectă, atunci în lot rămân 99 de piese dintre care 89 bune
89
⇒ P A1 (A2)= . Dacă primele doua piese extrase au fost bune, atunci în lot au rămas 98
99
88
piese din care 88 sunt bune ⇒ P A1∩ A2 (A3) = . Probabilitatea ca a patra piesă să fie bună,
98
87
după ce au fost extrase trei piese bune este P A1∩ A2 ∩ A3 (A4) = .
97
Folosind formula (8), pentru n=4, se obţine:
90 89 88 87
P(A1∩A2∩A3∩A4)= P(A1) ⋅ P A1 (A2) ⋅ P A1∩ A2 (A3) ⋅ P A1∩ A2 ∩ A3 (A4)= ⋅ ⋅ ⋅ =0,6 g
100 99 98 97
Tot pentru probabilitatea realizării simultane a n evenimente a fost demonstrată
inegalitatea lui Boole:
n
P( A1 ∩ A2 ∩ …∩ An ) ≥ ∑ P ( Ak ) − (n − 1) . (9)
k =1

Formula probabilităţii totale şi formula lui Bayes

Fie un sistem complet de evenimente A1,A2,…,An, adică:

A1∪A2∪…∪An=Ω, Aj ∩ Ak =∅, ∀ j,k= 1, n , j ≠ k.

Presupunem că P(Ak) ≠ 0, ∀ k = 1, n .
Fie un eveniment X. Atunci X se mai poate scrie :
⎛n ⎞ n
X= X∩Ω=X∩ ⎜ U Ak ⎟ = U ( X ∩ Ak ) .
⎝ k =1 ⎠ k =1

Evenimentele X∩Ak , ∀ k = 1, n , sunt incompatibile două câte două.

Într-adevăr, dacă i≠j (X∩Ai)∩(X∩Aj)=∅, pentru că Ai, Aj ,sunt incompatibile. Se obţine:
n
P(X) = ∑ P ( X ∩ Ak ) .
k =1

Dar din relaţia (5) fiecare termen al sumei se poate scrie

P(X∩Ak)= P(Ak) ⋅ P Ak (X) ∀ k= 1, n , cu condiţia ca P(Ak)≠0.

Se obţine astfel:
n
P(X) = ∑ P ( Ak ) ⋅ PAk
(X). (10)
k =1

Aceasta se numeşte formula probabilităţii totale.

Ştim că dacă X şi B sunt două evenimente cu probabilităţi diferite de zero, atunci

P(B∩X)= P(X)⋅PX(B) = P(B)⋅PB(X) ⇒

8 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

P (B ) ⋅ PB ( X )
PX(B)= .
P( X )
Fie {A1, A2,…, An} este un sistem complet de evenimente, în locul evenimentului B
putem considera unul dintre evenimentele sistemului, fie Ak şi vom obţine formula:
P ( Ak ) ⋅ PAk ( X ) P ( Ak ) ⋅ PAk ( X )
PX(Ak)= = . (11)
P( X ) n
∑ P ( Ai )PAi ( X )
i =1

Această formulă se numeşte formula lui Bayes,( Bayes-om de ştiinţă englez, care a
trăit în secolul al XVIII- lea).

Exemplu. Două maşini automate care fabrică acelaşi tip de piese şi au aceeaşi
productivitate, realizează piese rebut cu probabilitatea p1=0,05 şi respectiv p2=0,02. Din
producţia celor două maşini se extrage la întâmplare o piesă.
a) Care este probabilitatea ca piesa extrasă să fie rebut ?
b) Ştiind că piesa extrasă a fost un rebut, să se afle probabilitatea ca ea să provină de la
prima maşină.
c) Ştiind că piesa extrasă este corespunzătoare, care este probabilitatea ca ea să provină de
la a doua maşină?
Soluţie. a) Aj - evenimentul ca piesa extrasă să provină de la maşina i, i=1,2 .
Fie X evenimentul ca piesa extrasă să fie rebut. Evenimentele A1,A2 formează un sistem
complet de evenimente. Probabilitatea lui X se va calcula cu formula probabilităţii totale:
P(X)=P(A1)⋅P A1 (X) + P(A2)⋅P A2 (X)

1
cu P A1 (X) =0,05; P A2 (X) =0,02; P(A1)= P(A2)= . Rezultă P(X)=0,035.
2
b)Probabilitatea PX(A1) se poate calcula cu formula lui Bayes şi se obţine:
1
P ( A1 ) ⋅ PA1 ( X ) ⋅ 0,05
PX(A1)= = 2 =0,714.
P( X ) 0,035

d) Fie Y evenimentul ca piesa extrasă să fie corespunzătoare, Y = X , P(Y)=0,965. P(A2/Y)

se calculează cu formula lui Bayes:
1
P ( A2 ) ⋅ PA2 (Y ) ⋅ 0,98
PY(A2)= =2 =0,507. g
P (Y ) 0,965

9 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Fie A1, A2,…, An , n evenimente compatibile.Probabilitatea producerii a cel puţin un

eveniment din cele n este dată de formula :
n n n
P( A1 ∪ A2 ∪ …∪ An ) = ∑ P ( Ai ) - ∑ P ( Ai ∩ A j ) + ∑ P ( Ai ∩ A j ∩ Ak ) -….+
i =1 i , j =1 i , j ,k =1
i≠ j i ≠ j ≠k

+ ( −1) n −1 P ( A1 ∩ A2 ∩ ..... ∩ An ) . (12)

Aceasta se numeşte formula lui Poincare.
Pentru n=2, formula lui Poincare este
P(A1∪A2)=P(A1)+P(A2) – P(A1∩A2).

Exemplu. Într-un circuit sunt legate trei rezistenţe în serie, adică dacă o rezistenţă se
defectează se întrerupe circuitul. Într-un regim de suprasolicitare, aceste trei rezistenţe se pot
arde respectiv cu probabilităţile: 0,02; 0,05; 0,04. Să se calculeze probabilitatea ca într-un
astfel de regim de funcţionare să se întrerupă curentul. Rezistenţele se comportă
independent în totalitate.

Soluţie. Notăm cu Aj - evenimentul ca rezistenţa j să se ardă când funcţionează în

regim de suprasolicitare, j = 1,3 . P(A1)=0,02 ; P(A2)=0,05 ; P(A3)=0,04.
Evenimentul ca cel puţin o rezistenţă să se ardă este A1∪A2∪A3. Vom calcula probabilitatea
acestui eveniment p=P(A1∪A2∪A3). Aplicăm formula lui Poincare pentru n=3 şi ţinem cont că
evenimentele sunt independente în totalitatea lor.
p=P(A1∪A2∪A3)= P(A1)+P(A2)+P(A3) – P(A1∩A2) - P(A2∩A3) - P(A3∩A1)+P(A1∩A2∩A3)=
=0,02+0,05+0,04 – 0,02⋅0,05+0,05⋅ 0,04 – 0,04 ⋅0,02 + 0,02 ⋅0,05⋅ 0,04=0,10624. g

§.2. Scheme probabilistice clasice

În teoria probabilităţilor există tipuri clasice de probleme. Pentru a nu se folosi de

fiecare dată raţionamentul care se aplică unui tip de probleme, s-au stabilit scheme de calcul
al probabilităţilor. Drept pretext, în prezentarea tipurilor de probleme care se pot rezolva cu
aceste scheme se foloseşte modelul unor urne care conţin bile de diverse culori; experienţele
efectuate constau în extragerea de bile din urnă, folosind diverse metode.
1. Schema lui Bernoulli ( sau binomială sau schema urnei cu bilă revenită)
Într-o urnă se află bile albe şi bile negre. Probabilitatea de a extrage la întâmplare o
bilă albă este p, iar probabilitatea evenimentului apariţiei unei bile negre este q=1–p. Se
extrag la întâmplare n bile pe rând, observându–se culoarea şi punând bila extrasă de fiecare
dată înapoi în urnă.Care este probabilitatea ca, în cele n extrageri să apară k bile albe?
10 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

Notăm X evenimentul ca din n bile extrase, k să fie bile albe, iar probabilitatea lui X o
vom nota Pn;k.
Fie Aj evenimentul ca la extragerea j să apară o bilă albă, j = 1, n .

P(Aj)=p; P( A j )=1 – p=q.

Evenimentul a cărei probabilitate se cere este:

X=[(A1∩A2∩…∩Ak∩ Ak +1 ∩..∩ An )∪(A1∩A2∩…∩ Ak ∩Ak+1∩ Ak +2 ..∩ An )∪…..]
Toate evenimentele din parantezele rotunde reprezintă k apariţii ale bilei albe şi n–k
apariţii ale bilei negre, ele diferă numai prin ordinea acestor apariţii. Fiecare eveniment din
această reuniune are probabilitatea pkqn-k. Numărul acestor evenimente este egal cu numărul
de moduri în care se pot alege k bile din n, adică Cnk .

Atunci Pn;k= C nk p k q n −k .

Aceasta este formula care caracterizează schema bilei revenite şi în care n,k∈N, k≤n,
p,q >0 p+q=1.

Exemplu. Se aruncă două zaruri de 10 ori . Care este probabilitatea să apară de 6 ori
suma 7?
Soluţie. Notăm cu X evenimentul apariţiei sumei 7 de 6 ori din 10 aruncări;
6 1
A=evenimentul ca la o aruncare a celor două zaruri să apară suma 7. p=P(A)= = , iar
36 6
5
q=1 – p= ; n=10, k=6. Aplicăm formula schemei lui Bernoulli şi se obţine
6
6 4 4
6 6 ⎛ 1⎞ ⎛ 5⎞ 6 5
P10;6= C10 p 6 q 4 = C10 ⎜ ⎟ ⎜ ⎟ = C10 =0,002. g
⎝6⎠ ⎝6⎠ 610
Formula din schema lui Bernoulli se poate generaliza:
Presupunem că într-o urnă sunt bile de s culori, s>2. Probabilitatea de a extrage, la
întâmplare, o bilă de culoarea 1 este p1; de a extrage, la întâmplare, o bilă de culoarea 2
este p2 , ş.a.m.d., iar p1+p2+..+ps=1. Se extrag la întâmplare n bile, punându-se de fiecare
dată bila extrasă înapoi. Care este probabilitatea ca din cele n bile extrase, k1 să fie de
culoarea 1, k2 să fie de culoarea 2,…., ks să fie de culoarea s? Evident k1+k2+…+ks=n.
Vom nota probabilitatea căutată cu Pn(k1,k2,..,ks). Prin generalizarea formulei din
schema bilei revenite, obţinem:
n!
Pn(k1,k2,..,ks)= p1k1 p2k2 ....psks .
k1!⋅k 2 !....k s !

11 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Exemplu. Se aruncă un zar de 10 ori .Care este probabilitatea ca faţa 1 să apară o

singură dată, feţele 2 şi 3 de două ori, faţa 4 de trei ori şi faţa 6 de două ori?
Soluţie. Aplicăm generalizarea schemei lui Bernoulli, pentru n=6 culori. Notăm cu pj
probabilitatea ca la o aruncare să apară faţa zarului cu j puncte, j = 1,6 , avem:
1
p1=p2=p3=p4=p5=p6= , n=10, k1=1, k2=k3=2, k4=3, k5=0, k6=2.
6
Probabilitatea cerută este :
1 2 2 3 0 2
10! ⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞
p=P10(1,2,2,3,0,2)= ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ =0,00125
1! 2! 2! 3! 0! 2! ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠ ⎝ 6 ⎠
2.Schema urnei cu bila nerevenită
Este asemănătoare cu schema lui Bernoulli, însă se face ipoteza că bila nu mai revine
în urnă după fiecare extragere.
Într-o urnă se află a bile albe şi b bile negre, în total N bile. Se extrag la întâmplare n
bile, fără a reintroduce bila extrasă înapoi în urnă. Care este probabilitatea ca din cele n bile
extrase, k să fie albe?
Notăm cu X = evenimentul „din cele n bile extrase k sunt albe”. Numărul cazurilor
posibile pentru acest eveniment este egal cu CNn . Putem forma Cak grupe ce conţin k bile

albe; fiecare astfel de grupă se asociază cu o grupă ce conţine n–k bile negre (în total Cbn −k )

obţinându-se numărul cazurilor favorabile Cak Cbn −k .

Aplicând formula clasică a probabilităţii se obţine :

Cak Cbn −k
P(X)= .
CNn

Exemplu. Din 100.000 de bilete, puse în vânzare la jocul “Bingo”, într-o săptămână
10 bilete sunt câştigătoare. La o agenţie se repartizează la întâmplare 100 bilete. Să se
determine probabilitatea ca:
a) 3 bilete din cele repartizate să fie câştigătoare;
b) cel mult 2 bilete repartizate să fie câştigătoare.

Soluţie. Aplicăm schema bilei nerevenite cu: N=100000, a=10, n=100.

a)Fie X evenimentul ca trei bilete din cele repartizate să fie câştigătoare, atunci k=3
Cak Cbn −k C10
3 97
C99990
⇒ P(X)= = 100
.
CNn C100 000

b)Notăm cu X evenimentul ca cel mult 2 bilete repartizate să fie câştigătoare.

X=X0∪X1∪X2, cu Xj evenimentul ca j bilete repartizate să fie câştigătoare, j=0,1,2. Aceste trei
12 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

evenimente sunt incompatibile şi pentru calculul probabilitatii fiecăruia se aplică schema bilei
nerevenite.
2 100 − j
2
C10j C99990
P(X)= ∑ P ( X j ) = ∑ 100
.
j =o j =0 C100 000

3.Schema urnelor lui Poisson

În n urne identice se află în diferite proporţii bile albe şi bile negre. Probabilitatea de a
extrage o bilă albă din urna j este pj, iar de a extrage o bilă neagră este q j=1–pj, j= 1, n . Se
extrage din fiecare urnă câte o bilă, în total n bile. Care este probabilitatea Pn(k) ca din cele n
bile extrase, k să fie albe?
Notăm cu X evenimentul ca din cele n bile extrase(câte una din fiecare urnă) k să fie
albe şi cu Aj extragerea unei bile albe din urna j, iar A j este evenimentul extragerii unei bile

negre din urna j, j = 1, n .

X=[(A1∩A2∩…∩Ak∩ Ak +1 ∩..∩ An )∪( A1∩A2∩…∩ Ak ∩Ak+1∩ Ak +2 ..∩ An )∪…..]

Evenimentele din parantezele rotunde sunt incompatibile două câte două. Rezultă:
P(X)= ∑ p i pi 1 2
...pi k q i k +1 ...q i n care reprezintă coeficientul lui tk din polinomul lui Poisson
{ i1,i 2 ,..i n }

(p1t+q1)(p2t+q2)….(pnt+qn).
Exemplu. În 3 loturi de produse 4%, 3% şi respectiv 8% sunt defecte.Se extrage la
întâmplare câte un produs din fiecare lot.Să se afle probabilitatea ca:
a) un produs să fie defect ;
b) toate produsele extrase să fie corespunzătoare.
Soluţie. Aplicăm schema lui Poisson şi notăm cu pj probabilitatea ca un produs extras
din lotul j să fie defect, j = 1,3 . Atunci p1= 0,04, p2=0,03, p3=0,08.
Probabilităţile evenimentelor contrare sunt q1=0,96, q2=0,97, q3=0,92.
a) probabilitatea căutată este dată de coeficientul lui t din polinomul lui Poisson
(0,04t+0,96)(0,03t+0,97)(0,08t+0,92)
adică este p= 0,04⋅ 0,97⋅ 0,92 +0,96⋅ 0,03 ⋅0,92+0,96⋅ 0,97⋅ 0,08=0,137.
b)Fie X- evenimentul ca cele 3 produse extrase să fie corespunzătoare, adică nici un
produs nu este defect. Probabilitatea acestui eveniment va fi coeficientul lui t0 din polinomul
lui Poisson de mai sus, adică P(X)=0,96 ⋅0,97 ⋅0,92=0,913. g
Observaţie. Schema urnelor lui Poisson este o generalizare a schemei lui Bernoulli.

4. Schema lui Pascal

13 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Considerând urna din schema lui Bernoulli, se pune problema determinării probabilităţii ca la
o anumită extragere să se realizeze evenimentul dorit. Probabilitatea ca în extracţia k să
apară bila albă este pqk-1.
Fie Aj evenimentul ca la extragerea j să apară o bilă albă, j = 1, n . P(Aj)=p; P( A j )=1–p=q.
Evenimentul A =aparitia unei bile albe la extragerea k este :
A= A1 ∩ A2 ∩ ... ∩ Ak −1 ∩ Ak .
Probabilitatea lui A este P(A)=p⋅qk-1. Această probabilitate reprezintă termenul general
al unei progresii geometrice cu primul termen p şi raţia q şi din acest motiv, schema se mai
numeşte şi schema geometrică.
§.3. Variabile aleatoare
În multe situaţii este potrivit să asociem evenimentelor unui experiment valori
numerice. De exemplu, dacă experimentul constă în aruncarea unui zar şi observarea feţei
care apare, este natural să asociem numerele 1,2,3,4,5,6 respectiv evenimentelor elementare
ale experimentului. Dacă X desemnează rezultatul experimentului, atunci X ia valorile
1,2,3,4,5 sau 6. Deoarece valorile lui X depind de rezultatele unui experiment, ne vom referi
la X ca fiind o variabilă aleatoare(întâmplătoare).
În general, o variabilă aleatoare este o funcţie care asociază un număr fiecărui
eveniment al unui experiment.

Exemple.
1. O monedă este aruncată de două ori. Fie X variabila aleatoare care arată numărul
de feţe cu valoare, V, care apar în aceste două aruncări.
Mulţimea evenimentelor elementare care apar în realizarea experienţei este
Ω= {VV,VS,SV,SS}, unde prin S am notat evenimentul ca la o aruncare să apară faţa cu
stema. Pentru variabila aleatoare X este naturală asocierea:
Eveniment elementar al lui Ω Valoarea lui X
VV 2
SV 1
VS 1
SS 0

De exemplu, evenimentul X=1 este dat de mulţimea evenimentelor elementare {SV,VS}.

2.O monedă este aruncată repetat, până când apare faţa cu valoare. Fie Y variabila
aleatoare care arată numărul de aruncări ale monedei până se obţine faţa cu valoare. Care
sunt valorile lui Y?
În acest eveniment, după cum am văzut la începutul capitolului ,

14 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Ω= {V,SV,SSV,SSSV,….} apare un şir de evenimente, nu un număr finit. Asociem lui Y

valorile:
eveniment Valoarea lui Y
V 1
SV 2
SSV 3
SSSV 4
. .
. .
Deci Y poate lua orice valoare naturală nenulă.

3.O lanternă se lasă deschisă, până când bateria ei se cosumă. Fie Z variabila
aleatoare care reprezintă durata de viaţă a bateriei (în ore).Ce valori poate lua Z?
Z poate lua orice valoare reală pozitivă, deci 0≤ Z < ∞.
Acest exemplu arată că există şi variabile aleatoare continue, care nu au ca valori
submulţimi numărabile. Aşa cum am văzut în exemplele de mai sus, variabilele aleatoare se
pot clasifica în funcţie de valorile pe care le iau în trei categorii:
O variabilă aleatoare se numeşte discretă finită (sau finită) dacă ia un număr finit de
valori ( exemplul 1.).
O variabilă aleatoare se numeşte discretă infinită dacă poate lua orice valoare dintr-o
mulţime numărabilă de valori ( care pot fi aşezate într-un şir)(exemplul 2.).
O variabilă aleatoare se numeşte continuă dacă valorile pe care le poate lua conţin un
interval de numere reale ( exemplul 3.).
Vom da definiţia axiomatică a unei variabile aleatoare.
Fie {Ω,K,P} un câmp de probabilitate şi X:Ω→R o funcţie.
Funcţia X:Ω→R se numeşte variabilă aleatoare dacă :
∀x∈R, evenimentul Ax={ω∈Ω| X(ω)< x} ∈K.
2.X(ω) se numeşte valoarea variabilei aleatoare, iar evenimentul {ω∈Ω| X(ω)< x} se
mai notează {X<x} .
Dacă variabila aleatoare X este discretă finită, adică ia un număr finit de valori, fie
acestea x1,x2,..,xn, atunci probabilităţile evenimentelor (X=xj) , j= 1, n , pe care le notăm cu
p1,p2,…,pn verifică p1+p2+…+pn=1.

O variabilă aleatoare discretă se scrie :

⎛x x2 ........ x n ⎞ ⎛xj ⎞
X: ⎜⎜ 1 ⎟ sau X: ⎜⎜ ⎟⎟
⎝ p1 p2 ........ pn ⎟⎠ ⎝ p j ⎠ j∈I

cu x1<x2<..<xn şi p1+p2+…+pn=1. Această scriere a lui X se mai numeşte repartiţia lui X.

15 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

Am notat p j=P({ω | X(ω)=x j }), j= 1, n . Evident {ω | X(ω)=x j}∩{ω | X(ω)=x k}=∅, pentru j≠k.

Funcţia de repartiţie asociată unei variabile aleatoare

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

Se numeşte funcţie de repartiţie a variabilei aleatoare X, funcţia F:R→R, definită prin
F(x)= P({ω∈Ω| X(ω)< x})=P(X<x), ∀x∈R.
Propoziţia 3.2. Fie X o variabilă aleatoare, F:R→R funcţia ei de repartiţie şi x1,x2∈R,
x1<x2. Atunci următoarele afirmaţii sunt adevarate:
a) P(x1≤ X< x2)= F(x2) – F(x1);
b) P(x1< X< x2)= F(x2) – F(x1) – P(X=x1);
c) P(x1< X ≤ x2)= F(x2) – F(x1)+P(X=x2) – P(X=x1);
d) P(x1≤ X ≤ x2)= F(x2) – F(x1)+ P(X=x2).
Din a) rezultă că pentru x1<x2, F(x2)–F(x1)≥0, deoarece reprezintă probabilitatea P(x1≤
X< x2) care este nenegativă. Funcţia de repartiţie a unei variabile aleatoare este
crescătoare.
Se poate demonstra , de asemenea, că:
lim F ( x ) = 0 şi lim F ( x ) = 1.
x → −∞ x →∞

O altă proprietate a funcţiei de repartiţie a unei variabile aleatoare este:

funcţia de repartiţie este continuă la stânga în orice punct x∈R.
Fie X o variabilă aleatoare discretă finită:
⎛ x x 2 ........ x n ⎞ n
X: ⎜⎜ 1 ⎟⎟ , ∑ pj = 1.
⎝ p1 p2 ........ pn ⎠ j =1

Conform definiţiei, funcţia de repartiţie a lui X este F:R→R definită prin :

⎧ 0 ptr . x ≤ x1
⎪ p ptr . x1 〈 x ≤ x 2
⎪ 1
⎪ p1 + p2 ptr . x 2 〈 x ≤ x 3
⎪
F(x)= ⎨ .......... .......... .......... ......... .
⎪ p + p + ... + p ptr . x j 〈 x ≤ x j +1
⎪ 1 2 j

⎪ .......... .......... .......... .......... ...

⎪
⎩ 1 ptr . x 〉 x n
Exemplu. Fie X variabila aleatoare discretă :
⎛ − 2 1,5 3 4 ⎞
X : ⎜⎜ ⎟⎟
⎝ 0,2 0 ,1 0,4 0,3 ⎠

16 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

⎧ 0 x ≤ −2
⎪ 0,2 − 2〈 x ≤ 1,5
⎪⎪
Funcţia de repartiţie asociată lui X este F(x)= ⎨ 0,3 1,5〈 x ≤ 3 .
⎪ 0,7 3〈 x ≤ 4
⎪
⎪⎩ 1 x〉 4
Graficul funcţiei de repartiţie este o funcţie în scară.

Operaţii cu variabile aleatoare de tip discret

Se poate arăta că pentru X şi Y variabile aleatoare şi k un număr real oarecare, X+k , kX ,
1 X
( dacă X≠0) , X+Y , X – Y , XY , (dacă Y≠0) sunt de asemenea variabile aleatoare.
X Y
Acestea se definesc astfel :
⎛x x2 ........ x n ⎞ n ⎛y y2 ........ y m ⎞ m
Pentru X: ⎜⎜ 1 ⎟,
........ pn ⎟⎠
∑ p j = 1 şi Y: ⎜⎜ q 1 ⎟,
........ q m ⎟⎠
∑q j = 1.
⎝ p1 p2 j =1 ⎝ 1 q2 j =1

notăm cu pij probabilitatea ca X să ia valoarea xi şi Y să ia valoarea yj:

m n
p ij=P(X=xi , Y=yj), ∑∑ pij = 1.
j =1 i =1

⎛xj + k⎞ ⎛x ⎞ ⎛ kx j ⎞
Definim X+k : ⎜⎜ ⎟
⎟ ; X :⎜ j ⎟ ; kX: ⎜⎜ ⎟
⎟
⎜p ⎟
⎝ p j ⎠ j =1,n ⎝ j ⎠ j =1,n ⎝ p j ⎠ j =1,n
⎛ 1 ⎞
⎛ x2 ⎞ ⎛ x3 ⎞ ⎛ xn ⎞ 1 ⎜ ⎟
X : ⎜⎜ j ⎟⎟
2
; X : ⎜⎜ j ⎟⎟
3
;……; Xn: ⎜⎜ j ⎟⎟ ; : ⎜ xj ⎟ .
p
⎝ ⎠ j =1,n p
⎝ ⎠ j =1,n p
⎝ ⎠ j =1,n X ⎜ ⎟
⎝ pj
j j j
⎠ j =1,n
⎛ xi ⎞
⎛ xi + y j ⎞ ⎛ xi − y j ⎞ ⎛ xi y j ⎞ X ⎜ ⎟
X+Y : ⎜⎜ ⎟
⎟ i =1,n ; X - Y :
⎜ ⎟
⎜ p ⎟ i =1,n ; XY : ⎜⎜ ⎟
⎟ i =1,n ; :⎜ y j ⎟ .
⎝ p ij ⎠ j =1,m ⎝ ij ⎠ j =1,m ⎝ p ij ⎠ j =1,m Y ⎜p ⎟ i =1,n
⎝ ij ⎠ j =1,m
Două variabile aleatoare X şi Y discrete definite pe acelaşi câmp de probabilitate
pentru care p ij=P(X=xi ,Y=yj)= P(X=xI)⋅P( Y=yj), i= 1, n , j= 1, m se numesc independente.

Operaţiile cu variabilele X şi Y independente se efectuează astfel:

⎛ xi ⎞
⎛ xi + y j ⎞ ⎛ xi − y j ⎞ ⎛ xi y j ⎞ X ⎜ ⎟
X+Y : ⎜⎜ ⎟
⎟ i =1,n ; X-Y : ⎜ ⎟
⎜ p q ⎟ i =1,n ; XY : ⎜ ⎟
⎜ p q ⎟ i =1,n ; : ⎜ yj ⎟ .
⎝ p i q j ⎠ j =1,m ⎝ i j ⎠ j =1,m ⎝ i j ⎠ j =1,m Y ⎜ ⎟
⎝ pi q j ⎠ ij==11,,nm

Variabile aleatoare discrete cu un număr infinit de valori

Variabila aleatoare cu repartiţia :
⎛x x2 ........ x n ....... ⎞ ∞
X: ⎜⎜ 1 ⎟ , pj≥0 , j∈N*,
........ pn ....... ⎟⎠
∑ pj =1
⎝ p1 p2 j =1

17 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

se numeste variabilă discretă infinită.

O astfel de variabilă aleatoare discretă infinită este cea din exemplul 2, pe care o vom
scrie acum efectiv. Dacă Y=1, înseamnă că de la prima aruncare s-a obţinut faţa V, deci
1
probabilitatea este . Dacă Y=2, înseamnă că la prima aruncare s-a obţinut S , iar a doua
2
1 1 1
oară V. Cum aruncările sunt independente, probabilitatea căutată este ⋅ = .
2 2 4
⎛1 2 3 ....... n ....... ⎞
Se obţine astfel repartiţia lui Y: ⎜ 1 1 1 1 ⎟ cu pn= 1 , n∈N* şi
⎜ ....... ....... ⎟ 2n
⎝2 22 23 2n ⎠
∞ ∞
1 1
∑ pn = ∑ 2 n =1 , seria geometrică cu raţia
2
este convergentă, suma ei este 1.
n =1 n =1

Variabile aleatoare continue

Fie X: Ω→R o variabilă aleatoare a cărei funcţie de repartiţie este F:R→R,

x
F(x)= ∫− ∞ f (t )dt , unde f:R→R este o funcţie reală, definită pe R, integrabilă pe R. Variabila X

se numeşte de tip continuu sau continuă.

Funcţia f se numeşte densitate de probabilitate sau densitate de repartiţie.
Dacă funcţia F admite densitatea de repartiţie f, atunci se poate arăta că în toate
punctele de continuitate x ale lui F are loc:
F ( x + h) − F ( x ) P( x ≤ X 〈 x + h)
f(x) = F’(x)= lim = lim .
h →0 h h →0 h
Densitatea de repartiţie f: R→R a unei o variabile aleatoare de tip continuu X, are
următoarele proprietăţi:
∞ x2
1°. f(x)≥0, ∀x∈R; 2°. ∫−∞ f ( x )dx = 1; 3°. P(x1≤ X < x2) = ∫x 1
f ( x )dx .

Observaţie. În cazul variabilelor aleatoare X de tip continuu, care au densitatea de

repartiţie f o funcţie continuă, probabilitatea ca X să ia o anumită valoare x este egală cu 0 şi
atunci:
P(x1≤ X < x2) =P(x1< X < x2) =P(x1≤ X ≤ x2)= P(x1< X ≤x2) = F(x2)-F(x1).

Exemplu. O variabilă aleatoare de tip continuu X, are densitatea de repartiţie:

⎧k pentru x ∈ [a, b]
f(x)= ⎨ , unde [a,b]⊂R.
⎩0 pentru x ∉ [a, b]
Să se determine:
a)constanta k;
18 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

b)funcţia de repartiţie a lui X;

c)probabilitatea ca X să ia valori cuprinse între 2 şi 3, dacă a=1, b=6.

Soluţie.a) f(x)≥0, ∀x∈R⇒ k ≥0 ;

∞ a b ∞ b
∫−∞ f ( x )dx = 1⇒ ∫−∞ f ( x )dx + ∫a f ( x )dx + ∫b f ( x )dx = 1⇒ ∫a kdx = 1⇒ kx a =1⇒
b
k(b-a)=1⇒ k

⎧ 1
1 ⎪ pentru x ∈ [a, b]
= . Prin urmare f(x)= ⎨ b − a .
b−a ⎪⎩ 0 pentru x ∉ [a, b]
x x
b) Pentru x∈(-∞,a), F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt = 0 .
x a x 1 1 x x −a
Pentru x∈[a,b], F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt + ∫a b−a
dt = t =
b−a a b−a
.

x a b 1 x
Pentru x∈(b,+∞), F(x)= ∫−∞ f (t )dt = ∫−∞ 0 dt + ∫a b−a
dt + ∫b 0 dt =1.

⎧ 0 x 〈a
⎪x − a
Deci F(x)= ⎨ x ∈ [a, b] .
⎪b − a
⎩ 1 x〉b
Pentru a=1 şi b=6, funcţiile f şi F sunt :
⎧ 0 x 〈1
⎧1 ⎪x −1
⎪ pentru x ∈ [1, 6 ]
f(x)= ⎨ 5 , F(x)= ⎨ x ∈ [1, 6] .
⎪⎩ 0 pentru x ∉ [1, 6] ⎪ 5
⎩ 1 x〉6
3 31 1 3 1
c) P(2< X< 3)= ∫2 f ( x )dx = ∫2 dx = u 2 = = 0,2 .
5 5 5
Această repartiţie se numeşte repartiţia uniformă, iar X este variabilă aleatoare
uniformă.
§.4.Media unei variabile aleatoare.Proprietăţile mediei

O caracteristică numerică asociată unei variabile aleatoare X este media sau valoarea
medie, care se notează M(X) şi care se defineşte astfel:
a) Pentru o variabilă aleatoare discretă finită X, care are repartiţia
⎛x x 2 ........ x n ⎞ n
X: ⎜⎜ 1
p2 ........ pn ⎟⎠
⎟ , ∑ pj =1
⎝ p1 j =1

n
M(X)= x1p1 +x2p2 +…+xnpn = ∑ x k pk .
k =1

b) Pentru o variabilă aleatoare discretă infinită X, care are repartiţia

⎛x x2 ........ x n ....... ⎞ ∞
X: ⎜⎜ 1 ⎟ şi
........ pn ....... ⎟⎠
∑ pj =1
⎝ p1 p2 j =1

19 Matematici aplicate in economie

 Introducere în teoria probabilităţilor
∞
Media ei, M(X) este prin definiţie suma seriei ∑ x n pn = M(X).
n =1

c) Dacă variabila aleatoare este de tip continuu, cu repartiţia f , atunci

∞
M(X)= ∫−∞ xf ( x )dx , în cazul convergenţei integralei.

⎛a⎞
a) Dacă X este o variabilă aleatoare constantă X: ⎜⎜ ⎟⎟ , atunci M(X)=a.
⎝ 1⎠

b) Dacă X este o variabilă aleatoare şi k∈R , atunci M(kX)=kM(X).

c)Dacă X şi Y sunt două variabile aleatoare, atunci

M(X+Y)=M(X)+M(Y).

c) Dacă X şi Y sunt variabile aleatoare, independente, atunci

M(XY)=M(X)M(Y).

Momente iniţiale şi momente centrate ale unei variabile aleatoare

Fie X o variabilă aleatoare discretă finită:
⎛x x 2 ........ x n ⎞ n
X: ⎜⎜ 1
p2 ........ pn ⎟⎠
⎟ , ∑ pj = 1.
⎝ p1 j =1

Se numeşte moment iniţial de ordin r al lui X şi se notează Mr(X) , media variabilei

Xr, adică:
n
Mr(X)=M(Xr)= ∑ x ir p i .
i =1

Notăm cu m media variabilei aleatoare X.

⎛ x − m x 2 − m ........ x n − m ⎞ n
Variabila X-m : ⎜⎜ 1
........ pn ⎟⎠
⎟ , ∑ pj = 1 , se numeşte variabila
⎝ p1 p2 j =1

centrată asociată lui X.

Se numeşte moment centrat de ordin r asociat lui X, momentul de ordin r al variabilei

aleatoare centrate, asociate lui X. Se notează μr(X).
n
μr(X)= Mr(X – m)=M[(X – m)r]= ∑ ( x i − m ) r pi .
i =1

20 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

⎛ k ⎞
Exemplu. Fie variabila aleatoare X: ⎜⎜ k k n −k ⎟⎟ , n∈N, k=0,1,…,n, p,q>0, p+q=1.
⎝Cn p q ⎠
Se numeşte variabila binomială sau variabila de tip Bernoulli sau variabila cu repartiţia
Bernoulli şi reprezintă numărul de apariţii al unui evenimnt A, care are probabilitatea p, atunci
când se fac n probe independente. Media acestei variabile este M(X)= np.

Pentru variabila aleatoare discretă infinită X

⎛x x2 ........ x n ....... ⎞ ∞
X: ⎜⎜ 1 ⎟ şi
........ pn ....... ⎟⎠
∑ pj = 1,
⎝ p1 p2 j =1

∞
momentul iniţial de ordin r este Mr(X)=M(Xr)= ∑ x ir pi ,
i =1

∞
iar μr(X)= Mr(X – m)=M[(X – m)r]= ∑ ( x i − m ) r pi este momentul centrat de ordin r.
i =1

Desigur, cele două serii trebuie să fie convergente pentru ca momentele să existe.

Dacă variabila aleatoare X este continuă şi are densitatea de repartiţie f, atunci

definiţiile momentelor sunt următoarele:
∞
Mr(X)=M(Xr)= ∫−∞ x r f ( x )dx - momentul de ordinul r,

∞
μr(X)= Mr(X – m)=M[(X – m)r]= ∫−∞ ( x − m ) r f ( x )dx - momentul centrat de ordin r, unde m

este media variabilei aleatoare X. Dacă aceste integrale nu sunt convergente, atunci
momentele nu există.

§.5.Dispersia unei variabile aleatoare.Abaterea medie pătratică.

O variabilă aleatoare discretă sau continuă cu m=M(X) are momentul centrat de
ordinul 1 egal cu 0.
Momentul centrat de ordin doi al variabilei aleatoare X se numeşte dispersie; se
notează D2(X) :
D2(X)=μ2(X)=M[(X-m)2].

Dispersia unei variabile aleatoare este mereu pozitivă sau cel puţin egală cu zero. Ea arată
cât de depărtate sunt valorile variabilei aleatoare X faţă de media sa.
Vom obţine o formulă de calcul pentru dispersie:
D2(X)=μ2(X)=M[(X-m)2]=M(X2-2mX+m2)=M(X2)-2mM(X)+m2=M(X2)-2m2+m2=M2(X)-(M(X))2
⇒ D2(X)= M2(X)-(M(X))2.

21 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

Această formulă este utilizabilă pentru orice tip de variabilă.

Proprietăţile dispersiei
1. Dacă X =const., atunci D2(X)=0. Reciproca este adevărată.
2. Dacă X este o variabilă aleatoare şi a∈R, atunci D2(aX)=a2D2(X).
3. Dacă X şi Y sunt două variabile aleatoare independente, atunci
D2(X+Y)=D2(X)+D2(Y).

Dacă X şi Y sunt variabile aleatoare independente, atunci

D2(X - Y)=D2(X)+D2(Y).
De asemenea, pentru X şi Y oarecare se obţine formula
D2(X - Y) = D2(X)+D2(Y) - 2cov(X,Y). (1)

Se numeşte abaterea medie pătratică a variabilei aleatoare X şi se notează σX (sau

σ) numărul real σ= D 2 ( X ) .

Coeficient de corelaţie.
Se numeste coeficient de corelaţie al variabilelor aleatoare X,Y şi se notează ρX,Y,
numărul real :

M ( XY ) − M ( X )M (Y ) cov( X ,Y )
ρX,Y= = .
σ XσY D 2 ( X ) ⋅ D 2 (Y )

Proprietăţile coeficientului de corelaţie

1. ρX,Y = 0 ⇔ X şi Y sunt variabile aleatoare necorelate.
2. Dacă X şi Y sunt independente atunci ρX,Y = 0.
3. |ρX,Y |≤1, oricare ar fi variabilele aleatoare X şi Y definite pe acelaşi câmp de evenimente.
4. |ρX,Y | = 1 implică o dependenţă liniară între X şi Y.

În cazul când ρX,Y =1, spunem că X şi Y sunt direct corelate, iar când ρX,Y = -1,
variabilele X şi Y sunt indirect corelate, adică una creşte şi cealaltă scade.
Coeficientul de corelaţie se defineşte la fel şi pentru variabilele aleatoare continue,
folosind integrala dublă.

Inegalitatea lui Cebîşev

Fie X o variabilă aleatoare cu media M(X) şi dispersia D2(X) şi ε un număr pozitiv.
Atunci, are loc următoarea inegalitate:

D2 ( X )
P ({ X − M ( X ) 〈 ε }) ≥ 1 −
ε2
22 Matematici aplicate in economie
 Introducere în teoria probabilităţilor

sau , echivalent:

D2 ( X )
P ({ X − M ( X ) ≥ ε }) ≤ .
ε2
Această inegalitate se numeşte inegalitatea lui Cebîşev.
Inegalitatea lui Cebîşev va fi aplicată la stabilirea unor rezultate privind şirurile de
variabile aleatoare- legi ale numerelor mari.
Exemplu. Variabila aleatoare X are media M(X)=3,2 şi dispersia D2(X)=0,64. Să se
afle o margine superioară pentru probabilitatea P(1,2< X <5,2).
Pentru a determina această margine superioară a probabilităţii vom aplica inegalitatea
lui Cebîşev.
Observăm că evenimentul 1,2< X <5,2 ⇔ -2< X- 3,2 < 2 ⇔ |X -3,2|< 2.
Deci, din inegalitatea lui Cebîşev, rezultă ε=2 şi atunci marginea inferioară a
D2 ( X ) 0,64
probabilităţii căutate este 1 − =1 − =0,84.
ε 2
4
Probleme
1.O societate comercială are 6 debitori. La sfârşitul lunii fiecare debitor poate fi sau nu
solvabil.Să se exprime următoarele evenimente:
a) toţi debitorii sunt solvabili;
b) cel puţin un debitor este solvabil;
c) cel mult un debitor este solvabil;
d) nici un debitor nu este solvabil;
e) cel puţin un debitor nu este solvabil;
f) 4 debitori sunt solvabili;
g) societatea comercială nu mai are debitori la sfârşitul lunii;
2.Un lot de produse ambalate în cutii, oferite de o firmă, este acceptat de beneficiar,
dacă în urma examinării a 5 cutii, extrase la întâmplare, conţinutul lor se constată a fi
corespunzător. Să se exprime următoarele evenimente:
a) lotul a fost acceptat;
b) lotul nu a fost acceptat;
c) după examinarea a trei cutii, extrase la întâmplare, lotul a fost respins.
3.Un aparat electronic este alcătuit din 3 module care funcţionează independent unul
de altul.Pe baza datelor statistice pe care le deţine, firma producătoare apreciază că
probabilitatea pi, i = 1,3 de funcţionare fără defect este p1=0,8, p2=0,85 şi respectiv p3=0,9.
Să se determine probabilitatea ca:
a) aparatul să funcţioneze;
b) aparatul să nu funcţioneze;
4.În 3 loturi de produse 4%, 3% şi respectiv 8% sunt defecte.Se extrage la întâmplare
câte un produs din fiecare lot. Să se afle probabilitatea ca:
a)un produs să fie defect;
b)un produs să fie corespunzător;

23 Matematici aplicate in economie

 Introducere în teoria probabilităţilor

c)toate produsele extrase să fie corespunzătoare;

5.O maşină automată de tricotat produce în medie 3% tricotaje necorespunzătoare.Un
lot de 100 tricotaje este supus controlului de calitate.Condiţia ca lotul să fie respins constă în
depistarea a cel puţin un tricotaj cu defecte in 4 verificări consecutive la întamplare.Să se afle
probabilitatea ca:
a) lotul să fie acceptat;
b) lotul să nu fie acceptat;
c) lotul să fie respins după a doua verificare.
6.La un serviciu financiar sunt verificate lucrările a 3 funcţionari care lucrează fără
greşeală în proporţie de 97%, 96% şi respectiv 95%. Se alege la întâmplare câte o lucrare de
la fiecare funcţionar.Cu ce probabilitate se vor găsi
a) 2 lucrări fără nici o greşeală,
b) cel puţin 2 lucrări fără nici o greşeală.
7.Un trăgător atinge ţinta cu probabilitatea 0,8.Care este probabilitatea ca din 10 focuri
trase asupra ţintei 8 focuri să atingă ţinta?
8.Într-o urnă se găsesc 3 bile albe şi 4 bile negre, iar într-o altă urnă 4 bile albe şi 5
negre.Se extrage o bilă la întâmplare dintr-una dintre urne.
a)Care este probabilitatea ca bila să fie albă?
b)Dacă bila extrasă este albă care este probabilitatea ca ea să fie extrasă din prima urnă?
9.Trei trăgători trag asupra unei ţinte câte un foc.Probabilitatea ca primul trăgător să
atingă ţinta este p1=0,6, pentru cel de-al doilea trăgător este p2=0,7 şi pentru cel de-al treilea
este p3=0,8.Ţinta a fost atinsă de un singur foc.Care este probabilitatea ca ţinta să fie atinsă
de focul tras de primul trăgător?
10.Fie funcţia F:R→R prin F(x)=a + b arctgx. Să se determine a şi b astfel încât F să
fie funcţie de repartiţie a unei variabile aleatore continue X şi să se calculeze P(0<X<1).
⎧k ( x + 2) x ∈ [0,3]
11. Fie funcţia f:R→R, unde f(x)= ⎨ . Să se determine:
⎩ 0 x ∉ [0,3]
a) parametrul real k astfel încât funcţia f să fie densitate de repartiţie a unei variabile
aleatoare continue X,
b) funcţia de repartiţie a lui X,
c) M(X),D2(X), σ(X).
⎛ 1 2 3 4⎞
12. Fie variabila aleatoare X: ⎜ 2 7 1 1 ⎟ . Să se determine valoarea
⎜α α ⎟
⎝ 4 3 6⎠
parametrului α∈R şi să se calculeze P(X ≤ 3).
13.Fie variabilele independente
⎛ −1 0 1⎞ ⎛−1 0 1 ⎞
X: ⎜ 1 1 1 ⎟ şi Y: ⎜ 1 ⎟ ,α,β∈R.
⎜α + β+ ⎟ ⎜ 2α − β 12β 2 ⎟
⎝ 6 3 3⎠ ⎝3 ⎠
Să se determine valorile parametrilor ,α,β şi media variabilei XY.

24 Matematici aplicate in economie