Matematici speciale

Variabile aleatoare continue

Mai 2018
ii
”Ştiinţa se clădeşte cu fapte, aşa cum o casă se construieşte cu pietre.
Dar o colecţie de fapte nu e ştiinţă, la fel cum un morman de pietre
nu e o casă.”
Henri Poincaré

Variabile aleatoare continue

10
In secolul al XVIII-lea teoria jocurilor de noroc era la inceputurile sale.
Matematicianul Abraham de Moivre era printre altele si un consultant al unor
jucatori de jocuri de noroc, fiind deseori pus sa calculeze probabilitati de tipul:
care sunt sansele sa obtinem intre 50 si 80 de ori stema cand aruncam o mon-
eda de 100 de ori ?. La o reprezentare grafica a numarului de aruncari 𝑁 si
probabilitatile aferente a obtinut urmatoarele situatii:

1
iar pentru 𝑁 = 12 aruncari un fenomen incepe sa se contureze...

Aparent probabilitatile de obtinere a stemei par a se situa pe o curba sime-

trica si de Moivre spunea ca daca am sti functia care da aceasta curba am putea
sa estimam usor probabilitatile cerute. De fapt el a observat ceea ce numim
astazi aproximarea normala a variabilelor aleatoare binomiale:

2
iar functia care genereaza acesta curba numita clopotul lui Gauss este:
√
2 − (2𝑥−𝑁 )2
𝑓𝑁 (𝑥) = √ 𝑒 2𝑁 .
𝜋𝑁
Avand aceste informatii putem calcula:
∫︁ 80
𝑃 (50 ≤ 𝑋 ≤ 80) = 𝑓𝑁 (𝑥)𝑑𝑥
50

dar aceasta integrala nu poate fi calculata prin metode elementare caci o prim-
itiva a integrandului nu este o combinatie de functii elementare...

3
 Notiuni teoretice:

O variabila aleatoare continua poate avea ca valori orice numar dintr-un

interval dat, de exemplu: variabila aleatoare 𝑋 care masoara timpul necesar
pentru a realiza ceva.
∙ 𝑋 este o variabila aleatoare continua daca exista o functie 𝑓 (𝑥) (numita
densitatea de repartitie) astfel ca −∞ ≤ 𝑎 ≤ 𝑏 ≤ ∞:

∫︁𝑏
𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑓 (𝑥)𝑑𝑥
𝑎

∫︀∞
∙ densitatea de repartitie satisface proprietatile definitorii 𝑓 (𝑥)𝑑𝑥 = 1 si
−∞
𝑓 (𝑥) ≥ 0
Functia de repartitie definita ca 𝐹 (𝑥) := 𝑃 (𝑋 ≤ 𝑥) are urmatoarele propri-
etati:

𝑃 (𝑎 < 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹 (𝑎)

iar daca 𝐹 este continua:

𝑃 (𝑎 ≤ 𝑋 < 𝑏) = 𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 (𝑎 < 𝑋 < 𝑏) = 𝑃 (𝑎 < 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹 (𝑎)

∙ 𝐹 ′ (𝑥) = 𝑓 (𝑥)
∫︀𝑥
∙ 𝐹 (𝑥) = 𝑓 (𝑡)𝑑𝑡
−∞
∙ 𝐹 (𝑥1 ) ≤ 𝐹 (𝑥2 ) daca 𝑥1 < 𝑥2
∙ lim 𝐹 (𝑥) = 1 si lim 𝐹 (𝑥) = 0
𝑥→∞ 𝑥→−∞
Valoarea medie 𝑀 (𝑋) si dispersia 𝐷2 (𝑋) unei variabile aleatoare continue
cu densitatea de repartitie 𝑓 (𝑥) se calculeaza prin:
∫︁ ∞
𝑀 (𝑋) = 𝑥𝑓 (𝑥)𝑑𝑥,
−∞
∫︁ ∞
𝐷2 (𝑋) = (𝑥 − 𝑀 (𝑋))2 𝑓 (𝑥)𝑑𝑥
−∞

Momentele de ordin 𝑘 notate prin 𝑀𝑘 sunt:

∫︁ ∞
𝑀𝑘 (𝑋) = 𝑥𝑘 𝑓 (𝑥)𝑑𝑥
−∞

si momentele centrate de ordin 𝑘:

∫︁ ∞
𝑚𝑘 (𝑋) = (𝑥 − 𝑀 (𝑋))𝑘 𝑓 (𝑥)𝑑𝑥
−∞

4
 Variabile aleatoare continue clasice

∙ daca 𝑋 are densitatea de repartitie:

{︃
1
, daca 𝑥 ∈ [𝑎, 𝑏]
𝑓 (𝑥) = 𝑏−𝑎
0, in rest

atunci spunem ca 𝑋 are distributia uniform continua si scriem 𝑋 ∼ 𝑈 (𝑎, 𝑏).

∙ daca 𝑋 are densitatea de repartitie:
1 (𝑥−𝑚)2
𝑓 (𝑥) = √ 𝑒− 2𝜎 2
2𝜋𝜎 2
atunci spunem ca 𝑋 are distributia normala si scriem 𝑋 ∼ 𝑁 (𝑚, 𝜎 2 ).
∙ pentru o astfel de variabila avem 𝑀 (𝑋) = 𝑚 si 𝐷2 (𝑋) = 𝜎 2 .
O variabila cu distributia normala standard 𝑍 este o variabila normal dis-
tribuita corespunzatoare valorilor 𝑚 = 0 si 𝜎 = 1, 𝑍 ∼ 𝑁 (0, 1).
∙ functia ei de repartitie este:
∫︁ 𝑥
1 𝑡2
Φ(𝑥) = √ 𝑒− 2 𝑑𝑡
2𝜋 −∞
si are valorile intr-un tabel al scorurilor 𝑧.
Argumentul de standardizare
∙ pentru o variabila 𝑋 ∼ 𝑁 (𝑚, 𝜎 2 ) au loc relatiile:
(︂ )︂ (︂ )︂ (︂ )︂
𝑥1 − 𝑚 𝑥2 − 𝑚 𝑥2 − 𝑚 𝑥1 − 𝑚
𝑃 (𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝑃 ≤𝑍≤ =Φ −Φ
𝜎 𝜎 𝜎 𝜎

𝑋 −𝑚
unde 𝑍 := este o variabila aleatoare cu distributia normala standard
(︂𝜎 )︂ (︂ )︂
𝑥2 − 𝑚 𝑥1 − 𝑚
iar valorile Φ ,Φ se citesc din tabelul scorurilor z.
𝜎 𝜎
∙ de fapt, identitatile de mai sus afirma ca valorile functiei de repartitie a
unei variabile aleatoare normal distribuita

𝑋 ∼ 𝑁 (𝑚, 𝜎 2 )

se calculeaza prin: (︂ )︂
𝑥−𝑚
𝐹𝑋 (𝑥) = Φ
𝜎

Aproximari normale ale unor variabile aleatoare discrete

∙ daca 𝑋 este o variabila aleatoare cu distributie binomiala 𝑋 ∼ 𝐵𝑖(𝑛, 𝑝)
si 𝑛 este suficient de mare, atunci 𝑋 poate fi aproximata printr-o variabila
aleatoare normal distribuita 𝑌 ∼ 𝑁 (𝑛𝑝, 𝑛𝑝(1 − 𝑝)) si se aplica si corectiile de
continuitate:
(︂ )︂
1 1
𝑃 (𝑋 = 𝑘) ≈ 𝑃 𝑘 − < 𝑌 < 𝑘 +
2 2

5
 (︂ )︂
1
𝑃 (𝑋 < 𝑘) ≈ 𝑃 𝑌 <𝑘+
2
(︂ )︂
1
𝑃 (𝑋 ≤ 𝑘) ≈ 𝑃 𝑌 <𝑘+
2
(︂ )︂
1
𝑃 (𝑋 > 𝑘) ≈ 𝑃 𝑌 >𝑘−
2
∙ daca 𝑋 este o variabila aleatoare cu distributie Poisson de parametru 𝜆 si
𝜆 este mare, atunci 𝑋 poate fi aproximata printr-o variabila aleatoare normal
distribuita 𝑌 ∼ 𝑁 (𝜆, 𝜆)
∙ se aplica aceleasi corectii de continuitate

Vectori aleatori
∙ pentru a modela matematic unele experimente este nevoie de mai mult
decat o variabila aleatoare
∙ vom prezenta mai jos situatia in care avem nevoie de doua variabile, despre
care spunem ca formeaza un vector aleator (𝑋, 𝑌 )
In cazul variabilelor aleatoare discrete:
∙ densitatea de probabilitate comuna a perechii 𝑋, 𝑌 este:

𝑃𝑋,𝑌 (𝑥, 𝑦) := 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦)
pentru variabile aleatoare independente 𝑋, 𝑌 avem relatia:

𝑃𝑋,𝑌 (𝑥, 𝑦) = 𝑃 (𝑋 = 𝑥, 𝑌 = 𝑦) = 𝑃 (𝑋 = 𝑥) · 𝑃 (𝑌 = 𝑦)

∙ tinand cont de faptul ca {𝑋 = 𝑥, 𝑌 = 𝑦} reprezinta un eveniment intr-

un experiment vom avea o multime a starilor (valorilor) vectorului aleator de
forma:
𝑆𝑋,𝑌 = {(𝑥, 𝑦) : 𝑃𝑋,𝑌 (𝑥, 𝑦) > 0}
∙ probabilitatea unui eveniment 𝐴 se calculeaza folosind:
∑︁
𝑃 (𝐴) = 𝑃𝑋,𝑌 (𝑥, 𝑦)
(𝑥,𝑦)∈𝐴

∙ densitatile marginale de probabilita se determina prin (vezi exemplul de

pe pagina urmatoare):
∑︁ ∑︁
𝑃𝑋 (𝑥) = 𝑃𝑋,𝑌 (𝑥, 𝑦), 𝑃𝑌 (𝑦) = 𝑃𝑋,𝑌 (𝑥, 𝑦)
𝑦∈𝑆𝑌 𝑥∈𝑆𝑋

In cazul variabilelor aleatoare continue:

∙ densitatea de probabilitate a unui vector aleator (𝑋, 𝑌 ) este o functie
𝑓𝑋,𝑌 (𝑥, 𝑦) cu proprietatea:
∫︁ 𝑥 ∫︁ 𝑦
𝐹𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋,𝑌 (𝑢, 𝑣)𝑑𝑢𝑑𝑣
−∞ −∞

6
si avem formulele:

𝑃 (𝑎 ≤ 𝑋 ≤ 𝑏, 𝑐 ≤ 𝑌 ≤ 𝑑) = 𝐹𝑋.𝑌 (𝑏, 𝑑) − 𝐹𝑋.𝑌 (𝑏, 𝑐) − 𝐹𝑋.𝑌 (𝑎, 𝑑) + 𝐹𝑋.𝑌 (𝑎, 𝑐)

∫︁ 𝑏 ∫︁ 𝑑
= 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦𝑑𝑥
𝑎 𝑐

∙ pentru variabile aleatoare independente:

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥) · 𝑓𝑌 (𝑦)

∙ probabilitatea unui eveniment 𝐴 este:

∫︁ ∫︁
𝑃 (𝐴) = 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥𝑑𝑦
𝐴

∙ densitatile de probabilitate marginale sunt:

∫︁ ∞ ∫︁ ∞
𝑓𝑋 (𝑥) = 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑦, 𝑓𝑌 (𝑦) = 𝑓𝑋,𝑌 (𝑥, 𝑦)𝑑𝑥
−∞ −∞

Un exemplu

Mark si Lisa sunt agenti imobiliari. Fie 𝑋 si 𝑌 numarul de case vandute de

catre acestia intr-o luna. Pe baza vanzarilor realizate de catre acestia in trecut,
putem estima distributia comuna a lui 𝑋 si 𝑌 :

Asadar vom modela matematic situatia folosind un vector aleator (𝑋, 𝑌 ) de

variabile aleatoare discrete.
Tabloul de repartitie a vectorului aleator (𝑋, 𝑌 ) se citeste in felul urmator:
spre exemplu 𝑃 (𝑋 = 0, 𝑌 = 1) = 𝑃𝑋,𝑌 (0, 1) = 0.21, insemnand ca probabili-
tatea comuna pentru ca Mark si Lisa sa vanda 0, respectiv 1 casa, este 0.21.
Celelalte valori din tabel se interpreteaza asemanator. De remarcat ca suma
tuturor valorilor trebuie sa fie 1.
Densitatile de probabilitate marginale coresp. lui 𝑋, resp. 𝑌 , se calculeaza
adunand pe coloane, respectiv linii:

7
Astfel se obtin tablourile de repartitie corespunzatoare lui 𝑋 sau 𝑌 :

De fapt am folosit formulele:

∑︁ ∑︁
𝑃𝑋 (𝑥) = 𝑃𝑋,𝑌 (𝑥, 𝑦), 𝑃𝑌 (𝑦) = 𝑃𝑋,𝑌 (𝑥, 𝑦).
𝑦∈𝑆𝑌 𝑥∈𝑆𝑋

Asadar, de exemplu, probabilitatea ca Mark sa vanda 1 casa este 0.5.

Sa observam acum ca:

𝑃 (𝑋 = 0 and 𝑌 = 2) = 0.07,

dar 𝑃 (𝑋 = 0) = 0.4 si 𝑃 (𝑌 = 2) = 0.1, deci 𝑋 si 𝑌 nu sunt independente:

𝑃 (𝑋 = 0 and 𝑌 = 2) ̸= 𝑃 (𝑋 = 0) · 𝑃 (𝑌 = 2)

Am putea sa fim interesati sa calculam probabilitatea ca acesti doi agenti sa

vanda impreuna doua case intr-o luna. Aceasta probabilitate poate fi calculata
daca adunam toate perechile (𝑥, 𝑦) care au suma 2:

𝑃 (𝑋 + 𝑌 = 2) = 𝑃𝑋,𝑌 (0, 2) + 𝑃𝑋,𝑌 (1, 1) + 𝑃𝑋,𝑌 (2, 0) = 0.19

De remarcat ca in relatia de mai sus probabilitatile se culeg din tabloul de

repartitie a lui (𝑋, 𝑌 ) si nu sunt determinate cu regula produsului deoarece 𝑋
si 𝑌 nu sunt independente !
Continuand in acest fel putem afisa tabloul de repartitie al variabilei aleatoare
𝑋 +𝑌:

8
 Probleme rezolvate

Problema 1. Variabila aleatoare 𝑋 are densitatea de repartiţie

⎧
⎨ 0, dacă 𝑥 ≤ −1 sau 𝑥 ≥ 1
𝑓 (𝑥) = .
⎩ 1 , dacă −1<𝑥<1
2

a) Să se afle funcţia de repartiţie corespunzatoare.

b) Să se determine densităţile de repartiţie ale variabilelor aleatoare
𝑌 = 𝑒𝑋 , 𝑍 = 2𝑋 2 + 1.

Solutie: a) Se observă că 𝑓 este densitate de repartiţie, deoarece

∫︁∞ ∫︁1
1 𝑥
𝑓 (𝑥) 𝑑𝑥 = 𝑑𝑥 = |1−1 = 1.
2 2
−∞ −1

Funcţia de repartiţie corespunzătoare este

⎧
∫︁𝑥
⎪
⎪
⎪ 0, 𝑥 ≤ −1
⎨
𝐹 (𝑥) = 𝑓 (𝑡) 𝑑𝑡 = 𝑥+1 ,
⎪ 2 , −1 < 𝑥 ≤ 1
⎪
−∞ ⎪
⎩ 1, 1<𝑥

deoarece
∫︁𝑥
𝑥 ≤ −1 ⇒ 𝐹 (𝑥) = 0𝑑𝑡 = 0,
−∞

∫︁−1 ∫︁𝑥
1 𝑥 1 𝑥+1
𝑥 ∈ [−1, 1] ⇒ 𝐹 (𝑥) = 0𝑑𝑡 + 𝑑𝑡 = + = ,
2 2 2 2
−∞ −1

9
 ∫︁−1 ∫︁1 ∫︁∞
1
1 < 𝑥 ⇒ 𝐹 (𝑥) = 0𝑑𝑡 + 𝑑𝑡 + 0𝑑𝑡 = 1.
2
−∞ −1 1

b) Determinăm funcţia de repartiţie 𝐺 (𝑥) a variabilei aleatoare 𝑌 . Intrucat

𝑌 > 0 pentru orice 𝑥 ≤ 0 avem 𝐺 (𝑥) = 𝑃 (𝑌 < 𝑥) = 0. Dacă 𝑥 > 0 atunci
𝐺 (𝑥) = 𝑃 (𝑌 < 𝑥) = 𝑃 𝑒𝑋 < 𝑥 = 𝑃 (𝑋 < ln 𝑥) = 𝐹 (ln 𝑥)
(︀ )︀
⎧ ⎧
𝑥 ∈ 0, 1𝑒
(︀ ]︀
⎪
⎪
⎪ 0, ln 𝑥 ≤ −1 ⎪ 0,
⎪
⎪
⎨ ⎨
1+ln 𝑥 1+ln 𝑥
, 𝑥 ∈ 1𝑒 , 𝑒 .
(︀ ]︀
𝐺 (𝑥) = 2 , −1 < ln 𝑥 ≤ 1 = 2
⎪
⎪ ⎪
⎪
𝑥 ∈ (𝑒, ∞)
⎪
⎩ 1, ⎪
1 < ln 𝑥 ⎩ 1,

Densitatea de repartiţie corespunzătoare este

⎧
⎨ 0, ı̂n rest
𝑔 (𝑥) = 𝐺′ (𝑥) = .
⎩ 1 , 𝑥 ∈ (︀ 1 , 𝑒)︀
2𝑥 𝑒

Întrucât 𝑋 ia valori ı̂n intervalul (−1, 1), 𝑍 = 2𝑋 2 + 1 ia valori numai

ı̂n intervalul (1, 3). Pentru 𝑥 ∈ (1, 3), funcţia de repartiţie 𝐻 (𝑥) a variabilei
aleatoare 𝑍 va fi
(︂ )︂
(︀ 2 )︀ 2 𝑥−1
𝐻 (𝑥) = 𝑃 (𝑍 < 𝑥) = 𝑃 2𝑋 + 1 < 𝑥 =𝑃 𝑋 < =
2
[︃ √︂ √︂ ]︃ [︃√︂ ]︃ [︃ √︂ ]︃
𝑥−1 𝑥−1 𝑥−1 𝑥−1
= 𝑃 − <𝑋< =𝐹 −𝐹 − =
2 2 2 2
[︃ √︂ ]︃ [︃ √︂ ]︃ √︂
1 𝑥−1 1 𝑥−1 𝑥−1
= 1+ − 1− = .
2 2 2 2 2

Densitatea de repartiţie corespunzatoare ℎ (𝑥) = 𝐻 ′ (𝑥) este

⎧
⎨ 0, ı̂n rest
ℎ (𝑥) = √ .
⎩ √ 2 , 𝑥 ∈ (1, 3)
4 𝑥−1

Problema 2. Densitatea de repartiţie a variabilei aleatoare 𝑋 este dată

prin funcţia
⎨ 1 cos 𝑥, 𝑥 ∈ − 𝜋 , 𝜋
⎧ (︁ )︁
𝑓 (𝑥) = 2 2 2 .
⎩ 0, ı̂n rest
a) Calculaţi valoarea medie şi dispersia variabilei aleatoare
(︁ 𝜋 𝑋. )︁
𝜋
b) Determinaţi funcţia de repartiţie şi calculaţi 𝑃 <𝑋< .
4 3

Solutie: a) Valoarea medie este

𝜋
+∞
∫︁ ∫︁2
1 interval
𝑀 (𝑋) = 𝑥 · 𝑓 (𝑥) 𝑑𝑥 = 𝑥
⏟ cos
⏞ 𝑥 𝑑𝑥 simetric
= 0,
2
−∞ −𝜋 f. impară
2

10
iar dispersia
𝜋
+∞
∫︁ ∫︁2
2 2
𝐷2 (𝑋) = [𝑥 − 𝑀 (𝑋)] 𝑓 (𝑥) 𝑑𝑥 = (𝑥 − 0) 𝑓 (𝑥) 𝑑𝑥 =
−∞ −𝜋
2
𝜋 𝜋
∫︁2 ∫︁2
1 2 1 interval
= ⏟𝑥 cos = 2·
⏞ 𝑥𝑑𝑥 simetric 𝑥2 cos 𝑥𝑑𝑥,
2 2
−𝜋 f. pară 0
2

de unde rezultă
𝜋2
𝐷2 (𝑋) =
− 2.
4
b) Funcţia de repartiţie este ı̂n general
∫︁𝑥
𝐹 (𝑥) = 𝑓 (𝑡) 𝑑𝑡.
−∞

∫︁𝑥
𝜋
Atunci pentru 𝑥 ≤ − avem 𝐹 (𝑥) = 0𝑑𝑡 = 0.
2
(︁ 𝜋 𝜋 )︁ −∞

Pentru 𝑥 ∈ − , rezultă
2 2
𝜋
∫︁𝑥 ∫︁− 2 ∫︁𝑥
1 1 1
𝐹 (𝑥) = 𝑓 (𝑡) 𝑑𝑡 = 0𝑑𝑡 + cos 𝑡𝑑𝑡 = + sin 𝑥.
2 2 2
−∞ −∞ −𝜋
2

𝜋
Pentru 𝑥 ≥ avem
2
𝜋 𝜋
∫︁𝑥 ∫︁− 2 ∫︁2 ∫︁𝑥
1
𝐹 (𝑥) = 𝑓 (𝑡) 𝑑𝑡 = 0𝑑𝑡 + cos 𝑡𝑑𝑡 + 0𝑑𝑡 = 1.
2
−∞ −∞ −𝜋
2
𝜋
2

În concluzie funcţia de repartiţie este

⎧ 𝜋
⎪ 0, 𝑥≤−
(︁ 𝜋 2𝜋 )︁
⎪
⎪
1 1
⎨
𝐹 (𝑥) = + sin 𝑥, 𝑥 ∈ − , .
⎪ 2 2 2 2
⎪
⎪ 𝜋
⎩ 1, 𝑥≥
2
Probabilitatea cerută este
𝜋 𝜋
∫︁3 ∫︁3 √ √
(︁ 𝜋 𝜋 )︁ 1 3− 2
𝑃 <𝑋< = 𝑓 (𝑥) 𝑑𝑥 = cos 𝑥𝑑𝑥 = .
4 3 2 4
𝜋 𝜋
4 4

11
 Problema 3. Supra-vanzarea locurilor pentru zborurile intercontinentale
este o practica comuna in cadrul companiilor aeriene, vezi cazul United
Airlines. Aeronave care sunt capabile sa transporte 300 de pasageri ac-
cepta pana la 320 de rezervari. Daca 10% dintre pasagerii care au o re-
zervare nu se imbarca in cele din urma in avion, care este probabilitatea
ca cel putin un pasager, care are bilet de avion, sa sfarseasca fara un loc
in avion ? Care este probabilitatea ca intre 25 si 45 de pasageri cu loc
rezervat sa nu se prezinte la poarta de imbarcare ?

Solutie: Inainte de toate trebuie sa recunoastem ca este vorba de un exper-

iment binomial. Sunt 𝑛 = 320 de repetari ale aceluiasi experiment: un pasager
cu o rezervare facuta incearca sa se imbarce in avion. Numim ”success” situa-
tia in care un pasager care are o rezervare nu reuseste sa se imbarcheze pentru
zborul sau. Probabilitatea unui succes este 𝑝 = 0.10
Notam asadar cu 𝑋 variabila aleatoare care numara pasagerii cu rezervare
care nu reusesc sa se imbarcheze in avion. 𝑋 este o variabila aleatoare cu
distributie binomiala 𝑋 ∼ 𝐵𝑖(320, 0.10) si va trebui sa calculam 𝑃 (𝑋 ≤ 19) si
𝑃 (25 ≤ 𝑋 ≤ 45).
∙ aproximam 𝑋 printr-o variabila aleatoare normal distribuita:

𝑌 ∼ 𝑁 (𝑛𝑝, 𝑛𝑝(1 − 𝑝)) = 𝑁 (32, 28.8)

∙ folosim corectiile de continuitate:

(︂ )︂
1 1
𝑃 (𝑘1 ≤ 𝑋 ≤ 𝑘2 ) ≈ 𝑃 𝑘1 − < 𝑌 < 𝑘2 +
2 2
si: (︂ )︂
1
𝑃 (𝑋 ≤ 𝑘) ≈ 𝑃 𝑌 <𝑘+
2
Deci: (︂ )︂
1 1
𝑃 (25 ≤ 𝑋 ≤ 45) ≈ 𝑃 25 − < 𝑌 < 45 +
2 2
si: (︂ )︂
1
𝑃 (𝑋 ≤ 19) ≈ 𝑃 𝑌 < 19 +
2
∙ avem nevoie si de o reducere a lui 𝑌 la o variabila aleatoare cu distributia
𝑌 −𝑚
standard normala prin tranformarea = 𝑍. Au loc relatiile :
𝜎
(︂ )︂ (︂ )︂ (︂ )︂
𝑥1 − 𝑚 𝑥2 − 𝑚 𝑥2 − 𝑚 𝑥1 − 𝑚
𝑃 (𝑥1 ≤ 𝑋 ≤ 𝑥2 ) = 𝑃 ≤𝑍≤ =Φ −Φ
𝜎 𝜎 𝜎 𝜎

pentru 𝑍 ∼ 𝑁 (0, 1).

(︂ )︂
24.5 − 32 45.5 − 32
𝑃 (24.5 < 𝑌 < 45.5) = 𝑃 ≤𝑍≤ = Φ (2.51) − Φ (−1.39)
5.36 5.36
= 0.9940 − 0.0823 = 0.92 = 92%

12
si:
(︂ )︂ (︂ )︂
1 19.5 − 32
𝑃 𝑌 < 19 + =𝑃 𝑍≤ = Φ (−2.33) = 0.0102 = 1%
2 5.36
∙ mai sus am citit scorurile 𝑧 din tablelul scorurilor z.

Problema 4. (Problema intalnirii revizitata) Un barbat si o femeie decid

sa se intalneasca intr-un restaurant dupa ora 21. Restaurantul se inchide
la ora 24. Din cauza programului incarcat al fiecaruia ei decid ca in cazul
in care unul dintre ei va intarzia fiecare sa astepte dupa celalalt un anumit
timp. Barbatul este dispus sa astepte o ora iar femeia doar 15 minute!
Care este probabilitatea ca cei doi sa se intalneasca la acel restaurant?

Solutie: Notam cu 𝑋 variabila aleatoare continua care masoara timpul la

care soseste femeia (fara vreo aluzie cromozomiala ) si cu 𝑌 variabila aleatoare
care masoara timpul la care soseste barbatul. Fiecare poate ajunge la restaurant
in orice moment de timp intre ora 21 si 24 cu aceeasi probabilitate, deci 𝑋 si 𝑌 au
distributia uniform continua. Mai mult, cele doua variabile sunt independente
si putem sa consideram ca ambele iau valori in intervalul [0, 3] unde 0 inseamna
ora 21 si 3 inseamna ora 24.
Avem asadar un vector aleator (𝑋, 𝑌 ) care modeleaza matematic problema
si masoara timpii la care sosesc cei doi.
Notam cu 𝐴 evenimentul: cei doi se intalnesc in restaurant. Probabilitatea
lui 𝐴 se calculeaza conform formulei:
∫︁ ∫︁
𝑃 (𝐴) = 𝑓𝑋,𝑌 (𝑥, 𝑦) 𝑑𝑥𝑑𝑦
𝐴

unde 𝐴 este regiunea gri din desenul de mai jos

Deoarece 𝑋 si 𝑌 sunt independente avem:

𝑓𝑋,𝑌 (𝑥, 𝑦) = 𝑓𝑋 (𝑥) · 𝑓𝑌 (𝑦)

unde:
{︃
1
3−0 , 𝑥 ∈ [0, 3]
𝑓𝑋 (𝑥) =
0, altfel

13
si:
{︃
1
3−0 , 𝑦 ∈ [0, 3]
𝑓𝑌 (𝑦) =
0, altfel
sunt functiile de probabilitate ale celor doua variabile aleatoare continue uniform
distribuite. Asadar: ∫︁ ∫︁
1
𝑃 (𝐴) = 𝑑𝑥𝑑𝑦
9
𝐴

Pentru a calcula aceasta integrala dubla notam cu ∆1 si ∆2 cele doua trinughiuri

albe din desenul de mai sus. Se observa ca:

∆1 ∪ 𝐴 ∪ ∆2 = [0, 3] × [0, 3]

Prin urmare:
∫︁ ∫︁ ∫︁ ∫︁ ∫︁ ∫︁ ∫︁ ∫︁
1 1 1 1
𝑑𝑥𝑑𝑦 = 𝑑𝑥𝑑𝑦 + 𝑑𝑥𝑑𝑦 + 𝑑𝑥𝑑𝑦
9 9 9 9
[0,3]×[0,3] Δ1 𝐴 Δ2

Aplicam teorema lui Fubini si scriem cele doua triunghiuri ca domenii simple
in raport cu axa 𝑂𝑌 :
11
∫︁ 3 ∫︁ 3 ∫︁ ∫︁ 3 ∫︁ ∫︁ ∫︁ 3 ∫︁ 𝑥−1
1 4 1 1 1
𝑑𝑥𝑑𝑦 = 𝑑𝑦𝑑𝑥 + 𝑑𝑥𝑑𝑦 + 𝑑𝑦𝑑𝑥
0 0 9 0 𝑥+ 41 9 9 1 0 9
𝐴
∫︁ ∫︁
121 1 4
1= + 𝑑𝑥𝑑𝑦 +
288 9 18
𝐴
∫︁ ∫︁
1
=⇒ 𝑃 (𝐴) = 𝑑𝑥𝑑𝑦 = 0.35 = 35%
9
𝐴

Compara cu abordarea din introducerea seminarului 8

14
 Probleme propuse

Problema 1. Consideram functia:

{︃
𝑎 cos2 𝜃, daca 𝜃 ∈ (− 𝜋2 , 𝜋2 )
𝑓 (𝜃) =
0, in rest

i) Aflati 𝑎 astfel ca 𝑓 sa fie densitatea de repartitie a unei variabile aleatoare

continue 𝑋
ii) Determinati valoarea medie 𝑀 (𝑋) si dispersia 𝐷2 (𝑋) acestei variabile
aleatoare
iii) Aflati functia de repartitie 𝐹 (𝑥) si calculati probabilitatea 𝑃 (−1 < 𝑋 < 1)

Problema 2. Densitatea de repartitie pentru amplitudinea ruliului unei nave

are urmatoarea forma, conform legii lui Rayleigh:
𝑥 − 𝑥22
𝑓 (𝑥) = 𝑒 2𝑎 , 𝑥≥0
𝑎2
Daca nava ar transporta oi, am dori ca acestea sa calatoreasca in conditii
lipsite de stres, vezi in link la ce situatii se poate ajunge. Aflati probabilitatea ca
amplitudinea miscarii sa depaseasca o valoarea critica 𝑐0 . Determinati valoarea
asteptata a amplitudinii 𝐸(𝑋), deviatia standard 𝜎(𝑋) si momentul centrat 𝑚3 .

Problema 3. Un radar masoara vitezele masinilor pe o autostrada. Vitezele

sunt normal distribuite cu media de 90 km/ora si deviatia standard 10 km/ora.
Care este probabilitatea ca o masina aleasa aleator sa circule cu o viteza mai
mare de 100 km/ora?

Problema 4. Intrarea la Universitatea Politehnica University se realizeaza in

urma unui test de selectie. Punctajele sunt normal distribuite cu o medie de 500
si o deviatia standard de 100. Popescu vrea sa fie admis la aceasta universitate
si el stie sa trebuie sa obtina un punctaj mai bun decat cel putin 70% dintre
contracandidatii sai. Popescu da testul si obtine 585 puncte. Va fi admis la
universitate cu acest punctaj ?

Problema 5. O persoana arunca de 1000 ori o moneda. Aflati probabilitatea

ca numarul de ”steme” obtinute sa fie intre 475 si 525, inclusiv.

Problema 6. Biletele pentru festivalul ”Untold” sunt vandute online potrivit

unei distributii Poisson cu o medie de 25 pe zi. Care este probabilitatea ca:
a) mai mult de 20 de bilete sa fie vandute intr-o zi ?

15
 b) intre 20 si 30 de bilete sa fie vandute intr-o zi ?

Problema 7. Un club de fotbal asigura transportul cu autobuzul al fanilor

sai. Un autobuz soseste intr-o anumita statie la fiecare 15 minute intre ora
4 si 12 p.m. in ziua meciului. Fanii sosesc in statie in momente de timp
aleatoare. Timpul petrecut de catre un fan in asteptarea autobuzului este o vari-
abila aleatoare uniform distribuita cu valori de la 0 la 15 minute. Care este
timpul mediu de asteptare ? Care este probabilitatea ca un fan sa astepte mai
mult de 12 minute ? Care este probabilitatea ca un fan sa fie nevoit sa astepte
intre 5 si 10 minute ?

16