I3 - PROBABILITǍŢI - Notiţe de Curs

I3: PROBABILITǍŢI - notiţe de curs
Ştefan Balint, Eva Kaslik, Simina Mariş
Cuprins
1 Experienţǎ şi evenimente aleatoare 3
2 Eveniment sigur. Eveniment imposibil 3
3 Evenimente contrare 4
4 Evenimente compatibile. Evenimente incompatibile 4
5 Eveniment implicat de alt eveniment 5
6 Operaţii cu evenimente 5
7 Spaţiul de selecţie al unei experienţe 7
8 Frecvenţa 7
9 Evenimente egal posibile 8
10 Probabilitatea unui eveniment 8
11 Spaţiu de selecţie finit. Eveniment elementar. Eveniment. 10
12 Definiţia axiomaticǎ a probabilitǎţii 10
13 Evenimente independente şi evenimente dependente 14
14 Probabilitate condiţionatǎ 16
15 Variabile aleatoare discrete unidimensionale 20
1
16 Funcţia de repartiţie a unei variabile aleatoare discrete unidimensioanle 24
17 Variabile aleatoare discrete bidimensionale

(vectori aleatori) 27
18 Funcţia de repartiţie a vectorului aleator (X, Y ) 30
19 Valoare medie. Dispersie. Momente. (pentru variabile aleatoare

discrete unidimensionale) 31
20 Covarianţǎ. Coeficient de corelaţie 35
21 Convergenţa şirurilor de variabile aleatoare 38
22 Legi ale numerelor mari 39
23 Repartiţia binomialǎ 41
24 Repartiţia Poisson ca aproximaţie a repartiţiei binomiale 43
25 Repartiţia multinominalǎ 47
26 Repartiţia geometricǎ. Repartiţia binominalǎ negativǎ 48
27 Variabile aleatoare continue 49
28 Funcţia de repartiţie pentru variabile aleatoare continue. Densitatea de

probabilitate 50
29 Valorile medii şi dispersia unei variabile aleatoare continue 52
30 Repartiţia normalǎ 53
2
1 Experienţǎ şi evenimente aleatoare
Definiţia 1.1. În teoria probabilitǎţilor prin experienţǎ se ı̂nţelege un act care, ı̂n
condiţii date, poate fi repetat nelimitat.
Definiţia 1.2. Acele experimente care ı̂n condiţii date au un singur rezultat se numesc
deterministe, iar cele care ı̂n condiţii date pot avea mai multe rezultate se numesc
experienţe aleatoare.
Exemplul 1.1. Aruncarea unei monede, aruncarea unui zar, extragerea unei bile dintr-o
urnǎ, tragerea cu arma ı̂ntr-o ţintǎ sunt exemple de experienţe aleatoare.
În urma aruncǎrii unei monede se obţine unul din urmǎtoarele rezultate elementare:
(stemǎ), (valoare).
Dacǎ notǎm cu (1) apariţia feţei cu un singur punct, cu (2) apariţia feţei cu douǎ puncte,
etc., atunci ı̂n urma experienţei care constǎ ı̂n aruncarea unui zar se obţine unul din
urmǎtoarele rezultate elementare:
(1), (2), (3), (4), (5), (6).
Definiţia 1.3. Orice rezultat legat de o experienţǎ aleatoare, despre care, dupǎ efectuarea
experienţei, putem spune cǎ s-a produs sau nu, poartǎ numele de eveniment aleator
asociat experienţei.
Evenimentul (stemǎ), ı̂n cazul aruncǎrii unei monede, poate sǎ se realizeze sau sǎ nu
se realizeze, motiv pentru care acest eveniment este numit eveniment aleator spre
deosebire de evenimentul (moneda cade pe pǎmânt) care se realizeazǎ sigur datoritǎ
gravitaţiei.
Un eveniment aleator depinde de acţiunea unor factori care nu au fost luaţi ı̂n consideraţie
la fixarea condiţiilor ı̂n care se efectueazǎ experienţa. În experienţa aruncǎrii monedei,
asemenea factori sunt: felul ı̂n care mişcǎm mâna, particularitǎţile monedei, poziţia ı̂n
care se gǎseşte moneda ı̂n momentul aruncǎrii.
Referitor la realizarea unui eveniment aleator la efectuarea unei singure experienţe
aleatoare nu putem spune nimic, ı̂nainte de efectuarea experienţei. Nu putem prevedea
dacǎ la o singurǎ aruncare a monedei va apǎrea faţa cu stema. În teoria probabilitǎţilor
ne vom ocupa de asemenea experienţe şi evenimente, de evaluarea şansei de realizare a
unui eveniment aleator asociat experienţei.
2 Eveniment sigur. Eveniment imposibil
Fiecǎrei experienţe aleatoare i se pot ataşa douǎ evenimente cu caracter special: eveni-
mentul sigur şi evenimentul imposibil.
Definiţia 2.1. Evenimentul sigur (notat cu S) este un eveniment care se realizeazǎ
cu certitudine la fiecare efectuare a experienţei aleatoare.
3
Exemplul 2.1. (Apariţia unei feţe) ı̂n cazul aruncǎrii monedei este un eveniment sigur
al experienţei. (Apariţia uneia din feţe) ı̂n cazul aruncǎrii zarului este un eveniment sigur
al experienţei.
Definiţia 2.2. Evenimentul imposibil (notat cu ∅) este un eveniment care nu se

realizeazǎ niciodatǎ la efectuarea experienţei aleatoare.
Exemplul 2.2. Apariţia unei bile roşii ı̂n cazul experienţei care constǎ ı̂n extragerea unei
bile dintr-o urnǎ care conţine doar bile albe este un eveniment imposibil.
3 Evenimente contrare
Notǎm cu A evenimentul apariţiei uneia din feţele 2, 5 şi cu B apariţia uneia din feţele
1, 3, 4, 6 la aruncarea unui zar. Se observǎ cǎ dacǎ nu se realizeazǎ evenimentul A (nu
apare una din feţele 2 sau 5) atunci se realizeazǎ evenimentul B (obţinem una din feţele
1, 3, 4, 6) şi viceversa: dacǎ nu se realizeazǎ B atunci se realizeazǎ A.
Definiţia 3.1. Contrarul unui eveniment A asociat experienţei este un eveniment

B asociat aceleaşi experienţe care are proprietatea cǎ, la orice repetare a experienţei
aleatoare, dacǎ se realizeazǎ A atunci nu se realizeazǎ B şi dacǎ nu se realizeazǎ A atunci
se realizeazǎ B.
Dacǎ B este contrariul lui A atunci A este contrariul lui B.

Evenimentul contrar unui eveniment A (asociat experienţei) ı̂l vom nota cu Ā sau {A.
4 Evenimente compatibile. Evenimente incompati-

bile
Fie A şi B douǎ evenimente asociate unei experienţe aleatoare.
Definiţia 4.1. Evenimentele A şi B sunt compatibile dacǎ se pot realiza simultan ı̂n
cazul efectuǎrii experienţei aleatoare.
Exemplul 4.1. În experienţa aleatoare de aruncare a zarului, evenimentul A, care constǎ
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul B, care constǎ ı̂n apariţia uneia
din feţele 2 sau 6 sunt compatibile, deoarece dacǎ rezultatul experienţei este apariţia feţei
2 atunci se realizeazǎ atât evenimentul A cât şi evenimentul B.
Definiţia 4.2. Evenimentele A şi C asociate unei experienţe aleatoare sunt incompati-
bile dacǎ aceste evenimente nu se pot realiza simultan ı̂n cazul efectuǎrii experienţe.
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul C, care constǎ ı̂n apariţia uneia
din feţele cu un numǎr impar sunt incompatibile. Aceste evenimente nu se pot realiza
simultan. Se remarcǎ ı̂n plus cǎ evenimentele A şi C sunt contrare.
4
ı̂n apariţia uneia din feţele cu un numǎr par şi evenimentul D, care constǎ ı̂n apariţia feţei
5 sunt incompatibile. Aceste evenimente nu sunt ı̂nsǎ contrare, deoarece nerealizarea
evenimentului A ı̂ntr-o experienţǎ nu ı̂nseamnǎ realizarea evenimentului D.
Definiţia 4.3. Vom spune cǎ evenimentele A1 , A2 , ..., An asociate unei experienţe
aleatoare sunt compatibile dacǎ aceste evenimente se pot realiza simultan ı̂n cazul
efectuǎrii experienţei.
Exemplul 4.4. În experienţa aleatoare de aruncare a zarului, evenimentele:
A1 care constǎ ı̂n apariţia uneia din feţele 2, 4
A2 care constǎ ı̂n apariţia uneia din feţele 2, 6
A3 care constǎ ı̂n apariţia uneia din feţele 2, 4, 6
sunt compatibile: realizarea feţei 2 ı̂nseamnǎ realizarea tuturor acestor evenimente.
5 Eveniment implicat de alt eveniment
Fie A şi B douǎ evenimente asociate unei experienţe aleatoare.

Definiţia 5.1. Vom spune cǎ evenimentul A implicǎ evenimentul B (sau eveni-
mentul B este implicat de evenimentul A) dacǎ o datǎ cu realizarea evenimentului
A se realizeazǎ şi evenimentul B.
ı̂n apariţia uneia din feţele 1 sau 3 implicǎ evenimentul B, care constǎ ı̂n apariţia uneia
din feţele 1, 2, 3 sau 5.
Orice eveniment asociat unei experienţe aleatoare implicǎ evenimentul sigur asociat
experienţei.
6 Operaţii cu evenimente
Atunci când ı̂n cadrul unei experienţe urmǎrim realizarea unui eveniment, urmǎrim de
fapt realizarea unei pǎrţi a mulţimii rezultatelor elementare ale experienţei.
Exemplul 6.1. La aruncarea zarului, dacǎ urmǎrim realizarea evenimentului A, constând
ı̂n apariţia uneia din feţele 1 sau 3, urmǎrim de fapt dacǎ obţinem sau nu rezultatul (1)
sau (3) din mulţimea de rezultate elementare (1), (2), (3), (4), (5), (6). Evenimentul A
este perfect determinat de mulţimea formatǎ din aceste douǎ rezultate elementare şi ı̂l
putem identifica cu aceasta: A = {1, 3}.
Exemplul 6.2. La aruncarea a douǎ zaruri, dacǎ ne intereseazǎ obţinerea sumei 7,
urmǎrim dacǎ apare sau nu unul din rezultatele:
(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)
5
şi evenimentul A ı̂l vom considera ca fiind mulţimea ale cǎrei elemente sunt perechile de
numere:
A = {(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}.
Evenimentul imposibil, care nu se realieazǎ niciodatǎ la efectuarea experienţei, este

mulţimea vidǎ, ∅. Evenimentul sigur este reprezentat de mulţimea tuturor evenimentelor
elementare.
Într-o asemenea viziune dacǎ A este mulţimea rezultatelor elementare care reprezintǎ
un eveniment atunci mulţimea {A (complementara lui A) este mulţimea rezultatelor
elementare care reprezintǎ evenimentul contrar.
Am vǎzut cǎ evenimentul A0 implicǎ evenimentul B 0 , ı̂nseamnǎ cǎ ori de câte ori se
realizeazǎ A0 se realizeazǎ şi B 0 ; rezultǎ cǎ mulţimea A a rezultatelor elementare care
reprezintǎ evenimentul A0 este inclusǎ ı̂n mulţimea B a rezultatelor elementare care
reprezintǎ evenimentul B 0 , adicǎ
A ⊂ B.
Mulţimile care reprezintǎ douǎ evenimente incompatibile sunt disjuncte.
Definiţia 6.1. Fiind date douǎ evenimente A0 şi B 0 asociate unei experienţe aleatoare,
numim reuniunea lor şi o notǎm cu A0 ∪ B 0 , evenimentul care se realizeazǎ dacǎ cel
puţin unul din evenimentele A0 sau B 0 se realizeazǎ.
Rezultǎ cǎ dacǎ A este mulţimea rezultatelor elementare care reprezintǎ evenimentul A0 şi
B este mulţimea rezultatelor elementare care reprezintǎ evenimentul B 0 atunci mulţimea
A ∪ B reprezintǎ evenimentul A0 ∪ B 0 .
Exemplul 6.3. În cazul experienţei de aruncare a zarului, sǎ considerǎm evenimentele
reprezentate prin urmǎtoarele mulţimi:
A = {1, 2, 5}, B = {3, 4, 5}.
Evenimentul A0 se realizeazǎ dacǎ se obţine unul din rezultatele {1}, {2} sau {5}, iar B 0
se realizeazǎ dacǎ se obţine unul din rezultatele {3} sau {4} sau {5}. Pentru a realiza cel
puţin unul din evenimentele A0 sau B 0 trebuie sǎ obţinem unul din rezultatele {1}, {2},
{3}, {4}, {5} şi deci evenimentele A0 ∪ B 0 este reprezentat de mulţimea:
A ∪ B = {1, 2, 3, 4, 5}.
Definiţia 6.2. Intersecţia evenimentelor A0 şi B 0 asociate unei experienţe aleatoare,

notatǎ cu A0 ∩B 0 , este evenimentul care se realizeazǎ dacǎ se realizeazǎ ambele evenimente.
Rezultǎ cǎ dacǎ A, respectiv B sunt mulţimile care reprezintǎ evenimentele A0 , respectiv
B 0 , atunci mulţimea A ∩ B reprezintǎ evenimentul A0 ∩ B 0 .
Exemplul 6.4. În condiţiile din exemplul precedent A ∩ B = {5}.
6
7 Spaţiul de selecţie al unei experienţe
Pentru a introduce noţiunea de spaţiu de selecţie al unei experienţe, sǎ considerǎm

urmǎtorul exemplu:
Exemplul 7.1. Experienţa constǎ din aruncarea a douǎ monede. Modurile ı̂n care pot
apǎrea cele douǎ feţe pe fiecare monedǎ, ı̂n urma acestei experienţe, constituie mulţimea:
{(B, B), (B, S), (S, B), (S, S)} = A1 .
Prima literǎ corespunde feţei care apare la prima monedǎ, iar a doua literǎ la cea de-a
doua monedǎ; (S, S) ı̂nseamnǎ cǎ pe ambele monede a apǎrut stema.
Dacǎ un rezultat elementar este un mod de apariţie a celor douǎ feţe pe fiecare monedǎ
atunci orice rezultat elementar al experienţei este un element al mulţimii A1 .
Dacǎ un rezultat elementar al experienţei ı̂nseamnǎ de câte ori a apǎrut banul şi de câte
ori a apǎrut stema atunci mulţimea rezultatelor elementare ale experienţei este:
{(2, 0), (1, 1), (0, 2)} = A2 .
În acest caz prima cifrǎ aratǎ de câte ori apare banul iar a doua de câte ori apare stema.
Şi ı̂n acest caz fiecare rezultat elementar al experienţei este un element al mulţimii A2 .
Dacǎ un rezultat elementar al experienţei ı̂nseamnǎ cǎ cele douǎ simboluri (banul şi stema)
sunt aceleaşi sau diferite pe cele douǎ monede, atunci mulţimea rezultatelor elementare
ale experienţei este:
{aceleaşi, diferite} = A3 .
Şi aici fiecare rezultat elementar al experienţei este un element al mulţimii A3 .
Fiecare din mulţimile A1 , A2 , A3 este un set de rezultate elementare ale acestei experienţe.
În fiecare caz ı̂n parte conceptul de rezultat elementar al experienţei este specific (ı̂nseamnǎ
altceva) iar mulţimile A1 , A2 , A3 se numesc spaţii de selecţie.
Spaţiul de selecţie A1 oferǎ mai multe informaţii decât spaţiile A2 şi A3 . Dacǎ cunoaştem
ce rezultat al spaţiului A1 s-a realizat putem indica ce rezultat al spaţiului A2 sau A3 s-a
realizat.
Definiţia 7.1. Un spaţiu de selecţie al unei experienţe este o mulţime de rezultate

elementare cu proprietatea cǎ orice rezultat elementar al experienţei aparţine mulţimii.
8 Frecvenţa
Considerǎm o experienţǎ aleatoare şi un eveniment A asociat acestei experienţe. Repetǎm

experienţa de n ori (ı̂n condiţii date) şi notǎm cu α numǎrul de realizǎri ale evenimentului
A. Numǎrul de realizǎri ale evenimentului Ā va fi n − α.
α
Definiţia 8.1. Numǎrul fn (A) = se numeşte frecvenţa relativǎ a evenimentului A.
n
7
Numǎrul α, numit frecvenţa absolutǎ a evenimentului A, poate varia de la 0 la n; α = 0
dacǎ ı̂n n repetǎri ale experienţei evenimentul A nu se realizeazǎ niciodatǎ; α = n dacǎ
evenimentul A se realizeazǎ ı̂n toate cele n repetǎri ale experienţei. Prin urmare
0≤α≤n şi 0 ≤ fn (A) ≤ 1, ∀n ∈ N?
Propoziţia 8.1 (Poprietǎţile frecvenţei relative).
1. fn (S) = 1, unde S este evenimentul sigur;

2. Dacǎ A ∩ B = ∅ atunci fn (A ∪ B) = fn (A) + fn (B).
9 Evenimente egal posibile
Exemplul 9.1. Considerǎm experienţa care constǎ ı̂n aruncarea unei monede. Dupǎ
efectuarea acestei experienţe poate sǎ aparǎ fie faţa cu banul, fie faţa cu stema şi nu se
poate şti dinainte care va fi rezultatul. Dacǎ nu existǎ nici un motiv sǎ presupunem cǎ
realizarea unuia din evenimente este favorizatǎ, spunem cǎ evenimentele sunt egal posibile.
Exemplul 9.2. Când se aruncǎ un zar, poate sǎ aparǎ oricare din cele şase feţe ale
zarului. Dacǎ nu existǎ nici un motiv sǎ presupunem cǎ apariţia unei feţe este favorizatǎ,
spunem cǎ cele şase evenimente (1), (2), (3), (4), (5), (6) sunt egal posibile. În cadrul
acestei experienţe, evenimentele A = {1, 2} şi B = {3, 4} sunt şi ele egal posibile, iar
evenimentele C = {1, 2, 3} şi D = {3} nu sunt egal posibile.
Definiţia 9.1. Fie A şi B douǎ evenimente asociate unei experienţe aleatoare. Dacǎ
nu existǎ nici un motiv sǎ presupunem cǎ realizarea unuia este favorizatǎ prin raport cu
celǎlalt atunci spunem cǎ cele douǎ evenimente sunt egal posibile.
Dacǎ o experienţǎ aleatoare se repetǎ de multe ori evenimentele elementare egal posibile
au aceeaşi frecvenţǎ.
10 Probabilitatea unui eveniment
Exemplul 10.1. Considerǎm experienţa care constǎ din aruncarea unei monede şi spaţiul
de selecţie asociat A format din cele douǎ rezultate elementare posibile ale acestei
experienţe:
B=”faţa cu banul”
S=”faţa cu stema”
A = {B, S}.
Pentru cǎ cele douǎ evenimente B şi S sunt egal posibile, este natural sǎ evaluǎm (sǎ
mǎsurǎm) şansa producerii fiecǎruia cu frecvenţa relativǎ. Întrucât 2α = n rezultǎ
α 1 1
= . Rezultǎ astfel cǎ şansa producerii fiecǎrui eveniment este = inversul numǎrului
n 2 2
de evenimente posibile din A.
8
Exemplul 10.2. Considerǎm experienţa care constǎ din aruncarea zarului şi spaţiul de
selecţie asociat A = {(1), (2), (3), (4), (5), (6)}. Pentru cǎ cele şase evenimente sunt egal
posibile, este natural sǎ evaluǎm (mǎsurǎm) şansa fiecǎruia de a se produce cu frecvenţa
α 1
relativǎ. Întrucât 6α = n rezultǎ = . Rezultǎ astfel cǎ şansa producerii fiecǎrui
n 6
1
eveniment este = inversul numǎrului de evenimente posibile din A.
6
Exemplul 10.3. Considerǎm experienţa care constǎ din aruncarea a douǎ monede şi
spaţiul de selecţie asociat A = {(B, B), (B, S), (S, B), (S, S)}. Pentru cǎ cele patru
evenimente sunt egal posibile, evaluǎm (mǎsurǎm) şansa fiecǎruia de a se produce
α 1
frecvenţa relativǎ. Întrucât 4α = n rezultǎ = . Rezultǎ astfel cǎ şansa producerii
n 4
1
fiecǎrui eveniment este = inversul numǎrului de evenimente posibile din A.
4
Exemplul 10.4. În cazul aruncǎrii a douǎ monede şi a spaţiului de selecţie asociat
A = {(acelaşi simbol), (simboluri diferite)}, evenimentele fiind egal posibile, evaluǎm
α 1
şansa fiecǎruia frecvenţa relativǎ. Întrucât 2α = n rezultǎ = . Rezultǎ astfel cǎ
n 2
1
şansa producerii fiecǎrui eveniment este = inversul numǎrului de evenimente posibile
2
din A.
Definiţia 10.1. Dacǎ evenimentele din spaţiul de selecţie A asociat unei experienţe sunt
egal posibile, vom spune cǎ sunt egal probabile şi probabilitatea fiecǎruia este egalǎ
cu inversul numǎrului de evenimente din spaţiul de selecţie.
În continuare vom extinde definiţia probabilitǎţii unui eveniment din spaţiul de selecţie
la evenimente care nu mai sunt elemente ale spaţiului de selecţie A asociat experienţei,
ci sunt pǎrţi ale lui A, adicǎ aparţin la P(A) (mulţimea pǎrţilor lui A). Începem cu un
exemplu.
Exemplul 10.5. Considerǎm experienţa de aruncare a zarului şi spaţiul de selecţie asociat
A = {(1), (2), (3), (4), (5), (6)}. Evenimentul A = {apare o faţǎ având un numǎr par scris
pe ea} este de fapt A = {(2), (4), (6)}. Realizarea oricǎruia dintre evenimentele (2),
(4), (6), este favorabilǎ pentru realizarea evenimentului A. De aceea evaluǎm şansa de
realizare a evenimentului A (probabilitatea evenimentului A) cu de 3 ori şansa de realizare
3 1
a unui eveniment elementar favorabil pentru realizarea lui A. Raportul = reprezintǎ
6 2
şansa (probabilitatea) de realizare a evenimentului A şi se obţine ı̂mpǎrţind numǎrul
evenimentelor din A favorabile realizǎrii lui A la numǎrul tuturor evenimentelor din A.
Definiţia 10.2. Dacǎ spaţiul de selecţie A asociat unei experienţe are n evenimente egal
probabile şi A este un eveniment din P(A), atunci probabilitatea evenimentului A
este raportul dintre numǎrul de evenimente egal probabile ce definesc pe A şi numǎrul
total de evenimente elementare egal probabile din A.
Din aceastǎ definiţie rezultǎ cǎ dacǎ A = ∅ atunci P (A) = 0 şi dacǎ A = A atunci
P (A) = 1. În general P (A) ∈ [0, 1].
9
Ţinând seama de definiţia evenimentului contrar (complementar), rezultǎ cǎ dacǎ A are
n elemente şi A are m ≤ n elemente atunci Ā are n − m elemente şi avem:
n−m m
P (Ā) = =1− = 1 − P (A).
n n
11 Spaţiu de selecţie finit. Eveniment elementar.

Eveniment.
Definiţia 11.1. Spaţiul de selecţie finit asociat unei experienţe aleatoare este o
mulţime finitǎ S = {e1 , e2 , ..., en } de elemente abstracte.
Definiţia 11.2. Pǎrţile mulţimii S se numesc evenimente aleatoare. Un eveniment

se numeşte elementar dacǎ constǎ dintr-un singur punct al lui S. Partea vidǎ a lui S,
∅, se numeşte eveniment imposibil, iar S se numeşte eveniment sigur.
Exemplul 11.1. Printre cadrele didactice se face o anchetǎ privind desfǎşurarea proce-
sului de ı̂nvǎţǎmânt. Fiecare persoanǎ trebuie sǎ rǎspundǎ la douǎ ı̂ntrebǎri:
1. Este necesarǎ modernizarea şcolii la care lucreazǎ?
2. Este necesar ca şcoala la care lucreazǎ sǎ aibǎ o salǎ de sport?
Rǎspunsul dat de o persoanǎ intervievatǎ poate fi: e1 = (DA, DA), e2 = (DA, NU),
e3 = (NU, DA), e4 = (NU, NU). Mulţimea
S = {e1 , e2 , e3 , e4 }
constituie un spaţiu de selecţie posibil asociat acestei experienţe (anchetǎ) pentru o

singurǎ persoanǎ. Submulţimile acestui spaţiu sunt:
P(S) = {∅, {e1 }, {e2 }, {e3 }, {e4 }, {e1 , e2 }, {e1 , e3 }, {e1 , e4 }, {e2 , e3 }, {e2 , e4 }, {e3 , e4 },
{e1 , e2 , e3 }, {e1 , e2 , e4 }, {e2 , e3 , e4 }, {e1 , e2 , e3 , e4 }}.
Fiecare dintre aceste submulţimi este un eveniment. Submulţimile E1 = {e1 }, E2 = {e2 },

E3 = {e3 }, E4 = {e4 } conţin un singur punct şi sunt evenimente elementare. Orice
eveniment diferit de evenimentul imposibil este o reuniune de evenimente elementare.
12 Definiţia axiomaticǎ a probabilitǎţii
Definiţia 12.1. Numim probabilitate pe spaţiul de selecţie S = {e1 , e2 , ..., en } o

funcţie P care asociazǎ fiecǎrui eveniment A ∈ P(S) un numǎr P (A), numit probabilitatea
lui A, astfel ı̂ncât sǎ fie satisfǎcute urmǎtoarele condiţii (numite axiome):
i) P (A) ≥ 0, ∀A ∈ P(S);
ii) P (S) = 1;
10
iii) A ∩ B = ∅ ⇒ P (A ∪ B) = P (A) + P (B), ∀A, B ∈ P(S).
Definiţia 12.2. Funcţia P : P(S) → R1+ este numitǎ mǎsurǎ de probabilitate.
Definiţia 12.3. Spaţiul de selecţie S ı̂nzestrat cu mǎsura probabilistǎ P (perechea (S, P ))
este numit spaţiu de probabilitate.
Propoziţia 12.1. Fie A ∈ P(S). Dacǎ A = ∅ atunci P (A) = 0, iar dacǎ A = {e1 , e2 , ..., ek }
k
X
atunci P (A) = P ({ei }).
i=1
Demonstraţie. Deoarece P (∅ ∪ S) = P (∅) + P (S) şi P (∅ ∪ S) = P (S), rezultǎ cǎ

P (∅) + P (S) = P (S) şi deci P (∅) = 0.
A = {e1 , e2 , ..., ek } deci A = {e1 , e2 , ..., ek−1 } ∪ {ek }, iar P (A) = P ({e1 , e2 , ..., ek−1 }) +
P ({ek }). Prin urmare avem:
P ({e1 , e2 , ..., ek }) = P ({e1 , e2 , ..., ek−1 }) + P ({ek })

P ({e1 , e2 , ..., ek−1 }) = P ({e1 , e2 , ..., ek−2 }) + P ({ek−1 })
··· ··· ···
P ({e1 , e2 }) = P ({e1 }) + P ({e2 })
De aici se obţine egalitatea

k
X
P ({e1 , e2 , ..., ek }) = P ({ei }).
i=1
Consecinţa 12.1. Dacǎ cele n evenimente elementare e1 , e2 , ..., en din spaţiul de selecţie
S au aceeaşi probabilitate (sunt egal probabile), P ({ei }) = P ({ej }), ∀i, j = 1, n, atunci
1
P ({ei }) = , ∀i = 1, n.
n
Remarca 12.1. În multe aplicaţii, evenimentele elementare din spaţiul de selecţie S
au probabilitǎţi diferite. Astfel, ı̂n Exemplul 11.1, este foarte posibil ca numǎrul acelor
intervievaţi care dau rǎspunsul ei sǎ fie diferit de numǎrul celor care dau rǎspunsul ej .
Sǎ presupunem cǎ 60% din cei intervievaţi dau rǎspunsul e1 , 20% din cei intervievaţi
dau rǎspunsul e2 , 15% din cei intervievaţi dau rǎspunsul e3 şi 5% din cei intervievaţi dau
rǎspunsul e4 . Este firesc ca ı̂n asemenea condiţii sǎ atribuim urmǎtoarele probabilitǎţi
evenimentelor elementare:
P ({e1 }) = 0.6 P ({e2 }) = 0.2 P ({e3 }) = 0.15 P ({e4 }) = 0.05.
Propoziţia 12.2. Pentru orice A ∈ P(S) are loc
P ({A) = 1 − P (A).
Demonstraţie. Deoarece A ∩ {A = ∅ şi A ∪ {A = S, avem P (A) + P ({A) = P (S) = 1,

adicǎ P ({A) = 1 − P (A).
11
Propoziţia 12.3. Dacǎ A, B ∈ P(S) şi A ⊂ B atunci P (A) ≤ P (B).
Demonstraţie. A ⊂ B, deci B = A ∪ (B ∩ {A). Întrucât A ∩ (B ∩ {A) = ∅, rezultǎ

cǎ P (B) = P (A) + P (B ∩ {A) şi deoarece P (B ∩ {A) ≥ 0, rezultǎ mai departe
P (B) ≥ P (A).
Propoziţia 12.4. Dacǎ A1 , A2 , ..., An ∈ P(S) şi Ai ∩ Aj = ∅, ∀i 6= j, atunci

Ãn ! n
[ X
P Ai = P (Ai ).
i=1 i=1
Demonstraţie. Pentru n = 2 egalitatea P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) este adevǎratǎ

datoritǎ axiomei iii).
Pentru n = 3 avem (A1 ∪ A2 ) ∩ A3 = ∅, deci
P ((A1 ∪ A2 ) ∪ A3 ) = P (A1 ∪ A2 ) + P (A3 ) = P (A1 ) + P (A2 ) + P (A3 ).
SeÃpresupune
! acum cǎ pentru A1 , A2 , .., An cu Ai ∩ Aj = ∅, ∀i = 6 j are loc
[n Xn
P Ai = P (Ai ) şi se considerǎ A1 , A2 , .., An , An+1 cu Ai ∩ Aj = ∅, ∀i 6= j,
i=1 i=1
i, j = 1, n + 1. Atunci
Ãn+1 ! Ãn ! Ãn !
[ [ [
P Ai = P Ai ∪ An+1 = P Ai + P (An+1 ) =
i=1 i=1 i=1
n
X n+1
X
= P (Ai ) + P (An+1 ) = P (Ai )
i=1 i=1
Propoziţia 12.5. Oricare ar fi A, B ∈ P(S) are loc egalitatea:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Demonstraţie. Se considerǎ C = A ∩ {B, D = B ∩ {A şi se remarcǎ faptul cǎ avem
A ∪ B = C ∪ (A ∩ B) ∪ D
de unde
P (A ∪ B) = P (C) + P (A ∩ B) + P (D).
Ţinem seama acum de egalitǎţile
P (A) = P (A ∩ B) + P (A ∩ {B) = P (A ∩ B) + P (C)
şi
P (B) = P (A ∩ B) + P (B ∩ {A) = P (A ∩ B) + P (D)
12
şi obţinem:
P (A ∪ B) = P (A) − P (A ∩ B) + P (A ∩ B) + P (B) − P (A ∩ B) =
= P (A) + P (B) − P (A ∩ B).
Propoziţia 12.6. Oricare ar fi A1 , A2 , .., An ∈ P(S) avem:

Ãn ! n
[ X
P Ai ≤ P (Ai ) , ∀n ∈ N.
i=1 i=1
Demonstraţie. Pentru n = 2 avem
P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ) ≤ P (A1 ) + P (A2 )
ı̂ntrucât P (A1 ∩ A2 ) ≥ 0.
Presupunem cǎ pentru A1 , A2 , .., An avem
Ãn ! n
[ X
P Ai ≤ P (Ai )
i=1 i=1
şi vrem sǎ aratǎm cǎ: Ãn+1 !

[ n+1
X
P Ai ≤ P (Ai )
i=1 i=1
Avem:
Ãn+1 ! Ã n
! n n+1
[ [ X X
P Ai ≤P Ai + P (An+1 ) ≤ P (Ai ) + P (An+1 ) = P (Ai ).
i=1 i=1 i=1 i=1
Propoziţia 12.7. Oricare ar fi A1 , A2 , .., An ∈ P(S) avem:

Ãn ! n
\ X
P Ai ≥ 1 − P ({Ai ) , ∀n ∈ N.
i=1 i=1
Demonstraţie.
Ãn ! Ã n ! Ãn ! n
\ \ [ X
P Ai = 1 − P { Ai = 1 − P {Ai ≥ 1 − P ({Ai ).
i=1 i=1 i=1 i=1
Exemplul 12.1. Dacǎ probabilitǎţile asociate evenimentelor elementare sunt cele din
Remarca 12.1, sǎ se calculeze probabilitatea ca alegând la ı̂ntâmplare un cadru didactic
acesta sǎ fie pentru:
13
i) modernizarea şcolii;
ii) necesitatea unei sǎli de sport;
iii) modernizarea şcolii sau necesitatea unei sǎli de sport.
Soluţie: i) Alegerea unui cadru didactic care este pentru modernizarea şcolii ı̂nseamnǎ
realizarea evenimentului {e1 , e2 } şi are probabilitatea P ({e1 , e2 }) = 0.6 + 0.2 = 0.8.
ii) Alegerea unui cadru didactic care este pentru necesitatea unei sǎli de sport ı̂nseamnǎ
realizarea evenimentului {e1 , e3 } şi are probabilitatea P ({e1 , e3 }) = 0.6 + 0.15 = 0.75.
iii) Alegerea unui cadru didactic care este pentru modernizarea şcolii sau pentru necesi-
tatea unei sǎli de sport ı̂nseamnǎ realizarea evenimentului {e1 , e2 , e3 } şi are probabilitatea
P ({e1 , e2 , e3 }) = 0.6 + 0.2 + 0.15 = 0.95.
13 Evenimente independente şi evenimente depen-

dente
Definiţia 13.1. Evenimentele A şi B din P(S) sunt independente dacǎ

P (A ∩ B) = P (A) · P (B).
Teorema 13.1. Dacǎ A, B ∈ P(S) sunt evenimente independente având probabilitǎţi
nenule, atunci A ∩ B este o mulţime care conţine cel puţin un punct ei din spaţiul de
selecţie S. Adicǎ evenimentele A şi B sunt compatibile.
Demonstraţie. Arǎtǎm cǎ A ∩ B 6= ∅. Dacǎ prin absurd A ∩ B = ∅ atunci P (A ∩ B) = 0

şi din P (A ∩ B) = P (A) · P (B) rezultǎ P (A) · P (B) = 0. Rezultǎ de aici P (A) = 0 sau
P (B) = 0. Aceasta contravine ipotezei din teoremǎ. Urmeazǎ cǎ A ∩ B 6= ∅.
Definiţia 13.2. Vom spune cǎ evenimentele A1 , A2 , ..., An sunt independente ı̂n to-
talitatea lor, sau independente, dacǎ pentru orice 1 ≤ i1 < i2 < ... < is ≤ n, avem:
P (Ai1 ∩ Ai2 ∩ ... ∩ Ais ) = P (Ai1 ) · P (Ai2 ) · ... · P (Ais ).
Definiţia 13.3. Vom spune cǎ evenimentele A1 , A2 , ..., An ∈ P(S) sunt independente
câte k, k ≤ n, dacǎ evenimentele din orice familie de k evenimente sunt independente
ı̂n sensul Definiţiei 13.2.
Remarca 13.1. Pentru ca evenimentele A1 , A2 , ..., An sǎ fie independente, trebuie sat-
isfǎcute
Cn2 + Cn3 + ... + Cnn = 2n − n − 1
relaţii.
Pentru ca evenimentele A1 , A2 , A3 sǎ fie independente, trebuie sǎ avem:
P (A1 ∩ A2 ) = P (A1 ) · P (A2 )
P (A1 ∩ A3 ) = P (A1 ) · P (A3 )
P (A2 ∩ A3 ) = P (A2 ) · P (A3 )
P (A1 ∩ A2 ∩ A3 ) = P (A1 ) · P (A2 ) · P (A3 )
14
Teorema 13.2. Dacǎ A şi B sunt douǎ evenimente independente, atunci evenimentele
A şi {B; {A şi B; {A şi {B sunt de asemenea independente.
Demonstraţie. Prin ipotezǎ P (A ∩ B) = P (A) · P (B). Vrem sǎ deducem de aici

urmǎtoarele egalitǎţi: P (A ∩ {B) = P (A) · P ({B); P ({A ∩ B) = P ({A) · P (B);
P ({A ∩ {B) = P ({A) · P ({B).
Pentru a obţine egalitatea P (A ∩ {B) = P (A) · P ({B) scriem A = (A ∩ B) ∪ (A ∩ {B).
De aici rezultǎ:
P (A) = P (A ∩ B) + P (A ∩ {B) = P (A) · P (B) + P (A ∩ {B)
sau:
P (A) · [1 − P (B)] = P (A ∩ {B).
Întrucât 1 − P (B) = P ({B), se obţine cǎ P (A) · P ({B) = P (A ∩ {B).
Celelalte egalitǎţi rezultǎ analog.
Definiţia 13.4. Spunem cǎ evenimentele B1 , B2 , ..., Bk ∈ P(S) realizeazǎ o partiţie a
spaţiului de selecţie S dacǎ sunt ı̂ndeplinite urmǎtoarele condiţii:
i) Bi ∩ Bj = ∅ pentru i 6= j;
k
[
ii) Bi = S;
i=1
iii) P (Bi ) > 0, ∀i = 1, 2, ..., k.

Definiţia 13.5. Fie A1 , A2 , ..., An , B1 , B2 , ..., Bk douǎ partiţii ale spaţiului de selecţie S.
Spunem cǎ aceste partiţii sunt independente dacǎ
P (Ai ∩ Bj ) = P (Ai ) · P (Bj )
pentru orice i, j, i = 1, 2, ..., n, j = 1, 2, ..., k.
Exemplul 13.1. Dacǎ A este un eveniment al spaţiului de selecţie S, atunci A şi S sunt
independente.
Soluţie: A = A∩S, de unde rezultǎ P (A) = P (A∩S) = P (A)·P (S), deoarece P (S) = 1.
Exemplul 13.2. Se aruncǎ douǎ monede. Evenimentele A =”stema pe prima monedǎ”
şi B =”valoarea pe a doua monedǎ” sunt independente.
Soluţie: Un spaţiu de selecţie S al acestei experienţe este

S = {e1 = (s, s), e2 = (s, v), e3 = (v, s), e4 = (v, v)}.
Evenimentele A şi B sunt
A = {e1 , e2 }, B = {e2 , e4 }.
1
Evenimentele e1 , e2 , e3 , e4 sunt egal probabile şi P (ei ) = , i = 1, 2, 3, 4. Rezultǎ
4
1 1
P (A) = , P (B) = . Evenimentul A ∩ B este A ∩ B = {e2 } şi are probabilitatea
2 2
1
P (A ∩ B) = . Rezultǎ P (A ∩ B) = P (A) · P (B).
4
15
Exemplul 13.3. În cazul aruncǎrii a douǎ monede se considerǎ evenimentele: A1 =”stema
pe prima monedǎ”, A2 =”valoarea pe a doua monedǎ”, A3 =”apare şi stema şi valoarea”.
Evenimentele A1 , A2 , A3 nu sunt independente câte 3.
Soluţie: Un spaţiu de selecţie asociat acestei experienţe este
S = {e1 = (s, s), e2 = (s, v), e3 = (v, s), e4 = (v, v)}.
Evenimentele A1 , A2 , A3 sunt
A1 = {e1 , e2 }, A2 = {e2 , e4 }, A3 = {e2 , e3 }.
Avem:
1
A1 ∩ A2 = {e2 } ⇒ P (A1 ∩ A2 ) = = P (A1 ) · P (A2 )
4
1
A1 ∩ A3 = {e2 } ⇒ P (A1 ∩ A3 ) = = P (A1 ) · P (A3 )
4
1
A2 ∩ A3 = {e2 } ⇒ P (A2 ∩ A3 ) = = P (A2 ) · P (A3 )
4
1 1
A1 ∩ A2 ∩ A3 = {e2 } ⇒ P (A1 ∩ A2 ∩ A3 ) = 6= = P (A1 ) · P (A2 ) · P (A3 ).
4 8
Exemplul 13.4. În cazul aruncǎrii a douǎ monede se considerǎ evenimentele:

A1 =”stema pe prima monedǎ”;
A2 =”valoare pe prima monedǎ”;
A3 =”stema pe a doua monedǎ”;
A4 =”valoare pe a doua monedǎ.”
Evenimentele A1 , A2 , A3 , A4 nu sunt independente ı̂n totalitate.
Exemplul 13.5. Dacǎ S = {e1 , e2 , e3 , e4 } este spaţiul de selecţie asociat experienţei din
Exemplul 13.2, atunci evenimentele {e1 }, {e2 }, {e3 }, {e4 } realizeazǎ o partiţie a spaţiului
de selecţie S.
Exemplul 13.6. Douǎ partiţii independente sunt urmǎtoarele partiţii: {{e1 }, {e2 }} şi
{{e3 }, {e4 }}.
14 Probabilitate condiţionatǎ
Vom introduce noţiunea de probabilitate condiţionatǎ pornind de la exemplul urmǎtor.
Exemplul 14.1. Considerǎm experienţa care constǎ ı̂n aruncarea a douǎ zaruri. Notǎm
cu a numǎrul care apare pe primul zar şi cu b numǎrul care apare pe al doilea zar. Ne
ı̂ntrebǎm care este probabilitatea ca b = 3, ştiind cǎ a + b > 8?
16
Soluţie: Spaţiul de selecţie asociat acestei experienţe este mulţimea S de perechi din
urmǎtorul tabel:
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5) (1, 6)
(2, 1) (2, 2) (2, 3) (2, 4) (2, 5) (2, 6)
(3, 1) (3, 2) (3, 3) (3, 4) (3, 5) (3, 6)
(4, 1) (4, 2) (4, 3) (4, 4) (4, 5) (4, 6)
(5, 1) (5, 2) (5, 3) (5, 4) (5, 5) (5, 6)
(6, 1) (6, 2) (6, 3) (6, 4) (6, 5) (6, 6)
1
Toate aceste evenimente sunt egal probabile şi prin urmare P ((i, j)) = , pentru orice
36
i = 1, 6, j = 1, 6. Dintre cele 36 evenimente elementare din spaţiul de selecţie S, doar ı̂n
cazul evenimentelor (6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6) se
realizeazǎ condiţia a+b > 8. Considerǎm mulţimea S 0 formatǎ doar din aceste evenimente:
S 0 = {(6, 3), (5, 4), (4, 5), (3, 6), (6, 4), (5, 5), (4, 6), (6, 5), (5, 6), (6, 6)}.
Mulţimea S 0 este un spaţiu de selecţie mai restrâns asociat aceleiaşi experienţe. Aici au
fost luate ı̂n considerare doar acele evenimente elementare pentru care a + b > 8. Cele 10
elemente din S 0 sunt egal probabile şi de aceea probabilitatea fiecǎrui eveniment din S 0
1
este .
10
Existǎ un singur eveniment ı̂n S 0 pentru care b = 3: (6, 3). De aceea ı̂n spaţiul de
1
selecţie redus, probabilitatea evenimentului b = 3 este . Acest rezultat va fi numit
10
probabilitatea evenimentului ”b = 3” condiţionat de ”a + b > 8”.
Putem judeca ı̂nsǎ şi ı̂n felul urmǎtor: determinǎm la ı̂nceput ı̂n spaţiul de selecţie S
10
probabilitatea ca evenimentul A =”a + b > 8” sǎ se producǎ. Aceasta este P (A) = .
36
Apoi determinǎm tot ı̂n S probabilitatea ca evenimentul B =”b = 3” sǎ se producǎ.
6
Aceasta este P (B) = . Probabilitatea ı̂n S de producere a ambelor evenimente A şi B
36
1
este P (A ∩ B) = P ((6, 3)) = .
36
Dacǎ notǎm cu P (B|A) probabilitatea evenimentului B ı̂n condiţia ı̂n care A s-a produs,
atunci avem:
1 10 1
P (B|A) = , P (A) = , P (A ∩ B) = ,
10 36 36
de unde
P (B ∩ A) P (A ∩ B)
P (B|A) = = .
P (A) P (A)
Definiţia 14.1. Probabilitatea evenimentului A condiţionatǎ de B se noteazǎ
P (A|B) sau PB (A) şi este definitǎ prin
P (A ∩ B)
P (A|B) = dacǎ P (B) 6= 0.
P (B)
Spaţiul de selecţie micşorat este B (evenimentul de condiţionare).
17
Remarca 14.1. Probabilitatea introdusǎ axiomatic prin Definiţia 12.1 este şi ea una
condiţionatǎ de evenimentul sigur, care este un spaţiu de selecţie S, cu P (S) = 1.
Propoziţia 14.1. Pentru B ∈ P(S) fixat, cu P (B) 6= 0, oricare ar fi A1 , A2 din P(S),
avem:
A1) 0 ≤ P (A1 |B) ≤ 1;

A2) P (S|B) = 1;
A3) A1 , A2 - incompatibile ⇒ P ((A1 ∪ A2 )|B) = P (A1 |B) + P (A2 |B).
P (A1 ∩ B)
Demonstraţie. Din P (A1 |B) = rezultǎ P (A1 |B) ≥ 0 şi din P (A1 ∩B) ≤ P (B)
P (B)
rezultǎ P (A1 ∩ B) ≤ 1.
P (S ∩ B) P (B)
P (S|B) = = = 1.
P (B) P (B)
P ((A1 ∪A2 )∩B) P (A1 ∩B) P (A2 ∩B)
P ((A1 ∪A2 )|B) = = + = P (A1 |B)+P (A2 |B).
P (B) P (B) P (B)
Teorema 14.1. Dacǎ A şi B sunt evenimente independente având probabilitǎţile nenule,
atunci:
P (A|B) = P (A) şi P (B|A) = P (B).
Demonstraţie. Deoarece A şi B sunt independente şi A ∩ B = B ∩ A, avem

P (A ∩ B) = P (B ∩ A) = P (A) · P (B).
Rezultǎ:
P (A ∩ B) P (A) · P (B)
P (A|B) = = = P (A)
P (B) P (B)
P (B ∩ A) P (B) · P (A)
P (B|A) = = = P (B).
P (A) P (A)
Teorema 14.2. Dacǎ A1 , A2 , ..., An sunt evenimente astfel ı̂ncât P (A1 ∩ A2 ∩ ... ∩ An ) 6= 0
(ele se pot realiza simultan), atunci
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) · P (A2 |A1 ) · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )).
Demonstraţie.
P (A1 ) · P (A2 |A1 ) · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 ∩ A2 )
= P (A1 ) · · P (A3 |(A1 ∩ A2 )) · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 )
P (A1 ∩ A2 ∩ A3 )
= P (A1 ∩ A2 ) · · ... · P (An |(A1 ∩ ... ∩ An−1 )) =
P (A1 ∩ A2 )
... ... ...
P (A1 ∩ ... ∩ An−1 ∩ An )
= P (A1 ∩ ... ∩ An−1 ) · = P (A1 ∩ ... ∩ An ).
P (A1 ∩ ... ∩ An−1 )
18
Consecinţa 14.1. Dacǎ A1 , A2 , ..., An sunt evenimente independente, atunci
P (A1 ∩ A2 ∩ ... ∩ An ) = P (A1 ) · P (A2 ) · ... · P (An ).
Exemplul 14.2. O urnǎ conţine 3 bile albe şi 5 bile negre. Din urnǎ se extrag douǎ bile,
una dupǎ alta (fǎrǎ ı̂ntoarcere). Sǎ se scrie un spaţiu de selecţie pentru aceastǎ experienţǎ
şi probabilitǎţile asociate evenimentelor din acest spaţiu.
Soluţie: Dacǎ a este evenimentul extragerii unei bile albe şi n este evenimentul extragerii
unei bile negre, atunci un spaţiu de selecţie asociat experienţei este:
S = {(a, a), (a, n), (n, a), (n, n)}.
(n, a) aratǎ cǎ prima bilǎ extrasǎ este neagrǎ iar a doua bilǎ extrasǎ este albǎ. Deoarece
bilele sunt extrase la ı̂ntâmplare, toate bilele din urnǎ, la orice extracţie, au aceeaşi
probabilitate de extracţie:
3 2 6 3 5 15 5 3 15 5 4 20
P (a, a) = · = , P (a, n) = · = , P (n, a) = · = , P (n, n) = · = .
8 7 56 8 7 56 8 7 56 8 7 56
Teorema 14.3 (formula probabilitǎţii totale). Dacǎ evenimentele A1 , A2 , ..., An consti-
tuie o partiţie a spaţiului de selecţie S şi X ∈ P(S), atunci:
n
X
P (X) = P (Ai ) · P (X|Ai ).
i=1
Demonstraţie. Scriem X sub forma:

n
[
X= (X ∩ Ai ).
i=1
Deoarece (X ∩ Ai ) ∩ (X ∩ Aj ) = ∅ pentru i 6= j, obţinem:

n
X
P (X) = P (X ∩ Ai ).
i=1
Dar P (X ∩ Ai ) = P (Ai ) · P (X|Ai ), şi ı̂nlocuind se obţine egalitata din enunţ.

Exemplul 14.3. Trei urne au urmǎtoarea structurǎ: urna i conţine ai bile albe şi bi
bile negre, i = 1, 2, 3. Evenimentul Ai constǎ ı̂n alegerea urnei i. Se ştie cǎ P (Ai ) = pi
şi p1 + p2 + p3 = 1. Se alege la ı̂ntâmplare o urnǎ şi se extrage o bilǎ. Sǎ se gǎseascǎ
probabilitatea ca bila extrasǎ sǎ fie neagrǎ.
Soluţie: Fie X evenimentul ”bila extrasǎ este neagrǎ”. Probabilitatea de a extrage o

bilǎ neagrǎ condiţionatǎ de faptul cǎ s-a ales urna i este:
bi
P (X|Ai ) = .
ai + bi
Probabilitatea de a extrage o bilǎ neagrǎ este:
P (X) = P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) + P (A3 ) · P (X|A3 ) =
b1 b2 b3
= p1 + p2 + p3 .
a1 + b1 a 2 + b2 a3 + b3
19
Teorema 14.4 (formula lui Bayes). Dacǎ evenimentele A1 , A2 , ..., An constituie o partiţie
a spaţiului de selecţie S şi sunt cauza producerii unui eveniment X, atunci:
P (Ak ) · P (X|Ak )
P (Ak |X) = n .
X
P (Ai ) · P (X|Ai )
i=1
Demonstraţie. Se ţine seama de egalitǎţile
P (Ai ) · P (X|Ai ) = P (X) · P (Ai |X)
şi de formula probabilitǎţii totale.
Definiţia 14.2. Probabilitǎţile P (Ai ), P (X|Ai ), i = 1, n se numesc probabilitǎţi

apriori şi P (Ai |X) se numesc probabilitǎţi aposteriori.
Formula lui Bayes modificǎ probabilitǎţile apriorice prin incorporarea informaţiei furnizate
de realizarea evenimentului X.
Exemplul 14.4. Se considerǎ douǎ urne. Prima conţine 2 bile albe şi 3 bile negre, iar cea
de-a doua conţine 7 bile albe şi 5 bile negre. Evenimentul A1 constǎ ı̂n faptul cǎ se alege la
ı̂ntâmplare prima urnǎ, iar evenimentul A2 constǎ ı̂n faptul cǎ se alege la ı̂ntâmplare a doua
urnǎ. Probabilitatea evenimentului A1 este P (A1 ) = 0.4, iar probabilitatea evenimentului
A2 este P (A2 ) = 0.6. Se alege la ı̂ntâmplare o urnǎ şi se extrage o bilǎ neagrǎ. Care este
probabilitatea ca aceasta sǎ fie din cea de-a doua urnǎ?
Soluţie: Fie X evenimentul ”a fost extrasǎ o bilǎ neagrǎ”. Din formula lui Bayes avem:
P (A1 ) · P (X|A1 ) 0.4 · 53

P (A1 |X) = = ≈ 0.49;
P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) 0.4 · 53 + 0.6 · 5
12
5
P (A2 ) · P (X|A2 ) 0.6 · 12
P (A2 |X) = = ≈ 0.51.
P (A1 ) · P (X|A1 ) + P (A2 ) · P (X|A2 ) 0.4 · 53 + 0.6 · 5
12
15 Variabile aleatoare discrete unidimensionale
Pentru a introduce noţiunile de variabilǎ aleatoare discretǎ şi repartiţia ei considerǎm

urmǎtorul exemplu:
Exemplul 15.1. Dintr-o urnǎ care conţine acelaşi numǎr de bile albe şi negre, se extrag
3 bile, dupǎ fiecare extragere bila punându-se ı̂napoi ı̂n urnǎ. Câte bile albe pot sǎ aparǎ?
Soluţie: Rǎspunsul la aceastǎ ı̂ntrebare ı̂l vom da indicând posibilitǎţile şi probabilitǎţile
asociate.
20
Spaţiul de selecţie Nr. bile albe Probabilitatea
1 1 1
AAA 3 · · = 81
2 2 2
1 1 1
AAN 2 · · = 81
2 2 2
1 1 1
ANA 2 · · = 81
2 2 2
1 1 1
NAA 2 · · = 81
2 2 2
1 1 1
ANN 1 · · = 81
2 2 2
1 1 1
NAN 1 · · = 81
2 2 2
1 1 1
NNA 1 · · = 81
2 2 2
1 1 1
NNN 0 · · = 81
2 2 2
Informaţia relativǎ la numǎrul de bile albe şi la probabilitǎţile lor este datǎ ı̂n tabelul
urmǎtor:
Nr. bile albe 0 1 2 3

1 3 3 1
Probabilitatea 8 8 8 8
Dacǎ variabila X reprezintǎ numǎrul de bile albe care pot sǎ aparǎ, aunci tabelul aratǎ
valorile pe care poate sǎ le ia X şi probabilitǎţile cu care ia aceste valori.
Mulţimea de perechi ordonate, fiecare de forma (numǎrul de bile albe, probabilitatea
acestui numǎr de bile albe) defineşte repartiţia variabilei X. Deoarece valorile lui X sunt
determinate de evenimentele rezultate ı̂n urma unui experiment aleator, X este numitǎ
variabilǎ aleatoare.
Funcţia f definitǎ de f (x) = P (X = x) se numeşte funcţie de frecvenţe sau funcţie de
probabilitate.
În cazul de faţǎ
1 3 3 1
f (0) = f (X = 0) = ; f (1) = f (X = 1) = ; f (2) = f (X = 2) = ; f (3) = f (X = 3) = .
8 8 8 8
Observǎm cǎ µ ¶3
x 1
f (x) = P (X = x) = C3 · , x = 0, 1, 2, 3;
2
X 3 X3 µ ¶3 µ ¶3
x 1 3 1
f (x) ≥ 0 şi f (x) = C3 · =2 · = 1.
i=0 i=0
2 2
Definiţia 15.1. O variabilǎ a cǎrei valoare este un numǎr determinat de evenimentul
rezultat ı̂n urma unei experienţe este numitǎ variabilǎ aleatoare.
Definiţia 15.2. Dacǎ X este o variabilǎ aleatoare care poate lua valorile x1 , x2 , ..., xn
cu probabilitǎţile f (x1 ), f (x2 ), ..., f (xn ) atunci mulţimea de perechi ordonate (xi , f (xi )),
i = 1, n se numeşte repartiţia variabilei aleatoare X.
µ ¶ µ ¶ µ ¶ µ ¶
1 3 3 1
În cazul exemplului considerat anterior, repartiţia este: 0, , 1, , 2, , 3,
8 8 8 8
sau:  
0 1 2 3
 
X: .
1 3 3 1
8 8 8 8
21
Exemplul 15.2. Trei bile, a, b, c, se repartizeazǎ ı̂n trei urne la ı̂ntâmplare. Sǎ se
determine repartiţia variabilei aleatoare X =”numǎrul urnelor ocupate”.
Soluţie:  
1 2 3
 
X: .
3 18 6
27 27 27
Remarca 15.1. In abordarea Kolmogorov, variabila aleatoare X este o funcţie definitǎ
pe un spaţiu de selecţie asociat experienţei, adicǎ funcţie ”de punct”. Astfel, dacǎ ı̂n
exemplul precedent se considerǎ evenimentele:
e1 = {abc|0|0} e10 = {c|ab|0} e19 = {0|b|ac}

e2 = {0|abc|0} e11 = {0|ab|c} e20 = {a|0|bc}
e3 = {0|0|abc} e12 = {b|ac|0} e21 = {0|a|bc}
e4 = {ab|c|0} e13 = {0|ac|b} e22 = {a|b|c}
e5 = {ab|0|c} e14 = {a|bc|0} e23 = {a|c|b}
e6 = {ac|b|0} e15 = {0|bc|a} e24 = {b|c|a}
e7 = {ac|0|b} e16 = {c|0|ab} e25 = {b|a|c}
e8 = {bc|a|0} e17 = {0|c|ab} e26 = {c|a|b}
e9 = {bc|0|a} e18 = {b|0|ac} e27 = {c|b|a}
şi spaţiul de selecţie S = {e1 , ..., e27 }, putem considera funcţia X : S → {1, 2, 3}, definitǎ
astfel: X(ek ) = numǎrul de urne ocupate ı̂n cazul realizǎrii evenimentului ek . Este clar
cǎ X(ek ) = 1 dacǎ k = 1, 2, 3; X(ek ) = 2 dacǎ k = 4, 5, ...21; şi X(ek ) = 3 dacǎ
k = 22, 23, 24, 25, 26, 27.
Dacǎ variabila aleatoare este datǎ ı̂n acest fel, atunci se cunosc valorile variabilei ı̂n cazul
fiecǎrui eveniment ek ∈ S şi P (ek ). De aici se determinǎ valorile posibile ale variabilei şi
probabilitǎţile asociate acestor valori. În acest fel se obţine repartiţia variabilei aleatoare
X.
Exemplul 15.3. În cazul experienţei din Exemplul 15.2, sǎ notǎm cu Y variabila
aleatoare ale cǎrei valori sunt numǎrul de bile din prima urnǎ.
Deoarece ı̂n prima urnǎ putem avea 0,1,2 sau 3 bile urmeazǎ cǎ variabila aleatoare Y
poate lua valorile 0,1,2 sau 3.
Y ia valoarea 0 atunci când se realizeazǎ unul din urmǎtoarele evenimente din spaţiul de
selecţie S: e2 , e3 , e11 , e13 , e15 , e17 , e19 , e21 , adicǎ
(Y = 0) = (e2 sau e3 sau e11 sau e13 sau e15 sau e17 sau e19 sau e21 ).
Rezultǎ
P (Y = 0) =P ({e2 }) + P ({e3 }) + P ({e11 }) + P ({e13 }) + P ({e15 }) + P ({e17 })+

8
+ P ({e19 }) + P ({e21 }) = .
27
22
Y ia valoarea 1 dacǎ se realizeazǎ unul din evenimentele: e10 , e12 , e14 , e16 , e18 , e20 , e22 −e27 ;
valoarea 2 , dacǎ se realizeazǎ unul din evenimentele e4 −e9 şi valoarea 3 dacǎ se realizeazǎ
evenimentul e1 .
Urmeazǎ cǎ repartiţia variabilei aleatoare Y este:
 
0 1 2 3
 
Y : .
8 12 6 1
27 27 27 27
Remarca 15.2. Onicescu considera variabila aleatoare ca funcţie ”de eveniment”. O
valoare posibilǎ a variabilei aleatoare poate sǎ corespundǎ unui eveniment elementar din
spaţiul de selecţie (valoarea 3 a variabilei aleatoare Y din Exemplul 15.3 corespunde
evenimentului elementar e1 ) sau la o submulţime de evenimente elementare care determinǎ
un eveniment (evenimentul Y = 2 este determinat de o mulţime de evenimente elementare,
şi anume e4 − e9 ).
Remarca 15.3. O variabilǎ aleatoare care ia valorile distincte x1 , x2 , ..., xn determinǎ
o partiţie A1 , A2 , ..., An a spaţiului de selecţie S. Evenimentul Ai este definit prin
ek ∈ Ai ⇔ X(ek ) = xi .
În Exemplul 15.3 variabila aleatoare Y realizeazǎ urmǎtoarea partiţie a spaţiului de
selecţie S:
A1 : ”În prima urnǎ nu este nici o bilǎ.”
A2 : ”În prima urnǎ este o bilǎ.”
A3 : ”În prima urnǎ sunt douǎ bile.”
A4 : ”În prima urnǎ sunt trei bile.”
Avem:
A1 ∪ A2 ∪ A3 ∪ A4 = S
Ai ∩ Aj = ∅ pentru i 6= j
8 12
P (A1 ) = P (Y = 0) = , P (A2 ) = P (Y = 1) = ,
27 27
6 1
P (A3 ) = P (Y = 2) = , P (A4 ) = P (Y = 3) = ,
27 27
ceea ce dovedeşte afirmaţia fǎcutǎ.
Definiţia 15.3. O variabilǎ aleatoare având o mulţime cel mult numǎrabilǎ de valori
posibile se numeşte variabilǎ aleatoare discretǎ.
Definiţia 15.4. Vom spune cǎ variabila aleatoare X este simetricǎ faţǎ de punctul c
dacǎ sunt ı̂ndeplinite urmǎtoarele condiţii:
i) dacǎ c + a este o valoare a variabilei aleatoare X, atunci şi c − a este o valoare a

variabilei X;
ii) P (X = c + a) = P (X = c − a).
23
Condiţia ii) se mai scrie uneori sub forma
P (X − c = a) = P (c − X = a)
care aratǎ cǎ ”X este simetricǎ faţǎ de punctul c”.

X − c şi c − X au aceeaşi repartiţie.
În particular, simetria faţǎ de zero aratǎ ca X şi −X au aceeaşi repartiţie.
1
Exemplul 15.4. Dacǎ P (X = i) = , i = 1, 2, ..., n atunci X este repartizatǎ simetric
n
n+1
faţǎ de , care este punctul de mijloc al celor douǎ valori extreme posibile: 1 şi n.
2
Remarca 15.4. Dacǎ variabilele aleatoare X, Y sunt privite ca funcţii definite pe spaţiul
de selecţie S, atunci putem defini suma X +Y , produsul X ·Y , şi ı̂nmulţirea cu o constantǎ
k · X a varibilelor aleatoare. Sensul acestor operaţii este cel al operaţiilor corespunzǎtoare
cu funcţii.
De asemenea dacǎ k este o funcţie realǎ definitǎ pe mulţimea valorilor variabilei X,
k : X(S) → R1 , atunci putem face compunerea k ◦ X şi obţinem tot o variabilǎ aleatoare,
ale cǎrei valori constituie mulţimea k(S(X)).
16 Funcţia de repartiţie a unei variabile aleatoare

discrete unidimensioanle
Câteva ı̂ntrebǎri:
• Dacǎ se aruncǎ douǎ zaruri, care este probabilitatea ca suma obţinutǎ sǎ fie un
numǎr mai mic decât 7?
• Dacǎ trei bile se repartizeazǎ la ı̂ntâmplare ı̂n trei urne, care este probabilitatea ca
sǎ fie ocupate cel mult douǎ urne?
• Dacǎ trei bile se repartizeazǎ la ı̂ntâmplare ı̂n trei urne, care este probabilitatea ca
ı̂n prima urnǎ sǎ fie cel mult douǎ bile?
În general: Care este probabilitatea ca o variabilǎ aleatoare X sǎ ia valori mai mici
decât o valoare datǎ?
Nevoia de a rǎspunde la asemenea ı̂ntrebǎri a condus la urmǎtoarea definiţie:
Definiţia 16.1. Fie X o variabilǎ aleatoare şi x un numǎr real. Funcţia F definitǎ astfel:
”F (x) este probabilitatea ca X sǎ ia valori mai mici ca x”, sau
F (x) = P (X < x)
se numeşte funcţia de repartiţie a variabilei aleatoare X.
24
Propoziţia 16.1. Dacǎ X este o variabilǎ aleatoare discretǎ având repartiţia
µ ¶
x1 x2 ... xn
X:
f (x1 ) f (x2 ) ... f (xn )
atunci X
F (x) = f (xi )
xi <x
adicǎ valoarea funcţiei de repartiţie ı̂n x este datǎ de suma probabilitǎţilor valorilor din
stânga lui x.
Demonstraţie. Imediatǎ.
Propoziţia 16.2. Au loc urmǎtoarele egalitǎţi:
i
X
lim F (x) = F (xi + 0) =
i) x→x f (xj );
i
x>xi j=1
i−1
X
ii) x→x
lim F (x) = F (xi − 0) = f (xj ) = F (xi ).
i
x<xi j=1
Demonstraţie. i) Pentru x ∈ (xi , xi+1 ) avem:

i
X
F (x) = f (xj ).
j=1
Rezultǎ cǎ
i
X
F (xi + 0) = f (xj ).
j=1
ii) Pentru x ∈ (xi−1 , xi ) avem:

i−1
X
F (x) = f (xj ).
j=1
Rezultǎ cǎ
i−1
X
F (xi − 0) = f (xj ) = F (xi ).
j=1
Propoziţia 16.3. Au loc urmǎtoarele inegalitǎţi:
i) 0 ≤ F (x) ≤ 1, ∀x ∈ R1 ;
ii) x < y ⇒ F (x) ≤ F (y).
25
Demonstraţie. i) Deoarece F (x) = P (X < x) şi P (X < x) ∈ [0, 1], rezultǎ cǎ F (x) ∈ [0, 1].
ii) x < y. Dacǎ xi < x, atunci xi < y, şi deci
X X X
f (xi ) = f (xi ) + f (xi ),
xi <y xi <x x≤xi <y
adicǎ F (x) ≤ F (y).
Propoziţia 16.4. Dacǎ x < y, atunci F (y) − F (x) = P (x ≤ X < y).
Demonstraţie. Dacǎ x < y, avem:

X X X
F (y) = f (xi ) = f (xi ) + f (xi ) = F (x) + P (x ≤ X < y)
xi <y xi <x x≤xi <y
de unde rezultǎ cǎ F (y) − F (x) = P (x ≤ X < y).
Remarca 16.1. Dacǎ X este o variabilǎ aleatoare discretǎ, atunci funcţia de repartiţie a
variabilei aleatoare X este o funcţie ı̂n trepte continuǎ la stânga. Avem o discontinuitate
(un salt) ı̂n fieare punct x care este valoare pentru variabila aleatoare X(x = xi ), iar
ı̂nǎlţimea saltului este f (xi ).
Definiţia 16.2. Se numeşte cuantilǎ de ordinul α numǎrul xα cu proprietatea
F (xα ) = P (X < xα ) = α.
Dacǎ X este o variabilǎ aleatoare discretǎ, nu este sigur cǎ pentru orice α ∈ [0, 1] existǎ
cuantilǎ de ordinul α. Dacǎ ı̂nsǎ existǎ o cuantilǎ de ordin α, atunci existǎ o infinitate
(intervalul ce separǎ douǎ valori posibile).
Cuantila de ordin 1/2 se numeşte medianǎ şi se noteazǎ cu M e; astfel F (M e) = 1/2.
Cuantilele de ordin 1/4 respectiv 3/4 se numesc cuantila inferioarǎ Q1 , respectiv cuantila
superioarǎ Q2 ; astfel F (Q1 ) = 1/4 şi F (Q2 ) = 3/4.
Definiţia 16.3. Se numeşte modul valoarea xi cu proprietatea cǎ f (xi ) este maximǎ.
O repartiţie poate avea mai multe module. La aruncarea unui zar, cele 6 feţe ale sale au
aceeaşi probabilitate de apariţie; ı̂n acest caz, toate valorile sunt module.
Exemplul 16.1. Reluǎm exemplul de repartizare la ı̂ntâmplare a trei bile a, b, c ı̂n trei
urne, ţinând seamǎ de repartiţia variabilelor aleatoare X (Exemplul 15.2) şi Y (Exemplul
15.3)    
1 2 3 0 1 2 3
   
X:  şi Y :  .
3 18 6 8 12 6 1
27 27 27 27 27 27 27
26
Avem:


 0 ,y ≤ 0
 

 0 ,x ≤ 1 


 
 8

 
 ,0 < y ≤ 1

 
 27

 3 


 ,1 < x ≤ 2 


 27 20 

F (x) = şi F (y) = ,1 < y ≤ 2
 21  27

 ,2 < x ≤ 3 


 27 


 
 26

 
 ,2 < y ≤ 3

 27 
 27

 

= 1 ,3 < x 

27 
 27 = 1 , 3 < y

.
27
Remarca 16.2. Variabilele aleatoare X şi Y nu au mediane şi cuantile.
3 26
F (x) = are ca soluţie 1 < x ≤ 2. F (y) = are ca soluţie 1 < x ≤ 3.
27 27
Modulul lui X este 2, iar modulul lui Y este 1.
17 Variabile aleatoare discrete bidimensionale

(vectori aleatori)
Adesea este necesar sǎ considerǎm simultan douǎ sau mai multe variabile aleatoare definite
pe acelaşi spaţiu de selecţie. Vom prezenta cazul a douǎ variabile aleatoare, trecerea la
trei sau mai multe variabile fǎcându-se fǎrǎ dificultate.
Exemplul 17.1. Considerǎm experienţa care constǎ ı̂n repartizarea la ı̂ntâmplare a trei
bile a, b, c ı̂n trei urne.
Acestei experienţe ı̂i corespunde urmǎtorul spaţiu de selecţie: S = {e1 , e2 , ..., e27 }, unde
ei sunt date de:
e1 = {abc|0|0} e10 = {c|ab|0} e19 = {0|b|ac}

e2 = {0|abc|0} e11 = {0|ab|c} e20 = {a|0|bc}
e3 = {0|0|abc} e12 = {b|ac|0} e21 = {0|a|bc}
e4 = {ab|c|0} e13 = {0|ac|b} e22 = {a|b|c}
e5 = {ab|0|c} e14 = {a|bc|0} e23 = {a|c|b}
e6 = {ac|b|0} e15 = {0|bc|a} e24 = {b|c|a}
e7 = {ac|0|b} e16 = {c|0|ab} e25 = {b|a|c}
e8 = {bc|a|0} e17 = {0|c|ab} e26 = {c|a|b}
e9 = {bc|0|a} e18 = {b|0|ac} e27 = {c|b|a}.
Cele 27 evenimente sunt egal probabile şi de aceea evenimentele ei au aceeaşi probabilitate
1
de realizare: .
27
Fie X variabila aleatoare care asociazǎ evenimentului elementar ei ∈ S numǎrul urnelor
ocupate. Avem X(ei ) = 1 pentru i = 1, 2, 3, X(ei ) = 2 pentru i = 4, 21, X(ei ) = 3
27
3 18 6
pentru i = 22, 27. Prin urmare: P (X = 1) = , P (X = 2) = , P (X = 3) = şi
27 27 27
repartiţia variabilei aleatoare este:
 
1 2 3
 
X: .
3 18 6
27 27 27
Fie acum Y variabila aleatoare care asociazǎ evcenimentului elementar ei ∈ S numǎrul

de bile din prima urnǎ. Avem: Y (e1 ) = 3, Y (ei ) = 2, pentru i = 4 − 9, Y (ei ) = 1
pentru i = 10, 12, 14, 16, 18, 20, 22 − 27, Y (ei ) = 0 pentru i = 2, 3, 11, 13, 15, 17, 19, 21.
8 12 6 1
Rezultǎ cǎ P (Y = 0) = , P (Y = 1) = , P (Y = 2) = , P (Y = 3) = şi deci
27 27 27 27
repartiţia variabilei aleatoare Y este:
 
0 1 2 3
 
Y : .
8 12 6 1
27 27 27 27
Considerǎm acum variabila aleatoare Z care asociazǎ evenimentului elementar ei ∈ S

perechea de numere (numǎrul de urne ocupate, numǎrul de bile din prima urnǎ). Penrtu
cǎ valorile lui Z sunt vectori bidimensionali (perechi de numere) variabila aleatoarte Z
se numeşte variabilǎ aleatoare bidimensionalǎ. Avem: Z(e1 ) = (1, 3); Z(e2 ) = (1, 0);
Z(e3 ) = (1, 0); Z(ei ) = (2, 2), i = 4, 9; Z(ei ) = (2, 1), i = 10, 12, 14, 16, 18, 20; Z(ei ) = (2, 0),
i = 11, 13, 15, 17, 19, 21; Z(ei ) = (3, 1), i = 22, 27.
Prin urmare valorile acestei variabile aleatoare sunt vectorii (1, 3); (1, 0); (2, 2); (2, 1);
(2, 0); (3, 1). Probabilitǎţile corespunzǎtoare sunt:
1 2 6
P (X = 1, Y = 3) = ; P (X = 1, Y = 0) = ; P (X = 2, Y = 2) = ;
27 27 27
6 6 6
P (X = 2, Y = 1) = ; P (X = 2, Y = 0) = ; P (X = 3, Y = 1) = .
27 27 27
Repartiţia variabilei aleatoare bidimensionale Z este
 
(1, 3) (1, 0) (2, 2) (2, 1) (2, 0) (3, 1)
 
Z: .
2 1 6 6 6 6
27 27 27 27 27 27
Fie acum ı̂n general douǎ variabile aleatoare X, Y definite pe acelaşi spaţiu de selecţie
S = {e1 , e2 , ..., en }. Fie x1 , x2 ,..., xk valorile variabilei X şi y1 , y2 , ..., yl valorile variabilei
Y.
Definiţia 17.1. Cu variabilele X, Y putem construi variabila aleatoare vectorialǎ
bidimensionalǎ Z = (X, Y ), a cǎrei valori sunt perechile ordonate de numere (xi , yj )
(vectori bidimensionali), pe care le ia cu probabilitatea
rij = P (X = xi şi Y = yj ) , 1 ≤ i ≤ k, 1 ≤ j ≤ l.
28
Repartiţia variabilei Z este deci:
XY y1 y2 y3 ... yj ... yl P (X = xi )
x1 r11 r12 r13 ... r1j ... r1l p1
x2 r21 r22 r23 ... r2j ... r2l p2
x3 r31 r32 r33 ... r3j ... r3l p3
.. .. .. .. .. .. ..
. . . . . . .
xi ri1 ri2 ri3 ... rij ... ril pi
.. .. .. .. .. .. ..
. . . . . . .
xk rk1 rk2 rk3 ... rkj ... rkl pk
P (Y = yj ) q1 q2 q3 ... qj ... qk 1
Întrucât evenimentele (X = xi ; Y = yj ) realizeazǎ o partiţie a spaţiului de selecţie, suma

probabilitǎţilor din tabel este unu:
k X
X l
rij = 1.
i=1 j=1
Dacǎ se cunoaşte repartiţia vectorului aleator discret Z = (X, Y ), se poate determina

repartiţia fiecǎrei componente. Într-adevǎr, deoarece evenimentele (X = xi , Y = y1 ),
(X = xi , Y = y2 ), ..., (X = xi , Y = yl ), 1 ≤ i ≤ k sunt incompatibile douǎ câte douǎ şi
deoarece
(X = xi ) = (X = xi , Y = y1 ) ∪ (X = xi , Y = y2 ) ∪ ... ∪ (X = xi , Y = yl ),
avem:
l
X
pi = P (X = xi ) = ri1 + ri2 + ... + rik = rij , 1 ≤ i ≤ k.
j=1
Analog obţinem:
k
X
qj = P (Y = yj ) = r1j + r2j + ... + rkj = rij , 1 ≤ j ≤ l.
i=1
Urmeazǎ cǎ pentru a obţine probabilitatea ca X (Y ) sǎ ia valoarea xi (yj ), vom face suma
probabilitǎţilor din linia (coloana) lui xi (yj ).
Deci variabila aleatoare X (Y ) are ca tablou al probabilitǎţilor coloana (linia) marginalǎ
a tabloului. Din acest motiv, prima coloanǎ (linie) ı̂mpreunǎ cu ultima coloanǎ (linie) a
tabloului constituie repartiţia marginalǎ a variabilei X (Y ).
Definiţia 17.2. Variabila X condiţionatǎ de Y = yj are repartiţia:
µ ¶
x1 x2 ... xi ... xk
P (x1 |yj ) P (x2 |yj ) ... P (xi |yj ) ... P (xk |yj )
unde
P (X = xi , Y = yj ) rij
P (xi |yj ) = P (X = xi |Y = yj ) = = , 1 ≤ j ≤ l.
P (Y = yj ) qj
29
Analog, variabila Y condiţionatǎ de X = xi are repartiţia:
µ ¶
y1 y2 ... yj ... yl
P (y1 |xi ) P (y2 |xi ) ... P (yj |xi ) ... P (yl |xi )
unde
P (Y = yj , X = xi ) rij
P (yj |xi ) = P (Y = yj |X = xi ) = = , 1 ≤ i ≤ k.
P (X = xi ) pi
Avem:
k
X k
1 X
P (xi |yj ) = rij = 1
i=1
qj i=1
şi
l
X l
1 X
P (yj |xi ) = rij = 1.
j=1
pi j=1
18 Funcţia de repartiţie a vectorului aleator (X, Y )
Definiţia 18.1. Se numeşte funcţie de repartiţie a vectorului aleator (X, Y ) funcţia

definitǎ de
X X X X
F (x, y) = P (X < x şi Y < y) = P (X = xi şi Y = yj ) = rij
xi <x yj <y xi <x yj <y
unde rij = P (X = xi şi Y = yj ).
Propoziţia 18.1. Funcţia de repartiţie a vectorului aleator (X, Y ) are urmǎtoarele

proprietǎţi:
i j i j−1
X X X X
i) F (xi + 0, yj + 0) = rms , F (xi + 0, yj − 0) = rms
m=1 s=1 m=1 s=1
i−1 Xj j−1
i−1 X
X X
F (xi − 0, yj + 0) = rms , F (xi − 0, yj − 0) = rms .
m=1 s=1 m=1 s=1
ii) F (x2 , y) ≥ F (x1 , y) dacǎ x2 > x1 ,

F (x, y2 ) ≥ F (x, y1 ) dacǎ y2 > y1 .
iii) F (x, −∞) = F (−∞, y) = 0 şi F (∞, ∞) = 1.
iv) F (x, ∞) este funcţia de repartiţie a variabilei X,

F (∞, y) este funcţia de repartiţie a variabilei Y .
v) Deoarece
P (Y < y, X = xi ) F (xi + 0, y) − F (xi − 0, y)

P (Y < y|X = xi ) = = ,
P (X = xi ) F (xi + 0, ∞) − F (xi − 0, ∞)
30
funcţia de repartiţie a variabilei Y |X = xi este:
F (xi + 0, y) − F (xi − 0, y)
.
F (xi + 0, ∞) − F (xi − 0, ∞)
Demonstraţie. Aceste proprietǎţi se aratǎ folosind Definiţia 18.1.
Definiţia 18.2. Vom spune cǎ variabilele X şi Y sunt independente dacǎ pentru toate
perechile (i, j) avem
rij = pi · qj .
Propoziţia 18.2. Dacǎ variabilele X, Y sunt independente, atunci:
1. repartiţiile condiţionate sunt identice cu repartiţiile marginale:

rij pi · qj
P (xi |yj ) = = = pi ,
qj qj
rij p i · qj
=
P (yj |xi ) = = qj .
pi pi
Ã ! Ã !
X X X X X X
2. F (x, y) = rij = pi ·qj = pi · qj = F (x, ∞)·F (y, ∞).
xi <x yj <y xi <x yj <y xi <x yi <y
19 Valoare medie. Dispersie. Momente. (pentru

variabile aleatoare discrete unidimensionale)
Definiţia 19.1. Valoarea medie a variabilei aleatoare X având repartiţia:

µ ¶
x1 x2 ... xn
X:
p1 p2 ... pn
este prin definiţie numǎrul

n
X
M (X) = xi p i .
i=1
Propoziţia 19.1. Media unei variabile aleatoare are urmǎtoarele proprietǎţi:
1. Media unei variabile aleatoare conststante este egalǎ cu constanta ı̂nsǎşi:
M (a) = a.
2. Media produsului dintre o constantǎ a şi o variabilǎ aleatoare X este egalǎ cu

produsul dintre a şi media lui X:
M (a · X) = a · M (X).
31
3. Media sumei a douǎ variabile aleatoare X şi Y este egalǎ cu suma mediilor acestor
variabile:
M (X + Y ) = M (X) + M (Y ).
4. Media produsului a douǎ variabile aleatoare independente X şi Y este egalǎ cu

produsul mediilor celor douǎ variabile aleatoare:
M (X · Y ) = M (X) · M (Y ).
5. Media variabilei aleatoare X verificǎ:
inf X ≤ M (X) ≤ sup X.
6. Valoarea medie a abaterii faţǎ de media variabilei aleatoare este egalǎ cu zero:
M (X − M (X)) = 0.
Demonstraţie. Aceste proprietǎţi se aratǎ pe baza definiţiei şi rǎmân pe seama cititorului.
Exemplul 19.1. Se aruncǎ un zar. Variabila aleatoare X este ”numǎrul de puncte care
apar”. Valoarea medie a acestei variabile este
1 1 1 1 1 1 7
M (X) = 1 · + 2 · + 3 · + 4 · + 5 · + 6 · = = 3.5.
6 6 6 6 6 6 2
Se aruncǎ k zaruri. Fie Y numǎrul total de de puncte care apar. Valoarea medie a acestei
7k
variabile este M (Y ) = .
2
Exemplul 19.2. Se aruncǎ o monedǎ de trei ori. Fie X (Y ) variabila aleatoare care dǎ
numǎrul de steme pe primele (ultimele) douǎ aruncǎri. Sǎ se arate cǎ:
1. M (X) = M (Y ) = 1;
5
2. M (X · Y ) = ;
4
µ ¶
1 7
3. M = ;
1+Y 12
X
4. are repartiţia
1+Y  
1 1 2
X  0 3 2 3
1 
 
: .
1+Y  2 1 2 1 2 
8 8 8 8 8
Exemplul 19.3. Se aruncǎ un zar de douǎ ori. Fie X (Y ) variabila aleatoare care dǎ
numǎrul la prima (a doua) aruncare. Sǎ se arate:
1. M (X · Y ) = M (X) · M (Y );
32
µ ¶ µ ¶
X 1
2. M = M (X) · M .
Y Y
Definiţia 19.2. Prin definiţie, dispersia variabilei aleatoare X este valoarea medie a
pǎtratului abaterii, X − M (X). Dispersia va fi notatǎ cu D2 (X) sau cu µ2 (X) sau cu σ 2 :
£ ¤
D2 (X) = M (X − M (X))2 .
Propoziţia 19.2. Dispersia unei variabile aleatoare are urmǎtoarele proprietǎţi:
1. Dispersia unei variabile aleatoare constante este zero:
D2 (a) = 0.
2. Dispersia produsului dintre o constantǎ şi o variabilǎ aleatoare X este egalǎ cu

produsul dintre pǎtratul constantei şi dispersia variabilei X:
D2 (a · X) = a2 · D2 (X).
3. Dispersia sumei a douǎ variabile aleatoare independente este egalǎ cu suma disper-
siilor celor douǎ variabile aleatoare:
D2 (X + Y ) = D2 (X) + D2 (Y ).
4. Oricare ar fi L > 0 are loc inegalitatea:
D2 (X)
P [|X − M (X)| < L] ≥ 1 − (inegalitatea lui Cebı̂şev).
L2
Demonstraţie. Demonstraţia proprietǎţilor 1-3 o lǎsǎm pe seama cititorului.

Demonstrǎm aici doar proprietatea 4.
Considerǎm µ ¶
x1 x2 ... xn
X:
p1 p2 ... pn
şi
n
X n
X
2 2
σ = pi · (xi − M (X)) = pi αi2 unde αi = xi − M (X).
i=1 i=1
Putem admite cǎ αi2 sunt ordonaţi:
α12 ≤ α22 ≤ ... ≤ αn2 .

2
Intercalǎm L ı̂ntre douǎ valori αi2 , αi+1 , adicǎ:
2
α12 ≤ α22 ≤ ... ≤ αi2 ≤ L ≤ αi+1 ≤ ... ≤ αn2 .
Dacǎ ı̂n expresia lui σ 2 egalǎm cu zero toţi αj2 ≤ L şi ı̂nlocuim cu L toţi αj2 ≥ L obţinem:
σ 2 ≥ L [pi+1 + ... + pn ]
33
sau
σ2
pi+1 + ... + pn ≤ .
L
Suma pi+1 + ... + pn reprezintǎ probabilitatea ca abaterea sǎ fie mai mare sau egalǎ cu L
şi prin urmare
σ2
P [|X − M (X)| ≥ L] ≤ .
L
Din relaţia
P [|X − M (X)| ≥ L] + P [|X − M (X)| < L] = 1
rezultǎ inegalitatea din enunţ.
Remarca 19.1. Dacǎ L = k · σ atunci:

1
P [|X − M (X)| < k · σ] ≥ 1 − .
k2
Dacǎ k = 3 rezultǎ
8
P [|X − M (X)| < 3σ] ≥ .
9
µ ¶
8
Aceasta ı̂nseamnǎ cǎ 89% dintre abaterile absolute ale variabilei X nu depǎşesc 3σ
9
(regula ”trei sigma”).
Se observǎ deci cǎ dispersia funcţioneazǎ ca indicator de concentrare a abaterilor ı̂n jurul
valorii medii.
Problema 19.1. Sǎ se determine dispersia ı̂n cazul variabilelor aleatoare de la Exemplele
19.1, 19.2, 19.3.
Definiţia 19.3. Prin definiţie, abaterea medie pǎtraticǎ a unei variabile aleatoare X
este rǎdǎcina pǎtratǎ a dispersiei acestei variabile; o vom nota cu D(X) sau cu µ sau cu
σ: p
σ(X) = D2 (X).
Abaterea medie pǎtraticǎ se exprimǎ ı̂n aceleaşi unitǎţi de mǎsurǎ ca şi variabila aleatoare
consideratǎ.
Definiţia 19.4. Se numeşte moment obişnuit de ordin k al unei variabile aleatoare

X, media variabilei X k . Dacǎ notǎm cu νk un asemenea moment, putem scrie:
n
X
k
νk = M (X ) = pi · xki .
i=1
Definiţia 19.5. Se numeşte moment centrat de ordin k al variabilei aleatoare X

media variabilei aleatoare [X − M (X)]k . Dacǎ notǎm cu µk aceste momente, putem scrie:
µk = M [X − M (X)]k .
În particular avem:
µ1 = M [X − M (X)] = 0 , µ2 = M [X − M (X)]2 = D2 (X).
34
Propoziţia 19.3. Momentele obişnuite şi momentele centrate verificǎ relaţia:
µk = νk − Ck1 ν1 νk−1 + Ck2 ν12 νk−2 + ... + (−1)k ν1k .
Demonstraţie. Prin definiţie µk = M (X − ν1 )k . Însǎ
(X − ν1 )k = X k − Ck1 ν1 X k−1 + Ck2 ν12 X k−2 − ... + (−1)k ν1k .
Prin urmare:
µk = M (X − ν1 )k = M (X k ) − Ck1 ν1 M (X k−1 ) + Ck2 ν12 M (X k−2 ) − ... + (−1)k ν1k .
În baza acestei formule, fǎcând k = 2, putem scrie
µ2 = ν2 − ν12 ,
adicǎ dispersia este egalǎ cu diferenţa dintre momentul obişnuit de ordinul doi şi pǎtratul
momentului obişnuit de primul ordin.
Fǎcând succesiv k = 3, 4, rezultǎ
µ3 = ν3 − 3ν1 ν2 + 2ν13 ,
µ4 = ν4 − 4ν1 ν3 + 6ν12 ν2 − 3ν14 .
20 Covarianţǎ. Coeficient de corelaţie
Definiţia 20.1. Dacǎ X şi Y sunt variabile aleatoare definite pe acelaşi spaţiu de selecţie
S, vom numi covarianţǎ a variabilelor X şi Y , şi o vom nota cu cov(X, Y ), numǎrul
X X
cov(X, Y ) = M ([X −M (X)][Y −M (Y )]) = (x−M (X))·(y−M (Y ))·P (X = x, Y = y)
x∈VX y∈VY
unde VX si VY sunt mulţimile valorilor variabilelor aleatoare X si Y .
Propoziţia 20.1. Are loc urmǎtoarea egalitate:
cov(X, Y ) = M (X · Y ) − M (X) · M (Y ).
35
Demonstraţie. Putem scrie :
X X
cov(X, Y ) = (x−M (X)) · (y−M (Y )) · P (X = x, Y = y) =
x∈VX y∈VY
X X X X
= x · y · P (X = x, Y = y) − M (Y ) x P (X = x, Y = y)−
x∈VX y∈VY x∈VX y∈VY
X X X X
− M (X) y P (X = x, Y = y) + M (X) M (Y ) P (X = x, Y = y) =
y∈VY x∈VX x∈VX y∈VY
X X
=M (X · Y ) − M (Y ) · x · P (X = x) − M (X) · y · P (Y = y)+
x∈VX y∈VY
X X
+ M (X) M (Y ) P (X = x, Y = y) =
x∈VX y∈VY
=M (X · Y ) − M (Y ) · M (X) − M (X) · M (Y ) + M (X) · M (Y ) =

=M (X · Y ) − M (X) · M (Y ).
Propoziţia 20.2. Dacǎ X şi Y sunt variabile aleatoare independente, atunci:
cov(X, Y ) = 0.
Demonstraţie. Imediatǎ, ı̂n baza Propoziţiei 20.1.
Propoziţia 20.3. Dacǎ X1 , X2 , ..., Xn sunt n variabile aleatoare definite pe acelaşi

spaţiu de selecţie, atunci are loc:
Ã n ! n
X X X
2
D Xi = D2 (Xi ) + 2 cov(Xi , Xj ).
i=1 i=1 i<j
Demonstraţie. Vom demonstra propoziţia pentru n = 3. Avem:
D2 (X1 + X2 + X3 ) =M ((X1 − M (X1 ) + X2 − M (X2 ) + X3 − M (X3 ))2 ) =

=M [(X1 − M (X1 ))2 + (X2 − M (X2 ))2 + (X3 − M (X3 ))2 +
+ 2(X1 − M (X1 ))(X2 − M (X2 )) + 2(X1 − M (X1 ))(X3 − M (X3 ))+
+ 2(X2 − M (X2 ))(X3 − M (X3 ))] =
=M (X1 − M (X1 ))2 + M (X2 − M (X2 ))2 + M (X3 − M (X3 ))2 +
+ 2M [(X1 − M (X1 ))(X2 − M (X2 ))]+
+ 2M [(X1 − M (X1 ))(X3 − M (X3 ))]+
+ 2M [(X2 − M (X2 ))(X3 − M (X3 ))] =
3
X X
= D2 (Xi ) + 2 cov(Xi , Xj ).
i=1 1≤i<j≤3
36
Definiţia 20.2. Dacǎ X şi Y sunt douǎ variabile definite pe acelaşi spaţiu de selecţie
S, vom numi coeficient de corelaţie a variabilelor X, Y , şi ı̂l vom nota cu ρ(X, Y ),
numǎrul
M [(X − M (X)) · (Y − M (Y ))] cov(X, Y )
ρ(X, Y ) = p = .
D2 (X) · D2 (Y ) σ(X) · σ(Y )
Remarca 20.1. Dacǎ X1 , X2 , ..., Xn sunt n variabile aleatoare definite pe spaţiul de

selecţie S, atunci:
Ã n ! n
X X X
2
D Xi = D2 (Xi ) + 2 σ(Xi ) · σ(Xj ) · ρ(Xi , Xj ).
i=1 i=1 i<j
p
unde σ(Xi ) = D2 (Xi ).
Exemplul 20.1. Într-o bibliotecǎ sunt cǎrţi numerotate de la 1 la n. Se scot la ı̂ntâmplare

cǎrţile din bibliotecǎ. Spunem cǎ avem o ı̂ntâlnire, dacǎ numǎrul de pe carte coincide cu
numǎrul extracţiei. Sǎ se calculeze media şi dispersia numǎrului total de ı̂ntâlniri.
Soluţie: La fiecare carte asociem o variabilǎ aleatoare Xi , i = 1, 2, ..., n, definitǎ astfel:

dacǎ la extracţia i cartea poartǎ pe ea numǎrul i, atunci Xi = 1, ı̂n celelalte situaţii
1
Xi = 0. Probabilitatea ca la extracţia i sǎ obţinem cartea cu numǎrul i este P (Xi ) = ,
n
deoarece existǎ o singurǎ carte cu acest numǎr printre cele n din bibliotecǎ. Deoarece
fiecare variabilǎ Xi poate sǎ ia numai valorile 1 sau 0, rezultǎ cǎ:
1
P (Xi = 0) = 1 − P (Xi = 1) = 1 − ,
n
de unde repartiţia variabilei aleatoare Xi este:
 
1 0
 
Xi :  .
1 1
1−
n n
1 1 1 n−1
Avem M (Xi ) = , de unde D2 (Xi ) = M (Xi2 ) − M 2 (Xi ) = − 2 = .
n n n n2
Numǎrul total de ı̂ntâlniri este dat de variabila aleatoare
Y = X1 + X2 + ... + Xn .
Avem:
1 1 1
M (Y ) = + + ... + = 1
n n n
şi
n
X X
D2 (Y ) = D2 (Xi ) + 2 cov(Xi , Xj ).
i=1 i<j
Pentru calculul covarianţei, avem succesiv:
cov(Xi , Xj ) = M (Xi · Xj ) − M (Xi ) · M (Xj )
37
şi
(n − 2)! 1
M (Xi · Xj ) = 1 · P (Xi Xj = 1) + 0 · P (Xi Xj = 0) = = ,
n! n(n − 1)
deoarece Xi · Xj = 1 dacǎ şi numai dacǎ cǎrţile cu numerele i şi j au fost extrase la rândul
lor, şi sunt (n − 2)! aranjamente ı̂n care se realizeazǎ acest eveniment.
Dacǎ i 6= j, avem deci:
1 1 1 1
cov(Xi , Xj ) = − · = 2 .
n(n − 1) n n n (n − 1)
Ţinând seama de rezultatele obţinute, avem:

n−1 1
D2 (Y ) = n · D2 (Xi ) + n(n − 1) cov(Xi , Xj ) = n · 2
+ n(n − 1) · 2 = 1.
n n (n − 1)
21 Convergenţa şirurilor de variabile aleatoare
Considerǎm un şir de variabile aleatoare X1 , X2 , ..., Xn , ... definite pe acelaşi spaţiu de

selecţie S.
În teoria probabilitǎţilor se ı̂ntâlnesc diferite concepte de convergenţǎ a şirului de variabile
aleatoare (Xn )n .
Definiţia 21.1. Spunem cǎ şirul de variabile aleatoare (Xn ) converge sigur la variabila
aleatoare X dacǎ
lim Xn (e) = X(e) ∀e ∈ S.
n→∞
Definiţia 21.2. Spunem cǎ şirul de variabile aleatoare (Xn ) converge ı̂n probabilitate
cǎtre variabila aleatoare X, dacǎ
lim P (|Xn − X| < ε) = 1

n→∞
oricare ar fi ε > 0.
Definiţia 21.3. Spunem cǎ şirul de variabile aleatoare (Xn ) converge aproape sigur
cǎtre variabila aleatoare X, dacǎ
³ ´
P lim Xn = X = 1.
n→∞
Definiţia 21.4. Fie Fn (x) funcţia de repartiţie a variabilei Xn , (n = 1, 2, ...) şi F (x)
funcţia de repartiţie a variabilei X. Şirul Xn converge ı̂n repartiţie cǎtre X dacǎ
lim Fn (x) = F (x).

n→∞
Definiţia 21.5. Dacǎ

lim D2 (Xn − X) = 0,
n→∞
zicem cǎ şirul Xn converge ı̂n medie pǎtraticǎ la X.
38
Propoziţia 21.1. Dacǎ şirul Xn converge la X ı̂n medie pǎtraticǎ, atunci Xn converge
la X ı̂n probabilitate.
Demonstraţie. Din inegalitatea lui Cebı̂şev avem

D2 (Xn − X)
1− ≤ P (|Xn − X| < ε) ≤ 1,
ε
de unde, trecând la limitǎ pentru n → ∞, se obţine cǎ dacǎ D2 (Xn − X)−n→∞
−−−→ 0, atunci
P (|Xn − X| < ε)−n→∞
−−−→ 1
Propoziţia 21.2. Dacǎ şirul Xn converge la X aproape sigur, atunci Xn −n→∞

−−−→ X ı̂n
probabilitate.
−−−→ X aproape sigur, atunci pentru orice ε > 0 avem

Demonstraţie. Dacǎ Xn −n→∞
µ ¶
lim P sup |Xn − X| > ε = 0.
N →∞ n≥N
Rezultǎ de aici cǎ

lim P (|Xn − X| > ε) = 0.
n→∞
∞
X
2
Propoziţia 21.3. Dacǎ D (Xn − X)−n→∞
−−−→ 0 şi M (Xn − X)2 < +∞, atunci Xn −n→∞
−−−→ X
i=1
aproape sigur.
22 Legi ale numerelor mari
Teorema 22.1 (Cebı̂şev). Fie (Xn ) un şir de variabile aleatoare definite pe un spaţiu de
selecţie S. Dacǎ variabilele aleatoare sunt independente şi D2 (Xn ) ≤ c, ∀n, atunci pentru
orice ε > 0 are loc
lim P (|X̄n − M (X̄n )| < ε) = 1,
n→∞
1
unde X̄n = n
(X1 + X2 + ... + Xn ).
Demonstraţie. Din inegalitatea lui Cebı̂şev avem:

D2 (X̄n )
1− ≤ P (|X̄n − M (X̄n )| < ε) ≤ 1.
ε
Deoarece n
1 X 2 nc c
D2 (X̄n ) = 2
D (Xj ) ≤ 2 = ,
n i=1 n n
obţinem
c
1− ≤ P (|X̄n − M (X̄n )| < ε) ≤ 1
n
şi de aici
lim P (|X̄n − M (X̄n )| < ε) = 1.
n→∞
39
Remarca 22.1. Teorema lui Cebı̂şev aratǎ cǎ deşi variabilele aleatoare independente pot
lua valori depǎrtate de mediile lor, media aritmeticǎ a unui numǎr suficient de mare de
astfel de variabile aleatoare ia, cu o probabilitate mare, valori ı̂n vecinǎtatea constantei
n
1X
M (Xj ). Prin urmare, ı̂ntre comportarea variabilelor aleatoare şi media lor existǎ o
n j=1
mare deosebire. În cazul variabilelor aleatoare nu putem prezice cu o probabilitate mare
valoarea, pe când, ı̂n cazul mediei aritmetice ale acestor variabile, putem preciza, cu o
probabilitate apropiatǎ de 1, ce valoare ia.
Media aritmeticǎ a unui numǎr suficient de mare de variabile aleatoare ı̂şi pierde calitatea
de variabilǎ aleatoare.
Teorema 22.2 (Bernoulli). Sǎ presupunem cǎ se fac n experienţe independente, ı̂n
fiecare experienţǎ probabilitatea evenimentului A fiind p, şi fie ν numǎrul de realizǎri
ale evenimentului A ı̂n cele n experienţe. Pentru orice ε avem
³¯ ν ¯ ´
¯ ¯
lim P ¯ − p¯ < ε = 1.
n→∞ n
Demonstraţie. Asociem la fiecare experienţǎ o variabilǎ aleatoare Xj care are valorea 1

dacǎ ı̂n experienţa de ordin j evenimentul s-a realizat şi 0 dacǎ nu s-a realizat. Astfel,
numǎrul de realizǎri ale evenimentului A , ı̂n cele n experienţe, este dat de
ν = X1 + X2 + ... + Xn
unde fiecare din variabilele X1 , X2 , ..., Xn are repartiţia

µ ¶
1 0
Xi : .
p 1−p
De aici rezultǎ: M (Xi ) = p, D2 (Xi ) = p (1−p), şi M (ν) = np, D2 (ν) = n p (1−p).
1
Aplicând inegalitatea lui Cebı̂şev variabilei ν rezultǎ:
n
³ ´
³¯ ν ³ ν ´¯ ´ 2 ν
D
¯ ¯ n
P ¯ −M ¯<ε ≥1−
n n ε2
sau ³¯ ν ¯ ´
¯ ¯ p (1 − p)
P ¯ − p¯ < ε ≥ 1 − .
n nε2
Ţinând seama cǎ p (1−p) ≤ 14 , obţinem
³¯ ν ¯ ´ 1
¯ ¯
P ¯ − p¯ < ε ≥ 1 − .
n 4nε2
Trecând la limitǎ, obţinem
³¯ ν ¯ ´
¯ ¯
lim P ¯ − p¯ < ε = 1,
n→∞ n
ceea ce demonstreazǎ teorema.
40
Remarca 22.2. În cazul unei populaţii de volum mare, dacǎ se efectueazǎ o selecţie de
volum n şi se obţin ν rezultate favorabile, atunci, cu o probabilitate apropiatǎ de 1, putem
afirma cǎ probabilitatea evenimentului cercetat este datǎ de frecvenţa relativǎ.
Prin urmare, ı̂n studiul populaţiilor mari pentru care nu putem determina apriori
probabilitatea de realizare a unui eveniment, probabilitatea se poate exprima prin
frecvenţa relativǎ nν a evenimentului considerat, fapt ce constituie justificarea teoreticǎ a
folosirii frecvenţei ı̂n loc de probabilitate.
Exemplul 22.1. Se aruncǎ o monedǎ de n ori. Cât de mare trbuie sǎ fie n pentru ca
probabilitatea inegalitǎţii ¯ ¯
¯α 1¯
¯ − ¯< 1
¯ n 2 ¯ 100
sǎ fie mai mare decât 0.99, ştiind cǎ α reprezintǎ numǎrul de apariţii ale unei feţe alese
dinainte.
Soluţie: Neavând nici un motiv sǎ presupunem cǎ o faţǎ are şansǎ mai mare de apariţie
n
decât altǎ faţǎ, urmeazǎ cǎ α ∼ .
2
n n ³α´ 1 ³α´ 1
Rezultǎ M (α) = , D2 (α) = , M = , D2 = .
2 4 n 2 n 4n
Din inegalitatea lui Cebı̂şev, rezultǎ cǎ:
³ ´
µ¯ ¯ ¶ 2 α
¯α 1¯ 1 D
P ¯¯ − ¯¯ < ≥1− n .
n 2 100 1
102
µ¯ ¯ ¶
¯α 1¯ 1
¯ ¯
Deducem cǎ, pentru ca P ¯ − ¯ < > 0.99 este suficient sǎ impunem ca
n 2 100
D2 ( αn ) (100)2 99
1− 1 > 0.99 ⇒ 1 − > ⇒ 4n > 106 ⇒ n > 250.000
102
4n 100
23 Repartiţia binomialǎ
Considerǎm un spaţiu de selecţie cu douǎ evenimente elementare S1 = {e0 , e1 }, pentru

care
P ({e0 }) = 1 − p şi P ({e1 }) = p,
unde p este un numǎr oarecare din [0, 1]. Considerǎm produsul cartezian
S = S1 × S1 × ... × S1
| {z }
n ori
adicǎ mulţimea elementelor de forma (ei1 , ei2 , ..., ein ) unde ij este 0 sau 1.
Spaţiul de selecţie S conţine 2n elemente. Definim probabilitatea P pe S astfel:
P ({(ei1 , ei2 , ..., ein )}) = P1 ({ei1 }) · P1 ({ei2 }) · ... · P1 ({ein }).
41
Fie Ak , k = 0, 1, ..., n, evenimentul care constǎ din acei (ei1 , ei2 , ..., ein ) care conţin k
elemente de 1. (Ak este evenimentul care constǎ din k succese).
Propoziţia 23.1.
P (Ak ) = Cnk · pk · (1 − p)1−k .
Demonstraţie. Numǎrul sistemelor de forma (ei1 , ei2 , ..., ein ) care conţin k numere 1 este
Cnk .
Remarca 23.1. Evenimentele A0 , A1 , ..., An sunt incompatibile şi reuniunea lor este
evenimentul sigur, deci:
A0 ∪ A1 ∪ ... ∪ An = S
şi
P (A0 ) + P (A1 ) + ... + P (An ) = 1.
Probablitǎţile P (A0 ), P (A1 ), ..., P (An ) pot servi pentru definirea unei repartiţii ı̂ntr-un
spaţiu de selecţie de n + 1 puncte 0, 1, 2, ...n, ı̂n care evenimentul k ı̂nseamnǎ evenimentul
Ak .
Definiţia 23.1. Variabila aleatoare X având repartiţia

µ ¶
0 1 ... k ... n
X:
Cn0 p0 (1−p)n Cn1 p1 (1−p)n−1 ... Cnk pk (1−p)n−k ... Cnn pn (1−p)0
se numeşte variabilǎ binominalǎ şi se noteazǎ de obicei cu B(n, p) (sau X ∼ B(n, p)).
Termenul de variabilǎ aleatoare binominalǎ provine din faptul cǎ probabilitǎţile
b(k; n, p) = Cnk pk (1 − p)n−k
sunt termenii succesivi din dezvoltarea [p + (1 − p)]n .
Remarca 23.2. Alegerile lui p şi n determinǎ ı̂n mod unic repartiţia binominalǎ; diferite
alegeri conduc la diferite repartiţii.
Definiţia 23.2. Mulţimea tuturor repartiţiilor binomiale poartǎ numele de familia

repartiţiilor binomiale.
Remarca 23.3. Repartiţiile binominale au fost analizate de James Bernoulli. Schema

pe care a dat-o, şi care este modelul unui numǎr mare de fenomene reale, este: extrageri
succesive independente dintr-o urnǎ care conţine a bile albe şi b bile negre, a şi b rǎmânând
aceleaşi ı̂n decursul extragerii (se pun ı̂napoi). Probabilitatea de a extrage o bilǎ albǎ este
a b
p= şi de a extrage una neagrǎ este 1 − p = q = .
a+b a+b
Propoziţia 23.2. Variabila aleatoare X ∼ B(n, p) are urmǎtoarele proprietǎţi:
1. M (X) = n · p;
2. D2 (X) = n · p · (1 − p);
42
3. Dacǎ notǎm cu M o modulul variabilei X (valoarea cea mai probabilǎ), atunci:
np − (1 − p) ≤ M o ≤ np + p.
Demonstraţie. Prin calcul.
Propoziţia 23.3. Dacǎ X1 ∼ B(n1 , p), X2 ∼ B(n2 , p) şi X1 , X2 sunt independente,

atunci
1. X1 + X2 ∼ B(n1 + n2 , p);
Cnk1 · Cnn−k
2. P (X1 = k|X1 + X2 = n) = 2
, pentru max(0, n1 − n2 ) ≤ k ≤ min(n1 , n).
Cnn1 +n2
Propoziţia 23.4. Funcţia de repartiţie a varibilei X ∼ B(n, p) este:


 0 ,x ≤ 0



 (1−p)n ,0 < x ≤ 1


 (1−p)n + Cn1 p (1−p)n−1 ,1 < x ≤ 2
F (x) = ... ... ...



 (1−p)n + Cn1 p (1−p)n−1 + ... + Cnk pk (1−p)n−k ,k < x ≤ k + 1



 ... ... ...

1 , x > n.
24 Repartiţia Poisson ca aproximaţie a repartiţiei

binomiale
Adesea probabilitǎţile binominale b(k; n, p) = Cnk pk (1 − p)n−k se calculeazǎ cu greutate.

Tabelele construite pentru asemenea probabilitǎţi depind de doi parametri, n şi p.
În anumite condiţii putem gǎsi expresii simple, care pentru n → ∞ aproximeazǎ
probabilitǎţile b(k; n, p), aproximaţia fiind acceptabilǎ chiar pentru valori mici ale lui
n.
În cele ce urmeazǎ vom prezenta asemenea aproximaţii.
Vom demonstra la ı̂nceput o teoremǎ care se referǎ la comportarea repartiţiei binominale
ı̂n cazul ı̂n care n este mare şi n · p este moderat de mare.
Teorema 24.1 (Poisson). Dacǎ n·pn → λ, atunci
λk −λ
b(k; n, pn ) → e .
k!
Demonstraţie. Avem:
1
b(k; n, pn ) = n (n − 1) ... (n − k + 1) · pkn (1 − pn )n−k =
k!
1 n n−1 n−k+1
= · · · ... · · (n pn )k (1 − pn )n−k .
k! n n n
43
Întrucât
n n−1 n−k+1
· · ... · −−−−−−−−→ 1
n→∞ şi (n pn )k −−−−−→ λk
−−−n→∞
n n n
demonstraţia teoremei revine la a demmonstra cǎ
(1 − pn )n−k −−−−−→ e−λ .
−−−n→∞
Deoarece
(1 − pn )n−k = (1 − pn )n (1 − pn )−k
şi (1 − pn )−k −−−−−→ 1
−−−n→∞ şi pn −−−−−→ 0,
−−−n→∞ este suficient sǎ arǎtǎm cǎ
(1 − pn )n −−−−−−−−→ e−λ .
n→∞
³ a ń
Se ştie cǎ 1 − −−−−−−−−→ e−a
n→∞ şi convergenţa este uniformǎ pe fiecare interval finit
n
a0 < a < a1 .
Toate numerele n pn pot fi restrânse la un asemenea interval ı̂n jurul lui λ şi astfel ∀ε > 0,
∃n1 (ε) astfel ı̂ncât ∀n > n1 (ε) sǎ avem
¯³ n p n ń ¯
¯ ¯
¯ 1− − e−n pn ¯ < ε.
n
Din continuitatea funcţiei e−x pentru n > n2 (ε) avem:
|e−n pn − e−λ | < ε.
Astfel, pentru n > n(ε) = max(n1 (ε), n2 (ε)), avem:
¯³ n p ń ¯ ¯³ n p ń ¯
¯ n ¯ ¯ n ¯
|(1−pn )n −e−λ | = ¯ 1− −e−λ ¯ = ¯ 1− −e−n pn +e−n pn −e−n pn ¯ ≤
n
¯³ n p ń ¯ n
¯ n ¯
≤ ¯ 1− −e−n pn ¯ + |e−n pn −e−λ | < 2ε,
n
ceea ce demonstreazǎ teorema.
Definiţia 24.1. Variabila aleatoare X care are funcţia de frecvenţǎ (funcţia de probabil-
itate)
λk −λ
p(k, λ) = P (X = k) = e , k = 0, 1, 2, ...
k!
se numeşte variabilǎ Poisson cu parametrul λ şi se noteazǎ X ∼ P o(λ).
Exemplul 24.1. 3% din şuruburile fabricate de o maşinǎ sunt defecte, defectele apǎrând
la ı̂ntâmplare ı̂n timpul procesului de producţie. Dacǎ şuruburile sunt ı̂mpachetate ı̂n
cutii a 100 de bucǎţi, care este probobilitatea ca o cutie sǎ conţinǎ x şuruburi defecte?
Soluţie: Probabilitatea este datǎ de funcţia de frecvenţǎ binominalǎ

µ ¶ µ ¶x µ ¶100−x
3 x 3 3
b x; 100, = C100 · · 1− , x = 0, 1, 2, ..., 100.
100 100 100
3
În acest caz n = 100, p = 0.03 şi n p = 3, iar aproximaţia Poisson pentru b(x; 100, 100 )
este µ ¶
3 3x · e−3
b x; 100, = .
100 x!
44
Remarca 24.1. Repartiţia Poisson apare ı̂n multiple situaţii, ca de exemplu:
• dǎ probabilitǎţile unui numǎr specificat de chemǎri telefonice ı̂ntr-un anumit timp;
• dǎ probabilitǎţile unui numǎr specificat de defecte pe o unitate de lungime a unui
fir;
• dǎ probabilitǎţile unui numǎr specificat de defecte pe o unitate de arie a unei
ţesǎturi;
• dǎ probabilitǎţile unui numǎr specificat de bacterii pe unitatea de volum ı̂ntr-o
soluţie;
• dǎ probabilitǎţile unui numǎr specificat de accidente pe unitatea de timp.
Sǎ vedem cum apare distribuţia Poisson ı̂n una dintre situaţiile de mai sus.
Exemplul 24.2. Considerǎm un fir de lungime L şi presupunem cǎ probabilitatea unui
singur defect pe o lungime ∆L a firului este λ · ∆L. Admitem cǎ aceastǎ probabilitate
este independentǎ de poziţia bucǎţii ∆L.
L
Împǎrţim firul de lungime L ı̂n bucǎţi de lungime ∆L = şi avem:
n
1. probabilitatea unei defecţiuni pe lungimea ∆L este λ · ∆L.

2. probabilitatea nici unei defecţiuni pe lungimea ∆L este 1 − λ · ∆L.
3. probabilitatea a douǎ sau mai multe defecţiuni pe ∆L este Θ(∆L), astfel ı̂ncât
Θ(∆L)
→ 0 când ∆L → 0.
∆L
Evenimentul ca pe lungimea L + ∆L sǎ fie x defecte este reuniunea urmǎtoarelor

evenimente:
a) pe lungimea L sunt x defecte şi pe ∆L nici un defect;

b) pe lungimea L sunt x − 1 defecte şi pe ∆L un defect;
c) pe lungimea L sunt x − i defecte şi pe ∆L sunt i defecte (i = 2, 3, ..., x).
Probabilitǎţile acestor evenimente sunt: Px (L) · [1 − λ · ∆L], Px−1 (L) · λ · ∆L şi Θ(∆L).
Deci
Px (L + ∆L) = Px (L) · [1 − λ · ∆L] + Px−1 (L) · λ · ∆L + Θ(∆L) , x = 1, 2, ...
şi
P0 (L + ∆L) = P0 (L) · [1 − λ · ∆L].
Aceste egalitǎţi pot fi scrise astfel:

Px (L + ∆L) − Px (L) Θ(∆L)
= λ [Px−1 (L) − Px (L)] + , x = 1, 2, ...
∆L ∆L
45
P0 (L + ∆L) − P0 (L)
= −λ P0 (L).
∆L
Pentru ∆L → 0 obţinem:
dPx
= λ [Px−1 (L) − Px (L)]
dL
dP0
= −λ P0 (L).
dL
Dacǎ impunem P0 (0) = 1 şi Px (0) = 0, x > 1, rezultǎ:
(λ L)x e−λL
Px (L) = , x = 0, 1, 2, ...
x!
care este funcţia de frecvenţǎ cu λ0 = λ L.
Teorema 24.2. Dacǎ X şi Y sunt variabile aleatoare independente repartizate Poisson
de parametrii µ respectiv ν, atunci X + Y ∼ P o(µ + ν).
Demonstraţie. Avem
µx · e−µ
P (X = x) = , x = 0, 1, 2, ...
x!
ν y · e−ν
P (Y = y) = , y = 0, 1, 2, ...
y!
şi cum X şi Y sunt independente:
µx ν y · e−(µ+ν)
P (X = x, Y = y) = P (X = x) · P (Y = y) = .
x! y!
Fie Z = X + Y şi g(z) = P (Z = z). Valoarea g(z) se obţine ı̂nsumând P (X = x, Y = y)
dupǎ toate perechile (x, y) astfel ı̂ncât x + y = z, adicǎ dupǎ toate perechile (x, z − x).
Deci
X z X z
−(µ+ν) µx ν z−x
g(z) = P (X = x, Y = z − x) = e =
x=0 x=0
x! (z − x)!
Xz ³ µ ´x
³ µ ´z
e−(µ+ν) ν z Czx
ν e−(µ+ν) ν z 1 +
= x=0
= ν =
z! z!
(µ + ν)z
=e−(µ+ν) , z = 0, 1, 2, ...
z!
Propoziţia 24.1. Funcţia de repartiţie a variabilei X ∼ P o(λ) este:



 0 ,x ≤ 0


 . .k. . . . . . .

F (x) = X λj

 e−λ , k < x ≤ k + 1
 j=1 j!



... ... ...
Propoziţia 24.2. Dacǎ X ∼ P o(λ), atunci
1. λ − 1 < M o < λ;
2. M (X) = D2 (X) = λ.
46
25 Repartiţia multinominalǎ
O urnǎ conţine N = N1 + N2 + .... + Nk bile, dintre care: N1 au culoarea 1, N2 au culoarea

1
2, ..., Nk au culoarea k. Probabilitatea de a extrage o bilǎ oarecare din urnǎ este .
N
Ni
Probabilitatea de a extrage o bilǎ de culoare i din urnǎ este pi = . O urnǎ de acest fel
N
se numeşte urna lui Bernoulli cu mai multe stǎri.
Fie Ai evenimentul care constǎ ı̂n extragerea unei bile de culoare i din urnǎ, 1 ≤ i ≤ k.
Propoziţia 25.1. Probabilitatea ca ı̂n n extrageri independente (fiecare dintre ele putând
da naştere la unul din cele k evenimente A1 , A2 , ..., Ak ) evenimentul Ai sǎ se producǎ
de ni ori este
n!
Pn (n1 , n2 , ..., nk ) = · pn1 pn2 ... pnk k .
n1 ! n2 ! ... nk ! 1 2
Demonstraţie. Presupunem cǎ cele n bile extrase s-au obţinut ı̂n ordinea
A1 ...A1 A2 ...A2 ... Ak ...Ak .
| {z } | {z } | {z }
n1 ori n2 ori nk ori
Deoarece Ai sunt independente, probabilitatea acestui eveniment este pn1 1 pn2 2 ... pnk k . De-
oarece succesiunea evenimentelor A1 , ..., Ak poate fi oricare, rǎmâne sǎ vedem ı̂n câte
moduri putem scrie n simboluri, dintre care n1 egale cu A1 , n2 egale cu A2 , ..., nk egale
cu Ak . Acest numǎr este dat de numǎrul permutǎrilor cu repetiţie şi anume
n!
.
n1 ! n2 ! ... nk !
Prin urmare, probabilitatea cǎutatǎ este

n!
Pn (n1 , n2 , ..., nk ) = · pn1 pn2 ... pnk k .
n1 ! n2 ! ... nk ! 1 2
Deoarece
X n!
1 = (p1 + p2 + ...pk )n = · pn1 pn2 ... pnk k
n1 ,...,nk
n1 ! n2 ! ... nk ! 1 2
rezultǎ cǎ X
Pn (n1 , n2 , ..., nk ) = 1
n1 ,...,nk
k
X
unde nj poate sǎ ia toate valorile posibile, astfel ı̂ncât nj ≥ 0 şi nj = n.
j=1
Definiţia 25.1. Un vector (n1 , n2 , ..., nk ) având funcţia de frecvenţǎ

n!
Pn (n1 , n2 , ..., nk ) = · pn1 1 pn2 2 ... pnk k .
n1 ! n2 ! ... nk !
se numeşte multinomial. Repartiţia corespunzǎtoare lui se numeşte repartiţie multino-
mialǎ şi se noteazǎ cu M (n; p1 , p2 , ..., pn ).
47
26 Repartiţia geometricǎ. Repartiţia binominalǎ
negativǎ
Când am definit repartiţia binominalǎ am considerat reprezentarea unei experienţe cu

douǎ rezulte posibile: succes (S) şi insucces (I). Am fixat un numǎr n de experienţe
şi am determinat repartiţia numerelor de succese ı̂n n repetǎri. Aceastǎ repartiţie am
numit-o repartiţie binominalǎ.
În continuare, considerǎm situaţia ı̂n care numǎrul total de efectuǎri ale experienţei nu
este dat dinainte.
Repetǎm experienţa pânǎ obţinem r succese, acesta fiind fixat dinainte; numǎrul de
insuccese (x) şi numǎrul total de repetǎri ale experienţei (x + r) sunt variabile.
Fie X variabila ”numǎrul total de insuccese obţinute ı̂nainte de a se realiza succesul r”.
Ne propunem sǎ gǎsim funcţia de frecvenţǎ f (x) a variabilei X.
Mai ı̂ntâi, considerǎm cazul r = 1. Atunci f (x) este probabilitatea de a avea x insuccese
ı̂nainte de primul succes. Acest eveniment se poate realiza ı̂ntr-un singur mod: ”trebuie
sǎ se obţinǎ insuccese ı̂n primele x repetǎri ale experienţei şi apoi un succes ı̂n experienţa
x + 1”. Cum repetǎrile experienţei sunt independente, avem
P (I, I, ..., I , S) = (1 − p) (1 − p) ... (1 − p) p ,
| {z } | {z }
x ori x ori
unde p este probabilitatea succesului. Prin urmare

f (x) = (1 − p)x · p , x = 0, 1, 2, ...
Definiţia 26.1. Variabila aleatoare X având funcţia de frecvenţǎ
f (x) = (1 − p)x · p
se numeşte variabilǎ geometricǎ, iar (x, f (x)), x = 0, 1, 2, ... se numeşte repartiţie
geometricǎ.
Cum 0 < p < 1, avem

∞
X p
f (x) = p [1 + (1 − p) + (1 − p)2 + ...] = = 1.
x=0
1 − (1 − p)
În cazul general, f (x) este probablitatea de a obţine exact x insuccese ı̂nainte de succesul
r. Pentru a se realiza acest eveniment, trebuie sǎ obţinem un succes ı̂n experienţa r + x şi
ı̂n cele r+x−1 experienţe anterioare sǎ obţinem r−1 succese şi x insuccese. Probabilitatea
de a obţine r − 1 succese ı̂n primele r + x − 1 experienţe este
r−1
Cr+x−1 · pr−1 (1 − p)x ,
unde probabilitatea de a obţine un succes ı̂n experienţa r + x este p.
Deoarece experienţele sunt independente, probabilitatea cǎutatǎ este
r−1
f (x) = Cr+x−1 · pr (1 − p)x , x = 0, 1, 2, ...
48
Definiţia 26.2. Variabila X având funcţia de frecvenţe
r−1
f (x) = Cr+x−1 · pr (1 − p)x
se numeşte variabilǎ binominalǎ negativǎ, iar (x, f (x)) repartiţie binominalǎ
negativǎ.
Propoziţia 26.1. Dacǎ X, Y sunt variabile aleatoare independente, repartizate binominal
negativ de parametri (r1 , p), respectiv (r2 , p), atunci variabila X + Y este repartizatǎ
binominal negativ de parametri (r1 + r2 , p).
27 Variabile aleatoare continue
Lungimile şi timpul teoretic pot lua orice valoare dintr-un interval. Dacǎ evenimentele
sunt asemenea entitǎţi, atunci funcţia de probabilitate ar trebui sǎ fie definitǎ pe un
interval şi sǎ asocieze ”probabilitǎţi” tuturor elementelor acestui interval, nu doar unui
numǎr finit de puncte (probabilitǎţi punctuale).
Exemplul 27.1. Dacǎ un ceas se opreşte la ı̂ntâmplare, care este probabilitatea ca limba
care indicǎ orele sǎ se opreascǎ ı̂ntre 7 şi 10?
Soluţie: În acest caz, avem de a face cu o familie de evenimente posibile care sunt ı̂ntr-
un interval continuu. Orice poziţie ı̂ntre 0 şi 12 este posibilǎ şi existǎ o infinitate de
posibilitǎţi.
Nu putem numǎra cazurile egal posibile şi nu putem asocia probabilitǎţi punctuale.
De aceea, fiecǎrui subinterval al lui [0, 12] ı̂i asociem o probabilitate proporţionalǎ cu
lungimea subintervalului. Deoarece intervalului [0,12] de lungime 12 trebuie sǎ ı̂i asociem
1
probabilitatea 1, unui subinterval de lungime unitate ı̂i vom asocia probabilitatea , şi
12
3
deci unui interval de lungime 3 = 10 − 7 ı̂i vom asocia probabilitateta .
12
3
Astfel, probabilitatea ca T sǎ ia valori ı̂ntre 7 şi 10 este .
12
10 − 7 3
P (7 < T < 12) = = .
12 − 0 12
În acest caz, putem face şi un raţionament ı̂n care mǎsurǎm probabilitǎţile prin arii de
dreptunghiuri, şi anume: reprezentǎm intervalul de timp [0, 12] pe orizontalǎ ca ı̂n figurǎ
1
şi considerǎm dreptunghiul având lungimea 12 şi lǎţimea .
12
1
Lǎţimea am luat-o de , pentru ca aria dreptunghiului sǎ fie egalǎ cu probabilitatea
12
evenimentului sigur (”acul se opreşte undeva intre 0 şi 12 ”), adicǎ 1. Intervalului [7, 10]
1
ı̂i corespunde dreptunghiul haşurat, având aria 3 · = P (7 < T < 12).
12
49
Exemplul 27.2. Un autobuz trebuie sǎ ajungǎ in staţia A la ora 7. Din motive
necunoscute, ora de sosire a autobuzului variazǎ ı̂ntre orele 650 şi 720 . Frecvenţele relative
ale diferitelor sosiri aratǎ cǎ acestea sunt dispuse ca ı̂n figura de mai jos:
Care este probabilitatea ca autobuzul sǎ ajungǎ la timp ı̂n staţie?
Soluţie: Fie T variabila aleatoare care dǎ timpul de sosire. Sǎ presupunem T = 0 pentru
705 , mijlocul intervalului timpilor de sosire. Deoarece aria triunghiului este 1, iar baza de
1
la T = −15 la T = 15, ı̂nǎlţimea sa va fi h = .
15
Aria triunghiului haşurat reprezintǎ probabilitatea ca autobuzul sǎ ajungǎ ı̂n staţie la ora
2 1 2 2
700 . Înǎlţimea triunghiului este , deci aria sa este · 10 · = .
45 2 45 9
2
Prin urmare, probabilitatea cǎutatǎ este .
9
Exemplul 27.3. Pe segmentul AB se alege, la ı̂ntâmplare, un punct U . Care este
probabilitatea ca distanţa de la punctul U la A sǎ fie cel puţin de douǎ ori mai mare
ca distanţa de la U la B?
Soluţie: A alege la ı̂ntâmplare punctul U revine la a spune cǎ nici o regiune de pe AB

nu este privilegietǎ. Aceasta ı̂nsemnǎ cǎ probabilitatea ca U sǎ aparţinǎ unui subinterval
I al lui AB este proporţionalǎ cu lungimea lui I. Rezultǎ de aici cǎ
lungimea lui I
P (U ∈ I) =
lungimea lui AB
şi deci
1
P (|AU | > 2|BU |) = .
3
28 Funcţia de repartiţie pentru variabile aleatoare

continue. Densitatea de probabilitate
Dacǎ X este o variabilǎ aleatoare ale cǎrei valori sunt punctele unui interval, ne aşteptǎm
ca la schimbǎri mici ale lui x sǎ se producǎ o schimbare micǎ ı̂n P (X < x), cu alte cuvinte
funcţia de repartiţie F (x) sǎ fie continuǎ.
Definiţia 28.1. O variabilǎ X cu valori reale este numitǎ variabilǎ continuǎ dacǎ
funcţia sa de repartiţie F (x) este continuǎ.
50
dF
De altfel vom presupune mai mult. Vom admite cǎ F (x) este derivabilǎ şi cǎ este
dx
continuǎ.
dF
Definiţia 28.2. Funcţia f (x) = se numeşte densitatea de repartiţie (sau de
dx
probabilitate) a variabilei X.
Deoarece F este crescǎtoare, rezultǎ

f (x) ≥ 0 , ∀x.
De asemenea, avem:
Z x Z ∞
F (x) = f (t)dt şi F (∞) = f (t)dt.
−∞ −∞
Funcţia de repartiţie F (x) se mai numeşte şi integrala probabilistǎ a lui X.

Remarca 28.1. Densitatea de repartiţie f este definitǎ pânǎ la o constantǎ de multipli-
care, care se determinǎ din condiţia
Z ∞
f (t)dt = 1.
−∞
Propoziţia 28.1. Dacǎ a şi b sunt douǎ numere reale, atunci au loc urmǎtoarele egalitǎţi:
1. P (a ≤ X < b) = P (X < b) − P (X < a) = F (b) − F (a);

Z b
2. P (a ≤ X < b) = F (b) − F (a) = f (t)dt.
a
Demonstraţie. Imediatǎ.
Remarca 28.2. Dacǎ a → b, atunci F (a) → F (b), adicǎ
−−−−→ 0,
P (a ≤ X < b) −−−a→b
deci probabilitatea ca X sǎ ia valoarea b este zero. Expresia f (b) nu dǎ probabilitatea ca
X = b, o densitate de probablitate folosindu-se numai ca integrand.
Remarca 28.3. Dacǎ b − a este mic şi f (x) este continuǎ, atunci
Z b
P (a ≤ X < b) = f (t)dt ≈ (b − a) · f (t)
a
a+b
unde t = .
2
Remarca 28.4.
F (x + ∆x) − F (x) P (x ≤ X < x + ∆x)
f (x) = lim = lim .
∆x→0 ∆x ∆x→0 ∆x
Aceastǎ relaţie explicǎ şi originea termenului de ”densitate de repartiţie”: P (x ≤ X <
x + ∆x) reprezintǎ probabilitatea ca variabila aleatoare X sǎ ia valori ı̂n intervalul
[x, x + ∆x) (adicǎ ”masa”), iar ∆x este lungimea acestui interval (adicǎ ”volumul”).
51
Definiţia 28.3. Se numeşte modul şi se noteazǎ cu M o valoarea variabilei X pentru
care densitatea este maximǎ.
Modulul se gǎseşte printre rǎdǎcinile ecuaţiei

df
= 0.
dx
Dacǎ ecuaţia are o singurǎ soluţie, repartiţia se numeşte unimodalǎ.
dF
Întrucât f (x) = , rezultǎ cǎ modulul se gǎseşte şi printre rǎdǎcinile ecuaţiei
dx
d2 F
= 0.
dx2
Aceasta aratǎ cǎ ı̂n x = M o graficul funcţiei de repartiţie are un punct de inflexiune.
Definiţia 28.4. Cuantila de ordin α a variabilei aleatoare continue X este acea valoare
xα a variabilei X pentru care F (xα ) = P (x < xα ) = α.
Dacǎ funcţia F (x) este strict crescǎtoare, atunci variabila X admite cuantile de orice
ordin, şi acestea sunt unice.
1
Cuantila de ordin 2
este numitǎ medianǎ şi se noteazǎ cu M e. Pentru medianǎ, avem:
1
P (X < M e) = P (X > M e) = .
2
Exemplul 28.1. Sǎ se determine funcţia de repartiţie, mediana, modulul pentru variabila
aleatoare T din Exemplul 27.2.
29 Valorile medii şi dispersia unei variabile aleatoare

continue
Definiţia 29.1. Dacǎ X este o variabilǎ aleatoare continuǎ cu densitatea de repartiţie f ,

atunci valorea sa medie este definitǎ ca
Z +∞
M (x) = x f (x)dx ,
−∞
cu condiţia ca integrala sǎ conveargǎ absolut, adicǎ

Z +∞
|x f (x)|dx < +∞.
−∞
În caz contrar spunem cǎ X nu are medie finitǎ.

Propoziţia 29.1. Media unei variabile aleatoare continue are urmǎtoarele proprietǎţi:
1. M (aX) = a · M (X);
52
2. M (X + Y ) = M (X) + M (Y );
3. M (X − M (X)) = 0.
Demonstraţie. Se folosesc proprietǎţile integralei.
Exemplul 29.1. În condiţiile Exemplului 27.2, sǎ se determine valoarea medie a timpului
de sosire.
Definiţia 29.2. Dispersia variabilei aleatoare X este

Z +∞
2
D (X) = (x − M (X))2 f (x)dx.
−∞
Exemplul 29.2. Sǎ se determine dispersia variabilei aleatoare din Exemplul 27.2.
30 Repartiţia normalǎ
Definiţia 30.1. Spunem cǎ o variabilǎ X urmeazǎ o repartiţie normalǎ de para-

metri µ şi σ 2 dacǎ are densitatea de repartiţie
· ¸
2 1 1 2
n(x; µ, σ ) = √ exp − 2 (x − µ) , −∞ < x < ∞ ,
2π 2σ
şi vom scrie X ∼ N (µ, σ 2 ).
Propoziţia 30.1. Dacǎ X ∼ N (µ, σ 2 ), atunci
M (X) = µ şi D2 (X) = σ 2 .
Demonstraţie. Prin calcul direct.
Remarca 30.1. Funcţia n(x; µ, σ 2 ) este simetricǎ faţǎ de x = µ, este maximǎ ı̂n x = µ
şi are puncte de inflexiune ı̂n x = µ ± σ. Graficul funcţiei este dat ı̂n figurǎ:
Definiţia 30.2. Spunem cǎ variabila X are densitatea de repartiţie normalǎ

standard dacǎ are densitatea de repartiţie
1 1 2
n(x; 0, 1) = √ e− 2 x , −∞ < x < +∞, , µ = 0, σ = 1.
2π
53
Definiţia 30.3. Funcţia de repartiţie a variabilei normale standard,
Z x
1 1 2
Φ(x) = √ e− 2 t dt
2π −∞
se numeşte funcţia lui Laplace.
Din proprietatea lui Φ(x): Φ(x) + Φ(−x) = 1, rezultǎ:
Φ(−x) = P (X < −x) = P (X > x) = 1 − P (X < x) = 1 − Φ(x)
Funcţia lui Laplace este tabelatǎ pentru diferite valori ale lui x. Cu aceste tabele putem
gǎsi probabilitǎţile asociate cu evenimentele privind orice variabiliǎ normalǎ.
Propoziţia 30.2. Dacǎ X ∼ N (µ, σ 2 ), atunci:

µ ¶
b−µ
i) P (X < b) = Φ ;
σ
µ ¶ µ ¶
b−µ a−µ
ii) P (a < X < b) = Φ −Φ .
σ σ
x−µ
Demonstraţie. Se foloseşte schimbarea de variabilǎ u = .
σ
Propoziţia 30.3. Dacǎ Xi ∼ Ni (µi , σi2 ), i = 1, n, atunci
n
X
Y = ci Xi
i=1
are proprietatea Ã n !
X n
X
Y ∼ Ni c i µi , c2i σi2 .
i=1 i=1
BIBLIOGRAFIE
[1] V. Craiu, Teoria probabilitǎţilor cu exemple şi probleme, Ed. Fundaţiei România de
mâine, 1997.
[2] R. Johnson, Elementary Statistics, PWS-KENT Publishing Company, Boston, 1984.
[3] R. Mittelhammer, Mathematical Statistics for Economics and Business, Springer,

1996.
54

I3 - PROBABILITǍŢI - Notiţe de Curs

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

I3 - PROBABILITǍŢI - Notiţe de Curs

Încărcat de

Drepturi de autor:

Formate disponibile

I3: PROBABILITǍŢI - notiţe de curs

Ştefan Balint, Eva Kaslik, Simina Mariş

1 Experienţǎ şi evenimente aleatoare 3

2 Eveniment sigur. Eveniment imposibil 3

4 Evenimente compatibile. Evenimente incompatibile 4

5 Eveniment implicat de alt eveniment 5

7 Spaţiul de selecţie al unei experienţe 7

9 Evenimente egal posibile 8

10 Probabilitatea unui eveniment 8

11 Spaţiu de selecţie finit. Eveniment elementar. Eveniment. 10

12 Definiţia axiomaticǎ a probabilitǎţii 10

13 Evenimente independente şi evenimente dependente 14

15 Variabile aleatoare discrete unidimensionale 20

17 Variabile aleatoare discrete bidimensionale

18 Funcţia de repartiţie a vectorului aleator (X, Y ) 30

19 Valoare medie. Dispersie. Momente. (pentru variabile aleatoare

20 Covarianţǎ. Coeficient de corelaţie 35

21 Convergenţa şirurilor de variabile aleatoare 38

22 Legi ale numerelor mari 39

24 Repartiţia Poisson ca aproximaţie a repartiţiei binomiale 43

26 Repartiţia geometricǎ. Repartiţia binominalǎ negativǎ 48

27 Variabile aleatoare continue 49

28 Funcţia de repartiţie pentru variabile aleatoare continue. Densitatea de

29 Valorile medii şi dispersia unei variabile aleatoare continue 52

(1), (2), (3), (4), (5), (6).

2 Eveniment sigur. Eveniment imposibil

Definiţia 2.2. Evenimentul imposibil (notat cu ∅) este un eveniment care nu se

Definiţia 3.1. Contrarul unui eveniment A asociat experienţei este un eveniment

Dacǎ B este contrariul lui A atunci A este contrariul lui B.

4 Evenimente compatibile. Evenimente incompati-

Fie A şi B douǎ evenimente asociate unei experienţe aleatoare.

5 Eveniment implicat de alt eveniment

Fie A şi B douǎ evenimente asociate unei experienţe aleatoare.

Evenimentul imposibil, care nu se realieazǎ niciodatǎ la efectuarea experienţei, este

Mulţimile care reprezintǎ douǎ evenimente incompatibile sunt disjuncte.

A = {1, 2, 5}, B = {3, 4, 5}.

Definiţia 6.2. Intersecţia evenimentelor A0 şi B 0 asociate unei experienţe aleatoare,

Exemplul 6.4. În condiţiile din exemplul precedent A ∩ B = {5}.

Pentru a introduce noţiunea de spaţiu de selecţie al unei experienţe, sǎ considerǎm

{(B, B), (B, S), (S, B), (S, S)} = A1 .

{(2, 0), (1, 1), (0, 2)} = A2 .

Definiţia 7.1. Un spaţiu de selecţie al unei experienţe este o mulţime de rezultate

Considerǎm o experienţǎ aleatoare şi un eveniment A asociat acestei experienţe. Repetǎm

1. fn (S) = 1, unde S este evenimentul sigur;

9 Evenimente egal posibile

10 Probabilitatea unui eveniment

11 Spaţiu de selecţie finit. Eveniment elementar.

Definiţia 11.2. Pǎrţile mulţimii S se numesc evenimente aleatoare. Un eveniment

constituie un spaţiu de selecţie posibil asociat acestei experienţe (anchetǎ) pentru o

Fiecare dintre aceste submulţimi este un eveniment. Submulţimile E1 = {e1 }, E2 = {e2 },

12 Definiţia axiomaticǎ a probabilitǎţii

Definiţia 12.1. Numim probabilitate pe spaţiul de selecţie S = {e1 , e2 , ..., en } o

Demonstraţie. Deoarece P (∅ ∪ S) = P (∅) + P (S) şi P (∅ ∪ S) = P (S), rezultǎ cǎ

P ({e1 , e2 , ..., ek }) = P ({e1 , e2 , ..., ek−1 }) + P ({ek })

De aici se obţine egalitatea

P ({e1 }) = 0.6 P ({e2 }) = 0.2 P ({e3 }) = 0.15 P ({e4 }) = 0.05.

Propoziţia 12.2. Pentru orice A ∈ P(S) are loc

Demonstraţie. Deoarece A ∩ {A = ∅ şi A ∪ {A = S, avem P (A) + P ({A) = P (S) = 1,

Demonstraţie. A ⊂ B, deci B = A ∪ (B ∩ {A). Întrucât A ∩ (B ∩ {A) = ∅, rezultǎ

Propoziţia 12.4. Dacǎ A1 , A2 , ..., An ∈ P(S) şi Ai ∩ Aj = ∅, ∀i 6= j, atunci

Demonstraţie. Pentru n = 2 egalitatea P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) este adevǎratǎ

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

Propoziţia 12.5. Oricare ar fi A, B ∈ P(S) are loc egalitatea: