Calculul Probabilitatilor

Introducere ı̂n Calculul Probabilităţilor
(modele elementare şi o invitaţie la teoria

măsurii)
L.Stoica
2
Cuprins
1 Introducere 9
1.1 Modelul probabilist . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2 Câteva exemple . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Zarul turtit . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Repartiţii uniforme . . . . . . . . . . . . . . . . . . . . 17
1.3 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Modele cu şanse egale 21

2.1 Aruncarea cu banul . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Metode de numărare a posibilităţilor . . . . . . . . . . . . . . 24
2.2.1 Permutări cu repetiţii . . . . . . . . . . . . . . . . . . . 24
2.3 Extrageri repetate din urnă . . . . . . . . . . . . . . . . . . . 27
2.3.1 Schema bilei ı̂ntoarse . . . . . . . . . . . . . . . . . . . 27
2.3.2 Schema bilei neı̂ntoarse . . . . . . . . . . . . . . . . . 28
2.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.1 Controlul calităţii . . . . . . . . . . . . . . . . . . . . . 30
2.4.2 Numărarea tuturor posibilităţilor . . . . . . . . . . . . 32
2.4.3 Problema potrivirilor . . . . . . . . . . . . . . . . . . . 33
2.4.4 Problema cu zilele de naştere . . . . . . . . . . . . . . 38
2.4.5 Produsul mai multor numere apropiate de unitate . . . 39
2.5 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Câteva noţiuni de bază 43

3.1 Probabilităţi condiţionate . . . . . . . . . . . . . . . . . . . . 43
3.1.1 Noţiunea de probabilitate condiţionată . . . . . . . . . 43
3.1.2 Formula lui Bayes . . . . . . . . . . . . . . . . . . . . . 46
3.2 Independenţă . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1 Independenţa a două evenimente . . . . . . . . . . . . 51
3
4 CUPRINS
3.2.2 Independenţa mai multor evenimente . . . . . . . . . . 54

3.2.3 Independenţa a trei evenimente . . . . . . . . . . . . . 57
3.2.4 Regula jucătorului . . . . . . . . . . . . . . . . . . . . 58
3.3 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4 Partiţii finite sau numărabile 63

4.1 Partiţii şi σ−algebre generate . . . . . . . . . . . . . . . . . . 65
4.2 Partiţii şi σ−algebre independente . . . . . . . . . . . . . . . . 75
4.3 Asocierea şi disocierea independenţei . . . . . . . . . . . . . . 80
4.4 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5 Spaţiul probabilizat numărabil 83

5.1 Mulţimi numărabile . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1.1 Sumabilitate . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1.2 Măsuri pe o mulţime cel mult numărabilă. . . . . . . . 86
5.2 Produsul de măsuri discrete . . . . . . . . . . . . . . . . . . . 88
5.3 Variabile aleatoare cu valori numărabile . . . . . . . . . . . . . 91
5.3.1 σ−algebra generată de o variabilă . . . . . . . . . . . . 91
5.3.2 Repartiţia unei variabile . . . . . . . . . . . . . . . . . 93
5.3.3 Medie şi dispersie . . . . . . . . . . . . . . . . . . . . . 99
5.4 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6 Câteva repartiţii pe N 109

6.1 Repartiţia geometrică . . . . . . . . . . . . . . . . . . . . . . . 109
6.2 Repartiţia binomială şi schema lui Bernoulli . . . . . . . . . . 111
6.3 Repartiţia Poisson . . . . . . . . . . . . . . . . . . . . . . . . 114
6.3.1 Generalităţi . . . . . . . . . . . . . . . . . . . . . . . . 114
6.3.2 Estimarea erorilor . . . . . . . . . . . . . . . . . . . . . 117
6.4 Histograme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
6.5 Împrăştierea aleatoare . . . . . . . . . . . . . . . . . . . . . . 125
6.6 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
7 Teorema De Moivre-Laplace 135

7.1 Aproximarea repartiţiei binomiale . . . . . . . . . . . . . . . . 135
7.1.1 Repartiţia normală . . . . . . . . . . . . . . . . . . . . 140
7.2 Teorema limită centrală . . . . . . . . . . . . . . . . . . . . . 151
7.3 Noţiuni de estimarea statistică . . . . . . . . . . . . . . . . . . 163
7.3.1 Intervale de ı̂ncredere . . . . . . . . . . . . . . . . . . . 163
CUPRINS 5
7.3.2 Evaluarea coeficientului de ı̂ncredere . . . . . . . . . . 165

7.4 Exerciţii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
8 Măsuri pe spaţii produs ı̂n cazul discret 169

8.1 Complemente de teoria măsurii . . . . . . . . . . . . . . . . . 169
8.2 Spaţiul produs numărabil . . . . . . . . . . . . . . . . . . . . . 173
8.3 Construcţia măsurilor . . . . . . . . . . . . . . . . . . . . . . . 176
9 Lanţuri Markov 183

9.1 Calcule de bază . . . . . . . . . . . . . . . . . . . . . . . . . . 183
9.2 Construcţia lanţului Markov . . . . . . . . . . . . . . . . . . . 189
9.3 Alte forme ale proprietăţii Markov . . . . . . . . . . . . . . . 193
9.3.1 Exprimarea cu media condiţionată . . . . . . . . . . . 193
9.3.2 Lanţuri omogene ı̂n timp . . . . . . . . . . . . . . . . . 196
9.3.3 Proprietatea tare Markov . . . . . . . . . . . . . . . . 203
9.4 Reducerea la reprezentarea canonică . . . . . . . . . . . . . . 206
10 Comunicarea ı̂ntre stări 211

10.1 Stări recurente sau tranziente . . . . . . . . . . . . . . . . . . 212
10.2 Clase recurente . . . . . . . . . . . . . . . . . . . . . . . . . . 217
11 Comportament asimptotic 223

11.1 Teoreme limită . . . . . . . . . . . . . . . . . . . . . . . . . . 223
11.2 Măsuri invariante . . . . . . . . . . . . . . . . . . . . . . . . . 230
6 CUPRINS
Prefaţă
Primele şapte capitole ale cărţii de faţă conţin cursul introductiv de teoria
probabilităţilor pe care l-am ţinut studenţilor din anul al III-lea. Ultimele
patru capitole conţin cursul de lanţuri Markov pe care l-am ţinut studenţilor
de la master.
În privinţa materiei din prima parte, am de făcut mai ı̂ntâi menţiunea
că diferă de ceea ce se face de obicei la facultatea de matematică, diferă
chiar şi de ceea ce am predat cu un an ı̂nainte, prin faptul că prezentarea
este mult mai elementară. Am renunţat la a pune la baza cursului de teoria
probabilităţilor cunştinţele de teoria măsurii pe care ar trebui să le aibă
studenţii dintr-un curs separat. În urma contactului direct cu studenţii,
am ajuns la concluzia că este necesară o discuţie ı̂n amănunt a noţiunilor
de bază din teoria măsurii ı̂n paralel cu introducerea conceptelor de teoria
probabilităţilor.
Trebuie spus, pe de altă parte, că teoria probabilităţilor reprezintă astăzi
un domeniu cu largi aplicaţii ı̂n societatea contemporană şi este absolut nece-
sară o mai mare popularizare a cunoştinţelor de bază ı̂n acest domeniu.
Având ı̂n vedere acest lucru, am schimbat conţinutul, concentrându-mă
asupra a două obiective: 1) explicarea modelării problemelor prin prezentarea
cu detalii a mai multor modele pentru exemple concrete, cât şi a unor
construcţii de modele mai generale; 2) prezentarea noţiunii de independenţă
bazată pe teoria măsurii discretă.
Noţiunea de independenţă este făr ă ı̂ndoială cel mai important concept
care stă la baza modelării proabiliste şi ea poate fi explicată, fără a se pierde
esenţialul, la nivelul unui spaţiu probabilizat finit. De exemplu, noţiunile
de estimare statistică din capitolul 7 nu utilizează nimic mai mult din teo-
ria măsurii. Pentru cea mai mare parte a cursului, chiar am fi putut să
rămânem la nivelul spaţiului probabilizat finit, totuşi pentru a putea cuprinde
şi fenomenele legate de repartiţia Poisson, am ales spaţiul discret cel mult
7
8 CUPRINS
numărabil drept cadru de dezvoltare a teoriei măsurii ce ne este necesară.

Desigur că adoptarea punctului de vedere elementar m-a condus la epuizarea
timpului fără a ajunge să vorbesc despre unele subiecte centrale ı̂n teoria
probabilităţilor, cum ar fi legea numerelor mari. De asemenea, teorema limită
centrală este prezentată doar ı̂n cazul variabilelor bernoulliene. Prin urmare,
conţinutul acestui curs constituie doar o primă introducere ı̂n domeniu.
Partea a doua a cărţii, cursul de lanţuri Markov, este de asemenea destul
de elementară ca abordare. Am evitat noţiunile mai avansate de teoria
măsurii, pentru a fi accesibilă unui public cât mai larg. Dar fără ı̂ndoială
că un student cu o mai mare experienţă ı̂n acestă teorie şi ı̂n teoria prob-
abilităţilor va ı̂nţelege mai bine conţinutul cursului nostru. Din punct de
vedere tehnic, trebuie spus că am pus accentul pe proprietatea Markov. Am
făcut un efort de a o explica şi apoi am utilizat-o sistematic. Am evitat tehni-
cile de algebră sau analiză a matricilor, cât şi tehnicile de teoria potenţialului
sau cele de teoria martingalelor. Proprietatea tare Markov este cea care a
rezolvat toate punctele delicate. Cursul constituie, ı̂n intenţia autorului, o
introducere cât se poate de elementară ı̂n teoria proceselor stochastice gene-
rale.
Cu regretul că nu am gata un text privitor la exemplele de lanţuri Markov,
mă grăbesc să adaug partea a doua la prima şi să public această carte aşa.
În viitorul apropiat ı̂mi propun să scot o nouă ediţie mai completă.
Bibliografia de la sfârşit conţine cărţile consultate de autor, cărţi ce sunt
recomandate şi cititorului pentru completarea informaţiei. Nu toate lucrările
sunt citate explicit ı̂n text.
Bucureşti, aprilie, 2004.
Capitolul 1
Introducere
Teoria probabilităţilor reprezintă un domeniu aparte al matematicii, ce are

relaţiile sale specifice cu realitatea ı̂nconjurătoare şi care se raportează la
ea prin experienţă, ca o adevărată ştiinţă a naturii. Din punct de vedere
filozofic, conceptul de probabilitate, care este conceptul central al teoriei,
este caracterizat ı̂n doua ipostaze.
O primă ipostază este apariţia sa ı̂n exprimarea frecvenţei unui eveniment
ı̂n timpul desfăşurării unui proces uniform. De exemplu, să presupunem că
facem experienţa aruncării cu banul de un număr mare de ori. Urmărim
fiecare aruncare, notând de fiecare dată rezultatul: stema sau cifra. Chiar
ı̂nainte de a ı̂ncepe experienţa putem gândi logic că nu exisă nici un motiv să
fie preferată vreuna din feţele monedei. Deci ” a priori” spunem că şansele de
a cădea stema sau cifra sunt egale. Faptul neaşteptat, care apare ı̂n timpul
experienţei, este că după un număr nu pre mare de aruncări (de exemplu
100 de aruncări) se şi verifică aceasta. Notăm cu Nn numărul de experienţe
la care rezultatul a fost cifra după ce s-au făcut n aruncări. Atunci graficul
funcţiei f (n) = Nnn , n ∈ N, arată cam aşa cum se vede ı̂n figura 1.1. Graficul
din figură a fost realizat pe baza datelor unui experiment ce a constat din
200 de aruncări cu o monedă. După cum se vede, prima porţiune a graficului
este lipită de axa orizontală. Aceasta reflectă faptul că ı̂n experiment s-a
obţinut la ı̂nceput de zece ori la rând faţa cu stema. Putem spune că aşa
ceva este neobişnuit. A preciza, ı̂nsă, noţiunea de ,,obişnuit” sau ,,frecvent”
ı̂n legătură cu un fenomen aleator este tocmai obiectul teoriei probabilităţilor.
Graficul evoluează apoi apropiindu-se de valoarea constantă 0, 5. Acest fapt
este foarte obişnuit la un număr mai mare de 100 de aruncări. Oricine poate
verifica acest lucru experimentând aruncarea cu banul! Deci probabilitatea
9
10 CAPITOLUL 1. INTRODUCERE
0.6
0.5
0.4
0.3
0.2
0.1
0
1 16 31 46 61 76 91 106 121 136 151 166 181 196
Figura 1.1: Graficul frecvenţei cu care a ieşit o faţă a monedei.
egală pentru obţinerea unei feţe sau a alteia este reflectată ı̂n practică prin
frecvenţa egală de realizare a celor două rezultate atunci când experimentul
este repetat de un număr relativ mare de ori.
Cea de a doua ipostază a conceptului de probabilitate este cea ı̂n care ex-
primă o cuantificare a unui fenomen subiectiv, ı̂n care intervine necunoaşterea
unor aspecte ale unui experiment. De exemplu, un medic se poate exprima
cu privire la şansele de reuşită ale unui tratament sau ale unei operaţii şi
atunci când pacientul are o stare diferită de cazurile ce le cunoscuse anterior.
Medicul face deci aprecieri subiective ale unor aspecte necunoscute şi spune
spre exemplu ”şansele de ı̂nsănătoşire sunt de 80%”.
Acelaşi lucru se ı̂ntâmplă cu un economist care trebuie să facă prog-
noze. Economia fiecărui an este ı̂n mare măsură unică, nu se poate vorbi de
repetarea unor fenomene decât parţial, şi deci un important aspect al prog-
nozei este caracterul său subiectiv. Apare astfel o evaluare probabilistă a
şanselor de desfăşurare a unor scenarii, necunoscându-se care vor fi condiţiile
reale.
Deşi din punct de vedere filozofic bazele teoriei probabilităţilor au implicaţii
foarte interesante, pentru studiul matematic, cât şi pentru aplicaţiile prac-
tice obişnuite, aspectele filozofice sunt aproape irelevante. De aceea nu ne
vom ocupa deloc ı̂n cele ce urmează de fundamentele teoriei probabilităţilor,
ci vom trece direct la definirea obiectelor matematice şi la explicarea pro-
cesului de modelare prin exemple. Eficienţa practică a modelării o socotim
suficientă pentru a ı̂nlocui orice discurs filozofic.
1.1. MODELUL PROBABILIST 11
Din punctul de vedere al matematicianului, teoria probabilităţilor are

două părţi: modelarea unor fenomene reale (ı̂n legătură cu modelarea apare
şi problema verificării modelului prin metodele statisticii, care validează sau
invalidează modelul) şi studiul obiectelor matematice create prin modelare.
Studiul acesta conduce la noi concepte şi legături cu celelalte ramuri ale
matematicii, ceea ce permite ulterior crearea altor modele, de un nivel supe-
rior.
Modelarea se face ı̂n primul rând prin construirea unui spaţiu probabili-
zat , prin intermediul căruia se asociază evenimentelor posibile numere din
intervalul [0, 1]. Unui eveniment mai probabil decât un altul trebuie să-i core-
spundă un număr mai mare decât celuilalt. Evenimentele cele mai probabile
vor avea asociate numere apropiate de 1, de exemplu 0, 95 sau 0, 99 ı̂n timp
ce evenimentele cele mai puţin probabile vor avea asociate numere mici de
genul 0, 02 sau 0, 001.
1.1 Modelul probabilist

În prima parte a acestui curs vom analiza mai ales teoria finită, ı̂n care există
doar o familie finită de evenimente posibile legate de fenomenul studiat. Vom
introduce mai ı̂ntâi noţiunea de spaţiu probabilizat finit.
Definiţia 1.1 Fie Ω o mulţime şi F o familie de părţi, deci F ⊂ P (Ω) .

Spunem că F este o algebră de părţi, sau pe scurt o algebră, dacă sunt
ı̂ndeplinite condiţiile următoare:
(i) mulţimea vidă şi spaţiul total aparţin lui F , adică ∅, Ω ∈ F ;
(ii) familia este ı̂nchisă la complementară, ı̂n sensul că Ac ∈ F , dacă
A ∈ F;
(iii) familia este ı̂nchisă la reuniune, adică A ∪ B ∈ F , dacă A, B ∈ F .
Dacă, ı̂n plus, familia F este finită spunem că ea este o algebră finită. În
acest caz, perechea (Ω, F ) este numită spaţiu măsurabil finit.
Exemplul cel mai simplu de algebră este algebra trivială {Ω, ∅} , care
conţine numai spaţiul total şi mulţimea vidă. Alt exemplu simplu este con-
stituit de P (Ω) , mulţimea tuturor părţilor spaţiului Ω. În cazul ı̂n care Ω
este o mulţime finită, cel mai adesea ea este considerată ca spaţiu măsurabil
fiind ı̂nzestrată cu algebra P (Ω) .
Dacă avem dată o algebră F ⊂ P (Ω) şi Λ ⊂ Ω este o submulţime arbi-

trară, familia de părţi ale lui Λ, care este descrisă prin {A ∩ Λ/A ∈ F } , este
tot o algebră. Ea este numită urma lui F pe Λ.
Un exemplu important de algebră este cel al părţilor măsurabile Jor-
dan dintr-un spaţiu euclidian. O mulţime din spaţiul euclidian se numeşte
măsurabilă Jordan, dacă frontiera sa este neglijabilă. Se verifică uşor că
aceste mulţimi alcătuiesc o algebră de părţi.
Se observă că o algebră F are proprietatea că este ı̂nchisă la intersecţie
şi diferenţă: dacă A, B ∈ F , atunci A ∩ B, A\B ∈ F . De asemenea, prin
inducţie se constată că reuniunea şi intersecţia unui număr finit arbitrar de
mulţimi din F sunt tot ı̂n F .
Definiţia 1.2 Fie (Ω, F ) un spaţiu măsurabil finit. Spunem că o aplicaţie
P : F → [0, 1] , este o măsură de probabilitate dacă satisface relaţiile
(i) P (Ω) = 1,
(ii) P (A ∪ B) = P (A) + P (B) , pentru orice două mulţimi disjuncte,
A, B ∈ F .
În acest caz, tripletul (Ω, F , P ) va fi numit spaţiu probabilizat finit.
Din definiţia dată rezultă imediat următoarele proprietăţi:

1. P (Ac ) = 1 − P (A) , pentru orice A ∈ F . În particular, se deduce
de aici că are loc relaţia P (∅) = 0. Mai observăm că relaţia P (A) = 1
este echivalentă cu relaţia P (Ac ) = 0. În acest caz, se spune că mulţimea A
suportă măsura P şi că măsura P nu ı̂ncarcă Ac .
2. P (A\B) = P (A) − P (B) şi P (B) ≤ P (A) ori de câte ori A, B ∈ F
satisfac relaţia B ⊂ A.
3. P (A1 ∪ ... ∪ An ) = P (A1 ) + ... + P (An ) , pentru orice număr finit de
mulţimi disjuncte A1 , ..., An ∈ F , n ∈ N.
4. P (A1 ∪ ... ∪ An ) ≤ P (A1 ) + ... + P (An ) , ı̂n general, cu mulţimile
arbitrare A1 , ..., An ∈ F , n ∈ N.
5. Dacă mulţimea Ω este finită, rezultă că o măsură de probabilitate P
pe P (Ω) este complet determinată de valorile pe care le ia pe mulţimile cu
un singur punct. Mai precis, să presupunem că Ω = {x1 , ..., xn } şi să notăm
P (xi ) = P ({xi }) , i = 1, ..., n. Ţinând cont de punctul 3., aceste numere
trebuie să satisfacă relaţia P (x1 ) + ... + P (xn ) = 1, pentru că ni=1 {xi } = Ω.
Pentru o mulţime arbitrară A ⊂ Ω are loc formula

P (A) = P (xi ) .
i,xi ∈A
1.1. MODELUL PROBABILIST 13
Reciproc, fiind date numerele a1 , ..., an ∈ [0, 1] , astfel ı̂ncât a1 +...+an = 1, se

poate defini o măsură de probabilitate punând P (xi ) = ai , pentru orice i =
1, ..., n şi definind apoi probabilitatea unei mulţimi arbitrare după formula
anterioară.
De multe ori un spaţiu probabilizat finit este construit prin definirea
mulţimii Ω şi a unei partiţii finite a acesteia, (Ak )1≤k≤n . Deci mulţimile Ak
sunt astfel definite ı̂ncât au loc relaţiile: a) Al ∩ Ak = ∅, dacă l = k şi b) Ω =
∪1≤k≤n Ak . Algebra generată de această partiţie, pe care o notăm F , constă
din toate mulţimile de forma Ak1 ∪ ... ∪ Akm , cu indicii satisfacând relaţia 1 ≤
k1 < ... < km ≤ n, la care se mai adaugă mulţimea vidă. (Lăsăm cititorului
verificarea faptului că aceasta este o algebră de părţi.) Probabilitatea P este
apoi definită prin fixarea valorilor pe elementele partiţiei pk = P (Ak ) , k =
1, ..., n. Desigur, numerele pk , k = 1, ..., n trebuie să fie pozitive şi să aibă
suma p1 + ... + pn = 1. Pentru o mulţime arbitrară din F se defineşte apoi
P (Ak1 ∪ ... ∪ Akm ) = P (Ak1 ) + ... + P (Akm ) ,
pentru k1 < ... < km . Cititorul poate uşor verifica faptul că ı̂n acest fel este
definită o măsură de probabilitate pe F .
O metodă convenabilă de construcţie a unui spaţiu probabilizat finit
(Ω, F , P ) constă ı̂n alegera mulţimii Ω ca o parte dintr-un spaţiu euclid-
ian, de exemplu din plan. Mulţimile din F sunt alese sugestiv după aspectul
grafic. De exemplu cercuri, pătrate, dreptunghiuri, ovale, etc. În plan se
poate uşor construi un spaţiu probabilizat desenând o diagramă Venn şi
punând ca probabilitate a unei mulţimi figurate A, valoarea P (A) = ariaA ariaΩ
.
Cel mai adesea ı̂n astfel de cazuri, pentru a nu complica exprimarea analitică
a diverselor mulţimi, liniile desenate, care separă regiunile, sunt excluse din
Ω. De exemplu, a se vedea modelul zarului turtit din paragraful următor sau
modelul celor trei urne din paragraful despre formula lui Bayes.
În primele capitole ale acestei cărţi nu vom utiliza decât spaţii probabi-
lizate finite. Totuşi, anumite noţiuni generale le vom da ı̂n contextul unui
spaţiu probabilizat general, pentru a evita repetarea definiţiilor mai târziu.
De aceea introducem acum şi definiţia unui spaţiu probabilizat general.
Definiţia 1.3 O algebră F , de părţi ale lui Ω, este numită σ− algebră dacă
are proprietatea de a fi ı̂nchisă la reuniuni numărabile: dacă (An )n∈N este
un şir de elemente din F , atunci ∪n∈N An ∈ F . Perechea (Ω, F ) se numeşte
spaţiu măsurabil.
Bineı̂nţeles că orice algebră finită este o σ− algebră. Familia P (Ω) , a

tuturor părţilor mulţimii Ω, este o σ−algebră. Dacă avem dată o σ−algebră
F ⊂ P (Ω) şi Λ ⊂ Ω este o submulţime arbitrară, urma lui F pe Λ este o tot
o σ−algebră.
Dar cel mai important exemplu de σ−algebră este cea constituită din
mulţimile măsurabile Borel dintr-un spaţiu euclidian E (de o anumită di-
mensiune), care este notată cu B (E) . Această σ−algebră este prin definiţie
σ−algebra generată de familia mulţimilor deschise din spaţiul euclidian E.
Pe de altă parte, este de reţinut că mulţimile măsurabile Jordan nu
formează o σ−algebră. De exemplu mulţimea lui Cantor de pe dreaptă nu
este măsurabilă Jordan, dar complementara sa este obţinută ca o reuniune
numărabilă de intervale deschise. Deci complementara mulţimii lui Cantor se
obţine ca o reuniune de mulţimi măsurabile Jordan, dar ea nu este măsurabilă
Jordan.
O σ−algebră este ı̂nchisă la intersecţii numărabile. Într-adevăr, dacă
(An )n∈N este un şir de elemente din σ−algebra dată putem scrie
∩n An = (∪n Acn )c ,
relaţie ce are ı̂n membrul drept numai operaţii permise ı̂n interiorul unei
σ−algebre.
Definiţia 1.4 Fie (Ω, F ) un spaţiu măsurabil. O aplicaţie P : F → [0, 1] se

numeşte măsură de probabilitate dacă satisface condiţiile:
(i) P (Ω)
= 1,
(ii) P n∈N An = n P (An ) , pentru orice şir de mulţimi disjuncte,
An ∈ F , ∀n ∈ N.
În acest caz tripletul (Ω, F , P ) se numeşte spaţiu probabilizat.
Relaţia (ii) din această definiţie este numită relaţia de σ− aditivitate.

Câteva proprietăţi legate de σ−aditivitate vor fi demonstrate mai târziu ı̂n
secţiunea despre partiţii finite sau numărabile.
Studiile despre fundamentele logice ale noţiunii de probabilitate au o
lungă istorie. Modelarea probabilistă pe un spaţiu probabilizat (Ω, F , P)
a fost pentru prima oară examinată printr-o metodă axiomatică de către
A. N. Kolmogorov ı̂ntr-o lucrare rămasă de referinţă (Grundbegriffe der
Wahrscheinlichkeitsrechnung, Berlin, 1933). De atunci acesta a devenit cadrul
familiar pentru discutarea problemelor de teoria probabilităţilor. Azi acest
1.2. CÂTEVA EXEMPLE 15
obiect este definit şi studiat ı̂n cadrul teoriei măsurii. În teoria proba-
bilităţilor el este preluat şi există obiceiul să se utilizeze, pe lângă terminolo-
gia de teoria măsurii, o terminologie proprie, colorată de sensuri apropriate
modelelor probabiliste. Astfel o mulţime A ∈ F se numeşte eveniment iar
un punct ω ∈ Ω se numeşte eveniment elementar. Dacă P (Ac ) = 0, se spune
că evenimentul A are loc aproape sigur. Prescurtat scriem a. s. pentru
,,aproape sigur”.
1.2 Câteva exemple

Modelarea propriu-zisă este ceea ce se numeşte o artă. Nu există reguli şi
cu greu se pot da reţete. Vom ilustra ideea de modelare prin exemple de-
a lungul ı̂ntregii cărţi. Începem cu următoarea secţiune ı̂n care prezentăm
câteva din modelele tipice.
1.2.1 Zarul turtit

Un zar obişnuit este un cub, pe ale cărui feţe sunt marcate cu puncte numerele
de la unu la şase. Să presupunem că avem un zar cu latura de 1 cm. El
este modificat micşorându-i-se ı̂nălţimea, astfel că devine un paralelipiped
dreptunghic cu baza un pătrat cu latura de 1 cm iar ı̂nălţimea de h ∈ (0, 1).
h0
Figura 1.2: Un zar turtit.
Să presupunem că baza zarului este marcată cu şase puncte, iar faţa
superioară cu unul. Când ı̂nălţimea h este foarte mică, feţele laterale devin
ı̂nguste şi zarul nu poate sta decât cu greu pe ele; şi de aceea este natural
să ne aşteptăm ca zarul, prin aruncare, să cadă mai ales cu feţele de sus şi
1 2 3 4 5 6
Figura 1.3: Un model pentru zarul turtit.
jos: 1 şi 6. Atunci şansele de a cădea una din aceste feţe, se apropie pentru
fiecare de 12 . Când h = 1 aceste feţe au şanse egale cu celelalte, deci egale
cu 61 pentru fiecare. Există o anumită valoare h0 pentru care feţele cu un
punct şi şase puncte au şansele 14 fiecare. În acest caz, şansele feţelor cu 2,3,4
şi 5 puncte sunt egale cu 18 fiecare. Experimentul de aruncare a zarului cu
ı̂nălţimea h0 poate fi descris de mulţimea Ω, desenată ı̂n figura 1.3.
Ea constă din şase dreptunghiuri (mulţimi deschise, fără laturile ce le
mărginesc). Primul dreptunghi şi ultimul sunt duble faţă de celelalte şi core-
spund la feţele cu 1 şi 6 puncte. Aria fiecărui dreptunghi este proporţională
cu şansele de a cădea numărul de puncte pe care-l reprezintă. Dreptunghiu-
rile ce formează mulţimea Ω sunt numerotate conform punctelor pe care le
reprezintă, ca ı̂n figură: D1 , D2 , D3 , D4 , D5 , D6 . În acest caz F este algebra
de părţi generată de aceste mulţimi. Mulţimea Di corespunde evenimentu-
lui ,,ı̂n urma aruncării zarului a ieşit faţa cu i puncte”. Probabilitatea este
definită prin
ariaA
P (A) = ,
ariaΩ
pentru orice A ∈ F . De exemplu, evenimentul ,,la aruncarea zarului iese
un număr de puncte mai mare sau egal cu 4” este reprezentat de mulţimea
D4 ∪ D5 ∪ D6 şi are probabilitatea
ariaD4 + ariaD5 + ariaD6 1 1 2 1
P (D4 ∪ D5 ∪ D6 ) = = + + = .
ariaΩ 8 8 8 2
Pentru aceeaşi problemă se poate utiliza un model bazat pe mulţimea
finită Ω = {1, 2, 3, 4, 5, 6} , cu F = P (Ω ) şi punând
P ({1}) = P ({6}) = 14 ,
P ({2}) = P ({3}) = P ({4}) = P ({5}) = 18 .
1.2. CÂTEVA EXEMPLE 17
1.2.2 Repartiţii uniforme

1. Să presupunem că cineva aruncă la ı̂ntâmplare o piatră ı̂ntr-o curte. Dacă
nu am asistat la aruncare şi ne punem problema să găsim piatra, putem mai
ı̂ntâi să estimăm probabilitatea ca piatra să se afle ı̂ntr-o anumită regiune
după aria regiunii. Să zicem că dreptunghiul Ω reprezintă curtea. Pentru
o regiune A ⊂ Ω, definim P (A) = ariaA ariaΩ
. În acest fel, am definit o măsură
de probabilitate pe B (Ω), care modelează şansele de a găsi piatra ı̂n diverse
regiuni din interiorul curţii. Această măsură de probabilitate spunem că este
repartizată uniform pe Ω, deoarece este proporţională cu aria. (Modelul se
deosebeşte de cel de la zarul turtit prin aceea că, de data aceasta, măsura
este definită pentru toate mulţimile boreliene. Clasa mulţimilor boreliene
este infinită.)
2. Să presupunem că după o ploaie vrem să estimăm numărul de picături
care au cazut ı̂n diverse regiuni din grădină. Să presupunem că s-a determinat
numărul n0 de picături ce au căzut ı̂ntr-un metru pătrat. Dacă grădina este
un dreptunghi Ω, numărul de picături care au căzut ı̂n toată curtea este
aproximativ n0 · ariaΩ. Pentru o regiune A ⊂ Ω, numărul de picături va fi
aproximativ n0 · ariaA. Dacă vrem să ştim ce proporţie din toate picăturile
au căzut ı̂n regiunea A, aceasta este dată de
ariaA
P (A) = .
ariaΩ
Din nou este o măsură de probabilitate pe B (Ω), uniform distribuită pe Ω.
3. O roată de ruletă este ı̂nvârtită şi apoi se aşteaptă oprirea ei. Care
va fi probabilitatea ca indicatorul de la marginea roţii să se oprescă ı̂ntr-
un anumit sector al cercului exterior? Răspunsul este dictat de o logică
elementară: această probabilitate este proporţională cu lungimea curbilinie
a sectorlui. Pentru a modela acest fenomen probabilist se notează cu Ω cercul
exterior roţii de ruletă şi pentru o mulţime A ∈ B (Ω) se pune
L (A)
P (A) = ,
2πR
unde L (A) este lungimea mulţimii A (sau măsura Lebesgue), iar R este
raza cercului. Din nou P este o măsură de probabilitate pe B (Ω), uniform
repartizată pe cercul Ω.
Se ştie că un cerc de rază R este pus ı̂n corespondenţă bijectivă cu inter-
valul [0, 2πR) prin desfăşurarea cercului. Lungimile măsurate pe cerc, după
desfăşurare, corespund lungimilor măsurate pe segmentul [0, 2πR). Atunci,

un model echivalent se obţine punând Ω = [0, 2πR), iar pentru o mulţime
A ∈ B Ω se pune
L (A)
P (A) = ,
2πR
unde de data aceasta L (A) este măsura Lebesgue de pe segmentul [0, 2πR).
Măsura de probabilitate P este uniform răspândită pe intervalul [0, 2πR).
Deoarece punctul din capătul intervalului are măsura nulă, din punct de
vedere practic, acest model este echivalent cu cel obţinut pe intervalul [0, 2πR]
cu aceeaşi măsură P .
4. La o fabrică de confecţii se utilizează şireturi. Şiretul este adus la
fabrică ı̂n ghemuri şi resturile mai mici de 40 cm sunt inutilizabile. Prin
urmare rămân deşeuri de şiret de toate mărimile mai mici de 40 de cm.
Pentru a modela distribuirea resturilor de şiret este natural să considerăm
Ω = [0, 40], F = B (Ω) şi pentru A ∈ B (Ω)
L (A)
P (A) = .
40
Dacă A = (a, b), numărul P ((a, b)) reprezintă proporţia acelor resturi de
şiret care au lungimea mai mare decât a cm şi mai mică decât b cm, printre
toate resturile de şiret. Suntem conduşi astfel la probabilitatea distribuită
uniform pe intervalul [0, 40] .
1.3 Exerciţii
Exerciţiul 1.1 Biletele de la o tombolă sunt numerotate de la 1 la 10.000.
Ce proporţie dintre ele se termină cu cifra 1, dar cu 2, ..., dar cu 9? Ce
proporţie dintre ele ı̂ncep cu cifra 1, dar cu 2, ..., dar cu 9?
Exerciţiul 1.2 Se consideră zilele de 13 din lunile anului 2004. Ce proporţie

dintre ele sunt luni, dar marţi, ..., dar duminică? Aceeaşi problemă pentru
zilele de 13 din anii 2004 şi 2005.
Exerciţiul 1.3 Fie Ω o mulţime şi A, B ⊂ Ω. Scrieţi A∪B ca o reuniune de

mulţimi care sunt total incluse sau ı̂n A sau ı̂n B. Aceeaşi problemă pentru
reuniunea a trei mulţimi A ∪ B ∪ C.
1.3. EXERCIŢII 19
Exerciţiul 1.4 Fiind dat un spaţiu probabilizat (Ω, F , P ) şi A, B, C ∈ F să

se arate că are loc relaţia
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) −

−P (A ∩ B) − P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C)
Exerciţiul 1.5 Într-o pălărie se află trei cartoane: unul are ambele feţe albe,
altul are ambele feţe negre şi al treilea are o faţă albă şi una neagră. Se ia
unul şi se pune pe masă. Constatând că faţa de deasupra cartonului este
neagră se pune problema de a determina probabilitatea ce dosul să fie alb.
Capitolul 2
Modele cu şanse egale
Cele mai vechi modele probabiliste consideră o mulţime Ω = {ω1 , ..., ωn } ,

finită, ca mulţime a posibilităţilor şi evaluează cu şanse egale fiecare posi-
bilitate, ceea ce conduce la P ({ωi }) = n1 , pentru orice i. Exemplele la care
se potrivesc modele de acest fel sunt cele mai uzuale: aruncarea monedei,
unde şansele de a cădea ı̂n sus o faţă sau alta sunt evident egale (modelul
are doar două posibilităţi şi deci n = 2), aruncarea cu zarul, unde fiecare din
cele şase feţe are tot şanse egale de a ieşi (model cu n = 6), extragerea unei
bile dintr-o urnă (n este numărul de bile din urnă) şi multe altele legate de
diverse jocuri ı̂n care intervine norocul. Dacă A ∈ P (Ω) este un eveniment
arbitrar, probabilitatea sa este
cardA
P (A) = .
cardΩ
Această formulă spune că ,,probabilitatea evenimentului A este egală cu
numărul cazurilor favorabile supra numărul cazurilor posibile”, care este
definiţia clasică a probabilităţii. Pentru a decide că un fenomen probabilist
este de tipul şanselor egale pentru fiecare posibilă evoluţie este ı̂nsă necesară
ı̂ntotdeauna o analiză.
2.1 Aruncarea cu banul

Este cunoscut modelul dat de d’Alembert pentru aruncarea cu două monezi.
El spunea că rezultatele posibile pentru un astfel de experiment sunt trei:
ambele monezi cad cu cifra ı̂n sus, ambele monezi cad cu stema ı̂n sus, şi
21
22 CAPITOLUL 2. MODELE CU ŞANSE EGALE
cea de a treia posibilitate, o monedă cade cu cifra ı̂n sus iar cealaltă cade cu
stema ı̂n sus.
A făcut apoi greşeala să presupună că fiecare din aceste trei posibilităţi
este la fel de probabilă. Dacă ar fi făcut experienţa, şi-ar fi dat seama foarte
repede că nu este adevărată egalitatea şanselor pentru modelul ales. Dar
nu numai experienţa, ci şi o analiză logică mai atentă relevă modelul corect.
Pentru aceasta se consideră că cele două monezi sunt ı̂nsemnate A şi B iar
posibilitatea a treia din enumerarea dată mai sus este ı̂nlocuită cu două
alte posibilităţi: A cade cu cifra şi B cade cu stema, respectiv A cade cu
stema şi B cade cu cifra. Se poate uşor raţiona că dacă A cade cu cifra
sunt şanse egale ca B să cadă cu cifra sau cu stema şi la fel, prin comparare,
se ajunge imediat la concluzia că fiecare din cele patru posibilităţi descrise
acum are şanse egale. Se vede atunci că, pentru a reflecta experimentul
aruncării cu două monezi, modelul cu trei posibilităţi propus de d’Alembert
nu poate da şanse egale fiecăreia. Pentru a corespunde realităţii, trebuiesc
acordate şanse egale numai primelor posibilităţi şi anume 14 , ı̂n timp ce a treia
posibilitate enumerată de d’Alembert ar trebui să aibă şanse duble faţă de
fiecare din primele, deci 12 . Desigur că marele enciclopedist şi matematician
francez (Jean le Rond d’Alembert: 1717-1783), a ramas ı̂n istorie pentru
alte descoperiri importante, cazul descris mai sus nefiind decât un episod
anecdotic.
În lumina discuţiei anterioare, este clar că, ı̂n cazul ı̂n care considerăm
o serie de n aruncări cu banul, modelul ce se impune este următorul: dacă
1 corespunde cifrei şi 0 corespunde stemei, mulţimea tuturor posibilităţilor
este
Ω = {0, 1}n = {(x1 , ..., xn ) | xi ∈ {0, 1} , i = 1, ..., n} ,
constituită din toate sistemele (x1 , ..., xn ) de n cifre de 0 şi 1. Fiecare
posibilitate are aceleaşi şanse de a ieşi. Numărul tuturor posibilităţilor
este 2n , adică cardΩ = 2n . Probabilitatea corespunzătoare se defineşte prin
P ({(x1 , ..., xn )}) = 21n , pentru fiecare sistem (x1 , ..., xn ) ∈ Ω.
Exemplu. Doi jucători joacă aruncarea cu banul după următoarea regulă.

La fiecare aruncare a monedei este pus ı̂n joc un punct. Dacă moneda cade
cu stema ı̂n sus, câştigă jucătorul J1 , iar când cade faţa cu cifra, câştigă
jucătorul J2 . Se aruncă moneda de mai multe ori la rând până când unul
din jucători totalizează 10 puncte. În această situaţie respectivul jucător
este considerat ı̂nvingător şi câştigă o sumă. În cazul ı̂n care jocul este
2.1. ARUNCAREA CU BANUL 23
ı̂ntrerupt ı̂nainte ca vreunul din jucători să iasă câştigător, se convine ca

suma ı̂n joc să fie ı̂mpărţită ı̂ntre cei doi, proporţional cu şansele pe care
le-ar fi avut dacă jocul ar fi continuat. Ne propunem să calculăm cum va fi
ı̂mpărţită miza jocului dacă jocul este ı̂ntrerupt ı̂n situaţia ı̂n care jucătorul
J1 are 7 puncte iar jucătorul J2 are 8 puncte? (Soluţia acestei probleme o dă
Blaise Pascal(1623-1662) ı̂ntr-o scrisoare datată 24 august 1654 către Pierre
de Fermat(1601-1665).)
Soluţie. Jocul se termină ı̂n cel mult 4 aruncări pentru că după 4 aruncări
neapărat se ı̂ntâmplă unul din următoarele evenimente: sau J2 a câştigat
cel puţin două puncte, sau J1 a câştigat cel puţin trei. Cu convenţia că 0
reprezintă stema şi 1 cifra, putem reprezenta toate rezultatele posibile la o
serie de 4 aruncări ı̂n felul următor:
(0, 0, 0, 0) (0, 0, 0, 1) (0, 0, 1, 1) (0, 1, 1, 1) (1, 1, 1, 1)

(0, 0, 1, 0) (0, 1, 0, 1) (1, 0, 1, 1)
(0, 1, 0, 0) (0, 1, 1, 0) (1, 1, 0, 1)
(1, 0, 0, 0) (1, 0, 0, 1) (1, 1, 1, 0)
(1, 0, 1, 0)
(1, 1, 0, 0)
Am listat aici 16 posibilităţi şi fiecare are şanse egale. Primele 5 posibilităţi
ı̂l dau câştigător pe J1 iar celelalte 11 pe J2 . Rezultă că şansele de a câştiga
5
J1 sunt 16 şi şansele de a câştiga J2 sunt 11
16
. Suma pusă ı̂n joc se va ı̂mpărţi
ı̂ntre cei doi jucători proporţional cu aceste valori.
Un ı̂nvăţat al timpului i-a reproşat lui Pascal că de fapt jocul nu se
termină neapărat cu ı̂ncă 4 aruncări, ci el poate să se ı̂ncheie după 2 sau 3
aruncări şi atunci posibilităţile ce se iau ı̂n considerare sunt de fapt următoarele:
(0, 0, 0) (0, 0, 1, 0) (0, 0, 1, 1) (0, 1, 1) (1, 1)

(0, 1, 0, 0) (0, 1, 0, 1) (1, 0, 1)
(1, 0, 0, 0) (1, 0, 0, 1)
Observaţia este corectă, ı̂nsă ı̂n cazul acesta tebuie să acordăm altă pondere
fiecărei posibilităţi:
1 1
P ({(1, 1)}) = , P ({(0, 0, 0)}) = P ({(0, 1, 1)}) = P ({(1, 0, 1)}) = ,
4 8
P ({(0, 0, 1, 0)}) = P ({(0, 1, 0, 0)}) = P ({(1, 0, 0, 0)}) = P ({(0, 0, 1, 1)})
1
= P ({(0, 1, 0, 1)}) = P ({(1, 0, 0, 1)}) =.
16
Justificarea acestei ponderări se face pornind de la evaluarea şanselor pentru
rezultatele a două aruncări:
1
P ({(1, 1)}) = P ({(1, 0)}) = P ({(0, 1)}) = P ({(0, 0)}) = .
4
Rezultatul (1, 1) ar pune capăt jocului dar celelalte posibilităţi duc la conti-
nuarea jocului. Şansele pe care le are rezultatul (1, 0) se ı̂mpart ı̂n mod egal
pentru posibilităţile următoare: (1, 0, 1) , (1, 0, 0). Deci
1
P ({(1, 0, 1)}) = P ({(1, 0, 0)}) = .
8
Rezultatul (1, 0, 0) conduce la continuarea jocului cu ı̂ncă o aruncare şi obţinerea
posibilităţilor (1, 0, 0, 1) şi (1, 0, 0, 0), ce vor fi evaluate fiecare cu probabili-
1
tatea 16 . etc. 2
2.2 Metode de numărare a posibilităţilor

2.2.1 Permutări cu repetiţii
Vom presupune că mulţimea M constă din n bile colorate, din care n1 au
culoarea c1 , n2 au culoarea c2 şi aşa mai departe, nk bile au culoarea ck . Are
loc relaţia n = n1 + ... + nk . Ne interesează mulţimea succesiunilor de culori
ce pot fi obţinute aranjând ı̂n şir, ı̂n diverse feluri, cele n bile. Când spunem
succesiune de culori ı̂nţelegem aspectul grafic pe care ı̂l dă ı̂nşiruirea celor
n bile ı̂ntr-o anumită ordine. Cu alte cuvinte, o succesiune de culori este
individualizată prin secvenţele de bile de aceeaşi culoare care se succed ı̂n
şirul celor n bile, distingând lungimea fiecărei secvenţe dar şi ordinea ı̂n care
se succed secvenţele. De exemplu, mai jos considerăm că semnul × reprezintă
culoarea roşie, 0 reprezintă culoarea albă, iar · reprezintă culoarea negru.
× × 0 · × 0 0
× 0 0 · × × 0
Avem reprezentate două succesiuni de câte 7 bile din care 3 sunt roşii, 3 sunt
albe şi una este neagră. Deşi ordinea de ı̂nşiruire a culorilor este aceeaşi (roşu,
2.2. METODE DE NUMĂRARE A POSIBILITĂŢILOR 25
alb, negru, roşu, alb), cele două succesiuni de culori sunt diferite pentru că
secvenţele bilelor de aceeaşi culoare au lungimi diferite.
În continuare vom demonstra că numărul succesiunilor de culori distincte
ı̂n ı̂nţelesul de mai sus este
n!
.
n1 ! · ... · nk !
Pentru a descrie precis mulţimea tuturor acestor succesiuni de culori vom
proceda ı̂n felul următor. Considerăm o a doua mulţime cu n elemente ce
o notăm L, pe care o identificăm cu mulţimea primelor n numere naturale
{1, ..., n} , şi care reprezintă poziţiile ocupate ı̂n şir de cele n bile. Pentru a
determina o succesiune de culori dată de cele n bile puse ı̂n şir este suficient
să cunoaştem mulţimile de poziţii din L care corepund fiecărei culori. Fie Ai
mulţimea poziţiilor ocupate de bilele de culoare ci , i = 1, ..., k. Este clar că
aceste mulţimi verifică următoarele două proprietăţi: 1) Ai are ni elemente
şi 2) (A1 , ..., Ak ) formează o partiţie a mulţimii L. Problema revine atunci la
numărarea familiilor de mulţimi A1 , ..., Ak , care verifică cele două condiţii.
Vom considera de asemenea că fiecare bilă este individualizată (de exem-
plu purtând un semn sau un număr distinct). Notăm cu H mulţimea tuturor
sistemelor de aşezare a celor n bile ı̂n cele n poziţii din L. Ştim că numărul
acestor sisteme este n!. Să introducem pe H relaţia de echivalenţă care face
echivalente două sisteme de aşezare a celor n bile atunci când ele corespund
aceleiaşi succesiuni de culori. Vom arăta acum că fiecare clasă de echivalenţă
are acelaşi număr de elemente şi anume n1 ! · ... · nk !.
Să zicem că avem fixat un astfel de sistem de aşezare a celor n bile ı̂n
poziţiile din L. Pentru fiecare i = 1, ..., k, notăm cu Ai mulţimea de poziţii pe
care le ocupă bilele de culoare ci . Este evident că vor fi satisfăcute condiţiile
1) şi 2) de mai sus. Dacă permutăm ı̂ntre ele bilele de culoare ci obţinem
un alt sistem din H, dar mulţimea Ai rămâne neschimbată, deci succesiunea
de culori rămâne neschimbată. Mai mult, dacă considerăm un alt sistem de
aranjare a bilelor care este echivalent cu cel fixat, rezultă că, pentru fiecare
i = 1, ..., k, bilele sale de culoare ci vor ocupa tot poziţiile din mulţimea
Ai . Deci, aceste bile vor forma o permutare a bilelor de culoare ci din primul
sistem. Bilele de culoare ci pot fi permutate ı̂n ni ! moduri. Făcând permutări
ı̂ntre bilele de aceeaşi culoare, pentru fiecare culoare, obţinem ı̂n total n1 ! ·
... · nk ! sisteme care corespund aceleiaşi succesiuni de culori, sau altfel spus,
care sunt ı̂n aceeaşi clasă de echivalenţă cu sistemul fixat.
Acum putem calcula numărul claselor de echivalenţă ı̂n care este ı̂mpărţită
mulţimea H. Dacă notăm cu x numărul claselor de echivalenţă vom exprima
numărul elementelor din H sub forma xn1 !...nk !. Cum pe de altă parte,
ştim că H are n! elemente, rezultă x = n1 !...n n!
k!
. Deoarece evident, avem o
corespondenţă bijectivă ı̂ntre mulţimea succesiunilor de culori şi mulţimea
claselor de echivalenţă, putem trage concluzia că mulţimea succesiunilor de
n!
culori are n1 !·...·n k!
elemente.
Pentru termenul de succesiune de culori am putea utiliza şi denumirea de
,,permutare de culori cu repetiţie”, pentru că o poziţie ocupată de o culoare
este constituită eventual din mai multe bile ce repetă aceeaşi culoare. De
aici denumirea de numărul permutărilor cu repetiţie pe care ı̂l are expresia
n!
n1 !·...·nk !
. Această expresie este denumită şi coeficient multinomial. Pentru k =
n!
2 expresia devine cunoscutul coeficient binomial Cnn1 = Cnn2 = n1 !(n−n 1 )!
=
n!
n2 !(n−n2 )!
.
O problemă de alocaţie. Examinăm acum mulţimea din secţiunea ante-

rioară, dar văzută ı̂n altă ı̂nfăţişare. În combinatorică se ı̂ntâmplă de multe
ori ca dificultatea unei probleme să provină din dificultatea de a recunoaşte
obiectele ı̂n forma ı̂n care sunt mai simple, sau ı̂n forma ı̂n care pot fi legate
de alte fapte cunoscute. Vom vedea acum un exemplu ı̂n care acelaşi obiect
ı̂mbracă două ı̂nfăţişări distincte.
Vom presupune că M este o mulţime formată din n bile numerotate de la
1 la n. Avem k cutii şi numerele n1 , ..., nk date. Se pune problema să se de-
termine ı̂n câte feluri se pot aloca cele n bile ı̂n cutii astfel ı̂ncât ı̂ntâia cutie
să conţină n1 bile, a doua să conţină n2 bile, etc. Formulată altfel, prob-
lema revine la a determina numărul partiţiilor mulţimii {1, ..., n} ı̂n forma
(Ai )i=1,...,k , cu cardAi = ni .
Vom arăta că există o bijecţie ı̂ntre mulţimea alocaţiilor de tipul descris şi
mulţimea succesiunilor de culori considerate anterior. Bijecţia se realizează
ı̂n felul următor: ne imaginăm că fiecare cutie vopseşte bilele repartizate ı̂n
ea ı̂ntr-o culoare distinctă. Cutia i vopseşte bilele din ea ı̂n culoarea ci . Dacă
avem bilele alocate, considerăm că ele au căpătat o culoare, le scoatem din
cutii şi le ı̂nşirăm ı̂n ordinea numerelor. Obţinem ı̂n acest fel o succesiune
de culori. Nu este greu de văzut că această corespondenţă este o bijecţie
şi atunci se pote obţine numărul alocaţiilor ce satisfac condiţiile impuse:
n!
n1 !·...·nk !
.
Am văzut că atât ı̂n versiunea cu bilele colorate, cât şi ı̂n versiunea cu
alocarea de bile ı̂n cutii, problema se formulează natural şi cu o partiţie
numerotată, (Ai )i=1,...,k , a mulţimii {1, ..., n} , astfel ca mulţimea Ai să aibă
2.3. EXTRAGERI REPETATE DIN URNĂ 27
exact ni elemente. Aceasta ar fi o a treia categorie de obiecte ce sunt ı̂n

n!
număr de n1 !·...·n k!
. Atragem atenţia asupra faptului că este vorba de partiţii
numerotate, pentru că ı̂n general prin partiţie se ı̂nţelege o famile de părţi
disjuncte care acoperă spaţiul. De exemplu, pentru n = 4, n1 = 2, n2 = 2,
următoarele ,,partiţii numerotate” sunt distincte: A1 = {1, 3} , A2 = {2, 4}
şi A1 = {2, 4} , A2 = {1, 3} ; pe de altă parte, ı̂n ı̂nţelesul general, avem de a
face cu aceeaşi partiţie.
2.3 Extrageri repetate din urnă

Din punct de vedere al teoriei probabilităţilor urna permite realizarea mo-
delului tipic de experiment ı̂n care avem un număr finit de evenimente el-
ementare cu şanse egale. Prin urnă ı̂nţelegem o cutie ı̂n care se află nişte
obiecte asemănătoare, cum ar fi bile, sau bilete, etc. Când se fac extrageri
din urnă ı̂ntotdeauna se presupune că cel ce extrage nu poate alege şi că
fiecare obiect din urnă are aceleaşi şanse de a fi extras.
2.3.1 Schema bilei ı̂ntoarse

Într-o urnă se află n bile numerotate de la 1 la n. Se extrage din urnă o bilă,
se notează numărul ei, după care se pune la loc bila ı̂n urnă. (O extragere
de acest fel se numeşte extragere cu ı̂ntoarcere sau cu revenire.) Repetând
experienţa de k ori se obţine o secvenţă (x1 , ..., xk ) formată din k numere.
Dorim să modelăm probabilist experimentul global al extragerilor succesive
de acest tip. Notăm M = {1, ..., n} mulţimea ce reprezintă bilele. Mulţimea
posibilităţilor este clar descrisă de produsul
Ω = M k = {(x1 , ..., xk ) | xi ∈ M, ∀i = 1, ..., k} .
Să considerăm două secvenţe
(x1 , ..., xi−1 , xi , xi+1 , ..., xk ) ,

(x1 , ..., xi−1 , xi , xi+1 , ..., xk )
care au aceleaşi elemente, cu excepţia celor de pe poziţia i. Deci presupunem

xi = xi . Cele două secvenţe diferă doar prin rezultatul de la extracţia i.
Dar la fiecare extracţie şansele de a extrage una sau alta din bile sunt egale.
Concluzia este că cele două secvenţe au şanse egale de a se produce. Din
aproape ı̂n aproape se deduce că toate secvenţele au aceeaşi şansă de a se

produce. Numărul elementelor din Ω este nk şi se impune P ({(x1 , ..., xk )}) =
1
nk
, pentru orice secvenţă.
2.3.2 Schema bilei neı̂ntoarse

Aceeaşi urnă ca mai ı̂nainte este supusă unor k extrageri succesive, dar de
data asta după fiecare extragere bila extrasă rămâne ı̂n afara urnei. (O astfel
de extragere se numeşte fără ı̂ntoarcere sau fără revenire.) Implicit trebuie să
avem k ≤ n. Mai remarcăm că secvenţa rezultatelor are toate componentele
diferite. Mulţimea care modelează fenomenul este
Ω = {(x1 , ..., xk ) /xi ∈ M, xi = xj , ∀i = j} .
Se observă că această mulţime constă din toate submulţimile de cardinal

k din M ordonate ı̂n toate felurile posibile. Deci cardΩ = Akn . Vom arăta
că, şi de această dată, trebuie să acceptăm ideea că fiecare posibilitate de
desfăşurare a k extrageri succesive are aceleaşi şanse de apariţie.
Pentru aceasta vom face o inducţie după k. Notăm Ωk şi respectiv Ωk+1
spaţiile tuturor posibilităţilor pentru experimentele corespunzătoare seriilor
de k, respectiv k + 1 extrageri. Presupunem că am stabilit că şansele tu-
turor secvenţelor de k extrageri sunt egale şi deci probabilitatea asociată unei
astfel de secvenţe este egală cu A1k = n(n−1)...(n−k+1)
1
. Fie (x1 , ..., xk ) ∈ Ωk .
n
Această secvenţă poate fi continuată cu o nouă extragere din mulţimea
M \ {x1 , ..., xk } . Este o mulţime cu n − k bile şi fiecare din ele are aceleaşi
şanse de a fi extrasă. Notăm cu
A (x1 , ..., xk ) = {(x1 , ..., xk , x) /x ∈ M \ {x1 , ..., xk }} ,
mulţimea secvenţelor ce continuă secvenţa dată. Această mulţime are n − k

secvenţe şi trebuie să admitem că au şanse de a se produce egale ı̂ntre ele. Pe
de altă parte, când secvenţa (x1 , ..., xk ) parcurge Ωk , mulţimile A (x1 , ..., xk )
acoperă Ωk+1 , adică are loc egalitatea

Ωk+1 = A (x1 , ..., xk ) .
(x1 ,...,xk )∈Ωk
Aceste mulţimi sunt disjuncte şi deci formează o partiţie a lui Ωk+1 . Este
de asemenea natural să măsurăm producerea evenimentului A (x1 , ..., xk ) ı̂n
2.3. EXTRAGERI REPETATE DIN URNĂ 29
modelul cu secvenţe de lungime k + 1, prin probabilitatea pe care o are

evenimentul elementar (x1 , ..., xk ) ı̂n modelul secvenţelor de lungime k :
1
Pk+1 (A (x1 , ..., xk )) = Pk ({(x1 , ..., xk )}) = .
Akn
Aceasta implică să punem aceeaşi valoare pentru probabilitatea fiecăruia din
evenimentele A (x1 , ..., xk ) . Cum fiecare din aceste evenimente este compus
din acelaşi număr de evenimente elementare ce au şanse egale ı̂ntre ele, rezultă
că toate evenimentele elementare din Ωk+1 au aceleaşi şanse de a se produce:
1 1
Pk+1 ({(x1 , ..., xk+1 )}) = = .
Ak+1
n n (n − 1) ... (n − k)
Extrageri fără ordine.

Un caz particular de extrageri repetate fără ı̂ntoarcere sunt extragerile ı̂n
care ceea ce contează la sfârşit este numai mulţimea bilelor extrase. Deci nu
mai reţinem ordinea ı̂n care s-au făcut extragerile şi privim drept rezultat al
extragerii numai mulţimea bilelor extrase. Ţinând cont de simetria experi-
mentului a k extrageri succesive fără ı̂ntoarcere este normal să ne aşteptăm
ca fiecare mulţime de k elemente să apară cu aceeaşi probabilitate. Vom
demonstra acest lucru bazându-ne pe modelul deja construit.
Propoziţia 2.1 Fie M mulţimea cu n elemente care reprezintă bilele din

urnă şi k ≤ n. Notăm cu Ω mulţimea ce modelează seriile de k extrageri fără
ı̂ntoarcere, ca mai sus. Pentru fiecare submulţime A ⊂ M având cardinalul
k are loc formula
1
P ({(x1 , ..., xk ) ∈ Ω/ {x1 , ..., xk } = A}) = .
Cnk
Demonstraţie. Mulţimea {(x1 , ..., xk ) ∈ Ω/ {x1 , ..., xk } = A} constă din

toate permutările posibile cu elementele din A. Cardinalul acestei mulţimi
este k!, şi cum probabilitatea unei secvenţe din Ω este A1k , rezultă că
n
k! 1
P ({(x1 , ..., xk ) ∈ Ω/ {x1 , ..., xk } = A}) = k
= k. 2
An Cn
Să examinăm acum experimentul extragerii din urna cu n bile a k bile deo-
dată. Pentru acest experiment mulţimea tuturor posibilităţilor este mulţimea
ce o notăm cu Γ, şi care se compune din părţile lui M cu k elemente. Din

motive de simetrie este natural să considerăm că fiecare parte a lui M cu
k elemente are aceleaşi şanse de a fi extrasă. Rezultă ca naturală alegerea
probabilităţii P pe Γ care dă aceeaşi valoare fiecărui eveniment elementar.
Cardinalul lui Γ fiind Cnk , deducem că probabilitatea fiecărui eveniment ele-
mentar din Γ este C1k .
n
Să comparăm acum modelul nou construit (Γ, P ) cu cel anterior (Ω, P ) .
Pentru un eveniment elementar A ∈ Γ considerăm mulţimea tuturor secvenţelor
(x1 , ..., xk ) ∈ Ω care sunt formate cu elementele mulţimii A (adică {x1 , ..., xk } =
A). Notăm ΛA această mulţime:
ΛA = {(x1 , ..., xk ) ∈ Ω / {x1 , ..., xk } = A} .
Ea constituie un eveniment neelementar din Ω. Ansamblul acestor mulţimi

{ΛA / A ∈ Γ} formează o partiţie a lui Ω care evident este ı̂n bijecţie cu Γ.
Din propoziţia anterioară rezultă că P (ΛA ) = P ({A}) .
În concluzie, putem spune că experimentul extragerii din urnă a k bile
deodată este echivalent cu experimentul a k extrageri succesive fără revenire,
ı̂n care se uită ordinea extragerilor şi se ia ı̂n considerare numai mulţimea
rezultată din extragere. Modelarea se poate face fie pe (Ω, P ) considerând
evenimentele ΛA , fie pe (Γ, P ) .
2.4 Exemple
2.4.1 Controlul calităţii
Exemplu. Într-o ladă se află 550 de mere, din care un anumit procent sunt
putrede. Fără a şti acest procent, se ia un eşantion de 25 de mere şi se taie
pentru a se constata starea lor şi a evalua care ar fi procentul de mere putrede
ı̂n toată lada. Este o problemă tipică de controlul calităţii. Aici nu ne vom
propune să tratăm propriu-zis această problemă ci să rezolvăm o problemă
mai simplă. Anume, ne propunem să determinăm care ar fi probabilitatea ca
eşantionul să conţină 2 mere putrede dacă am şti că 2% din numărul total
de mere sunt putrede.
Soluţie. Presupunerea făcută implică faptul că 11 mere sunt putrede. În
ce priveşte extragerea celor 25 de mere, ea nu contează decât ca mulţime.
Suntem ı̂n cazul extragerilor fără ordine. Pentru soluţionarea problemei par-
ticulare ce o avem, vom ı̂nlocui cifrele cu litere deoarece calculele numerice nu
2.4. EXEMPLE 31
simplifică cu nimic problema. Presupunem că mulţimea tuturor merelor ar

avea n elemente, din care m sunt putrede. Fie M mulţimea tuturor merelor
şi D mulţimea tuturor merelor putrede. (Bineı̂nţeles că avem m ≤ n şi
D ⊂ M.) Se ia un eşantion de k mere pentru a fi testate şi printre ele
se găsesc l care sunt putrede. Vrem să determinăm care este probabilita-
tea acestui eveniment. Înseamnă că spaţiul posibilităţilor pe care modelăm
problema este
Ω = {A ∈ P (M) /cardA = k} ,
iar evenimentul a cărui probabilitate o căutăm va avea expresia
Λl = {A ∈ Ω / card (A ∩ D) = l} .
Este clar că mulţimea Ω are cardinalul Cnk . Pentru a determina cardinalul
mulţimii Λl vom raţiona astfel: mulţimea A = A1 ∪ A2 se ı̂mparte ı̂n mod
natural ı̂n două părţi, A1 = A ∩ D de cardinal cardA1 = l şi A2 = A ∩ D c cu
cardA2 = k − l. Pentru A1 există Cm l
posibilităţi de formare, iar pentru A2
k−l
există Cn−m posibilităţi de alcătuire. Deci, mulţimea ce ne interesează, Λl ,
are Cm l
· Cn−m
k−l
elemente. Obţinem formula
l
Cm · Cn−m
k−l
P (Λl ) = .
Cnm
Cu datele numerice din problemă avem că: probabilitatea ca din 25 de mere

testate 2 să fie putrede este
2 23
C11 · C539
25

0, 07. 2
C550
Dar putem să facem şi o listă cu celelalte probabilităţi de interes pentru cazul
numeric de la care am plecat. Notând cu pl probabilitatea evenimentului ca să
existe exact l mere putrede ı̂n condiţiile ı̂n care celelalte date rămân aceleaşi
C l C 25−l
avem pl = 11C 25539 , l = 0, 1, ..., 11. Valorile numerice ce se obţin sunt listate
550
ı̂n tabelul următor:
p0 p1 p2 p3 p4
0, 5965 0, 3185 0, 0740 0, 0098 0, 0008
Adunând probabilităţile din tabel avem p0 +p1 +p2 +p3 +p4 = 0, 9996, ceea ce
arată că restul probabilităţilor sunt neglijabile (bineı̂nţeles că are loc relaţia
11
pl = 1). Cu tabelul ı̂n faţă putem să facem următorul comentariu. Sub
l=0
ipoteza că numai 2% dintre mere sunt putrede, probabilitatea covârşitoare
o are evenimentul ,,numărul de mere putrede care ies la o extragere de 25
este cel mult unu, adică l ≤ 1”, şi anume p0 + p1 = 0, 9150. Evenimentul
,,numărul de mere putrede ce ies la o extragere de 25 este 2” este relativ rar,
pentru că probabilitatea p2 = 0, 074 este relativ mică. Faptul de a găsi 2
mere putrede printre 25 testate nu este normal. O persoană interesată de
acest test ar trebui să tragă concluzia că este foarte probabil ca ipoteza cum
că ,,procentul merelor putrede din ladă este de numai 2%” să nu fie reală.
Observaţia 2.1 Calculul general anterior a pus ı̂n evidenţă numerele pl =

C l ·C k−l
P (Λl ) = mC mn−m , l = 0, 1, ..., m ∧ k. Ţinând cont că familia de evenimente
n
{Λl / l = 0, 1, ..., m ∧ k} formează o partiţie a lui Ω, rezultă următoarea relaţie

m∧k
pl = 1.
l=0
Această relaţie este echivalentă cu o binecunoscută relaţie din combinatorică,

anume

m∧k
k
Cn = Cml
· Cn−m
k−l
.
l=0
Verificarea relaţiei combinatorice se poate face direct fără a trece prin mo-
delul probabilist discutat mai sus. Ideea demonstraţiei este ı̂nsă aceeaşi şi
porneşte de la clasificarea submulţimilor de k elemente din M după numărul
de elemente din D pe care le conţin.
2.4.2 Numărarea tuturor posibilităţilor

Uneori complexitatea unei probleme de calculul probabilităţilor provine din
dificultatea numărării cazurilor ce corespund unui anumit eveniment. Ilustrăm
această dificultate cu următorul exemplu.
Exemplu. Se aruncă 6 zaruri. Care este probabilitatea ca să se obţină trei

perechi de numere distincte?
Soluţie. Notăm cu M = {1, 2, 3, 4, 5, 6} mulţimea rezultatelor (sau feţelor)
ce pot ieşi după aruncarea unui zar. Spaţiul tuturor posibilităţilor pentru
2.4. EXEMPLE 33
experimentul nostru este constituit din toate secvenţele ordonate de tipul
(x1 , x2 , x3 , x4 , x5 , x6 ) ,
ı̂n care xi indică rezultatul ce a ieşit la aruncarea i. Este acelaşi ca la ex-

tragerile dintr-o urnă cu 6 bile, cu ı̂ntoarcere, ı̂n serii de câte 6 :
Ω = {(x1 , x2 , x3 , x4 , x5 , x6 ) / xi ∈ M} .
Toate rezultatele posibile au şanse egale de realizare, pentru aceleaşi motive

ca şi ı̂n cazul extragerii din urnă. Cum cardinalul mulţimii Ω este 66 , avem
determinată probabilitatea care modelează problema.
Să vedem câte puncte din Ω fac să apară perechi cu rezultatele 1, 2, 3.
Pentru această numărătoare, este util să schimbăm punctul de vedere şi să
vedem aceste cifre ca pe nişte culori: c1 , c2 , c3 . Punctele din Ω care sunt
formate cu perechi purtând cifrele 1, 2, 3 sunt văzute atunci ca secvenţe de
culori ı̂n care punem ı̂n şir 6 bile, din care 2 au culoarea c1 , 2 au culoarea
c2 şi 2 au culoarea c3 . Aplicând formula combinărilor cu repetiţie obţinem
6!
numărul ce-l căutam: 2!2!2! = 90.
Mai departe, să observăm că, pentru fiecare submulţime G = {x, y, z} ⊂
M de trei elemente, se obţine o submulţime Λ (G) ⊂ Ω formată cu perechi
de elemente din G :
Λ (G) = {(x1 , x2 , x3 , x4 , x5 , x6 ) /
card {i/xi = x} = 2, card {i/xi = y} = 2, card {i/xi = z} = 2} .

Argumentul anterior ne spune că Λ (G) are 90 de puncte. Pe de altă parte,
pentru două mulţimi de trei elemente distincte, G = G , se obţin mulţimi din
Ω disjuncte, cu alte cuvinte avem Λ (G) ∩Λ (G ) = ∅. Numărul submulţimilor
de trei elemente din M este C63 = 20. Atunci putem trage concluzia că ı̂n total
avem 20 × 90 = 1800 de posibilităţi de a obţine câte trei perechi distincte.
Probabilitatea ce o căutăm este
1800 25
6
= = 0, 038. 2
6 648
2.4.3 Problema potrivirilor

Exemplul 1. O persoană pretinde a avea simţuri paranormale care ı̂i per-
mit să poată simţi culorile fără să vadă obiectele colorate. Pentru a se dovedi
aceste calităţi, se face următorul experiment. Se iau 4 cartoane colorate,

fiecare de altă culoare, şi se pun ı̂ntr-o pălărie. Persoana respectivă trece
ı̂n camera alăturată şi altcineva extrage pe rând cartoanele din pălărie. Din
camera alăturată persoana cu pretinsele calităţi paranormale trebuie să spună
ı̂n ordine ce culori au fost extrase. Care este probabilitatea ca un singur
răspuns să fie exact, dacă răspunsurile se dau prin hazard? Care este probabi-
litatea ca numai două răspunsuri să fie exacte, dacă ele se dau la ı̂ntâmplare?
Care este probabilitatea ca toate răspunsurile să fie exacte, când ele se dau
prin hazard?
Soluţie. Experimentul extragerii celor 4 cartoane din pălărie este complet
analog extragerii fără ı̂ntoarcere a 4 bile dintr-o urnă ce are iniţial exact 4
bile. Iar dacă răspunsurile sunt date la ı̂ntâmplare, aceasta revine de fapt
la a repeta extragerea fără ı̂ntoarcere cu cele 4 bile. Să notăm c1 , c2 , c3 , c4 ,
culorile extrase din pălărie. Fiecare serie de alte 4 extrageri corespunde unei
permutări a acestor patru culori şi toate au şanse egale. În total sunt 4! = 24
de posibilităţi şi probabilitatea ca să fie date toate răspunsurile corect este
1
probabilitatea permutării identice (c1 , c2 , c3 , c4 ) , ce este egală cu 24 .
Să stabilim care este probabilitatea ca un singur răspuns să fie exact.
Pentru aceasta vom analiza mai ı̂ntâi cazul acelori permutări care lasă numai
culoarea c1 pe loc. Acestea sunt descrise de poziţiile celorlalte culori, care
pot fi listate astfel
c2 , c3 , c4 c2 , c4 , c3 c3 , c2 , c4 c3 , c4 , c2 c4 , c2 , c3 c4 , c3 , c2
Se vede că numai două, şi anume a patra şi a cincea schimbă toate elementele
primei ordonări a culorilor (ce corespunde extragerii din pălărie). Deci există
exact două permutări ce schimbă locul fiecăreia din ultimele trei culori şi
lasă pe loc prima culoare. La fel se poate repeta raţionamentul ţinând pe
loc fiecare din culorile c2 , c3 sau c4 . În felul acesta se obţine numărul total al
permutărilor ce păstrează pe loc exact o culoare, care este egal cu 4 × 2 = 8.
Probabilitatea ca prin hazard să se dea raspuns corect la o singură ı̂ntrebare
8
este deci 24 .
Să vedem acum câte permutări se pot face cu cele patru culori astfel ca
două să rămână pe loc iar celelalte două să schimbe locul. De exemplu, să
zicem că c1 şi c2 rămân pe loc. Atunci neapărat c3 şi c4 schimbă locul una
cu alta, adică singura permutare posibilă ı̂n acest fel este (c1 , c2 , c4 , c3 ) . Dacă
numărăm posibilităţile ı̂n care putem fixa două din culori, găsim că acestea
sunt ı̂n număr de C42 = 6. Deci există 6 permutări ce lasă exact două culori pe
2.4. EXEMPLE 35
loc. Rezultă că probabilitatea ca exact două răspunsuri date la ı̂ntâmplare

6
să fie corecte este de 24 .
Dacă trei dintre culorile unei permutări a celor 4 culori sunt lăsate pe loc,
atunci neapărat şi cea de a patra culoare trebuie să rămână neschimbată,
deci permutarea ı̂n cauză este permutarea identică. Rezultă că permutările
care schimbă locul tuturor culorilor ı̂n acelaşi timp sunt ı̂n număr de 24 − 1 −
8 − 6 = 9. Putem concluziona că probabilitatea ca toate răspunsurile date la
9
ı̂ntâmplare să fie eronate este de numai 24 = 0, 375.2
Exemplul 2. Două rânduri de cărţi de joc sunt amestecate fiecare separat,

după care sunt puse pe masă ı̂n perechi, o carte dintr-un pachet alături de o
carte din celălalt pachet. Se formează ı̂n acest fel 52 de perechi. Care este
probabilitatea ca cel puţin una din perechi să conţină două cărţi identice?
Soluţie. Este o problemă de acelaşi tip cu cea anterioară. Spaţiul tuturor
posibilităţilor este modelat de mulţimea permutărilor ce se pot face cu 52 de
obiecte. Problema revine la determinarea numărului de permutări care nu
lasă nici un element pe locul său. Numărul 52 fiind mare ı̂n raport cu genul
de calcule implicate ı̂n soluţia anterioară, nu putem repeta raţionamentul de
acolo. Vom da o soluţie bazată pe egalitatea lui Poincaré demonstrată mai
jos.
Vom ı̂nlocui cifra 52 cu litera n pentru a face problema mai generală.
Din punctul de vedere al raţionamentului nu se va produce nici o complicaţie.
Deci ı̂n continuare vom presupune că avem o mulţime formată din n elemente
şi căutăm permutările (ce se pot face cu aceste elemente) cu proprietatea că
nici un element nu este lăsat invariant.
Fie M = {x1 , x2 , ..., xn } mulţimea noastră cu n elemente. Mulţimea tu-
turor permutărilor este descrisă astfel:
Ω = {(xi1 , xi2 , ..., xin ) ∈ M n / xil = xik , ∀l = k} .
Numărul elementelor din Ω este n!. Mai ı̂ntâi vom analiza mulţimile de per-
mutări care lasă pe loc un element. Fie Aj mulţimea permutărilor ce lasă pe
loc elementul xj :

Aj = (xi1 , xi2 , ..., xin ) ∈ Ω/ xij = xj .
Mulţimea permutărilor care lasă cel puţin un element pe loc este reuniunea
n
j=1 Aj . Mulţimea permutărilor care nu lasă pe loc nici un element al lui
M, este cea care ne interesează şi o notăm cu B. Ea este complementara

reuniunii anterioare: n
c

B= Aj .
j=1
Prin aplicarea formulei lui Poincaré, de mai jos, avem

n
P (B) = 1 − P (Ai ) + P (Ai ∩ Aj ) −
i=1 i=j

n
− P (Ai ∩ Aj ∩ Ak ) + ... + (−1) P n
Ai .
=i,j,k i=1
Dar pentru mulţimile Aj ştim să calculăm probabilitatea: mulţimea Aj se

pune ı̂n corespondenţă bijectivă cu mulţimea permutărilor ce se pot face
cu obiectele mulţimii M\ {xj } , deci are (n − 1)! elemente. Probabilitatea
este atunci P (Aj ) = (n−1)!
n!
, pentru fiecare indice j. Pentru doi indici diferiţi
i = j putem calcula la fel numărul elementelor din intersecţia Ai ∩ Aj :
această mulţime se pune ı̂n bijecţie cu permutările ce se pot face cu ele-
mentele mulţimii M\ {xi , xj } , deci are (n − 2)! elemente. Probabilitatea
respectivă este P (Ai ∩ Aj ) = (n−2)! n!
. La fel se găseşte şi pentru trei indici
(n−3)!
diferiţi: P (Ai ∩ Aj ∩ Ak ) = n! , etc. La prima sumă din formula de mai
sus participă n termeni, la cea de a doua participă Cn2 termeni, la cea de a
treia Cn3 , etc. Ţinând cont de toate acestea putem calcula fiecare termen din
formula de mai sus:
(n − 1)! n! (n − 2)! n! (n − 3)!
P (B) = 1 − n × + × − × + ...
n! 2! (n − 2)! n! 3! (n − 3)! n!
1 1 1 1 1
+ (−1)n × = 1 − + − + ... + (−1)n .
n! 1 2! 3! n!
Se observă că dezvoltând funcţia exponenţială ı̂n serie Taylor ı̂n jurul lui 0
şi apoi calculând-o ı̂n −1, obţinem seria infinită
1 1 1 1
exp (−1) = 1 − + − + ... + (−1)n ...
1 2! 3! n!
Rezultă că putem evalua diferenţa e−1 − P (B) cu restul Taylor de ordin n
al funcţiei exp x :
1
e−1 − P (B) = e−ξ
(n + 1)!
2.4. EXEMPLE 37
1
cu un număr ξ ∈ (−1, 0) . Deci P (B) ≈ e−1 , cu o eroare de ordinul lui (n+1)! .
1 1
Pentru n = 6 avem 7! = 5040 ≤ 0, 0005. Din punct de vedere practic, pentru
n ≥ 6 probabilitatea ca să nu avem coincidenţe nu depinde de n. 2
Lema 2.1 (Formula lui Poincaré) Fie (Ω, F , P ) un spaţiu probabilizat şi
A1 , ..., An evenimente arbitrare. Atunci are loc următoarea formulă
n
n
P Ai = P (Ai ) − P (Ai ∩ Aj ) +
i=1 i=1 i=j

n
+ P (Ai ∩ Aj ∩ Ak ) + ... + (−1)n−1 P Ai .
=i,j,k i=1
Demonstraţie. Pentru n = 2 formula devine
P (A1 ∪ A2 ) = P (A1 ) + P (A2 ) − P (A1 ∩ A2 ) .
Verificarea ei se face pornind cu următoarele descompuneri ı̂n mulţimi dis-

juncte
A1 = (A1 \A2 ) ∪ (A1 ∩ A2 ) , A2 = (A2 \A1 ) ∪ (A1 ∩ A2 ) ,
A1 ∪ A2 = A1 = (A1 \A2 ) ∪ (A2 \A1 ) ∪ (A1 ∩ A2 ) .

Utilizând aditivitatea măsurii de probabilitate se ajunge la concluzia dorită.
În continuare se procedează prin inducţie. Presupunem că formula este
adevărată pentru
n n şi vom demonstra că ea este valabilă şi pentru n + 1.
Notăm B = i=1 Ai şi scriem
n+1

P Ai = P (An+1 ) + P (B) − P (An+1 ∩ B) =
i=1

n+1 ≤n
≤n

= P (Ai ) − P (Ai ∩ Aj ) + P (Ai ∩ Aj ∩ Ak ) + ...
i=1 i=j =i,j,k

n
+ (−1) n−1
P Ai − P (An+1 ∩ B) . (∗)
i=1
Ultimul termen din această expresie se exprimă din nou prin utilizarea for-
mulei Poincaré cu n mulţimi:
n

P (An+1 ∩ B) = P (An+1 ∩ Ai ) =
i=1
≤n
n+1

n
= P (An+1 ∩ Ai ) − P (An+1 ∩ Ai ∩ Aj ) + ... + (−1) n−1
P Ai .
i=1 i=j i=1
Ţinând cont de relaţiile

≤n

n ≤n+1

P (Ai ∩ Aj ) + P (An+1 ∩ Ai ) = P (Ai ∩ Aj ) ,
i=j i=1 i=j
≤n
≤n
≤n+1

P (Ai ∩ Aj ∩ Ak ) + P (An+1 ∩ Ai ∩ Aj ) = P (Ai ∩ Aj ∩ Ak ) ,
=i,j,k i=j =i,j,k
şi aşa mai departe ..., rezultă că partea dreaptă a egalităţii (*) devine
≤n+1 ≤n+1
n+1

n+1
= P (Ai )− P (Ai ∩ Aj )+ P (Ai ∩ Aj ∩ Ak )+...+(−1)n P Ai ,
i=1 i=j =i,j,k i=1
care este exact membrul drept al formulei ce dorim să probăm cu n + 1.2
2.4.4 Problema cu zilele de naştere

Ne propunem să calculăm probabilitatea ca dintr-un grup de n persoane,
aflate ı̂mpreună ı̂ntâmplător, toate să aibă zile de naştere diferite. Vom
arăta că pentru n = 23 această probabilitate devine mai mică decât 0, 5.
Soluţie. Pentru a modela probabilistic problema facem o comparaţie a
zilei de naştere pe care o are o persoană cu extragerea din urna cu 365 de
bile. Pentru n persoane va corespunde o serie de n extrageri din urnă cu
revenire. (Vezi exemplul 3. din paragraful despre repartiţia unei variabile
pentru o discuţie mai riguroasă a modelării, care ı̂nsă conduce la aceeaşi
formulă.) Definim spaţiul M = {1, 2, ..., 365} constând din numerele de la 1
la 365 şi reprezentând zilele anului. Mulţimea ce descrie toate posibilităţile
este
Ω = {ω = (x1 , ..., xn ) | xi ∈ E , i = 1, ..., n} = E n .
2.4. EXEMPLE 39
Avem card (Ω) = 365n şi definim o probabilitate pe Ω care să facă echipro-
babile toate evenimentele elementare, deci punem
1
P ({ω}) = .
365n
Mulţimea care ne interesează o notăm cu Λ şi constă din evenimentele ele-
mentare pentru care toate componentele sunt distincte:
Λ = {ω = (x1 , ..., xn ) ∈ Ω | xi = xj , ∀ i = j} .
Bineı̂nţeles că trebuie să presupunem n ≤ 365 pentru ca Λ să nu fie vidă.

Mulţimea Λ are un număr de An365 elemente. Atunci putem exprima proba-
bilitatea
365 (365 − 1) ... (365 − n + 1)
P (Λ) = .
365n
Calculul exact al acestei probabilităţi pentru toate valorile n = 1, ..., 365 se
poate face utilizând calculatorul. Mai jos vom face o estimare suficient de
fină a acestei probabilităţi astfel ı̂ncât să putem stabili că pentru n = 22
probabilitatea ı̂n cauză este mai mare decât 0, 5, iar pentru n = 23 acea
probabilitate este mai mică decât 0, 5.
2.4.5 Produsul mai multor numere apropiate de uni-

tate
În teoria probabilităţilor apare de multe ori problema evaluării unor produse
cu mulţi termeni din intervalul (0, 1) . De exemplu probabilitatea intersecţiei
mai multor evenimente independente conduce la un astfel de produs. Uneori
aceste produse pot fi estimate cu precizie utilizând următoarea lemă. Vom
avea prilejul de a utiliza această lemă şi cu alte ocazii.
Lema 2.2 Dacă α1 , ..., αn ∈ (−1, 1) , atunci au loc estimările

n
n
n
α2 n
exp αk exp − k
≤ (1 + αk ) ≤ exp αk , (∗)
k=1 k=1
1 + αk k=1 k=1

n
n
n
αk2
n
exp αk − (1 + αk ) ≤ exp αk . (∗∗)
k=1 k=1 k=1
1 + αk k=1
Demonstraţie. Începem prin a scrie 1 + αk = exp (ln (1 + αk )) , după

care aplicăm a doua inegalitate de la punctul (i) al lemei de mai jos, obţinând
1 + αk ≤ exp αk . De aici se deduce a doua inegalitate din (*).
A doua inegalitate de la punctul (ii) al lemei de mai jos ne dă αk −
α2 α2
ln (1 + αk ) ≤ 1+αk k , inegalitate care se mai scrie αk − 1+αk k ≤ ln (1 + αk ) .
Prin sumare după k urmată de aplicarea funcţiei exponenţiale, obţinem prima
inegalitate din (*).
Inegalitatea (**) se obţine din (*), prin utilizarea inegalităţii (iii) din
lema de jos.2
Lema 2.3 Au loc următoarele inegalităţi:

x
(i) 1+x ≤ ln (1 + x) ≤ x, pentru x > −1,
x2
(ii) 0 ≤ x − ln (1 + x) ≤ 1+x , pentru x > −1,
(iii) x ≤ e − 1, pentru x ∈ R.
x
Demonstraţie. (i) Pentru a verifica inegalitatea din dreapta notăm

1
f (x) = x − ln (1 + x). Avem f (0) = 0 şi f (x) = 1 − 1+x . Dacă x ≥ 0 avem

f (x) ≥ 0, deci funcţia este crescătoare şi vom avea 0 = f (0) ≤ f (x) . Dacă

x ≤ 0, avem f (x) ≤ 0, ceea ce arată că f este descrescătoare şi prin urmare
f (x) ≤ f (0) = 0. Inegalitatea din stânga se demonstrează asemănător prin
studiul funcţiei f (x) = ln (1 + x) − 1+x
x
.
Inegalitatea (ii) se deduce imediat din (i) . Inegalitatea (iii) se verifică
similar prin studiul funcţiei h (x) = ex − x − 1.2
Mai departe ne vom ocupa cu estimarea funcţiei definită prin produsul

1 n−1
f (n) = 1 − ... 1 − ,
365 365
care reprezintă probabilitatea căutată ı̂n problema zilelor de naştere. Vom
aplica acestui produs lema 2.2 de mai sus. A doua inegalitate din (∗) dă ı̂n
cazul nostru

n−1
k − (n − 1) n
f (n) ≤ exp − = exp .
k=1
365 730
Vom nota g (n) = exp − (n−1)n

730
astfel că inegalitatea anterioară se scrie f (n) ≤
g (n) . Inegalitatea (**) conduce la

n−1
k2 1
g (n) − f (n) ≤ g (n) .
k=1
365 365 − k
2.5. EXERCIŢII 41
Suma din membrul drept se majorează prin

n−1
k2 1 n (n − 1) (2n − 1)
≤ =: rn ,
k=1
365 365 − k 6 × 365 × (365 − n)
ceea ce permite să deducem

g (n) − f (n) ≤ g (n) rn .
Calculăm g (22) = 0, 531 şi g (22) r22 = 0, 01404, ceea ce conduce la f (22) ≥
0, 51. În continuare calculăm g (23) = 0, 49999, ceea ce implică f (23) ≤
0, 49999. 2
2.5 Exerciţii
Exerciţiul 2.1 Un pion este pus pe poziţia A ı̂n şirul de litere de mai jos.
A B C D E
Se aruncă cu banul de 4 ori la rând şi după fiecare aruncare se acţionează

asupra pionului ı̂n felul următor: dacă iese cifra, acesta se mută cu o poziţie
la dreapta; dacă iese stema, rămâne pe loc. Să se afle probabilitatea ca pionul
să: 1) rămână ı̂n poziţia A, 2) depăşească B, 3) ajungă ı̂n poziţia E.
Exerciţiul 2.2 Într-o familie 4 fete se ocupă de spălatul vaselor pe rând.

Într-o anumită perioadă de timp s-au spart 4 farfurii, dintre care 3 le-a spart
mezina. Ea spune că ı̂ntâmplarea a făcut să se nimerească la ea aceste inci-
dente. Presupunând că incidentele se produc aleator, care este probabilitatea
ca să se nimerească 3 la una din cele 4 fete.
Exerciţiul 2.3 Aruncăm cu un zar până când iese de două ori la rând
aceeaşi faţă. Notăm cu pn probabilitatea ca acest lucru să se petreacă exact
după n aruncări. Să se determine o formulă pentru pn . Să se determine suma
p2 + ... + p10 .
Exerciţiul 2.4 Jucătorul A aruncă cu patru zaruri şi câştigă un premiu

dacă obţine cel puţin un as. Jucătorul B aruncă de 24 de ori cu două zaruri
şi câştigă un premiu dacă obţine la cel puţin una din aruncări o dublă de aşi.
Care din jucători are mai multe şanse de a câştiga? (Problemă cunoscută
sub numele de problema lui Mère).
Exerciţiul 2.5 Jucătorul A aruncă de 6 ori cu un zar şi câştigă un premiu

dacă obţine cel puţin un as. Jucătorul B aruncă de 12 ori cu zarul şi câştigă
un premiu dacă obţine cel puţin doi aşi. Care din jucători are probabilitatea
de a câştiga mai mare? (Problemă pusă lui Newton, care i-a dat pe loc o
soluţie.)
Exerciţiul 2.6 Într-o parcare sunt 12 locuri aşezate unul lângă altul ı̂n linie.
8 dintre aceste locuri sunt ocupate, iar 4 sunt libere. Cineva observă că cele
4 locuri libere sunt unul lângă celălalt şi ı̂şi pune ı̂ntrebarea dacă aceasta este
o ı̂ntâmplare. Care este probabilitatea ca 4 din 12 poziţii aflate ı̂n linie să fie
consecutive?
Exerciţiul 2.7 Un profesor primeşte 12 bilete de amendă pentru parcare

pe trotuar lângă Universitate. Dacă toate biletele sunt primite marţea sau
joia, se poate trage concluzia că profesorul vine numai ı̂n zilele respective
cu maşina la universitate? Care este probabilitatea ca din 12 evenimente,
petrecute ı̂ntâmplător ı̂n oricare din 5 zile, să se nimerească toate ı̂n numai
2 zile?
Exerciţiul 2.8 Din 12 bilete de amendă pentru parcare pe trotuar nici unul
nu este dat vinerea. Se poate trage concluzia, din această informaţie, că
vinerea nu sunt probleme cu parcarea?
Exerciţiul 2.9 15 elevi nou sosiţi ı̂ntr-o şcoală sunt repartizaţi ı̂n mod egal
ı̂n 3 clase paralele. Printre noii veniţi se află şi trei băieţi mai ı̂nalţi. Ei
prezintă interes pentru echipele de baschet ale celor trei clase. De aceea se
pune următoarea problemă. Presupunând că repartizarea lor se face aleator,
care este probabilitatea ca cei trei elevi ı̂nalţi să nimerească ı̂n aceeaşi clasă?
Care este probabilitatea ca ei să nimerească ı̂n clase diferite? Dar să nimerească
2 ı̂n aceeaşi clasă şi al treilea ı̂n altă clasă?
Exerciţiul 2.10 La o uşă există două broaşte. De obicei aveţi 6 chei asemănătoare
asupra dumneavoastră şi printre ele sunt şi cele de la uşa cu pricina. Aţi pier-
dut una din cele şase chei, nu se ştie care. Ce probabilitate există ca să puteţi
totuşi deschide uşa respectivă? Care este probabilitatea ca primele două chei
ı̂ncercate să deschidă cele două broaşte?
Capitolul 3
Câteva noţiuni de bază
În acest capitol vom prezenta câteva din noţiunile de bază din teoria proba-
bilităţilor care iau ı̂n considerare numai un număr finit de evenimente. Ele
pot fi discutate cu toată semnificaţia ı̂n cadrul unui spaţiu probabilizat finit.
Cele mai multe din exemplele pe care le discutăm vor fi tocmai de acest
tip. Totuşi vom utiliza drept cadru de bază un spaţiu probabilizat gene-
ral (Ω, F , P ) , pentru a nu fi obligaţi mai târziu să revenim asupra acestor
noţiuni.
3.1 Probabilităţi condiţionate

3.1.1 Noţiunea de probabilitate condiţionată
Fiind dat spaţiul probabilizat (Ω, F , P ) şi mulţimea A ∈ F astfel ca P (A) >
0, vom nota
P (B ∩ A)
P (B/A) = ,
P (A)
pentru orice mulţime B ∈ F şi vom denumi această expresie probabilitatea
lui B condiţionată de A. Se verifică uşor că B → P (B/A) este o măsură de
probabilitate pe (Ω, F ) şi că P (Ac /A) = 0, P (A/A) = 1, deci P (·/A) este
suportată de A. Următoarele exemple dau o idee despre semnificaţia acestei
definiţii.
Exemplu. Să presupunem că ı̂ntr-o sală de curs se află un număr 60 de

studenţi dintre care 35 de fete şi 25 de băieţi. Presupunem că 10 dintre fete
43
44 CAPITOLUL 3. CÂTEVA NOŢIUNI DE BAZĂ
şi 10 dintre băieţi au ı̂nălţimea mai mare de 1,70. Se alege la ı̂ntâmplare

numele unui student. Să se determine:
a) probabilitatea ca persoana al cărei nume a fost ales la ı̂ntâmplare din
catalog să fie mai ı̂naltă de 1,70.
b) probabilitatea ca o studentă să fie mai ı̂naltă de 1,70.
c) probabilitatea ca un student băiat să fie mai ı̂nalt de 1,70.
Soluţie. Vom nota cu Ω mulţimea tuturor studenţilor, cu A mulţimea
fetelor, iar cu B mulţimea studenţilor de ı̂nălţime mai mare ca 1,70. Pro-
1
babilitatea este dată de P ({ω}) = cardΩ , adică este probabilitatea ce acordă
aceaşi valoare fiecărui individ.
a) Avem P (B) = 10 60
= 0, 166.
b) Avem de calculat probabilitatea condiţionată P (B/A) = P P(B∩A) (A)
=
10
35
= 0, 285.
c)
c) Calculăm probabilitatea condiţionată P (B/Ac ) = P P(B∩A (Ac )
= 10
25
=
0, 4. 2
Un model din actuariat.

Pentru a modela probabilistic statistica vârstei de deces a unui grup de in-
divizi (este vorba de o colectivitate mare, de ordinul unei ţări de exemplu)
se consideră o măsură de probabilitate P pe intervalul de timp [0, 100], cu
unitatea de măsură 1 an. Probabilitatea de deces ı̂n intervalul (s, t) este
exprimată printr-o formulă de tipul
t
P ((s, t)) = α (r) dr,
s
unde α (r) este o funcţie de densitate (sau de intensitate a deceselor). Altfel

spus, numărul P ((s, t)) reprezintă raportul dintre numărul deceselor petre-
cute ı̂ntre vârsta de s ani şi vârsta de t ani faţă de numărul total de decese.
Adică raportat la numărul total al indivizilor din populaţia luată ı̂n conside-
rare, pentru că se presupune că nici unul nu trăieşte mai mult de o sută de
ani. Funcţia α are o expresie analitică ce se determină prin metode speciale
după analiza datelor statistice ı̂nregistrate oficial.
Pentru a face calcule, ı̂n continuare vom considera următoarea expresie
simplificată pentru densitate:
α (s) = 3 · 10−9 s2 (100 − s)2 , s ∈ (0, 100) .
3.1. PROBABILITĂŢI CONDIŢIONATE 45
0.02
0.01
0
0 10 20 30 40 50 60 70 80 90
Figura 3.1: Graficul funcţiei α.
Se verifică faptul că această funcţie conduce la o probabilitate:

100
α (s) ds = 1.
0
Graficul funcţiei α arată cum se vede ı̂n figura 3.1. Este un grafic ı̂n formă
de farfurie, care desigur nu are decât o asemănare aproximativă cu situaţiile
reale.
Vom nota cu A evenimentul deceselor ı̂ntre 60 şi 70 de ani. Probabilitatea
acestui eveniment se poate calcula exact, dacă utilizăm formula anterioară
pentru α,
70
P (A) = P ((60, 70)) = α (s) ds = 0, 154.
60
Această valoare reprezintă raportul dintre numărul deceselor ce au loc ı̂ntre
60 şi 70 de ani şi numărul total al deceselor. Dacă notăm cu B evenimentul
deceselor peste 60 de ani putem calcula probabilitatea
100
P (B) = α (s) ds = 0, 316,
60
după care putem calcula şi probabilitatea condiţionată

P (A) 0, 154
P (A/B) = = = 0, 486.
P (B) 0, 316
Acest număr reprezintă raportul dintre numărul deceselor ı̂ntre 60 şi 70 şi
numărul deceselor peste 60 de ani. După cum se vede, cele două numere au
semnificaţie şi valori diferite: P (A) = P (A/B) . 2
3.1.2 Formula lui Bayes

Vom examina mai ı̂ntâi un exemplu.
Extragerea din trei urne. Presupunem că trei urne conţinând bile se
află pe o masă: prima urnă conţine o bilă albă şi o bilă neagră; a doua urnă
conţine două bile albe şi una neagră; a treia urnă conţine trei bile albe şi una
neagră. Aspectul exterior al urnelor este identic şi nu se vede conţinutul lor.
(În figura alăturată am desenat totuşi şi bilele, ı̂n mod schematic, pentru a
vizualiza experimentul.)
Figura 3.2: Cele trei urne cu bile.
Se alege la ı̂ntâmplare o urnă şi se extrage o bilă din ea. Ştiind că bila
extrasă este albă, ne punem problema de a determina probabilitatea ca bila
să fi fost extrasă din urna a treia.
Soluţie.Pentru a modela această problemă vom considera mulţimea Ω ca
fiind dreptunghiul mare desenat ı̂n figura 3.3.
Pentru diverse submulţimi D ⊂ Ω considerăm măsura de probabilitate
dată de P (D) = ariaD ariaΩ
. Acest dreptunghi este ı̂mpărţit ı̂n trei dreptunghiuri
de arii egale B1 , B2 , B3 , care corespund evenimentelor ”urna aleasă a fost
urna i”, i = 1, 2, 3. Avem P (Bi ) = 13 , i = 1, 2, 3. Fiecare din aceste mulţimi
va fi ı̂mpărţită ı̂n două submulţimi: Bi = Ni ∪ Ai , unde Ni corespunde eveni-
mentului ”din urna i s-a extras o bilă neagră” şi Ai corespunde evenimentului
B1 B2 B3
N2 N3
N1
A1 A2 A3
Figura 3.3: Un model corespunztor celor trei urne.
”din urna i s-a exras o bilă albă”. Trebuie să avem

P (A1 ) = P (N1 ) ,
P (A2 ) = 2P (N2 ) ,
P (A3 ) = 3P (N3 ) ,
pentru a reflecta raportul dintre bilele albe şi cele negre din fiecare urnă.
Acest raport se traduce ı̂n şansele corespunzătoare extragerii unei bile albe
sau negre. Atunci putem calcula precis
11 1 12 2 13 1
P (A1 ) = = , P (A2 ) = = , P (A3 ) = = .
32 6 33 9 34 4
Rezultă că, notând A evenimentul ”s-a extras o bilă albă”, vom avea
A = A1 ∪A2 ∪A3 şi P (A) = P (A1 )+P (A2 )+P (A3 ) = 16 + 92 + 41 = 6+8+9
36
= 23
36
.
Atunci răspunsul la problema pusă este
1
P (A3 ) 4 9
P (A3 | A) = = 23 = . 2
P (A) 36
23
Observaţia 3.1 În modelul construit, nu am pus ı̂n evidenţă explicit σ−algebra
F . Ar putea fi B (Ω), familia părţilor boreliene din pătratul Ω. Dar pen-
tru nevoile stricte ale problemei noastre putem, la fel de bine, defini F =
a (A1 , N1 , A2 , N2 , A3 , N3 ), algebra de părţi generată de partiţia lui Ω formată
din mulţimile A1 , N1 , A2 ,N2 ,A3 ,N3 . Strict vorbind, noi am neglijat a pre-
ciza cui aparţine fiecare frontieră de mulţime. O dată ce avem imaginea,
am putea să schimbăm puţin definiţia mulţimilor ı̂n felul următor: definim
A1 , N1 , A2 , N2 , A3 , N3 drept mulţimile deschise ı̂n plan, reprezentate ı̂n figură,
fără frontiere. Apoi definim Ω drept reuniunea acestor mulţimi.
Formula lui Bayes. Problema anterioară a pus ı̂n evidenţă următoarea

situaţie: spaţiul Ω este ı̂mpărţit ı̂n trei mulţimi disjuncte Ω = B1 ∪ B2 ∪ B3
ale căror probabilităţi sunt cunoscute. Pentru o mulţime A ⊂ Ω se ştiu
probabilităţile P (A | Bi ), i = 1, 2, 3. Se cere a se determina P (B3 | A). Într-
un cadru general, această problemă capătă răspuns prin aşa numita formulă
a lui Bayes cuprinsă ı̂n lema care urmează.
Lema 3.1 Fie (Ω, F , P ) un spaţiu probabilizat şi {B1 , ..., Bn } ⊂ F o partiţie
a lui Ω, astfel că P (Bi ) > 0, pentru orice i = 1, ..., n. Dacă A ∈ F este o
mulţime astfel ı̂ncât P (A) > 0, atunci are loc formula
P (A | Bi ) P (Bi )
P (Bi | A) =
n .
P (Bj ) P (A | Bj )
j=1
Demonstraţie. Este suficient să constatăm că numărătorul şi numi-

torul din partea dreaptă reprezintă următoarele probabilităţi:
P (A ∩ Bi ) = P (A | Bi ) P (Bi ) ,

n
n
P (A) = P (A ∩ Bj ) = P (Bj ) P (A | Bj ) . 2
j=1 j=1
Un exemplu din medicină. Se ştie că 1% din persoanele dintr-un grup

suferă de o anumită boală. Există un test de analiză a sângelui care este sem-
nificativ pentru boala respectivă dând următoarele rezultate: aplicat unor
bolnavi, 95% dintre ei obţin rezultatul pozitiv, iar aplicat unor persoane
sănătoase, numai 2% din ele obţin rezultatul pozitiv.
10 Presupunem că toţi indivizii din grupul dat ar fi supuşi testului. Se

pune problema de a se determina probabilitatea ca un individ găsit pozitiv
ı̂n urma testului să fie ı̂ntr-adevăr bolnav.
20 Presupunem că doctorul face ı̂n prealabil o examinare a pacienţilor şi
separă un alt grup dintre care 30% sunt bolnavi. Se supun testului persoanele
din acest grup şi se cere să se determine probabilitatea ca o persoană ce iese
pozitiv la test, să fie ı̂ntr-adevăr bolnavă.
Soluţie. 10 Vom aplica formula lui Bayes. Considerăm spaţiul probabilizat
(Ω, F , P ) ı̂n care Ω reprezintă mulţimea tuturor indivizilor din grup. Notăm
cu B1 mulţimea indivizilor sănătoşi şi cu B2 mulţimea indivizilor bolnavi.
Aceste două mulţimi formează o partiţie a lui Ω şi cunoaştem că P (B1 ) =
0, 99 şi P (B2 ) = 0, 01. Notăm apoi cu A mulţimea indivizilor ce obţin testul
pozitiv. Avem P (A | B1 ) = 0, 02 şi P (A | B2 ) = 0, 95. Formula lui Bayes ne
dă
(A|B2 )·P (B2)
P (B2 | A) = P (B1 )P P(A|B 1 )+P (B2 )P (A|B2 )
=
0,95·0,01 95
= 0,99·0,02+0,01·0,95 = 198+95 = 0, 32.
După cum se vede testul nu are relevanţă ı̂n contextul dat.
B2
A
B1
Figura 3.4: Cazul 10 .
20 Pentru analiza grupului selectat de medic se construieşte un model

similar celui anterior. De data aceasta vom avea P (B1 ) = 0, 70 şi P (B2 ) =
0, 30. Testul fiind acelaşi avem ı̂n continuare P (A | B1 ) = 0, 02 şi P (A | B2 ) =
B2
A B1
Figura 3.5: Cazul 20 .
0, 95. De data aceasta rezultatul este
0, 95 · 0, 30 285
P (B2 | A) = = = 0, 953.
0, 70 · 0, 02 + 0, 30 · 0, 95 14 + 285
În aceste condiţii testul este semnificativ şi poate ajuta la diagnosticarea
bolnavilor. 2
Pentru a ı̂nţelege de ce ı̂n cazul 10 nu este relevant testul, am reprezen-
tat mulţimea Ω prin dreptunghiul mare din figura 3.4. Mulţimea B2 este
reprezentată de triunghiul din colţul de sus stânga. Ea este despărţită de
mulţimea B1 , ce constitue restul dreptunghiului printr-o linie. Mulţimea A
este reprezentată de dreptunghiul mic, cenuşiu. Ariile acestor mlţimi sunt
1
proporţionale cu probabilităţile lor. Mulţimea B2 reprezintă 100 din dreptun-
2 99 2
ghiul mare iar mulţimea A ∩ B1 reprezintă 100 · 100 ≈ 100 din dreptunghiul
mare. Deci aria lui A ∩ B1 este de două ori mai mare ca aria lui B2 . Cum
se vede din figură, cea mai mare parte a mulţimii A se află inclusă ı̂n B1 .
Aceasta reflectă faptul că printre persoanele ce obţin un rezultat pozitiv la
test, cei mai mulţi sunt sănătoşi.
În cazul 20 mulţimea B2 fiind mult mai mare, rezultă că şi mulţimea
A ∩ B2 , care reprezintă 95% din B2 , va fi mare. Deci, de această dată cea
mai mare parte din mulţimea A se află inclusă ı̂n B2 . Am reprezentat ı̂n figura
3.5 mulţimea A tot printr-un dreptunghi cenuşiu, iar B1 , B2 prin trapeze.
3.2. INDEPENDENŢĂ 51
3.2 Independenţă
In acest paragraf (Ω, F , P ) va fi un spaţiu probabilizat fix.
3.2.1 Independenţa a două evenimente

Definiţia 3.1 Vom spune că două evenimente A, B ∈ F sunt independente
dacă are loc relaţia P (A ∩ B) = P (A) P (B).
Se observă că dacă A şi B sunt independente atunci putem face calculul
P (A ∩ B c ) = P (A) − P (A ∩ B) = P (A) − P (A) P (B) = P (A) P (B c ) ,
care arată că A şi B c sunt şi ele independente. La fel se deduce că fiecare
din perechille (Ac , B) şi (Ac , B c ) sunt independente.
De asemenea, se verifică uşor că dacă una din mulţimile A, B este neglija-
bilă atunci ele sunt independente. Tot imediat, se deduce că dacă evenimentul
A este independent de el ı̂nsuşi, atunci sau P (A) = 1 sau P (A) = 0.
Dacă P (A) > 0, atunci relaţia de independenţă se poate scrie sub forma
P (B/A) = P (B). Aceasta este forma utilă ı̂n aplicaţii. Ea exprimă faptul
că evenimentul B se petrece cu aceeaşi probabilitate ı̂n prezenţa lui A ca şi
ı̂n general. Dacă sunt satisfăcute fiecare din relaţiile P (A) > 0, P (Ac ) > 0,
P (B) > 0, P (B c ) > 0, atunci relaţia de independenţă se poate scrie ı̂n mod
simetric sub fiecare din formele:
P (B/A) = P (B) , P (A/B) = P (A) ,

P (B/Ac ) = P (B) , P (Ac /B) = P (Ac ) ,
P (A/B c ) = P (A) , P (B c /A) = P (B c ) ,
P (B c /Ac ) = P (B c ) , P (Ac /B c ) = P (Ac ) .
Exemplul 1. Fie Ω o mulţime care reprezintă o colectivitate umană mare

1
şi pe care introducem probabilitatea şanselor egale P (ω) = cardΩ . Fie A
mulţimea indivizilor cu ochii albaştri şi B mulţimea indivizilor mai ı̂nalţi de
1,70. O ipoteză pe care simţul comun ne-o sugerează este că nu există nici
o legătură ı̂ntre culoarea ochilor şi ı̂nălţimea individului. Deci putem scrie
că proporţia indivizilor mai ı̂nalţi de 1,70 printre cei cu ochii albaştri este
aceeaşi ca ı̂n ansamblul total:
card (B ∩ A) cardB
= ,
cardA cardΩ
adică P (B/A) = P (B) . Cu alte cuvinte, faptul că nu există legătură ı̂ntre
culoarea ochilor şi ı̂nălţime se exprimă prin independenţa evenimentelor A şi
B. Dacă ipoteza făcută este corectă, relaţia aceasta ar trebui să fie verificată
pentru orice colectivitate mare.
Exemplul 2. Într-o urnă se găsesc bilete pe care sunt scrise numere de la

1 la 10. Fie n1 numărul de bilete pe care scrie 1, n2 numărul biletelor pe care
scrie 2 şi aşa mai departe, avem numerele n3 , ..., n10 . Numărul total de bilete
este n = n1 + n2 + ... + n10 . Se extrage un bilet din urnă, la ı̂ntâmplare, şi
se notează numărul său. Se introduce biletul la loc, se amestecă conţinutul
urnei şi se extrage din nou un bilet, al cărui număr este notat. Să determinăm
probabilitatea ca numerele ieşite ı̂n urma experimentului să fie (1, 2), privite
ca o pereche ordonată. Să se construiască un model probabilist care să descrie
fenomenul.
Soluţie. Observăm mai ı̂ntâi că avem de a face cu un model de două
extrageri din urnă cu revenire. Dorim ı̂nsă aici să discutăm acest experiment
din punctul de vedere al independenţei celor două extrageri. De aceea nu
apelăm la modelul urnei ci vom construi altul pe baza analizei fenomenului
de independenţă.
Este evident, din punct de vedere logic, că nu există nici o legătură ı̂ntre
rezultatul primei extrageri şi rezultatul celei de a doua extrageri. Mai ı̂ntâi
vom presupune că a fost construit un spaţiu probabilizat (Ω, F , P ) care mod-
elează mulţimea tuturor rezultatelor posibile. Dacă A reprezintă evenimentul
,, la prima extragere a ieşit numărul 1”, iar B evenimentul ,, la a doua ex-
tragere a ieşit 2”, este clar că evenimentul B nu este influenţat de rezultatul
primei extrageri. Aşadar trebuie să avem P (B/A) = P (B) , care semnifică
independenţa, sau echivalent, P (A ∩ B) = P (A) P (B) . Pe de altă parte,
trebuie să avem P (A) = nn1 şi P (B) = nn2 . Evenimentul care ne interesează
este A ∩ B, iar probabilitatea sa este atunci
n1 n2 n1 n2
P (A ∩ B) = P (A) P (B) = · = 2 .
n n n
Trecem acum la construirea modelului probabilist bazându-ne pe această
constatare. Pentru a construi un spaţiu probabilizat corespunzător experi-
mentului nostru pornim de la observaţia că ceea ce contează sunt cele două
numere notate. Deci mulţimea rezultatelor posibile pentru experiment este
descrisă de mulţimea perechilor (i, j) de numere ce sunt notate ı̂n urma ex-
tragerilor. Vom nota atunci E = {1, 2, ..., 10} şi Ω = E×E = {(i, j) | i, j ∈ E} ,
care este mulţimea perechilor de numere ce pot fi obţinute ca rezultat al ex-

perimentului. Mulţimea Ω are 10 × 10 = 100 elemente.
Pentru fiecare i ∈ E notăm Ai = {(i, j) | j ∈ E} şi Bi = {(j, i) | j ∈ E}.
Mulţimea Ai descrie toate rezultatele experimentului ı̂n care prima extragere
are rezultatul i, iar Bi descrie toate rezultatele experimentului ı̂n care a doua
extragere are rezultatul i. Este clar că frecvenţa de realizare a evenimentului
i este nni , adică frecvenţa cu care se extrage un bilet cu numărul i din urnă;
deci P (Ai ) trebuie să fie nni . În mod similar, trebuie ca P (Bi ) = nni .
Pe de altă parte, la fel ca ı̂n prima parte a discuţiei noastre, ajungem
la concluzia că pentru orice pereche i, j ∈ E evenimentele Ai şi Bj sunt
independente. Deoarece {(i, j)} = Ai ∩ Bj , rezultă că trebuie să avem
ni nj
P ({(i, j)}) = P (Ai ) P (Bj ) = .
n2
Definim atunci probabilitatea P pentru mulţimile formate dintr-un punct
prin formula
ni nj
P ({(i, j)}) = 2 , i, j ∈ E.
n
Pentru o mulţime arbitrară C ⊂ Ω vom avea
ni nj
P (C) = P ({ω}) = 2
.
n
ω∈C (i,j)∈C
Se verifică acum că mulţimile Ai şi Bi au ı̂n urma acestei definiţii exact
probabilitatea dorită:

ni nj
P (Ai ) = P ({(i, j)}) = n2
= nn2i nj = nni .
j∈E
j∈E j∈E
P (Bi ) = P ({(j, i)}) = ... = nni .
j∈E
Este clar că acest mod de a defini probabilitatea P asigură şi verificarea
independenţei fiecărui eveniment Ai faţă de un eveniment Bj .2
Să vedem acum la ce rezultate ajungem cu modelul bazat pe extragerile
din urnă. Este vorba despre o urnă ce conţine n bilete din care se fac două ex-
trageri cu ı̂ntoarcera biletului după fiecare extragere. Modelul ce se impune
conform paragrafului despre schema bilei ı̂ntoarse este Ω = M × M pen-
tru spaţiul tuturor posibilităţilor, cu M = {1, ..., n} reprezentând mulţimea
biletelor. Mulţimea Ω are n2 puncte şi probabilitatea ce se impune pentru
acest model acordă şanse egale fiecărui punct, adică P ({(k, l)}) = n12 pen-
tru orice punct (k, l) ∈ Ω . Dacă notăm cu D1 , D2 , ..., D10 mulţimile biletelor
cu numărul 1, respectiv 2, ..., 10, obţinem o partiţie a mulţimii M. Ştim
că mulţimea Di conţine ni elemente. Evenimentul ,,la prima extragere a
ieşit numărul i ” este modelat de mulţimea Ai = {(k, l) /k ∈ Di , l ∈ M} .
Deoarece această mulţime conţine ni × n elemente vom avea P (Ai ) = nni2n =
ni
n
. Evenimentul ,,la a doua extragere a ieşit numărul i ” este modelat de
Bi = {(k, l) /k ∈ M, l ∈ Di } şi avem P (Bi ) = nni . În acest model eveni-
mentul ,,la prima extragere a ieşit numărul i, iar la a doua a ieşit numărul
j ” nu mai este un eveniment elementar ci este reprezentat de mulţimea
Ai ∩ Bj = {(k, l) /k ∈ Di , l ∈ Dj } , care are ni × nj elemente şi prin urmare
P (Ai ∩ Bj ) = ni 2 j . Constatăm că rămâne adevărată relaţia de independenţă
nn
şi ı̂n acest model:

P (Ai ∩ Bj ) = P (Ai ) P (Bj ) .
Mai mult, se poate arăta că cele două modele sunt echivalente ı̂ntr-un
anume sens. Pentru a pune ı̂n evidenţă acest lucru vom nota Λi,j = Ai ∩ Bj
obţinând o partiţie a lui Ω , A = {Λi,j /i, j = 1, ..., 10} şi definim o aplicaţie
de la spaţiul celui de al doilea model cu valori ı̂n spaţiul primului model
F : Ω → Ω, ı̂n felul următor: dacă (k, l) ∈ Λi,j punem F (k, l) = (i, j) .
(Această aplicaţie este constantă pe mulţimile de tipul Λi,j şi de fapt, pune
ı̂n bijecţie partiţia A cu mulţimea Ω.) Probabilităţile P, P sunt legate una
de alta prin F ı̂n felul următor:

P ({(i, j)}) = P (Λi,j ) = P F −1 (i, j) .
Din această relaţie se deduce una mai generală

P (A) = P F −1 (A) , ∀A ⊂ Ω,
care arată că probailitatea P este complet determinată de probabilitatea P
prin transportarea mulţimilor cu funcţia F inversată. Aceasta dă un sens
termenului de modele echivalente pe care l-am folosit mai devreme.
3.2.2 Independenţa mai multor evenimente

Definiţia 3.2 Fiind dată o familie (Ai )i∈I de evenimente din F , vom spune
că ele sunt independente dacă este satisfăcută relaţia
P (Ai1 ∩ Ai2 ∩ ...Ain ) = P (Ai1 ) P (Ai2 ) ...P (Ain ) ,
pentru orice familie finită {i1 , i2 , ..., in } ⊂ I.
Se observă că evenimentele oricărei subfamilii (Ai )i∈J , unde J ⊂ I,

sunt independente. Noţiunea de familie de evenimente independente este
o noţiune ce se referă global la ansamblul familiei. Mai notăm că este abso-
lut esenţial faptul că definiţia se formulează ı̂n termeni de familii indexate.
Pentru a pune ı̂n evidenţă această nuanţă vom descrie mai jos două vari-
ante de proprietăţi, apropriate formulării din definiţie, ı̂n care vom utiliza
familii neindexate. Să presupunem că avem o familie indexată de evenimente
(Ai )i∈I . Vom mai considera mulţimea A = {Ai /i ∈ I} , care este familia (sau
mulţimea) aceloraşi evenimente dar neindexată. Putem enunţa următoarele
proprietăţi:
(i) pentru orice număr finit de evenimente B 1 , ..., B n ∈ A, n ∈ N, are loc
relaţia
P B 1 ∩ ... ∩ B n = P (B1 ) ...P (Bn ) . (∗)
(ii) relaţia (*) este verificată pentru orice număr finit de mulţimi distincte
1
B , ..., B n ∈ A, n ∈ N.
Se constată că proprietatea (i) implică independenţa, iar independenţa
implică proprietatea (ii). Proprietatea (i) aplicată fiecărui element din A
repetat de două ori ne conduce la concluzia că P (A) = P (A) P (A) . Deci
ı̂n acest caz avem P (A) = 0 sau P (A) = 1, pentru orice eveniment din
A. O astfel de proprietate nu este neapărat ı̂ndeplinită ı̂n cazul unei familii
arbitrare de evenimente independente. Dacă o familie indexată este con-
stituită numai din evenimente distincte, atunci independenţa acestei familii
este echivalentă cu proprietatea (ii). Să presupunem că D ∈ F are proprie-
tatea că 0 < P (D) < 1. Notăm A1 = D, A2 = D, A3 = Ω. Atunci familia
indexată(Ai )i=1,2,3 nu este independentă, dar familia A = {D, Ω} verifică
proprietatea (ii).
În concluzie putem spune că indexarea familiei ne permite să enumerăm
exact relaţiile de independenţă ce trebuiesc verificate conform definiţiei.
Propoziţia 3.1 Fie (Ai )i∈I o familie de evenimente independente şi {i1 , ..., in },
{j1 , ..., jm } două submulţimi finite şi disjuncte ale lui I. Atunci are loc relaţia

P Ai1 ∩ Ai2 ∩ ...Ain ∩ Acj1 ∩ ...A c
jm−1 ∩ A
c jm
c
=
= P (Ai1 ) P (Ai2 ) ...P (Ain ) · P Aj1 ...P Ajm−1 · P (Ajm
c c
)
Demonstraţie. Demonstraţia se face prin inducţie după m. Mai ı̂ntâi
verificăm relaţia cu n arbitrar şi m = 1. Pentru aceasta pornim cu relaţiile
de independenţă pe care le ştim
P (Ai1 ∩ Ai2 ∩ ...Ain ) = P (Ai1 ) P (Ai2 ) ...P (Ain ) ,
P (Ai1 ∩ Ai2 ∩ ...Ain ∩ Aj ) = P (Ai1 ) P (Ai2 ) ...P (Ain ) · P (Aj ) .
Dacă notăm B = Ai1 ∩Ai2 ∩...Ain , atunci relaţia a doua devine P (B ∩ Aj ) =

P (B) P (Aj ) . Această relaţie nu spune altceva decât că B şi Aj sunt inde-
pendente. Rezultă că şi evenimentele B şi Acj sunt tot independente. Deci
putem scrie

P B ∩ Acj = P (B) P Acj .
Ţinând cont de relaţile scrise mai sus se obţine

P Ai1 ∩ Ai2 ∩ ...Ain ∩ Acj = P (Ai1 ) P (Ai2 ) ...P (Ain ) P Acj ,
care este relaţia dorită.

Pentru a trece mai departe, presupunem că relaţia este adevărată cu n
arbitrar şi m ı̂nlocuit cu m − 1. În particular putem scrie

P Ai1 ∩ Ai2 ∩ ... ∩ Ain ∩ Acj1 ∩... ∩ A jm−1 ∩
c
Ajm
= P (Ai1 ) P (Ai2 ) ...P (Ain ) · P Acj1 ...P Acjm−1 · P (Ajm )
= P Ai1 ∩ Ai2 ∩ ...Ain ∩ Acj1 ∩ ...Acjm−1 · P (Ajm ) .
Dacă notăm B = Ai1 ∩ Ai2 ∩ ...Ain ∩ Acj1 ∩ ...Acjm−1 , relaţia anterioară se scrie

P B ∩ Acjm = P (B) P (Ajm ) ,
relaţie care exprimă independenţa evenimentelor B şi Ajm . Atunci şi perechea
de evenimente B, Acjm sunt independente şi putem scrie

P B ∩ Acjm = P (B) P Acjm .

Utilizând expresia P (B) = P (Ai1 ) ...P (Ain ) · P Acj1 ...P Acjm−1 se obţine
relaţia din enunţ.2
Corolarul 3.1 Fie (Ai )i∈I o familie de evenimente independente. Presupunem

că mulţime indicilor se scrie sub forma I = I1 ∪ I2 , unde I1 ∩ I2 = ∅. Atunci
familia indexată (Ai )i∈I definită prin Ai = Ai dacă i ∈ I1 şi Ai = Aci dacă
i ∈ I2 , este formată din evenimente independente.
Independenţa extragerilor cu ı̂ntoarcere. Vom reveni la cazul unei

urne cu n bile numerotate din care se fac k extrageri cu revenire. Modelul
constă din mulţimea M = {1, ..., n} , care reprezintă bilele, mulţimea tuturor
rezultatelor posibile este descrisă de Ω = M k , iar probabilitatea ce se intro-
duce este cea a şanselor egale, ı̂n care P ({(x1 , ..., xk )}) = n1k . Evenimentul
”la a l− a extragerea a ieşit bila cu numărul i ” este descris de mulţimea
Al,i = {(x1 , ..., xk ) ∈ Ω/xl = i} . Vom nota Al = {Al,i /i = 1, ..., n} . Pentru
fiecare l = 1, ..., k, familia Al constituie o partiţie a lui Ω. Vom arăta că
partiţiile A1 , ..., Ak sunt independente. Pentru aceasta, calculăm mai ı̂ntâi
cardinalul unei mulţimii Al,i . Deoarece numai componenta l este fixată pen-
tru punctele din mulţimea Al,i , ı̂n timp ce celelalte k − 1 componente parcurg
liber pe M, rezultă că mulţimea Al,i poate fi pusă ı̂n bijecţie cu mulţimea
M k−1 . Tragem concluzia că mulţimea Al,i conţine exact nk puncte. Deci
k−1
P (Al,i ) = nnk = n1 , pentru orice l şi i. Să considerăm acum un număr
m ≤ k şi m mulţimi din partiţii diferite: Al1 ,i1 , ..., Alm ,im . Intersecţia lor
poate fi descrisă astfel
Al1 ,i1 ∩ ... ∩ Alm ,im = {(x1 , ..., xk ) ∈ Ω/xl1 = i1 , ..., xlm = im } .
După cum se vede punctele din această mulţime au m componente fixate, iar
restul de k − m sunt libere ı̂n M. Rezultă că această mulţime poate fi pusă
ı̂n bijecţie cu M k−m , deci cardinalul ei este nk−m . Prin urmare
nk−m 1
P (Al1 ,i1 ∩ ... ∩ Alm ,im ) =
k
= m = P (Al1 ,i1 ) ...P (Alm ,im ) ,
n n
ceea ce probează independenţa partiţiilor considerate.2
3.2.3 Independenţa a trei evenimente

Conform definiţiei, independenţa a trei evenimente A, B, C ∈ F este asigu-
rată dacă sunt ı̂ndeplinite condiţiile următoare:
P (A ∩ B) = P (A) P (B) , (∗)
P (A ∩ C) = P (A) P (C) , (∗∗)
P (B ∩ C) = P (B) P (C) , (∗ ∗ ∗)
P (A ∩ B ∩ C) = P (A) P (B) P (C) . (#)
Se poate pune ı̂ntrebarea dacă nu cumva un număr mai mic dintre aceste
relaţii sunt suficiente pentru a implica valabilitatea tuturor. Următoarele
două contraexemple arată că, ı̂n general, nu este posibil aşa ceva.
Exemplul 1. Presupunem că Ω = {1, 2, 3, 4} şi P (1) = P (2) = P (3) =

P (4) = 14 . Mulţimile următoare
A = {1, 2} , B = {1, 3} , C = {1, 4} ,
verifică relaţiile (∗) , (∗∗) , (∗ ∗ ∗) , dar nu verifică relaţia (#) .
Exemplul 2. Presupunem că Ω = {1, 2, 3, 4, 5, 6, 7} şi P este definită de
P (1) = P (2) = 14 ,
P (3) = P (4) = P (5) = 18 ,
1 1
P (6) = 12 , P (7) = 24 .
Notăm A = {1, 2, 3, 4} , B = {3, 4, 6} , C = {2, 4, 5} . Aceste mulţimi verifică

relaţiile (∗) , (∗∗) şi (#) , dar nu verifică relaţia (∗ ∗ ∗) .
3.2.4 Regula jucătorului

Vom presupune că şansele de reuşită ı̂ntr-un anumit joc de noroc sunt de una
din N, unde N este un număr natural. Aşa numita ” regulă a jucătorului”
spune că dacă cineva participă la acest joc de un număr de ori mai mare sau
egal dacât 23 N, atunci probabilitatea de a câştiga cel puţin o dată devine mai
mare sau egală ca 12 . Ne punem problema de a examina care este eroarea
pentru ”regula jucătorului”.
Souţie. Vom presupune că (Ω, F , P) este un spaţiu probabilizat pe care
există n evenimente independente A1 , ..., An , cu aceeaşi probabilitate P (A1 ) =
... = P (An ) = N1 . Presupunem că Ai modelează reuşita la cel de-al i−lea
joc. Construcţia concretă a unui astfel de spaţiu probabilizat se poate realiza
făcând o analogie ı̂ntre participarea la joc şi extragerea unei bile dintr-o urnă
cu N bile. Presupunem că din cele N bile una este roşie iar restul sunt negre.
Şansele de a extrage bila roşie sunt de una la N. Deci putem echivala reuşita
la joc cu faptul că ı̂n urma unei extrageri din urnă a ieşit bila roşie. O serie
de n extrageri cu revenire corespund la n participări la jocul dat.
Identificăm mulţimea bilelor cu mulţimea primelor N numere naturale,
pe care o notăm M = {1, ..., N} şi presupunem că bila roşie corespunde
numărului 1. Mulţimea rezultatelor posibil a fi obţinute după n jocuri este
descrisă de
Ω = M n = {(x1 , ..., xn ) /xi ∈ M, ∀i = 1, ..., n} .

Evenimentul ,,la jocul al l−lea jucătorul a câştigat”, sau spus altfel ”la
cea de a l−a extragere a ieşit bila roşie”, este descris de mulţimea Al =
{(x1 , ..., xn ) ∈ Ω/xl = 1} . Ţinând cont de cele demonstrate ı̂n paragraful an-
teprecedent privind independenţa extragerilor cu ı̂ntoarcere, rezultă că eveni-
mentele A1 , ..., An sunt independente şi fiecare are probabilitatea P (Al ) = N1 .
Reuşita la cel puţin un joc din n este reprezentată de evenimentul
A1 ∪ ... ∪ An .
Nereuşita la nici un joc din cele n este reprezentată de evenimentul comple-

mentar
Ac1 ∩ ... ∩ Acn ,
şi pentru acesta avem formula
n
1
P (Ac1 ∩ ... ∩Acn )=P (Ac1 )· ... · P = 1−
(Acn ) .
N
x
Funcţia care apare ı̂n această exprimare, f (x) = 1 − N1 , este de-
screscătoare pe [1, ∞) şi lim f (x) = 0. Ne interesează să determinăm cea
x→∞
mai mică valoare a lui n ∈ N∗ pentru care această probabilitate devine mai
mică dacât 12 , adică acel număr care satisface condiţiile
n n−1
1 1 1
1− ≤ < 1−
N 2 N
Vom logaritma fiecare termen din aceste inegalităţi obţinând

1 1
n ln 1 − ≤ − ln 2 < (n − 1) ln 1 − .
N N
Aplicăm acum lema 2.3 şi minorăm termenul stâng şi majorăm termenul
drept, astfel că obţinem
− N1 −1
n 1 ≤ − ln 2 < (n − 1) ,
1− N N
relaţie care se mai scrie şi sub forma
(N − 1) ln 2 ≤ n < N ln 2 + 1.
Ţinând cont că ln 2 ≈ 0, 6931, putem trage concluzia că numărul căutat
este aproximat cu o eroare de o unitate de n0 = [N ln 2] . Deoarece diferenţa
N ln 2 − 23 N este mică raportată la N,
N ln 2 − 23 N 2
= ln 2 − ≈ 0, 0264,
N 3
putem spune că eroarea pe care o dă regula jucătorului este mică raportată
la N. În valoare absolută ea poate fi mare, de ordinul 0, 0264N.2
3.3 Exerciţii
Exerciţiul 3.1 Trei maşini A,B,C produc respectiv 60%, 30% şi 10% din
piesele fabricate de o uzină. Maşina A produce 2% din piese cu defect.
Maşina B produce 3% cu defect iar maşina C 4%. Se alege la ı̂ntâmplare
o piesă la ieşirea din uzină. 1) Care este probabilitatea ca piesa să fie defectă
? 2) Constatând că piesa are defect, care este probabilitatea ca ea să provină
de la maşina C ?
Exerciţiul 3.2 O ı̂ntreprindere produce aparate electronice care sunt perfect

9
funcţionabile cu probabilitatea 10 . Fiecare aparat este supus testării ı̂nainte
de livrare. Se constată că orice aparat bun trece testul. Dar din cele cu
defecte, numai 10 11
dintre ele sunt depistate ca atare; restul de 111
scapă şi sunt
acceptate. Să se calculeze probabilitatea evenimentului: 1) ,,aparatul a trecut
testul şi el funcţionează”, 2) ,,aparatul a trecut testul dar nu funcţionează”.
3) Să se calculeze probabilitatea ca aparatul să funcţioneze ştiind că el a trecut
testul.
Exerciţiul 3.3 O uzină fabrică piese, din care 1, 8% sunt cu defecte. Con-
trolul de calitate are următoarele caracteristici: piesele fără defect sunt ac-
ceptate ı̂n proporţie de 97%, iar cele defecte sunt refuzate ı̂n proporţie de
0, 99%. 1) Care este probabilitatea ca o piesă să fie defectă deşi a fost ac-
ceptată? 2) Care este probabilitatea ca să fie o eroare ı̂n control? 3) Care
este probabilitatea ca ı̂n cinci controale consecutive să se producă exact două
erori?
Exerciţiul 3.4 6. Studenţii se prepară pentru un examen al cărui subiect va

fi propus de unul din membrii unei comisii formate din 3 profesori: A,B,C.
3.3. EXERCIŢII 61
Analizând datele din anii trecuţi studenţii evaluează cu 0, 35 probabilitatea ca

subiectul să fie propus de A, cu 0, 4 probabilitatea ca subiectul să fie propus
de B şi cu 0, 25 probabilitatea ca C să propună subiectul. Pe de altă parte,
studenţii se tem de un anumit subiect. Ei apreciază că A ar propune la
1
examen subiectul ı̂n cauză cu probabilitatea 10 , că B ar propune subiectul
respectiv cu o probabilitate de 5 , iar C l-ar propune cu probabilitatea 41
2
50
. 1)
Care este probabilitatea ca subiectul temut să fie dat la examen? 2) Ştiind
că s-a dat subiectul nedorit la examen, să se afle probabilitatea ca cel ce a
alcătuit subiectele să fie C.
Exerciţiul 3.5 Într-un oraş, 2% din populaţie este atinsă de o boală conta-
gioasă. Se ştie că ı̂n cazul unei ı̂ntâlniri ı̂ntre o persoană contagioasă şi una
sănătoasă există un risc de contaminare de 0, 7. Care este riscul de contam-
inare la care este supusă o persoană sănătoasă ce vizitează alte 3 persoane
arbitrare?
Exerciţiul 3.6 O fabrică produce ı̂n serie ceasuri cu un proces tehnologic ı̂n
două faze. Prima fază de fabricaţie produce defectul A la 2% dintre produse,
iar faza a doua produce defectul B la 3% din produse.
(i) Se ia la ı̂ntâmplare un ceas. Presupunând că defectele ı̂n cele două
etape se produc independent, se cere probabilitatea ca: a) ceasul să aibă am-
bele defecte, b) ceasul să nu aibă niciunul din defecte, c) ceasul să aibă exact
un defect.
(ii) Se iau pe rând 5 mostre de produs finit. Se presupune că numărul
total de ceasuri este aşa de mare ı̂ncât la fiecare extragere de mostră proporţia
de ceasuri defecte este neschimbată. Determinaţi probabilitatea ca cel puţin
4 din cele 5 ceasuri să fie fără defecte.
Exerciţiul 3.7 Sultanul ı̂i spune lui Ali Baba: ı̂n faţa ta se află două vase
identice. Unul conţine n bile roşii, iar celălalt conţine m bile negre. Ai voie
să amesteci bilele ı̂n cele două vase. Eu voi veni apoi, mă voi apropia de un
vas şi voi scoate o bilă. Dacă bila este roşie ı̂ţi dăruiesc viaţa. Cum amestecă
Ali Baba bilele pentru aşi mări şansele de a scăpa cu viaţă? Demonstraţi că
există o metodă optimă.
Exerciţiul 3.8 Avem trei persoane 1, 2, 3. Notăm cu Bij evenimentul: per-

soanele i şi j au aceeaşi zi de naştere. Sunt independente evenimentele B12
şi B23 ? Dar evenimentele B12 , B23 , B13 ? Sunt ele independente câte două?
Exerciţiul 3.9 O vitrină este luminată pe timpul nopţii cu două becuri b1 şi
b2 . Presupunem că probabilitatea ca becul b1 să funcţioneze toată noaptea este
de 0, 95, iar probabilitatea ca becul b2 să funcţioneze toată noaptea este 0, 98.
Să se determine probabilitatea ca cel puţin unul din becuri să funcţioneze
toată noaptea ı̂n fiecare din cazurile: (i) becurile sunt montate ı̂n serie, (ii)
becurile sunt montate ı̂n paralel.
Capitolul 4
Partiţii finite sau numărabile
În tot acest capitol vom presupune că (Ω, F ,P ) este un spaţiu probabili-
zat fix, dar arbitrar. În prima secţiune vom studia σ−algebrele generate de
partiţii numărabile. În particular, vom arată că există o bijecţie ı̂ntre alge-
brele finite şi partiţiile finite ce le generează. În secţiunea a doua vom stu-
dia independenţa σ−algebrelor prin intermediul partiţiilor care le generează.
După aceea rezultatele acestea sunt aplicate ı̂n ultima secţiune la demon-
strarea proprietăţilor de asociere şi dezasociere a independenţei.
Mai ı̂ntâi vom discuta ı̂n jurul proprietăţii de σ− aditivitate, definită ı̂n
capitolul introductiv, care va interveni incidental ı̂n această secţiune.
Lema 4.1 Fie (E, E) un spaţiu măsurabil şi µ : E → [0, 1] o aplicaţie care
verifică proprietăţile următoare:
(i) µ (Ω) = 1,
(ii) µ (A ∪ B) = µ (A) + µ (B) , pentru orice două mulţimi disjuncte,
A, B ∈ E.
Atunci funcţia de mulţime µ este σ− aditivă dacă şi numai dacă satisface
relaţia
lim µ (An ) = 0,
n→∞
pentru orice şir descrescător (An )n∈N de mulţimi din E astfel că ∩n An = ∅.
Demonstraţie. Observăm că µ are prin ipoteză proprietăţile unei

măsuri de probabilitate pe un spaţiu măsurabil finit. Presupunem că µ este
σ− aditivă şi că (An )n∈N este un şir descrescător de mulţimi din E astfel că
∩n An = ∅. Notăm
Bn = An \An+1 , n∈ N.
63
64 CAPITOLUL 4. PARTIŢII FINITE SAU NUMĂRABILE
Pentru m ≥ n se verifică relaţia
Bn ⊂ Acn+1 ⊂ Acm ,
(deoarece Am ⊂ An ). Aceasta arată că Bn ∩ Bm = ∅. Deci mulţimile şirului

(Bn )n∈N sunt disjuncte ı̂ntre ele. De asemenea se verifică direct că are loc
relaţia
Bn = A0 .
n∈N
Proprietatea de σ− aditivitate ne permite să scriem

µ (A0 ) = µ (Bn ) .
n∈N
Dar avem µ (Bn ) = µ (An ) − µ (An+1 ) şi atunci deducem că sumele parţiale
ale seriei pot fi exprimate astfel

n
µ (Bk ) = µ (A0 ) − µ (An+1 ) .
k=0
Cum aceste sume au limita µ (A0 ) , rezultă că µ (An+1 ) → 0.

Să arătăm implicaţia inversă. Presupunem că µ satisface proprietatea
din enunţ şi vom arăta că este σ− aditivă. Vom alege notaţia care pune ı̂n
evidenţă faptul că raţionamentul de la prima implicaţie este pur şi simplu
repetat ı̂n ordine
inversă. Fie deci (Bn )n∈N un şir de mulţimi disjuncte din E.
Notăm An = k≥n Bk şi vom avea A0 = n∈N Bn . Se verifică din construcţie
că şirul (An )n∈N este descrescător şi că n∈N An = ∅. Proprietatea din enunţ
implică
lim µ (An ) = 0.
n→∞
Pe de altă parte avem

µ (An ) = µ A0 \ Bk = µ (A0 )−µ Bk = µ (A0 )− µ (Bk ) .
k≤n−1 k≤n−1 k≤n−1
∞
Trecând la limită după n se obţine
∞ 0 = µ (A0 ) −
k=0 µ (B
k ) , ceea ce este
acelaşi lucru cu relaţia dorită: k=0 µ (Bk ) = µ n∈N Bn . 2
Enunţăm acum două proprietăţi ale măsurilor de probabilitate. Ne referim
deci la spaţiul probabilizat (Ω, F ,P ) .
4.1. PARTIŢII ŞI σ−ALGEBRE GENERATE 65
Lema 4.2 (i) Pentru orice şir crescător de evenimente, (An )n∈N ⊂ F , are
loc relaţia
lim P (An ) = P (∪n An ) .
n→∞
(ii) Pentru un şir arbitrar de evenimente, (An )n∈N ⊂ F , are loc relaţia

P (∪n An ) ≤ P (An ) .
n∈N
Demonstraţie. (i) Pentru a demonstra prima relaţie din enunţ, să

notăm A = ∪n An şi Cn = A\An . Şirul (Cn )n∈N este descrescător, cu intersecţia
vidă, după cum se poate uşor verifica. Conform lemei de mai ı̂nainte, rezultă
lim P (Cn ) = 0.
n→∞
Cum P (A) = P (An ) + P (Cn ) , deducem relaţia din enunţ.

(ii) Pentru cea de a doua relaţie pornim de la inegalitatea valabilă pentru
un număr finit de mulţimi (vezi punctul 4. din secţiunea introductivă despre
modelul probabilist):

P (∪k≤n Ak ) ≤ P (Ak ) ≤ P (An ) .
k≤n n∈N
Apoi aplicăm punctul (i) şirului crescător ∪k≤n Ak , n ∈ N, pentru a deduce

P (∪n An ) = lim P (∪k≤n Ak ) ≤ P (An ) ,
n→∞
n∈N
adică relaţia de demonstrat. 2
4.1 Partiţii şi σ−algebre generate

Obiectele principale din această secţiune sunt de fapt algebra şi σ−algebra
generată de o partiţie finită sau numărabilă de evenimente. Probabilitatea P
nu va interveni decât ı̂n mod secundar. Cu alte cuvinte vom lucra mai ales
cu spaţiul măsurabil (Ω, F ) .
Fiind dată o familie arbitrară de evenimente, U ⊂ F vom nota cu ma (U)
mulţimea tuturor algebrelor de părţi incluse ı̂n F şi care conţin pe U. Această
mulţime nu este vidă deoarece, ı̂n mod evident, F ∈ ma (U) . Vom nota cu
a (U) intersecţia tuturor algebrelor din ma (U) :

a (U) = G.
G∈ma(U )
Se verifică fără dificultate că a (U) este o algebră, şi că U ⊂ a (U) ⊂ F . De
asemenea, este evident că orice element G din ma (U) conţine a (U) şi de
aceea se poate zice că a (U) este cea mai mică algebră ce conţine U. Vom
spune că a (U) este algebra generată de familia U.
Se poate de asemenea verifica uşor că ı̂n cazul a două familii de evenimente
astfel ı̂ncât U ⊂ U , rezultă ma (U ) ⊂ ma (U) şi a (U) ⊂ a (U ) .
În mod absolut similar notăm cu msa (U) mulţimea tuturor σ−algebrelor
de părţi incluse ı̂n F şi care conţin pe U. Vom nota cu σ (U) intersecţia tuturor
σ−algebrelor din msa (U) :

σ (U) = E.
E∈msa(U )
Aceasta este cea mai mică σ−algebră care conţine pe U şi se numeşte σ−algebra
generată de U. Pentru două familii de evenimente astfel ı̂ncât U ⊂ U , vom
avea msa (U ) ⊂ msa (U) şi ı̂n consecinţă σ (U) ⊂ σ (U ) .
Mulţimile măsurabile Borel. Clasa mulţimilor boreliene din spaţiul eu-

clidian Rn este notată B (Rn ) şi este definită prin B (Rn ) = σ (D) , unde D
reprezintă familia mulţimilor deschise din Rn . Se observă că notând D fa-
milia mulţimilor ı̂nchise din Rn , are loc egalitatea σ (D ) = B (Rn ) . (Rămâne
ca un exerciţiu pentru cititor verificarea acestei egalităţi.)
În cazul dreptei reale, R, există trei familii importante de intervale care
generează σ−algebra mulţimilor boreliene. Acestea sunt descrise prin
I = {(a, b) /a < b} ,
I = {[a, b] /a ≤ b} ,
I = {[a, b)/a < b} .
Se poate verifica că au loc relaţiile σ (I) = σ (I ) = σ (I ) = B (Rn ) .
(Rămâne tot ca exerciţiu pentru cititor verificarea acestor egalităţi.)
Se poate spune că printre mulţimile boreliene se află toate mulţimile ce

apar prin operaţiile uzuale din analiză. Mulţimile care nu sunt boreliene sunt
de fapt patologice, iar construcţia lor este de obicei dificilă. 2
Pentru binecunoscuta noţiune de partiţie vom pune următoarea definiţie,
care stabileşte câteva aspecte mai precise ca de obicei. Mai ı̂ntâi vom preciza
termenul de mulţime cel mult numărabilă: prin aceasta ı̂nţelegem două posi-
bilităţi, sau mulţimea este finită şi prin urmare este izomorfă cu o mulţime de
forma {1, ..., n} cu un anumit număr n ∈ N, sau mulţimea este numărabilă
şi atunci poate fi pusă ı̂n bijecţie cu mulţimea numerelor naturale.
Definiţia 4.1 O familie cel mult numărabilă de evenimente nevide A =

(Ai )i∈I ⊂ F este numită partiţie măsurabilă cel mult numărabilă a lui Ω,
dacă sunt satisfăcute condiţiile următoare:
i = j, atunci Ai ∩ Aj = ∅,
(i) dacă
(ii) Ai = Ω.
i∈I
Facem convenţia ca ı̂n acest capitol să utilizăm cuvântul partiţie pentru
a prescurta termenul de partiţie măsurabilă cel mult numărabilă. O astfel
de partiţie mai este numită şi desfacere. Un eveniment care aparţine unei
partiţii este numit atom al partiţiei. Un exemplu tipic de partiţie finită a
apărut ı̂n paragraful dedicat exemplului controlului calităţii (vezi observaţia
2.1).
Fie A = {Ai | i ∈ I} o partiţie cel mult numărabilă. Pentru o parte J ⊂ I,
von utiliza notaţia AJ = Ai , cu convenţia A∅ = ∅. Evident am definit un
i∈J
eveniment, AJ ∈ F . Mai notăm cu K (I) familia submulţimilor finite din I.
Următoarea lemă descrie algebra şi σ−algebra asociate partiţiei.
Lema 4.3 (i) Algebra generată de A are următoarea descriere
a (A) = {AJ /J ∈ K (I) , sau J c ∈ K (I)} .
Dacă partiţia A este finită atunci a (A) este tot finită. În particular a (A) =
σ (A) .
(ii) σ−algebra generată de A are următoarea descriere
σ (A) = {AJ | J ⊂ I} .
(iii) Dacă A este o a doua partiţie şi σ (A) = σ (A ) , atunci A şi A
coincid ca mulţimi de părţi, modulo felul ı̂n care sunt indexate.
(iv) O măsură de probabilitate P pe σ (A) este complet determinată de

numerele P (Ai ) , i ∈ I prin formula

P (AJ ) = P (Ai ) .
i∈J
Demonstraţie. (i) Vom nota cu G familia de evenimente reprezentată

de membrul drept al egalităţii ce descrie a (A) . Dacă J ∈ K (I) , rezultă că
mulţimea AJ reprezintă o reuniune finită de atomi, deci este ı̂n a (A) . Fie
acum o mulţime de indici J astfel ı̂ncât J c ∈ K (I) . Are loc egalitatea
(AJ )c = AJ c , (∗)
care se poate uşor verifica. Deoarece AJ c aparţine lui a (A) , ca o reuniune

finită de atomi, rezultă că şi AJ este ı̂n a (A) . Deci am verificat incluziunea
G ⊂ a (A) . Egalitatea (*) de mai sus precum şi egalitatea
AJ ∪ AJ = AJ∪J ,
care de asemenea se verifică uşor, permit a se proba proprietăţile de algebră

pentru G. În concluzie, rezultă că G = a (A) .
Dacă mulţimea de indici I este finită, atunci mulţimea părţilor P (I) este
tot finită şi prin urmare G, la rândul ei, este tot finită.
(ii) Faptul că σ (A) are descrierea afirmată ı̂n enunţ se verifică pe argu-
mente similare celor de la punctul precedent.
(iii) Fie A = (Ai )i∈I o a doua partiţie care generează aceeaşi σ−algebră.
O mulţime din prima partiţie, Ai , fiind ı̂n algebra σ (A ) , se scrie, conform
punctului (i), ca o reuniune de atomi ai celei de a doua partiţii,

Ai = Aj ,
j∈J
unde J ⊂ I . Să analizăm o mulţime care participă la această reuniune, fie ea

Aj cu j ∈ J. Ţinând cont că Aj este ı̂n σ (A) , această mulţime se va exprima
ca o reuniune de atomi din partiţia A,

Aj = Al ,
l∈L
unde L ⊂ I. La fel ca şi Aj , fiecare din mulţimile care participă la această
reuniune este inclusă ı̂n Ai . Dar atomii distincţi ai partiţiei A trebuie să fie
disjuncţi. Rezultă că mulţimea L se reduce la un singur punct L = {i} .

În particular am dedus că Aj = Ai , ceea ce ı̂nseamnă că Ai ∈ A . Dar
mulţimea Ai a fost o mulţime arbitrară din A, şi atunci putem trage concluzia
că A ⊂ A . În mod simetric avem şi incluziunea inversă, ceea ce probează
egalitatea A = A .
(iv) Pentru a stabili formula din enunţ pornim mai ı̂ntâi cu mulţimea de
indici finită J ⊂ I, care defineşte mulţimea AJ = i∈J Ai ∈ σ (A) . În acest
caz formula rezultă imediat din proprietatea de finit aditivitate a măsurii.
Să presupunem acum că mulţimea de indici J este infinită. Trebuie să
menţionăm că atunci suma care apare ı̂n formula din enunţ trebuie ı̂nţeleasă
ı̂n sensul dat ı̂n paragraful despre sumabilitate din capitolul următor. Cum
este numărabilă alegem o numerotare J = {i0 , i1 , ...}şi exprimăm AJ =
J
n∈N Bn unde Bn = Ai0 ∪ ... ∪ Ain . Atunci măsura P satisface relaţia

n
P (AJ ) = lim P (Bn ) = lim P (Aik ) = P (Ai ) .
n→∞ n→∞
k=0 i∈J
La primul semn de egalitate am utilizat primul punct din lema 4.2, iar
la ultimul semn egal punctul doi din lema 5.1. Cu aceasta am ı̂ncheiat
demonstraţia. 2
Din descrierea făcută algebrei generate de o partiţie reiese că aceasta este
şi ea cel mult numărabilă. Din contră, σ−algebra generată de o partiţie
numărabilă este de acelaşi cardinal cu mulţimea părţilor lui N, adică de
puterea continuului.
Observaţia 4.1 Din lema precedentă rezultă că două partiţii A, A, sunt
legate prin relaţia A ⊂ a (A) dacă şi numai dacă A este mai fină decât A ,
ı̂n sensul că orice element B ∈ A se reprezintă ca o reuniune de elemente
din A :
B= A.
A∈A,A⊂B
Lema anterioară arată că ı̂n cazul ı̂n care o σ−algebră este generată de o
partiţie, partiţia respectivă este unic determinată. În cazul partiţiilor finite,
se poate completa relaţia dintre partiţia finită şi algebra generată. Anume,
vom arăta ı̂n continuare că orice subalgebră finită a lui F este generată de
o partiţie finită, ceea ce pune ı̂n corespondenţă bijectivă cele două clase de
obiecte. Mai apoi vom arăta chiar un fapt mai general: orice familie finită
de evenimente dă naştere la o partiţie care generează aceeaşi algebră ca şi

familia dată.
Lema 4.4 Fiind dată o algebră finită inclusă ı̂n F există o partiţie măsurabilă
finită care o generează.
Demonstraţie. Fie G algebra finită dată. Pentru fiecare punct x ∈ Ω

vom nota cu Gx familia de elemente din G care conţine punctul x, care este
o familie finită. Apoi vom pune

Ax = A,
A∈Gx
obţinând ı̂n acest fel o mulţime nevidă din G. Deoarece G este finită, mulţimea
părţilor sale este tot finită, deci familiile Gx distincte sunt ı̂n număr finit.
Rezultă că mulţimile Ax , x ∈ Ω, distincte sunt ı̂n număr finit. (Reamintim
că nu am presupus că spaţiul Ω ar fi finit.) Notăm A = {Ax /x ∈ Ω} şi vom
arăta că aceasta este partiţia care generează G.
Am notat deja că mulţimile din A sunt nevide, că A ⊂ G şi că A este
finită. Deoarece pentru orice punct x ∈ Ω avem x ∈ Ax , rezultă şi că
spaţiul total Ω este acoperit de A. Să verificăm că două elemente distincte
Ax = Ay , x, y ∈ Ω, sunt disjuncte. Deoarece Ax = Ay neapărat trebuie să
avem Gx = Gy . Deci fie există o mulţime A ∈ Gx astfel ı̂ncât A ∈ / Gy , sau
invers, există A ∈ / Gx astfel ca A ∈ Gy . Să vedem ce se ı̂ntâmplă ı̂n prima
situaţie, de exemplu. Deci avem x ∈ A ∈ G şi y ∈ / A. Dar atunci y ∈ Ac ;
deci A ∈ Gy . Este clar că Ax ⊂ A şi Ay ⊂ A . Prin urmare Ax ∩ Ay = ∅. Am
c c
verificat deci că A este o partiţie.

Fie acum A un element arbitrar din G şi x ∈ A. Rezultă că A ∈ Gx şi prin
urmare Ax ⊂ A. Se deduce relaţia

A= Ax ,
x∈A
ceea ce arată că A aparţine algebrei generate de A. Tragem concluzia că

G ⊂ a (A) . Cum incluziunea inversă este evidentă rezultă că a (A) = G. 2
Partiţia A, construită ı̂n această demonstraţie, va fi numită partiţia aso-
ciată algebrei G. Cu această denumire putem enunţa următorul corolar al
lemelor anterioare.
Corolarul 4.1 Există o bijecţie ı̂ntre subalgebrele finite ale lui F şi partiţiile
finite, iar aplicaţiile ,,algebra generată de o partiţie” şi ,,partiţia asociată la
o algebră” sunt inverse una alteia.
σ−algebrele care sunt generate de o partiţie cel mult numărabilă sunt de

un tip special. (Am putea să numim atomice aceste σ−algebre.) Descrierea
ı̂n termeni de atomi pe care o dă lema 4.1 (ii) arată că ele sunt ı̂n mod
esenţial mai simple decât σ−algebra mulţimilor boreliene pe o parte din
Rn . În general nu ne putem aştepta ca o σ−algebră arbitrară să poată fi
generată de o partiţie. Se poate chiar să avem o σ−algebră generată de o
algebră de părţi numărabilă, dar să nu existe o partiţie numărabilă asociată
acelei algebre. Aceasta o probează următorul exemplu.
n+1
Exemplu. Fie Ω = [0, 1). Notăm cu G clasa mulţimilor de forma l=0 [al , bl ),
unde al , bl sunt numere raţionale, n ∈ N şi
0 = a0 ≤ b0 < a1 < b1 < ... < an+1 ≤ bn+1 = 1.
În această notaţie primul şi ultimul interval pot fi vide, când a0 = b0 sau
an+1 = bn+1 . Se verifică direct că această clasă de mulţimi este o algebră de
părţi numărabilă. Pe de altă parte, pentru fiecare punct x ∈ Ω are loc relaţia

{x} = A.
x∈A∈G
Cu alte cuvinte, mulţimea candidaţilor pentru noţiunea de atom este nenumărabilă.

Pe de altă parte, se poate uşor verifica că σ−algebra generată de G este clasa
mulţimilor boreliene. 2
Totuşi notăm că, ı̂n cazul ı̂n care mulţimea Ω este cel mult numărabilă,
orice σ−algebră este generată de o partiţie cel mult numărabilă. Dar acest
fenomen nu ne va interesa ı̂n continuare.
În lema care urmează vom examina algebra generată de două algebre finite
diferite, iar demonstraţia ei va explicita relaţiile dintre partiţiile asociate.
Lema 4.5 Fie G, G ⊂ F două algebre finite. Atunci a (G ∪ G ) este tot o

algebră finită.
Demonstraţie. Fie A = (Ai )i∈I , A = (Ai )i∈J partiţiile asociate celor

două algebre; prin urmare G = a (A) , G = a (A ) . Vom nota Dij = Ai ∩ Aj
şi, pentru eliminarea mulţimilor vide obţinute ı̂n acest fel, vom considera
mulţimea de indici Λ = {(i, j) ∈ I × J/Dij = ∅} . În acest fel am obţinuit o
familie finită de evenimente nevide: D = (Dij )(i,j)∈Λ . Afirmăm că aceasta este
partiţia asociată algebrei a (G ∪ G ) . Se vede imediat că are loc incluziunea
D ⊂ a (G ∪ G ) .
Să verificăm că pentru indici diferiţi (i, j) = (l, k) , (i, j) , (l, k) ∈ Λ,
mulţimile corespunzătoare sunt disjuncte: Dij ∩ Dlk = ∅. Avem de exa-
minat două cazuri, anume sau i = l sau j = k. Dacă i = l, atunci Ai şi Al
sunt disjuncte şi cum Dij ⊂ Ai , Dlk ⊂ Al , rezultă că Dij şi Dlk sunt şi ele
disjuncte. În mod similar se ajunge la aceeaşi concluzie şi pentru al doilea
caz.
Să arătăm acum că fiecare atom al fiecăreia din partiţiile A şi A este ı̂n
a (D) . Fie de exemplu Ai un atom al primei partiţii. Se observă că are loc
egalitatea
Ai = Dij .
j∈J
În membrul drept apar fie mulţimi din D, fie mulţimi vide, deci Ai ∈ a (D) .
Din această egalitate rezultă pe de o parte că D acoperă Ω, deci este o partiţie.
Pe de altă parte, rezultă că A, A ⊂ a (D) , deci G, G ⊂ a (D) . Ţinând cont
şi de cele arătate mai ı̂nainte tragem concluzia că a (G ∪ G ) = a (D) . În
particular obţinem faptul că a (G ∪ G ) este finită. 2
Construcţia făcută ı̂n demonstraţia anterioară se poate generaliza la cazul
unor σ−algebre generate de partiţii numărabile. În plus, vom cosidera mai
multe partiţii deodată, pentru că aşa vom utiliza această construcţie mai
departe, ca pe un instrument tehnic. Prezentăm situaţia ı̂n detaliu.
Fie Al = (Al,i )i∈Il , l = 1, ..., n partiţii cel mult numărabile. Pentru a
descrie partiţia asociată σ−algebrei σ (A1 ∪ ... ∪ An ) , introducem notaţia
Aλ = A1,i1 ∩ ... ∩ An,in ,
corespunzătoare fiecărui multi-indice λ = (i1 , ..., in ) ∈ I1 ×I2 ×...×In . Evident
aceste mulţimi sunt ı̂n F . Vom elimina mulţimile vide din această colecţie de
mulţimi definind mulţimea de indici

Λ = λ ∈ I1 × ... × In / Aλ = ∅ .
Fiind o submulţime a produsuluiI1 × ... × In este clar că Λ este o mulţime
cel mult numărabilă. Notăm A= Aλ /λ ∈ Λ şi vom demonstra ı̂n lema care
urmează că aceasta este partiţia căutată.
Lema 4.6 Familia A constituie partiţia asociată σ−algebrei σ (A1 ∪ ... ∪ An ) .

Demonstraţie. În primul rând este clar, din expresia de definiţie,
că fiecare mulţime Aλ este ı̂n σ (A1 ∪ ... ∪ An ) . Deci are loc şi incluziunea
σ (A) ⊂ σ (A1 , ..., An ) .
Vom arăta acum că dacă λ = (i1 , ..., in ) , λ = (i1 , ..., in ) ∈ Λ şi λ = λ

atunci Aλ ∩ Aλ = ∅. Într-adevăr, dacă λ = λ , ı̂nseamnă că există un indice
l ≤ n astfel ı̂ncât il = il . Cum Al este o partiţie, atomii cu indici diferiţi sunt

disjuncţi şi atunci Aλ ∩ Aλ ⊂ Al,i ∩ Al,i = ∅.
Mai departe vom arăta că fiecare atom al fiecăreia din partiţiile iniţiale
A1 , ..., An aparţine lui a (A) . Fie Al,i un astfel de atom (l ≤ n, i ∈ Il ). Notăm
Γ = {λ = (i1 , ..., in ) ∈ Λ | il = i} şi afirmăm că are loc egalitatea

Al,i = Aλ , (∗)
λ∈Γ
care, o dată verificată, ar implica Al,i ∈ a (A) . Verificăm această egalitate.

Din expresia de definiţie a lui Aλ rezultă Aλ ⊂ Al,i , pentru orice λ ∈ Γ.
Aceasta implică incluziunea

Aλ ⊂ Al,i .
λ∈Γ
incluziune pornim cu x ∈ Al,i . Pentru fiecare k = l,

Pentru a verifica cealaltă
k ≤ n are loc egalitatea Ak,p = Ω,şi deci va exista un indice pk ∈ Ik astfel
p∈Ik
ı̂ncât x ∈ Ak,pk . Definim acum λ = (p1 , ..., pl−1 , i, pl+1 , ...pn ) şi este clar că
vom avea x ∈ Aλ şi λ ∈ Γ. Am demonstrat deci egalitatea (*). În particular
deducem că familia A acoperă spaţiul Ω, pentru că partiţia Al ı̂l acoperă.
Deci A este o partiţie. Deoarece fiecare din partiţiile Al este inclusă ı̂n σ (A) ,
vom avea σ (A1 , ..., An ) ⊂ σ (A) . Cealaltă incluziune o ştiam şi prin urmare
σ (A1 , ..., An ) = σ (A) . 2
Observaţia 4.2 Relaţia (*) din demonstraţia de mai sus pune ı̂n evidenţă
faptul că partiţia A este mai fină decât fiecare din partiţiile Ai , i = 1, ..., n. Se
poate demonstra chiar că este cea mai puţin fină dintre partiţiile cu această
proprietate.
Vom aplica lema anterioară la construcţia algebrei generate de o familie
finită de evenimente. Fie U = {A1 , ..., An } ⊂ F o familie finită arbitrară
de evenimente. Vom presupune că nici unul din evenimentele din U nu este
trivial, adică diferă atât de Ω cât şi de ∅.
Propoziţia 4.1 Algebra generată de această familie, a (U) , este finită. Notăm
Al,1 = Al şi Al,−1 = Acl . Partiţia asociată algebrei a (U) are drept atomi eveni-
mentele de tipul
Aλ = A1,λ1 ∩ ... ∩ An,λn ,
unde λ = (λ1 , ..., λn ) ∈ {−1, 1}n este un sistem arbitrar de indici cu valori
±1, astfel ca intersecţia respectivă să nu fie vidă.
Demonstraţie. Fiecare din evenimentele Al determină o algebră Gl =

{Al , Acl , Ω, ∅} = {Al,1 , Al,−1 , Ω, ∅} . Datorită faptului că Al nu este trivial,
rezultă că partiţia asociată acestei algebre esteAl = {Al,1 , Al,−1 } . Este uşor
de verificat că are loc egalitatea a (U) = a ( nl=1 Al ) . Atunci nu rămâne
decât
să aplicăm lema anterioară,
observând că partiţia asociată algebrei

a ( nl=1 Al ) este A = Aλ λ∈Λ , unde am notat Λ = λ ∈ {−1, 1}n / Aλ = ∅ .
2
B
A E5
E3
E1 E4
E6
E2
E7
E8
C
Figura 4.1: Diagrama Venn a mulţimilor A, B, C şi a partiţiei generate de
ele.
4.2. PARTIŢII ŞI σ−ALGEBRE INDEPENDENTE 75
Exemplu. Diagrama Venn din desenul alăturat reprezintă mulţimile A, B, C

ı̂n formă de elipsă. Presupunem că aceste mulţimi sunt părţi ale mulţimii mai
mari Ω care este reprezentată de planul ı̂n care se află desenul. Partiţia aso-
ciată algebrei generate de evenimentele A, B, C este compusă din mulţimile
E1 , ..., E8 . Mulţimea E8 este complementara reuniunii A ∪ B ∪ C.
4.2 Partiţii şi σ−algebre independente

În această secţiune vom reveni la spaţiul probabilizat (Ω, F , P ) pentru a
discuta unele probleme legate de independenţă.
Definiţia 4.2 Fiind date F1 , ..., Fn σ−algebre incluse ı̂n F , vom spune că
ele sunt independente dacă pentru orice alegere de elemente Ai ∈ Fi , i =
1, ..., n, acestea sunt independente.
După cum se vede din ı̂nsăşi definiţia dată, independenţa este o noţiune ce
priveşte ansamblul evenimentelor celor n σ−algebre, structurate ı̂n grupurile
formate de fiecare σ−algebră. Se observă că fiind date σ−algebrele F1 , ..., Fn
independente şi sub-σ−algebrele Hi ⊂ Fi , i = 1, ..., n, rezultă că şi H1 , ..., Hn
sunt independente.
De asemenea, observăm că fiecare eveniment A ∈ F generează alge-
bra σ (A) = {A, Ac , ∅, Ω} . Dacă evenimentele A1 , ..., An sunt independente,
atunci σ−algebrele generate de fiecare din aceste evenimente σ (A1 ) , ..., σ (An )
sunt independente, după cum se poate verifica prin utilizarea propoziţiei 3.1.
Având această idee ı̂n minte putem introduce definiţia următoare: un eveni-
ment A este independent de o σ−algebră F ⊂ F dacă A este independent
de fiecare element din F . Aceasta revine la independenţa σ−algebrelor σ (A)
şi F .
Lema 4.7 Independenţa unor σ−algebre F1 , ..., Fn este echivalentă cu faptul

că, pentru orice alegere de elemente Ai ∈ Fi , i = 1, ..., n, este satisfăcută
relaţia n

P Ai = P (A1 ) · ... · P (An ) . (#)
i=1
Demonstraţie. Presupunem date evenimentele Ai ∈ Fi , i = 1, ..., n şi

vrem să arătăm că ele sunt independente. Fie J = {1 ≤ i1 < ... < ik ≤ n} ⊂
{1, ..., n} o submulţime de indici. Trebuie să demonstrăm relaţia

k
P Ail = P (Ai1 ) ...P (Aik ) .
l=1
Dar această relaţie este exact relaţia (#) scrisă pentru sistemul de evenimente
A1 , ..., An , definite ı̂n felul următor: Ai = Ai , când i ∈ J şi Ai = Ω, când
i∈
/ J. Anume, se ţine cont că

k
n
Ail = Ai
l=1 i=1
şi că P (Ai ) = 1, dacă i ∈

/ J. 2
De asemenea, observăm că dacă avem n σ−algebre independente, atunci
orice număr mai mic dintre ele sunt tot independente.
Pentru partiţii noţiunea de independenţă are următoarea formă.
Definiţia 4.3 Dacă A1 , ..., An sunt partiţii pe Ω, vom spune că ele sunt
independente dacă pentru orice alegere de elemente Ai ∈ Ai , i = 1, ..., n, este
satisfăcută relaţia (#) de mai sus.
În privinţa partiţiilor nu este evident că relaţiile (#) scrise cu n ele-
mente implică aceleaşi relaţii scrise cu mai puţine elemente. Este necesară o
demonstraţie pe care o facem separat ı̂n lema de mai jos. După aceea vom
arăta că de fapt independenţa partiţiilor este echivalentă cu o independenţă
aparent mult mai puternică, aceea a algebrelor generate.
Lema 4.8 Fie A1 , ..., An partiţii independente. Atunci orice număr mai mic
dintre ele sunt independente.
Demonstraţie. Se raţionează prin inducţie descrescând numărul n.

Este suficient să arătăm că oricare n − 1 dintre partiţii sunt independente.
Să luăm de exemplu cazul primelor n − 1 partiţii. Fie Ai ∈ Ai , i = 1, ..., n − 1
şi să zicem că An = (Bj )j∈J . Avem scrierea ca reuniune disjunctă

A1 ∩ ... ∩ An−1 = (A1 ∩ ... ∩ An−1 ∩ Bj ) ,
j∈J
care conduce la

P (A1 ∩ ... ∩ An−1 ) = P (A1 ∩ ... ∩ An−1 ∩ Bj ) =
j∈J
= P (A1 ) · ... · P (An−1)P (Bj ) =
j∈J
= P (A1 ) · ... · P (An−1 ).

La ultima egalitate am utilizat faptul că P (Bj ) = P (Ω) = 1. Am obţinut
j∈J
astfel relaţia ce arată că partiţiile A1 , ..., An−1 sunt independente. 2
Este evident că independenţa unor sub-σ−algebre ale lui F implică independenţa
partiţiilor generate. Teorema următoare arată implicaţia inversă.
Propoziţia 4.2 Fie A1 , ..., An partiţii independente. Atunci şi σ−algebrele

generate de aceste partiţii sunt independente.
Demonstraţie. Vom trata mai ı̂ntâi cazul a două partiţii (n = 2). Fie
A1 = (A1,i )i∈I1 , A2 = (A2,i )i∈I2 cele două partiţii.
Fie A ∈ a (A1 ), care conform cu lema 4.3 se scrie sub forma A = ∪j∈J A1,j ,
cu o mulţime de indici J ⊂ I. Dacă considerăm un element arbitrar A2,l , din
cea de a doua partiţie, putem scrie intersecţia A∩A2,l ca o reuniune disjunctă

A ∩ A2,l = (A1,j ∩ A2,l ) ,
j∈J
ceea ce conduce la

P (A ∩ A2,l ) = P (A1,j ∩ A2,l ) = P (A1,j ) P (A2,l ) = P (A) P (A2,j ) .
j∈J j∈J
Dacă acum considerăm o mulţime B ∈ a (A2 ) care se scrie sub forma B =

∪l∈L A2,l cu L ⊂ I2 , atunci putem exprima A ∩ B ca o reuniune disjunctă

A∩B = (A ∩ A2,l ) ,
l∈L
şi apoi utilizăm relaţia obţinută mai sus pentru a deduce

P (A ∩ B) = P (A ∩ A2,l ) = P (A)P (A2,l ) = P (A) P (B) .
l∈L l∈L
Mai departe, vom trece la cazul general a n partiţii. Pentru aceasta, vom
organiza un raţionament de inducţie matematică astfel: ştim că propoziţia a
fost demonstrată pentru cazul n = 2. Presupunem mai departe că propoziţia
a fost demonstrată pentru sisteme de n − 1 partiţii. Utilizând acest lucru
vom face demonstraţia pentru sisteme de n partiţii.
Din lema 4.8, ştim că A1 şi A2 sunt independente şi vom păstra notaţia
anterioară pentru elementele ce compun aceste două partiţii. Atunci putem
descrie partiţia asociată lui A1 ∪ A2 sub forma
D = (Dij )(i,j)∈Λ ,
unde Di,j = A1,i ∩ A2,j , i ∈ I1 , j ∈ I2 iar Λ = {(i, j) ∈ I1 × I2 / Dij = ∅} .

Independenţa dintre A1 şi A2 permite să scriem
P (Dij ) = P (A1,i ) P (A2,j ) .
Afirmăm că D, A3, ..., An sunt n − 1 partiţii independente. Pentru a proba

acest lucru să luăm Al ∈ Al , l = 3, ..., n şi Dij ∈ D. Avem
P (Dij ∩ A3 ∩ ... ∩ An ) = P (A1,i ∩ A2,j ∩ A3 ∩ ... ∩ An )
şi această ultimă expresie poate fi rescrisă utilizând independenţa iniţială a

celor n partiţii:
= P (A1,i )P (A2,j )P (A3) · ... · P (An ) = P (Dij )P (A3 ) · ... · P (An ).
Aceasta verifică afirmaţia făcută: D, A3, ..., An sunt independente. Deci

σ−algebrele generate σ (D) , σ (A3 ) , ..., σ (An ) sunt şi ele independente, con-
form cu ipoteza de inducţie.
Fie Ci ∈ σ (Ai ), i = 1, ..., n şi să punem D = C1 ∩ C2 . Este clar că
relaţia σ (D) = σ (A1 ∪ A2 ), implică σ (A1 ) , σ (A2 ) ⊂ σ (D). În particular,
D ∈ σ (D) şi, conform independenţei stabilite mai sus, putem scrie
P (C1 ∩ C2 ∩ ... ∩ Cn ) = P (D ∩ C3 ∩ ... ∩ Cn ) = P (D) P (C3 ) · ... · P (Cn ) .
Pe de altă parte P (D) = P (C1 ) P (C2 ) şi atunci se obţine relaţia
P (C1 ∩ C2 ∩ ... ∩ Cn ) = P (C1 ) · ... · P (Cn ) .
Această relaţie este suficientă pentru a verifica independenţa algebrelor a (Ai ),

i = 1, ..., n, ţinı̂nd cont de lema 4.7. 2
Extrageri de bile colorate. Vom analiza o urnă cu n bile colorate. Numărul

de culori este k, iar numărul
k de bile colorate ı̂n culoarea ci este ni . Prin urmare
este satisfăcută relaţia i=1 ni = n. Vom presupune că se fac m extrageri
repetate cu ı̂ntoarcere, iar ca rezultat al fiecărei extrageri, este notată numai
culoarea bilei extrase. (Această problemă a mai apărut o dată ı̂n exemplul
2. din paragraful dedicat independenţei a două evenimente, sub forma urnei
cu bilete numerotate, când aveam k = 10 şi m = 2.) Modelul ce corespunde
acestui experiment este descris ı̂n felul următor. Notăm M mulţimea ce co-
respunde bilelor din urnă. Este o mulţime finită cu n elemente. Mulţimea
bilelor de culoarea ci va fi notată Mi ; este o mulţime cu ni elemente. Rezultă
că mulţimile M1 , ..., Mk formează o partiţie a lui M. Spaţiul probabilizat este
dat de mulţimea
Ω = M m = {(x1 , ..., xm ) / xl ∈ M, l = 1, ..., m} ,
ı̂n care punctul generic va fi notat ω = (x1 , ..., xm ) . Aşa cum ştim, pentru
extrageri cu ı̂ntoarcere, probabilitatea corespunzătoare este probabilitatea
şanselor egale. Deci pe mulţimea Ω se pune probabilitatea ce corespunde
şanselor egale: P ({ω}) = n1m , pentru orice ω ∈ Ω. Ceea ce ne interesează
acum este să punem ı̂n evidenţă partiţiile ce corespund fiecărei extrageri.
Anume, la o extragere se pot manifesta k evenimente distincte. Să zicem că
este vorba despre extragerea l; atunci pentru l = 1, ..., k avem evenimentul
descris prin propoziţia ,,la extragerea l a ieşit culoarea i ”. Acest eveniment
este modelat de mulţimea Al,i = {(x1 , ..., xm ) ∈ Ω/ xl ∈ Mi } . Este clar că
familia Al = (Al,i )i=1,...k este o partiţie finită. Avem deci m partiţii dis-
tincte, fiecare cu câte k atomi. Vom verifica acum că aceste partiţii sunt
independente. Pentru a număra punctele dintr-o mulţime Al,i fixată, vom
observa că ea este ı̂n bijecţie cu mulţimea Mi × M m−1 . Rezultă că avem
m−1
P (Al,i ) = ni nnm = nni . Pe de altă parte, fiind date mulţimile A1,i1 , ..., Am,im ,
mulţimea ∩m l=1 Al,il este ı̂n bijecţie cu produsul Mi1 × ... × Mim şi prin urmare
va avea cardinalul ni1 ...nim . Acest calcul conduce la relaţia de independenţă
a partiţiilor:
ni1 ...nim
P (∩m
l=1 Al,il ) = = P (A1,i1 ) ...P (Am,im ) .
nm
Propoziţia de mai sus este atunci aplicabilă şi rezultă independenţa algebrelor
generate de partiţiile Al , l = 1, ..., m. Aceasta revine la independenţa oricăror
evenimente ce se referă la extrageri distincte. Cu alte cuvinte, putem spune
că cele m extrageri sunt independente ı̂ntr-un sens mai larg. 2
4.3 Asocierea şi disocierea independenţei

În această secţiune vom trata unele aspecte ale independenţei care au consecinţe
importante asupra calculelor de probabilităţi pentru diverse modele concrete.
Fie (Al )l∈L o familie finită de partiţii cel mult numărabile ale căror alge-
bre generate le notăm Fl = σ (Al ) . Presupunem că mulţimea indicilor este
partiţionată ı̂n forma L = ∪j∈J Lj , astfel că mulţimile Lj sunt toate nevide şi
Lj ∩Lj = ∅, dacă j = j . Vom arăta că independenţa se asociază şi se dezaso-
ciază după această partiţie a mulţimii de indici. Pentru fiecare j ∈ J, notăm
F j = σ (Al , l ∈ Lj ) σ−algebra generată de reuniunea partiţiilor Al , l ∈ Lj .
Este uşor de verificat că are loc şi relaţia F j = σ (Fl , l ∈ Lj ) .
Teorema 4.1 (i) Dacă σ−algebrele (Fl )l∈L sunt independente, atunci şi
σ−algebrele (F j )j∈J sunt independente.
(ii) Reciproc, presupunem că σ−algebrele (F j )j∈J sunt independente şi
că, pentru fiecare indice j ∈ J, σ− algebrele din familia (Fl )l∈Lj sunt, de
asemenea, independente. Atunci σ− algebrele din familia mare, (Fl )l∈L ,
sunt independente ı̂n ansamblu.
Demonstraţie. (i) Vom lucra cu partiţiile care generează σ−algebrele

ı̂n cauză. Notăm cu Aj partiţia asociată reuniunii ∪l∈Lj Al , pentru fiecare
indice j ∈ J. Deci are loc egalitatea σ (Aj ) = F j . Ţinând cont de propoziţia
4.2, pentru a demonstra afirmaţia din teoremă este suficient să demonstrăm
că partiţiile (Aj )j∈J sunt independente. Aceasta o vom face ı̂n continuare.
Stabilim mai ı̂ntâi o notaţie pentru elementele din care este compusă
fiecare partiţie: Al = (Al,i )i∈Il . În scopul descrierii partiţiilor cu indice su-
perior vom fixa un indice j ∈ J şi, pentru fiecare multiindice λ = (il )l∈Lj ∈

l∈Lj Il , notăm

Aλ = Al,il .
l∈Lj

Punem apoi Λj = λ ∈ l∈Lj Il / A = ∅ şi atunci putem obţine descrierea
λ

partiţiei cu indice superior ı̂n forma Aj = Aλ λ∈Λj . Independenţa partiţiilor
(Ai)i∈I , permite să scriem

P Aλ = P (Al,il ) , (∗)
l∈Lj
4.3. ASOCIEREA ŞI DISOCIEREA INDEPENDENŢEI 81
oricare ar fi λ = (il )l∈Lj ∈ Λj .

Să presupunem acum că avem câte un reprezentant fixat din fiecare
partiţie cu indice superior: Aλj ∈ Aj , unde λj = (il )l∈Lj ∈ Λj şi j ∈ J.
Atunci putem scrie
Aλj = Al,il
j∈J j∈J l∈Lj
şi, utilizând ipoteza de independenţă, vom avea

P Aλj = P (Al,il ) .
j∈J j∈J l∈Lj
Cel de al doilea produs poate fi transformat ţinând cont de relaţia (∗) de mai
sus şi se deduce că

P Aλj = P Aλj .
j∈J j∈J
Aceasta este tocmai relaţia de independenţă a partiţiilor cu indice superior.

(ii) Afirmaţia reciprocă va fi demonstrată prin utilizarea lemei 4.7. Pre-
supunem că pentru fiecare indice l ∈ L avem câte o mulţime Al ∈ Fl . Vrem
să arătăm că

P Al = P (Al ) , (∗∗)
l∈L l∈L
care este relaţia ce asigură independenţa σ−algebrelor (Fl )l∈L . Pentru aceasta
ı̂ncepem prin a observa că intersecţia mulţimilor ı̂n cauză pot fi grupată ı̂n
felul următor
Al = Al .
l∈L j∈J l∈Lj

Dar pentru fiecare j ∈ J, mulţimea l∈Lj Al este ı̂n F j . Folosind independenţa
σ−algebrelor (F j )j∈J vom avea

 

P Al = P Al  .
l∈L j∈J l∈Lj
În continuare, pentru fiecare j ∈ J, utilizăm independenţa σ−algebrelor

(Fi)i∈Lj şi deducem

 

P Al  = P (Al ) ,
l∈Lj l∈Lj
relaţie care ı̂mpreună cu precedenta conduce la relaţia (**). 2
4.4 Exerciţii
Exerciţiul 4.1 Notăm cu Df muţimea tuturor partiţiilor finite, măsurabile
şi introducem următoarea relaţie de ordine pe această mulţime: dacă A, A ∈
Df vom spune că A este mai fină decât A şi vom scrie A ≺ A dacă fiecare
element A din A poate fi scris ca o reuniune de elemente din A, adică dacă
are loc relaţia
A= B.
B∈A,B⊂A
i) Să se arate că A este mai fină decât A dacă şi numai dacă are loc
incluziunea A ⊂ a (A) .
ii) Dacă A ≺ A şi A ≺ A, atunci A = A .
iii) Dacă A ≺ A şi A ≺ A , atunci A ≺ A .
iv) Pentru două elemente A, A ∈ Df există ı̂ntotdeauna cel mai mare
minorant A ∧ A ı̂n raport cu relaţia de ordine ≺ .
v) Fiind date partiţiile A1 , ..., An ∈ Df , cel mai mare minorant al lor este
partiţia A asociată la reuniunea A1 ∪ ... ∪ An , construită ı̂nainte de lema 4.6.
Exerciţiul 4.2 Presupunem că spaţiul probabilizat (Ω, F , P ) este finit.
i) Să se arate că există o mulţime finită Ω şi o aplicaţie f : Ω → Ω
surjectivă astfel ı̂ncât F = f −1 (P (Ω )) .
ii) Perchea (Ω , f ) este unic determinată de aceste proprietăţi, ı̂n sensul
că dacă (Ω , g) este o altă mulţime finită şi o aplicaţie surjectivă g : Ω → Ω ,
astfel ı̂ncât F = g −1 (P (Ω )) , atunci există o bijecţie h : Ω → Ω astfel
ı̂ncât g = h ◦ f.
iii) Dacă notăm cu P măsura de probabilitate transportată pe mulţimea
Ω de la punctul i) prin formula P (A) = P (f −1 (A)) , A ∈ P (Ω ) , atunci

spaţiul probabilizat (Ω , P (Ω ) , P ) este echivalent cu (Ω, F , P ) , ca spaţiu de

modelare. Mai precis, arătaţi că aplicaţia F : P (Ω ) → F definită prin
F (A) = f −1 (A) este o bijecţie cu proprietăţile următoare: a) dacă A ⊂ B,
atunci F (A) ⊂ F (B) ; b) P (A) = P (F (A)) .
Capitolul 5
Spaţiul probabilizat numărabil
5.1 Mulţimi numărabile

5.1.1 Sumabilitate
În continuare vom avea nevoie să sumăm familii numărabile de numere. Fie
I o mulţime cel mult numărabilă şi fie (ai )i∈I o familie de numere indexată
după I. Dorim să dăm sens sumei numerelor (ai )i∈I . În cazul ı̂n care mulţimea
I este finită nu există dubii asupra sensului, anume seadună fiecare număr
o singură dată şi rezultatul este suma ce o notăm i∈I ai . Pentru cazul
numărabil există posibilitatea să definim suma prin utilizarea noţiunii de
serie trecând prin numerotarea mulţimii I şi apoi se poate demonstra că
suma nu depinde de modul ı̂n care s-a făcut numerotarea. Dar pentru mai
multă claritate, dăm o definiţie de la ı̂nceput independentă de modul ı̂n care
este pusă mulţimea I ı̂n bijecţie cu N. Pentru aceasta notăm cu K (I) familia
tuturor submulţimilor finite din I. Vom presupune mai ı̂ntâi că numerele ai
sunt toate pozitive şi vom spune că familia (ai )i∈I este sumabilă dacă este
ı̂ndeplinită următoarea condiţie:

sup ai < ∞.
K∈K(I) i∈K

Vom nota i∈I ai := supK∈K(I) i∈K ai şi vom spune că acest număr este
suma familiei de numere (ai )i∈I . Se vede imediat că orice familie finită de
numere este sumabilă. De asemenea, se constată că dacă familia (ai )i∈I
este sumabilă, atunci orice subfamilie (ai )i∈J rămâne sumabilă, unde J ⊂ I.
Următoarea lemă este uşor de verificat.
83
84 CAPITOLUL 5. SPAŢIUL PROBABILIZAT NUMĂRABIL
Lema 5.1 (i) Dacă familia de numere pozitive (ai )i∈I este sumabilă, atunci
pentru orice ε > 0, există o submulţime de indici K ∈ K (I) astfel ı̂ncât are
loc relaţia i∈I\K ai ≤ ε.
(ii) Presupunem că mulţimea de indici este infinită şi fie I = {i0 , i1 , ...}
o numerotare a sa. Atunci familia (ai )i∈i este sumabilă dacă şi numai dacă
∞
seria
a∞
k=0 ik este convergentă. În cazul convergenţei are loc egalitatea
i∈I ai = k=0 aik .
În continuare vom avea nevoie să lucrăm şi cu sume de familii cel mult
numărabile de numere care nu sunt neapărat pozitive. Iată cum se extinde
noţiunea de sumabilitate ı̂n acest caz. Fie (ai )i∈I o familie de numere reale
indexată după o mulţime cel mult numărabilă I. Vom spune că această familie
de numere este absolut sumabilă dacă familia valorilor absolute, (|ai |)i∈I , este
sumabilă.
Lema 5.2 Presupunem că familia (ai )i∈I este absolut sumabilă, iar mulţimea
de indici I este numărabilă. Atunci există un unic număr a ∈ R astfel ı̂ncât,
pentru orice ε > 0, există o mulţime K ∈ K (I) cu proprietatea că

ai − a ≤ ε, ∀M ∈ K (I) , M ⊃ K.

i∈M
Dacă I = {i0 , i1 , ...} este o numerotare a mulţimii de indici, atunci a =

∞
n=0 ain .
Demonstraţie.
∞ Vom porni cu o numerotare a mulţimii de indici ca ı̂n
enunţ. Seria n=0 ain este absolut convergentă,∞ datorită ipotezei că familia
(ai )i∈I este absolut sumabilă. Notăm a = n=0 ain şi vom verifica proprie-
tatea afirmată de lemă ı̂n felul următor. Datorită faptului că familia (|ai |)i∈I
este sumabilă, prin aplicarea lemei 5.1(i), pentru ε > 0, există K ∈ K (I)
astfel ı̂ncât i∈L |ai | < 2 , pentru orice L ∈ K (I) astfel ı̂ncât L ∩ K = ∅.
ε
Rezultă că avem

ε
ai − ai ≤ |ai | < , ∀M ∈ K (I) , M ⊃ K.
2
i∈M i∈K i∈M \K
Dar pentru n suficient de mare, mulţimea {i0 , ..., in } va conţine pe K şi atunci
putem scrie
n ε

aik − ai < .
2
k=0 i∈K
5.1. MULŢIMI NUMĂRABILE 85
ε
a −
Trecând la limită cu nobţinem

i∈K a ≤ 2 . În combinaţie
i cu relaţia de

mai ı̂nainte se deduce a − i∈M ai ≤ a − i∈K ai + i∈M ai − i∈K ai ≤

ε, care dă proprietatea din enunţ.
Unicitatea numărului a se demonstrează la fel ca unicitatea unei limite
de şiruri. 2
Dacă familia (ai )i∈I este absolut sumabilă, vom nota cu i∈I ai numărul
a dat de lema anterioară şi vom spune că el reprezintă suma familiei de
numere.
Se verifică fără probleme că dacă (ai )i∈I este o familie sumabilă de numere
pozitive şi (bi )i∈I este o altă familie de numere reale, indexată după aceeaşi
mulţime de indici şi are loc inegalitatea |bi | ≤ ai , pentru orice indice i ∈ I,
atunci familia (bi )i∈i este absolut sumabilă. De asemenea se poate vedea că
pentru orice două familii absolut sumabile (ai )i∈I , (bi )i∈I , astfel că ai ≤ bi ,
pentru orice i ∈ I, are loc inegalitatea i∈i ai ≤ i∈i bi .
Mai departe vom enunţa două leme cu privire la calcule cu sume de
familii absolut sumabile. Aceste calcule sunt binecunoscute ı̂n cazul seriilor
de numere. Pentru demonstraţie se poate utiliza numerotarea astfel ca prin
intermediul lemelor de mai sus să se reducă totul la probleme de serii de
numere.
Lema 5.3 Fie {Il /l ∈ L} o partiţie cel mult numărabilă a mulţimii de indici
I. (Asta ı̂nseamnă că L este cel mult numărabilă.)
Dacă familia de numere
(ai )i∈I este absolut sumabilă, atunci şi familia i∈Il i l∈L este absolut sum-
a
abilă şi are loc următoarea formulă de grupare a sumelor

ai = ai .
i∈I l∈L i∈Il
Reciproc, dacă ai ≥ 0, pentru orice i ∈ I şi fiecare din familiile de numere

(ai )i∈Il , l ∈ L, este sumabilă iar familia i∈Il ai l∈L este şi ea sumabilă,
atunci familia iniţială (ai )i∈I este sumabilă şi este valabilă formula de mai
sus.
O situaţie similară apare ı̂n cazul unei mulţimi de indici care este produsul
altor mulţimi. Să presupunem acum că avem n muţimi de indici I1 , ..., In , cel
mult numărabile, şi o familie de numere reale pozitive (ai1 ,...,in )i1 ∈I1 ,...,in∈In ,
indexată după toate mulţimile de indici. Dacă notăm I = I1 ×...×In , această
mulţime produs este cel mult numărabilă şi putem considera că familia de
numere este indexată după I, scriind (ai )i∈I , unde cu i desemnăm un multi-
indice i = (i1 , ..., in ) . Are loc următoarea caracterizare a sumabilităţii ı̂n
raport cu aceşti multi-indici.
Lema 5.4 Familia de numere de mai sus este sumabilă ca familie indexată
după I dacă şi numai dacă ea este iterativ sumabilă ı̂n sensul următor: pentru
fiecare sistem de indici fixaţi i1 ∈ I1 , ..., in−1 ∈ In−1 , familia (ai1 ,...,in )in ∈In este
sumabilă,
de asemenea, pentru fiecare sistem de indici i1 ∈ I1 , ..., in−2 ∈ In−2
familia in ∈In ai1 ,...,in−2 ,in−1 ,in in−1 ∈In−1 este sumabilă, şi aşa mai departe,
familia
  
 

 ...  ai1 ,i2 ,...,in−1,in  ...
i2 ∈I2 in−1 ∈In−1 in ∈In
i1 ∈I1
este sumabilă. În plus are loc relaţia

 
 

ai =  ...  ai1 ,i2 ,...,in−1,in  ... .
i∈I i1 ∈I1 i2 ∈I2 in−1 ∈In−1 in ∈In
Ca o consecinţă a acestei leme se observă că ordinea de sumare poate fi

făcută ı̂n orice fel. Verificarea lemei o lăsăm cititorului. (Cazul când n = 2
este de fapt un caz particular al lemei anterioare.)
5.1.2 Măsuri pe o mulţime cel mult numărabilă.

În continuare, vom nota cu E o mulţime cel mult numărabilă. Din punctul
de vedere al teoriei măsurii, spaţiul acesta este foarte simplu. Mulţimea
părţilor P (E) reprezintă singura σ−algebră de interes pe E. Dacă E este
infinită, mai există un obiect distinct, anume algebra generată de mulţimile
formate dintr-un punct. Această algebră constă din toate mulţimile finite şi
cele cu complementara finită. Dar ea nu are nici un rol anume. O proprietate
simplă, dar care joacă un rol special ı̂n ceea ce ne interesează, este enunţată
ı̂n următoarea lemă.
Lema 5.5 Fie (An )n∈N un şir descrescător de submulţimi nevide ale lui E.
Dacă una dintre mulţimile şirului este finită, atunci intersecţia şirului de
mulţimi este nevidă.
5.1. MULŢIMI NUMĂRABILE 87
Lema următoare arată că o măsură de probabilitate pe această σ−algebră

este complet determinată de valorile pe care le dă mulţimilor cu un singur
element.
Lema 5.6 Fie µ o măsură de probabilitate pe P (E) şi (Ai )i∈I o familie cel
mult numărabilă de părţi ale lui E astfel că Ai ∩ Aj = ∅, dacă i = j. Atunci
are loc relaţia

µ Ai = µ (Ai ) .
i∈I i∈I
Dacă pentru orice punct e ∈ E notăm µe = µ ({e}) , atunci se poate

exprima valoarea pe care o dă măsura unei mulţimi arbitrare A ⊂ E astfel:

µ (A) = µe . (∗)
e∈A
În particular, două măsuri care coincid pe puncte sunt identice.

Demonstraţie. Prima relaţie este trivial verificată ı̂n cazul ı̂n care I
este finită. Dacă I este numărabilă se numerotează I = {i0 , i1 , ...} şi se scrie

∞
n
n
µ Ai = µ Aik = lim µ Aik = lim µ (Aik ) = µ (Ai ) ,
n→∞ n→∞
i∈I k=0 k=0 k=0 i∈I
ceea ce demonstrează relaţia. Celelalte afirmaţii ale lemei rezultă imediat

din relaţia demonstrată. 2
Construcţia de măsuri pe o mulţime cel mult numărabilă se bazează pe
relaţia (*) din lemă.
Lema 5.7 Fie (µe )e∈E o familie de numere reale care satisface condiţiile
următoare:
µe ∈ [0, 1] pentru orice e ∈ E,
1)
2) e∈E µe = 1.
Atunci relaţia (*) din lema de mai sus defineşte o măsură de probabilitate
pe E.
Demonstraţie. Este uşor de văzut că definiţia dată implică finit adi-
tivitatea măsurii. Pentru a verifica σ− aditivitatea, pornim cu un şir de
mulţimi disjuncte (An )n∈N şi notăm A = ∪n An . Avem

µ (A) = µe = µe = µ (An ) ,
e∈A n∈N e∈An n∈N
unde la al doilea semn egal am utilizat lema 5.4. 2

Măsura definită ı̂n lema anterioară mai poate fi scrisă şi ca o serie de
măsuri Dirac. Pentru a explica acest lucru, mai ı̂ntâi să punem notaţia δe
pentru măsura Dirac ı̂n punctul e ∈ E, definită prin δe ({i}) = 0, dacă i = e
şi δe ({e}) = 1. Aplicată unei mulţimi arbitrare A ⊂ E, avem δe (A) = 0,
dacă e ∈ / A şi δe (A) = 1, dacă e ∈ A. Mai putem spune că δe este
măsura
de probabilitate suportată de punctul e. Atunci putem scrie µ = e∈E µe δe ,
egalitate care se verifică pentru fiecare mulţime A :

µ (A) = µe = µe δe (A) = µe δe (A) .
e∈A e∈A e∈E
Noţiunea de integrală ı̂n raport cu o măsură de probabilitate µ pe P (E)

se defineşte ı̂n felul următor. Fiind dată o funcţie f : E → R, se spune
că aceasta este integrabilă dacă familia (f (e) µe )e∈E este absolut sumabilă.
Numărul
f dµ := f (e) µe
e∈E
este numit
integrala funcţiei
f ı̂n raport cu măsura µ. Se mai utilizează şi
notaţia E f (e) µ (de) = f dµ.
5.2 Produsul de măsuri discrete

Pentru a construi modele probabiliste ce corespund mai multor experimente
ale căror rezultate sunt independente, se apelează la produsele de spaţii pro-
babilizate. Vom considera mai ı̂ntâi cazul a două mulţimi finite pentru a
ı̂nţelege mai bine notaţia ce intervine.
Să presupunem că avem date mulţimile finite E = {e1 , ..., em } şi F =
{f1 , ..., fn } , cu măsurile de probabilitate µ = (µ1 , ..., µm ) , ν = (ν1 , ..., νn ) ,
unde am notat µi = µ ({ei }) şi νj = ν ({fj }) . Deci au loc relaţiile µ1 + ... +
µm = 1 şi ν1 +...+νn = 1. Pe spaţiul produs E ×F se poate defini o măsură λ
punând λij = λ ({(ei , fj )}) := µiνj . Într-adevăr, se verifică imediat condiţia
m
n

m,n
m n
λij = µi νj = µi νj = 1.
i=1,j=1 i=1 j=1 i=1 j=1
Măsura
λ se numeşte măsura produs a celor două măsuri şi se notează λ =
µ ν.
5.2. PRODUSUL DE MĂSURI DISCRETE 89
Această construcţie se poate generaliza la produsul a n mulţimi cel mult

numărabile. Fie E1 , ..., En mulţimi cel mult numărabile pe care avem definite,
respectiv, măsurile de probabilitate µ1 , ..., µn . Analog cazului anterior folosim
notaţia µl,e = µl ({e}) , e ∈ El , l = 1, ..., n pentru măsura punctelor din
spaţiile respective. Pe spaţiul produs E = ni=1 Ei , care este de asemenea o
mulţime cel mult numărabilă, definim măsura µ, punând valoarea pe puncte
µ ({(e1 , ..., en )}) := µ1,e1 ...µn,en , ∀ (e1 , ..., en ) ∈ E.
Se verifică relaţia

µ ({(e1 , ..., en )}) = e1 ∈E1 ... en ∈En µ1,e1 ...µn,en
(e1 ,...,en )∈E
= e1 ∈E1 µ 1,e 1 ... en ∈En µ n,e n = 1,
care arată că valorile puse pe punctele spaţiului produs definesc

o măsură de
probabilitate pe E. Această măsură este notată cu µ = µ1 ... µn .
Lema 5.8 Fie Bl ⊂ El , l = 1, ..., n mulţimi arbitrare. Atunci are loc formula

µ1 ... µn (B1 × ... × Bn ) = µ1 (B1 ) ...µn (Bn ) .
Demonstraţie. Mulţimea produs B1 × ... × Bn se poate exprima ca

reuniunea punctelor sale ı̂n felul următor

B1 × ... × Bn = {(e1 , ..., en )} .
(e1 ,...,en)∈B1 ×...×Bn
Deoarece mulţimile ce participă la această reuniune sunt disjuncte rezultă

µ (B1 × ... × Bn ) = (e1 ,...,en)∈B1 ×...×Bn µ ({(e1 , ..., en )}) =

= e1 ∈B1 ...
n n
e ∈B µ ({(e1 , ..., en )}) = 1 1
e ∈B ... en ∈Bn µ1,e1 ...µn,en =
= µ
e1 ∈B1 1,e1 ... µ
en ∈Bn n,en = µ 1 (B 1 ...µn (Bn ) ,
)
care este relaţia de demonstrat. 2

Pentru fiecare l = 1, ..., n definim pe E câte o partiţie numărabilă Al =
(Al,e )e∈El punând
Al,e = {(e1 , ..., en ) ∈ E/ el = e} = E1 ×...×El−1 ×{e}×El+1 ×...×En , e ∈ El .
Următoarea lemă descrie σ− algebrele generate de aceste partiţii.

Lema 5.9 O mulţime A ⊂ E aparţine lui σ (Al ) dacă şi numai dacă există
o mulţime B ⊂ El astfel ca să aibă loc reprezentarea
A = E1 × ... × El−1 × B × El+1 × ... × En .
Demonstraţie. Mulţimea care apare ı̂n reprezentarea din enunţ se

exprimă şi sub forma

E1 × ... × El−1 × B × El+1 × ... × En = Al,e .
e∈B
Această egalitate arată clar că o mulţime care se reprezintă ca ı̂n enunţ este
ı̂n σ (Al ) . Fie acum A ∈ σ (Al ) . Ţinând cont de lema 4.3(ii). şi că mulţimea
de indici pentru partiţia Al este El , se obţine o mulţime K ⊂ El cu care se
reprezintă A sub forma
A= Al,e .
e∈K
Dar atunci este satisfăcută relaţia din enunţ cu această mulţime K pe locul
lui B.2
σ (A1 ) , ..., σ (An ) sunt independente relativ la

Propoziţia 5.1 σ− algebrele
măsura produs µ = µ1 ... µn .
Demonstraţie. Fie Al ∈ σ (Al ) , l = 1, ..., n. Din lema anterioară

ştim că pentru fiecare l există mulţimea Bl ⊂ El astfel ı̂ncât să aibă loc
reprezentarea
Al = E1 × ... × El−1 × Bl × El+1 × ... × En .
Cu această notaţie putem scrie
A1 ∩ ... ∩ An = B1 × ... × Bn ,
ceea ce duce la
µ (A1 ∩ ... ∩ An ) = µ1 (B1 ) ...µn (Bn ) .
Pe de altă parte, se poate calcula şi măsura µ (Al ) = µl (Bl ) , ceea ce permite
să deducem
µ (A1 ∩ ... ∩ An ) = µ (A1 ) ...µ (An ) ,
adică exact relaţia care arată independenţa σ− algebrelor. 2
5.3. VARIABILE ALEATOARE CU VALORI NUMĂRABILE 91
5.3 Variabile aleatoare cu valori numărabile

În această secţiune vom presupune dat un spaţiu probabilizat (Ω, F , P ) .
Definiţia 5.1 Fie E o mulţime cel mult numărabilă. O aplicaţie X : Ω → E,

va fi numită variabilă aleatoare cu valori ı̂n E dacă fiecare din mulţimile
X −1 (B) , B ⊂ E, aparţine lui F .
Pentru termenul de variabilă aleatoare există şi denumirea de aplicaţie

măsurabilă, care este denumirea utilizată ı̂n teoria măsurii. Dacă mulţimea
E este inclusă ı̂n R, atunci spunem simplu variabilă aleatoare şi nu mai
menţionăm mulţimea valorilor. Remarcăm că, pentru ca X să fie o variabilă
aleatoare, este suficient să se verifice că, pentru orice punct e ∈ E, este
satisfăcută condiţia X −1 (e) ∈ F .
5.3.1 σ−algebra generată de o variabilă

Unei variabile aleatoare ca ı̂n definiţie i se asociază următoarea clasă de
mulţimi
σ (X) = X −1 (B) / B ⊂ E .
Listăm mai jos câteva din faptele mai importante legate de această clasă de
mulţimi.
1. σ (X) este cea mai mică σ− algebră care face măsurabilă aplicaţia
X. Ea coincide cu σ−algebra generată de partiţia A = (X −1 (e))e∈E , unde
E = X (Ω) este mulţimea valorilor lui X.
σ (X) poartă denumirea de σ−algebra generată de X.
2. Fie E1 , ..., En , mulţimi cel mult numărabile şi presupunem că Xi :
Ω → Ei , i = 1, ..., n, sunt variabile aleatoare. Notăm prin σ (X1 , ..., Xn ) cea
mai mică σ− algebrăı̂n raport cu care sunt măsurabile toate aceste variabile
şi cu Ai = Xi−1 (e) e∈E partiţiile corespunzătoare acestor variabile, unde
i
Ei = Xi (Ω) , i = 1, ..., n. Atunci se poate uşor demonstra egalitatea
n

σ (X1 , ..., Xn ) = σ Ai .
i=1
3. Cu notaţia de la punctul anterior, definim Z : Ω → E1 × ... × En ,

aplicaţia exprimată prin Z (ω) = (X1 (ω) , ..., Xn (ω)) . Atunci are loc egali-
tatea σ (X1 , ..., Xn ) = σ (Z) .
Pentru verificarea acestei egalităţi este suficient să notăm E := Z (Ω) ⊂

E1 × ... × En şi să constatăm că atomii partiţiei asociate variabilei Z, A =
(Z −1 (e1 , ..., en ))(e1 ,...,en)∈E , satisfac relaţia
Z −1 (e1 , ..., en ) = X1−1 (e1 ) ∩ ... ∩ Xn−1 (en ) ,
adică fac parte dintre atomii partiţiei care generează σ−algebra σ (A1 , ..., An ) .
Mai mult, dacă avem punctele e1 ∈ E1 , ..., en ∈ En , relaţia (e1 , ..., en ) ∈
E este echivalentă cu faptul că mulţimea X −1 (e1 ) ∩ .... ∩ X −1 (en ) este
nevidă. Dar asta este exact condiţia ca această mulţime să reprezinte un
atom al partiţiei ce generează σ (A1 , ..., An ) . Tragem concluzia că partiţia
care generează σ (A1 , ..., An ) coincide cu partiţia asociată variabilei Z.
4. De asemenea, păstrând notaţia anterioară, dacă f : E1 × ... × En → E
este o aplicaţie cu valori ı̂n mulţimea cel mult numărabilă E, atunci Y =
f (X1 , ..., Xn ) este măsurabilă faţă de σ (X1 , ..., Xn ) .
Într-adevăr, pentru orice punct e ∈ E, are loc relaţia

Y −1 (e) = Z −1 (e1 , ..., en ) ,
(e1 ,...,en)∈f −1 (e)
relaţie care pune ı̂n evidenţă faptul că Y −1 (e) este măsurabilă faţă de σ (Z) .
Definiţia 5.2 Fie Xi : Ω → Ei , i = 1, ..., n, variabile aleatoare cu valori ı̂n

mulţimi cel mult numărabile. Vom spune că acestea sunt independente dacă,
pentru orice mulţimi Ai ⊂ Ei , i = 1, ..., n, mulţimile ı̂ntoarse Xi−1 (Ai ) , i =
1, ..., n sunt independente.
5. Independenţa variabilelor Xi , i = 1, ..., n este echivalentă cu independenţa

σ−algebrelor σ (Xi ) , i = 1, ..., n. Din propoziţia 4.2 ştim că această
−1independenţă

revine la independenţa partiţiilor asociate definite prin Ai = Xi (e) e∈E ,
i
unde am notat Ei = Xi (Ω) , i = 1, ..., n.
6. Pe aceeaşi linie, facem observaţia că un număr finit de evenimente,
A1 , ..., An , sunt independente dacă şi numai dacă variabilele aleatoare, cu
valori ı̂n {0, 1} , constituite din funcţiile caracteristice 1A1 , ..., 1An sunt inde-
pendente.
7. Fie X1 , ..., Xn o familie de variabile aleatoare independente cu valori ı̂n
spaţiile cel mult numărabile Ei , i = 1, ..., n. Să presupunem că 1 ≤ n1 < ... <
nk−1 < nk = n sunt numere naturale care ı̂mpart variabilele ı̂n k grupuri.
Dacă fj : Enj−1 +1 × ... × Enj → Fj , j = 1, .., k sunt aplicaţii ce iau valori
ı̂n spaţiile
cel mult numărabile
Fj , j = 1, ..., k, atunci variabilele aleatoare
Yj = fj Xnj−1 +1 , ..., Xnj , j ∈ J, sunt independente.
Pentru a demonstra afirmaţia făcută vom aplica mai ı̂ntâi punctul 4. de

mai sus, deducând că variabila Yj este măsurabilă faţă de σ Xnj−1 +1 , ..., Xnj .
Apoi, din teorema 4.1, se deduce faptul că σ−algebrele

σ (X1 , ..., Xn1 ) , ..., σ Xnk−1 +1 , ..., Xnk
sunt independente, ceea ce implică afirmaţia făcută.
5.3.2 Repartiţia unei variabile

Unei variabile aleatoare X : Ω → E, cu valori ı̂n mulţimea cel mult numărabilă
E, i se asociază următoarea aplicaţie PX : P (E) → [0, 1] , definită prin
PX (B) = P (X −1 (B)) . Se poate uşor verifica că PX este o măsură de proba-
bilitate pe E. Ea este numită repartiţia lui X. Evident că repartiţia aceasta
este suportată de E , ı̂n sensul că PX (E\E ) = 0. Ea este determinată de
valorile pe puncte PX ({e}) = P (X −1 (e)) , e ∈ E, prin intermediul valorilor
lui P pe atomii partiţiei A, introduse mai sus la puctul 1. Pentru e ∈ E\E ,
avem X −1 (e) = ∅, deci PX ({e}) = 0, ı̂n acest caz.
Dacă µ este o măsură de probabilitate pe E, atunci ea poate fi privită
ca repartiţia variabilei aleatoare X : E → E, dată de aplicaţia identitate,
definită prin X (e) = e, pentru orice e ∈ E. În acest caz se consideră ca
domeniu de definiţie al variabilei spaţiul probabilizat (E, P (E) , µ) . De aceea
se obişnuieşte a numi repartiţie orice măsură de probabilitate pe E.
Următoarea propoziţie caracterizează independenţa ı̂n termenii repartiţilor.
Propoziţia 5.2 Presupunem că Xi : Ω → Ei , i = 1, 2 sunt două variabile

aleatoare cu valori ı̂n spaţiile cel mult numărabile Ei , i = 1, 2 şi notăm Z :
Ω → E1 × E2 , aplicaţia definită prin Z (ω) = (X1 (ω) , X2 (ω)) . Variabilele
aleatoare X1 şi X2 sunt independente dacă şi numai dacă variabila Z are
repartiţia exprimată sub forma produsului

PZ = PX1 PX2 .
Demonstraţie. În discuţiile anterioare am remarcat că independenţa

variabilelor X1 şi X2 este echivalentă cu independenţa σ− algebrelor σ (X1 )
şi σ (X2 ) şi că această independenţă revine la independenţa partiţiilor A1 =
−1
X1 (e) e∈E şi A2 = X2−1 (e) e∈E , unde am notat Ei = Xi (Ω) , i = 1, 2.
1 2
Să presupunem atunci că variabilele date sunt independente. Rezultă că
pentru orice puncte e1 ∈ E1 şi e2 ∈ E2 are loc relaţia

P X1−1 (e1 ) ∩ X2−1 (e2 ) = P X1−1 (e1 ) P X2−1 (e2 ) . (∗)
Dacă e1 ∈ E1 \E1 , atunci X −1 (e1 ) = ∅ nu poate fi atom al partiţiei A1 . Totuşi

relaţia (*) rămâne valabilă pentru că ambii săi membrii sunt zero, chiar dacă
e2 este şi el arbitrar. Pe de altă parte, ţinând cont că X1−1 (e1 ) ∩ X2−1 (e2 ) =
Z −1 (e1 , e2 ) , relaţia (*) devine

PZ ({(e1 , e2 )}) = PX1 ({e1 }) PX2 ({e2 }) = PX1 PX2 ({(e1 , e2 )}) ,

pentru orice pereche (e1 , e2 ) ∈ E1 × E2 . Rezultă că măsurile PZ şi PX1 PX2
coincid.

Reciproc, dacă măsurile PZ şi PX1 PX2 coincid, este valabilă relaţia (*)
şi deci variabilele X1 şi X2 sunt independente. 2
Propoziţia demonstrată se generalizează, cu aceeaşi demonstraţie, la cazul
a n variabile.
Propoziţia 5.3 Variabilele X1 , ..., Xn , sunt independente dacă şi numai dacă
repartiţia variabilei Z = (X1 , ..., Xn ) satisface relaţia

PZ = PX1 ... PXn .
Această propoziţie permite construirea de modele probabiliste pentru

variabile aleatoare independente cu repartiţii date. Mai precis, fie Ei , i =
1, ..., n, mulţimi cel mult numărabile pe care sunt definite măsurile de proba-
bilitate µi , i = 1, ..., n. Notăm W = E1 × ... × En spaţiul produs şi Xi : W →
Ei aplicaţia de proiecţie pe componenta i, definită prin Xi ((e1 , ..., en )) = ei ,
pentru orice (e1 , ..., en ) ∈ W. Pe spaţiul
W, ı̂nzestrat cu σ− algebra P (W ) , in-
troducem măsura produs Q = µ1 ... µn . Cu aceste notaţii putem spune
că (W, P (W ) , Q) este un spaţiu probabilizat şi că X1 , ..., Xn sunt variabile
aleatoare. În plus are loc următorul rezultat.
Propoziţia 5.4 Repartiţia lui Xi este µi , pentru orice i = 1, ..., n.Variabilele

aleatoare X1 , ..., Xn sunt independente.
Demonstraţie. Vom calcula mai ı̂ntâi repartiţia lui Xi . Pentru e ∈ Ei

are loc egalitatea
Xi−1 (e) = E1 × ... × Ei−1 × {e} × Ei+1 × ... × En ,
care se verifică imediat. De aceea avem

QXi (e) = Q Xi−1 (e) = µ1 (E1 ) ...µi−1 (Ei−1 ) µi (e) µ (Ei+1 ) ...µ (En ) = µi (e) ,
ceea ce probează egalitatea QXi = µi .

Pe de altă parte, aplicaţia Z = (X1 , ..., Xn) : W→ E1 × ... × En este
aplicaţia identică, şi de aceea avem QZ = µ1 ... µn . Propoziţia ante-
rioară ne asigură că variabilele noastre sunt independente.
Un alt argument ce demonstrează independenţa afirmată ar fi următorul:
partiţia asociată variabilei Xl este exact partiţia Al , definită ı̂n paragra-
ful despre σ−algebra asociată unei variabile aleatoare şi are loc egalitatea
σ (Xl ) = σ (Al ) . Propoziţia 5.1 afirmă exact independenţa ce o dorim. 2
Exemplul 1. Un zar măsluit are pusă o greutate ı̂n vârful adiacent feţelor
cu numerele 1, 3, 5. Această greutate face ca feţele opuse, adică cele ce poartă
numerele 2, 4, 6, să apară cu o probabilitate mai mare la aruncare. Deci feţele
cu numere impare au probabilităţile de a ieşi egale ı̂ntre ele şi la fel feţele cu
numere pare. Dar o faţă cu număr par are mai multe şanse de a ieşi decât
una cu număr impar. Ne propunem să construim un model probabilist care
să descrie seriile de mai multe aruncări cu un astfel de zar.
Să notăm cu r raportul dintre şansele de a ieşi o faţă pară şi una impară
la o aruncare. Deci avem r > 1. Vom determina mai ı̂ntâi ı̂n funcţie de r
probabilităţile de aieşi fiecare faţă. Notând pi probabilitatea de a ieşi faţa
i, vom putea scrie 6i=1 pi = 1, p1 = p3 = p5 , p2 = p4 = p6 şi pp21 = r. Rezultă
1 r
3p1 + 3rp1 = 1, deci p1 = 3(1+r) şi p2 = 3(1+r) .
Mai departe notăm E = {1, 2, 3, 4, 5, 6} , mulţimea care descrie posi-
bilităţile ce pot apărea ı̂n urma unei aruncări. Pe această mulţime definim
1 r
măsura µ prin numerele µ1 = µ3 = µ5 = 3(1+r) , µ2 = µ4 = µ6 = 3(1+r) . Dacă
× ... × E şi
n
dorim să modelăm seriile de n aruncări notăm Ω = E = E
n
Xl : Ω → E este proiecţia pe componenta l, l = 1, ..., n. Spaţiul Ω reprezintă
mulţimea tuturor rezultatelor posibil a fi obţinute ı̂n urma unei serii de n
aruncări cu zarul. Variabila Xl descrie rezultatul la cea de a l -a aruncare
cu zarul, iar ı̂n ansamblu cele n variabile descriu rezultatele succesive ı̂ntr-o
serie de n aruncări. Este clar că diferitele aruncări cu zarul suntindepen-

dente. De aceea punem pe spaţiul Ω măsura produs P = µ ... µ, care
face variabilele Xl independente şi identic repartizate cu repartiţia µ. Deci
(Ω, P (Ω) , P ) descrie seriile de n aruncări cu zarul măsluit. 2
Exemplul 2. Să revenim acum la modelul bilei ı̂ntoarse. Am notat M =

{1, 2, ..., n} şi Ω = M × ... × M, produsul cu un număr de k factori care mod-
elează seriile de k extrageri succesive cu revenire. Măsura de probabilitate P,
care defineşte şanse egale pentru fiecare element ω = (xi , ..., xk ) ∈ Ω a fost
definită prin expresia P ({ω}) = n1k . Vom obseva acum că această măsură
este o măsură produs. Într-adevăr, dacă notăm cu µ măsura uniformă pe M,
1
definită prin µ ({l}) = n , pentru
orice l ∈ M, atunci se poate constata că are
loc egalitatea P = µ ... µ. Să mai observăm că variabila care reprezintă
proiecţia pe componenta i, definită prin Xi : Ω → M, Xi ({(x1 , ..., xk )}) = xi
este variabila care indică numărul bilei extrase la cea de a i−a extragere.
Prin urmare, putem spune că modelul probabilist introdus pentru schema
bilei ı̂ntoarse asigură independenţa variabilelor Xi , i = 1, ..., k şi faptul că
acestea sunt uniform repartizate. Este clar că aceste două proprietăţi ale
acestor variabile sunt ı̂n concordanţă cu ceea ce aşteptăm de la model. Pe de
altă parte, se poate verifica că P este singura măsură de probabilitate pe Ω
care face din proiecţii variabile independente şi uniform repartizate. Cu alte
cuvinte aceste proprietăţi determină modelul.
Să reflectăm acum la modelarea problemei zilelor de naştere tratată ı̂n
capitolul 2. Am adoptat pentru această problemă modelul extragerilor cu
revenire. Dacă aceptăm ca trăsături obligatorii ale acestei probleme faptul
că zilele de naştere ale persoanelor din grup sunt reprezentate de variabile
aleatoare independente şi uniform repartizate, ı̂nseamnă că trebuie să ac-
ceptăm ca unic model cel adoptat ı̂n capitolul 2.
Exemplul 3. Vom discuta acum o altă variantă de modelare a problemei

zilelor de naştere. Să presupunem că de fapt problema se referă ı̂n mod
concret la o anumită populaţie, formată dintr-un anumit număr de indivizi,
m, pentru care se ştie numărul de persoane ce au zilele de naştere ı̂n fiecare
zi a anului. Atunci, un grup de n indivizi luaţi la ı̂ntâmplare din această
populaţie (n ≤ 365) sunt modelaţi de o extragere fără ordine de n bile dintr-
o urnă cu m bile. Desigur că acesta este modelul cel mai limpede şi mai
uşor de acceptat. Vom examina acest model ı̂n cazul ı̂n care presupunem
că populaţia ı̂n cauză este compusă dintr-un număr egal de indivizi născuţi
pentru fiecare zi a anului şi facem presupunerea că avem doar 365 de zile ı̂n
fiecare an. Vom trece apoi la limită cu l → ∞, pentru a vedea că se ajunge
la acelaşi model ca ı̂n paragraful dedicat problemei din capitolul 2.
Dacă notăm cu l numărul indivizilor ce au aceeaşi zi de naştere, atunci
numărul total de indivizi va fi m = 365l. Vom face modelarea extragerilor
de n bile fără ordine bazându-ne pe schema bilei neı̂ntoarse. Pentru aceasta
identificăm populaţia celor m indivizi cu mulţimea M = {1, ..., m} şi notăm
cu Aj mulţimea indivizilor născuţi ı̂n cea de a j−a zi a anului, j = 1, ...365.
Rezultă că familia (Aj )j=1,...,365 formează o partiţie a lui M şi cardinalul
fiecăreia din mulţimile Aj este l. Spaţiul tuturor posibilităţilor este cel ce
corespunde schemei bilei neı̂ntoarse
W = {(x1 , ..., xn ) / xi ∈ M, xi = xj , ∀i = j} .
Probabilitatea ce o considerăm pe W o notăm cu Q şi, aşa cum se ştie,
1
ea acordă ponderea Q ({(x1 , ..., xn )}) = cardW = A1n pentru fiecare punct
m
w = (x1 , ..., xn ) ∈ W. Din punctul de vedere al problemei noastre, ceea ce
interesează sunt doar zilele de naştere ale indivizilor dintr-un grup w. Vom
nota E = {1, ..., 365} mulţimea zilelor anului şi vom defini apoi o aplicaţie
f : M → E, ı̂n felul următor: f (x) = k dacă şi numai dacă x ∈ Ak .
Aceasta este aplicaţia care asociază fiecărui individ ziua sa de naştere. Vom
introduce spaţiul Ω = E n , care ı̂nregistrează toate configuraţiile de zile de
naştere posibil a corespunde unui grup w ∈ W. Aplicaţia f permite a defini
o variabilă aleatoare, F : W → Ω, prin F (x1 , ..., xn ) = (f (x1 ) , ..., f (xn )) .
Deoarece pentru problema ce ne interesează evenimentele elementare ale lui
W sunt cercetate doar prin intermediul imaginii lor prin F, rezultă că putem
lua ca model spaţiul Ω cu repartiţia variabilei F, care este o probabilitate pe
Ω obţinută prin transportul lui Q prin intermediul variabilei F. Deoarece Q
depinde de numărul l, ce ı̂l vom presupune variabil, tinzând chiar la infinit,
vom pune Pl = QF pentru a desemna repartiţia aceasta. Mai departe vom
compara probabilitatea Pl cu probabilitetea şanselor egale pe Ω. Mai precis,
1
fie P probabilitatea şanselor egale pe Ω, definită prin P ({ω}) = cardΩ = 3651 n ,
pentru orice punct ω ∈ Ω. Vom arăta că Pl tinde la P, atunci când l tinde la
infinit, ı̂n sensul următor:
lim Pl ({ω}) = P ({ω}) , ∀ω ∈ Ω.
l→∞
Pentru a verifica această relaţie vom fixa un element arbitrar ω ∈ Ω şi vom
calcula cardinalul mulţimii F −1 (ω) . Să zicem că elementul dat are descrierea
pe componente ω = (k1 , ..., kn ) . Componentele nu sunt neapărat toate dis-

tincte şi, pentru a clarifica acest lucru vom proceda astfel. Pentru fiecare zi
a anului, k ∈ E, vom pune Jk = {i ≤ n/ ki = k} , pentru a desemna indicii
componentelor ce coincid cu ziua k, iar apoi jk = cardJk , pentru a număra
de câte ori se repetă ziua k ı̂ntre componentele lui ω. Mulţimile Jk pot fi
vide pentru anumite valori k ∈ E, astfel că jk = 0 ı̂ntr-o astfel de situaţie.
365
În orice caz avem k=1 jk = n, numărul total de componente ale lui ω. Fie
acum w = (x1 , ..., xn ) ∈ W, astfel ca F (w) = ω. Rezultă că pentru un k ∈ E
fixat are loc relaţia f (xi ) = k, pentru orice i ∈ Jk . Dacă un alt element
w = (x1 , ..., xn ) ∈ W este construit, pornind de la w, prin ı̂nlocuirea compo-
nentelor de pe poziţiile Jk cu alte puncte din mulţimea Ak rezultă că vom avea
F (w ) = ω. Dar există Ajl k = l (l − 1) ... (l − jk + 1) posibilităţi de a obţine
elemente distincte din W prin acest procedeu. Cu convenţia A0l = 1, putem
−1
exprima numărul total al elementelor din F (ω) sub forma k∈E Ajl k .
Putem concluziona că

−1 cardF −1 (ω) k∈E Al
jk
Pl ({ω}) = Q F (ω) = = =
cardW Anm
l (l − 1) ... (l − j1 + 1) ...l (l − 1) ... (l − j365 + 1)
= .
365l (365l − 1) ... (365l − n + 1)

Deoarece, aşa cum am remarcat, are loc relaţia 365 k=1 jk = n, rezultă că ı̂n
produsul de la numărător sunt n factori. Jos sunt tot atâţia factori şi atunci
se poate scoate ı̂n factor şi simplifica cu l, astfel că fracţia anterioară devine

1 − 1l ... 1 − j1 +1 ... 1 − 1
... 1 − j365 +1
= l l l
.
365 365 − 1l ... 365 − n−1 l
1
Trecând la limită este clar că obţinem lim Pl ({ω}) = (365) n = P ({ω}) .
Rezultă că modelul utilizat de noi ı̂n paragraful dedicat problemei zilelelor
de naştere, din capitolul 2, corespunde unei situaţii ideale, ı̂n care facem trei
presupuneri simplificatoare: 1) presupunem că anul ar avea ı̂ntotdeauna 365
de zile, 2) numărul de persoane născute ı̂n aceeaşi zi este acelaşi pentru fiecare
zi a anului, 3) populaţia totală luată ı̂n discuţie este infinită, ı̂n sensul dat
de procesul de trecere la limită descris mai sus.
Dar aproximarea dată de trecerea la limită cu l converge destul de rapid.
De exemplu, evaluările pentru mulţimea
Λ = {ω = (x1 , ..., xn ) ∈ Ω | xi = xj , ∀ i = j} ,
făcute cu măsura Pl sau cu P sunt foarte apropiate. Într-adevăr, ştim că

P (Λ) = (365−1)(365−2)...(395−n+1)
(365)n−1
. Pe de altă parte, nu este greu de calcu-
−1
lat cardinalul mulţimii F (Λ) pe baza ideilor expuse anterior. Se obţine
cardF −1 (Λ) = An365 × ln . Atunci avem
ln 365 (365 − 1) (365 − 2) ... (365 − n + 1)
Pl (Λ) = =
365l (365l − 1) ... (365l − n + 1)
ln−1 (365)n−1
= P (Λ) .
(365l − 1) ... (365l − n + 1)
ln−1 (365)n−1
Vom nota θ (n, l) = (365l−1)...(365l−n+1)
şi vom evalua acest număr scriindu-l
sub forma

1 n−1
θ (n, l) = 1 + ... 1 + .
365l − 1 365l − n + 1
1

Pentru l ≥ 100 avem θ (n, l) ≤ 1 + 36478 n−1
... 1 + 36478 , iar ultimul produs
n(n−1)
se majorează conform lemei 2.2 cu e 2×36478 . Pentru n ≤ 23, avem atunci
23×22
23×22
23×22 2
θ (n, l) ≤ e 2×36478 ≤ 1 + 2×36478 + 2×36478 . (am utilizat inegalitatea ex ≤
1 + x + x2 , care are loc pentru x ∈ [0, 1]). Calculând numeric expresiile
din dreapta obţinem θ (n, l) ≤ 1, 007. Deci tragem concluzia că Pl (Λ) =
P (Λ) θ (n, l) , unde 1 ≤ θ (n, l) ≤ 1, 007.
5.3.3 Medie şi dispersie

Presupunem că (Ω, F , P ) este un spaţiu probabilizat iar X : Ω → E este o
variabilă aleatoare cu valori ı̂ntr-o mulţime cel mult numărabilă inclusă ı̂n R.
Pentru a obţine mai multă claritate ı̂n notaţii, vom presupune că mulţimea
valorilor este scrisă ı̂n forma X (Ω) = {ai / i ∈ I} , unde I este o mulţime cel
mult numărabilă şi ai = aj , dacă i = j. Pentru fiecare indice i ∈ Ivom nota
Ai = X −1 (ai ) , astfel că variabila dată se scrie şi sub forma X = i∈I ai 1Ai .
Definiţia 5.3 Se spune că variabila X admite medie, dacă familia de nu-
mere (ai P (Ai ))i∈I este absolut sumabilă. În caz că este ı̂ndeplinită această
condiţie, se spune că suma

EX = ai P (Ai )
i∈I
reprezintă media variabilei X.

Media unei variabile aleatoare mai este numită şi valoarea medie sau,
de asemenea, speranţa acelei variabile, datorită semnificaţiei pe care o are
ı̂n cazul diverselor modele probabiliste concrete. Termenul ı̂n limba engleză
este ,,expectation”, iar ı̂n limba franceză ,,espérance”. Semnul E este preluat
din literatura internaţională. În literatura română este utilizat de asemenea
semnul M, ce reprezintă iniţiala cuvântului medie. Noţiunea acesta ı̂n teo-
ria măsurii este numit integrală. O variabilă aleatoare cu valori reale este
o funcţie reală măsurabilă şi media nu este altceva decât integrala acestei
funcţii. Notaţia utilizată ı̂n teoria măsurii este variată:

EX = XdP = X (ω) P (dω) = X (ω) dP (ω) .
Ω Ω
Faptul că o variabilă admite medie este tot una cu faptul că ea este integra-
bilă.
Dacă variabila se reduce la o funcţie caracteristică, 1A , A ∈ F , atunci
avem E1A = P (A) . Observăm că ı̂n cazul ı̂n care o variabilă aleatoare ia
numai un număr finit de valori ea admite medie, evident.
Exemplu 1. Un model simplist privind fiabilitatea unui produs este următorul.

Presupunem că un eşantion de 1000 de becurile produse de o fabrică se
testează fiind puse să funcţioneze neı̂ntrerupt ı̂n condiţii de uşoară suprasarcină,
obţinându-se următoarele rezultate: 10 din becuri se defectează ı̂n prima
săptămână de funcţionare, 21 cedează ı̂n cursul celei de a doua săptămâni,
52 ı̂n cursul celei de a treia, 90 ı̂n cursul celei de a patra săptămâni, 153 ı̂n
cea de a cincea, 207 ı̂n cea de a şasea, 252 ı̂n a şaptea, 147 ı̂n a opta, 49 ı̂n a
noua, 19 ı̂n a zecea. Modelul probabilist al fiabilităţii becurilor este deci con-
stituit ı̂n acest caz de spaţiul Ω = {1, ..., 1000} , ce reprezintă becurile supuse
experimentului, presupuse numerotate. Probabilitatea care se introduce pe
1
acest spaţiu este, bineı̂nţeles, P (i) = 1000 . Se defineşte o variabilă aleatoare
T : Ω → N, punând T (i) să fie numărul de săptămâni ı̂ntregi de funcţionare
a becului cu numărul i. Astfel mulţimea Ai = T −1 (i) este mulţimea becurilor
ce s-au defectat ı̂n cursul săptămânii i + 1. Variabila T reprezintă timpul de
funcţionare al unui bec, măsurat ı̂n săptămâni şi rotunjit la partea ı̂ntreagă.
Avem următoarele probabilităţi
10 21 52 90 153
P (A0 ) = , P (A1 ) = , P (A2 ) = , P (A3 ) = , P (A4 ) = ,
1000 1000 1000 1000 1000
207 252 147 49 19
P (A5 ) = , P (A6 ) = , P (A7 ) = , P (A8 ) = , P (A9 ) = .
1000 1000 1000 1000 1000
Speranţa de viaţă sau durata medie de funcţionare a unui bec aste exprimată
de media variabilei T :
10 21 52 90 153 207 252
ET = 0 1000 + 1000 + 2 1000 + 3 1000 + 4 1000 + 5 1000 + 6 1000 +
147 49 19
+7 1000 + 8 1000 + 9 1000 = 5, 146.
Rezultă că ne aşteptăm ca un bec arbitrar să funcţioneze 5 săptămâni, ı̂n

condiţii de uşoară suprasolicitare. 2
Exemplul 2. Un jucător la curse de călărie pariază pe caii A,B,C, respectiv

sumele 30, 10, 15 euro. El apreciază că şansele de a ieşi ı̂nvingători sunt
următoarele: 70% pentru A, 10% pentru B şi 20% pentru C. Înainte de
ı̂nceperea cursei, jucătorul ştia că suma pariată pe A va produce un câştig
cu coeficientul 2 ı̂n cazul că acesta va câştiga, suma pariată pe B va produce
un câştig cu coeficientul 7, 4 ı̂n cazul că va ieşi ı̂nvingător, iar suma pariată
pe C va aduce un câştig cu coeficientul 4, 5 ı̂n cazul că acest cal va câştiga
cursa.
Modelul probabilist pentru acest jucător este Ω = {A, B, C} , corespunzător
celor trei cai ce sunt consideraţi ca posibili câştigători. Probabilitatea este
definită prin P (A) = 0, 7; P (B) = 0, 1; P (C) = 0, 2. Notăm cu X variabila
aleatoare ce reprezintă câştigurile posibile pentru jucător: X (A) = 30 × 2 =
60, X (B) = 10 × 7, 4 = 74, X (C) = 15 × 4, 5 = 67, 5. Speranţa de câştig, sau
câştigul mediu aşteptat de jucător este exprimată de media variabilei:
EX = 60 × 0, 7 + 74 × 0, 1 + 67, 5 × 0, 2 = 62, 9.
Deci jucătorul joacă suma de 55 euro şi, pe baza estimărilor sale, se aşteaptă
să câştige 62, 9. 2
Vom enunţa ı̂n continuare câteva din principalele proprietăţi ale valorii
medii.
1. Dacă variabila X admite medie, atunci |X| admite de asemenea medie
şi are loc inegalitatea EX ≤ E |X| . Dacă X ≥ 0, atunci EX ≥ 0.
2. Dacă X, Y sunt două variabile aleatoare astfel că X este integrabilă şi
are loc inegalitatea |Y | ≤ X, atunci şi Y este integrabilă şi EY ≤ EX.
3. Dacă variabila X admite medie, atunci, pentru orice a ∈ R, variabila
aX admite de asemenea medie şi are loc relaţia E (aX) = aEX.
Dacă proprietăţile menţionate mai sus rezultă aproape imediat din definiţie,
următoarea este mai puţin evidentă şi de aceea o vom enunţa sub forma unei
leme.
Lema 5.10 Dacă X, Y sunt două variabile care admit medie, atunci X + Y
admite de asemenea medie şi are loc formula E (X + Y ) = EX + EY.
Demonstraţie. Vom presupune că mulţimea valorilor lui Y este de-

scrisă ı̂n forma Y (Ω) = (bj )j∈J , unde J este cel mult numărabilă şi bj = bl ,

dacă j = l. Vom nota Bj = Y −1 (bj ) , astfel că avem Y = j∈J bj 1Bj , iar vari-
abila sumă o notăm Z = X + Y. Din partiţiile (Ai )i∈I şi (Bj )j∈J , construim
partiţia (Di,j )(i,j)∈Λ , unde Di,j = Ai ∩ Bj şi Λ = {(i, j) ∈ I × J/Dij = ∅} .
Cu această notaţie, variabila sumă se scrie şi sub forma

Z= (ai + bj ) 1Di,j .
(i,j)∈Λ
Mulţimea valorilor acestei variabile este {ai + bj / (i, j) ∈ Λ} , dar ı̂n această
scriere nu toate valorile sunt distincte, ı̂n sensul că putem avea ai +bj = ak +bl ,
pentru două perchi de indici distincte, (i, j) = (k, l) . În orice caz, mulţimea
valorilor lui Z este cel mult numărabilă şi prin urmare ea poate fi indexată
bijectiv, adică scrisă sub forma Z (Ω) = (cm )m∈M , unde M este o mulţime
cel mult numărabilă şi cm = cm , dacă m = m . Pentru fiecare m ∈ M, notăm
Cm = Z −1 (cm ) şi Λm = {(i, j) ∈ Λ /ai + bj = cm } . Este evident că mulţimile
(Λm )m∈M formează o partiţie a lui Λ şi au loc egalităţile

Cm = ∪(i,j)∈Λm Di,j , Z = cm 1Cm .
m∈M
reuniunea ce exprimă pe Cm constă din mulţimi disjuncte,

Ţinând cont că
avem P (Cm ) = (i,j)∈Λm P (Di,j ) şi atunci putem scrie

EZ = cm P (Cm ) = cm P (Di,j ) =
m∈M m∈M (i,j)∈Λm

= (ai + bj ) P (Di,j ) = (ai + bj ) P (Di,j ) =
m∈M (i,j)∈Λm (i,j)∈Λ

= (ai + bj ) P (Di,j ) = ai P (Di,j ) + bj P (Di,j ) =
(i,j)∈I×J i∈I j∈J j∈J i∈I

= ai P (Ai ) + bj P (Bj ) = EX + EY,
i∈I j∈J
ceea ce ı̂ncheie demonstraţia. 2

4. Din această lemă rezultă prin inducţie că dacă X1 , ..., Xn sunt variabile
aleatoare ce admit medie, atunci orice sumă de tipul a1 X1 +...+an Xn admite
de asemenea medie şi are loc formula
E (a1 X1 + ... + an Xn ) = a1 EX1 + ... + an EXn .
O altă proprietate importantă legată de calcule concrete ce se pot face cu

media, este enunţată ı̂n lema care urmează.
Lema 5.11 Fie Y : Ω → E o variabilă aleatoare cu valori ı̂n mulţimea cel

mult numărabilă E, iar f : E → R o funcţie arbitrară. Atunci variabila
X = f (Y ) admite medie dacă şi numai dacă f este integrabilă ı̂n raport cu
repartiţia PX . În plus, dacă este ı̂ndeplinită una din aceste condiţii, atunci
are loc relaţia
EX = f dPY .
Demonstraţie. Din modul ı̂n care este definită variabila X rezultă

că X (Ω) ⊂ f (E) , care este o mulţime cel mult numărabilă. De aceea
putem presupune că mulţimea valorilor lui X este indexată ı̂n forma X (Ω) =
{ai /i ∈ I} , unde I este o mulţime cel mult numărabilă, iar ai = aj , dacă
i = j. Atunci mulţimea E = Y (Ω) este desfăcută după partiţia (Mi )i∈I
dată prin Mi = f −1 (ai ) ∩ E , i ∈ I. Punând Ae = Y −1 (e) , pentrue ∈ E şi
Bi = X −1 (ai ) pentru i ∈ I, observăm că are loc egalitatea
Bi = e∈Mi Ae ,
pentru fiecare i ∈ I, şi prin urmare P (Bi ) = e∈Mi P (Ae ) . Variabila
aleatoare X admite medie dacă şi numai dacă familia (|ai | P (Bi ))i∈I aste
sumabilă. Pe de altă parte, funcţia f este integrabilă dacă şi numai dacă fa-
milia (|f (e)| P (Ae ))e∈E este sumabilă. Mulţimea de indici a acestei familii
este partiţionată de mulţimile Mi şi observăm că familia este sumabilă pentru
fiecare din aceste mulţimi de indici iar suma este

|f (e)| P (Ae ) = |ai | P (Ae ) = |ai | P (Bi ) .
e∈Mi e∈Mi
Conform lemei 5.3 sumabilitatea familiei (|f (e)| P (Ae ))e∈E este echivalentă
cu sumabilitatea familiei (|ai | P (Bi ))i∈I . Din aceeaşi lemă rezultă şi egali-
tatea

f dPY = f (e) P (Ae ) = f (e) P (Ae ) = ai P (Bi ) = EX,
e∈E i∈I e∈Mi i∈I
care demonstreză relaţia din enunţ. 2

Pentru a distinge ı̂ntre ele variabilele aleatoare se definesc diverşi parametri
care exprimă sau măsoară diverse proprietăţi ale acestora. Un astfel de
parametru este media unei variabile aleatoare. O altă mărime importantă
asociată unei varibile este dispersia sa. Dispersia este definită pentru vari-
abile aleatoare care ridicate la pătrat admit medie, sau altfel spus, care
sunt de pătrat integrabile. Fie X o astfel de variabilă. Media E (X 2 )
este numită media pătratică sau momentul de ordinul doi al variabilei, iar
numărul√D 2 X := E (X 2 ) − (EX)2 este numit dispersia variabilei. Numărul
DX := D 2 X se numeşte deviaţia standard a variabilei.
5. Dispersia se exprimă şi sub forma D 2 X = E (X − EX)2 . Într-adevăr,
dacă notăm media cu m = EX, atunci avem
E (X − EX)2 = E (X 2 − 2mX + m2 ) =
= E (X 2 ) − 2mEX + m2 = E (X 2 ) − m2 .
De fapt această a doua expresie a dispersiei pune ı̂n evidenţă interesul
noţiunii. Dispersia este media pătratului diferenţei X −EX. Deci ea măsoară
cât de ı̂mprăştiate sunt valorile variabilei faţă de media EX. Desigur că o altă
mărime care măsoară aceeaşi ı̂mprăştiere este şi E |X − EX| . Aceasta ı̂nsă
este mai puţin convenabilă pentru manipulare. De exemplu, se comportă mai
greoi ı̂n raport cu adunarea variabilelor aleatoare. Media pătratică este legată
de norma pătratică care face din spaţiul variabilelor de pătrat integrabile, L2 ,
un spaţiu Hilbert şi acesta are proprietăţi speciale. Media E |X| este legată
de spaţiul L1 , care este mai dificil de abordat ı̂n privinţa calculelor.
6. Media şi media pătratică ale unei variabilei aleatoare se pot exprima
ı̂n funcţie de repartiţia sa astfel

2
EX = xPX (dx) , E X = x2 PX (dx) .
Aceste relaţii rezultă prin aplicarea lemei anterioare funcţiilor f (x) = x şi
f (x) = x2 . Din aceste relaţii rezultă şi că dispersia se exprimă prin
2
2 2
D X = x PX (dx) − xPX (dx) .
5.4 Exerciţii
Exerciţiul 5.1 Fie f : Λ → E o aplicaţie de la o mulţime arbitrară Λ cu
valori ı̂ntr-o mulţime cel mult numărabilă E. Notăm cu σ (f ) cea mai mică
5.4. EXERCIŢII 105
σ−algebră pe Λ care face din f o aplicaţie măsurabilă, când pe E se consideră

σ−algebra P (E) , a părţilor lui E. Să se arate că o funcţie g : Λ → R este
măsurabilă faţă de σ (f ) dacă şi numai dacă există o funcţie h : E → R,
astfel ı̂ncât g = h ◦ f.
Exerciţiul 5.2 Dacă E este o mulţime cu cel puţin două elemente, atunci
mulţimea Ω = E N este nenumărabilă.
Pentru următoarele patru exerciţii presupunem că E este o mulţime cel

mult numărabilă iar µ este o măsură de probabilitate pe E.
Exerciţiul 5.3 Dacă G ⊂ E este o submulţime arbitrară, să se arate că,

pentru fiecare ε > 0, există o mulţime finită F ⊂ G cu proprietatea că
µ (G\F ) < ε.
Exerciţiul 5.4 Presupunem că f ≥ 0 este o funcţie integrabilă şi g este o

altă funcţie astfel că |g| ≤ f. Să se arate că atunci şi g este integrabilă.
Exerciţiul 5.5 Să se arate că dacă (fn )n∈N este un şir crescător de funcţii
pozitive, integrabile
şi supn∈N
fn dµ < ∞, atunci funcţia f = limn∈N fn este
integrabilă şi f dµ = lim fn dµ.
Exerciţiul 5.6 Fie (fn )n∈N un şir de funcţii care are limita punctuală f.
Presupunem că există o funcţie integrabilă g ≥ 0 astfel ca |fn | ≤ g, pentru
orice n ∈ N. Să se arate că atunci f este integrabilă şi că are loc relaţia
f dµ = lim fn dµ.
Exerciţiul 5.7 Fie E1 , E2 , E3 trei mulţimi cel mult numărabile şi µ1 , µ2 , µ3

măsuri de probabilitate definite pe ele. Identificând spaţiile produs (E1 × E2 )×
E3 ∼
= E1 × (E2 × E3 ) ∼
= E 1 × E2 × E 3 să
se arate că are loc egalitatea

(µ1 µ2 ) µ3 = µ1 (µ2 µ3 ) = µ1 µ2 µ3 .
Exerciţiul 5.8 Fie (Ei )i∈I o familie finită de mulţimi cel mult numărabile.
Presupunem că mulţimea I este partiţionată sub forma I = ∪j∈J Ij , unde
mulţimile dinpartiţie sunt indexate
astfel ı̂ncât Ij ∩ I
l = ∅, dacă j = l.
j j
Notăm E = i∈Ij Ei şi µ = i∈Ij µi . Să se arate că i∈I Ei este izomorf

cu j∈J E j şi sub acest izomorfism avem i∈I µi = j∈J µj .
Exerciţiul 5.9 Fie (Ω, F , P ) un spaţiu probabilizat şi A1 = (A1,i )i∈I1 , A2 =

(A1,i )i∈I2 două partiţii. Definim variabilele aleatoare Xk : Ω → Ik prin
Xk (ω) = i, dacă ω ∈ Ai , unde k = 1, 2. Săse verifice că partiţiile A1 şi A2
sunt independente dacă şi numai dacă PX1 PX2 = PZ , unde Z : Ω → I1 ×I2
este aplicaţia definită prin Z (ω) = (X1 (ω) , X2 (ω)) . Să se deducă o nouă
demonstraţie pentru afirmaţia că independenţa partiţiilor este echivalentă cu
independenţa σ−algebrelor σ (A1 ) şi σ (A2 ) . Generalizare la cazul mai multor
partiţii.
Exerciţiul 5.10 (Construcţia unui şir de variabile independente identic re-
partizate dată de Lebesgue.) Considerăm Ω = [0, 1), intervalul unitate, cu
σ−algebra mulţimilor boreliene, F = B ([0, 1)) şi notăm P măsura Lebesgue.
Deci (Ω, F , P ) este un spaţiu probabilizat.
(i) Să un şir (a1 , a2 , ...) ∈
se arate că pentru fiecare număr a ∈ [0, 1), există
N∗
{0, 1} de cifre 0 sau 1 astfel ca să avem egalitatea a = ∞ an
n=1 2n .
∗
(ii) Notăm Γ = (a1 , a2 , ...) ∈ {0, 1}N / ∃n ∈ N∗ , ak = 1, ∀k ≥ n , mulţimea
şirurilor de cifre 0 sau 1 care sunt constante cu valoarea 1, ı̂ncepând de la un
N∗
anumit rang. Pe mulţimea ∞ an Λ = {0, 1} \Γ definim aplicaţia F : Λ → [0, 1)
prin F (a1 , a2 , ...) = n=1 2n . Să se arate că F este o bijecţie.
(Seria ∞ an
n=1 2n este numită reprezentarea diadică a valorii pe care o are
suma respectivă. Deci orice număr din Ω are o unică reprezentare diadică
cu un şir din Λ.)
(iii) Definim aplicaţiileXn : Ω → {0, 1} ı̂n felul următor: dacă a ∈ Ω se
reprezintă ı̂n forma a = ∞ n=1 2n , cu un şir (a1 , a2 , ...) ∈ Λ, atunci punem
an
Xn (a) = an . Fie b1 , ..., bn ∈ {0, 1} un sistem arbitrar de cifre şi să punem
b = b21 + ... + 2bnn . Să se arate că dacă pentru un număr a ∈ Ω avem X1 (a) =
b1 , ..., Xn (a) = bn , atunci el se scrie sub forma a = b + 21n c, unde c ∈ [0, 1).
Să se deducă egalitatea
1
{X1 = b1 , ..., Xn = bn } = [b, b + ).
2n
(iv) Să se arate că, pentru orice x ∈ {0, 1} şi n ∈ N∗ , are loc egalitatea

{Xn+1 = x} = {X1 = b1 , ..., Xn = bn , Xn+1 = x} ,
(b1 ,...,bn)∈{0,1}n
unde mulţimile care participă la reuniune sunt disjuncte. Să se deducă relaţia
P (Xn+1 = x) = 12 şi apoi să se tragă concluzia că X1 , X2 , ... sunt variabile
aleatoare independente cu repartiţia Bernoulli de parametru p = 0, 5.
Exerciţiul 5.11 Un zar măsluit are următorul comportament la aruncare:

feţele cu numere pare au aceeaşi probabilitate de apariţie; feţele cu numere
impare de asemenea probabilităţi egale ı̂ntre ele; o faţă cu număr par are
şanse duble de a ieşi faţă de o faţă cu număr impar. 1) Să se determine
probabilitatea cu care iese fiecare faţă separat. 2) Se aruncă de trei ori zarul.
Să se determine probabilitatea: a) să iasă exact de două ori o cifră impară,
b) să iasă trei cifre consecutive, ı̂n orice ordine.
Exerciţiul 5.12 La o roată de ruletă există 38 de sectoare ı̂n care se poate

indicatorul, cu şanse egale pentru fiecare sector. Un jucător care pariază
simplu pe un sector plăteşte suma x la intrarea ı̂n joc. În caz că, după
rotirea ruletei, iese numărul ales, jucătorul câştigă de 36 de ori valoarea pe
care a pariat. Care este media câştigului pe care ı̂l obţine cazinoul ı̂n acest
caz?
Exerciţiul 5.13 Matematicianul Ştefan Banach avea două cutii de chibrite,

fiecare cu câte 50 de beţe, ı̂n acelaşi buzunar. De câte ori a avut nevoie, el a
scos câte o cutie la ı̂ntâmplare şi a utilizat un băţ de chibrit. La un moment
dat cutia pe care o scoate din buzunar are un singur băţ şi după utilizare este
terminată. Să se construiască un model probabilist cu o variabilă aleatoare
care să modeleze numărul de chibrite ce se pot afla ı̂n cealălaltă cutie ı̂n
momentul ı̂n care este golită prima cutie. Să se determine repartiţia acestei
variabile. Care este numărul mediu de chibrite ce rămân ı̂n cea de a doua
cutie?
Capitolul 6
Câteva repartiţii pe N
În această secţiune vom discuta despre câteva exemple importante de repartiţii
pe mulţimea numerelor naturale N. Deoarece orice măsură µ, pe (N,P (N)) ,
este determinată complet de valorile pe care le ia pe puncte, ea se poate
identifica cu şirul µn = µ ({n}) , n ∈ N.
Repartiţia Bernoulli. Poartă numele matematicianului Jacob Bernoulli

(1654-1705). Această repartiţie este o măsură suportată de punctele 0 şi 1 şi
este dată de formula qδ0 + pδ1 , cu parametrii p ∈ (0, 1) şi q = 1 − p.
Fiind dat un eveniment A ∈ F pe un spaţiu probabilizat (Ω, F , P ) astfel
ı̂ncât P (A) ∈ (0, 1), se poate defini variabila aleatoare X = 1A , care va avea
repartiţia PX = qδ0 + pδ1 şi care este o repartiţie Bernoulli cu parametrul
p = P (A). Am obţinut ı̂n acest fel o variabilă repartizată Bernoulli.
6.1 Repartiţia geometrică

∞
Aceasta este o repartiţie pe N∗ , dată de expresia pq n−1 δn , care are masele
n=1
ataşate punctelor ı̂n progresie geometrică cu primul termen p ∈ (0, 1) şi cu
∞
raţia q = 1 − p. Se verifică imediat că p
pq n−1 = 1−q = 1. O variabilă
n=1
aleatoare tipică, având repartiţia geometrică, este construită ı̂n felul următor.
Presupunem că pe spaţiul probabilizat (Ω, F , P) avem un şir de evenimentele
independente A1 , A2 , ... astfel că P (Ai ) = p ∈ (0, 1) este o valoare fixă pentru
i = 1, 2, ... Şirul acesta de evenimente se mai numeşte şi proces Bernoulli.
109
110 CAPITOLUL 6. CÂTEVA REPARTIŢII PE N
[Putem de exemplu să gândim că se modelează o serie de aruncări cu zarul

ı̂n care Ai reprezintă evenimentul de a ieşi valoarea 6 la cea de a i−a arun-
care. Într-un astfel de caz este normal ca să presupunem aceste evenimente
independente, iar P (Ai ) = 16 . Dacă fiecare aruncare s-ar executa cu două
zaruri, iar Ai ar corespunde realizării evenimentului că zarurile au ambele 6,
1
atunci ar trebui să considerăm p = P (Ai ) = 36 .]
Pentru i ≥ 2, vom nota Di = Ac1 ∩ ... ∩ Aci−1 ∩ Ai , care este evenimentul ce
constă din nerealizarea evenimentelor A1 , ..., Ai−1 şi realizarea lui Ai . Punem
D1 = A1 şi este clar că evenimentele D1 , D2 , ..., Dn sunt disjuncte şi

n
n
Ai = Di .
i=1 i=1

n
n
Avem P (Di ) = q i−1 p şi atunci P Ai
= P Di = p + qp + ... +
i=1 ∞ i=1
i
pq i−1 = p 1−q
1−q
= 1 − qi. Rezultă că P Ai = 1 şi, prin urmare,
i=1

∞
P Ω\ Ai = 0. Familia de evenimente (Di )i∈N formează o partiţie a
i=1

∞
lui Ω = Ai , care este un spaţiu echivalent cu Ω din punctul de vedere al
i=1
evenimentelor din şirul dat (Ai )i≥1 , cât şi al evenimentelor (Di )i≥1 .

∞
Definim T (ω) = i pentru ω ∈ Di şi T (ω) = ∞ pentru ω ∈
/ Ai .
i=1
Variabila T este o variabilă aleatoare cu valori naturale şi are interpretarea
următoare: T (ω) este rangul primului experiment ı̂n care se realizează unul
din evenimentele din seria A1 , A2 , ... Are loc formula
P (T = i) = pq i−1 ,
pentru i = 1, 2, ... şi P (T = ∞) = 0. Deci T este repartizată geometric.

Dacă se modelează un joc de noroc care se desfăşoară ı̂n serii de partide,
iar Ai este evenimentul ,,la a i−a partidă jucătorul a câştigat”, atunci T
reprezintă rangul partidei la care jucătorul câştigă prima oară.
6.2. REPARTIŢIA BINOMIALĂ ŞI SCHEMA LUI BERNOULLI 111
6.2 Repartiţia binomială şi schema lui Bernoulli

Repartiţia binomială este o repartiţie suportată de punctele 0, 1, ..., n şi are
expresia
n
Cni pi q n−iδi ,
i=0
∗
unde n ∈ N este numit ordinul repartiţiei, p ∈ (0, 1) este un alt parametru
şi q = 1 − p. Pentru a verifica că masa totală a acestei măsuri este 1 se trece
prin formula binomului lui Newton:
n

n
1 = (p + q) = Cni pi q n−i .
i=0
De aici vine denumirea de ”binomială” pentru repartiţie.

Vom calcula acum media şi dispersia unei variabile aleatoare, X, definite
pe un spaţiu probabilizat (Ω, F , P ) , care este repartizată binomial cu ordinul
n şi parametrul p :

n
n
n!
EX = kP (X = k) = k pk q n−k =
k=0 k=0
k! (n − k)!

n
(n − 1)! (n − 1)!
n−1
= np pk−1 q n−k = np pl q n−1−l = np,
(k − 1)! (n − k)! l! (n − 1 − l)!
k=1 l=0

n
n
n!
2 2
EX = k P (X = k) = k2 pk q n−k =
k=0 k=0
k! (n − k)!

n
(n − 1)! n−1
(n − 1)!
= np k pk−1 q n−k = np (l + 1) pl q n−1−l =
(k − 1)! (n − k)! l! (n − 1 − l)!
k=1 l=0
= np [(n − 1) p + 1] = (np)2 + npq.
D 2 X = EX 2 − (EX)2 = npq.
Construcţia unei variabile aleatoare tipice cu repartiţia binomială este
obţinută din schema lui Bernoulli. Acestă schemă constă dintr-un spaţiu
probabilizat (Ω, F , P) pe care sunt date n evenimente independente A1 , ..., An

care au toate aceeaşi probabilitate P (Ai ) = p, i = 1, ..., n, cu p ∈ (0, 1) . În
acest cadru are loc următorul rezultat.

n
Propoziţia 6.1 Variabila aleatoare S = 1Ai este repartizată binomial cu
i=1
parametrii n, p.
Demonstraţie. Vom proceda prin inducţie după parametrul n. Notăm,

pentru k = 1, ..., n,
k
Sk = 1 Ai .
i=1
Presupunem că am demonstrat formula
P (Sk = j) = Ckj pj q k−j ,
pentru orice j = 0, ..., k şi o vom demonstra cu k + 1 ı̂n locul lui k. Avem
Sk+1 = Sk + 1Ak+1 , iar Sk şi 1Ak+1 sunt independente. Pentru a vedea
acest lucru, mai ı̂ntâi vom examina consecinţele independenţei evenimentelor
Ai , i = 1, ..., n. Notăm ai = a (Ai ) = {Ai , Aci , Ω, ∅} , algebra generată de
evenimentul Ai , care este chiar o σ−algebră. Acestea sunt independente, ca
urmare a ipotezei şi a lemei 3.1, iar teorema de asociativitate a independenţei,
teorema 4.1, ne spune că σ (a1 , ..., ak ) şi ak+1 sunt independente. Pe de altă
parte, putem scrie Sk = f (X1 , ..., Xk ) , unde f : Rk → R este funcţia sumă,
definită prin f (x1 , ..., xk ) = x1 +...+xk . Atunci proprietatea 4. din paragraful
despre σ−algebra generată de o variabilă ne asigură că Sk este măsurabilă
ı̂n raport cu σ (a1 , ..., ak ) . Rezultă deci că Sk şi 1Ak+1 sunt independente.
Mai departe introducem notaţia
Bk,j = {Sk = j} .
şi observăm că mulţimile Bk,0, Bk,1 , ..., Bk,k formează o partiţie a lui Ω. Se
verifică direct relaţiile

Bk+1,0 = {Sk+1 = 0} = Sk= 0, 1Ak+1 = 0 =Bk,0 ∩ Ack+1 ,
Bk+1,k+1 = {Sk+1 = k+ 1} = Sk = k, 1Ak+1= 1 = Bk,k ∩ Ak+1 ,
Bk+1,j = {Sk+1 = j} = Sk = j, 1Ak+1 = 0 ∪ Sk = j − 1, 1Ak+1 = 1
= (Bk,j ∩ Ack+1 ) ∪ (Bk,j−1 ∩ Ak ),
6.2. REPARTIŢIA BINOMIALĂ ŞI SCHEMA LUI BERNOULLI 113
pentru j = 1, ..., k. Pe de altă parte, ţinând cont că mulţimile Bk,j sunt
fiecare independente de Ak+1 , putem scrie
P (Bk+1,0) = P (Bk,0 ) q,
P (Bk+1,k+1) = P (Bk,k ) p,
P (Bk+1,j ) = P (Bk,j ) q + P (Bk,j−1) p,
pentru j = 1, ..., k. Ţinând cont de ipoteza de inducţie aceste relaţii devin
P (Bk+1,0 ) = Ck0 q k+1 = Ck+1

0
q k+1,
k k+1 k+1 k+1
P (Bk+1,k+1) = Ck p = Ck+1 p ,
P (Bk+1,j ) = Ckj pj q k−j q + Ckj−1pj−1 q k−j+1p =

= Ckj + Ckj−1 pj q k+1−j = Ck+1 j
pj q k+1−j ,
Este instructiv de văzut că se poate demonstra că S este repartizată
binomial şi printr-un calcul brut direct. Facem acest lucru mai jos. Prin
comparaţie, putem spune că demonstraţia anterioară, de fapt, evită calculul
prin utilizarea proprietăţii de asociere a independenţei.
Altă demonstraţie. În acest scop introducem notaţia Ai,1 = Ai şi
Ai,−1 = Aci , pentru i = 1, ..., n,
Aλ = A1,λ1 ∩ ... ∩ An,λn ,
pentru orice sistem λ = (λ1 , ..., λn ) ∈ Γ := {−1, 1}n şi mai notăm s (λ) =
n+λ1 +...+λn
2
, o mărime care indică numărul de componente ale lui λ care sunt
egale cu 1. Se verifică direct că are loc relaţia următoare

{S = i} = Aλ ,
s(λ)=i
unde reuniunea se ia după toate sistemele λ ∈ Γ astfel ı̂ncât s (λ) = i, iar

i = 1, ..., n. Mulţimile care participă la această reuniune formează o partiţie;
mai precis, dacă λ = τ , atunci Aλ ∩ Aτ = ∅. Rezultă

P (S = i) = P Aλ .
s(λ)=i

Dar P Aλ = P (A1,λ1 ) · ... · P (An,λn ),
datorită
independenţei şi P (Aj,1) =
p, P (Aj,−1) = q, ceea ce conduce la P A = p q , pentru un sistem λ ∈ Γ
λ i n−i
astfel ca s (λ) = i. Atunci avem P (S = i) = pi q n−icard {λ ∈ Γ | s (λ) = i}.

Dar mulţimea {λ ∈ Γ | s (λ) = i} este ı̂n corespondenţă bijectivă cu mulţimea
părţilor lui {1, 2, ..., n} care au cardinalul i. Acestea sunt ı̂n număr de Cni ,
ceea ce permite a trage concluzia că
P (S = i) = pi q n−i Cni ,
terminând astfel demonstraţia. 2

Prima metodă de demonstraţie are şi avantajul de a se extinde producând,
cu o demonstraţie identică, următorul rezultat.
Propoziţia 6.2 Fie X1 , ..., Xk , variabile aleatoare independente, repartizate

binomial având ordinele, respectiv n1 , ..., nk şi cu al doilea parametru identic
p ∈ (0, 1) . Atunci suma X1 + ... + Xk este repartizată binomial cu ordinul
n1 + ... + nk şi acelaşi parametru p.
6.3 Repartiţia Poisson

6.3.1 Generalităţi
Repartiţia Poisson poartă numele matematicianului francez Denis Poisson
(1781-1840). Repartiţia Poisson de parametru λ > 0 este o repartiţie pe N,
definită prin relaţia
∞
λk
µ= e−λ δk .
k=0
k!
O variabilă alearoare X (definită pe un spaţiu probabilizat (Ω, F , P )) este

repartizată Poisson cu parametru λ > 0, dacă
λk
P (X = k) = e−λ .
k!
Vom stabili mai jos câteva din proprietăţile mai importante ale vari-
abilelor repartizate Poisson. Un calcul direct arată imediat că EX = λ
şi D 2 X = λ :

∞ k
∞
λk ∞
λk
−λ λ −λ −λ
EX = e k=e =e λ = λ,
k=0
k! k=1
(k − 1)! k=0
k!
6.3. REPARTIŢIA POISSON 115

∞ k
∞
λk λk ∞
2 −λ λ 2 −λ
EX = e k =e k = e−λ λ (k + 1) =
k! (k − 1)! k!
k=0 k=1 k=0
λk
∞
λk
= e−λ λ + k = λ + λ2 ,
k=0
k! k=0
k!
D 2 X = EX 2 − (EX)2 = λ.
Propoziţia 6.3 Fie X1 , ..., Xn variabile aleatoare independente repartizate

Poisson cu parametrii respectivi λ1 , ..., λn > 0. Atunci suma lor X1 + ... + Xn
este repartizată tot Poisson, cu parametrul λ = λ1 + ... + λn .
Demonstraţie. Este suficient să tratăm cazul a două variabile, pentru

că apoi rezultă şi cazul general printr-o inducţie simplă. Pentru două variabile
putem scrie

k
{X1 + X2 = k} = {X1 = i} ∩ {X2 = k − i} ,
i=0

k
P (X1 + X2 = k) = P (X1 = i) P (X2 = k − i) =
i=0

k i
λ2k−i 1 i i k−i
k
−λ1 λ1 −λ2
= e e = e−λ1 e−λ2 C λλ =
i=0
i! (k − i)! k! i=0 k 1 2
1
= e−(λ1 +λ2 )
(λ1 + λ2 )k .
k!
Pentru a trata cazul general se face o inducţie după n. Presupunem demon-
strată propoziţia pentru sume de n − 1 variabile. Fiind date n variabile,
scriem X1 + ... + Xn = (X1 + ... + Xn−1 ) + Xn şi ţinem cont că variabilele
X1 + ... + Xn−1 şi Xn , sunt independente datorită teoremei 4.1.
Repartiţia Poisson este legată de repartiţia binomială printr-o teoremă de
aproximare asemănătoare teoremei de Moivre-Laplace ce va fi demonstrată
ı̂n capitolul următor. Fie (Xi )i∈N un şir de variabile aleatoare repartizate
binomial cu parametrii pi , ni , care corespund fiecărui indice i ∈ N. Notăm

qi = 1 − pi şi presupunem că sunt ı̂ndeplinite următoarele condiţii
lim ni = ∞,
i→∞
lim ni pi = λ,
i→∞
unde λ > 0 este un număr fixat.
Teorema 6.1 În condiţiile de mai sus repartiţiile PXi converg la repartiţia
Poisson de parametru λ, ı̂n sensul următor
λk
lim P (Xi = k) = e−λ , k ∈ N.
i→∞ k!
Demonstraţie. Ştim că
ni (ni − 1) ... (ni − k + 1) k

P (Xi = k) = Cnki pki qini −k = pi (1 − pi )ni −k =
k!

1 1 k−1 1
(p n −p k)
= (ni pi ) 1 −
k
... 1 − (1 − pi ) pi i i i .
k! ni ni
Vom trece acum la limită ı̂n acest produs. Pentru k fixat, produsul cu k − 1
factori are limita

1 k−1
lim 1 − ... 1 − = 1.
i→∞ ni ni
Apoi, pentru ultimul factor observăm că expresia din paranteza de la expo-
nent are limita:
lim (pi ni − pi k) = λ.
i→∞
Deci limita ultimului factor este

1
(pi ni −pi k)
lim (1 − pi ) pi = e−λ .
i→∞
Toate aceste observaţii conduc la rezultatul anunţat. 2

6.3. REPARTIŢIA POISSON 117
6.3.2 Estimarea erorilor

Vom face o estimare a erorilor pentru aproximarea dată de teorema ante-
rioară, pornind de la formula
1 − x = e−x+r(−x) , x ≥ 0,
2
unde r satisface estimarea − 1−x x
≤ r (−x) ≤ 0 (vezi lema 2.3). Mai pre-
cis, presupunem că X este o variabilă aleatoare repartizată binomial cu
parametrii p, n şi notăm λ = pn. Vrem să estimăm eroarea care se face
ı̂n aproximarea repartiţiei lui X cu repartiţia Poisson de parametru λ.
Expresia ce ne interesează o scriem sub forma următoare

λk 1 k−1
P (X = k) = 1− ... 1 − (1 − p)n−k .
k! n n
Vom face aproximarea doar pentru k ≤ k0 unde k0 este un număr fix.

Alegerea lui k0 este o problemă ce trebuie analizată cu ocazia fiecărei aplicaţii.
Notăm θ = kλ0 . Pentru produsul factorilor din mijloc avem expresia
j k−1
k−1 j k(k−1)
k−1
j
1 k−1 − n
+ r (− n ) − 2n + r (− n )
1− ... 1 − =e j=1 j=1
=e j=1
,
n n
iar pentru ultimul factor
(1 − p)n−k = e−λ+kp+(n−k)r(−p) .
Se deduce atunci
λk −λ εk
P (X = k) = e e , (∗)
k!
j
k−1
unde εk = kp + (n − k) r (−p) − k(k−1)
2n
+ r − n . Evaluarea lui εk o facem
j=1
uniform pentru k ≤ k0 = θλ, ı̂n felul următor:
(n − k) p2 λp
0 ≥ (n − k) r (−p) ≥ − ≥− ;
1−p 1−p
k−1
1 2
k−1 2 k−1
j j 1 1
r − ≥− ≥− j =
j=1
n j=1
n2 1 − j
n
n2 1 − θλ
n j=1
1 1 k (k − 1) (2k − 1) 1 k3 1 θ 3 λ3
=− ≥ − ≥ − =
n2 1 − θp 6 3n2 1 − θp 3n2 1 − θp
θ3
=− λp2 ;
3 (1 − θp)

k (k − 1) kp 1 k λp 1
kp − = 2+ − = y 2 + − y = f (y) ,
2n 2 λ λ 2 λ
unde am notat y = λk . Valoarea maximă a lui f este
2
λp 1
fmax = 1+ .
2 2λ
Pentru a determina minimul, ţinem cont că, de fapt, funcţia f ne intere-
sează doar pe intervalul [0, θ]. Dacă θ ≤ 2 + λ1 atunci f ≥ 0. Dacă θ > 2 + λ1 ,
minimul acestei funcţii este obţinut ı̂n θ şi este
!
λp 1 θ2 1
fmin = θ 2 + − θ = −λp −θ 1+ .
2 λ 2 2λ
În concluzie, putem spune că

2
λp 1
εk ≤ 1+ (∗∗)
2 2λ
şi dacă θ ≤ 2 + λ1 , atunci
!
1 pθ3
−λp + ≤ εk , (∗ ∗ ∗)
1 − p 3 (1 − θp)
iar dacă θ > 2 + λ1 , atunci
!
1 θ2 pθ3 1
−λp + + −θ 1+ ≤ εk .
1−p 2 3 (1 − θp) 2λ
Pentru a estima eεk se poate utiliza inegalitatea următoare, ce se poate
demonstra prin metodele obişnuite, la fel ca lema 2.3,
x
1 + x ≤ ex ≤ 1 + , x < 1. (#)
1−x
6.4. HISTOGRAME 119
Exemplu. În procesul de fabricaţie al unui obiect apar produse defecte cu

1
frecvenţa de 100 . Ne punem problema de a determina care este probabilitatea
de a găsi cinci sau mai multe produse defecte la testarea a 200 de obiecte.
Soluţie. Vom nota cu X o variabilă aleatoare repartizată binomial cu
parametrii p = 0, 01, n = 200, care modelează numărul de produse defecte
ce apar la 200 de teste. Repartiţia lui X poate fi aproximată cu o repartiţie
Poisson de parametru λ = 2. Pentru θ = 2 + 12 , avem k0 = 5 şi relaţiile (**),
(***) ne dau estimarea

2 100 1 (2, 5)3 1 1
−0, 02127 ≤ − + ≤ εk ≤ 1+ = 0, 0125,
100 99 100 3 × 0, 975 100 4
pentru orice k ≤ 5. Mai departe, ţinând cont de estimarea (#) avem
1 − 0, 02127 ≤ eεk ≤ 1 + 0, 01265.
Vom avea, după relaţia (*),

4
2k
4
2k
0, 97873 × e−2 ≤ P (X ≤ 4) ≤ 1, 01265 × e−2 .
k=0
k! k=0
k!
4 2k
Prin calcul direct avem e−2 k=0 k! = 0, 94735 şi prin urmare
0, 92719 ≤ P (X ≤ 4) ≤ 0, 95933.
Răspunsul la problema pusă este obţinut cu aproximaţie sub forma următoare
0, 04067 ≤ P (X ≥ 5) ≤ 0, 07281. 2
6.4 Histograme
O histogramă este o reprezentare grafică pentru o distribuţie discretă. Ele pot
fi de mai multe tipuri. Cele mai obişnuite histograme sunt cele ı̂n care pentru
fiecare punct din suportul distribuţiei se desenează un dreptunghi de ı̂nălţime
proporţională cu ponderea repartizată punctului. Astfel de histograme sunt
curent utilizate ı̂n economie. Programul Excel are facilităţi speciale pentru
executarea histogramelor. Am redat ı̂n figurile 6.1 - 6.7 câteva histograme
ale unor repartiţii pe care le-am ı̂ntâlnit până acum.
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Figura 6.1: Repartiţia binomială cu n = 10 şi p = 0, 5.
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9 10
Figura 6.2: Repartiţia binomială cu n = 10 şi p = 0, 3.
Este de notat că scara pentru axa verticală este dilatată faţă de cea ori-
zontală, pentru a putea da un aspect grafic vizibil repartiţiilor. De exemplu,
valorile repartiţiilor binomiale fiind foarte mici, ı̂n cazul ı̂n care n este mare,
la o reprezentare cu aceeaşi scară pe ambele axe nu ar mai fi posibil să vedem
nimic ı̂ntr-un grafic dintr-o pagină de carte. Chiar şi aşa, marea majoritate
a valorilor apar ı̂n grafic confundate cu zero. În figurile 6.3 şi 6.4 se observă
numai valorile din jurul mediei np.
Repartiţiile de acelaşi fel sunt redate ı̂n figurile noastre păstând cele două
scări, pentru a putea fi comparate ı̂ntre ele. Dar tipurile diferite de repartiţii
au scări diferite.
121
Figura 6.3: Repartiţii binomiale cu n = 100 şi p = 0, 5, p = 0, 3, p = 0, 1.

0 . 0 9
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 . 0 9
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 . 1 5
0 . 1 2
0 . 0 9
6.4. HISTOGRAME
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
CAPITOLUL 6. CÂTEVA REPARTIŢII PE N
Figura 6.4: Repartiţii binomiale cu n = 100 şi p = 0, 6, p = 0, 7, p = 0, 8.

0 . 0 9
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 . 0 9
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
0 . 1 2
0 . 0 9
0 . 0 6
0 . 0 3
0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
122
6.4. HISTOGRAME 123
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8 9
Figura 6.5: Repartiţia geometrică cu p = 0, 5.
0.25
0.2
0.15
0.1
0.05
0
0 2 4 6 8 10 12 14 16 18 20
Figura 6.6: Repartiţia geometrică cu p = 0, 8.

0.7
0.4
0.35
0.6
0.3
0.25
0.5
0.2
0.15
0.4
0.1
0.05
0.3
0
0 1 2 3 4 5 6
0.2
0.1
0
0 1 2 3 4 5
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Figura 6.7: Repartiţii Poisson cu parametrii λ = 0, 5 (stânga sus) λ = 1

(dreapta sus) şi λ = 5 (jos).
6.5. ÎMPRĂŞTIEREA ALEATOARE 125
6.5 Împrăştierea aleatoare

O serie de fenomene fizice sunt descrise printr-o mulţime finită de puncte
răspândite aleator ı̂ntr-un ”spaţiu ” E, spaţiu care la rândul său este o
submulţime, de obicei continuă (ı̂n sensul de nediscretă şi de puterea contin-
ului), dintr-un spaţiu euclidian. Spaţiul euclidian respectiv poate avea orice
dimensiune, inclusiv unu.
Exemple de astfel de fenomene pot fi următoarele: a) Picăturile de ploaie
care cad ı̂ntr-o secundă pe o suprafaţă de un metru pătrat, determinat. b)
Microbii care sunt ı̂mprăştiaţi ı̂ntr-un volum de aer contaminat. c)Momentele
de timp la care trec autovehiculele prin dreptul unui reper pe şosea. Aici
spaţiul euclidian este unu-dimensional şi reprezintă timpul. d) Momentele
de timp la care sosesc apelurile la o centrală telefonică. e) Momentele la
care soseşte ı̂n fiecare zi avionul de pe o cursă regulată, sau şi mai comun,
momentele la care soseşte autobuzul ı̂n staţie, etc. Toate aceste fenomene
sunt modelate de obiectul matematic numit măsură aleatoare Poisson.
Fie (E, E) un spaţiu măsurabil şi λ o măsură σ- finită pe (E, E). Notăm
cu Ω mulţimea părţilor cel mult numărabile din E,
Ω = {F ∈ P (E) | F este f inită sau numărabilă} ,
şi pentru fiecare mulţime A ∈ E notăm XA : Ω → R+ , aplicaţia de numărare
XA (F ) = card (A ∩ F ) , F ∈ Ω.
Se observă că dacă A, B ∈ E şi A ⊂ B atunci XA ≤ XB , iar dacă A ∩ B = ∅,

atunci XA∪B = XA + XB .
Pe mulţimea Ω definim F drept cea mai mică σ- algebră care face toate
aplicaţiile XA măsurabile:
F = σ (XA | A ∈ E) .
Definiţia 6.1 O măsură de probabilitate P pe (Ω, F ) va fi numită măsură

aleatoare Poisson cu intensitate λ, dacă sunt verificate următoarele pro-
prietăţi:
10 Dacă A ∈ E este astfel ı̂ncât λ (A) < ∞, atunci XA este aproape sigur
finită şi are repartiţia Poisson cu parametrul λ (A).
20 Dacă A1 , ..., An ∈ E sunt mulţimi disjuncte, atunci variabilele XA1 , ..., XAn
sunt independente.
Rezultă imediat din definiţie că EXA = λ (A) pentru orice mulţime A ∈ E
cu proprietatea că λ (A) < ∞. În particular, pentru fiecare mulţime A ∈ E
astfel ı̂ncât λ (A) < ∞, probabilitatea P este suportată de mulţimea
ΩA = {F ∈ Ω | card (F ∩ A) < ∞} .
Dacă măsura λ este finită, atunci P este suportată de mulţimea părţilor finite
din E.
Pe de altă parte, dacă o mulţime A ∈ E are măsura infinită (λ (A) =
∞), atunci se pot construi mulţimile (A n )n∈N ⊂ E astfel ı̂ncât An ⊂ An+1 ,
λ (An ) < ∞ pentru orice n ∈ N şi A = An . Ţinând cont de lema de mai
n
jos rezultă că XA ≥ lim XAn = ∞, aproape sigur.
n
Mai notăm că ı̂n cazul a două mulţimi A, B ∈ F astfel ı̂ncât A ⊂ B şi
λ (A) = λ (B) , rezultă că XA = XB , aproape sigur.
Măsurile aleatoare Poisson sunt utile atât ı̂n tratarea aplicaţiilor cât şi
ı̂n studiul teoretic al unor probleme legate de procesele Markov. Enunţăm
mai jos teorema generală de construcţie a unei măsuri aleatoare Poisson cu
intensitate dată. Demonstraţia se bazează pe unele idei legate de procesele
Poisson şi nu ı̂şi are locul cel mai bun aici.
Teorema 6.2 Fiind dat un spaţiu măsurabil (E, E) şi o măsură σ- finită λ
pe el, există şi este unică o măsură de probabilitate P pe (Ω, F ) care este o
măsură aleatoare Poisson cu intensitatea λ.
În continuare vom prezenta alte fapte legate de măsurile aleatoare Poisson
păstrând notaţiile introduse mai sus. Vom avea nevoie de următoarea lemă
tehnică.
Lema 6.1 Fie (Xn )n∈N un şir crescător de variabile aleatoare repartizate
Poisson (definite pe un spaţiu probabilizat (Ω, F , P )).
(i) Dacă sup EXn < ∞ atunci limita şirului X = lim Xn este o variabilă
n n
aleatoare repartizată Poisson cu parametrul sup EXn .
n
(ii) Dacă sup EXn = ∞, atunci lim Xn = ∞, aproape sigur.
n n
(iii) În cazul ı̂n care (Xn ) este descrescător, limita este sau nulă sau tot
o variabilă repartizată Poisson, cu parametrul inf EXn .
n
Demonstraţie. Vom nota λn = EXn şi observăm că şirul (λn )n∈N este
crescător cu limita ce o notăm λ = lim λn .
(i) Prin aplicarea lemei lui Beppo Levi se deduce că X este integrabilă
cu EX = λ. Pentru fiecare k ∈ N, şirul de mulţimi {Xn ≤ k} , n ∈ N este
descrescător şi avem ∩n {Xn ≤ k} = {X ≤ k} . De aceea există limita

k l
k
λl
−λn λn
P (X ≤ k) = lim P (Xn ≤ k) = lim e = e−λ , (∗)
n→∞ n→∞
l=0
l! l=0
l!
de unde rezultă că X este repartizată Poisson cu parametrul λ.

(ii) Relaţia (*) de mai ı̂nainte arată că ı̂n cazul ı̂n care limn→∞ λn = ∞,
rezultă P (X ≤ k) = 0, pentru orice k. Aceasta demonstrează afirmaţia din
enunţ.
(iii) În cazul ı̂n care şirul de variabile este descrescător rezultă că şirul de
mulţimi {Xn ≤ k} , n ∈ N, este crescător. Din nou este valabilă relaţia (∗)
şi se raţionează similar cazurilor dinainte. Dacă limn→∞ λn = 0, se obţine
X = 0. 2
Următoarea teoremă ajută la modelarea unor exemple concrete. Anume,
faptul că anumite fenomene sunt descrise de o măsură aleatoare Poisson este
greu de acceptat pentru că impune apriori repartiţia Poisson. Teorema de
mai jos arată că de fapt nu este necesar să presupunem că variabilele XA
sunt repartizate Poisson. Această condiţie este implicată de alte condiţii mai
slabe şi mai uşor de acceptat. Deşi este enunţată ı̂n cazul unidimensional,
teorema se poate generaliza şi la cazul unor spaţii E multidimensionale.
Teorema 6.3 Presupunem că E = R, E = B (R) iar λ : B (R) → [0, ∞]

este o măsură finită pe orice interval mărginit, care nu ı̂ncarcă punctele şi
astfel ca:
10 λ ((a, b)) < ∞ , ∀a < b,
20 λ ({a}) = 0 , ∀a ∈ R.
Presupunem că P este o probabilitate pe (Ω, F ) cu următoarele proprietăţi:
30 Pentru orice interval mărginit I ⊂ R are loc relaţia EXI = λ (I) ,
40 Pentru orice două intervale mărginite I, J, astfel ı̂ncât λ (I) = λ (J)
rezultă P (XI = 0) = P (XJ = 0) .
50 Dacă I1 , ..., In sunt intervale disjuncte, atunci variabilele XI1 , ..., XIn
sunt independente.
În aceste condiţii (Ω, F , P ) este o măsură aleatoare Poisson.
Demonstraţie. Vom arăta mai ı̂ntâi că pentru un interval de forma

I = [a, b) cu a, b ∈ R,XI este o variabilă aleatoare repartizată Poisson cu
parametrul λ (I). Notăm α = λ (I) şi ı̂mpărţim intervalul I ı̂n 2n intervale
consecutive, de măsură egală, ı̂n felul următor. Notăm xn0 = a şi luăm punctul
xn1 ∈ (a, b) astfel ı̂ncât λ ([xn0 , xn1 )) = 2αn . Prin recurenţă se construieşte
sistemul de puncte a = xn0 < xn1 < xn2 < ... < xn2n = b, astfel ı̂ncât intervalele
Iin = [xni−1 , xni ) să aibă fiecare măsura λ (Iin ) = 2αn .
n
Notăm Yin = 1X n ≥1 , i = 1, ..., 2n şi Y n = Yin .
I
i i=1
a) Vom arăta acum că şirul (Y n ) este crescător.
Cu aceste notaţii, se observă că diviziunea
n+1
x0 < xn+11 < xn+1
2 < ... < xn+1
2 n+1
rafinează diviziunea {xn0 < xn1 < xn2 < ... < xn2n }. Mai precis, avem xn+1 2 = xn1
şi I1 = [x0 , x1 ) = [x0 , x1 ) ∪ [x1 , x2 ) = I1 ∪ I2 . În general,
n n n n+1 n+1 n+1 n+1 n+1 n+1
xn+1 2i−2 , x2i−1 ) ∪ [x2i−1 , x2i ) = I2i−1 ∪ I2i ,

= xni şi Iin = [xni−1 , xni ) = [xn+1 n+1 n+1 n+1 n+1 n+1
2i
pentru orice indice i = 1, ..., 2n . Aceasta implică
XIin = XI n+1 + XI n+1

2i−1 2i
şi deci Yin ≤ Y2i−1

n+1
+ Y2in+1 , care conduce la Y n ≤ Y n+1 .
b) În continuare vom verifica relaţia lim Y n = XI , aproape sigur. Deoarece
n→∞
XI este finită aproape sigur, rezultă că P este suportată de mulţimea ele-
mentelor F ∈ Ω cu proprietatea că F ∩ I este finită. Vom arăta convergenţa
Y n (F ) → Xi (F ) pentru astfel de elemente F ∈ Ω. Să presupunem deci că
intersecţia F ∩ I se compune din m puncte
F ∩ A = {y1 , ..., ym } ,
puncte ce le vom presupune ordonate y1 < y2 < ... < ym .

Notăm d = min {yj+1 − yj | j − 1, ..., m − 1} , distanţa minimă dintre
două puncte din F. Dacă n este astfel ı̂ncât 21n < d, atunci un interval
de tipul Iin nu poate conţine mai mult de un punct din F . Rezultă că
XIin (F ) ≤ 1 şi deci XIin (F ) = Yin (F ). Cum această egalitate are loc pentru
orice i = 1, ..., 2n , rezultă
n n

2
2
XI (F ) = XIin (F ) = Yin (F ) = Y n (F ) .
i=1 i=1
În concluzie, şirul Y n (F ) este staţionar şi lim Y n (F ) = XI (F ) .

n→∞
Vom utiliza acum faptele demonstrate la a) şi b) de mai sus pentru a
n
aplica teorema 6.1 şirului (Y ). Începem prin a observa că, pentru fiecare n
fixat, mulţimile XIin ≥ 1 , i = 1, ..., 2 n
sunt independente, datorită ipotezei
5 şi numărul pn = P XIin ≥ 1 nu depinde de i, datorită ipotezei 40 . Rezultă
0
că variabilele {Yin | i = 1, ..., 2n } sunt independente, repartizate Bernoulli cu

parametrul pn şi, prin urmare, Y n este repartizată binomial cu parametrii pn
şi 2n . Datorită punctelor a) şi b) rezultă că
pn · 2n = EY n → EXI = λ (I) .
Teorema 6.1 ne asigură că XI este repartizată Poisson cu parametrul λ (I) .

Deoarece λ nu ı̂ncarcă punctele, rezultă că intervalele I = (a, b) şi I =
[a, b] dau variabile de numărare egale:
XI = XI = XI , a.s.
Fie acum o mulţime deschisă D ⊂ R. Ea se scrie ca o reuniune cel mult
numărabilă de intervale deschise disjuncte D = In şi are loc relaţia
n

XD = XI n .
n
Dacă λ (D) < ∞, rezultă că XD este o variabilă repartizată Poisson cu

parametrul λ (D), prin aplicarea propoziţiei 6.3 şi a punctului (i) din lema
6.1. În plus, dacă D1 , ..., Dl sunt mulţimi deschise disjuncte de măsură finită,
atunci, utilizând ipoteza 50 şi descompunerile ı̂n intervale ale acestor mulţimi,
se ajunge la concluzia că XD1 , ..., XDl sunt independente.
Să considerăm acum cazul unei mulţimi compacte K ⊂ R. Notăm Dn =
x ∈ R |d (x, k) < n1 vecinătatea de rază n1 a lui K, pentru orice n ∈ N .
∗
Acestea sunt mulţimi deschise mărginite şi K = Dn . Rezultă că

n
XK = lim XDn .
n→∞
Din lema anterioară, rezultă că XK este repartizată Poisson şi parametrul
său este λ (K). În plus, dacă K1 , ..., Kl sunt mulţimi compacte disjuncte,
atunci vecinătăţile lor de rază n1 sunt disjuncte când n este mare. Rezultă că
XK1 , ..., XKl se aproximează cu variabile independente. La limită şi XK1 , ..., XKl
se obţin independente.
Mai departe, trecem la cazul unei mulţimi boreliene A ∈ B (R). Ştim că
se pot construi două şiruri (Kn )n∈N , (Dn )n∈N astfel ı̂ncât Kn ⊂ Kn+1 ⊂ A ⊂
Dn+1 ⊂ Dn , pentru orice n ∈ N şi
λ (A) = lim λ (Kn ) = lim λ (Dn ) .
n→∞ n→∞

Notând A = Kn şi A = Dn , vom avea
n n
XA ≤ XA ≤ XA .

Deoarece λ A = λ A , rezultă că XA = XA = XA , aproape sigur.
Rezultă că XA este repartizată Poisson cu parametrul λ (A). Ca mai sus, prin
aproximare, se deduce şi faptul că XA1 , ..., XAl sunt variabile independente
dacă A1 , ..., Al sunt disjuncte. 2
Observaţia 6.1 O ipoteză mai tare decât punctul 40 din enunţul de mai sus
este următoarea:
4’0 Dacă λ (I) = λ (J) , atunci variabilele XI şi XJ sunt identic reparti-
zate.
În multe aplicaţii este uşor de acceptat direct această ipoteză, care altfel
este o concluzie a teoremei.
Atunci când se examinează modelarea picăturilor de ploaie, este, la o
primă vedere, greu de acceptat că măsura aleatoare Poisson este obiectul
matematic care descrie fenomenul. În primul rând obişnuinţa comună ne
ı̂ndeamnă să privim cantitatea de picături care cade pe un metru pătrat ca
fiind o constantă. Dar este clar că nu este aşa. Faptul că la măsurători
făcute ı̂n două locuri diferite, ı̂n aceeaşi perioadă de timp, se obţin cantităţi
de apă foarte apropiate, nu ı̂nseamnă că fenomenul aleator nu este prezent.
O variabilă aleatoare repartizată Poisson cu parametrul λ = 10.000 (core-
spunzător la 10.000 de picături) are deviaţia standard 100. Deci este normal
ca variaţiile să fie de acest ordin. Ele apar ca nesemnificative din punct de
vedere practic, dar fenomenul este aleator şi poate corespunde unei măsuri
aleatoare Poisson. În cazul a 1.000.000 de picături variaţia dată de model
este şi mai mică, relativ; ea este de 1.000 de picături. Faptul că numărul
de picături ce cade pe fiecare metru pătrat este aleator poate fi observat
atunci când se consideră o perioadă scurtă de timp, sau ı̂n cazul unei ploi
foarte scurte de vară. Independenţa numărului de picături care cad ı̂n locuri
diferite pe suprafeţe egale este naturală. Teorema dinainte ne conduce la ac-
ceptarea modelului dat de o măsură aleatoare Poisson cu intensitatea măsura
Lebesgue multiplicată de o constantă ce corespunde amploarei fenomenului.
Exemplu. O legătură interesantă există ı̂ntre noţiunea de rată de defectare

care apare ı̂n fiabilitate, sau rata de deces din actuariat şi măsura aleatoare
Poisson. Fie β : [0, ∞) → R+ o funcţie continuă. Notăm λ măsura ce are
β drept densitate: λ (dx) = β (x) dx. Fie P măsura aleatoare Poisson pe
(R+ , B (R+ )) cu intensitatea λ. Definim apoi T ca poziţia primului punct
(sau momentul primului punct, dacă privim R+ ca reprezentând timpul) :

T (F ) = inf F = inf t ≥ 0 | X[0,t] (F ) > 0 , F ∈ Ω,
T : Ω → [0, ∞] ,
cu convenţia T (∅) = ∞. Atunci β este rata de defectare corespunzătoare lui
T.
De fapt, ı̂n enunţul de mai sus este suficient să presupunem că β este
x
o funcţie măsurabilă şi local integrabilă, adică β (t) dt < ∞, pentru orice
0
x > 0. Pentru a evita discuţii delicate de analiză, presupunem β o funcţie
continuă.
Fiind o variabilă aleatoare pozitivă, putem interpreta T ca un timp de
funcţionare. Din relaţia

{T > t} = X[0,t] = 0 ,
rezultă P (T > t) = eλ([0,t]) . Prin derivare obţinem densitatea de repartiţie

t
d − β(s)ds
P (T > t) = −β (t) e 0 .
dt
Deci β are interpretarea ratei de defectare asociate lui T.
În cazul particular ı̂n care β este o constantă, rezultă că repartiţia primu-
lui punct, sau repartiţia lui T este exponenţială de parametru β.
6.6 Exerciţii
Exerciţiul 6.1 Un motor de un anumit tip este utilizat atât pentru avioane
bimotoare cât şi pentru cvadrimotoare. Presupunem că probabilitatea ca un
astfel de motor să se defecteze după o anumită perioadă de funcţionare este d.
Pe de altă parte, normele de siguranţă obligă un bimotor care are defect unul
din motoare să ı̂ntrerupă zborul. Pentru un cvadrimotor regula este ca dacă
are mai puţin de 3 motoare ı̂n funcţiune să ı̂ntrerupă călătoria. Să se deter-
mine probabilităţile: 1) p, ca un bimotor să funcţioneze respectiva perioadă
fără probleme, 2) p , ca un cvadrimotor să funcţioneze aceeaşi perioadă cu
succes. 3) Pentru ce valori ale lui d este mai avantajos un bimotor?
Exerciţiul 6.2 Un automat telefonic poate să răspundă la 90% din apeluri.
Se fac 10 apeluri la rând la acest automat. Să se calculeze cu o precizie de
10−4 probabilitatea de fi reuşit contactatarea de: 1) exact 10 ori, 2) exact 5
ori, 3) cel puţin o dată.
Exerciţiul 6.3 Care este probabilitatea ca la o extragere loto ,,6 din 49”,
la care s-au vândut 6.000.000 bilete, să se obţină rezultatele: a) nu a ieşit
nici un bilet câştigător, b) a ieşit un bilet câştigător, c) au ieşit două bilete
câştigătoare, d) au ieşit trei bilete câştigătoare. Care este probabilitatea ca
să nu iasă câştigător nici un bilet trei extrageri la rând, la care s-au vândut
respectiv 6.000.000, 7.000.000 şi 8.000.000 bilete?
Exerciţiul 6.4 Un tipograf face ı̂n medie o greşeală la 5000 de semne puse
ı̂n pagină. El realizează pagini de câte 43 de linii, fiecare conţinând câte 70
de semne. Calculaţi, cu eroare de 10−3 , probabilitatea ca pe o pagină dată:
1) să fie exact două erori, 2) să fie cel mult două erori.
Exerciţiul 6.5 Într-o perioadă de 12 ore dintr-o anumită zi au sosit 180

de apeluri la o centrală telefonică, repartizate aleator aproximativ uniform
pe toată durata. Care este probabilitatea ca fixând un interval de 4 ore să
constatăm că ı̂n el s-au petrecut ı̂ntre 50 şi 70 de apeluri.
[Se va constata că există două modele plauzibile: 1) Considerăm fiecare
din cele 180 de apeluri 4modelate
de câte o variabilă aleatoare repartizată
Bernoulli cu p = 13 = 12 . 2) Considerăm modelul unei măsuri aleatoare
Poisson pe intervalul I = [0, 12] , cu intensitatea aL unde am notat cu
L măsura Lebesgue pe dreaptă. Notăm cu J intervalul de lungime 4 care
reprezintă perioada ı̂n care suntem interesaţi şi punem J = I\J. Variabilele
XJ şi XJ sunt independente şi repartizate Poisson cu parametrii 4a, respec-
tiv 8a. Calculând repartiţia lui XJ , condiţionată de XJ + XJ = 180 se ajunge
la acelaşi rezultat ca prin metoda 1).]
Exerciţiul 6.6 În procesul de fabricaţie al unui obiect apar produse defecte
cu probabilitatea de 0, 01. Care este probabilitatea de a găsi două sau mai
multe produse defecte la testarea a 200 de obiecte?
Exerciţiul 6.7 Un vas conţine apă ı̂n care se află bacterii ı̂n proporţie de 2
bacterii pentru fiecare picătură de apă. După spălare rămâne câte o picătură
de apă pe câte o farfurie, iar după câteva zile fiecare bacterie dă naştere la
o colonie. Care este probabilitatea de a avea 3 sau mai multe colonii pe o
farfurie?
Exerciţiul 6.8 Microbii sunt ı̂mprăştiaţi aleator pe o lamelă de laborator

cu densitatea de 5.000/cm2. Câmpul vizibil prin microscop este de 10−4 cm2 .
Care este probabilitatea ca ı̂n câmpul vizibil să se afle cel puţin un microb?
Capitolul 7
Teorema De Moivre-Laplace
În acest capitol presupunem că n ∈ N∗ este ordinul şi p ∈ (0, 1) este
parametrul unei repartiţii binomiale. Pentru o mai bună ilustrare a feno-
menelor ce le vizăm vom mai presupune că avem un spaţiu probabilizat
(Ω, F ,P ) pe care este definită o variabilă aleatoare X cu repartiţia binomială
de ordin n şi parametru p. Vom nota
pk := P (X = k) = Cnk pk q n−k , k = 0, 1, ..., n.
Principala problemă a acestui capitol va fi să găsim o bună aproximare
a acestor numere şi să aplicăm rezultatul la estimarea parametrului p prin
metode statistice. Matematicienii Abraham de Moivre (1667-1754) şi Pierre
Simon Laplace (1749- 1827) au descoperit această aproximare, primul ı̂n cazul
p = 12 , iar cel de al doilea ı̂n cazul general.
7.1 Aproximarea repartiţiei binomiale

Mai departe vom cerceta ordonarea după mărime a numerelor pk . Un interes
natural ı̂l prezintă maximul acestor numere. Dacă pk0 este un maxim şi toate
celelalte numere sunt strict mai mici, atunci indicele său k0 poate fi calificat
drept valoarea lui X cu cea mai mare probabilitate de realizare. Un astfel
de indice, sau mai corect, o astfel de valoare a lui X se numeşte mod. Vom
introduce notaţia
m = [(n + 1) p] ,
unde ı̂n partea dreaptă avem partea ı̂ntreagă a numărului real (n + 1) p şi,
ı̂n lema următoare, vom arăta că, cu unele excepţii, el reprezintă un mod.
135
136 CAPITOLUL 7. TEOREMA DE MOIVRE-LAPLACE
Lema 7.1 Şirul p0 , p1 , ..., pm−1 este strict crescător, şirul pm , pm+1 , ..., pn este
strict descrescător şi pm−1 ≤ pm . Dacă (n + 1) p este ı̂ntreg, atunci pm−1 =
pm , ı̂n caz contrar pm−1 < pm .
Demonstraţie. Trebuie să examinăm semnul diferenţei
n!
pk+1 − pk = pk q n−k−1 (pn − q − k) .
(k + 1)! (n − k)!
Acest semn este dat de semnul expresiei pn − q − k = p (n + 1) − (k + 1) . Din

această ultimă expresie se observă imediat că : 10 dacă k + 1 < p (n + 1) ,
atunci pk < pk+1 ; 20 dacă p (n + 1) < k + 1, atunci avem pk > pk+1 ; 30 dacă
p (n + 1) = k + 1, atunci pk+1 = pk . 2
Observăm că modul m este apropiat de media np. Mai precis, din definiţia
părţii ı̂ntregi a unui număr, rezultă că au loc relaţiile
m ≤ (n + 1) p < m + 1.
Prin urmare, dacă notăm δn = m − np, rezultă că δn ∈ (−q, p]. În continuare
vom presupune că p este constant, dar vom face să varieze n tinzând la
infinit. Cantitatea δn va fi mică ı̂n raport cu celelalte care intervin şi la
limită va dispărea.
Mai departe facem o aproximare a numărului pm utilizând următoarea
formulă ce reprezintă un caz particular al formulei lui Stirling:
√ " n #n
n! = 2πn eθn ,
e
1 1

unde θn este un factor de corecţie care este ı̂n intervalul θn ∈ 12n+1 , 12n .
(Vezi [14] sau [10].) Următoarea propoziţie arată că probabilitatea pm este
1
asimptotic (când n → ∞) de acelaşi ordin de mărime cu √2πnpq .
Propoziţia 7.1 Probabilitatea modului se exprimă prin formula
1
pm = √ γn ,
2πnpq
unde γn este un factor de corecţie astfel ı̂ncât lim γn = 1.

n→∞
7.1. APROXIMAREA REPARTIŢIEI BINOMIALE 137
Demonstraţie. Vom exprima cu ajutorul formulei lui Stirling numerele

n!, m! şi (n − m)! astfel că expresia lui pm devine
n!
pm = pm q n−m =
m! (n − m)!
√
1 nn n 1 √
=√ n−m √ √ eθn −θm −θn−m pm q n−m = √ α1 α2 α3
2π m (n − m)
m m n−m 2πnpq
2 n m n−m
unde am notat α1 = eθn −θm −θn−m , α2 = m(n−m)
n pq
şi α3 = mnm (n−m)
p q
n−m .
Ţinând cont că m = np + δn ≥ np − 1 şi n − m = nq − δn ≥ nq −

1 1
1 rezultă θm ≤ 12(np−1) , θn−m ≤ 12(nq−1) , ceea ce asigură că limn→∞ θm =
limn→∞ θn−m = 0 şi atunci limn→∞ α1 = 1.
Trebuie să examinăm şi raportul
npnq
α2 = ,
(np + δn ) (nq − δn )
pentru care se vede clar că limita este 1, când n → ∞.
Rămâne să mai studiem raportul
np+δn nq−δn
(np)m (nq)n−m δn δn
α3 = = 1− 1+ .
mm (n − m)n−m np + δn nq − δn
Pentru a trece la limită după n vom scrie ultima expresie sub forma

δn δn
= exp (np + δn ) ln 1 − + (nq − δn ) ln 1 + .
np + δn nq − δn
Mai departe vom utiliza aproximarea ln (1 + x) = x+r (x) , unde r (x) este un
−x2
rest care este evaluat prin lema 2.3 astfel: 1+x ≤ r (x) ≤ 0. Atunci expresia
anterioară devine

δn δn
= exp (np + δn ) r − + (nq − δn ) r .
np + δn np − δn
Ţinând cont de estimările menţionate pentru funcţia r (x) , cantitatea de la
exponent se majorează astfel
" # " #

(np + δn ) r − np+δn + (nq − δn ) r nq−δn
δn δn
2 2
" #
1 1 2 1 1
≤ np+δ
δn
n 1−
δn + δn
nq−δn 1+ δn
= δn np + nq
.
np+δn nq−δn
Când n → ∞, ultima expresie are limita 0.

√
Rezumând aceste considerente, putem spune că factorul γn = α1 α2 α3
satisface condiţiile din enunţ. 2
Pentru probabilităţile pk , cu indicele k nu prea depărtat de m, comporta-
mentul asimptotic (când n → ∞) este apropiat de comportamentul cantităţii
(k−m)2
pm e− 2npq . Următoarea propoziţie exprimă mai precis acest fapt.
Propoziţia 7.2 Fie n,k numărul determinat de relaţia

(k−m)2
pk = pm e− 2npq en,k , k ∈ {0, 1, ..., n} .
Atunci, pentru orice constantă c > 0, are loc relaţia
lim sup |n,m+l | = 0.

n→∞ |l|≤c√n
Demonstraţie. Pornim de la egalitatea
m! (n − m)! k−m m−k

pk = pm p q .
k! (n − k)!
Notăm l = k − m şi, pentru a face o alegere, presupunem l > 0. Atunci vom

avea
(n − m − l + 1) ... (n − m) pl
pm+l = pm =
(m + 1) ... (m + l) ql
(nq − δn − l + 1) ... (nq − δn ) pl

= pm =
(np + δn + 1) ... (np + δn + l) q l
" # " #
1 − δn +l−1
nq
... 1 − δn
nq
= pm " # " # = pm A.
1 + δnnp+1 ... 1 + δnnp+l
Fracţia din membrul stâng al ultimei egalităţi am notat-o cu A. Ea este un

cât de două produse şi, pentru a o estima, mai ı̂ntâi o scriem sub forma
A = eln A şi exprimăm ln A sub forma

l−1 l
δn + i δn + i
ln A = ln 1 − − ln 1 + .
i=0
nq i=1
np
La fel ca ı̂n demonstraţia anterioară, utilizăm aproximarea ln (1 + x) = x +

2
r (x) , unde r (x) satisface estimarea 0 ≥ r (x) ≥ −x . Pentru x ≥ 0, avem
$ 1 % 1+x
0 ≥ r (x) ≥ −x , iar pentru x ∈ − 2 , 0 , avem 0 ≥ r (x) ≥ −2x2 . Utilizând
2
acestea vom putea scrie

l−1
δn + i
l
δn + i
ln A = − − + r1 − r2 ,
i=0
nq i=1
np
unde
l−1
2
2 2 (l + 1)3
l−1
δn + i 2
|r1 | ≤ 2 ≤ (1 + i) ≤ ,
i=0
nq (nq)2 i=0 (nq)2 3
l
2
1 1 (l + 2)3
l
δn + i 2
|r2 | ≤ ≤ (1 + i) ≤ .
i=1
np (np)2 i=1 (np)2 3
Cele două sume ce intervin ı̂n expresia lui ln A se pot calcula, astfel că se
obţine

2lδn 1 1 l l (l − 1) 1 1
ln A = − + − − + + r1 − r2 =
n q p np 2n p q
l2
=− + r3 + r1 − r2 ,
2npq
2lδn
$1 %
unde r3 = l
2npq
− npq
− l
np
l
= npq 2
− 2δn − q , deci ı̂n orice caz are loc
estimarea
4l
|r3 | ≤
.
npq
Dacă
√ notăm n,k = r3 + r1 − r2 , rămâne să examinăm ce se ı̂ntâmplă când
|l| ≤ c n:
√ 3 √ 3 √
2 (c n + 1) 1 (c n + 2) 4c n
sup |n,m+l | ≤ + + .
√
|l|≤c n 3 n2 q 2 3 n2 p2 npq
Expresia din partea dreaptă nu depinde de l şi se vede că tinde la zero când
n → ∞. 2
Cele două proprietăţi anterioare pot fi rezumate ı̂n forma rezultatului
clasic următor.
Teorema 7.1 (de Moivre-Laplace)
1 (k−µ)2
pk = √ e− 2σ2 eθn,k ,
2πσ
unde coeficienţii θn,k satisfac relaţia următoare cu orice constantă c > 0,
lim sup θn,k = 0,

n→∞ |k−µ|≤c√n
iar µ = np, σ 2 = npq sunt media, respectiv dispersia variabilei aleatoare

repartizate binomial cu parametrii n, p.
Demonstraţie. Ţinând cont că m = µ + δn , putem scrie
(k − m)2 (k − µ)2 (k − µ) δn δ2
= − + n .
2npq 2npq npq 2npq
Coeficientul θn,k se exprimă ı̂n funcţie de coeficienţii introduşi ı̂n propoziţiile

anterioare astfel
(k − µ) δn δ2
θn,k = ln γn + n,k + − n .
npq 2npq
√ √
Condiţia |k − µ| ≤ c n implică evident |k − m| ≤ (c + 1) n şi deci putem
utiliza relaţia din propoziţia anterioară. 2
7.1.1 Repartiţia normală

x2
Funcţia ϕ (x) = √12π e− 2 joacă un rol deosebit ı̂n teoria probabilităţilor.
Graficul acestei funcţii numit şi clopotul lui Gauss este reprezentat figura 7.1
ı̂n partea de jos.
Pentru trasarea graficului se ţine cont că ϕ (x) = −xϕ (x) şi ϕ (x) =
2
(x − 1) ϕ (x) . Este o curbă simetrică faţă de axa Oy, cu un maxim ı̂n ϕ (0) =
√1 ≈ 0, 3989 şi punctele de inflexiune ı̂n −1 şi 1 : ϕ (1) = ϕ (−1) ≈ 0, 2419.
2π
Funcţia este descrescătoare pe intervalul [0, ∞) iar limitele la infinit sunt
lim ϕ (x) = limx→∞ ϕ (x) = 0. Ceea ce trebuie reţinut ı̂nsă este faptul că
x→−∞
are loc o convergenţă foarte rapidă. Viteza mare de convergenţă la zero este
ilustrată, de exemplu, de faptul că pentru numere naturale are loc relaţia
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
-1 -0.75 -0.5 -0.25 0
-1E-14 0.25 0.5 0.75 1
0.5
0
-3 -2 -1 0
-1E-14 1 2 3
Figura 7.1: Jos este graficul funcţiei de densitate pentru repartiţia normală
standard; sus este graficul funcţiei de densitate pentru repartiţia normală cu
m = 0 şi σ = 0, 25.
1
1
ϕ (n + 1) = ϕ (n) e−n− 2 ≤ n+1 ϕ (n) . Am utilizat aici binecunoscuta inegali-
tate 1 + x ≤ e . Pe de altă parte, calcule numerice arată că
x
ϕ (−2) = ϕ (2) ≈ 0, 0539, ϕ (−3) = ϕ (3) ≈ 0, 00443, ϕ (−4) = ϕ (4) ≈ 0, 000134.
Valorile acestei funcţii sunt tabelate pentru că funcţia este utilizată ı̂n pro-
bleme de statistică. Din punctul de vedere al majorităţii aplicaţiilor nu-
merice, funcţia ϕ este considerată zero pentru |x| ≥ 4.
Valoarea integralei următoare este cunoscută, fiind una din integralele
speciale clasice,
∞ √
x2
e− 2 dx = 2π.
−∞
Pentru completitudinea expunerii vom verifica această egalitate. Se porneşte

∞ − x2 ∞ x2
cu observaţia că, datorită simetriei funcţiei avem e 2 dx = 2 e− 2 dx.
−∞ 0
∞ − x2
2
Atunci vom nota I = e dx şi vom scrie pătratul acestei integrale ca o
0
integrală dublă,
∞ ∞
2
− x2
2 − y2 x2 +y 2 π ∞ r2
I = e dx e 2 dy = R2 e− 2 dxdy = 02 0 re− 2 drdθ
+
0
0 " a #
∞ r 2 r2
= π2 0 re− 2 dr == π2 lima→∞ −e− 2 = π2 .
0
La al&treilea semn egal am utilizat trecerea la coordonate polare. Rezultă

I = π2 , ceea ce stabileşte formula dorită.
Relaţia ce tocmai am verificat-o arată că ϕ este densitatea unei măsuri
de probabilitate pe R. Mai precis, se defineşte o măsură pe (R, B (R)) prin

N (A) = ϕ (x) dx,
A
iar relaţia anterioară arată că N (R) = 1. (Verificarea faptului că este o
măsură nu este simplă. De exemplu, faptul că este σ−aditivă rezultă din teo-
rema convergenţei dominate.) Această măsură de probabilitate este numită
repartiţia normală standard sau repartiţia gaussiană standard. Proprietăţile
funcţiei ϕ conduc la faptul că măsura P este concentrată practic pe intervalul
(−4, 4) . Estimări numerice arată că au loc relaţiile aproximative următoare

1 2
ϕ (x) dx ≈ 0, 6826, ϕ (x) dx ≈ 0, 9546,
−1 −2
3 4
ϕ (x) dx ≈ 0, 9972, ϕ (x) dx ≈ 0, 9999.
−3 −4
Integralele funcţiei ϕ pe diverse intervale sunt utilizate ı̂n calcule statistice

şi de aceea se defineşte funcţia următoare
x
Φ (x) = ϕ (y) dy, ∀x ∈ R,
−∞
care se numeşte funcţia lui Laplace. Prin intermediul acestei funcţii putem
b
exprima orice integrală pe interval: ϕ (x) dx = Φ (b) − Φ (a) . Pentru a
a
facilita calculele, funcţia lui Laplace este tabelată de obicei cu valori ale
lui x care cresc cu 0, 01 de la 0 până la 4. (Cărţile de statistică conţin ı̂n
mod curent, la sfârşit, un număr de tabele care permit efectuarea rapidă
a anumitor calcule statistice des ı̂ntâlnite ı̂n aplicaţii. Tabelul cu valorile
funcţiei Laplace este nelipsit din orice carte de statistică.) Pentru valori
negative ale argumentului se utilizează simetria funcţiei ϕ, care arată că
−x ∞
Φ (−x) = ϕ (y) dy = ϕ (y) dy = 1 − Φ (x) .
−∞ x
În afară de repartiţia normală standard există o ı̂ntreagă clasă de repartiţii

care se numesc tot normale şi care sunt obţinute prin transformări afine din
repartiţia standard. Mai precis, find date două constante σ, m ∈ R, σ > 0,
aplicaţia h (x) = σx+m este o bijecţie pe R. Se notează cu N (m, σ 2 ) măsura
definită prin N (m, σ 2 ) (A) = N (h−1 (A)) , ∀A ∈ B (R) . Această măsură se
poate exprima prin integrala

2

N m, σ (A) = ϕ (x) dx,
B
−1
unde am notat B = h (A) . Dar prin schimbarea de variabilă x = h (y) =
y−m
σ
(vezi relaţia (*) din nota 1. de mai jos), această integrală devine

y − m dy 1 (y−m)2
= ϕ = √ e− 2σ2 dy.
A σ σ σ 2π A
(x−m) 2
Deci măsura N (m, σ 2 ) admite drept densitate funcţia ϕm,σ (x) = √1 e− 2σ 2 .
σ 2π
Cu această notaţie, măsura normală standard devine N (0, 1) . În partea de
sus a figurii 7.1 este trasat graficul corespunzător acestei funcţii ı̂n cazul
m = 0, σ = 14 . În figura 7.2 sunt reprezentate graficele corespunzătoare
cazurilor m = 0, σ" = 12 şi #m = 5, σ = 12 .
2
Repartiţia N 0, 14 , se obţine din N prin transformarea h1 (x) = 14 x,
care contractă dreapta reală. Aşa se explică forma primului grafic ı̂n raport
cu graficul funcţiei
" ϕ, iniţiale.
# Masa măsurii N a fost strânsă ı̂n jurul lui zero.
2
Repartiţia lui N 5, 12 se obţine din N prin transformarea h (x) = 12 x+5,
care este
" contracţia
# cu 12 urmată" de o translaţie
# cu 5. Se mai poate spune şi
2 2
că N 5, 12 se obţine din N 0, 12 prin transformarea h2 (x) = x + 5,
care este o translaţie.
Nota 1. Să reamintim aici formula schimbării de variabilă, care este mai
cunoscută ı̂n forma cu domeniul de integrare un interval:
b d

f (h (y)) h (y) dy = f (x) dx,
a c
unde h este o bijecţie de la [a, b] ı̂n [c, d] , h (a) = c, h (b) = d, h ∈ C 1 (a, b) şi
h > 0 ı̂n timp ce f ∈ C ([a, b]) . Această relaţie se extinde ı̂n forma

f (h (y)) h (y) dy = f (x) dx, (∗)
B A
pentru orice mulţime A ∈ B ([c, d]) , iar B = h−1 (A) . Pentru a demonstra
această relaţie vom defini două măsuri pe B ([c, d)) ı̂n felul următor:

µ1 (A) = f (x) dx, µ2 (A) = f (h (y)) h (y) dy.
A h−1 (A)
Ştim că µ1 (A) = µ2 (A) , dacă A este un interval. Rezultă imediat că această
egalitate este valabilă şi pentru reuniuni finite de intervale disjuncte. Fa-
n+1 de mulţimi G, care constă din toate reuniunile de intervale de tipul
milia
l=0 [al , bl ),unde n ∈ N şi
c = a0 ≤ b0 < a1 < b1 < ... < an+1 ≤ bn+1 = d,

1
0.8
0.6
0.4
0.2
0
-2 -1.5 -1 0
-0.5 -1E-14 0.5 1 1.5 2
1
0.8
0.6
0.4
0.2
0
3 3.5 4 4.5 5 5.5 6 6.5 7
Figura 7.2: Sus este graficul funcţiei de densitate pentru repartiţia normală
cu m = 0 şi σ = 0, 5; jos este graficul funcţiei de densitate pentru repartiţia
normală cu m = 5 şi σ = 0, 5.
formează o algebră de părţi pe intervalul [c, d). Deoarece cele două măsuri
coincid pe G şi σ (G) = B ([c, d)) , suntem ı̂n măsură să aplicăm teorema 8.1
şi să deducem că cele două măsuri coincid pe toate mulţimile din B ([c, d)) .
Cum punctul d este neglijabil pentru cele două măsuri, rezultă egalitatea
acestora pe B ([c, d]) , ceea ce ı̂nseamnă că este adevărată relaţia (*).
Nota 2. Pentru a pune ı̂n lumină mai bine proprietăţile repartiţiei normale
avem nevoie să discutăm despre variabile aleatoare care sunt repartizate nor-
mal. Pentru aceasta trebuie să extindem câteva noţiuni ce le-am introdus an-
terior doar pentru variabile aleatoare cu mulţime cel mult numărabilă de va-
lori. Să presupunem deci, că pe un spaţiu probabilizat (Ω, F , P ) este definită
o aplicaţie X : Ω → R, fără a face ipoteza că X (Ω) este o mulţime cel mult
numărabilă. Ea va fi numită variabilă aleatoare dacă este satisfăcută pro-
prietatea X −1 (A) ∈ F , pentru orice A ∈ B (R) (deci dacă este măsurabilă).
În acestă situaţie repartiţia sa este definită prin PX (A) = P (X −1 (A)) şi se
poate verifica că ea este o măsură de probabilitate, la fel ca ı̂n cazul ı̂n care
X ar avea mulţimea valorilor cel mult numărabilă.
Media EX a unei variabile aleatoare ca mai sus, se poate defini prin
aproximarea ei cu un şir de variabile care iau fiecare numai un număr finit
de valori. Mai mult, se poate demonstra că are loc formula

Ef (X) = f (x) PX (dx) , (∗∗)
R
care extinde formula corespunzătoare variabilelor cu o mulţime cel mult

numărabilă de valori din lema 5.11. Pentru valabilitatea acestei relaţii tre-
buie presupus că f : R → R este măsurabilă Borel şi că este integrabilă
ı̂n raport cu PX , sau că f (X) este integrabilă ı̂n raport cu P. Dacă X este
integrabilă, sau de pătrat integrabilă, din formula (**) rezultă respectiv

2
EX = xPX (dx) , EX = x2 PX (dx) .
R R
Pentru cazul unei variabile de pătrat integrabilă se defineşte dispersia la fel

ca ı̂n cazul ı̂n care mulţimea valorilor este cel mult numărabilă,
D 2 X = E (X − EX)2 = EX 2 − (EX)2 .
Putem spune atunci că media şi dispersia unei variabile aleatoare se exprimă
ı̂n funcţie doar de repartiţia sa.
Să presupunem că X este o variabilă repartizată normal standard, adică

PX = N . Atunci putem calcula media sa:
∞
1 x2
EX = xPX (dx) = √ xe− 2 dx.
R 2π
−∞
Funcţia care apare sub ultima integrală este integrabilă. Pe de altă parte
ea este impară, şi de aceea integrala face zero. Deci media unei variabile
repartizate normal standard este zero. Putem calcula şi dispersia variabilei
X:
∞ ∞
2 21 2 2 − x2
2 1 x2
D X = E (X − EX) = EX = √ xe dx = √ e− 2 dx = 1.
2π 2π
−∞ −∞
Să considerăm acum variabila Y = σX + m, unde σ, m ∈ R, σ > 0. Media

acestei variabile este EY = E (σX + m) = m, iar dispersia ei este D 2 Y =
E (Y − m)2 = σ 2 EX 2 = σ 2 . Pentru a calcula repartiţia lui Y notăm h (x) =
σx + m, astfel că Y = h (X) , şi atunci putem scrie

PY (A) = P X −1 h−1 (A) = PX h−1 (A) = N h−1 (A) = N m, σ 2 (A) .
Putem deduce atunci că repartiţia lui Y este N (m, σ 2 ) .

În concluzie, parametrul m reprezintă media, iar σ 2 dispersia unei vari-
abile repartizate N (m, σ 2 ) . De fapt, orice variabilă repartizată N (m, σ 2 )
are media m şi dispersia σ 2 . Aceste fapte justifică denumirea de repartiţia
normală (sau gaussiană) de medie m şi dispersie σ 2 , care este dată repartiţiei
N (m, σ 2 ) .
Comparaţia grafică a repartiţiei binomiale cu funcţia ϕ. Aproximaţia

dată de teorema de Moivre-Laplace este ilustrată grafic ı̂n figurile 7.3 - 7.5.
Sunt reprezentate histogramele unor repartiţii binomiale de parametrii n şi p,
iar prin linie sunt trasate graficele corespunzătoare funcţiei ϕm,σ , cu m = np
√
şi σ = npq.
Se observă că ı̂n cazul n = 10 şi p = 0, 5 cele două reprezentări sunt
foarte apropiate. Graficul intersectează fiecare dreptunghi al histogramei
foarte aproape de mijlocul bazei superioare. În cazul n = 10 şi p = 0, 1
apar diferenţe simţitoare ı̂ntre reprezentări. În general, pentru n = 10 se
observă o evoluţie a diferenţelor pentru diverse valori ale lui p. De fapt, ı̂n
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5
Figura 7.3: Histograme ale repartiţiei binomiale şi grafice ale funcţiei ϕm,σ
corespunzătoare, pentru n = 10 şi p = 0, 5 (sus), p = 0, 4 (ı̂n centru) şi
p = 0, 3 (jos)
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-0.5 0.5 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5
corespunzătoare, pentru n = 10 şi p = 0, 2 (sus), p = 0, 1 (jos)
0.1
0.08
0.06
0.04
0.02
0
30 35 40 45 50 55 60 65 70
0.1
0.08
0.06
0.04
0.02
0
10 15 20 25 30 35 40 45 50
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 5 10 15 20 25 30 35 40
corespunzătoare, pentru n = 100 şi p = 0, 5 (sus), p = 0, 3 (ı̂n centru) şi
p = 0, 1 (jos)
7.2. TEOREMA LIMITĂ CENTRALĂ 151
aplicaţii, diferenţele de aproximare a repartiţiei binomiale prin repartiţia nor-

mală se fac simţite nu atât prin distanţa dintre mijloacele dreptunghiurilor
histogramei şi valoarea densităţii ϕm,σ corespunzătoare, cât prin diferenţa
dintre ariile dreptunghiurilor şi ariile porţiunilor corespunzătoare de sub
graficul densităţii. Acest lucru rezultă din teorema limită centrală ce va
fi prezentată ı̂n secţiunea care urmează.
Pentru graficele cu n = 100, de asemenea, se observă o evoluţie a gradului
de apropiere ı̂ntre histograme şi grafice. Dar de data aceasta, chiar şi ı̂n cazul
deosebirilor maxime, care este p = 0, 1, se observă că diferenţele măsurate
prin arii sunt, proporţional, mai mici decât ı̂n cazul n = 10 şi p = 0, 1.
7.2 Teorema limită centrală

Teorema de Moivre-Laplace are o serie de aplicaţii interesante ı̂n statistică.
Modul ı̂n care se aplică această teoremă va fi pus ı̂n lumină de următoarea
teoremă cunoscută sub numele de ”teorema limită centrală”. (În fapt, aici
avem un caz particular al acesteia, dar semnificativ şi netrivial.) Formula-
rea acestei teoreme se face de obicei ı̂ntr-un cadru puţin diferit faţă de cel
anterior, ı̂n sensul că nu se adresează direct unui şir de repartiţii binomi-
ale ci unui şir de variabile aleatoare repartizate binomial. Exemplul tipic
care conduce la astfel de variabile este dat de sumele parţiale ale unui şir de
variabile independente. Fie (An )n∈N∗ un şir de evenimente independente şi
cu aceeaşi probabilitate p = P (An ) ∈ (0, 1), pentru orice n ∈ N∗ . Notăm

n
Xn = 1An şi Sn = Xn . Variabila aleatoare Sn va fi repartizată binomial cu
i=1
parametrii n, p şi notăm q = 1 − p. Forma sub care am prezentat teorema de
Moivre-Laplace arată că variabilele Sn , n ∈ N au un anumit comportament
regulat când n → ∞. Dar se poate arăta că limn→∞ Sn = ∞, aproape sigur.
(Mai mult, se poate arăta că de fapt are loc relaţia limită limn→∞ Snn = p,
aproape sigur. Acest rezultat se numeşte legea numerelor mari, ı̂nsă nu intră
ı̂n obiectivele noastre aici.)
Metoda optimă prin care se exploatează aproximarea obţinută ı̂n teorema
7.1 constă ı̂n normalizarea sumelor astfel
Sn − np
√ .
npq
Aceste variabile au toate media 0 şi dispersia 1. Ele nu converg ı̂n sensul
punctual ci numai repartiţiile lor converg la rapartiţia normală ı̂ntr-un anumit
sens. Pentru moment, teorema următoare trebuie privită doar ca producând

o aproximare utilă ı̂n calcule statistice, ceea ce a fost şi intenţia iniţiatorilor
de Moivre şi Laplace.
Teorema 7.2 Dacă a < b sunt două numere reale, atunci are loc relaţia
b
Sn − np 1 x2
lim P a < √ <b = √ e− 2 dx.
n→∞ npq 2π
a
√
Demonstraţie. Începem prin a introduce notaţia σ = npq, Bk =
{Sn = k} , pk = P (Bk ) şi zk = k−np
σ
, pentru n ∈ N∗ fixat şi k ∈ {0, 1, ..., n}.
Numerele
' ( √ z( k formează
) o reţea cu pasul σ1 şi sunt răspândite pe intervalul
√ ( √ ( √
− pq n, pq n : z0 = − pq n, zn = q
p
n, zk < zk+1 , zk+1 − zk =
1
σ
. Pentru n suficient de mare intervalul dat (a, b) va fi inclus ı̂n intervalul
[z0 , zn ] şi ı̂n continuare vom presupune că aşa stau lucrurile. Notăm k1 =
inf {k | zk ∈ (a, b)} şi k2 = sup {k | zk ∈ (a, b)}, astfel că vom avea
1 1
a < zk1 , zk2 < b , 0 < zk1 − a ≤ , 0 < b − zk2 ≤ .
σ σ
Se verifică atunci următoarea egalitate
* +
Sn − np
a< √ <b = Bk .
npq k ≤k≤k 1 2
Aceasta conduce la

Sn − np
P a< √ <b = pk .
npq k ≤k≤k 1 2
Pentru a exprima convenabil numerele pk vom utiliza aproximarea dată ı̂n

teorema anterioară şi următoarea formulă ce se verifică imediat
z+ 2 2 2
2
− z2 1 x x −z
e = e− 2 e 2 dx .
2
z−
1
Atunci scriind această relaţie cu = 2σ
şi z = zk , obţinem
1
zk + 2σ

1 1 z2 1 x2 x2 −zk
2
− 2k
pk = √ eθn,k e = √ eθn,k e− 2 e 2 dx .
2π σ 2π
1
zk − 2σ
1 1 1 1
Intervalele [zk − 2σ , zk + 2σ ) formează o partiţie a intervalului [zk1 − 2σ , zk2 + 2σ ).
1 1
Vom nota an = zk1 − 2σ , bn = zk2 + 2σ şi atunci putem scrie
1 1
[zk − , zk + ) = [an , bn ) .
k1 ≤k≤k2
2σ 2σ
Mai notăm fn funcţia fn : [an , bn ) → R, definită prin

x2 − zk2 1 1
fn (x) = θn,k + , ∀x ∈ [zk − , zk + ),
2 2σ 2σ
astfel că putem scrie
1
zk + 2σ

1 x2
pk = √ e− 2 efn (x) dx ,
2π
1
zk − 2σ
bn
Sn − np 1 x2
P a< √ <b = √ e− 2 efn (x) dx . (∗)
npq 2π
an
În continuare vom examina numărul

fn = sup |fn (x)| .
x∈[an ,bn )
Pentru k1 ≤ k ≤ k2 avem |zk | ≤ c = max (|a| , |b|) ceea ce se scrie şi sub
√ √
forma |k − np| ≤ c pq n. Atunci putem aplica teorema anterioară pentru
a deduce că şirul de numere
τn := max |θn,k |
k1 ≤k≤k2
satisface relaţia lim τn = 0. Estimăm şi ultimul termen din expresia lui fn ,
n→∞

|x2 − zk2 | |x − zk | (|x − zk | + 2 |zk |) 1 1 1
= ≤ + 2c ,
2 2 2 2σ 2σ
astfel că putem scrie

1 1
fn ≤ τn + √ √ √ √ + 2c .
4 pq n 2 pq n
Rezultă lim fn = 0.

n→∞
Să ne ı̂ntoarcem acum la relaţia (∗) şi să o utilizăm pentru a deduce
b
bn n
Sn − np 1 2 1 2 fn (x)
P a< √ <b −√ − x2
e dx = √ e − x2
e − 1 dx .
npq
2π 2π
an an
Pentru a estima ultima expresie utilizăm inegalitatea |ex − 1| ≤ 2x, valabilă

pentru |x| < 12 şi deducem
bn bn
1 − x2
2 2 x2
≤√ e 2 |fn (x)| dx ≤ √ e− 2 dx fn → 0 .
2π 2π
an an
Observând definiţia numerelor an şi bn se constată că au loc relaţiile |an − a| ≤

1 1
2σ
, |bn − b| ≤ 2σ şi deci lim an = a şi lim bn = b. Prin urmare
n→∞ n→∞
bn 2
b
x2
− x2
e dx → e− 2 dx ,
an a
Exemplu (acumularea erorilor). La o fabrică de chibrituri se pun câte

50 de beţe ı̂ntr-o cutie de chibrituri cu o eroare de ± un băţ. Cutiile se
ambalează cu hârtie ı̂n pachete de câte 12 şi aceste pachete se pun ı̂n pachete
mari de carton, câte 12. Deci un pachet de carton conţine 12 × 12 = 144
cutii de chibrituri. Ne interesează care este numărul de beţe ce se află ı̂ntr-un
pachet de carton.
Soluţie. Vom presupune că eroarea de numărare la a i- a cutie de chibrituri
este o variabilă aleatoare i care este repartizată astfel
1
P (i = 1) = ,
4
1
P (i = −1) = ,
4
1
P (i = 0) = .
2
Avem 144 de variabile i , i = 1, ..., 144, care toate au aceeaşi repartiţie şi
care sunt independente. Eroarea acumulată este repezentată de variabila

144
T = i .
i=1
Pentru a face calcule precise vom observa că repartiţia variabilei i este
repartiţia binomială de parametri p = 12 şi n = 2, translatată penru a fi
centrată ı̂n zero. Mai precis, dacă X şi Y sunt două variabile independente
şi identic repartizate cu repartiţiile Bernoulli de parametru p = 12 , atunci vari-
abila X +Y −1 va avea aceeaşi repartiţie cu i . Deci pentru modelarea acestei
probleme vom presupune că avem date variabilele {Xi , Yi | i = 1, ..., 144}, in-
dependente, identic repartizate Bernoulli cu parametrul p = 12 , definite pe un
spaţiu probabilizat (Ω, F , P ) . Iar variabilele ce reprezintă eroarea vor fi pre-
supuse a avea forma i = Xi +Yi −1. Deci eroarea cumulată este reprezentată
de

144 144
T = Xi + Yi − 144,
i=1 i=1
1
care va avea o repartiţie binomială de parametri p = 2
şi n = 288, translatată
cu modul ı̂n zero. Putem calcula
ET = 0,
D 2 T = 72,
DT = 8, 48.
Aplicând aproximarea dată de teorema limită centrală obţinem
P (−8 ≤ T ≤ 8) ≈ 0, 68,
P (−17 ≤ T ≤ 17) ≈ 0, 95.

Deci cu o mare probabilitate, la numărul mediu de 144 × 50 = 7200 beţe
ı̂ntr-un carton, pot fi ı̂n plus sau ı̂n minus doar 17. 2
Acurateţea aproximării date de teorema limită centrală. În aplicaţii

nu este necesară evaluarea fiecărui număr pk aproximat prin teorema de
Moivre-Laplace ci este cel mai adesea nevoie de o aproximare de tipul celei
date ı̂n teorema limită centrală. Această aproximare este utilizată ı̂n practică
chiar şi pentru valori mici ale lui n. Pentru ca aceasta să se facă cât mai bine
există câteva corecţii care se fac şi pe care le vom prezenta, fără demonstraţii
mai jos.
Pentru două numere k1 şi k2 ∈ N astfel ı̂ncât 0 ≤ k1 < k2 ≤ n vom nota

k1 − np Sn − np k2 − np
pk1 ,k2 = P (k1 ≤ Sn ≤ k2 ) = P √ ≤ √ ≤ √ .
npq npq npq
Teorema limită" centrală

# ne "spune #că această probabilitate este aproximată
de diferenţa Φ √npq − Φ k√1 −np
k2 −np
npq
. Se dovedeşte ı̂nsă că numărul

k2 − np + 12 k1 − np − 12
N (k1 , k2 ) = Φ √ −Φ √
npq npq
aproximează mai bine probabilitatea pk1 ,k2 . Adăugarea fracţiei 12 ı̂n această
expresie se spune că introduce o corecţie de continuitate pentru aproximarea
noastră. (Numele sugerează faptul că repartiţia binomială, care este discon-
tinuă, este aproximată mai bine de repartiţia normală, care este continuă,
dacă se face această corecţie.)
Dacă parametrul p este 12 , atunci estimarea erorilor de aproximare con-
duce la concluzia că diferenţa dintre pk1 ,k2 şi N (k1 , k2 ) este mai mică dacât
0, 01 pentru n ≥ 10 şi mai mică decât 0, 005 pentru n ≥ 20. Pentru cele mai
multe aplicaţii practice o astfel de eroare este neglijabilă.
În cazul p = 12 eroarea este evaluată pornind de la următoarea formulă
b
1 p − q
pk1 ,k2 ≈ ϕ (x) + √ ϕ (x) dx , (∗)
6 npq
a
k −np− 1 k −np+ 1 x2

unde a = 1√npq 2 , b = 2√npq 2 , ϕ (x) = √12π e− 2 , iar ϕ este derivata de
ordinul trei a lui ϕ. Eroarea cu care este verificată egalitatea aproximativă
√
de mai sus este inferioară lui 0, 013 dacă npq ≥ 5. (Vezi Uspenski [27]
teorema din cap.VII, sec.11, pg. 129. Este de notat că ı̂n lucrarea [24] la
pag. 103 şi la pag. 107 se afirmă ı̂n cursul unor comentarii fără demonstraţie
că eroarea ar fi de fapt mai mică de 0, 005 chiar sub condiţia mai slabă
0.6
0.3
0
-4 -3 -2 -1 -0.3 0 1 2 3 4
-0.6
Figura 7.6: Graficul funcţiei ϕ (x).
√
npq ≥ 3.) Termenul care integreză ϕ se numeşte corecţia de asimetrie.
Faptul că p = 12 produce o asimetrie ı̂ntre termenii pm+k şi pm−k , asimetrie
ce este preluată de corecţia de asimetrie ı̂n formula de aproximare.
Ţinând cont că ϕ (x) = (x2 − 1) ϕ (x) , această egalitate aproximativă
mai poate fi scrisă şi sub forma

(p − q) b
pk1 ,k2 − N (k1 , k2 ) ≈ √ ϕ (x) dx =
6 npq a
(p − q) $ 2 %
= √ b − 1 ϕ (b) − a2 − 1 ϕ (a) .
6 npq
Graficul funcţiei ϕ (x) = (3x − x3 ) ϕ (x) este uşor de trasat şi arată ca ı̂n
figura 7.6. b
Valoarea maximă pentru integrala a ϕ (x) dx este 0, 577 şi se obţine
√
√ a = 0 şi b = 3. Iar vloarea minimă este√−0, 577 şi se obţine când a =
când
− 3 şi b = 0. Ţinând cont de presupunerea npq ≥ 5, rezultă următoarea
estimare uniformă pentru corecţia de asimetrie,

(p − q) b 0, 577
√ ϕ (x) dx ≤ ≤ 0, 0193.
6 npq 30
a
Putem deci utiliza aproximarea fără corecţia de asimetrie: pk1 ,k2 ≈ N (k1 , k2 ) ,
√
cu o eroare de cel mult 0, 013 + 0, 0193 ≤ 0, 033, dacă npq ≥ 5.
Regula radicalului. Să presupunem că avem ı̂n faţă o monedă ı̂ndoită,
care, desigur, ne aşteptăm să cadă cu probabilităţi diferite pe cele două feţe.
Încercăm să stabilim care este probabilitatea de a cădea cifra prin experimen-
tarea aruncărilor repetate. Dar problema nu este aşa de simplă cum pare.
Autorul a ı̂ncercat acest lucru cu diverse obiecte, precum monede ı̂ndoite,

nasturi de diverse forme, o lentilă de lupă foarte bombată, şi a avut surpriza
să constate că după serii de câte 100 de aruncări nu se obţin rezultate conclu-
dente. În sensul că numerele de apariţii ale celor două feţe au fost aproximativ
egale, aşa cum se ı̂ntâmplă lucrurile ı̂n cazul aruncării cu o monedă perfectă.
Mai precis, fiecare faţă a ieşit ı̂ntre 40 şi 60 de ori, aşa cum ar corespunde
repartiţiei binomiale cu n = 100 şi p = 0, 5. Desigur că aceste experimente au
arătat că, deşi diferit de 0, 5, parametrul p care corespunde acestor obiecte nu
este foarte depărtat de această valoare. Se pune atunci ı̂ntrebarea de câte ori
ar trebui să aruncăm cu o monedă strâmbă cu parametrul p = 0, 45, pentru
a obţine rezultate net diferite de cele corespunzătoare aruncărilor, de acelaşi
număr de ori, cu o monedă perfectă.
Pentru a face estimări numerice revenim la relaţia lui Uspenski notată
cu (*) mai sus. Observăm că funcţia ϕ este impară şi de aceea integrala
b
sa pe intervale simetrice de tipul (−b, b) este zero: −b ϕ (x) dx = 0. Deci
√
relaţia (*), ı̂n cazul a = −b şi presupunând că npq ≥ 5, ne spune că avem
pk1 ,k2 ≈ N (k1 , k2 ) , cu o eroare de cel mult 0, 013. Dacă ı̂n plus avem b ≥ 2,
atunci tabelul cu valorile funcţiei lui Laplace ne spune că N (k1 , k2 ) ≥ 0, 9544.
În acest caz vom avea ı̂n mod sigur pk1 ,k2 ≥ 0, 9544 − 0, 13 ≥ 0, 94, care este
o probabilitate destul de mare.
Să vedem cum putem construi intervalele [k1 , k2 ] , cât mai mici, dar ı̂n aşa
fel ı̂ncât să ı̂ndeplinească condiţiile de mai sus. Condiţia de simetrie a = −b,
revine la k2 − np = np − k1 , adică intervalul [k1 , k2 ] trebuie să aibă mijlocul
np. Condiţia b ≥ 2 revine la
√ 1
k2 ≥ np + 2 npq − .
2
Putem deci alege k2 = k2 (n, p) să fie cel mai mic ı̂ntreg care satisface această
inegalitate şi să punem apoi k1 = 2np − k2 . Cu aceste numere vom avea
pk1 ,k2 ≥ 0, 94. Putem spune că intervalul astfel construit, [k1 , k2 ] , reprezintă
un ,,interval de atenţie” pentru repartiţia binomială de rang n şi parametru
p. Aruncând de n ori o monedă care are probabilitatea p de a cădea cu cifra
ı̂n sus, vom obţine rezultate cuprinse ı̂n intervalul [k1 , k2 ] , cu probabilitate
mai mare de 0, 94. Distanţa dintre centrul intervalului şi extremităţi este
√
d := np − k1 = k2 − np şi, ţinând cont de definiţia lui k2 , avem √ 2 npq − 12 ≤
√
d ≤ 2 npq + 12 . Cum ı̂ntotdeauna avem pq ≤ 14 , rezultă d ≤ n + 12 .
Să presupunem că avem de comparat două repartiţii binomiale de acelaşi
rang n şi de parametrii p < p. Distanţa dintre mediile corespunzătoare este
n (p − p ) . Când n este mare distanţa aceasta depăşeşte substanţial lărgimea

intervalului
√ de atenţie. Avem atunci următoarea concluzie, numită ,,regula
lui n” : intervalele
√ de atenţie corespunzătoare lui p şi p au lărgimea de
ordinul lui n ı̂n timp ce distanţa dintre centrele acestor intervale este de
ordinul lui n. În consecinţă, pentru n mare, intervalele de atenţie devin dis-
juncte.
În cazul problemei concrete p = 0, 5 şi p = 0, 45 avem următoarele rezul-
tate numerice: √
p n n np k1 k2
p = 0, 5 100 10 50 40 60
p = 0, 45 100 10 45 35 55
p = 0, 5 1600 40 800 760 840
p = 0, 45 1600 40 720 680 760
p = 0, 5 2500 50 1250 1200 1300
p = 0, 45 2500 50 1125 1075 1175
Să presupunem că aruncăm o monedă de 1600 ori şi o considerăm echili-
brată dacă ea cade ı̂n sus cu aceeaşi faţă de un număr de ori care este cuprins
ı̂n intervalul de atenţie [760, 840] . Pe de altă parte, dacă o variabilă X este
repartizată binomial de rang n şi parametru 0, 45, atunci ea poate avea valori
mai mari de 760 cu o probabilitate ce poate fi calculată cu calculatorul şi este
P (X ≥ 760) ≤ 0, 023.
Deci la un astfel de test, ne putem ı̂nşela şi acceptăm o monedă cu p = 0, 45

drept echilibrată, cu o probabilitate mai mică decât 0, 023.
În mod asemănător putem calcula pentru o variabilă, X , repartizată
binomial de rang n = 2500 şi parametru p = 0, 45 :
P (X ≥ 1200) ≤ 0, 0014.
Deci putem stabili testul următor: se aruncă o monedă de 2500 ori şi o con-
siderăm echilibrată dacă fiecare faţă cade ı̂n sus de un număr de ori cuprins ı̂n
intervalul de atenţie [1200, 1300] . Posibiltatea ca având o monedă cu p = 0, 45
să obţinem un rezultat mai mare de 1200 pentru una din feţe are probabili-
tatea mai mică de 0, 0014. Deci probabilitatea de a ne ı̂nşela cu un astfel de
test, pentru o monedă cu p = 0, 45, este foarte mică.
În figurile 7.7 şi 7.8 sunt reprezentate repartiţiile binomiale despre care
am discutat. Reamintim că repartiţia binomială are valori strict pozitive
ı̂n fiecare punct din suportul său. Totuşi marea majoritate a acestor valori
sunt atât de mici ı̂ncât ı̂n graficele noastre nu apar. Numai valorile din
jurul modului sunt vizibile ı̂n graficele noastre şi asta pentru că axa valorilor
verticale este dilatată.
0 . 0 1
0 . 0 2
0 . 0 3
0 . 0 4
0 . 0 5
0 . 0 6
0 . 0 7
0 . 0 8
0 . 0 2
0 . 0 4
0 . 0 6
0 . 0 8
0 . 0 2
0 . 0 4
0 . 0 6
0 . 0 8
0
0
3 0
0
1 0
1 0
3 5
2 0
2 0
4 0
3 0
3 0
4 5
4 0
4 0
5 0
5 0
5 0
6 0
6 0
5 5
7 0
7 0
6 0
8 0
8 0
6 5
9 0
9 0
7 0
1 0 0
1 0 0
Figura 7.7: Sus sunt histogramele repartiţiei binomiale cu n = 100 şi p =

0, 5, respectiv p = 0, 45. Jos este pusă ı̂n evidenţă suprapunerea celor două
repartiţii, dar reprezentarea se face la o altă scară.
0 . 0 0 4
0 . 0 0 8
0 . 0 1 2
0 . 0 1 6
0 . 0 0 5
0 . 0 1 5
0 . 0 1
0 . 0 2
0
0
7 1 6
1 1 3 3
7 3 1
1 1 5 8
7 4 6
1 1 8 3
7 6 1
1 2 0 8
7 7 6
1 2 3 3
7 9 1
1 2 5 8
8 0 6
Figura 7.8: Jos este reprezentată zona de suprapunere a repartiţiilor binomi-

ale cu n = 1600 şi p = 0, 5, respectiv p = 0, 45. Sus se vede practic despărţirea
repartiţiilor binomiale cu n = 2500 şi p = 0, 5, respectiv p = 0, 45.
7.3. NOŢIUNI DE ESTIMAREA STATISTICĂ 163
7.3 Noţiuni de estimarea statistică

În această secţiune vom presupune că pe un spaţiu măsurabil fixat, (Ω, F ) ,
sunt date variabilele aleatoare X1 , ..., Xn . Presupunem că avem dată o fam-
ilie {Pp /p ∈ I} de probabilităţi pe acest spaţiu, indexată după un interval
I ⊂ (0, 1) , astfel că, sub fiecare din aceste măsuri, variabilele date sunt in-
dependente şi identic repartizate cu o repartiţie Bernoulli de parametru p
corespunzând indicelui p al măsurii respective. Am văzut ı̂n propoziţia 5.4
cum se poate construi un astfel de spaţiu măsurabil unic pe care coexistă
toate măsurile cu proprietăţile enunţate pentru orice p ∈ (0, 1) . Parametrul
p este o necunoscută şi se urmăreşte determinarea sa prin metode statistice
pornind de la valorile ı̂nregistrate ı̂ntr-un experiment pentru variabilele date.
Exemplul 1. Acesta este modelul potrivit pentru cazul problemei con-

trolului de calitate. Se caută determinarea proporţiei p de piese defecte care
sunt produse ı̂ntr-un proces de fabricaţie. Pentru aceasta, la punctul de ieşire
din procesul de fabricaţie sunt testate un număr de n piese.
Exemplul 2. Acelaşi model descrie şi problema unui sondaj simplu ı̂n care
se urmăreşte a determina procentul dintr-un grup de indivizi care au o părere
favorabilă ı̂ntr-o anumită chestiune. Este cazul unui grup mare şi se ches-
tionează atunci o parte mult mai mică din grup, formată din n indivizi.
Secvenţa X1 (ω) , ..., Xn (ω), pentru ω ∈ Ω, reprezintă un ”eşantion” sau
o ”selecţie” făcută printre obiectele grupului. În cazul controlului de cali-
tate notăm cu 1 rezultatul testului ı̂n cazul ı̂n care piesa este defectă şi cu
0 rezultatul ı̂n cazul ı̂n care piesa este corespunzătoare din punct de vedere
calitativ. Efectuarea unui control la un eşantion de n piese conduce la con-
semnarea unei secvenţe de tipul 0, 0, 1, 0, 1, ...1, 0, 0, ı̂n care sunt n cifre de
zero sau unu. La fel se consemnează şi rezultatele sondajului, obţinându-se
o secvenţă de n cifre de 0 sau 1. În continuare vom vedea cum se prelucrează
această secvenţă de numere pentru a determina parametrul p necunoscut.
De fapt ceea ce vom utiliza concret va fi doar un număr, anume numărul
care reprezintă de câte ori apare cifra 1 ı̂n secvenţa de n cifre.
7.3.1 Intervale de ı̂ncredere

Definiţia 7.1 Fiind dată o aplicaţie măsurabilă f : Rn → (0, 1) , vom spune
că variabila aleatoare compusă f (X1 , ..., Xn ) reprezintă un estimator. Fiind
daţi doi estimatori θi = fi (X1 , ..., Xn ) , i = 1, 2, se spune că intervalul aleator

(θ1 , θ2 ) este un interval de ı̂ncredere pentru p. Aplicaţia γ : (0, 1) → [0, 1]
definită prin
Pp (θ1 < p < θ2 ) = γ,
este numită coeficientul de ı̂ncredere asociat intervalului de ı̂ncredere.
Repartiţiile estimatorilor θ1 şi θ2 depind de repartiţia variabilelor Xi şi de

aceea γ este o funcţie de p ı̂n general. Pentru a avea relevanţă, un coeficient
de ı̂ncredere trebuie să fie cât mai apropiat de 1, independent de p ∈ (0, 1) .
În mod practic, uneori se reuşeşte construirea unui interval de ı̂ncredere care
dă un coeficient de ı̂ncredere constant. Alteori, intervalele de ı̂ncredere se
construiesc ı̂n aşa fel ı̂ncât se poate obţine o margine inferioară, uniformă
şi apropiată de 1,
pentru coeficientul de ı̂ncredere. Mai observăm că dacă
(θ1 , θ2 ) şi θ1 , θ2 sunt două intervale de ı̂ncredere astfel ı̂ncât θ1 ≤ θ1 şi

θ2 ≤ θ2 , atunci coeficienţii de ı̂ncredere corespunzători γ şi γ satisfac relaţia
"
#
γ = Pp (θ1 < p < θ2 ) ≤ Pp θ1 < p < θ2 = γ .
Cu cât este mai mic intervalul de ı̂ncredere cu atât estimarea lui p este mai
precisă, dar ı̂n acelaşi timp coeficientul de ı̂ncredere se micşorează. Alegerea
unui interval de ı̂ncredere are de rezolvat şi acest aspect contradictoriu: inter-
valul trebuie să dea o precizie suficientă ı̂n determinarea lui p, dar ı̂n acelaşi
timp să asigure un coeficient de ı̂ncredere ridicat.
1

n
Media empirică. Variabila aleatoare X = n
Xi poartă numele de me-
i=1
dia empirică. Acesta este un estimator care estimează media p a variabilelor
date. (Legea numerelor mari dă un sens mai precis cuvântului ,,estimează”,
afirmând că media empirică converge la valoarea medie, aproape sigur, pen-
n
tru n → ∞. ) Funcţia f : Rn → R, definită prin f (x1 , ..., xn ) = n1 xi
i=1
satisface relaţia X = f (x1 , ..., xn ) .
Deoarece suma X1 + ... + Xn este repartizată binomial cu ordinul n şi
parametrul p, rezultă că media mediei empirice este EX = np n
= p, iar
2 1 2 1 pq
dispersia este D X = n2 D (X1 + ... + Xn ) = n2 npq = n .
7.3.2 Evaluarea coeficientului de ı̂ncredere

Vom utiliza acum estimarea erorii din teorema limită centrală, ca să obţinem
o margine inferioară pentru coeficientul de ı̂ncredere asociat unui interval de
ı̂ncredere centrat ı̂n jurul mediei empirice.
√
Propoziţia 7.3 Dacă
" I = (0, 1) şi npq ≥ 5, atunci intervalul de ı̂ncredere
√ √ #
3 pq 3 pq
X − √n , X + √n are un coeficient de ı̂ncredere mai mare de 0, 98.

n
Demonstraţie. Deoarece Sn = Xn = nX, putem scrie
i=1
* + * √ +
Sn − np pq
√
npq < 3 = X − p < 3 √n ,
relaţie care conduce la

* √ √ +
√ √ pq pq
{np − 3 npq < Sn < np + 3 npq} = X − 3 √ < p < X + 3 √ .
n n
√
Notăm k1 cel mai mic ı̂ntreg care este mai mare decât np−3 npq şi k2 cel mai
√
mare număr ı̂ntreg mai mic decât np + 3 npq, astfel că mulţimea din partea
stângă se scrie şi sub forma {k1 ≤ Sn ≤ k2 } . Numerele ı̂ntregi introduse se
√ √
exprimă sub forma k1 = np − 3 npq + δ1 , k2 = np + 3 npq − δ2 , cu două
numere δ1 , δ2 ∈ [0, 1] . Coeficientul de ı̂ncredere care ne interesează este
√ √
pq pq
Pp X − 3 √ < p < X + 3 √ = Pp (k1 ≤ Sn ≤ k2 ) = pk1 ,k2 .
n n
k1 −np− 21 k2 −np+ 21
Mai departe punem a = √ = −3 + √δ1 − √1 , b = √ =
npq npq 2 npq npq
3− √δ2 + √1 şi scriem formula aproximativă
npq 2 npq

(p − q) b
pk1 ,k2 − N (k1 , k2 ) ≈ √ ϕ (x) dx,
6 npq a
unde eroarea este de cel mult 0, 013. Având ı̂n vedere că funcţia ϕ (x) =
(3x − x3 ) ϕ este impară, iar intervalul de integrare (a, b) este aproape si-
metric, vom exploata acest lucru pentru a evalua strâns
−a eroarea de simetrie
0
exprimată prin integrala lui ϕ . Avem a ϕ = − 0 ϕ şi prin urmare
b
3− √δnpq
2 + √1

3− √δnpq
1 + √1
ϕ #
2 npq 2 npq
ϕ
a "
= 0 # ϕ −"0
= ϕ 3 − √δnpq2
+ 2√1npq − ϕ 3 − √δnpq 1
+ 2√1npq .
√
Ţinând cont√că ϕ (x) ≤ 0 pentru x ≥ 3, rezultă că ϕ
√ este descrescătoare
pentru x ≥ 3. Dar numerele −a şi b sunt mai mari ca 3, şi atunci maximul
diferenţei de mai sus, considerată ca funcţie de δ1 şi δ2 , este obţinut când
δ2 = 1 şi δ1 = 0, iar minimul când δ2 = 0 şi δ1 = 1. Deci avem
b
1 1
ϕ ≤ ϕ 3 − √

−ϕ 3+ √ ≤ ϕ (2, 9) − ϕ (3, 1) ,
2 npq 2 npq
a
√
unde la ultima majorare am ţinut cont şi de faptul că npq ≥ 5. Rezultă
atunci

(p − q) b ϕ (2, 9) − ϕ (3, 1)
√ ϕ (x) dx≤ ≤ 0, 00054.
6 npq 30
a
Eroarea de asimetrie este deci foarte mică şi putem scrie pk1 ,k2 ≈ N (k1 , k2 ) ,
cu o eroare de maximum 0, 01354. Rămâne să evaluăm
N (k1 , k2 ) = Φ (b) − Φ (a) =

δ2 1 δ1 1
=Φ 3− √ + √ − Φ −3 + √ − √ ,
npq 2 npq npq 2 npq
expresie din care se vede că
N (k1 , k2 ) ≥ Φ (2, 9) − Φ (−2, 9) ≥ 0, 9962.
În concluzie avem pk1 ,k2 ≥ 0, 98, aşa cum este afirmat ı̂n enunţ. 2
Exemplul 1. Un laborator ı̂şi propune să determine coeficientul p care

reprezintă raportul dintre numărul de pui masculi şi numărul total de pui,
la naştere, pentru o anumită specie de iepuri. În acest scop se face un re-
censământ la fermele de iepuri ı̂nregistrându-se 56.680 familii de iepuri fiecare
cu câte 8 pui, ı̂n total 56680 × 8 = 429.440 de pui din care 221.023 sunt mas-
culi.
Soluţie. Modelăm problema ı̂n felul următor: pe un spaţiu măsurabil
(Ω, F ) considerăm X1 , ..., Xn variabile aleatoare independente repartizate
Bernoulli cu parametrul p (ce ı̂l căutăm) sub măsura de probabilitate Pp , p ∈
(0, 1) . În cazul de faţă avem n = 429.440, iar media empirică calculată pentru
eşantionul nostru este
X = 221.023 : 429.440 = 0, 5146.

√ √ &
Mai departe calculăm n = 655 şi estimăm pq = p (1 − p) ≤ 12 .
Propoziţia anterioară ne asigură că intervalul

3 3
0, 5146 − ; 0, 5146 + = (0, 51230; 0, 51689)
2 × 655 2 × 655
are un coeficient de ı̂ncredere mai mare decât 0, 98. 2
Exemplul 2. Pentru a determina audienţa unui post de televiziune se face

un sondaj ı̂n care sunt intervievaţi 2500 de subiecţi. Dintre aceştia 300 spun
că au urmărit cel puţin un program al postului respectiv ı̂n ultima săptămâna.
Restul nu au privit postul respectiv ı̂n ultima săptămână. Se consideră deci
că 300 din 2500 de persoane sunt interesate de postul respectiv. Audienţa
300
pare a fi de 2500 = 0, 12 sau, ı̂n procente, 12%.
Soluţie. Pentru a determina pe baze statistice un interval de ı̂ncredere
şi un √
coeficient de ı̂ncredere modelăm problema ca mai ı̂nainte. Avem n =
2500, n = 50 şi X = 0, 12. După propoziţia anterioară, intervalul

3 3
0, 12 − ; 0, 12 + = (0, 09; 0, 15)
2 × 50 2 × 50
are un coeficient de ı̂ncredere mai mare de 0, 98. Deci nu putem spune cu

siguranţă că audienţa postului respectiv este de 12%, dar putem spune că
este aproape cert că audienţa sa este ı̂ntre 9 − 15%. 2
În concluzie putem spune că estimările statistice bazate pe teorema limită
centrală permit punerea ı̂n evidenţă a gradului de relevanţă pe care ı̂l are o
medie empirică pe care o face orice persoană neavizată. Rezultatele, inter-
valul de ı̂ncredere şi coeficientul de ı̂ncredere, nu dau informaţii sigure ı̂n mod
absolut, ci numai cuantificări numerice pentru fenomene probabiliste. Pentru
a se ı̂nţelege utilitatea, eficienţa practică a acestor rezultate, este nevoie de
o experienţă a măsurării fenomenelor aleatorii. De exemplu, cine a aruncat
cu banul de mai multe ori a ı̂nţeles că rezultatele experimentului nu sunt
arbitrare. Ele sunt aleatorii dar respectă legile teoriei probabilităţiilor.
Scopul acestei secţiuni a fost mai ales didactic, pentru a explica metoda
estimării statistice. Propoziţia pe care am utilizat-o este bună doar ı̂ntr-o
primă aproximaţie. De fapt există metode mult mai rafinate pentru a trata
problemele de tipul prezentat ı̂n aceste exemple. A se vedea de exemplu
Dacunha-Castelle -M. Duflo [8], paragraful 2.4.2, pg. 47.
7.4 Exerciţii
Exerciţiul 7.1 Se suspectează că un zar a fost măsluit şi ar avea o greu-
tate ı̂n colţul adiacent feţelor cu numerele 1, 3 şi 5. Se propune următorul
test de verificare: se aruncă zarul de n ori şi se consideră că zarul nu este
$măsluit
√ dacă feţele
√ % cu numere impare ies de un număr de ori cuprins ı̂ntre
n
2
− n, n
2
+ n . Să se determine cea mai mică valoare n pentru care nu
riscăm să ne păcălim decât cu o probabilitate mai mică de 0, 001, ı̂n cazul
ı̂n care catalogăm corect un zar care de fapt este măsluit şi are probabilitatea
p = 0, 4 de a arăta feţele impare ı̂n sus.
Exerciţiul 7.2 Să se imagineze un test pentru un zar despre care nu se ştie
ı̂n care colţ ar putea aibă pusă o greutate. Deci se suspectează toate colţurile.
Capitolul 8
Măsuri pe spaţii produs ı̂n

cazul discret
Scopul acestui capitol este de a da o demonstraţie directă, simplificată ı̂n

raport cu cazul general, pentru teorema de construcţie a măsurilor pe spaţii
produs de mulţimi cel mult numărabile. Acesta este singurul rezultat mai
special de teoria măsurii necesar ı̂n elementele de teoria lanţurilor Markov
pe care le abordăm ı̂n următoarele capitole.
8.1 Complemente de teoria măsurii

În această primă secţiune vom introduce câteva definiţii şi vom enunţa câteva
rezultate de teoria măsurii de care vom avea nevoie. Începem cu extin-
derea unor noţiuni prezentate ı̂ntr-o formă particulară ı̂n secţiunea despre
σ−algebre asociate unor variabile aleatoare.
Fie (E, E) şi (F, F ) două spaţii măsurabile şi f : E → F o aplicaţie. Se
spune că f este măsurabilă (sau că este o variabilă aleatoare) dacă f −1 (F ) ⊂
E.
Următoarea lemă pune ı̂n evidenţă un procedeu simplu de a construi
spaţii măsurabile.
Lema 8.1 Fie E, F două mulţimi şi f : E → F o aplicaţie.

(i) Dacă F ⊂ P (F ) este o σ− algebră, atunci şi f −1 (F ) este tot o σ−
algebră, iar aplicaţia f devine măsurabilă ca aplicaţie de la (E, f −1 (F )) cu
valori ı̂n (F, F ) .
169
170CAPITOLUL 8. MĂSURI PE SPAŢII PRODUS ÎN CAZUL DISCRET
(ii) Dacă, ı̂n plus, avem o σ−algebră, E ⊂ P (E) , şi o măsură de pro-
babilitate µ : E → [0, 1] , astfel ı̂ncât f este măsurabilă de la (E, E) cu va-
lori ı̂n (F, F ) , atunci aplicaţia notată µ ◦ f −1 : F → [0, 1] şi definită prin
µ ◦ f −1 (A) = µ (f −1 (A)) , este o măsură de probabilitate pe F .
Demonstraţie. (i) Se utilizează relaţiile următoare:

−1 c
f (A) = f −1 (Ac ) ,

f −1 (An ) = f −1 An ,
n∈N n∈N
valabile pentru A, An ∈ F , n ∈ N.
(ii) Să verificăm proprietatea de σ−aditivitate. Dacă (An )n∈N ⊂ F este
un şir de mulţimi disjuncte, atunci mulţimile ı̂ntoarse f −1 (An ) , n ∈ N, sunt
şi ele disjuncte şi putem utiliza relaţia de σ−aditivitate a măsurii µ pentru
a deduce
−1
µ ◦ f −1 n∈N An = µ f
n∈N An = µ n∈N f −1 (An )
= n∈N µ (f −1 (An )) = n∈N µ ◦ f −1 (An ) . 2
Spunem că măsura µ ◦ f −1 este obţinută din transportul lui µ prin f.

Această operaţie de transport este valabilă ı̂n general, pentru măsuri care
nu sunt ı̂n mod necesar de probabilitate. Dar ı̂n limbaj probabilist, ı̂n cazul
nostru, putem spune că f este o variabilă aleatoare definită pe spaţiul pro-
babilizat (E, E, µ) cu valori ı̂n (F, F ) , iar µ ◦ f −1 este repartiţia lui f.
Dacă (Xi )i∈I este o familie de aplicaţii Xi : Ω → F cu valori ı̂n spaţiul
măsurabil (F, F ) vom nota

σ (Xi /i ∈ I) = σ X −1 (A) / i ∈ I, A ∈ F ,
şi vom spune că σ (Xi /i ∈ I) este σ−algebra generată de aplicaţiile (Xi )i∈I .
Listăm mai jos diverse alte fapte elementare de care vom avea nevoie mai
târziu.
1. σ (Xi / i ∈ I) este cea mai mică σ−algebră ce face toate aplicaţiile
Xi , i ∈ I măsurabile.
2. În cazul unei singure aplicaţii X : Ω → F are loc egalitatea σ (X) =
−1
X (F ) .
3. Fie Ω o mulţime arbitrară şi A = {Ai | i ∈ I} o partiţie cel mult
numărabilă de submulţimi nevide ale lui Ω, indexată ı̂n aşa fel ı̂ncât la doi
8.1. COMPLEMENTE DE TEORIA MĂSURII 171
diferiţi, Ai ∩ Aj = ∅. Pentru o parte

indici diferiţi, i = j, corespund atomi
K ⊂ I, adoptăm notaţia AK = Ai , cu convenţia A∅ = ∅. Fiind dat un
i∈K
sistem de numere {µi ∈ [0, 1], i ∈ I} astfel ı̂ncât i∈I µi = 1, există o unică
măsură de probabilitate P pe σ (A) astfel ca P (Ai ) = µi pentru orice i ∈ I.
Aceasta este definită prin

P (AK ) = µi, K ⊂ I.
i∈K
Demonstraţia acestei afirmaţii nu face decât să repete, cu modificări minore,

argumentele din demonstraţia lemei 5.6. Construcţia aceasta a măsurilor
de probabilitate va fi utilizată relativ la partiţiile cu mulţimi cilindrice ele-
mentare de ordin n, ce vor fi definite ı̂n paragraful următor.
4. Vom nota cu G σ−algebra generată de o partiţie A = {Ai | i ∈ I} a
mulţimii Ω. O aplicaţie X : Ω → R este măsurabilă de la spaţiul măsurabil
(Ω, G) la spaţiul (R, B (R)) , dacă şi numai dacă este constantă pe fiecare din
atomii partiţiei.
5. Fie f : E → R+ o aplicaţie măsurabilă de la spaţiul măsurabil (E, E)
cu valori ı̂n spaţiul măsurabil (R+ , B (R+ )) . Se poate construi atunci un şir
crescător de funcţii măsurabile etajate cu limita f, ı̂n felul următor:
n
1
n2
fn = n 1{f ≥ kn } .
2 2
k=1
Pentru a verifica faptul că şirul definit de această formulă posedă proprietăţile
dorite este mai convenabil să exprimăm funcţia fn ı̂n următoarea formă mai
explicită:
* k−1
, dacă k−1 ≤ f (x) < 2kn , 2kn ≤ n
f (x) = 2n 2n .2
n dacă n ≤ f (x)
În introducerea ı̂n teoria lanţurilor Markov pe care o vom face ı̂n capitolele
ce urmează nu vom utiliza ı̂n mod esenţial mediile condiţionate. Însă mediile
condiţionate şi martingalele, care sunt bazate pe ele, au un rol important ı̂n
alte rezultate legate de lanţurile Markov. De aceea vom introduce, pentru
cititorul care cunoaşte deja noţiunea de integrală (sau medie) pentru variabile
care nu iau neapărat o mulţime cel mult numărabilă de valori reale, câteva
idei despre medii condiţionate. Un cititor care cunoaşte integrala doar din
paragraful ,,Medie şi dispersie” al prezentei cărţi poate să sară toate discuţiile
despre medii condiţionate (cum ar fi punctul (ii) din propoziţia 9.3, prima
afirmaţie din propoziţia 9.6 şi punctul (ii) din teorema 9.2), cu asigurarea că
nu pierde prea mult.
În capitolul următor, vom prezenta succint relaţia dintre proprietatea
Markov şi media condiţionată. În acest scop, vom da acum o definiţie a me-
diei condiţionate ı̂n cazul particular al unei σ−algebre generate de o partiţie
cel mult numărabilă, care este suficientă pentru discuţia pe care o vom face
ı̂n legătură cu proprietatea Markov.
Fie (Ω, F , P ) un spaţiu probabilizat şi X o variabilă aleatoare cu valori
ı̂n (R, B (R)) . Pe scurt vom numi variabilă aleatoare reală sau şi mai scurt
variabilă aleatoare o astfel de variabilă. Presupunem că X este integrabilă.
Dacă A ∈ F vom utiliza notaţia

E [X; A] = E (1A X) = XdP
A
pentru integrala pe A a funcţiei X. Vom mai presupune că A = {Ai | i ∈ I}

este o partiţie măsurabilă, cel mult numărabilă, a lui Ω. Notăm G = σ (A) ,
σ−algebra generată de această partiţie. Notăm cu Y variabila aleatoare
definită prin
* 1
P (Ai )
E [X; Ai ] , dacă ω ∈ Ai şi P (Ai ) > 0
Y (ω) = .
0 dacă ω ∈ Ai şi P (Ai ) = 0
Această variabilă aleatoare are următoarele proprietăţi:

a) este măsurabilă faţă de G,
b) este integrabilă,
c) satisface relaţia E [X; A] = E [Y ; A] , pentru orice mulţime A ∈ G.
Se poate demonstra uşor că dacă o altă variabilă, Z, posedă şi ea pro-
prietăţile a),b),c), atunci Y = Z, pe fiecare din mulţimile Ai , pentru care
P (Ai ) > 0. Cu alte cuvinte, dacă notăm I0 = {i ∈ I/ P (Ai ) = 0} , atunci
are loc incluziunea
{Y = Z} = Ai .
i∈I0
Se spune că oricare din variabilele ce satisfac proprietăţile a),b),c) reprezintă

o versiune a mediei condiţionate a lui X faţă de G. Se notează cu E [X/G] ori-
care din variantele ce reprezintă media condiţionată a variabilei X. Relaţiile
dintre mediile condiţionate sunt ı̂nţelese ı̂ntotdeauna ı̂n sensul egalităţilor
8.2. SPAŢIUL PRODUS NUMĂRABIL 173
aproape sigure. De exemplu, dacă două variabile X, X sunt egale a.s., atunci
nu facem distincţie ı̂ntre mediile lor condiţionate.
După cum se vede, deşi avem o formulă explicită pentru media condiţionată,
ı̂n definţie se admit variante şi se utilizează cele trei proprietăţi a),b),c) pentru
a preciza noţiunea. Acesta este punctul de vedere care permite generalizarea
noţiunii la cazul in care G est o σ−algebră generală, care nu este neapărat
generată de o partiţie. Dintre proprietăţile mediei condiţionate vom lista doar
pe cele mai simple, care sunt ı̂nsă şi cele mai importante. Demonstraţiile le
lăsăm ca exerciţiu cititorului.
6. Dacă X este G măsurabilă, atunci E [X/G] = X, a.s.
7. Dacă X ≥ 0, a.s., atunci E [X/G] ≥ 0, a.s. Egalitatea E [X/G] = 0,
a.s. este echivalentă cu X = 0, a.s.
8. Dacă a, b ∈ R şi avem două variabile X, X , atunci are loc relaţia
E [aX + bX /G] = aE [X/G] + bE [X /G] , a.s.
9. Dacă A este o altă partiţie cel mult numărabilă astfel că G ⊂ G (vezi
observaţia 4.1), atunci are loc egalitatea E [E [X/G] /G ] = E [X/G ] , a.s.
Mai menţionăm următoarele teoreme, centrale ı̂n teoria măsurii, pe care
le vom utiliza fără a da aici demonstraţiile. Cititorul va găsi demonstraţiile
lor ı̂n orice carte de teoria măsurii (vezi [19]), cât şi ı̂n unele cărţi de teoria
probabilităţilor.
Teorema 8.1 Fie A o algebră de părţi ale lui Ω şi F = σ (A) . Două măsuri
de probabilitate pe F care coincid pe A sunt identice.
Teorema 8.2 Fie A o algebră de părţi ale lui Ω şi presupunem că µ : A →
[0, 1] este o aplicaţie finit aditivă care are proprietatea că limn µ (An ) = 0,
pentru orice şir descrescător (An )n∈N , cu intersecţia vidă. Fie F = σ (A) ,
σ-algebra generată de A. Atunci există o unică măsură de probabilitate µ :
F → [0, 1] care extinde pe µ.
8.2 Spaţiul produs numărabil

În teoria lanţurilor Markov, obiectul cel mai important este următorul spaţiu
produs:
Ω = E N = {ω : N → E} = E × E × ... = {(e0 , e1 , e2 , ...) /en ∈ E, ∀n ∈ N} ,
unde semnul de trei puncte , , ...” semnifică repetarea mulţimii E de o in-
finitate de ori, corespunzător componentelor de rang de la 2 ı̂ncolo. Vom
mai utiliza ı̂n continuare acestă notaţie. După cum se vede, adoptăm două
notaţii, corespuzând la două puncte de vedere: Ω este văzut o dată ca spaţiul
aplicaţiilor de la N ı̂n E, iar a doua oară ca spaţiul secvenţelor de elemente
din E, indexate după N. Cele două descrieri se bazează pe identificarea unei
aplicaţii ω : N → E cu o secvenţă (e0 , e1 , e2 , ...) , ı̂n care en = ω (n) .
Observaţia 8.1 Se ştie că un produs finit de mulţimi numărabile este tot
o mulţime numărabilă. De aceea, E n este ı̂ntotdeauna o mulţime cel mult
numărabilă. Pe de altă parte, chiar dacă E este o mulţime finită, se ştie că,
dacă ea conţine cel puţin două puncte, atunci mulţimea Ω nu este numărabilă.
Aplicaţia proiecţie de ordin n, n ∈ N, de la spaţiul produs Ω, cu valori ı̂n

E, este notată Xn . Pentru un punct ω ∈ Ω, identificat ca secvenţă sub forma
ω = (e0 , e1 , e2 , ...) , proiecţia este exprimată prin
Xn : Ω → E, Xn (ω) = ω (n) = en .
Mai introducem notaţia

Fn = σ (X0 , ..., Xn ) , G = Fn , F = σ (X0 , X1 , ...) .
n∈N
Referitor la σ− algebrele introduse remarcăm că are loc incluziunea Fn ⊂

Fn+1. Mulţimile care sunt ı̂n G, adică elementele lui G, se numesc mulţimi
cilindrice. Printre acestea se află unele de o formă particulară, pe care le
vom numi mulţimi cilindrice elementare şi care au expresia de tipul:
E (e0 , e1 , ..., en ) = {e0 } × {e1 } × ... × {en } × E × E × ...
unde e0 , e1 , ..., en ∈ E sunt n + 1 puncte arbitrare. Observăm că o astfel de

mulţime se mai scrie şi sub forma
E (e0 , ...en ) = {ω ∈ Ω/X0 (ω) = e0 , ...Xn (ω) = en } .
De asemenea,
se observă că dacă sistemul de puncte (e0 , ..., en ) diferă de sis-

temul e0 , ..., en (ceea ce revine la existenţa unui indice 0 ≤ k ≤ n astfel

ca ek = ek ) atunci mulţimile cilindrice
elementare corespunzătoare sunt dis-

juncte, adică E (e0 , ..., en ) ∩ E e0 , ..., en = ∅. În particular, putem spune
că, pentru fiecare n ∈ N, familia mulţimilor cilindrice elementare de ordin
n, anume An = {E (e0 , ..., en ) / e0 , ..., en ∈ E} , constituie o partiţie a lui Ω.
8.2. SPAŢIUL PRODUS NUMĂRABIL 175
Deoarece familia aceasta este indiciată după punctele (e0 , ..., en ) din E n+1 ,
care este o mulţime cel mult numărabilă, rezultă că familia ı̂nsăşi este cel
mult numărabilă.
Următoarea propoziţie descrie câteva proprietăţi ale mulţimilor cilindrice.
Propoziţia 8.1 (i) Familia G este o algebră şi F = σ (G) .

(ii) Mulţimile din Fn sunt acele submulţimi ale lui Ω care se reprezintă
sub forma A = B × E × E × ..., cu o anumită mulţime B ⊂ E n+1 .
(iii) Orice mulţime cilindrică A ∈ G se scrie ca o reuniune de mulţimi
cilindrice elementare disjuncte. Mai precis, dacă A are expresia de la punctul
anterior, atunci are loc formula

A= E (e0 , ..., en ) .
(e0 ,...,en )∈B
(iv) σ (An ) = Fn .
Demonstraţie. (i) Se observă că Fn ⊂ Fn+1 , ceea ce permite verifi-

carea imediată a proprietăţilor de algebră ale lui G. Incluziunea σ (G) ⊂ F
rezultă din definiţia lui σ (G) . Pe de altă parte se vede imediat că fiecare din
aplicaţiile Xn , n ∈ N este măsurabilă ı̂n raport cu σ (G) . De aceea rezultă
incluziunea inversă, σ (G) ⊂ F .
(ii) Notând Y = (X0 , ..., Xn ) : Ω → E n+1 şi aplicând lema 8.2, de mai
jos, se deduce că
Fn = Y −1 P E n+1 . (∗)
Dacă A ⊂ Ω are forma din enunţ se verifică direct relaţia
A = {ω ∈ Ω / (X0 (ω) , ..., Xn (ω)) ∈ B} = Y −1 (B) , (∗∗)
care arată A ∈ Fn . Reciproc, din relaţia (*) rezultă că orice mulţime A ∈ Fn
se reprezintă sub forma A = Y −1 (B) cu B ⊂ E n+1 .
(iii) Dacă A este o mulţime ce se reprezintă ca la punctul (ii) putem utiliza
relaţia (**) pentru a deduce egalitatea

A= {X0 (ω) = e0 , ..., Xn (ω) = en } ,
(e0 ,...,en)∈B
care este exact ceea ce apare ı̂n enunţ.

(iv) Afirmaţia rezultă imediat din formula stabilită la punctul anterior.
2
Lema 8.2 Presupunem că W este o mulţime arbitrară, F este o mulţime

cel mult numărabilă şi avem un număr finit de aplicaţii X1 , ..., Xn : W →
F. Vom nota Y : W → F n aplicaţia care este definită prin componentele
Y (w) = (X1 (w) , ..., Xn (w)) . Atunci au loc relaţiile
σ (X1 , ..., Xn ) = σ (Y ) = Y −1 (P (F n )) .
Demonstraţie. Ultima egalitate este un caz particular al proprietăţii
menţionate cu numărul 2. ı̂n paragraful anterior. Mai departe, pentru a
trece la demonstraţia primei egalităţi, vom arăta că fiecare din aplicaţiile
X1 , ..., Xn este măsurabilă faţă de σ (Y ) . Într-adevăr, dacă D ⊂ F, atunci se
poate verifica printr-un raţionament direct că are loc egalitatea
Xi−1 (D) = Y −1 (B) ,
unde B ⊂ F n este dat de produsul B = F × ... × F × D × F... × F, cu factorul
i reprezentat de mulţimea D. Atunci este clar că Xi este măsurabilă faţă de
σ (Y ) . Rezultă incluziunea σ (X1 , ..., Xn ) ⊂ σ (Y ) .
Pentru a demonstra incluziunea inversă pornim cu o mulţime formată
dintr-un punct y = (x1 , ..., xn ) ∈ F n . Putem scrie

n
−1
Y ({y}) = {w ∈ W/ X1 (w) = x1 , Xn (w) = xn } = Xi−1 ({xi }) .
i=1
Această egalitate pune ı̂n evidenţă faptul că Y −1 ({(x1 , ..., xn )}) ∈ σ (X1 , ..., Xn ) .
Cum mulţimea F n este cel mult numărabilă rezultă că orice submulţime
B ⊂ F n este cel mult numărabilă. Să tratăm cazul când ea este infinită; ea
se scrie atunci sub forma B = {y1 , y2, ...} . Vom avea relaţia

∞
−1
Y (B) = Y −1 ({yi}) ,
i=1
−1
care pune ı̂n evidenţă faptul că Y (B) este ı̂n σ (X1 , ..., Xn ) , ca o reuniune
numărabilă de mulţimi din σ (X1 , ..., Xn ) .2
8.3 Construcţia măsurilor

Problema importantă de care ne vom ocupa ı̂n continuare este aceea de a
construi măsuri cu anumite proprietăţi pe spaţiul Ω. Construcţia se face prin
definirea convenabilă a valorilor pe mulţimile cilindrice elementare. În lema
care urmează probăm unicitatea măsurilor definite ı̂n acest fel.
8.3. CONSTRUCŢIA MĂSURILOR 177
Lema 8.3 Două măsuri de probabilitate pe F , care coincid pe mulţimile

cilindrice elementare, sunt identice.
Demonstraţie. Fie P1 , P2 două măsuri care coincid pe mulţimile cilin-

drice elementare. Pentru o mulţime A ∈ Fn , care ştim că se reprezintă sub
forma
A= E (e0 , ..., en ) ,
(e0 ,...,en )∈B
unde B ⊂ E n+1 , vom putea scrie

Pi (A) = Pi (E (e0 , ..., en )) .
(e0 ,...,en )∈B
Expresia din dreapta este aceeaşi pentru orice i = 1, 2 şi atunci tragem
concluzia că cele două măsuri coincid pe Fn şi deci pe G. Atunci, conform cu
teorema 8.1, va rezulta coincidenţa celor două măsuri. 2
Există două teoreme importante care construiesc măsuri de probabili-
tate pe spaţii produs, date de Kolmogorov şi Ionescu Tulcea. Pentru cazul
produsului de spaţii cel mult numărabile acestea sunt amândouă aplicabile.
Totuşi noi nu vom apela la ele ci vom da o demonstraţie directă cu sim-
plificările de rigoare. Punctul cheie este următoarea lemă, care sună cam ı̂n
tonul unei proprietăţi de compacitate.
Lema 8.4 Fie (An )n∈N un şir de mulţimi din G cu proprietatea că fiecare
se reprezintă sub forma
An = Bn × E × ... ,
cu o mulţime finită Bn ⊂ E mn +1 , unde mn este un anumit număr natural.
Presupunem că orice intersecţie finită de mulţimi din şirul dat este nevidă,
adică are loc relaţia

An = ∅, ∀k ∈ N.
n≤k
Atunci intersecţia tuturor mulţimilor din şir este nevidă:

An = ∅.
n∈N
Demonstraţie. Vom face demonstraţia ı̂n patru paşi.

Pasul 1. În acest pas vom arăta că ne putem reduce la cazul ı̂n care şirul
nostru este descrescător, adică An+1 ⊂ An , pentru orice n ∈ N, iar şirul de
indici (mn )n∈Neste crescător cu limita infinit. Schimbăm şirul de mulţimi
punând An = k≤n Ak , n ∈ N.Acest nou şir este descrescător, are elementele
nevide şi evident n∈N An = n∈N An . Din punctul (i) al lemei de mai jos
rezultă că fiecare mulţime a noului şir are o reprezentare de forma
An = Bn × E × ... ,

unde Bn ⊂ E mn +1 este o mulţime finită, iar mn = maxk≤n mk . În particu-
lar, se vede că şirul (mn )n∈N este crescător. Prin urmare, este suficient să
demonstrăm lema pentru noul şir.
Să examinăm acum ce se petrece dacă şirul (mn )n∈N nu tinde la infinit.
Aceasta ı̂nseamnă că şirul acesta este staţionar, deci există un indice p ∈ N
astfel ı̂ncât mn = mp , pentru orice n ≥ p. Să punem m = mp . Mulţimile
Bn , n ≥ p sunt toate submulţimi finite ale lui E m+1 . Punctul (ii) al lemei de
mai jos ne asigură că şirul de mulţimi (Bn )n≥p este descrescător. Ţinând cont
de punctul (iii) al lemei 8.5 de mai jos rezultă că intersecţia lor este nevidă
şi atunci putem concluziona că

An = An = Bn × E × ...
n∈N n≥p n≥p
este o mulţime nevidă. În concluzie, a rămas de analizat situaţia ı̂n care şirul
(mn )n∈N tinde la infinit.
Pasul 2. Acum vom presupune că şirul din ipoteză, (An )n∈N , pe lângă
condiţiile de acolo, are şi proprietatea că este descrescător, iar şirul asociat
(mn )n∈N este crescător cu limita infinit. În aceste condiţii, vom demonstra, ı̂n
această fază, că, pentru fiecare n ∈ N, există un sistem de puncte i0 , ..., imn ∈
E astfel ı̂ncât să aibă loc relaţia
E (i0 , ..., imn ) ∩ Ak = ∅, ∀k ∈ N. (∗)
Pentru aceasta vom descompune mulţimea An ı̂n reuniunea finită

An = E (e0 , ..., emn ) .
(e0 ,...,emn )∈Bn
Dacă afirmaţia de demonstrat nu ar fi adevărată, atunci pentru fiecare din

punctele (e0 , ..., emn ) ∈ Bn ar exista un indice k (e0 , ..., emn ) ∈ N astfel ı̂ncât
E (e0 , ..., emn ) ∩ Ak(e0 ,...,emn ) = ∅.
Punem k = max {k (e0 , ..., emn ) / (e0 , ..., emn ) ∈ Bn } şi atunci mulţimea cu
acest indice din şirul dat, Ak , va fi inclusă ı̂n fiecare din mulţimile Ak(e0 ,...,emn ) , (e0 , ..., emn ) ∈
Bn . În particular vom avea
E (e0 , ..., emn ) ∩ Ak = ∅, ∀ (e0 , ..., emn ) ∈ Bn ,
relaţie care conduce la

An ∩ Ak = ∅.
Dar acest lucru contrazice ipoteza că orice intersecţie finită de elemente din
şir este nevidă. Atunci afirmaţia făcută privitor la relaţia (*) trebuie să fie
adevărată.
Pasul 3. Sub aceleaşi ipoteze ca la pasul anterior, vom demonstra că există
un punct ω = (i0 , i1 , ...) ∈ Ω cu proprietatea că, pentru orice n ∈ N, punctul
format cu primele sale mn componente, (i0 , ..., imn ) ∈ E mn +1 , satisface relaţia
(*).
Un astfel de punct se obţine construind componentele sale din aproape
ı̂n aproape prin inducţie. Presupunem că am găsit primele mn componente
astfel ı̂ncât (i0 , ..., imn ) ∈ E mn +1 satisface relaţia(*). Căutăm componentele
imn +1 , ..., imn+1 astfel ı̂ncât, ı̂n ansamblu, punctul i0 , ..., imn , imn +1 , ..., imn+1 ∈
E mn+1 +1 să satisfacă relaţia (*) cu n + 1 ı̂n loc de n, adică:

E i0 , ..., imn+1 ∩ Ak = ∅, ∀k ∈ N. (∗∗)
Pentru aceasta vom considera şirul Al = E (i0 , ..., imn ) ∩ Al , l ∈ N. Este uşor
de văzut că acest şir satisface ipotezele de la Pasul 2. şi prin urmare putem
aplica concluzia de acolo cu n + 1. Deducem că există un sistem de puncte,
i0 , ...imn+1 ∈ E, astfel ı̂ncât să aibă loc relaţia

E i0 , ..., imn+1 ∩ Ak = ∅, ∀k ∈ N. (∗ ∗ ∗)
Acestă relaţie implică

E i0 , ..., imn+1 ∩ E (i0 , ..., imn ) = ∅,
ceea ce nu este posibil decât dacă ik = ik pentru orice k ≤ mn . Atunci are
loc incluziunea
E (i0 , ..., imn ) ⊂ E i0 , ..., imn+1 ,
ceea ce permite să deducem din relaţia (***) următoarea relaţie

∅ = E i0 , ..., imn+1 ∩ Ak = E i0 , ..., imn+1 ∩ Ak .
Dacă schimbăm notaţia pentru punctele imn +1 , ..., imn+1 notându-le cu ace-
leaşi litere dar fără ,,prim”, adică cu imn +1 , ..., imn+1 , vom obţine că sistemul
completat de puncte i0 , ..., imn , imn +1 , ..., imn+1 coincide cu sistemul i0 , ...imn+1 .
În acest fel, ultima relaţie devine exact relaţia dorită, adică (**). Etapa
construcţiei inductive de trecere de la n la n + 1 a fost făcută, iar cu aceasta
am terminat şi demonstraţia pasului 3.
Pasul 4. Vom presupune condiţiile dela Pasul 2. şi vom utilizapunctul
ω ∈ Ω obţinut la Pasul 3. sub aceleaşi condiţii. Acum vom arăta că n An =
∅.
Relaţia (*), scrisă pentru fiecare n ∈ N cu primele mn componente ale
punctului ω şi cu k = n, ne dă
E (i0 , ..., imn ) ∩ An = ∅.
Dar această relaţie implică (i0 , ..., imn ) ∈ Bn , ceea ce conduce la
E (i0 , ..., imn ) ⊂ An .
Cum ω ∈ E (i0 , ..., imn ) , rezultă ω ∈ An pentru orice n ∈ N, ceea ce ı̂ncheie

demonstraţia. 2
Lema 8.5 (i) Dacă B ⊂ E n şi C ⊂ B m , iar n ≤ m, atunci are loc relaţia
(B × E × ...) ∩ (C × E × ...) = D × E × ...
unde D = B × E m−n ∩ C ⊂ E m .
(ii) Pentru două mulţimi B, C ⊂ E n relaţia B × E × ... ⊂ C × E × ...
este echivalentă cu B ⊂ C.
(iii) Fie (An )n∈N un şir descrescător de submulţimi nevide ale lui E.
Dacă una dintre mulţimile şirului este finită, atunci intersecţia mulţimilor
din şir este nevidă.
Demonstraţia lemei o lăsăm ca exerciţiu cititorului. Trecem la teorema

următoare, care joacă rolul principal ı̂n construcţia lanţurilor Markov.
Teorema 8.3 Fie µ : G → [0, 1] , cu proprietatea că restricţia sa la fiecare

din σ−algebrele Fn , n ∈ N, este o măsură de probabilitate. Atunci µ este
σ−aditivă pe G şi, ı̂n particular, admite o unică extensie ca măsură de pro-
babilitate pe F .
Demonstraţie. Mai ı̂ntâi se observă că proprietatea de σ−aditivitate,

ı̂n forma dată ı̂n lema 4.1, se exprimă prin negaţie astfel: dacă (An )n∈N
⊂ G, este un şir descrescător de mulţimi astfel că inf n µ (An ) > 0, atunci

n An = ∅. Pentru a demonstra σ− aditivitatea ı̂n această formulare pornim
la drum cu un şir (An )n∈N ⊂ G, astfel că inf n µ (An ) = δ > 0 şi urmărim
să aplicăm lema 8.4 pentru a deduce că intersecţia mulţimilor din şir este
nevidă.
Pentru fiecare număr natural n există un indice mn ∈ N astfel ca An ∈ Fn ,
iar aceasta ne dă reprezentarea mulţimii An sub forma
An = Bn × E × ...
cu o mulţime B ⊂ E mn +1 . Următorul pas va fi să demonstrăm că, pentru
fiecare n, există o mulţime finită Bn ⊂ Bn astfel că mulţimea An = Bn × E ×
E × ... satisface relaţia
δ
µ (An \An ) < 2−n (∗)
4
Pentru aceasta, observăm că punctul (iii) al propoziţiei 8.1 ne permite să
scriem mulţimea An ca o reuniune de mulţimi cilindrice elementare disjuncte:

An = E (e0 , ..., emn ) .
(e0 ,...,emn )∈Bn
Datorită faptului că µ este măsură de probabilitate pe Fmn , vom avea

µ (An ) = µ (E (e0 , ..., emn )) .
(e0 ,...,emn )∈Bn
Se alege Bn ⊂ Bn , finită, astfel ı̂ncât

δ
µ (E (e0 , ..., emn )) < 2−n ,

4
(e0 ,...,emn )∈Bn \Bn
ceea ce asigură că mulţimea An , corespunzătoare, satisfacerelaţia (*).

Din construcţie ştim că An ⊂ An . Dacă notăm An = k≤n Ak , vor avea
loc egalitatăţile de mulţimi şi incluziunea de mai jos

c

An \An = An ∩ Ak = An ∩ (Ak ) =
c
k≤n k≤n
c

= An ∩ (Ak ) = (An \Ak ) ⊂ (Ak \Ak ) ,
k≤n k≤n k≤n
ceea ce permite evaluarea

δ
µ (An \An ) < 2−k < δ/2 .
k≤n
4
Aceasta implică µ (An ) = µ (An ) − µ (An \An ) > δ − δ/2 = δ/2. Concluzia
importantă ce o tragem de aici, este că mulţimile An , n ∈ N sunt toate
nevide, adică
Ak = ∅.
k≤n
Putem spune acum că şirul (An ) satisface toate ipotezele lemei 8.4 şi concluzia
ce o obţinem de acolo este că intersecţia tuturor acestor mulţimi este nevidă:

Ak = ∅,
k∈N
ceea ce implică ∩n An = ∅.2

Capitolul 9
Lanţuri Markov
Un lanţ Markov descrie evoluţia ı̂n timp a unei ,,particule” care se mişcă ı̂ntr-
un ,,spaţiu”, ce se numeşte spaţiul stărilor şi va fi notat cu E. Vom presupune
că E este o mulţime cel mult numărabilă. Timpul este de asemenea discret
şi este reprezentat de N, mulţimea numerelor naturale.
Dacă mulţimea E este finită şi are n elemente ea poate fi identificată cu
o mulţime de numere naturale de tipul {1, 2, ...n} , iar ı̂n cazul când E este
numărabilă ea poate fi identificată cu N. Totuşi, ı̂n cadrul teoriei generale
care urmează, nu vom proceda astfel, pentru că structura particulară de
ordine pe mulţimea numerelor naturale nu este adecvată. Mai mult, pentru
fiecare exemplu de lanţ Markov o anumită structură specifică de graf, legată
de problema modelată, se dovedeşte de multe ori mai convenabilă. De aceea,
la nivel general este preferabil să se considere că spaţiul stărilor este o mulţime
amorfă. Singura structură ce o poartă E este cea de spaţiu măsurabil, cu
σ−algebra părţilor, P (E) .
9.1 Calcule de bază

Definiţia 9.1 Fie (Ω, F , P ) un spaţiu probabilizat şi (Xn )n∈N o familie de
aplicaţii, Xn : Ω → E, măsurabile. Se spune că (Ω, F , P, Xn ) este un
lanţ Markov cu spaţiul stărilor E dacă, pentru orice sistem finit de puncte
e0 , e1 , ..., en , en+1 ∈ E, pentru care P (X0 = e0 , ..., Xn = en ) > 0, are loc
relaţia
P (Xn+1 = en+1 /X0 = e0 , ..., Xn = en ) = P (Xn+1 = en+1 /Xn = en ) .
183
184 CAPITOLUL 9. LANŢURI MARKOV
Noţiunea a fost introdusă şi studiată pentru prima oară de A. Markov

ı̂n 1906. Un lanţ Markov mai este numit şi proces Markov cu timp discret.
Acest obiect dă o expresie probabilistă pentru mişcarea unei particule. Nu se
ştie precis care este traiectoria, dar, pentru fiecare ω ∈ Ω, şirul (Xn (ω))n∈N
reprezintă o posibilă evoluţie de particulă. Mai spunem că el reprezintă
traiectoria corespunzătoare evenimentului elementar ω. Relaţia de mai sus
se numeşte proprietatea Markov. Ea exprimă matematic ideea că evoluţia vi-
itoare, după momentul actual notat n, este independentă de evoluţia trecută
şi depinde numai de starea prezentă, en . În cele ce urmează vom vedea cum
evoluţia probabilistă, recte probabilitatea P, este complet determinată de nu-
merele P (Xn+1 = en+1 /Xn = en ) , care reprezintă probabilitatea de a trece
din starea actuală en la momentul n ı̂n starea en+1 la momentul următor,
n + 1. Descrierea sensului şi a modalităţii precise ı̂n care se face aceasta este
obiectul paragrafului următor. Este de notat, din punct de vedere strict is-
toric, că proprietatea Markov a fost descoperită şi de L. Bachelier, ı̂n teza sa
din 1900, pentru mişcarea browniană.
În continuare, vom presupune dat un lanţ Markov şi vom face câteva cal-
cule care decurg din proprietatea Markov. Începem prin a stabili următoarea
notaţie:
En = {e ∈ E/P (Xn = e) > 0} , n ∈ N,
µi = P (X0 = i) , i ∈ E,
p (n, m, i, j) = P (Xm = j/Xn = i) , n, m ∈ N, n < m, i ∈ En , j ∈ E .
Se vede că µi = 0, dacă i ∈/ E0 , şi p (n, m, i, j) = 0, dacă j ∈
/ Em . De
asemenea, se verifică imediat relaţiile următoare:

µi = 1 , p (n, m, i, j) = 1 .
i∈E j∈E
Sistemul de numere µ = (µi )i∈E , se identifică cu repartiţia P ◦ X0−1 ,

care se numeşte şi repartiţia iniţială a lanţului. Numerele p (n, m, i, j) se
numesc probabilităţile de trecere (sau de tranziţie) asociate lanţului. După
cum se vede, aceste numere nu sunt definite pentru orice valori ale variabilelor
n, m ∈ N, i, j ∈ E.
Lema 9.1 Fiind date punctele il ∈ El , l = 0, 1, ..., n, are loc relaţia:
P (X0 = i0 , X1 = i1 , ..., Xn = in ) = µi0 p (0, 1, i0, i1 ) ...p (n − 1, n, in−1 , in ) .

9.1. CALCULE DE BAZĂ 185
Demonstraţie. Se porneşte cu egalitatea generală
P (X0 = i0 , X1 = i1 , ..., Xn = in ) =
= P (Xn = in /X0 = i0 , X1 = i1 , ..., Xn−1 = in−1 ) ×

×P (Xn−1 = in−1 /X0 = i0 , X1 = i1 , ..., Xn−2 = in−2 ) × ...
×P (X1 = i1 /X0 = i0 ) P (X0 = i0 ) .
Substituind ı̂n membrul drept probabilităţile condiţionate cu cele date de
proprietatea Markov, se obţine exact formula anunţată.2
Propoziţia 9.1 Probabilităţile de trecere satisfac următoarea relaţie:

p (n, m, i, j) = p (n, k, i, e) p (k, m, e, j) ,
e∈Ek
pentru orice numere naturale n < k < m şi orice i ∈ En , j ∈ E.
Demonstraţie. Ţinând cont că P ({Xl ∈ El , l = 0, ..., m}) = 1 se de-

duce că
P ({Xn = i, Xm = j}) = P ({Xn = i, Xm = j} ∩ {Xl ∈ El , l = 0, ..., m}) .
Mai departe, se verifică punctual egalitatea de mulţimi
{Xn = i, Xm = j} ∩ {Xl ∈ El , l = 0, ..., m} =

= ... ...
e0 ∈E0 en−1 ∈En−1 en+1 ∈En+1 em−1 ∈Em−1
{X0 = e0 , ..., Xn−1 = en−1 , Xn = i, Xn+1 = en+1 , ..., Xm−1 = em−1 , Xm = j} ,

din care se deduce următoarea relaţie

P (Xn = i, Xm = j) = ... ...
e0 ∈E0 e1 ∈E1 en−1∈En−1 en+1 ∈En+1 em−1 ∈Em−1
µe0 p (0, 1, e0 , e1 ) ...p (n − 1, n, en−1, i) ×

×p (n, n + 1, i, en+1 ) ...p (m − 1, m, em−1 , j) . (∗)
În mod similar, sau ca un caz particular, are loc calculul

P (Xn = i) = P (X0 ∈ E0 , Xn = i) = P (X0 = e0 , Xn = i) =
e0 ∈E0

= ... µe0 p (0, 1, e0 , e1 ) ...p (n − 1, n, en−1, i) . (∗∗)
e0 ∈E0 e1 ∈E1 en−1∈En−1
Ultima expresie poate fi recunoscută şi ı̂n sumele expresiei (*). Pentru a pune
ı̂n evidenţă acest lucru vom observa că sumele ı̂n raport cu en+1 , ..., em−1 din
expresia (*) se referă doar la ultimii termeni ai produsului. Deci ceilalţi,
primii termeni, pot fi daţi ı̂n factor ı̂n raport cu aceste sume. Prin urmare,
expresia (*) se poate scrie astfel

... µe0 p (0, 1, e0 , e1 ) ...p (n − 1, n, en−1 , i) ×
e0 ∈E0 e1 ∈E1 en−1∈En−1

× ... p (n, n + 1, i, en+1 ) ...p (m − 1, m, em−1 , j) .
en+1 ∈En+1 em−1 ∈Em−1
Se observă că acum expresia s-a separat ca un produs de două sume, din care
prima este tocmai (**). Deci expresia (*) se scrie
P (Xn = i, Xm = j) =
= P (Xn = i) en+1 ∈En+1 ... em−1 ∈Em−1 p (n, n + 1, i, en+1 ) ...p (m − 1, m, em−1 , j) .
Din relaţia anterioară rezultă
p (n, m, i, j) =
= en+1 ∈En+1 ... em−1 ∈Em−1 p (n, n + 1, i, en+1 ) ...p (m − 1, m, em−1 , j) . (∗ ∗ ∗)
Mai departe, facem să se vadă şi suma după k ı̂n expresia anterioară,

p (n, m, i, j) = ... ... p (n, n + 1, i, en+1 ) ...×
en+1 ∈En+1 ek−1 ∈Ek−1 ek ∈Ek ek+1 em−1 ∈Em−1
×p (k − 1, k, ek−1 , ek ) p (k, k + 1, ek , ek+1 ) ...p (m − 1, m, em−1 , j) .

În această expresie se repetă scoaterea ı̂n factor ca mai ı̂nainte. Anume, pen-
tru ultimul grup de sume, primii factori ai produsului din termenul general
nu participă efectiv la sumare şi ies ı̂n faţă. Expresia devine

... p (n, n + 1, i, en+1 ) ...p (k − 1, k, ek−1 , ek ) ·
en+1 ∈En+1 ek−1 ∈Ek−1 ek ∈Ek
 

 ... p (k, k + 1, ek , ek+1 ) ...p (m − 1, m, em−1 , j) .
ek+1 em−1 ∈Em−1
9.1. CALCULE DE BAZĂ 187
Aşa scrisă, suma aceasta pune ı̂n evidenţă faptul că se poate aplica relaţia
(***) cu n, k şi separat cu k, m, iar ceea ce obţinem este egal cu

p (n, k, i, ek ) p (k, m, ek , j) .
ek ∈Ek
Cu aceasta se ı̂ncheie demonstraţia.2

Următoarea propoziţie arată cum se exprimă, ı̂n termenii probabilităţilor
de trecere, probabilitatea ca evoluţia să se desfăşoare ı̂ntr–o mulţime cilin-
drică de tip produs (ı̂n sensul că traiectoriile sunt ı̂n acea mulţime).
Propoziţia 9.2 Fiind date mulţimile A0 , A1 , ..., Ak , astfel ca Al ⊂ El , 0 ≤

l ≤ k − 1 şi numerele naturale 0 < n1 < n2 < ... < nk , are loc formula
P (X0 ∈ A0 , Xn1 ∈ A1 , ..., Xnk ∈ Ak ) =

µi0 p (0, n1 , i0 , i1 ) ... p (nk−1 , nk , ik−1 , ik ) .
i0 ∈A0 i1 ∈A1 ik ∈Ak
Demonstraţie. Vom demonstra mai ı̂ntâi un caz particular al relaţiei

din enunţ. Anume vom arăta că
P (X0 = i0 , Xn1 = i1 , ..., Xnk = ik ) =

= µi0 p (0, n1 , i0 , i1 ) ...p (nk−1 , nk , ik−1, ik ) . (∗)
Pentru aceasta vom proceda ca ı̂n demonstraţia anterioară şi vom scrie
P (X0 = i0 , Xn1 = i1 , ..., Xnk = ik ) =
= P (X0 = i0 , Xn1 = i1 , ..., Xnk = ik , X1 ∈ E1 , ..., Xn1 −1 ∈ En1 −1 ,

Xn1 +1 ∈ En1 +1 , ..., Xnk −1 ∈ Enk −1 ) ,
după care vom descompune mulţimea a cărei probabilitate apare ı̂n ultima
expresie sub forma unei reuniuni de mulţimi disjuncte astfel

e1 ∈E1 en1 −1 ∈En1 −1 en1 +1 ∈En1 +1 enk −1 ∈Enk −1
{X0 = i0 , X1 = e1 , ..., Xn1 −1 = en1 −1 , Xn1 = i1 ,

Xn1 +1 = en1 +1 , ..., Xnk −1 = enk −1 , Xnk = ik } .
Tragem concluzia că
P (X0 = i0 , Xn1 = i1 , ..., Xnk = ik ) =

= ... ...
e1 ∈E1 en1 −1 ∈En1 −1 en1 +1 ∈En1 +1 enk −1 ∈Enk −1
µi0 p (0, 1, i0 , e1 ) ...p (n1 − 1, n1 , en1 −1 , i1 ) ×

× p (n1 , n1 + 1, i1 , en1 +1 ) ...p (nk − 1, nk , enk −1 , ik ) . (∗∗)
Ţinând cont şi de formulele obţinute pe baza propoziţiei anterioare avem

p (0, n1 , i0 , i1 ) = ... p (0, 1, i0 , e1 ) ...p (n1 − 1, n1 , en1 −1 , i1 )
e1 ∈E1 en1 −1 ∈En1 −1
şi alte relaţii similare, până la

p (nk−1 , nk , ik−1 , ik ) =

= ... p (n1 , n1 + 1, i1 , en1 +1 ) ...p (nk − 1, nk , enk −1 , ik ) .
en1 +1 ∈En1 +1 enk −1∈En
k −1
Expresiile din dreapta acestor egalităţi se regăsesc ı̂n expresia (**) prin
scoaterea ı̂n factor grupată (un calcul similar am făcut ı̂n demonstraţia an-
terioară). De aceea, se deduce că expresia (**) este egală cu expresia finală
din (*).
Mai departe, vom scrie mulţimea cilindrică ce ne interesează ca o reuniune
de mulţimi disjuncte:
{X0 ∈ A0 , Xn1 ∈ A1 , ..., Xnk ∈ Ak } =

... {X0 = i0 , Xn1 = i1 , ..., Xnk = ik } .
i0 ∈A0 i1 ∈A1 ik ∈Ak
Aplicând P acestei egalităţi şi utilizând relaţia (*) se deduce relaţia din
enunţ.2
Observaţia 9.1 Din propoziţia anterioară se deduce printr-un calcul direct
că, pentru orice şir crescător de numere naturale (nk )k∈N , subşirul de vari-
abile (Xnk )k∈N verifică şi el definiţia lanţului Markov.
Observaţia 9.2 Fie n, m ∈ N astfel că n < m. Dacă i ∈ En şi j ∈ E\Em ,
atunci p (n, m, i, j) = 0.
9.2. CONSTRUCŢIA LANŢULUI MARKOV 189
9.2 Construcţia lanţului Markov

După cum am văzut, un lanţ Markov determină nişte probabilităţi de trecere.
În continuare vom vedea că acestea conţin informaţia de bază asupra lanţului
şi ı̂ntr-un anumit sens determină lanţul. Noţiunea de probabilităţi de trecere
se poate detaşa de lanţ ı̂n felul următor. Vom presupune fixată o mulţime
E, cel mult numărabilă.
Definiţia 9.2 Un sistem de numere reale {p (n, m, i, j) | n, m ∈ N,n < m, i, j ∈ E}

spunem că reprezintă un sistem de probabilităţi de trecere (sau de tranziţie),
dacă sunt ı̂ndeplinite următoarele condiţii
(1) p (n, m, i, j) ∈ [0, 1] , ∀i, j ∈ E,
(2) p (n, m, i, j) = 1, ∀i ∈ E
j∈E
(3) p (n, m, i, j) = p (n, k, i, l) p (k, m, l, j) , pentru n < k < m şi i, j ∈
l∈E
E.
Observăm că, spre deosebire de probabilităţile de trecere ataşate unui

lanţ, sistemul de probabilităţi de trecere este definit pentru orice punct din
spaţiul stărilor.
Observaţia 9.3 Fie (Ω, F , P, Xn) un lanţ Markov şi p (n, m, i, j) , n < m, i ∈
En , j ∈ E, probabilităţile sale de trecere. Definim p (n, m, i, j) = δij , pentru
i ∈ E\En şi j ∈ E. Se poate verifica prin calcul direct că, astfel completat,
sistemul acesta de numere verifică proprietăţile unui sistem de probabilităţi
de trecere. De fapt, probabilităţile de trecere ale unui lanţ Markov pentru
care există un indice n ∈ N astfel ca En = E, pot fi completate ı̂n mai multe
feluri pentru a deveni sistem de probabilităţi de trecere. (Practic, din punctele
mulţimii E\En se poate continua mişcarea după momentul n urmând orice
alt sistem de probabilităţi de trecere.)
Fiind dat un sistem de probabilităţi de trecere, pentru n < m fixate,

notăm Pn,m = (p (n, m, i, j))(i,j)∈E×E , care este o matrice indexată după
mulţimea E. În acest punct este util să considerăm că E este {1, 2, ..., n} , ı̂n
cazul finit, sau N ı̂n cazul numărabil, pentru că atunci sensul matriceal poate
fi ı̂mpins până la scrierea ordonată a liniilor şi coloanelor de matrice. Totuşi
lăsăm aceasta doar ca o observaţie, şi păstrăm mulţimea E amorfă. Relaţiile
(1) şi (2) ne spun că pe fiecare ”linie” a acestei matrice avem o măsură de
probabilitate. O matrice cu această proprietate se numeşte matrice stochas-

tică. Relaţia (3), care se mai numeşte şi relaţia Chapman-Kolmogorov, se
scrie prescurtat sub forma Pn,m = Pn,k ◦ Pk,m , ı̂n membrul drept al acestei
egalităţi având un produs de matrice. Din relaţia (3) se deduce că matricele
de trecere de la un moment la următorul, Pn,n+1 , n ∈ N , determină pe toate
celelalte: Pn,n+k = Pn,n+1 ◦ Pn+1,n+2 ◦ ... ◦ Pn+k−1,n+k . Mai mult, fiind dat
un sistem de numere {p (n, n + 1, i, j) /n ∈ N, i, j ∈ E} care are proprietăţile
următoare
(n, m, i, j) ∈ [0, 1] , ∀i, j ∈ E,

(1) p
(2) p (n, m, i, j) = 1, ∀i ∈ E,
j∈E
acesta se poate completa pe baza relaţiei anterioare astfel ı̂ncât să formeze
un sistem de probabilităţi de trecere.
Legat de matricele Pn,m vom mai utiliza notaţia Pn,m f , care, ı̂n cazul unei
funcţii
mărginite f : E → R, va desemna funcţia definită prin Pn,m f (i) =
p (n, m, i, j) f (j). Dacă funcţiile pe E sunt văzute ca vectori, atunci
j∈E
relaţia care defineşte Pn,m f este exact relaţia de ı̂nmulţire a matricei Pn,m cu
vectorul f , rezultatul fiind vectorul Pn,mf.
Teorema care urmează este rezultatul cel mai important al acestei secţiuni.
Ea permite construcţia măsurilor de probabilitate pe spaţiul produs infinit
Ω = E × E × ... care dau o structură de lanţ Markov pentru procesul
proiecţiilor canonice. Relativ la acest spaţiu vom utiliza notaţia introdusă ı̂n
secţiunea ,,Spaţiul produs numărabil”.
Teorema 9.1 Fiind dată o probabilitate µ = (µi / i ∈ E) şi un sistem de
probabilităţi de trecere {p (n, m, i, j) / n, m ∈ N, i, j ∈ E} , există o unică pro-
babilitate P pe (Ω, F ) care face din proiecţiile canonice (Xn )n∈N un lanţ
Markov cu repartiţia iniţială µ şi admiţı̂nd ca probabilităţi de trecere sistemul
dat.
Demonstraţie. Vom studia mai ı̂ntâi problema unicităţii măsurii pen-
tru că ea este ı̂n strânsă legătură cu o formulă ce sugerează şi construcţia.
Anume, pentru orice sistem de n + 1 puncte, e0 , ..., en ∈ E, are loc egalitatea
E (e0 , ..., en ) = {X0 = e0 , ..., Xn = en } .
Dacă ştim că P este o probabilitate ce face din (Xn )n∈N un lanţ Markov cu
probabilităţile de trecere date, atunci formula din lema 9.1 permite calculul
următor
9.2. CONSTRUCŢIA LANŢULUI MARKOV 191
P (E (e0 , e1 , ..., en )) = µe0 p (0, 1, e0 , e1 ) p (1, 2, e1 , e2 ) ...p (n − 1, n, en−1, en ) . (∗)

Rezultă că valoarea măsurii P pe orice mulţime cilindrică elementară este
determinată de repartiţia iniţială µ şi de sistemul de probabilităţi de trecere.
Pe de altă parte, am văzut ı̂n lema 8.3 că mulţimile cilindrice elementare
determină complet o măsură.
Mai departe, trecem la demonstraţia existenţei. Vom fixa un indice n ∈ N
şi vom defini P pe mulţimile cilindrice elementare din Fn prin formula (*).
Să verificăm că este ı̂ndeplinită condiţia de la punctul 3. din paragraful de
complemente de teoria măsurii, care permite extinderea definiţiei de la atomi
la σ− algebra Fn . Avem de verificat că are loc egalitatea

P (E (e0 , e1 , ..., en )) = 1.
(e0 ,...,en)∈E n+1
Pentru a face această verificare exprimăm membrul stâng al egalităţii sub

forma

µe0 p (0, 1, e0 , e1 ) p (1, 2, e1, e2 ) ... p (n − 1, n, en−1 , en ) .
e0 ∈E e1 ∈E e2 ∈E en ∈E
Ţinând cont că, din proprietatea (2) din definiţia probabilităţilor de trecere
avem
p (n − 1, n, en−1 , en ) = 1,
en ∈E
rezultă că expresia precedentă devine

µe0 p (0, 1, e0 , e1 ) p (1, 2, e1, e2 ) ... p (n − 2, n − 1, en−2 , en−1 ) .
e0 ∈E e1 ∈E e2 ∈E en−1 ∈E
Această expresie este de aceeaşi formă ca cea anterioară doar că are mai
puţin un semn de sumare. Repetând de n ori acest calcul, expresia noastră
devine egală cu
= µe0 = 1.
e0 ∈E
Deoarece am verificat condiţia, putem aplica punctul 3. din paragraful de
complemente de teoria măsurii, deducând că probabilitatea P se defineşte
pentru orice mulţime din Fn de forma

A = B × E × ... = E (e0 , e1 , ..., en ) ,
(e0 ,...,en)∈B
cu B ⊂ E n+1 , prin relaţia

P (A) = P (E (e0 , e1 , ..., en )) .
(e0 ,...,en)∈B
Mai departe, vom presupune că n ≥ 1 şi vom examina cum arată măsura P
pe σ− algebra mai mică Fn−1 ⊂ Fn . Mai precis, vom demonstra că măsura
astfel definită pe Fn verifică relaţia analoagă lui (*) pe atomii din Fn−1 ,
P (E (e0 , ..., en−1 )) = µe0 p (0, 1, e0, e1 ) ...p (n − 2, n − 1, en−2 , en−1 ) . (∗∗)
Pentru aceasta utilizăm egalitatea

E (e0 , ..., en−1 ) = E (e0 , ..., en−1 , en ) ,
en ∈E
care are ı̂n membrul drept o reuniune de mulţimi disjuncte şi de aceea conduce
la
P (E (e0 , ..., en−1 )) = P (E (e0 , ..., en−1 , en )) =
en ∈E

= µe0 p (0, 1, e0, e1 ) ...p (n − 1, n, en−1 , en ) =
en ∈E
= µe0 p (0, 1, e0 , e1 ) ...p (n − 2, n − 1, en−2 , en−1 ) .

Rezultă că măsura P verifică relaţia (**), ceea ce permite să extindem ı̂n mod
coerent măsurile construite pe fiecare Fn , n ∈ N, la o măsură de probabilitate
pe G care verifică relaţia (*) pentru fiecare n.
Suntem ı̂n măsură acum să aplicăm teorema 8.3 pentru a deduce că P
se extinde la o măsură de probabilitate pe F . Rămâne de verificat faptul
că (Xn )n∈N formează un lanţ Markov sub P, cu repartiţia iniţială µ şi cu
probabilităţile de trecere p (n, m, ij) . Pentru aceasta vom verifica proprie-
tatea Markov utilizând relaţia (*) ı̂n calcularea probabilităţilor condiţionate
ce intervin. Fie e0 , ..., en , en+1 ∈ E astfel ca P (X0 = e0 , ..., Xn ) > 0. Atunci
putem scrie
P (E (e0 , ..., en+1 ))
P (Xn+1 = en+1 /X0 = e0 , ..., Xn = en ) = =
P (E (e0 , ..., en ))
µe0 p (0, 1, e0, e1 ) p (1, 2, e1, e2 ) ...p (n, n + 1, en , en+1 )

= = p (n, n + 1, en , en+1 ) .
µe0 p (0, 1, e0 , e1 ) p (1, 2, e1 , e2 ) ...p (n − 1, n, en−1 , en )
9.3. ALTE FORME ALE PROPRIETĂŢII MARKOV 193
Mai departe, pentru a calcula P (Xn+1 = en+1 /Xn = en ) , vom scrie

{Xn = en } = E (i0 , ..., in−1 , en ) ,
(i0 ,...,in−1 )∈E n

{Xn = en , Xn+1 = en+1 } = E (i0 , ..., in−1 , en , en+1 ) .
(i0 ,...,in−1 )∈E n
Putem calcula atunci

P (Xn = en ) = P (E (i0 , ..., in−1 , en )) =
(i0 ,...,in−1 )∈E n

= µi0 p (0, 1, i0 , i1 ) p (1, 2, i1 , i2 ) ...p (n − 1, n, in−1 , en )
(i0 ,...,in−1 )∈E n
şi la fel

P (Xn = en , Xn+1 = en+1 ) = P (E (i0 , ..., in−1 , en , en+1 )) =
(i0 ,...,in−1 )∈E n

= µi0 p (0, 1, i0 , i1 ) p (1, 2, i1 , i2 ) ...
(i0 ,...,in−1 )∈E n
...p (n − 1, n, in−1 , en ) p (n, n + 1, en , en+1 ) = p (n, n + 1, en , en+1 ) P (Xn = en ) .

În fine, putem trage concluzia că
P (Xn+1 = en+1 /Xn = en ) = p (n, n + 1, en , en+1 ) =
= P (Xn+1 = en+1 /X0 = e0 , ..., Xn = en ) ,

9.3 Alte forme ale proprietăţii Markov

9.3.1 Exprimarea cu media condiţionată
În continuare, vom presupune că (Ω, F , P, Xn) este un lanţ Markov cu spaţiul
stărilor E, iar {p (n, m, i, j) /n, m ∈ N, n ≤ m, i ∈ En , j ∈ E} sunt probabilităţile
sale de trecere. Pn,m este forma matriceală ı̂n care notăm probabilităţile de
trecere; liniile sunt indexate după En iar coloanele după E. În cazul re-
alizării canonice a unui lanţ am văzut că există anumite σ− algebre asociate
proiecţiilor canonice. De fapt, şi ı̂n cazul general putem să definim la fel
Fn = σ (X0 , ..., Xn ) , n ∈ N,
care formează o familie de σ− algebre asociate lanţului. Aceste σ− algebre
separă evenimentele elementare ale spaţiului Ω după cum au fost evoluţiile
traiectoriilor asociate până la momentul n. Spunem că aceste σ− algebre
constituie filtraţia canonic asociată lanţului. Ele deţin informaţia despre tre-
cutul procesului până la momentul n. Se vede imediat că Fn ⊂ Fn+1 , pentru
orice n ∈ N. Mai notăm cu F∞ = σ (Xn / n ∈ N) , care este σ− algebra
generată de tot lanţul şi care, ı̂n general, este mai mică decât F . Pentru a
descrie câteva proprietăţi ale filtraţiei introducem următoarea notaţie:
Λ (e0 , ..., en ) = {X0 = e0 , ..., Xn = en } ,

An = Λ (e0 , ..., en ) / (e0 , ..., en ) ∈ E n+1 .
Evident, An constituie o partiţie cel mult numărabilă a lui Ω.
Lema 9.2 (i) A ∈ Fn dacă şi numai dacă se reprezintă sub forma
A = {ω ∈ Ω/ (X0 (ω) , ..., Xn (ω)) ∈ B}
cu o submulţime B ⊂ E n+1 .
(ii) Fn = σ (An ) .
Demonstraţie. (i) Notăm Yn = (X0 , ..., Xn ) : Ω → E n+1 . Lema 8.2 ne

spune că Fn = σ (Yn ) , iar proprietatea de la punctul 2. din paragraful de
complemente de teoria măsurii ne dă descrierea mulţimilor din Fn sub forma
A = Y −1 (B) , cu B ⊂ E n+1 . Această expresie a lui A este echivalentă cu cea
din enunţ.
(ii) Este clar că An ⊂ Fn şi prin urmare σ (An ) ⊂ Fn . Pe de altă parte,
dacă A este o mulţime din Fn ea se reprezintă ı̂n forma de la punctul (i) , şi
atunci se poate scrie egalitatea

A= Λ (e0 , ..., en ) . (∗)
(e0 ,...,en)∈B
Cum B este o mulţime cel mult numărabilă, rezultă că A ∈ σ (An ) .2

Următoarea propoziţie prezintă proprietatea Markov ı̂ntr-o formă ı̂ntărită.
Propoziţia 9.3 Presupunem că 0 ≤ n < m sunt două numere naturale.

(i) Dacă A ∈ Fn este o mulţime astfel ca P (A) > 0 şi A ⊂ {Xn = i} ,
pentru o anumită stare i ∈ E, atunci are loc formula
P (Xm = j/A) = p (n, m, i, j) .
(ii) Dacă f : E → R este o funcţie mărginită, atunci are loc relaţia
E [f (Xm ) / Fn ] = Pn,m f (Xn ) .
Demonstraţie. (i) Relaţia de demonstrat se scrie şi sub forma

P ({Xm = j} ∩ A) = P (A) p (n, m, i, j) .
Pe e altă parte, mulţimea A se exprimă ca o reuniune precum ı̂n relaţia
(*) de mai sus. Atunci este clar că este suficient să demonstrăm relaţia
pentru mulţimi de forma A = Λ (e0 , ..., en ) . În acest caz condiţia din enunţ,
A ⊂ {Xn = i} , implică faptul că trebuie să considerăm en = i. Astfel, relaţia
de demonstrat devine
P (Xm = j, X0 = e0 , ..., Xn−1 = en−1 , Xn = i)
= P (X0 = e0 , ..., Xn−1 = en−1 , Xn = i) p (n, m, i, j) ,
relaţie ce se verifică imediat ţinând cont de observaţia 9.1.
(ii) Mai ı̂ntâi, se observăm că membrul drept al egalităţii de demonstrat
reprezintă o variabilă aleatoare măsurabilă faţă de Fn . Formula din enunţ
este atunci echivalentă cu relaţia următoare
E [f (Xm ) ; A] = E [Pn,m f (Xn ) ; A] , ∀A ∈ Fn .
Dar pe spaţiul nostru discret funcţia f se poate scrie ı̂n forma unei sume pon-
deratede funcţii caracteristice de mulţimi constituite dintr-un singur punct:
f = j∈E f (j) 1{j} . Ţinând cont de aceasta, rezultă că este suficient să
verificăm relaţia ı̂n forma particulară ı̂n care f = 1{j} . Se vede prin calcul
punctual că avem 1{j} (Xm ) = 1{Xm =j} şi Pn,m 1{j} (e) = p (n, m, e, j) , dacă
e ∈ En . Atunci avem de verificat relaţia
$ %
E 1{Xm =j} ; A = E [p (n, m, Xn , j) ; A] , ∀A ∈ Fn .
Mulţimea A din această relaţie se descompune sub forma

A= (A ∩ {Xn = i}) ,
i∈E
şi de aceea, este suficient să demonstrăm relaţia ı̂n cazul ı̂n care are loc o
incluziune de forma A ⊂ {Xn = i} , unde i ∈ E este o stare arbitrară. Atunci
relaţia de verificat devine
P ({Xm = j} ∩ A) = E [p (n, m, i, j) ; A] = p (n, m, i, j) P (A) ,
care este relaţia deja demonstrată la punctul (i). 2
Remarcăm că relaţia de la punctul (i) poate fi scrisă şi sub forma
P (Xm = j ∩ A) = p (n, m, i, j) P (A) ,
caz ı̂n care nu mai este nevoie să cerem ca P (A) > 0.
9.3.2 Lanţuri omogene ı̂n timp

În continuare, ne vom restrâge la cazul lanţurilor omogene ı̂n timp pen-
tru că atunci notaţia se simplifică, pe de o parte, iar cele mai multe din-
tre exemple sunt de acest tip, pe de altă parte. Lanţurile omogene ı̂n
timp sunt lanţurile ale căror caracteristici probabiliste rămân invariante ı̂n
timp. Aceasta ı̂nseamnă că probabilităţile de trecere sunt invariante ı̂n timp.
Definiţia precisă o dăm mai jos.
Definiţia 9.3 Numim matrice stochastică o matrice p = (pij )i,j∈E de nu-

mere reale din intervalul [0, 1] , indexată după mulţimea E, care verifică
următoarele relaţii
pij = 1, ∀i ∈ E.
j∈E
Un sistem de probabilităţi de trecere {p (n, m, i, j) /n, m ∈ N, n ≤ m, i ∈ E, j ∈ E}

se numeşte omogen ı̂n timp, dacă există o matrice stochastică p = (pij ) astfel
ca matricele probabilităţilor sistemului să se exprime ı̂n termenii puterilor
matricei stochastice sub forma
Pn,m = pm−n ∀n, m ∈ N, n < m.
Scris explicit, probabilităţile unui sistem de trecere omogen satisfac relaţia

următoare
m−n
p (n, m, i, j) = pij ∀n < m, i, j ∈ E,
m−n
unde am notat cu pij elementele matricei pm−n . Fiind dată o matrice
stochastică p, se poate verifica uşor că sistemul de matrice Pn,m = pm−n , n, m ∈
N, n < m, definesc un sistem de probabilităţi de trecere omogen ı̂n timp.
Definiţia 9.4 Lanţul Markov (Ω, F , P, Xn, n ∈ N) se numeşte omogen ı̂n

timp, dacă probabilităţile sale de trecere satisfac relaţia
p (n, n + 1, i, j) = p (m, m + 1, i, j) ∀n, m ∈ N, i ∈ En ∩ Em , j ∈ E.
După cum se vede, relaţia de omogeneitate a unui lanţ se referă la mai

puţine date, pentru că probabilităţile de trecere ale lanţului nu sunt definite
pentru orice indici. Propoziţia care urmează clarifică relaţia dintre cele două
definiţii de mai sus.
Propoziţia 9.4 Lanţul Markov (Ω, F , P, Xn , n ∈ N) este omogen ı̂n timp

dacă şi numai dacă există o matrice stochastică p = (pij ) astfel ı̂ncât proba-
bilităţile de trecere ale lanţului sunt exprimate prin relaţia
m−n
p (n, m, i, j) = pij , ∀n, m ∈ N, n < m, i ∈ En , j ∈ E.
Demonstraţie. Evident, condiţia din enunţ implică proprietatea de

omogeneitate. Să arătăm implicaţia inversă. Notăm E = ∪n∈N En şi pentru
i ∈ E , j ∈ E date, definim
pij = p (n, n + 1, i, j) ,
unde n ∈ N este un rang arbitrar cu proprietatea că i ∈ En , iar pentru

i ∈ E\E , j ∈ E punem pij = δij (simbolul lui Kronecker). Este clar că
definiţia lui p = (pij ) este coerentă şi ne dă o matrice stochastică. Vrem să
verificăm relaţia din enunţ. Pentru aceasta ı̂ncepem prin a fixa n, m ∈ N
astfel ca n < m şi i ∈ En , j ∈ E. Notăm k = m − n. Atunci avem, după
regula de ı̂nmulţire a matricilor,

pkij = ... pii1 ...pik−1 j .
i1 ∈E ik−1 ∈E
Deoarece pii1 = p (n, n + 1, i, i1 ) , ţinând cont şi de observaţia 9.2, rezultă că
pii1 = 0, pentru i1 ∈ E\En+1 . De aceea suma noastră devine

= ... p (n, n + 1, i, i1 ) pi1 i2 ...pik−1 j ,
i1 ∈En+1 i2 ∈E ik−1 ∈E
scriind şi mai detaliat sumele ce intervin. Repetăm acelaşi argument: pentru
i1 ∈ En+1 şi i2 ∈ E avem pi1 i2 = p (n + 1, n + 2, i1 , i2 ) şi atunci când i2 ∈
E\En+2 vom avea pi1 i2 = 0. Deci sumarea de la al doilea semn de sumare se

face numai după i2 ∈ En+2 . Şi aşa mai departe, din aproape ı̂n aproape, se
ı̂nlocuiesc toate mulţimile după care se face ı̂nsumarea, cât şi notaţia pentru
probabilităţile de trecere, obţinând

pkij = ... p (n, n + 1, i, i1 ) ...p (m − 2, m − 1, ik−1 , j) .
i1 ∈En+1 ik−1 ∈Em−1
Expresia din membrul drept al acestei egalităţi reprezintă valoarea lui p (n, m, i, j)
calculată prin aplicarea repetată a propoziţiei 9.1. 2
Notaţii Mai departe, vom presupune fixată o matrice stochastică p = (pij )

pe mulţimea cel mult numărabilă E şi vom nota cu pnij elementele matricei
pn , care definesc sistemul de probabilităţi de trecere omogen p (n, m, i, j) =
m−n
pij . Ne vom referi la lanţul proiecţiilor (Xn )n∈N construit pe spaţiul canonic
Ω = E × E × ..., sub diferite măsuri de probabilitate. Dacă µ = (µi )i∈E este
o măsură de probabilitate pe E vom nota cu P µ măsura pe Ω care face
lanţul proiecţiilor lanţ Markov cu probabilităţile de trecere asociate lui p
şi cu repartiţia iniţială µ. Dacă µ = δi reprezintă măsura Dirac ı̂n punctul
i ∈ E, atunci vom nota cu P i probabilitatea respectivă. Următoarea lemă
arată relaţia dintre aceste măsuri.
Lema 9.3 Pentru o măsură de probabilitate arbitrară pe E, µ = (µi )i∈E ,

are loc relaţia P µ = i∈E µi P i .
i
Demonstraţie. Vom nota cu Q = i∈E µi P , care este evident o
măsură de probabilitate pe F . Prin aplicarea lemei 8.3, verificarea coincidenţei
măsuriolor P µ şi Q revine la verificarea coincidenţei lor pe mulţimile cilin-
drice elementare. Dar pentru aceste mulţimi, valoarea măsurilor P µ şi P i
se exprimă prin relaţia (*) din demonstraţia teoremei 9.1, care conduce la
egalitatea P µ (E (e0 , e1 , ..., en )) = Q (E (e0 , e1 , ..., en )) .2
Media ı̂n raport cu măsura P µ o vom nota cu E µ , iar ı̂n raport cu P i cu
E i . O notaţie similară va fi utilizată pentru mediile condiţionate.
Pe spaţiul Ω definim operatorul de translaţie spre stânga, care mai este
numit şi operatorul de ,,şift”, θ : Ω → Ω, punând, pentru ω = (e0 , e1 , e2 , ...) ∈
Ω, θ (ω) = (e1 , e2 , ...) . Compunerea repetată a acestui operator cu el ı̂nsuşi
defineşte operatorii θk , k ≥ 1, cu convenţia θ1 = θ şi θk = θk−1 ◦ θ, pentru
k ≥ 2. Se verifică uşor că are loc relaţia Xn ◦ θk = Xn+k .
Lema 9.4 Are loc incluziunea θk−1 (Fn ) ⊂ Fn+k şi egalitatea θk−1 (F ) =
σ (Xn /n ≥ k) , pentru orice k, n ∈ N, k ≥ 1.
Demonstraţie. Prima incluziune este o consecinţă a egalităţii
θk−1 ({X0 = e0 , ..., Xn = en }) = {Xk = e0 , ..., Xk+n = en }
şi a modului ı̂n care este descrisă Fn ı̂n termenii mulţimilor cilindrice ele-
mentare de rang n. Din prima incluziune rezultă şi θk−1 (G) ⊂ G. Pentru a
deduce cea de a doua incluziune vom nota

U = A ⊂ Ω/θk−1 (A) ∈ F .
Din cele spuse anterior rezultă că are loc incluziunea G ⊂ U. Se verifică că U
este o σ− algebră. Într-adevăr, egalităţile

θk−1 i∈N A i = i∈N θk−1
c (Ai ) ,
θk−1 (Ac ) = θk−1 (A) ,
(care sunt valabile pentru orice aplicaţie) permit verificarea proprietăţilor din
definiţia σ− algebrei. Dar o σ− algebră ce conţine G trebuie să conţină şi
pe F . Deci mulţimile din F se bucură de proprietatea ce defineşte familia U.
Este exact ce doream. 2
Descrierea dată mai sus pentru θk−1 (F ) ne ı̂ndreptăţeşte să spunem că
această σ− algebră reprezintă evenimentele viitoare din evoluţia procesului
faţă de momentul prezent k.
Cu notaţia de mai sus, putem enunţa proprietatea Markov, ı̂n propoziţia
care urmează, sub o formă care accentuează ideea că evoluţia de după mo-
mentul n nu depinde de ceea ce a fost ı̂nainte de acest moment, ci doar de
poziţia de la momentul n.
Propoziţia 9.5 Fie µ = (µe )e∈E o măsură de probabilitate pe E, n ∈ N şi
o mulţime B ∈ Fn astfel că P (B) > 0. Notăm ν = (νe )e∈E repartiţia lui Xn
sub probabilitatea condiţionată P µ (·/B) , definită de νe = P µ (Xn = e/B) .
Atunci are loc formula

P µ θn−1 (A) /B = P ν (A) ,
pentru orice A ∈ F . Dacă mulţimea faţă de care condiţionăm satisface o
incluziune de tipul B ⊂ {Xn = i} , pentru o anumită stare i ∈ E, atunci
formula precedentă devine

P µ θn−1 (A) /B = P i (A)
Demonstraţie. Mai ı̂ntâi, remarcăm că, ı̂n cazul ı̂n care are loc o
incluziune de tipul B ⊂ {Xn = i} , atunci are loc egalitatea ν = δi . În partic-
ular, vedem că cea de a doua formulă din enunţ rezultă din prima. Apoi vom
trece la demonstraţia relaţiei din enunţ ı̂n cazul ı̂n care B este o mulţime cilin-
drică elementară, fie ea B = E (e0 , ..., en−1 , i) , cu e0 , ..., en−1 , i ∈ E. Relaţia
ce avem de demonstrat se scrie atunci sub forma

P µ θn−1 (A) ; E (e0 , ..., en−1 , i) = P µ (E (e0 , ..., en−1 , i)) P i (A) ,
relaţie ce poate fi privită şi ca o egalitate de măsuri. Anume vom nota

Q (A) = P µ θn−1 (A) ; E (e0 , ..., en−1 , i) , ∀A ∈ F .
Aceasta se dovedeşte a fi o măsură σ− aditivă, pentru că de fapt are loc

egalitatea Q = 1E(e0 ,...,en−1,i) · P µ ◦ θn−1 . Relaţia din enunţ revine la verificarea
egalităţii de măsuri
Q (A) = P µ (E (e0 , ..., en−1 , i)) P i (A) , ∀A ∈ F . (∗)
Ţinând cont de lema 10.1, este suficient să verificăm această relaţie pentru
mulţimile cilindrice elementare. În continuare vom verifica această relaţie ı̂n
cazul ı̂n care A = E (i0 , ..., im ) , i0 , ..., im ∈ E, m ∈ N. Atunci avem
θn−1 (A) = θn−1 (X0 = i0 , ..., Xm = im ) = {Xn = i0 , ..., Xn+m = im } ,
θn−1 (A) ∩ E (e0 , ..., en−1 , i) =

= {X0 = e0 , ..., Xn−1 = en−1 , Xn = i, Xn = i0 , ..., Xn+m = in+m } .
După cum se vede, a doua relaţie ne spune că intersecţia respectivă este
vidă dacă i0 = i. Atunci membrul stâng al relaţiei (*) se anulează. Pe de
altă parte, pentru a evalua membrul drept, vom observa că mulţimea A este
inclusă ı̂n {X0 = i0 } , iar P i (X0 = i0 ) = δii0 = 0 dacă i0 = i.
Să vedem ce se petrece ı̂n cazul i0 = i. Conform cu lema 9.1, au loc
formulele
P µ (E (e0 , ..., en−1 , i)) = pe0 e1 ...pen−2 en−1 pen−1 i ,
P µ
(θn−1 (A) ∩ E (e0 , ..., en−1 , i)) = µ0 pe0 e1 ...pen−2 en−1 pen−1 i pi0 i1 ...pim−1 im ,
P i (A) = pi0 i1 ...pim−1 im .
Relaţia (*) rezultă de aici imediat. Cu alte cuvinte, am demonstrat propoziţia

ı̂n cazul ı̂n care mulţimea B este o mulţime cilindrică elementară.
Să trecem acum la cazul ı̂n care mulţimea B ∈ Fn este generală, dar
inclusă ı̂n mulţimea {Xn = i} . Deoarece are loc egalitatea

{Xn = i} = E (e0 , ..., en−1 , i) ,
(e0 ,...,en−1 )∈E n
iar mulţimea B este inclusă ı̂n {Xn = i} , rezultă că aceasta poate fi scrisă
sub forma
B= Bl ,
l∈I
unde mulţimile Bl sunt mulţimi cilindrice elementare disjuncte, de tipul con-

siderat anterior. Este clar că mulţimea I este cel mult numărabilă. Fixăm
mulţimea A acum. Conform cu cele demonstrate anterior, avem

P µ θ−1 (A) ∩ Bl = P µ (Bl ) P i (A) , ∀l ∈ I.
Prin sumare după l se obţine relaţia dorită:

P µ θ−1 (A) ∩ B = P µ (B) P i (A) .
Să analizăm acum cazul absolut

general B ∈ Fn . Descompunem mulţimea
aceasta ı̂n felul următor B = i∈E B , unde B i = B ∩ {Xn = i} . Pentru
i
fiecare componentă are loc relaţia anterior demonstrată,

P µ θ−1 (A) ∩ B i = P µ B i P i (A) .
Ţinând cont că νi = P µ (B i ) /P µ (B) , prin sumarea acestei relaţii după i, se

obţine

P µ θ−1 (A) ∩ B = νi P µ (B) P i (A) = P µ (B) P ν (A) ,
i∈E
care este exact relaţia dorită. 2

Relaţia (ii) din enunţul propoziţiei poate fi scrisă şi ı̂n forma

P µ θn−1 (A) ∩ B = P i (A) P µ (B) ,
care uneori este mai comodă, pentru că această relaţie este valabilă sub
ipotezele din enunţ simplificate, prin aceea că nu se mai cere ca P µ (B) > 0.
Proprietatea Markov se poate enunţa ı̂n termenii mediilor condiţionate,
generalizând forma dată ı̂n propoziţia 9.3 (ii), ı̂n felul următor.
Propoziţia 9.6 Dacă Y este o variabilă aleatoare mărginită, µ = (µi )i∈E o

probabilitate pe E şi n ≥ 1 un număr natural, atunci are loc relaţia
E µ [Y ◦ θn /Fn ] = E Xn (Y ) .
În particular, pentru orice mulţime B ∈ Fn pentru care există i ∈ E astfel

ca B ⊂ {Xn = i} , are loc egalitatea
E µ [Y ◦ θn ; B] = P µ (B) E i Y.
Demonstraţie. Mai ı̂ntâi ne ocupăm de prima relaţie din enunţ. Să

explicăm ce reprezintă expresia din membrul drept. Conform notaţiei sta-
bilite, i → E i (Y ) este o aplicaţie de la E cu valori ı̂n R. Compunerea acestei
aplicaţii cu Xn : Ω → E ne dă aplicaţia E Xn (Y ) : Ω → R, care este o
variabilă aleatoare cu valori reale. Ea este măsurabilă faţă de Fn .
Prima egalitate din enunţ se reduce la verificarea relaţiei
$ %
E µ [Y ◦ θn ; B] = E µ E Xn (Y ) ; B , ∀B ∈ Fn . (#)
Să vedem ce devine această relaţie când Y = 1A este funcţia caracteristică

a unei mulţimi A ∈ F . Avem 1A ◦ θn = 1θn−1 (A) şi E i 1A = P i (A) , ceea
' )
ce transformă membrul stâng al relaţiei de demonstrat ı̂n E µ 1θn−1 (A) ; B =
$ %
P µ (θn−1 (A) ∩ B) , iar membrul drept ı̂n E µ P Xn (A) ; B . Astfel, relaţia an-
terioară revine la
$ %
P µ θn−1 (A) ∩ B = E µ P Xn (A) ; B .

Ţinând cont că avem descompunerea B = i∈E Bi , unde am notat Bi =
B ∩ {Xn = i} , se deduce că membrul stâng al acestei relaţii se poate scrie
sub forma i∈E P µ (θn−1 (A) ∩ Bi ) , iar membrul drept este egal cu
$ % i
E µ P i (A) ; Bi = P (A) P µ (Bi ) .
i∈E i∈E
Atunci avem de verificat relaţia echivalentă

i
P µ θn−1 (A) ∩ Bi = P (A) P µ (Bi ) .
i∈E i∈E
Dar acum putem aplica punctul (ii) al propoziţiei precedente, pentru a deduce
că fiecare termen al primei sume este egal cu corespondentul său din cea de
a doua sumă. Putem trage concluzia că, ı̂n cazul particular Y = 1A , relaţia
(#) este verificată.
Să observăm acum că relaţia (#) poate fi imediat dedusă şi pentru cazul
unei variabile etajate. Apoi se descompune Y = Y + − Y − , unde Y + = Y ∨ 0
şi Y − = (−Y ) ∨ 0, astfel că problema se reduce la cazul variabilelor pozitive.
În fine se utilizează aproximarea unei variabile pozitive cu un şir crescător de
variabile etajate date de punctul 5. din paragraful de complemente de teoria
măsurii. Dacă Y = limn→∞ Yn , unde (Yn ) este şirul crescător de variabile
etajate, ştim că relaţia (#) este valabilă pentru fiecare din variabilele Yn .
Prin trecere la limită, se obţine şi relaţia pentru Y.
Cea de a doua relaţie din enunţ rezultă imediat din relaţia (#). 2
9.3.3 Proprietatea tare Markov

În această secţiune vom generaliza proprietatea Markov prin ı̂nlocuirea tim-
pului ,,prezent” constant, la care se petrece proprietatea, cu un timp aleator,
adică depinzând de ω ∈ Ω. Timpii aleatori pentru care este valabilă ge-
neralizarea nu pot fi arbitrari. Ei trebuie să satisfacă o proprietate legată
de evoluţia procesului. Următoarea definiţie precizează această proprietate.
Pentru că noţiunile care intervin nu sunt neapărat legate de spaţiul canonic
Ω şi de obiectele asociate lui, vom da definiţiile ı̂ntr-un cadru general.
Definiţia 9.5 Fie (Wn )n∈N o familie de σ−algebre definite pe o mulţime ar-
bitrară W. Vom spune că familia aceasta este o filtraţie dacă este crescătoare,
ı̂n sensul că are loc incluziunea Wn ⊂ Wn+1 , pentru orice n ∈ N. Să pre-
supunem că este ı̂ndeplinită această condiţie. O familie de aplicaţii (Zn )n∈N , Zn :
W → E, cu valori ı̂n mulţimea cel mult numărabilă E, se spune a fi un
proces adaptat filtraţiei date dacă, pentru fiecare n ∈ N, variabila Zn este
măsurabilă faţă de Wn . Vom spune că o aplicaţie T : W → N ∪ {∞} este un
timp de oprire (sau de stopare) dacă satisface următoarea condiţie:
{T = n} ∈ Wn , ∀n ∈ N.
Cu notaţia din definiţie, timpului de oprire T, ı̂i vom asocia clasa de
mulţimi
WT = {A ⊂ W / A ∩ {T = n} ∈ Wn , ∀n ∈ N} .
Se verifică fără dificultate că este o σ− algebră. În cazul ı̂n care T ≡ n
este o constantă, se poate constata că WT coincide cu Wn . Pentru un pro-
ces adaptat, (Zn )n∈N , vom utiliza notaţia ZT , desemnând aplicaţia ZT :
{T < ∞} → E definită prin ZT (ω) = ZT (ω) (w) . Mulţimea {T < ∞} este

natural ı̂nzestrată cu urma σ−algebrei WT . Se poate verifica, rămâne ca citi-
torul să o facă, că aplicaţia ZT este măsurabilă faţă de urma σ−algebrei
WT pe {T < ∞} . De asemenea, se poate verifica fără dificultate că pentru
doi timpi de oprire S, T, care satisfac relaţia S ≤ T, are loc incluziunea
WS ⊂ WT .
În cazul filtraţiei canonice asociate unui lanţ Markov, un timp de oprire
exprimă momentul la care se produce un eveniment ce este determinat de
evoluţia lanţului până la acel moment. Adică valoarea T (ω) = n nu depinde
ı̂n nici un fel de alte evenimente legate de evoluţia lanţului după momentul
n. Exemple de timpi de oprire vor apărea ı̂n secţiunea următoare. În cazul
spaţiului canonic Ω, fiind dat un timp de oprire, T, ı̂n raport cu filtraţia
(Fn )n∈N , utilizăm notaţia θT : {T < ∞} → Ω, pentru a desemna aplicaţia
care este definită prin relaţia θT (ω) = θT (ω) (ω) . Lăsăm cititorului verificarea
faptului că această aplicaţie este măsurabilă ı̂n raport cu F . Cu această
notaţie putem formula următoarea teoremă, care conţine diverse versiuni a
ceea ce se numeşte proprietatea tare Markov. (Este o proprietate mai tare
decât cea dinainte pentru că se aplică relativ la un timp de oprire.)
Teorema 9.2 Fie T un timp de oprire şi µ = (µi ) o măsură de probabilitate

pe E.
(i) Fie B ∈ FT aşa ı̂ncât B ⊂ {T < ∞} şi P (B) > 0. Notăm ν = (νe )e∈E
repartiţia lui XT sub probabilitatea condiţionată P µ (·/B) , definită prin νe =
P µ (XT = e/B) . Atunci are loc formula

P µ θT−1 (A) /B = P ν (A) ,
pentru orice mulţime A ∈ F . În particular, dacă mulţimea de condiţionare

satisface incluziunea B ⊂ {XT = i} , pentru un anumit punct i ∈ E, atunci
relaţia anterioară devine

P µ θT−1 (A) /B = P i (A)
(ii) Pentru orice variabilă aleatoare mărginită, Y, are loc relaţia

$ %
E µ 1{T <∞} Y ◦ θT /FT = E XT [Y ] 1{T <∞} .
În particular, are loc relaţia
E µ [Y ◦ θT ; B] = P µ (B) E i Y,
pentru orice mulţime B ∈ FT cu proprietatea că există i ∈ E, astfel ca

B ⊂ {T < ∞} ∩ {XT = i} .
Demonstraţie. (i) Să presupunem mai ı̂ntâi că are loc incluziunea
B ⊂ {XT = i} . Observăm că mulţimea B poate fi exprimată sub forma
unei reuniuni de mulţimi disjuncte B = n∈N Bn , unde Bn = B ∩ {T = n} .
Conform cu lema de mai jos, va fi suficient să demonstrăm relaţia pentru
fiecare din mulţimile Bn , n ∈ N. Dar o astfel de mulţime aparţine lui Fn
şi are loc relaţia Bn ⊂ {Xn = i} . Atunci formula rezultă din propoziţia 9.5,
ţinând cont şi de relaţia
θT−1 (A) ∩ {T = n} = θn−1 (A) ∩ {T = n} .
Pentru cazul unei mulţimi generale, B ∈ FT , se repetă procedeul care a fost

utilizat şi ı̂n finalul
demonstraţiei propoziţiei 9.5. Anume, se face descom-
punerea B = i∈E B i , B i = B ∩ {XT = i} şi, pentru fiecare din mulţimile
B i , ne ı̂ncadrăm ı̂n cazul deja demonstrat. Prin urmare, putem scrie

P µ θT−1 (A) ∩ B i = P i (A) P µ B i ,
relaţie ce, prin ı̂nsumare după i, conduce la următoarea relaţie

µ −1 i
P µ θT−1 (A) ∩ B = P θT (A) ∩ B i = P (A) P µ B i .
i∈E i∈E
Ţinând cont că νi = P µ (XT = i/B) = P µ (Bi ) /P µ (B) , ultima expresie

devine
= P i (A) νi P µ (B) = P µ (B) P ν (A) ,
i∈E
ceea ce termină demonstraţia formulei de la punctul (i).

(ii) Mai ı̂ntâi, să lămurim sensul membrului drept al primei relaţii de la
punctul (ii) din enunţ. Pe mulţimea {T < ∞} este bine definită variabila XT ,
care ia valori ı̂n E şi care este FT măsurabilă. Expresia E XT [Y ] are ı̂nţelesul
compunerii aplicaţiei i → E i [Y ] , definite pe E cu valori ı̂n R, cu aplicaţia
XT , astfel că avem o variabilă FT −măsurabilă, cu valori reale. Relaţia de
demonstrat este echivalentă cu
$ % $ %
E µ 1{T <∞} Y ◦ θT ; B = E µ E XT [Y ] 1{T <∞}; B , ∀B ∈ FT . (#)

Ţinând cont de descompunerea B ∩ {T < ∞} = n∈N Bn , cu Bn = B ∩
{T = n} , relaţia aceasta se reduce la
$ %
E µ [Y ◦ θn ; Bn ] = E µ E Xn [Y ] ; Bn ,
care este un caz particular al propoziţiei 9.6. Cea de a doua relaţie de la

punctul (ii) rezultă imediat din prima. 2
Remarcăm că relaţia de la punctul (i) al teoremei poate fi scrisă şi sub
forma
P µ θT−1 (A) ∩ B = P ν (A) P µ (B) ,
formă ce este mai convenabilă ı̂n aplicaţii, deoarece, ı̂n acest caz, nu mai este
necesar să cerem ca P (B) > 0.
Lema 9.5 Pe un spaţiu probabilizat (Ω, F , P ) se dau evenimentele A, Bl , l ∈

I, unde I este cel mult numărabilă astfel că P (Bl ) > 0, pentru orice l ∈ I.
Dacă evenimentele Bl , l ∈ I sunt disjuncte, şi are loc egalitatea
P (A/Bl ) = c, ∀l ∈ I,

atunci P A/ l∈I Bl = c.
Verificarea lemei o lăsăm ca exerciţiu.
9.4 Reducerea la reprezentarea canonică

Exemplele de lanţuri Markov apar de multe ori ı̂ntr-un context diferit de
ceea ce se poate numi ,,reprezentarea canonică” şi care a constituit cadrul de
bază al ultimelor paragrafe de mai sus. Vom arăta ı̂n cele ce urmează cum se
face transferul de proprietăţi şi de calcule ı̂ntre un lanţ Markov definit pe un
spaţiu probabilizat arbitrar şi lanţul de pe reprezentarea canonică cu aceleaşi
probabilităţi de trecere.
Fie (W, W, P ) un spaţiu probabilizat pe care este definit un lanţ Markov
omogen (Yn )n∈N cu spaţiul stărilor E, repartiţia iniţială µ şi probabilităţile
de trecere asociate unei matrici stochastice p. Vom utiliza notaţia Ω = E ×
E × ..., Xn , Fn , F , θ, P i, etc., introdusă pentru realizarea canonică şi vom
defini aplicaţia Γ : W → Ω, punând Γ (w) = (Y0 (w) , Y1 (w) , ...) . Iar pe
spaţiul W vom defini filtraţia Wn = σ (Y0 , ..., Yn ) , n ∈ N, şi σ−algebra W =
σ (Yn /n ∈ N) . O primă serie de legături ı̂ntre lanţul dat şi lanţul canonic
este descrisă ı̂n propoziţia următoare.
9.4. REDUCEREA LA REPREZENTAREA CANONICĂ 207
Propoziţia 9.7 Au loc egalităţile: (i) Wn = Γ−1 (Fn ) , (ii) W = Γ−1 (F ) şi
(iii) P ◦ Γ−1 = P µ .
Demonstraţie. Pentru această demonstraţie vom mai introduce notaţia

Y n = (Y0 , ..., Yn ) : W → E n+1 şi X n = (X0 , ..., Xn ) : Ω → E n+1 , unde n ∈ N
este arbitrar. Evident, aceste aplicaţii satisfac relaţia Y n = X n ◦Γ. Pe de altă
parte, din proprietatea 3. din paragraful dedicat σ−algebrelor generate de
−1 −1
variabile aleatoare, ştim că Fn = X n (P (E n+1 )) şi Wn = Y n (P (E n+1 )) .
Atunci putem scrie
" −1 #
Wn = Γ−1 X n P E n+1 = Γ−1 (Fn ) ,
ceea ce demonstrează punctul (i).

Trecând la punctul (ii), vom observa că Γ−1 (F ) este o σ−algebră şi
conţine, conform punctului anterior, fiecare din σ−algebrele Wn . Rezultă
că W = σ (∪n Wn ) ⊂ Γ−1 (F ) . Pentru a verifica cealaltă incluziune pornim
cu observaţia că familia A = {A ⊂ Ω/Γ−1 (A) ∈ W} este o σ−algebră, lu-
cru ce se poate verifica direct, fără prea mare greutate. Cum A conţine Fn ,
pentru orice n ∈ N, rezultă F = σ (∪n Fn ) ⊂ A. Dacă citim definiţia lui A,
constatăm că această ultimă incluziune implică Γ−1 (F ) ⊂ W. Cu aceasta
am demonstrat punctul (ii).
Pentru a verifica egalitatea de la punctul (iii), aplicăm lema 8.3, care ne
spune că este suficient să arătăm că

P Γ−1 (E (e0 , ..., en )) = P µ (E (e0 , ..., en )) ,
pentru orice mulţime cilindrică elementară. Cum avem Γ−1 (E (e0 , ..., en )) =
{Y0 = e0 , ..., Yn = en } , prin aplicarea lemei 9.1, rezultă

P Γ−1 (E (e0 , ..., en )) = µe0 pe0 e1 ...pen−1 en = P µ (E (e0 , ..., en )) ,

Vom presupune acum că avem un lanţ Markov cu o filtraţie mai largă
decât cea natural asociată lanţului şi vom demonstra că are loc o versiune a
proprietăţii tare Markov ı̂n raport cu timpii de oprire ai filtraţiei mari.
Fie (W, W, P ) un spaţiu probabilizat pe care există o filtraţie (Wn )n∈N
astfel ca Wn ⊂ W, pentru orice n ∈ N şi procesul adaptat (Zn )n∈N , Zn :
W → E, n ∈ N, cu valori ı̂n spaţiul cel mult numărabil E. Filtraţia nat-
ural asociată procesului (Zn )n∈N , definită prin Gn = σ (Z0 , ..., Zn ) , n ∈ N,
evident satisface incluziunile Gn ⊂ Wn , n ∈ N, deci este mai restrânsă. Mai

presupunem că este verificată următoarea proprietate
P (Zn+1 = j/A) = pij , (∗)
pentru orice mulţime A ∈ Wn , astfel că A ⊂ {Zn = i} şi P (A) > 0. Deoarece
orice mulţime de tipul {Z0 = e0 , ..., Zn−1 = en−1 , Zn = i} este ı̂n Wn , această
ultimă proprietate implică proprietatea Markov. Deci (Zn )n∈N este un lanţ
Markov, el este chiar omogen şi admite probabilităţile de trecere generate
de matricea p. (Este de notat că orice lanţ Markov satisface proprietatea
(*) de mai sus relativ la filtraţia sa naturală.) Mai presupunem că este dat
T : W → N ∪ {∞} , care e un timp de oprire pentru filtraţia (Wn )n∈N
şi definim aplicaţiile Yn = ZT +n , n ∈ N, pe mulţimea {T < ∞} . Analog
notaţiei introduse mai sus, definim aplicaţia Γ : {T < ∞} → Ω, cu valori ı̂n
spaţiul canonic Ω = E × E × ..., punând Γ (w) = (Y0 (w) , Y1 (w) , ...) . Pre-
supunem că B ∈ WT este un eveniment astfel ca B ⊂ {T < ∞}şi P (B) > 0.
Notăm cu PB probabilitatea condiţionată definită prin PB (A) := P P(A∩B) (B)
,
pentru A ∈ W. Atunci relaţia (*) permite exprimarea proprietăţii tare
Markov ı̂n felul următor.
Propoziţia 9.8 În condiţiile enunţate mai sus, sub probabilitatea PB , (Yn )n∈N
este un lanţ Markov omogen, ale cărui probabilităţi de trecere sunt generate
de matricea p. Dacă A ⊂ Ω este ı̂n F ,atunci are loc formula

PB Γ−1 (A) = P ν (A) ,
unde ν = (νe )e∈E este repartiţia lui ZT sub PB definită prin νe = PB (ZT = e) .
Demonstraţie. Mai ı̂ntâi, să verificăm că (Yn )n∈N este markovian.
Dorim să arătăm că are loc relaţia
PB (Yn+1 = j/Y0 = e0 , ..., Yn−1 = en−1 , Yn = i) = pij ,
pentru orice puncte e0 , ..., en−1 , i, j ∈ E, pentru care are sens condiţionarea.
Această relaţie este echivalentă cu următoarea
P ({Y0 = e0 , ..., Yn−1 = en−1 , Yn = i, Yn+1 = j} ∩ B)

= P ({Y0 = e0 , ..., Yn−1 = en−1 , Yn = i} ∩ B) pij . (#)
9.4. REDUCEREA LA REPREZENTAREA CANONICĂ 209
Pentru a putea face calcule cu expresiile de mai sus, vom introduce mulţimile
Bk = B ∩ {T = k} , k ∈ N. Înlocuind pe B cu Bk , expresia din stânga relaţiei
de mai sus devine
P (Y0 = e0 , ..., Yn−1 = en−1 , Yn = i, Yn+1 = j; Bk ) =
P (Zk = e0 , ..., Zk+n−1 = en−1 , Zk+n = i, Zk+n+1 = j; Bk ) .
Ţinând cont că B ∈ WT , deducem că Bk ∈ Wk şi atunci putem utiliza relaţia
(*) pentru a pune ultima expresie sub forma
= P (Zk = e0 , ..., Zk+n−1 = en−1 , Zk+n = i; Bk ) pij

= P (Y0 = e0 , ..., Yn−1 = en−1 , Yn = i; Bk ) pij .
Am demonstrat deci relaţia (#) cu Bk ı̂n loc de B. Dar, o dată ce avem

relaţiile cu orice Bk , k ∈ N, putem deduce relaţia cu B prin sumare după k.
Pentru a demonstra cea de a doua afirmaţie din enunţ, vom observa mai
ı̂ntâi că pe mulţimea {T < ∞} are loc egalitatea Y0 = ZT şi, prin urmare,
repartiţia lui ZT coincide cu repartiţia iniţială a lanţului (Yn )n∈N sub PB .
Aplicăm atunci punctul (iii) din propoziţia anterioară, pentru a deduce for-
mula din enunţ. 2
Formula din această propoziţie poate fi scrisă şi ı̂n forma

P Γ−1 (A) ∩ B = P ν (A) P (B) ,
relaţie care este valabilă fără a mai necesita condiţia ca P (B) > 0.
Capitolul 10
Comunicarea ı̂ntre stări
În continuare, vom păstra cadrul stabilit ı̂n paragraful Lanţuri omogene şi
vom utiliza notaţiile introduse până la aici. Cu alte cuvinte, vom presupune
fixată o matrice stochastică p = (pij ) pe spaţiul stărilor E şi studiem procesul
canonic sub diverse măsuri P µ , asociate sistemului de probabilităţi de tre-
cere generate de p. Utilizăm toate notaţiile stabilite anterior pentru procesul
canonic.
Pentru a analiza modul ı̂n care evoluează procesul trecând dintr-o stare
ı̂n alta, o importanţă deosebită o au timpii primei vizite ı̂ntr-o stare, pe care
ı̂i definim acum. Fiind dat punctul (sau starea) i ∈ E, notăm cu Ti : Ω →
N∗ ∪ {∞} aplicaţia definită prin
Ti (ω) = inf {n ∈ N∗ /Xn (ω) = i} ,
cu convenţia inf ∅ = ∞. (Am notat cu N∗ mulţimea numerelor naturale

diferite de zero.) Deci 1 ≤ T şi are loc egalitatea Ti (ω) = ∞ dacă şi numai
dacă traiectoria ω nu trece prin starea i, cu excepţia, eventual, a momentului
iniţial. De asemenea, se observă că pe mulţimea {T < ∞} are loc egalitatea
XTi = i.
Lema 10.1 Variabila Ti este un timp de oprire.
Demonstraţie. Este suficient să scriem egalitatea
{Ti = n} = {X1 = i, ..., Xn−1 = i, Xn+1 = i} ,
din care rezultă că mulţimea {Ti = n} este ı̂n Fn . 2
211
212 CAPITOLUL 10. COMUNICAREA ÎNTRE STĂRI
10.1 Stări recurente sau tranziente

O primă relaţie probabilistă privind comunicarea ı̂ntre două stări este descrisă
ı̂n definiţia următoare.
Definiţia 10.1 Fie i, j ∈ E două puncte distincte.

(i) Se spune că ,,i are acces la j” şi vom nota i → j dacă are loc relaţia
P (Tj < ∞) > 0.
i
(ii) Se spune că ,,i şi j comunică” şi vom nota i ↔ j dacă cele două
puncte au acces, reciproc, unul la altul.
Propoziţia care urmează descrie ı̂n termenii probabilităţilor de trecere

relaţia de ,,a avea acces”.
Propoziţia 10.1 (i) Relaţia i → j este echivalentă cu faptul că există un

număr natural n ∈ N∗ astfel ı̂ncât pnij > 0.
(ii) Dacă i → j şi j → e, atunci i → e.

Demonstraţie. (i) ,,⇒”. Putem scrie {Tj < ∞} = ∞ n=1 {Tj = n} .
Dacă P i (Tj < ∞) > 0, atunci va exista un număr n ∈ N∗ astfel ca P i (Tj = n) >
0. Dar evident are loc incluziunea {Tj = n} ⊂ {Xn = j} . De aceea deducem
pnij = P i (Xn = j) > 0, ceea ce demonstrează implicaţia directă.
,,⇐”. Deoarece are loc incluziunea {Xn = j} ⊂ {Tj ≤ n} , rezultă că
relaţia pnij = P i (Xn = j) > 0 implică P i (Tj ≤ n) ≥ P i (Xn = j) > 0, ceea ce
conduce la P i (Tj < ∞) > 0.
(ii) Ţinând cont de punctul (i), condiţiile din ipoteză implică existenţa a
două numere n, m ∈ N∗ , astfel ca pnij > 0 şi pm je > 0. Dar atunci putem scrie

pn+m f e ≥ pij pje > 0,
pnif pm n m
ie =
f ∈E
inegalitate care, conform punctului (i), implică relaţia i → e.2

Pe mulţimea stărilor E se poate defini o relaţie de echivalenţă ı̂n felul
următor: orice stare este echivalentă cu ea ı̂nsăşi, iar două stări distincte
sunt echivalente dacă ele comunică. Din propoziţia demonstrată rezultă că
relaţia aceasta este tranzitivă, deci este o bună relaţie de echivalenţă. Un alt
aspect important al evoluţiei lanţului este exprimat prin revenirea traiectori-
ilor ı̂ntr-o aceeaşi stare. Următoarea definiţie ı̂mparte stările din acest punct
de vedere.
10.1. STĂRI RECURENTE SAU TRANZIENTE 213
Definiţia 10.2 Starea i ∈ E se numeşte tranzientă dacă P i (Ti = ∞) > 0

şi se numeşte recurentă ı̂n caz contrar.
După cum se vede, o stare recurentă este una cu proprietatea că, aproape
sigur, traiectoriile ce pleacă din ea revin acolo după un anumit interval de
timp. O stare tranzientă este o stare ı̂n care, cu probabilitate pozitivă, o parte
din traiectoriile lanţului nu mai revin niciodată. Observăm că, pentru o stare
tranzientă, există şi posibilitatea ca P i (Ti = ∞) = 1. Asta ar ı̂nseamna ca
probabilitatea P i să ı̂ncarce numai traiectoriile care ı̂ncepând cu momentul
1 părăsesc starea şi nu mai revin niciodată. Un astfel de punct ar reflecta o
tranzienţă completă (am putea spune că este un punct tranzitoriu). Însă, ı̂n
general pentru o stare tranzientă se admite şi posibilitatea ca P i (Ti = ∞) ∈
(0, 1) , caz ı̂n care mulţimea traiectoriilor ce revin ı̂n punctul de plecare,
{Ti < ∞} , este şi ea neneglijabilă.
În continuare, vom considera un punct i ∈ E fixat şi vom introduce pentru
el următorii timpi aleatori definiţi prin inducţie: R0 = 0, Rn+1 = Rn +Ti ◦θRn ,
pe mulţimea {Rn < ∞} şi Rn+1 = ∞ pe mulţimea {Rn = ∞} . Evident avem
R1 = Ti . Mai remarcăm că, deoarece Ti ≥ 1, rezultă Rn+1 > Rn pe mulţimea
{Rn < ∞} . În particular are loc relaţia limn Rn = ∞ pe tot spaţiul Ω. Timpii
aceştia de fapt contorizează momentele de vizită ale punctului i de către
fiecare traiectorie. Iar calitatea lor importantă este că sunt nişte timpi de
oprire după cum rezultă din lema generală care urmează.
Lema 10.2 Fie S, T doi timpi de oprire. Atunci timpul aleator definit prin
R = S + T ◦ θS , pe mulţimea {S < ∞} şi R = ∞, pe mulţimea {S = ∞} ,
este tot un timp de oprire.
Demonstraţie. Are loc egalitatea

n
{R = n} = {S = k, T ◦ θk = n − k} .
k=0
Cum {T ◦ θk = n − k} = θk−1 ({T = n − k}) şi {T = n − k} ∈ Fn−k , rezultă

{T ◦ θk = n − k} ∈ Fn , datorită lemei 9.4. Deci {R = n} ∈ Fn . 2
Faptul că şirul de timpi (Rn )n numără vizitele ı̂n i, ı̂n ordinea petrecerii
lor, este pus precis ı̂n evidenţă de lema care urmează.
Lema 10.3 (i) Dacă n ≥ 1 şi Rn (ω) < ∞, atunci XRn (ω) = i.
(ii) Relaţia Rn (ω) < ∞ cu n arbitrar, implică şi XRn +k (ω) = i, pentru
orice 1 ≤ k < Ti ◦ θRn (ω) .
Demonstraţie. (i) Observăm că, pentru cazul n = 1, avem R1 = Ti

şi am notat odată că XTi (ω) = i. Pentru cazul n ≥ 2 vom utiliza relaţia
inductivă Rn = Rn−1 + Ti ◦ θRn−1 , care ne dă

XRn (ω) = XRn−1 (ω)+Ti ◦θRn−1 (ω) (ω) = XTi ◦θRn−1 (ω) θRn−1 (ω) =

= XTi θRn−1 (ω) = i.
La al doilea semn de egalitate am utilizat relaţia generală Xm ◦ θl = Xm+l şi
faptul că θRn−1 (ω) (ω) = θRn−1 (ω) .
(ii) Pentru cea de a doua afirmaţie pornim cu egalitatea

XRn +k (ω) = Xk θRn (ω) (ω) = Xk (θRn (ω)) .
Condiţia din enunţ este Ti (θRn (ω)) > k ≥ 1, ceea ce, conform definiţiei lui
Ti , implică Xk (θRn (ω)) = i. 2
A doua afirmaţie a lemei mai poate fi formulată şi astfel: pentru orice
număr natural m astfel ı̂ncât Rn (ω) < m < Rn+1 (ω) are loc relaţia Xm (ω) =
i. În concluzie, putem enunţa următorul corolar.
Corolarul 10.1 Pentru fiecare traiectorie ω ∈ Ω are loc egalitatea
{m ∈ N∗ /Xm (ω) = i} = {Rn (ω) /n ∈ N∗ , Rn (ω) < ∞} .
Ţinând cont de aceasta, putem exprima mulţimea traiectoriilor care vizitează
punctul i de o infinitate de ori sub forma ∩n∈N∗ {Rn < ∞} . La fel, mulţimea
traiectoriilor care vizitează starea i doar de un număr finit de ori sau deloc
este exprimată sub forma ∪n∈N∗ {Rn = ∞} .
Mai departe, vom introduce următoarea notaţie pentru probabilitatea de
a reveni ı̂n starea i şi pentru probabilitatea de a ajunge ı̂n starea j plecând
din i :
hi = P i (Ti < ∞) , hij = P i (Tj < ∞) .
Notăm cu ηi variabila aleatoare care arată numărul total de vizite pe care le
face o traiectorie ı̂n punctul i, după plecarea din poziţia iniţială:

∞
ηi = 1{i} (Xn ) .
n=1
Se observă că au loc egalităţile

{ηi = n} = {Rn < ∞, Rn+1 = ∞} , ∀n ∈ N,
{ηi = ∞} = ∩n∈N∗ {Rn < ∞} ,
{ηi < ∞} = ∪n∈N∗ {Rn = ∞} ,
10.1. STĂRI RECURENTE SAU TRANZIENTE 215
unde am utilizat timpii Rn , n ∈ N, asociaţi punctului i. Pentru această vari-

abilă se pot face următoarele calcule.
Teorema 10.1 Au loc formulele

∞
j
E ηi = pnji ,
n=1
P j (ηi = n) = hji hn−1

i (1 − hi ) , ∀n ∈ N∗ ,
P (ηi = 0) = 1 − hji .
j
Dacă i este tranzientă, atunci are loc şi formula

hji
E j ηi = .
1 − hi
Demonstraţie. Variabila ηi se reprezintă ca o serie cu termenii vari-
abile aleatoare pozitive. Prin urmare, putem trece la calculul mediei sumând
media termenilor
∞Ej
$ %
∞
∞
j j
E ηi = 1{i} (Xn ) = P (Xn = i) = pnji .
n=1 n=1 n=1
La cel de al doilea semn egal am utilizat faptul că 1{i} (Xn ) = 1{Xn =i} . Aceasta
a fost prima formulă din enunţ.
Trecem la verificarea celei de a doua formule. Pentru n = 0 avem
P j (ηi = 0) = P j (Ti = ∞) = 1 − P j (Ti < ∞) = 1 − hji .
Pentru n ≥ 1 avem
−1
P j (ηi = n) = P j (Ti ◦ θRn = ∞, Rn < ∞) = P j θRn
(Ti = ∞) ∩ {Rn < ∞} .
Deoarece mulţimea {Rn < ∞} aparţine lui FRn şi pe ea are loc egalitatea
XRn = i, sunt ı̂ntrunite condiţiile ca să aplicăm proprietatea tare Markov şi
să scriem ultima cantitate sub forma
P i (Ti = ∞) P j (Rn < ∞) = (1 − hi ) P j (Rn < ∞) .
Mai departe, se calculează

P j (Rn < "∞) = P j Rn−1 < ∞, Ti ◦ θRn−1 #< ∞
−1
= P j θRn−1
(Ti < ∞) ∩ {Rn−1 < ∞} ,
care, prin aplicarea proprietăţii tare Markov, devine

P i (Ti < ∞) P j (Rn−1 < ∞) = hi P j (Rn−1 < ∞) .
Raţionând prin inducţie şi ţinând cont că P j (R1 < ∞) = hji , se deduce exact
cea de a doua formulă din enunţ.
Trecem la verificarea celei de a treia relaţii din enunţ. Mai ı̂ntâi, bazându-
ne pe formula demonstrată anterior deducem egalitatea

P j (ηi < ∞) = ∞ n=0 P (ηi = n) = 1 −
j
hji + ∞ n−1
n=1 hji hi (1 − hi ) =
∞
= 1 − hji + hji (1 − hi ) n=1 hi = 1, n−1
care arată că ηi este finită, P j -aproape sigur. Atunci putem scrie ηi =
∞
n=1 n1{ηi =n} , P − a.s. şi, luând media, obţinem
j

∞
∞
Eηi = nP (ηi = n) = nhji hn−1
i (1 − hi ) .
n=1 n=1
Suma astfel obţinută se calculează după relaţia din lema de mai jos şi se
obţine rezultatul din enunţ. 2
Lema 10.4 Pentru orice x ∈ (−1, 1) are loc egalitatea

∞
1
nxn = .
n=1
(1 − x)2
Demonstraţie. Seria geometrică poate fi derivată termen cu termen

∞

1
n
x = ,
n=0
1 − x
iar rezultatul este exact relaţia din enunţul lemei. 2

Rezultatul formulat ı̂n următorul corolar poate fi exprimat lapidar astfel:
plecând dintr-o stare tranzientă procesul revine ı̂n ea de cel mult un număr
finit de ori, aproape sigur; plecând dintr-o stare recurentă procesul revine ı̂n
ea de o infinitate de ori, aproape sigur.
Corolarul 10.2 (i) Faptul că starea i este tranzientă este echivalent cu
fiecare din următoarele două relaţii: P i (ηi < ∞) = 1, sau E i ηi < ∞.
(ii) Faptul că starea i este recurentă este echivalent cu fiecare din următoarele
două relaţii: P i (ηi = ∞) = 1, sau E i ηi = ∞.
10.2. CLASE RECURENTE 217
Demonstraţie. Din teorema anterioară, ştim că, ı̂n cazul unei stări
tranziente, există o formulă explicită pentru media E i ηi , formulă care arată
şi finitudinea acestei medii. Atunci rezultă şi faptul că ηi < ∞, P i − a.s.
Pe de altă parte, tot din teorema anterioară, cunoaştem repartiţia vari-
abilei ηi . Iar ı̂n cazul ı̂n care i este recurentă, această repartiţie ne dă P i (ηi = n)
= 0, pentru orice n ∈ N∗ . Rezultă că ηi poate lua doar valorile ∞ sau 0, P i
-aproape sigur. Dar ı̂n cazul recurent avem P i (Ti < ∞) = 1, deci ηi > 0,
aproape sigur. Rezultă că, de fapt, Ti = ∞, P i -aproape sigur.
Faptele prezentate mai sus sunt suficiente pentru a deduce concluziile din
enunţul corolarului fără dificultate. 2
Observăm că mulţimile {ηi = ∞} şi {ηi < ∞} sunt complementare una
alteia. Ţinând cont de descrierea lor ı̂n funcţie de şirul de timpi (Rn )n∈N∗ ,
asociat punctului i, rezultă că echivalenţele din corolarul anterior pot fi com-
pletate fiecare astfel:
(i) starea i este tranzientă dacă şi numai dacă P i (∪n∈N∗ {Rn = ∞}) = 1,
(ii) starea i este recurentă dacă şi numai dacă P i (∩n∈N∗ {Rn < ∞}) = 1.
10.2 Clase recurente

Mai departe, avem nevoie de următoarea lemă tehnică.
Lema 10.5 Dacă are loc relaţia Ti (ω) > n, atunci are loc egalitatea Ti (ω) =
n + Ti ◦ θn (ω) .
Demonstraţie. Se utilizează definiţia timpului Ti şi faptul că Xk (θn ) =

Xk+n . Avem Ti ◦ θn (ω) = inf {k ≥ 1/Xk+n (ω) = i} , ceea ce implică
n+Ti ◦θn (ω) = inf {n + k/k ≥ 1, Xk+n (ω) = i} = inf {l ≥ n + 1/Xl (ω) = i} .
Dar, ţinând cont de ipoteză, avem
inf {l ≥ 1/Xl (ω) = i} = inf {l ≥ n + 1/Xl (ω) = i} ,
ceea ce conduce la egalitatea din enunţ. 2

Enunţul propoziţiei care urmează poate fi exprimat ı̂n cuvinte astfel: dacă
traiectoriile ce pleacă din i şi vizitează punctul j ı̂naintea unei noi revenirii
ı̂n i, formează o mulţime neglijabilă, atunci traiectoriile ce pleacă din i şi
ajung ı̂n j formează tot o mulţime neglijabilă. Şi mai pe scurt, putem spune
că sub P i are loc următorul fenomen: dacă nu este vizitată starea j ı̂nainte
de reı̂ntoarcerea ı̂n puncul de plecare, atunci ı̂nseamnă că de fapt starea j nu
mai este niciodată vizitată.
Propoziţia 10.2 Dacă i = j sunt două stări distincte şi P i (Tj < Ti ) = 0,
atunci P i (Tj < ∞) = 0.
Demonstraţie. Vom utiliza timpii Rn introduşi relativ la punctul i şi

vom aplica lema 10.3 pentru a scrie

∞
{Tj < ∞} = {Rn < Tj < Rn+1 } .
n=0
Ţinând cont de lema precedentă, putem scrie
{Rn < Tj < Rn+1 } ⊂ {Rn < ∞, Tj ◦ θRn < Ti ◦ θRn } =

−1
= {Rn < ∞} ∩ θRn
(Tj < Ti ) .
Rezultă, prin aplicarea proprietăţii tare Markov,
−1

P i ({Rn < Tj < Rn+1 }) ≤ P i {Rn < ∞} ∩ θR n
(Tj < Ti ) =
P i (Tj < Ti ) P i (Rn < ∞) = 0.

Aplicarea proprietăţii tare Markov este posibilă deoarece XRn = i, când
n ∈ N∗ , iar ı̂n cazul n = 0 avem XR0 = X0 = i, P i -aproape sigur. Concluzia
este P i (Tj < ∞) = 0. 2
Enunţul următor afirmă, de fapt, independenţa unor evenimente.
Propoziţia 10.3 Are loc relaţia
P i (Tj < ∞, Ti < Tj ) = P i (Tj < ∞) P i (Ti < Tj ) .
Demonstraţie. Vom utiliza mai ı̂ntâi lema 10.5 pentru a deduce că, pe
mulţimea {Ti < Tj } , are loc egalitatea Tj = Ti + Tj ◦ θTi . Deci putem scrie
{Tj < ∞, Ti < Tj } = {Tj ◦ θTi < ∞, Ti < Tj } . Ţinând cont şi de lema de mai
jos, avem {Ti < Tj } ∈ FTi şi, prin urmare, putem aplica proprietatea tare
Markov deducând
P i (Tj < ∞, Ti < Tj ) = Pi (Tj ◦ θTi < ∞, Ti < Tj )

= P i θT−1
i
(Tj < ∞) ∩ {Ti < Tj } = P i (Tj < ∞) P i (Ti < Tj ) . 2
Lema 10.6 Dacă S, T sunt doi timpi de oprire, atunci fiecare din mulţimile
{S < T } , {S ≤ T } şi {S = T } aparţine intersecţiei FS ∩ FT .
Demonstraţie. Pentru fiecare n ∈ N putem scrie
n
c

{S < T } ∩ {S = n} = {n < T } ∩ {S = n} = {T = k} ∩ {S = n} ,
k=0
relaţie ce pune ı̂n evidenţă faptul că mulţimea din stânga aparţine lui Fn .
Am verificat astfel că {S < T } este ı̂n FS .
Apoi scriem

n−1
{S < T } ∩ {T = n} = {S = k} ∩ {T = n} ,
k=0
relaţie care arată că mulţimea din membrul stâng este ı̂n Fn . Cum această
proprietate este valabilă pentru orice n ∈ N, rezultă că {S < T } aparţine lui
FT .
Rezultă că {S < T } ∈ FS ∩ FT . Complementara acestei mulţimi va
aparţine de asemenea celor două σ−algebre: {T ≤ S} = {S < T }c ∈ FS ∩
FT . Dar rolul timpilor S şi T este simetric ı̂n aceste raţionamente şi de aceea
vom avea {S ≤ T } ∈ FS ∩ FT . În fine, putem scrie {S = T } = {S ≤ T } ∩
{T ≤ S} ∈ FS ∩ FT . 2
Următoarea teoremă este principalul instrument care ne va permite să
ı̂ncheiem discuţia despre comunicarea ı̂ntre stări.
Teorema 10.2 Dacă starea i este recurentă şi i → j, atunci starea j este
şi ea recurentă, şi au loc relaţiile P i (Tj < ∞) = 1 şi P j (Ti < ∞) = 1. În
particular, avem i ↔ j.
Demonstraţie. Ţinând cont de propoziţia 10.3 de mai sus, evenimentele
{Tj < ∞} şi {Ti < Tj } sunt independente sub P i şi, de aceea, la fel sunt şi
evenimentele {Tj < ∞} şi {Ti ≥ Tj } . Deci putem scrie
P i (Tj < ∞, Tj ≤ Ti ) = P i (Tj < ∞) P i (Tj ≤ Ti ) .
Pe de altă parte, deoarece pe mulţimea {Ti < ∞} are loc egalitatea
XTi = i şi are loc o proprietate similară ı̂n raport cu starea j, se constată că,
neapărat, are loc egalitatea
{Ti = Tj } = {Ti = ∞} ∩ {Tj = ∞} .
Aceasta conduce la relaţia
{Tj < ∞} ∩ {Tj ≤ Ti } = {Tj < ∞} ∩ {Tj < Ti } = {Tj < Ti } .
Atunci relaţia de independenţă devine
P i (Tj < Ti ) = P i (Tj < ∞) P i (Tj ≤ Ti ) . (∗)
Cum punctul i este recurent, avem P i (Ti < ∞) = 1, ceea ce implică P i (Tj ≤ Ti )
= P i (Tj < Ti ) . Pe de altă parte, ipoteza i → j ı̂mpreună cu propoziţia 10.2
ne asigură că P i (Tj < Ti ) > 0. De aceea putem simplifica ı̂n relaţia (*) şi
obţinem
P i (Tj < ∞) = 1.

Mai departe, vom examina mulţimea A = Tj < ∞, Ti ◦ θTj = ∞ . Vom
arăta, mai ı̂ntâi, că această mulţime
nu intersectează mulţimea ∩n∈N
∗ {Rn < ∞} .
Dacă ω ∈ A, atunci avem Xk θTj (ω) = XTj (ω)+k (ω) şi relaţia Ti θTj (ω) =
∞ implică XTj (ω)+k (ω) = i, pentru orice k ∈ N∗ . Altfel spus, Xn (ω) = i,
pentru orice n ≥ Tj (ω) + 1.
Pe de altă parte, ştim că Rn (ω) ↑ ∞, şi XRn (ω) (ω) = i, dacă Rn (ω) < ∞.
Deci dacă ω ∈ ∩n∈N∗ {Rn < ∞} , rezultă că mulţimea {n ∈ N∗ /Xn (ω) = i}
este infinită. Aceasta vine ı̂n contradicţie cu proprietatea arătată pentru
ω ∈ A. Deci A ∩ (∩n∈N∗ {Rn < ∞}) = ∅.
Deoarece P i (∩n∈N∗ {Rn < ∞}) = 1, rezultă atunci că P i (A) = 0. Dar,
aplicând proprietatea tare Markov, această ultimă relaţie devine
" #
0 = P i Tj < ∞, Ti ◦ θTj = ∞ = P i {Tj < ∞} ∩ θT−1 j
(Ti = ∞)
= P (Ti = ∞) P (Tj < ∞) = P (Ti = ∞) ,
j i j
ţinând cont şi de prima relaţie demonstrată. Dar atunci deducem
P j (Ti < ∞) = 1.
În continuare, afirmăm că are loc inegalitatea Tj ≤ Ti + Tj ◦ θTi . Într-

adevăr, pentru ω astfel că Ti (ω)+Tj ◦θTi (ω) < ∞ avem XTi (ω)+Tj ◦θTi (ω) (ω) =
XTj ◦θTi (ω) (θTi (ω)) = XTj (θTi (ω)) = j, ceea ce ı̂nseamnă că Tj (ω) ≤ Ti (ω) +
Tj ◦ θTi (ω) .
Inegalitatea care tocmai am verificat-o conduce la incluziunea
{Ti + Tj ◦ θTi < ∞} ⊂ {Tj < ∞}

şi aceasta la rândul ei la
P j (Tj < ∞) ≥ P j (Ti + Tj ◦ θTi < ∞) = P j (Tj ◦ θTi < ∞, Ti < ∞) .
Prin aplicarea proprietăţii tare Markov ultima expresie devine

P j θT−1
i
(Tj < ∞) ∩ {T i < ∞} = P i (Tj < ∞) P j (Ti < ∞) = 1,
ceea ce arată că punctul j este recurent. 2

Reamintim că relaţia i ↔ j este o relaţie de echivalenţă. În corolarul
care urmează vom proba câteva proprietăţi legate de clasele de echivalenţă
ale acestei relaţii.
Corolarul 10.3 (i) Stările din aceeaşi clasă sunt toate recurente sau toate
tranziente.
(ii) O clasă de puncte recurente C este ı̂nchisă, ı̂n sensul că are loc relaţia
P (Tj < ∞) = 0, pentru orice puncte i ∈ C, j ∈ C c .
i
(iii) Dacă i ↔ j şi stările sunt recurente, atunci are loc relaţia
P j (∩n∈N∗ {Rn < ∞}) = 1,
unde timpii Rn , n ∈ N∗ , sunt timpii de revenire ı̂n starea i.

(iv)Fie F ⊂ E o parte finită formată din puncte tranziente. Dacă notăm
∞
ηF = n=1 1F (Xn ) , şi µ = (µi )i∈E este o măsură de probabilitate pe E,
atunci are loc relaţia E µ ηF < ∞.
(v) Dacă E este finită, atunci există puncte recurente.
(vi) O clasă de echivalenţă finită şi ı̂nchisă ı̂n sensul proprietăţii de la
punctul (ii) este o clasă de puncte recurente.
Demonstraţie. Afirmaţiile de la punctele (i) şi (ii) rezultă imediat din

teorema anterioară.
Pentru a demonstra relaţia de la punctul (iii), vom arăta că P j ({Rn < ∞})
= 1, pentru orice n ∈ N∗ . Cazul n = 1, când R1 = Ti , este rezolvat de teorema
anterioară. Pentru n ≥ 2 vom utiliza inducţia matematică. Presupunem că
am arătat că P j ({Rn < ∞}) = 1 şi să trecem la cazul n + 1, pornind de
la relaţia de definiţie, Rn+1 = Rn + Ti ◦ θRn . Ţinând cont că pe mulţimea
{Rn < ∞} are loc egalitatea XRn = i , aplicăm proprietatea tare Markov şi
deducem
P j (Rn+1 <∞) = P j ({R

n < ∞} ∩ {Ti ◦ θRn < ∞}) =
−1
=P j
{Rn < ∞} ∩ θR n
(Ti < ∞) = P j ({Rn < ∞}) P i (Ti < ∞) = 1,
ceea ce ı̂ncheie demonstraţia punctului (iii).

Pentru a verifica afirmaţia de la punctul (iv), mai ı̂ntâi, observăm că
variabila ηF se exprimă ca o sumă finită astfel: ηF = j∈F ηj . Aplicăm apoi
teorema 10.1, pentru a exprima media
hij
E µ ηF = j∈F E µ ηj = j∈F i∈E µiE i ηj = j∈F i∈E µi 1−h
1
1
j
= j∈F 1−h j
µ h
i∈E i ij = j∈F 1−hj P µ
(Tj < ∞) ,
obţinând o sumă finită de numere reale, ceea ce demonstrează că E µ ηF < ∞.

Trecem la verificarea afirmaţiei (v). Mai ı̂ntâi, observăm că, din definiţie,
rezultă că variabila ηE este identic infinit şi de aceea, alegând un punct i ∈ E,
vom avea E i ηE = ∞. Aceasta intră ı̂n contradicţie cu afirmaţia de la punctul
(iv) ı̂n cazul ı̂n care am presupune că toate punctele ar fi tranziente. Deci
există şi puncte recurente.
Demonstraţia punctului (vi) repetă argumentul de la punctul anterior.
Să zicem că C este o clasă finită ı̂nchisă. Fixăm un punct i ∈ C. Pentru
fiecare punct j ∈ C c , avem P i (Tj < ∞) = 0, conform ipotezei. Rezultă
că P i (∪j∈C c {Tj < ∞}) = 0. Dacă notăm T (ω) = inf {n/Xn (ω) ∈ C c } ,
atunci are loc relaţia {T < ∞} = ∪j∈C c {Tj < ∞} , deci P (T < ∞) = 0.
Dar pe mulţimea {T = ∞} , are loc egalitatea ηC = ∞, ceea ce implică
P i (ηC = ∞) = 1. Atunci avem E i ηC = ∞, relaţie care, conform punctului
(iv), arată că nu toate punctele din C pot fi tranziente. Prin urmare, cel
puţin un punct este recurent şi atunci toată clasa este formată din puncte
recurente. 2
Capitolul 11
Comportament asimptotic
În acest capitol presupunem că spaţiul E reprezintă o singură clasă re-
curentă. Ţinând cont de teorema 10.2, această presupunere implică fini-
tudinea Tj < ∞, P µ − a.s., pentru orice punct j ∈ E şi orice măsură de
probabilitate µ. Vom considera fixată o stare i ∈ E, pentru care introducem
variabila
k
ηi,k = 1{i} (Xl ) ,
l=1
care este variabila ce numără vizitele pe care le face o traiectorie a lanţului ı̂n
starea i până la momentul k ∈ N. Ne propunem să studiem comportamentul
asimptotic al mediei empirice k1 ηi,k , când k → ∞.
În legătură cu contorizarea aceasta a vizitelor avem şi timpii revenirilor
succesive ı̂n starea i, Rn , n ∈ N∗ , care exprimă precis momentul la care se
petrece a n−a vizită, dar care au dezavantajul de a fi aleatori. Vom vedea
mai jos cum se combină cele două moduri de contorizare ı̂n obţinerea limitei
mediei empirice.
Conform cu punctul (iii) al corolarului 10.3, este satisfăcută
relaţia P µ n∈N∗ {Rn < ∞} = 1, pentru orice măsură de probabilitate µ.
11.1 Teoreme limită

Pentru a explicita mai bine timpii revenirilor vom introduce noi variabile
τn : Ω → N ∪ {∞} , definite punctual prin
*
Ti ◦ θRn pe {Rn < ∞} ,
τn =
∞ pe {Rn = ∞} .
223
224 CAPITOLUL 11. COMPORTAMENT ASIMPTOTIC
Cu această notaţie şi ţinând cont de definiţia timpilor de revenire, putem

deduce relaţia Rn+1 = Rn + τn şi apoi, prin inducţie,

n
Rn+1 = Ti + τl . (∗)
l=1
Vom demonstra acum principalele proprietăţi ale acestor variabile.
Lema 11.1 Pentru orice măsură de probabilitate, µ, variabilele (τn )n∈N∗

sunt independente şi identic repartizate sub P µ , având aceeaşi repartiţie ca
Ti sub P i.
Demonstraţie. Începem să determinăm repartiţia unei variabile cal-

culând
−1
P µ (τn = l) = P µ (Ti ◦ θRn = l, Rn < ∞) = P µ θR n
(Ti = l) ∩ {Rn < ∞}
= P i (Ti = l) P µ (Rn < ∞) = P i (Ti = l) .
La penultimul semn de egalitate am aplicat proprietatea tare Markov, iar

la ultimul am aplicat punctul (iii) din corolarul 10.3. Deoarece l şi n sunt
arbitrare, relaţia obţinută demonstrează afirmaţia relativă la repartiţii. Mai
rămâne să probăm independenţa. Pentru aceasta vom calcula expresia
P µ (τ1 = l1 , ..., τn = ln ) =
−1
=P µ
{τ1 = l1 , ..., τn−1 = ln−1 , Rn < ∞} ∩ θR n
(Ti = ln ) .
Mulţimea A = {τ1 = l1 , ..., τn−1 = ln−1 , Rn < ∞} , care apare ı̂n membrul
drept al relaţiei, se scrie şi sub forma
A = {R2 − R1 = l1 , ..., Rn − Rn−1 = ln−1 , Rn < ∞} .
Ţinând cont de faptul că FRk−1 ⊂ FRk , rezultă {Rk − Rk−1 = lk−1 } ∈ FRk , şi
atunci A ∈ FRn . Atunci putem aplica proprietatea tare Markov şi exprimăm
membrul drept al relaţiei dinainte sub forma
= P µ (τ1 = l1 , ..., τn−1 = ln−1 ) P i (Ti = ln ) .
Prin inducţie, se obţine mai departe
= P µ (τ1 = l1 ) P i (Ti = l2 ) ...P i (Ti = ln ) =

= P µ (τ1 = l1 ) P µ (τ2 = l2 ) ...P µ (τn = ln ) ,
11.1. TEOREME LIMITĂ 225
relaţie care probează independenţa variabilelor τ1 , ..., τn sub P µ . 2

Din lema demonstrată rezultă că variabilele τn , n ∈ N∗ , au toate aceeaşi
medie, fintă sau infinită, pe care o notăm mi = E i Ti . Următoarea teoremă,
care arată comportamentul asimptotic, când k → ∞, al variabilei medie
empirică, este o consecinţă a legii numerelor mari.
Teorema 11.1 Pentru orice măsură de probabilitate, µ, are loc relaţia

ηi,k 1
lim = , P µ − a.s.,
k→∞ k mi
unde, ı̂n cazul ı̂n care mi este infinit, membrul drept al relaţiei este ı̂nţeles
1
cu convenţia ∞ = 0.
Demonstraţie. Vom aplica legea numerelor mari (vezi corolarul 11.1

de mai jos) pentru şirul (τn )n∈N∗ , obţinând
1
lim (τ1 + ... + τn ) = mi , P µ − a.s.
n→∞ n
Deoarece Ti < ∞, P µ − a.s., rezultă că n1 Ti → 0, P µ − a.s. şi, ţinând cont de

relaţia (*) de la ı̂nceputul secţiunii, obţinem
1
lim Rn+1 = mi , P µ − a.s.
n→∞ n

Pe de altă parte,ştim că P µ n∈N∗ {Rn < ∞} = 1. De aceea, mulţimea Λ
a punctelor din n∈N∗ {Rn < ∞} pentru care are loc relaţia limită de mai
sus satisface P µ (Λ) = 1. Să fixăm acum un punct ω ∈ Λ şi să examinăm
variabila care ne interesează evaluată ı̂n acest punct, ηi,k (ω) . Deoarece ştim
că Rn (ω) → ∞, va exista un indice n = n (k) astfel ca Rn (ω) ≤ k <
Rn+1 (ω) . Când k → ∞, acest indice va tinde şi el la infinit: limk→∞ n (k) =
∞. Variabila noastră ia valoarea ηi,k (ω) = n ı̂n această situaţie, astfel că
rezultă următoarele inegalităţi
n ηi,k (ω) n
< ≤ .
Rn+1 (ω) k Rn (ω)
Trecând la limită cu k → ∞, deducem
ηi,k (ω) n n 1
lim = lim = lim = .
k→∞ k k→∞ Rn (ω) k→∞ Rn+1 (ω) mi
Cu aceasta am ı̂ncheiat demonstraţia. 2

Legea numerelor mari ı̂n forma cea mai generală are următorul enunţ, pe
care ı̂l presupunem cunoscut.
Teorema 11.2 Fie (W, W, P ) un spaţiu probabilizat pe care sunt date vari-
abilele X1 , X2 , ..., independente, identic repartizate şi integrabile. Atunci are
loc relaţia limită
1
lim (X1 + ... + Xn ) = EX1 , P − a.s.
n→∞ n
În contextul nostru este util următorul corolar, pe care-l vom demonstra.
Corolarul 11.1 Dacă ı̂n enunţul precedent se presupune că variabilele sunt
pozitive, atunci concluzia rămâne valabilă fără a mai cere integrabilitatea.
Demonstraţie. Bineı̂nţeles că, atunci când variabilele nu sunt integra-

bile, trebuie să atribuim valoarea EX1 = ∞ şi cu această valoare trebuie
demonstrată relaţia limită din enunţ. Punem Xn = Xn ∧ k, unde k ≥ 0 este
o valoare reală fixată arbitrar şi afirmăm că am obţinut ı̂n acest fel un nou
şir de variabile independente şi identic repartizate. Independenţa se verifică
uşor pornind de la definiţie şi observând că variabila Xn se mai scrie h (Xn ) ,
unde h : R → R este definită prin h (x) = x ∧ k. Să probăm că noile variabile
au aceeaşi repartiţie. Notând cu µ repartiţia comună a variabilelor iniţiale,
putem scrie P ◦ (Xn )−1 = P ◦ Xn−1 ◦ h−1 = µ ◦ h−1 , care este o repartiţie
independentă de n. În plus, variabilele noului şir sunt mărginite de k.
Pentru şirul X1 , X2 , ... se poate aplica teorema anterioară şi obţinem
1 1
lim inf (X1 + ... + Xn ) ≥ lim (X1 + ... + Xn ) = E (X1 ∧ k) , P − a.s.
n→∞ n n→∞ n
Deoarece limk→∞ E (X1 ∧ k) = EX1 = ∞, rezultă
1
lim inf (X1 + ... + Xn ) ≥ lim E (X1 ∧ k) = ∞, P − a.s.
n→∞ n k→∞
Dar aceasta ı̂nseamnă limn→∞ n1 (X1 + ... + Xn ) = ∞, P − a.s., ı̂ncheind

demonstraţia. 2
Mai departe, vom utiliza notaţia mj = E j Tj pentru orice stare j ∈ E.
Ţinând cont că Tj ≥ 1, rezultă că aceste medii satisfac inegalitatea mj ≥ 1.
Bineı̂nţeles că teorema anterioară este valabilă relativ la fiecare din stările
j ∈ E, adică are loc relaţia limk→∞ k1 ηj,k = m1j , P µ − a.s.
În continuare, vom examina contorizarea revenirilor ı̂ntr-o stare j = i, dar
vom face acest lucru ţinând evidenţa ı̂n raport cu ceea ce se ı̂ntâmplă ı̂ntr-
un interval (Rn , Rn+1 ) dintre două vizite ı̂n punctul i, fixat. Notăm pentru
aceasta

ξ0 (ω) = 1{j} (Xl (ω)) , ξn (ω) = 1{j} (Xl (ω)) , n ∈ N∗ ,
0<l<Ti (ω) Rn (ω)<l<Rn+1 (ω)
unde facem convenţia ξn (ω) = 0, dacă Rn (ω) = ∞. Primele proprietăţi ale

acestor variabile le ı̂nşirăm numerotate mai jos.
1. Se vede imediat din definiţia de mai sus că sunt valabile relaţiile
ηj,Ti (ω) = ηj,Ti (ω) (ω) = ξ0 (ω) ,
ηj,Rn+1 (ω) = ηj,Rn+1 (ω) (ω) = ξ0 (ω) + ... + ξn (ω) , n ∈ N∗ .
2. Variabila ξ0 este finită P µ −a.s. pentru orice măsură µ. Aceasta rezultă
din inegalitatea evidentă ξ0 ≤ Ti − 1.
3. Are loc relaţia E i ξ0 > 0. Pentru a vedea acest lucru, să observăm că,
datorită ipotezei că toate stările sunt ı̂n aceeaşi clasă, avem P i (Tj < ∞) > 0.
Ţinând cont de propoziţia 10.2, rezultă P i (Tj < Ti ) > 0. Pe de altă parte,
se verifică uşor că are loc inegalitatea 1{Tj <Ti } ≤ ξ0 , ceea ce conduce la
E i ξ0 ≥ P i (Tj < Ti ) > 0.
4. Pe mulţimea {Rn < ∞} are loc egalitatea ξn = ξ0 ◦ θRn , pentru n ≥ 1.
Pentru a verifica această relaţie se porneşte de la definiţia variabilei ξn , pe
care o rescriem ı̂ntr-un punct ω pentru care Rn (ω) < ∞,

ξn (ω) = 1{j} (Xl (ω)) = 1{j} XRn (ω)+k (ω) =
Rn (ω)<l<Rn (ω)+τn (ω) 0<k<τn (ω)

= 1{j} (Xk (θRn (ω))) = ξ0 (θRn (ω)) .
0<k<Ti (θRn (ω))
La al doilea semn de egalitate am recurs la o simplă rebotezare a indicelui

de sumare punând l = Rn (ω) + k.
5. Variabila ξn este măsurabilă faţă de FRn+1 , pentru orice n ∈ N. Pentru
a verifica această proprietate ı̂ncepem prin a scrie expresia de definiţie a lui
ξn ı̂n forma
∞
ξn = 1{j} (Xl ) = 1{Xl =j,Rn<l<Rn+1 } ,
Rn <l<Rn+1 l=1
egalitate ce se verifică punctual. Rezultă că, pentru a verifica măsurabilitatea

lui ξn , este suficient să arătăm că fiecare din termenii seriei este măsurabil
faţă de FRn+1 . Aceasta revine la a arăta că fiecare din mulţimile
{Xl = j, Rn < l < Rn+1 } , l ≥ 1,
este ı̂n FRn+1 . Să presupunem că l este fixat şi să verificăm proprietatea din
definiţia mulţimilor din FRn+1 . Fie k ∈ N şi să arătăm că mulţimea
{Xl = j, Rn < l < Rn+1 } ∩ {Rn+1 = k} (∗)
este ı̂n Fk . Dacă k ≤ l, atunci această intersecţie este vidă şi nu avem nimic
de verificat. Dacă l < k, atunci ţinem cont că mulţimea {Rn < l < Rn+1 }
aparţine lui FRn+1 şi, prin urmare, {Rn < l < Rn+1 } ∩ {Rn+1 = k} ∈ Fk . Dar
mulţimea {Xl = j} este ı̂n Fl , care este incus ı̂n Fk . Rezultă că mulţimea din
expresia (*) este ı̂n Fk şi cu aceasta am reuşit să demonstrăm că mulţimea
{Rn < l < Rn+1 } aparţine lui FRn+1 . Demonstraţia punctului 5. este ı̂ncheiată.
Dar principalele proprietăţi ale variabilelor ξn sunt prezentate ı̂n lema
care urmează.
Lema 11.2 Pentru orice măsură de probabilitate, µ = (µe )e∈E , variabilele

(ξn )n∈N∗ sunt independente, identic repartizate sub P µ şi au aceeaşi repartiţie
ca ξ0 sub P i .
Demonstraţie. Demonstraţia este asemănătoare cu cea a lemei 11.1.

Verificăm mai ı̂ntâi afirmaţia referitoare la repartiţii. Avem
−1
P µ (ξn = l) = P µ (ξ0 ◦ θRn = l; Rn < ∞) = P µ θR n
(ξ0 = l) ; Rn < ∞
= P µ (Rn < ∞) P i (ξ0 = l) = P i (ξ0 = l) ,
pentru orice n ∈ N∗ şi l ∈ N, ceea ce probează afirmaţia despre repartiţii.

Pentru a verifica independenţa, facem următorul calcul
P µ (ξ1 = l1 , ..., ξn = ln ) =
−1
=P µ
{ξ1 = l1 , ..., ξn−1 = ln−1 , Rn < ∞} ∩ θR n
(ξ0 = ln ) .
Prin aplicarea succesivă a proprietăţii tare Markov obţinem
= P µ (ξ1 = l1 , ..., ξn−1 = ln−1 , Rn < ∞) P i (ξ0 = ln )

... = P µ (ξ1 = l1 ) P i (ξ2 = l2 ) ...P i (ξ0 = ln ) =
= P µ (ξ1 = l1 ) ...P µ (ξn = ln ) ,
ceea ce probează independenţa variabilelor (ξn )n∈N∗ . 2

Variabila ξ0 depinde de punctele i şi j şi de aceea este normal să notăm
mi,j = E i ξ0 . De la punctul 3., de mai sus, ştim că numărul mij este ı̂n orice
caz strict pozitiv. Vom arăta ı̂n secţiunea următoare că acest număr este
de fapt finit. Pentru moment vom proba acest lucru ı̂ntr-un caz particular,
legându-l de numerele mi , mj . Demonstraţia propoziţiei care urmează rezultă
din nou prin aplicarea legii numerelor mari, urmată de o socoteală simplă ce
se face cu mediile empirice asociate vizitelor.
Propoziţia 11.1 Dacă mi < ∞, atunci mi,j , mj < ∞ şi are loc relaţia
mi = mj mi,j .
Demonstraţie. Mai ı̂ntâi, vom observa că are loc inegalitatea ξ0 ≤ Ti ,
ceea ce arată că mi,j ≤ mi < ∞.
Apoi vom aplica legea numerelor mari pentru şirul (ξn )n∈N∗ , deducând
existenţa limitei
Sn
lim = E i ξ0 = mi,j , P µ − a.s.,
n→∞ n

unde am notat Sn = nl=1 ξl . Pe de altă parte, ştim că au loc şi relaţiile
Rn ηj,k 1
lim = mi , lim = , P µ − a.s.
n→∞ n n→∞ k mj
Notăm cu Γ mulţimea acelor puncte ω ∈ Ω, pentru care au loc toate aceste
trei limite şi ı̂n plus Ti (ω) < ∞. Această mulţime are probabilitatea P µ (Γ) =
1.
Pentru un punct din această mulţime vom putea scrie
ηj,Rn (ω) 1
lim = .
n→∞ Rn (ω) mj
Apoi vom ţine cont de relaţia de la punctul 1. de mai sus, de faptul că
ηj,Ti (ω) ≤ Ti (ω) < ∞ şi de faptul că Rn (ω) → ∞, pentru a scrie
ηj,Rn (ω) ηj,Ti (ω) Sn (ω) Sn (ω)
lim = lim + lim = lim .
n→∞ Rn (ω) n→∞ Rn (ω) n→∞ Rn (ω) n→∞ Rn (ω)
Mai departe, ultima expresie devine

Sn (ω) Sn (ω) n mi,j
lim = lim = ,
n→∞ Rn (ω) n→∞ n Rn (ω) mi
ceea ce probează relaţia din enunţ. 2
Subliniem următoarea consecinţă a propoziţiei demonstrate.
Corolarul 11.2 Numerele me = E e Te , e ∈ E, sunt sau toate finite sau toate

infinite.
Se spune că lanţul este recurent pozitiv dacă numerele me , e ∈ E, sunt

finite. Dacă numerele acestea sunt infinite, atunci se spune că lanţul este nul
recurent. Bineı̂nţeles că ,,pozitivitatea” sau ,,nulitatea” se referă la limitele
mediilor empirice limk→∞ k1 ηe,k , care sunt strict pozitive sau nule ı̂n cazurile
respective.
11.2 Măsuri invariante

În condiţiile din secţiunea precedentă, ne ocupăm acum de noţiunea de
măsură invariantă. Pentru aceasta, avem nevoie de o noţiune de măsură pe
spaţiul E mai generală decât cele de probabilitate, considerate până acum.
Avem nevoie să lucrăm cu măsuri care au masă pozitivă, finită ı̂n fiecare
punct, dar care nu au neapărat masa totală finită. O astfel de măsură este
determinată de o familie de numere reale şi pozitive (µe )e∈E ⊂ R+ . Pentru
orice mulţime A ⊂ E se defineşte măsura corespunzătoare

µ (A) = µe ,
e∈A
la fel ca ı̂n cazul măsurilor de probabilitate. Se obţine ı̂n acest fel o aplicaţie
µ : P (E) → [0, ∞] care este aditivă şi chiar σ− aditivă. Adică este ı̂ndeplinită
condiţia
µ (∪n∈N An ) = µ (An ) ,
n∈N
pentru orice şir (A n )n∈N ⊂ P (E) , format din mulţimi disjuncte. Deoarece
lipseşte condiţia e∈E µe = 1, nu avem valori neapăratfinite pentru µ (A) .
Dacă ı̂nsă familia de numere (µe )e∈E satisface condiţia e∈E µe < ∞, atunci
este clar că toate valorile µ (A) sunt finite. Spunem că µ este o măsură finită,
ı̂n acest caz. În general, vom spune că o măsură asociată ca mai sus unei
familii arbitrare de numere pozitive, (µe )e∈E , este o măsură σ−finită. Ca
notaţie, vom identifica măsura cu familia de numere: µ = (µe )e∈E .
Fiind dată o măsură σ−finită, µ = (µe )e∈E , se poate face o operaţie
de
compunere cu matricea stochastică p, ı̂n felul următor. Se notează νe =
j∈E µj pje şi, ı̂n caz că această sumă este finită pentru orice e ∈ E, ı̂nseamnă
că avem definită o altă familie de numere, (νe )e∈E ⊂ R+ , care defineşte o altă
11.2. MĂSURI INVARIANTE 231
măsură σ−finită, ν = (νe )e∈E . Vom utiliza notaţia µp := ν pentru această

măsură. Dacă măsura µ este finită, atunci numerele νe , e ∈ E, sunt finite şi
ı̂n plus µp are aceeaşi masă cu µ, adică µp (E) = µ (E) , după cum rezultă
din următorul calcul:

νe = µj pje = µj pje = µj .
e∈E e∈E j∈E j∈E e∈E j∈E
Se spune că măsura µ este invariantă faţă de p, dacă satisface relaţia

µp = µ. Scrisă explicit această relaţie revine la µe = j∈E µj pje , pentru
orice e ∈ E. În cazul invarianţei, putem deduce prin inducţie că are loc chiar
relaţia µpn = µ, pentru orice n ≥ 1. Se verifică imediat că dacă µ, ν sunt
două măsuri invariante şi a, b ∈ R, atunci aµ+bν verifică de asemenea relaţia
de invarianţă (aµ + bν) p = aµ + bν. Dacă familia de numere (aµe + bνe )e∈E
este pozitivă, aceasta este de asemenea o măsură invariantă.
Dacă lanţul porneşte cu repartiţia iniţială o măsură invariantă, atunci
el păstrează aceeaşi repartiţie de-a lungul timpului. Se spune că el este
staţionar. Mai precis este adevărată următoarea proprietate.
Propoziţia 11.2 Dacă µ este o probabilitate invariantă, atunci pentru orice

n, k ∈ N, vectorul (Xn , ..., Xn+k ) are aceeaşi repartiţie cu vectorul (X0 , ..., Xk ) ,
sub probabilitatea P µ . În particular, Xn are repartiţia µ.
Demonstraţie. Ştim, din propoziţia 9.2, că, pentru e0 , ..., ek ∈ E, are

loc relaţia

P µ (Xn = e0 , ..., Xn+k = ek ) = µe pnee0 pe0 e1 ...pek−1 ek .
e∈E
n n
Deoarece e∈E µe pee0 = µp (e0 ) = µe0 , expresia dinainte devine aceeaşi
pentru orice n, şi prin urmare, aceeaşi cu expresia ı̂n care n = 0. 2
Observăm că, datorită faptului că me ≥ 1, numerele µe , e ∈ E, sunt toate
ı̂n intervalul (0, 1) , dacă facem presupunerea că numerele me , e ∈ E, sunt
toate finite. Înainte de a trece la construcţia măsurii invariante ı̂n general,
care va avea o oarecare lungime, vom prezenta un mic rezultat particular
care ne va motiva direcţia lemelor preliminare.
Lema 11.3 Dacă µ = (µe )e∈E este o măsură de probabilitate invariantă,

atunci lanţul este recurent pozitiv şi are loc relaţia µe = m1e , pentru orice
e ∈ E.
Demonstraţie. Sub P µ are loc relaţia
1 1
lim ηe,k = , a.s.,
k→∞ k me
pentru orice stare e ∈ E. Ţinând cont că 0 ≤ k1 ηe.k ≤ 1, rezultă că putem
trece la limită sub integrală şi avem limk→∞ k1 E µ (ηe.k ) = m1e . Dar un calcul
direct ne dă

k
k
E µ (ηe.k ) = E µ 1{e} (Xl ) = P µ (Xl = e)
l=1 l=1
şi, ţinând cont că P µ (Xl = e) = µe , obţinem E µ (ηe.k ) = kµe . De aici se

deduce că µe = m1e .
Pe de altă parte, ţinând cont că nu pot fi nule toate valorile µe , e ∈ E,
rezultă existenţa unui punct i ∈ E astfel ı̂ncât µi > 0, şi prin urmare mi < ∞.
Corolarul 11.2 ne asigură că atunci lanţul este recurent pozitiv. 2
După cum se vede din această lemă, ı̂n cazul recurent pozitiv ni se propune
măsura µ = (µe )e∈E , cu µe = m1e , drept candidat de măsură invariantă.
Totuşi, ı̂n cazul nul recurent numerele me , e ∈ E, nu sunt finite şi de aceea,
nu putem spera să obţinem o măsură invariantă ı̂n acelaşi mod. De fapt
vom arăta că numerele mi,e , e ∈ E, care, conform cu corolarul 11.2, sunt
proporţionale cu numerele µe , e ∈ E, ı̂n cazul pozitiv recurent, sunt finite
ı̂ntotdeauna. De aceea, ne vom concentra ı̂n continuare asupra unor leme
tehnice legate de numerele mi,e .
Mai ı̂ntâi, vom fixa un punct i ∈ E şi vom nota E0 = E\ {i} . Pentru
a nu fi trivială discuţia, vom presupune că E0 = ∅. Apoi definim T : Ω →
N∪{∞} , punând T (ω) = inf {n ∈ N/Xn (ω) = i} . Se verifică fără probleme
că acesta este un timp de oprire. El nu diferă prea mult de timpul Ti ,
deoarece evident avem T = Ti pe {X0 = i} şi T = 0 pe {X0 = i} . Vom mai
nota Yn : Ω → E, n ∈ N, aplicaţiile definite prin Yn (ω) = Xn∧T (ω) . Acestea
definesc procesul (Yn )n∈N , care coincide cu procesul canonic (Xn )n∈N până la
momentul T (ω) . După acest moment procesul nou definit rămâne ı̂ngheţat
ı̂n starea fixă i. Se spune că (Yn )n∈N este procesul canonic stopat la momentul
primei intrări ı̂n starea i. Reţinem următoarele proprietăţi.
1. Dacă n ≥ T (ω) , atunci Yn (ω) = i.
2. Dacă n < T (ω) , atunci Yn (ω) ∈ E0 .
3. Procesul (Yn )n∈N este adaptat filtraţiei canonice (Fn )n∈N .

Introducem următoarea matrice p = pej e,j∈E , definită prin pej = pej ,
dacă e ∈ E0 şi j ∈ E, iar pii = 1, pij = 0, dacă j ∈ E0 . Se verifică imediat
că aceasta este o matrice stochastică. Punctul i este absorbant pentru lanţul
Markov omogen cu probabilităţile de trecere determinate de matricea p .

Aceasta ı̂nseamnă că P i , probabilitatea lanţului cu repartiţia iniţială δi şi
probabilităţile date de p , este concentrată pe traiectoria constantă ωi =
(i, i, ...) , adică are loc relaţia P i ({ωi }) = 1. Lăsăm cititorului verificarea
acestui fapt. ∞ n 0
Introducem şi notaţia q = n=0 (p ) , unde matricea (p ) este luată,
cum este obiceiul, drept matricea identitate. Deci (p )0ej = δej , simbolul lui
Kronecker.
4. Observăm că restricţia matricei q la mulţimea E0 , pe care o notăm
q|E0 , se poate exprima ∞ ı̂nfuncţie
n de restricţia matricei p la E0 , notată p|E0 ,
sub forma q|E0 = n=0 p|E0 . Ca să verificăm acest lucru este suficient
să observăm că
pentru fiecare putere de ordin n ∈ N∗ are loc egalitatea
n
(p )n|E0 = p|E0 . De exemplu, pentru n = 2 avem de verificat că, luând
punctele e, j ∈ E0 , are loc egalitatea
2
2
(p )ej = peo poj = peo poj = p|E0 ej .
o∈E o∈E0
Cu aceste notaţii putem enunţa următoarea propoziţie, ce descrie princi-

palele proprietăţi ale obiectelor introduse.
Propoziţia 11.3 Fie µ = (µe )e∈E o măsură de probabilitate pe E.

(i) Sub măsura P µ , procesul (Yn )n∈N este un lanţ Markov omogen cu
probabilităţile de trecere determinate de matricea stochastică p .
(ii) Stările din E0 sunt tranziente pentru măsurile P ,e , e ∈ E, asociate
matricei p . În particular, pentru orice j ∈ E0 , are loc relaţia

µe qej < ∞.
e∈E
(iii) Pentru orice j ∈ E0 , este satisfăcută egalitatea

qje pei = 1.
e∈E0
Demonstraţie. (i) Avem de calculat mai ı̂ntâi expresii de tipul

P µ (Y0 = e0 , Y1 = e1 , ..., Yn = en ) .
Pentru aceasta vom exprima mulţimea a cărei probabilitate dorim să o cal-
culăm ı̂n trei expresii diferite astfel

 {X0 = e0 , ..., Xn = en } cazul (a)
{Y0 = e0 , ..., Yn = en } = {X0 = e0 , ..., Xk−1 = ek−1 , Xk = i} cazul (b) ,

∅ cazul (c)
unde cele trei cazuri sunt următoarele:

(a) e0 , e1 , ..., en ∈ E0 ;
(b) e0 , ..., ek−1 ∈ E0 şi ek = ... = en = i, pentru un anumit 0 ≤ k ≤ n;
(c) există un indice 0 < k ≤ n astfel că ek−1 = i şi ek = i.
Lăsăm cititorului grija de a verifica faptul că aceste trei cazuri clasifică
şi epuizează toate posibilităţile, iar expresia mulţimii ce ne interesează se
exprimă ı̂n termenii procesului canonic aşa cum stă scris mai sus. Verificarea
se bazează ı̂n primul rând pe proprietăţile 1. şi 2. de mai sus. Atunci, pe
baza egalităţii de mulţimi, deducem

 µe0 pe0 e1 ...pen−1 en cazul (a)
µ
P (Y0 = e0 , Y1 = e1 , ..., Yn = en ) = µe0 pe0 e1 ...pek−1 i cazul (b) ,

0 cazul (c)
care este totuna cu
P µ (Y0 = e0 , Y1 = e1 , ..., Yn = en ) = µe0 pe0 e1 ...pen−1 en ,
ı̂n toate cele trei cazuri. Din această relaţie rezultă afirmaţia (i).
(ii) Vom defini aplicaţia Γ : Ω → Ω, ı̂n felul următor
Γ (ω) = (Y0 (ω) , Y1 (ω) , ...) ,
adică o traiectorie din Ω este transformată ı̂ntr-o altă traiectorie prin procesul
(Yn )n∈N . Propoziţia 9.7 ne asigură că aplicaţia Γ este măsurabilă şi că are
loc egalitatea P µ ◦ Γ−1 = P µ . Vom mai nota
Λ = {ω ∈ Ω/T (ω) < ∞, Xn (ω) = i, ∀n ≥ T (ω)}
şi este clar că are loc egalitatea

n−1

∞
∞
Λ= {Xk ∈ E0 } ∩ {Xk = i} ,
n=0 k=0 k=n
care arată că Λ ∈ F . Pe de altă parte, pe baza proprietăţilor 1. şi 2. de mai

sus, se verifică imediat egalitatea Γ−1 (Λ) = {T < ∞} .
Pe de altă parte, avem T = Ti pe fiecare din mulţimile Ωe = {X0 = e} , e ∈
E0 . Cum P e (Ωe ) = 1 şi P e (Ti < ∞) = 1, rezultă P e (T < ∞) = 1. Aplicând
relaţia P µ ◦ Γ−1 = P µ cu µ = δe , se deduce că, pentru orice e ∈ E0 ,

P e (Λ) = P e Γ−1 (Λ) = P e (T < ∞) = 1.
Din ı̂nsăşi definiţia mulţimii Λ, rezultă că o traiectorie ω aparţinând acestei
mulţimi nu se mai ı̂ntoarce ı̂n stările din E0 după momentul finit T (ω) şi, prin
urmare, ηe (ω) < ∞. De aceea variabila ηe este P e − a.s. finită, pentru orice
e ∈ E0 . Deci stările din E0 sunt tranziente pentru probabilităţile lanţului
determinat de p . Fie j ∈ E0 o stare fixată. Pentru orice e ∈ E, conform cu
teorema 10.1, avem

∞
E e (Tj < ∞)
e
E ηj = pn
ej = .
n=1
1 − E j (Tj < ∞)
De aceea putem calcula, pentru măsura µ,

∞
1
µe qej = µe δej + pn = µj + E µ (Tj < ∞) ,
e∈E e∈E
ej
n=1
1− E j (Tj < ∞)
care este un număr finit.

(iii) Pentru j ∈ E0 are loc egalitatea
(p )ji = P j (Xn = i) = P j (Yn = i) .
n
Pe de altă parte, este adevărată egalitatea de mulţimi {Yn = i} = {T ≤ n}

şi atunci ultima expresie devine
= P j (T ≤ n) = P j (Ti ≤ n) .
Deoarece P j (Ti < ∞) = 1, rezultă limn→∞ (p )nji = 1.
Să exprimăm acum (p )nji ı̂n termenii matricei p . Inductiv calculăm

(p )ji = (p )je pei = (p )ji + (p )je pei =
n+1 n n n
e∈E e∈E0

n
= pji + pje pei + ... + (p )je pei = (p )je pei .
n k
e∈E0 e∈E0 e∈E0 k=0


Rezultă că limn→∞ (p )nji = e∈E0 qje p, ceea ce conduce la relaţia din enunţ.
2
Putem acum să enunţăm principalul rezultat pe care l-am urmărit.
Teorema 11.3 Numerele mij , j ∈ E0 , sunt finite şi au expresia

mij = pie qej .
e∈E0
Completând aceste numere cu mii = 1, se obţine o măsură σ−finită, m =

(mij )j∈E , care este invariantă.
Demonstraţia acestei teorema va rezulta din lemele care urmează. Vom

fixa o stare j ∈ E0 şi vom defini variabila ξ (ω) = 0≤n<Ti (ω) 1{j} (Xn (ω)) ,
care diferă de variabila notată ξ0 ı̂n secţiunea precedentă, eventual, printr-o
unitate. De fapt, se poate verifica relaţia ξ (ω) = ξ0 (ω) + 1{j} (X0 (ω)) .
Lema 11.4 Are loc egalitatea

mij = E i ξ0 = pie E e ξ.
e∈E0
Demonstraţie. Observăm că pe mulţimea {X1 = i} , are loc relaţia

Ti = 1 şi, prin urmare, ξ0 = 0. Pe de altă parte, pe mulţimea {X1 = i} , are
loc relaţia Ti = 1 + Ti ◦ θ, astfel că putem scrie
ξ0 = 1{X1 =i} ξ ◦ θ.
Luând media obţinem

E i ξ0 = E i [ξ ◦ θ; X1 = i] = E i [ξ ◦ θ; X1 = e] = P i (X1 = e) E e ξ,
e∈E0 e∈E0
unde la ultimul semn de egalitate am utilizat proprietatea Markov ı̂n forma

dată de cea de a doua relaţie din propoziţia 9.6. Cum P i (X1 = e) = pie ,
rezultă formula din enunţ. 2
Lema 11.5 Pentru orice punct e ∈ E0 are loc formula E e ξ = qej .

Demonstraţie. Se porneşte de la observaţia că pe mulţimea {X0 ∈ E0 }

are loc egalitatea

∞
ξ= 1{j} (Yn ) = 1{j} (X0 ) + ηj (Γ) ,
n=0
unde Γ este aplicaţia ce am utilizat-o şi ı̂n demonstraţia propoziţiei 11.3.

Atunci, pentru orice e ∈ E0 , se deduce

∞
E e ξ = δej + E e [ηj (Γ)] = δej + E e ηj = δej + (p )ej = qej ,
n
n=1

Demonstraţia teoremei. Prin utilizarea succesivă a celor două leme
anterioare avem
mij = pie E e ξ = pie qej ,
e∈E0 e∈E0
Finitudinea acestor numere este asigurată de propoziţia 11.3(ii).

Rămâne să probăm invarianţa măsurii definite de numerele mij . Mai ı̂ntâi
vom verifica relaţia ce corespunde lui i :

mij pji = pii + pie qej pji.
j∈E j∈E0 e∈E0
Ţinând cont de punctul (iii) din propoziţia 11.3, se deduce că ultima expresie
devine
= pii + pie = 1 = mii .
e∈E0
Pentru a verifica relaţia de invarinţă ce corespunde unui punct o ∈ E0 ,

avem de calculat

mij pjo = pio + pie qej pjo =
j∈E j∈E0 e∈E0

= pio + pie qej pjo .
e∈E0 j∈E
Ţinând cont de expresia ce defineşte q, se constată că are loc relaţia qp =
q − (p )0 , astfel că ultima expresie devine

= pio + e∈E0 pie (qeo − δeo ) =
= e∈E0 pie qeo = mio .
Cu aceasta am ı̂ncheiat demonstraţia. 2

Următoarea problemă pe care ne-o punem este cea a unicităţii măsurii in-
variante. După cum am văzut ı̂n lema 11.3, ı̂n cazul existenţei unei măsuri de
probabilitate invariante, aceasta are o expresie unică. Teorema care urmează
arată că avem unicitate ı̂n general.
Teorema 11.4 Dacă µ, µ sunt două măsuri invariante nenule, atunci există
un număr a > 0 astfel ı̂ncât µ = aµ .
Demonstraţia va rezulta din următoarele leme.
Lema 11.6 Fie µ = (µe )e∈E o măsură σ−finită şi invariantă. Dacă există
e ∈ E cu proprietatea µe = 0, atunci µ = 0.
Demonstraţie. Fie un alt punct j = e. Datorită ipotezei care asigură
că toate punctele din E formează o singură clasă, va exista un ı̂ntreg n ≥ 1
astfel ca pnje > 0, conform cu propoziţia 10.1. Rezultă

0 = µe = µ0 pnoe ≥ µj pnje ,
o∈E
ceea ce implică µj = 0. 2
Lema 11.7 Dacă o măsură σ−finită, µ = (µe )e∈E , satisface relaţia µp ≤ µ,
atunci ea este invariantă.
Demonstraţie. Relaţia pe care o satisface µ este o inegalitate ı̂ntre
măsuri şi ea revine la
µj pje ≤ µe , ∀e ∈ E.
j∈E
Presupunem că măsura µ nu ar fi invariantă şi atunci diferenţa ν = µ − µp

ar fi o măsură nenulă. Vom face următorul calcul
n
νpk = µ − µp + µp − µp2 + ... + µpn − µpn+1 = µ − µpn+1 ,
k=0

care arată că, trecând la limită, avem ∞
k=0 νp ≤ µ. Cum ν este nenulă va
k
exista un punct e ∈ E astfel ca νe > 0. Relaţia anterioară scrisă pentru acest

punct permite să deducem

∞
∞
νe pkee ≤ νj pkje ≤ µe < ∞.
k=0 k=0 j∈E

Cum punctul e, ca oricare altul din E, este recurent, rezultă că ∞ k
k=0 pee =
∞. Aceasta vine ı̂n contradicţia cu inegalitatea stabilită mai sus. De aceea
trebuie să avem νe = 0, pentru orice e ∈ E, ceea ce ı̂nseamnă că µ este
invariantă. 2
Demonstraţia teoremei. Fie un punct e ∈ E astfel ı̂ncât µe > 0 şi
să punem a = µµe . Notăm λ = aµ şi observăm că λ este o măsură invariantă
e
şi λe = µe . Introducem apoi măsura ν = (νi )i∈E , definită prin νi = λi ∧ µi ,
pentru orice i ∈ E. Se constată că νe = λe = µe şi ı̂n plus au loc inegalităţile
de măsuri ν ≤ λ, ν ≤ µ. Aceste inegalităţi conduc la νp ≤ λp = λ şi νp ≤
µp = µ, iar de aici se obţine νp ≤ ν. Lema anterioară ne spune că ν este o
măsură invariantă. Diferenţa λ − ν este o măsură invariantă care se anulează
ı̂n e. Din lema 11.6 rezultă că ea se anulează, deci λ = ν.
La fel, diferenţa µ − ν reprezintă o măsură invariantă ce se anulează ı̂n
e, ceea ce conduce la egalitatea µ = ν. Am obţinut astfel egalitatea λ = µ,
Rămâne acum să discutăm cazul special de recurenţă pozitivă. Anume,
ı̂n lema 11.3 am văzut că existenţa unei măsuri de probabilitate invariante
implică faptul că lanţul este recurent pozitiv. Următoarea propoziţie com-
pletează ideea probând implicaţia inversă.
Propoziţia 11.4 Dacă lanţul este pozitiv recurent, atunci orice măsură in-
variantă este finită. Măsura de probabilitate invariantă este dată de µ =
(µe )e∈E unde µe = m1e , e ∈ E.
Demonstraţie. Din propoziţia 11.1 ştim că măsura construită ı̂n teo-
rema 11.3 este proporţională cu măsura µ, definită ı̂n enunţ. De aici rezultă
că măsura µ este invariantă. Rămâne de arătat că este finită şi chiar o
probabilitate.
Revenim la notaţiile anterioare legate de punctul fix i, când am pus E0 =
E\ {i}. Dar variabila ξ0 , care era asociată unui punct j = i, va fi acum notată
ξ j = 0<l<Ti 1{j} (Xl ) , pentru a pune ı̂n evidenţă dependenţa de starea j.
Dorim să calculăm suma

ξ j (ω) = 1{j} (Xl (ω)) .
j∈E,j=i 0<l<Ti (ω) j∈E,j=i

Deoarece 1E0 = j∈E0 1{j} şi Xl (ω) ∈ E0 , dacă 0 < l < Ti (ω) , rezultă că
expresia anterioară se scrie şi astfel

= 1E0 (Xl (ω)) = 1 = Ti (ω) − 1.
0<l<Ti (ω) 0<l<Ti (ω)

Putem scrie deci j∈E,j=i ξ
j
= Ti − 1. Luând media deducem

mij = E i ξ j = mi − 1.
j∈E,j=i j∈E,j=i

Împărţim această relaţie cu mi , şi obţinem j∈E µj = 1. 2
Bibliografie
[1] J. Bertoin, Cours de Probabilités, Internet, 1999.
[2] P. Billingsley, Probability and Measure, ediţia a doua, John Wiley &
Sons, New York - Chichester - Brisbane - Toronto - Singapore, 1986.
[3] Ph. Bougerol, Processus de Sauts et Files d’Attente. Cours DEA, Inter-
net, 2002.
[4] K.L. Chung, Elementary Probability Theory with Stochastic Processes,

ediţia a doua, Springer, New York - Heidelberg - Berlin, 1975.
[5] K.L. Chung, Markov Chains with Stationary Transition Probabilities,

ediţia a doua, Springer, New York - Heidelberg - Berlin, 1967.
[6] Gh. Ciucu, C. Tudor, Teoria Probabilităţilor şi Aplicaţii, Editura

ştiinţifică şi enciclopedică, Bucureşti, 1983.
[7] I. Cuculescu, Teoria probabilităţilor, Editura All, Bucureşti, 1998.
[8] D. Dacunha -Castelle, M. Duflo, Probabilités et statistiques, tome 1,

Masson, Paris - Milan - Barcelone - Mexico, 1990.
[9] M. Duflo, Random Iterative Models, Springer, Berlin - Heidelberg - New

York , 1997.
[10] W. Feller, An Introduction to Probability Theory and Its Applications,

vol.1, ediţia a treia, John Wiley & Sons, New York - London - Sidney,
1968.
[11] Ş. Grigorescu, M. Iosifescu, Gh. Oprişan, Gh. Popescu, Elemente de

Modelare Stohasică, Editura tehnică, Bucureşti, 1984.
241
242 BIBLIOGRAFIE
[12] D. Guinin, B. Joppin, Mathématiques, Terminale S, Bréal, Rosny, 1998.
[13] M. Iosifescu, Lanţuri Markov finite şi aplicaţii, Editura tehnică, Bu-
cureşti, 1977.
[14] M. Iosifescu, Gh. Mihoc, R. Theodorescu, Teoria Probabilităţilor şi

Statistică Matematică, Editura tehnică, Bucureşti, 1966.
[15] J. Jacod, Cours de Probabilités, Internet, 1999.
[16] J. Kemeny, J.L. Snell, A.W. Knapp, Denumerable Markov Chains, ediţia
a doua, Springer, New York - Heidelberg - Berlin, 1976.
[17] J. Lacroix, Chaı̂nes de Markov et Processus de Poisson, Cours DEA,

Internet, 2002.
[18] R.J. Larsen, M.L.Marx, Mathematical Statistics and Its Applications,

Prentice - Hall, Englewood Cliffs, New Jersey, 1986.
[19] M. Nicolescu, Funcţi reale şi elemente de topologie, Editura Didactică

şi Pedagogică, Bucureşti, 1968.
[20] O. Onicescu, Calculul probabilităţilor, Editura tehnică, Bucureşti, 1956.
[21] O. Onicescu, Gh. Mihoc, Calculul Probabilităţilor, Bucureşti, 1939.
[22] O. Onicescu, Gh. Mihoc, C.T. Ionescu Tulcea, Calculul probabilităţilor

şi aplicaţii, Editura Academiei, Bucureşti, 1956.
[23] E. Partzen, Modern Probability Theory and Its Applications, John Wi-
ley & Sons, New York - London, 1960.
[24] J. Pitman, Probability, ediţia a şasea, Springer Texts in Statistics,

Springer, 1997.
[25] A. Rényi, Probability Theory, Académiai Kiadó, Budhapest, 1970.
[26] S. M. Ross, Introduction to Probability Models, Academic Press, New

York - San Francisco - London, 1985.
[27] J.V. Uspenski, Introduction to Mathematical Probability, McGrow-Hill

Book Company, New York - Toronto - London, 1937.

Calculul Probabilitatilor

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

Calculul Probabilitatilor

Încărcat de

Drepturi de autor:

Formate disponibile

Introducere ı̂n Calculul Probabilităţilor

(modele elementare şi o invitaţie la teoria

2 Modele cu şanse egale 21

3 Câteva noţiuni de bază 43

3.2.2 Independenţa mai multor evenimente . . . . . . . . . . 54

4 Partiţii finite sau numărabile 63

5 Spaţiul probabilizat numărabil 83

6 Câteva repartiţii pe N 109

7 Teorema De Moivre-Laplace 135

7.3.2 Evaluarea coeﬁcientului de ı̂ncredere . . . . . . . . . . 165

8 Măsuri pe spaţii produs ı̂n cazul discret 169

9 Lanţuri Markov 183

10 Comunicarea ı̂ntre stări 211

11 Comportament asimptotic 223

numărabil drept cadru de dezvoltare a teoriei măsurii ce ne este necesară.

Teoria probabilităţilor reprezintă un domeniu aparte al matematicii, ce are

Figura 1.1: Graﬁcul frecvenţei cu care a ieşit o faţă a monedei.

Din punctul de vedere al matematicianului, teoria probabilităţilor are

1.1 Modelul probabilist

Definiţia 1.1 Fie Ω o mulţime şi F o familie de părţi, deci F ⊂ P (Ω) .

Dacă avem dată o algebră F ⊂ P (Ω) şi Λ ⊂ Ω este o submulţime arbi-

Din deﬁniţia dată rezultă imediat următoarele proprietăţi:

Reciproc, ﬁind date numerele a1 , ..., an ∈ [0, 1] , astfel ı̂ncât a1 +...+an = 1, se

P (Ak1 ∪ ... ∪ Akm ) = P (Ak1 ) + ... + P (Akm ) ,

Bineı̂nţeles că orice algebră ﬁnită este o σ− algebră. Familia P (Ω) , a

Definiţia 1.4 Fie (Ω, F ) un spaţiu măsurabil. O aplicaţie P : F → [0, 1] se

Relaţia (ii) din această deﬁniţie este numită relaţia de σ− aditivitate.

1.2 Câteva exemple

1.2.1 Zarul turtit

Figura 1.2: Un zar turtit.

1.2.2 Repartiţii uniforme

desfăşurare, corespund lungimilor măsurate pe segmentul [0, 2πR). Atunci,

Exerciţiul 1.2 Se consideră zilele de 13 din lunile anului 2004. Ce proporţie

Exerciţiul 1.3 Fie Ω o mulţime şi A, B ⊂ Ω. Scrieţi A∪B ca o reuniune de

Exerciţiul 1.4 Fiind dat un spaţiu probabilizat (Ω, F , P ) şi A, B, C ∈ F să

P (A ∪ B ∪ C) = P (A) + P (B) + P (C) −

Modele cu şanse egale

Cele mai vechi modele probabiliste consideră o mulţime Ω = {ω1 , ..., ωn } ,

2.1 Aruncarea cu banul

Exemplu. Doi jucători joacă aruncarea cu banul după următoarea regulă.

ı̂ntrerupt ı̂nainte ca vreunul din jucători să iasă câştigător, se convine ca

(0, 0, 0, 0) (0, 0, 0, 1) (0, 0, 1, 1) (0, 1, 1, 1) (1, 1, 1, 1)

(0, 0, 0) (0, 0, 1, 0) (0, 0, 1, 1) (0, 1, 1) (1, 1)

2.2 Metode de numărare a posibilităţilor

O problemă de alocaţie. Examinăm acum mulţimea din secţiunea ante-

exact ni elemente. Aceasta ar ﬁ o a treia categorie de obiecte ce sunt ı̂n

2.3 Extrageri repetate din urnă

2.3.1 Schema bilei ı̂ntoarse

Ω = M k = {(x1 , ..., xk ) | xi ∈ M, ∀i = 1, ..., k} .

Să considerăm două secvenţe

(x1 , ..., xi−1 , xi , xi+1 , ..., xk ) ,

care au aceleaşi elemente, cu excepţia celor de pe poziţia i. Deci presupunem

aproape ı̂n aproape se deduce că toate secvenţele au aceeaşi şansă de a se

2.3.2 Schema bilei neı̂ntoarse

Ω = {(x1 , ..., xk ) /xi ∈ M, xi = xj , ∀i = j} .

Se observă că această mulţime constă din toate submulţimile de cardinal

A (x1 , ..., xk ) = {(x1 , ..., xk , x) /x ∈ M \ {x1 , ..., xk }} ,

mulţimea secvenţelor ce continuă secvenţa dată. Această mulţime are n − k

modelul cu secvenţe de lungime k + 1, prin probabilitatea pe care o are

Extrageri fără ordine.

Propoziţia 2.1 Fie M mulţimea cu n elemente care reprezintă bilele din

Demonstraţie. Mulţimea {(x1 , ..., xk ) ∈ Ω/ {x1 , ..., xk } = A} constă din

ce o notăm cu Γ, şi care se compune din părţile lui M cu k elemente. Din

Ω = {(x1 , ..., xk ) /xi ∈ M, xi = xj , ∀i = j} .

Ω = {(xi1 , xi2 , ..., xin ) ∈ M n / xil = xik , ∀l = k} .