UNIVERSITATEA POLITEHNICA DIN

BUCUREŞTI FACULTATEA DE INGINERIA

SISTEMELOR BIOTEHNICE

Programul de studii: IMPM

Rezumat

Statistică aplicată în ingineria

mediului

Student: Drăgănescu Adrian-Marian

 Introducerea elementară în teoria probabilităților

Teoria probabilităților este o disciplină matematică așa cum este geometria sau analiza.
Ieșită din experiență, ca și aceasta, după ce a dat conceptelor sale – toate de origine
experimentală – o formă riguroasă matematică, ea este acum în măsură să se întoarcă la
experiență pentru a cuprinde și a interpreta întinse categorii de fenomene.
Această introducere are ca scop să prezinte într-o formă elementară și accesibilă
conceptele clasice ale teoriei probabilităților fără să intre într-o analiză matematică profundă. De
altfel, pe baza acestor concepte clasice s-a clădit teoria modernă a probabilităților, care face
obiectul capitolelor 1 – 10.
1. Probabilitatea
Evenimente întâmplătoare – sunt evenimentele pe care le observăm și care pot fi
clasificate în trei categorii: evenimente sigure, evenimente imposibile și evenimente
întâmplătoare.
Precizăm de la început că spre deosebire de înțelesul uzual al termenului de ,,eveniment”,
în teoria probabilităților prin eveniment vom înțelege orice rezultat al unui experiment.
Efectuarea unui experiment presupune realizarea unui complex de condiții S și tocmai această
realizare o vom înțelege atunci când ne vom exprima pe scurt spunând ,,se face un experiment”.
Se numește eveniment sigur un eveniment care se produce în mod obligatoriu la
efectuarea unui anumit experiment. De exemplu, extragerea unei bile albe dintr-o urnă care nu
conține decât bile albe este un eveniment sigur.
Se numește eveniment imposibil un eveniment care nu se produce în mod obligatoriu la
efectuare unui anumit experiment. De exemplu, extragerea unei bile albe dintr-o urnă care nu
conține decât bile negre este un eveniment imposibil.
Se numește eveniment întâmplător un eveniment care poate fie să se producă, fie să nu se
producă la efectuarea unui anumit experiment. De exemplu, apariția feței 6 la aruncarea zarului
este un eveniment întâmplător.
Fiecare eveniment întâmplător – în particular apariția feței 6 la aruncarea zarului este
rezultatul acțiunii multor factori întâmplători ( în exemplul nostru felul în care mișcăm mâna,
particularitățile zarului, poziția zarului în momentul aruncării, particularitățile suprafeței pe care
cade zarul etc.). Din această cauză nu putem spune nimic relativ la producerea unui eveniment
întâmplător într-o singură probă. Dacă însă considerăm evenimente întâmplătoare care pot fi
observate de multe ori în condiții identice ( cu alte cuvinte, evenimente întâmplătoare omogene
de masă), atunci aceste evenimente se supun unor legități determinate, așa-numitele legități
statistice.
 Vom numi două sau mai multe evenimente incompatibile, dacă producerea unui dintre
ele exclude producerea celorlalte într-o aceeași probă. De exemplu, apariția feței 6 și apariția
feței 5 într-o aruncare de zar sunt evenimente incompatibile.

2. Definiția clasică a probabilității

Se numește probabilitate a unui eveniment P(A) și se notează cu P(A) raportul dintre
numărul m de rezultate favorabile producerii lui A și numărul total n de rezultate ale
m
experimentului: P ( A )= .
n
Din definiția probabilității rezultă următoarele proprietăți:
a. Probabilitatea evenimentului sigur este 1 întrucât în acest caz avem m=n.
b. Probabilitatea evenimentului imposibil este 0 întrucât în acest caz m=0.
c. Probabilitatea evenimentului întâmplător este cuprinsă între 0 și 1, întrucât în acest
caz 0<m<n.
Rezultă din aceste proprietăți că probabilitatea oricărui eveniment A satisface dubla
inegalitate
0 ≤ P(A) ≤ 1.
Alături de noțiunea de probabilitate, noțiunea de frecvență relativă este o altă noțiune
fundamentală în teoria probabilităților.
Frecvența relativă a evenimentului A este raportul dintre numărul probelor v în care
evenimentul A s-a produs și numărul total n de probe efectuate.

3. Principiul imposibilității practice a evenimentelor cu probabilitate mică

În rezolvarea multor probleme practice întâlnim evenimente a căror probabilitate este
foarte mică. Putem considera că un eveniment A cu probabilitate foarte mică (de exemplu 0,05)
nu se produce într-o singură probă.
Trebuie să observăm, mai întâi, că sunt cazuri în care chiar un eveniment cu probabilitate
zero nu este teoretic imposibil.
Să presupunem astfel că într-o urnă ideală sunt scrise pe bilete separate toate numerele
reale. Ne întrebăm care este probabilitatea ca extrăgând la întâmplare un bilet să obținem
numărul 21. Dat fiind faptul că mulțimea numerelor reale este nenumărabilă, probabilitatea ca să
obținem numărul 2 este egală cu zero. De data aceasta, cu toate ca probabilitatea este nulă, nu
există certitudinea că nu vom putea obține niciodată numărul 2.
 Ceea ce s-a arătat relativ la evenimentele cu probabilitate foarte mică, conduce la
următoarea afirmație: dacă un eveniment întâmplător are probabilitatea foarte apropiată de 1,
atunci putem considera că acest eveniment este practic sigur într-o singură experiență.
4. Teorema adunării probabilităților evenimentelor incompatibile
Fiind date două evenimente A si B, se numește reuniune a acestor două evenimente și se
notează AUB evenimentul care constă în producerea a cel puțin unui din evenimentele A și B,
deci fie a evenimentului A, fie a evenimentului B, fie a ambelor evenimente A și B.
Dacă A și B sunt incompatibile, atunci A U B constă în apariția unuia dintre
evenimentele A și B.
Vom demonstra acum o teoremă care arată cum se calculează probabilitatea
evenimentului A U B în ipoteza că A și B sunt incompatibile.
Teoremă: Probabilitatea producerii unuia dintre evenimentele incompatibile A și B este
egală cu suma probabilităților acestor evenimente:
P ( A U B ) =P ( A )+ P ( B ) .
Demonstrație. Să notăm: n – numărul rezultatelor incompatibile egal posibile ale
experimentului în urma căruia se pot produce evenimentele A si B; m 1 – numărul rezultatelor
favorabile producerii evenimentului A; m2 – numărul rezultatelor favorabile producerii
evenimentului B.
Numărul rezultatelor favorabile apariției unuia din evenimentele A și B este m 1 + m2
m +m
deoarece A și B sunt incompatibile. Prin urmare, P ( A U B ) = 1 2 .
n
m1 m2
Ținând seama că =P ( A ) și =P(B), obținem P ( A U B ) =P ( A )+ P ( B ) .
n n
Consecință. Probabilitatea producerii unuia dintre mai multe evenimente incompatibile
este egală cu suma probabilităților acestor evenimente.
5. Evenimente contrare (complementare)
Doua evenimente se numesc contrare (sau complementare) dacă ele sunt incompatibile și
reuniunea lor este evenimentul sigur Ω. De exemplu, dacă într-o urnă se găsesc numai bile albe
și negre, atunci extragerea unei bile albe și extragerea unei bile negre sunt evenimente contrare.
Teoremă. Suma probabilităților a două evenimente contrare este egală cu 1.
P(A) + P(CA) = 1.
6. Sistem complet de evenimente
 Evenimentele A1, A2, ...,Ar formează un sistem complet de evenimente dacă n experiment
conduce la unul și numai unul singur dintre aceste evenimente. Cu alte cuvinte, evenimentele A 1,
A2, ...,Ar sunt incompatibile și reuniunea lor este egală cu evenimentul sigur Ω.

1.1. Evenimente. Operații cu evenimente (seminar)

În cele ce urmează vom înțelege prin ”experiență” realizarea unui complex de condiții.
Realizarea practică a unei experiențe o vom numi ”probă”.
Orice rezultata al unei experiențe poartă numele de eveniment.
În mulțimea evenimentelor corespunzătoare unei experiențe se introduc operațiile logice
”sau”, ”și”, ”non” și o relație de ordine parțială ”implică”.
Definiția 1.1.1. Dacă A și B sunt două evenimente atunci:
a) Prin ”A sau B”, notat A U B, înțelegem evenimentul care se realizează dacă și numai
dacă cel puțin unul din cele două evenimente se realizează;
b) Prin ”A și B”, notat A ∩ B, înțelegem evenimentul care se realizează dacă și numai dacă
ambele evenimente se realizează;
c) Prin ”non A”, notat Ac , înțelegem evenimentul care se realizează dacă și numai dacă A
nu se realizează.
Definiția 1.1.2. Numim ”eveniment sigur”, notat Ω, evenimentul care se realizează în
orice probă.
Definiția 1.1.3. Numim ”eveniment imposibil” evenimentul care nu se realizează în nici
o probă.
Definiția 1.1.4. Numim ”eveniment întâmplător” sau ”aleator” un eveniment care poate
să se producă sau nu într-o probă.
Definiția 1.1.5. Fie A și B două evenimente. Spunem că ”A implică B” și scriem A ⸦ B
dacă realizarea lui A are ca efect realizarea lui B.
Din această definiție rezultă că:
a) A ⸦ A;
A⸦B→A⸦C
b) {
B⸦C
;

Dacă A ⸦ B și B ⸦ A vom scrie A = B.

Definiția 1.1.6. Un eveniment A este ”elementar” dacă B ⸦ A implică B = ∅ sau B = A.
 Din definiția 1.1.1 rezultă următoarele proprietăți ale operațiilor cu evenimente:
1) A ∪ B=B ∪ A , A ∩ B=B ∩ A ;
2) (A∪ B ¿ ∪ C= A ∪( B ∪C ), ( A ∩ B) ∩C=A ∩(B ∩C);
3) A∩ ( B ∪C )=( A ∩ B ) ∪ ( A ∩C ) ; (1.1.1)
4) ( A ∩ A c ¿ ∪ B=B ,( A ∪ Ac )∩ B=B ;
5) (A ∩ B ¿ ∪ B=B ,( A ∪ B)∩B=B .

Definiția 1.1.7. Fie ( A¿¿ n)n ∈ N ¿ un șir de evenimente.

1) Prin ”¿ n=1¿ ∞ An ” vom înțelege un eveniment B care satisface condițiile:

¿
a) An ⸦ B , ( ∀ ) n∈ N ;
b) An ⸦ B' , ( ∀ ) n ∈ N ¿ → B ⸦ B' ;
2) Prin ”¿ n=1¿ ∞ An ” vom înțelege evenimentul C care satisface condițiile:
¿
a) C ⸦ A n , ( ∀ ) n ∈ N ;
b) C ' ⸦ A n , ( ∀ ) n ∈ N ¿ → C ' ⸦ C .

Dăm fără demonstrație următoarele teoreme:

Teorema 1.1.1. (M.H. Stone) Orice algebră booleană A este izomorfă cu o algebră de
părți.
Teorema 1.1.2. (Loomis-Sikorski) Orice σ-algebră booleană este izomorfă cu o σ-
algebră de părți.
Observația 1.1.1. Mulțimea evenimentelor corespunzătoare unei experiențe înzestrată cu
operațiile ∪ ,∩ și c formează o σ-algebră booleană, A..

Conform teoremei Loomis-Sikorski, ea este izomorfă cu o σ-algebră de părți, A = P(Ω).

1.2. Definiția clasică a probabilității (seminar)

Să considerăm o experiență τ, căreia îi corespunde evenimentul sigur Ω = { ω 1 ,ω 2 , … , ω n } .

Fie P(Ω) mulțimea evenimentelor asociate experienței τ.
Definiția 1.2.1. Spunem ca ω 1 ∈Ω este un ”caz favorabil” evenimentului A daca ω 1 ∈ A .
Definiția 1.2.2. Numim probabilitatea evenimentului A, notată P(A), raportul dintre
numărul cazurilor favorabile evenimentului A și numărul cazurilor egal posibile.

Astfel, daca Ω ={ ω 1 ,ω 2 , … , ω n }și A={ ω i1 , ω i2 , … , ωik } avem:

numărul cazurilor favorabile k
P ( A )= = (1.2.1)
numărul cazurilor posibile n
 Observăm că oricărui eveniment din P(Ω) i se poate asocia numărul real P(A) conform
egalității (1.2.1), adică P:P(Ω)→ R .
Propoziția 2.1. Funcția A∈ P ( Ω ) → P ( A ) , conform (1.2.1), verifică următoarele
proprietăți:
a) P(A)≥0, Ɐ A ∈ P ( Ω );
b) P ( Ω )=1 ;
c) A , B ∈ P ( Ω ) , A ∩ B=∅ → P ( A ∪ B ) =P ( A )+ P ( B ) .

Ex 1: Aratati ca :
i)P(A) ∈ [0,1],A∈Ƥ(Ω);
ii)P(Ø)=0
iii)A.B∈Ƥ(Ω),B⊂A⟹Ƥ(A/B)=P(A)-P(B);
iv)(∀)A,B∈Ƥ(Ω)⟹P(A ∪B)=P(A)+P(B)-(A ∩ B).
Rezolvare i)  A∩Ƥ(Ω) si k numarul cazurilor favorabile evenimentului A.
Avem 0≤k≤n, si aplicand 1.2.1,obtinem i)
ii)Pentru Ø∈Ƥ(Ω) numarul k al cazurilor favorabile este 0,deci Ƥ(Ø)=0
iii) Fie, A.B ∈ Ƥ(Ω), A={ωi1, ωi2 ,...,ωjs}, B={ωj1 ,ωj2,...ωjs}⊂A.
Multimea A /B contine r-s elemente,si deci: P(A/B)=
r +s−q r s
¿ = − =P ( A )−P( B)
n n n
iv) Fie A={ωi1, ωi2 ,...,ωir}, B={ωj1 ,ωj2,...ωjs}. Evenimentul A∪B={ωk1, ωk2 ,...,ωkq},,
A∪B contine r+s-q cazuri favorabile. Prin urmare:
P
 7. Evenimente independente și evenimente dependente

Două evenimente se numesc independente dacă probabilitatea unuia dintre ele nu depinde
de faptul că celălalt eveniment s-a produs sau nu.
Două evenimente se numesc dependente dacă probabilitatea unuia dintre ele depinde de
faptul că celălalt s-a produs sau nu.

8. Teorema înmulțirii probabilităților evenimentelor independente

Fiind date doua evenimente A și B, se numește intersecție a acestor doua evenimente și se

notează A∩B evenimentul care constă în producerea simultană a evenimentelor A și B.
În cazul a două evenimente incompatibile, intersecția lor este evenimentul imposibil.
Teoremă. Probabilitatea producerii simultane a evenimentelor independente A și B este
egală cu produsul probabilităților acestor evenimente:
P(A∩B) = P(A)P(B).
Demonstrație. Să notăm:
n – numărul rezultatelor incompatibile egal posibile ale experimentului în urma căruia se poate
produce evenimentul A;
m – numărul rezultatelor favorabile producerii evenimentului A(m≤n);
n’ – numărul rezultatelor incompatibile egal posibile ale experimentului în urma căruia se poate
produce evenimentul B;
m’ – numărul rezultatelor favorabile producerii evenimentului B(m’≤n’).
Numărul rezultatelor incompatibile egal posibile ale experimentelor în care se produc fie
A și B, fie A și CB, fie CA și B, fie CA și CB este egal cu nn’. Într-adevăr, fiecare din cele n
rezultate egal posibile alea experimentului în care poate să se producă evenimentul A poate fi
asociat cu fiecare din cele n’ rezultate egal posibile ale experimentului în care poate să se
producă evenimentul B.
Dintre aceste nn’ rezultate egal posibile sunt favorabile producerii simultane a
evenimentelor A și B un număr de mm’ rezultate. Într-adevăr, fiecare din cele m rezultate
favorabile producerii evenimentului A poate fi asociat cu fiecare din cele m’ rezultate favorabile
producerii evenimentului B.
 Prin urmare probabilitatea producerii simultane a evenimentelor A și B este
’
mm m m ’
P ( A ∩B )= ’ = ∙ .
nn n n’
m m’
Ținând seama că =P ( A ) , =P ( B ) ,obținem P(A∩B) = P(A)P(B).
n n’
Mai multe evenimente se numesc independente în totalitatea lor dacă fiecare dintre ele și
orice intersecție a celorlalte sunt evenimente independente.
Consecință. Probabilitatea producerii simultane a mai multor evenimente independente în
totalitatea lor este egală cu produsul probabilităților acestor evenimente.

9. Probabilitate condiționată

Se numește probabilitate condiționată a evenimentului B de către evenimentul A și se

notează PA(B), probabilitate evenimentului B calculată în ipoteza că evenimentul A s-a produs.
Din definiția evenimentelor independente rezultă că dacă A și B sunt independente,
atunci PA(B) = P(B), PB(A) = P(A).
Prin urmare, pentru evenimentele independent, probabilitățile condiționate sunt egale cu
cele necondiționate.

10. Teorema înmulțirii probabilităților evenimentelor dependente

Teoremă. Probabilitatea producerii simultane a două evenimente dependente A și B este

egală cu produsul dintre probabilitatea unui dintre ele și probabilitatea condiționată de aceasta a
celuilalt eveniment.
P(A∩B) = P(A)PA(B)
Demonstrație. Să notăm:
n – numărul rezultatelor incompatibile egal posibile ale experimentului ăn urma căruia se pot
produce evenimentele A și B;
m – numărul rezultatelor favorabile producerii evenimentului A(m≤n);
m’ – numărul rezultatelor favorabile producerii evenimentului B în ipoteza că evenimentul A s-a
produs (m’ ≤ m).
 ’
m m m’
Probabilitatea producerii simultane a evenimentelor A și B este P ( A ∩B )= = ∙ .
n n m
m m’
Ținând seama că =P ( A ) , =P A ( B ) , obținem P(A∩B) = P(A)PA(B).
n m
P( A ∩ B)
Din teoremă rezultă că P A ( B )= dacă P(A) ≠ 0. Această egalitate poate fi luată
P( A )
ca definiție a probabilități condiționate.

11. Formula probabilității totale

Teoremă. Probabilitatea unui eveniment B care poate să se producă condiționat de unul

din evenimentele A1,A2, ..., Ar care formează un sistem complet de evenimente este egală cu
suma produselor dintre probabilitățile acestor evenimente și probabilitățile condiționate
corespunzătoare ale evenimentului B:

P(B) = P(A1) P A1 ( B )+ P ( A 2 ) P A 2 ( B ) +…+ P ( A r ) P Ar ( B ) .

Această relație se numește ,,formula probabilității totale“.

12. Formula lui Bernoulli

Să presupunem că se fac n experimente independente, în fiecare din experimente

probabilitatea de apariție a unui eveniment A, fiind constantă și egala cu p (prin urmare
probabilitatea ca A să nu se producă este q = 1 – p).
În multe probleme practice trebuie să cunoaștem probabilitatea ca în k dintre cele n
experimente evenimentul A să se producă și prin urmare în n-k experimente să nu se producă.
Să notăm probabilitatea căutată cu Pn(k). Probabilitatea unei succesiuni de tipul celor de
mai înainte în care A apare de k ori iar CA de n – k ori este egala cu pkqn-k în virtutea consecinșei
teoremei înmulțirii probabilităților evenimentelor independente. Numărul succesiunilor distincte
în care A apare de k ori iar CA de n-k ori este evident C kn. Cum aceste succesiuni distincte sunt
incomparabile, în virtutea consecinței teoremei de adunare a probabilităților evenimentelor
incompatibile, vom avea Pn ( k )=C kn p k qn−k .

Această relație se numește ,,formula lui Bernoulli“.

2. Variabile aleatoare
1. Definiția variabile aleatoare
 În general se numește variabilă aleatoare o mărime care ăn funcție de rezultatul unui
experiment poate lua o valoare dintr-o mulțime bine definită de valori.
În continuare, vom nota variabilele aleatoare cu literele ξ , η ,… , iar valorile lor posibile în
mod corespunzător cu x1,x2, ... ,xn; y1,y2, ..., ym, ...

2. Variabile aleatoare discrete și variabile aleatoare continue

Se numește discretă (discontinuă) o variabilă aleatoare care poate lua numai valori
izolate. Numărul valorilor posibile ale unei variabile aleatoare discrete ξ poate fi finit sau infinit.
Noi vom considera aproape fără excepție numai variabile aleatoare discrete cu un număr finit de
valori întrucât trecerea la o infinitate de valori se face automat înlocuind sumele prin serii.
Se numește continuă o variabila aleatoare ale cărei valori posibile umplu un interval finit
sau infinit. Evident, numărul valorilor posibile ale unei variabile aleatoare continue este
întotdeauna infinit.

3.Repartiția unei variabile aleatoare discrete

La prima vedere s-ar părea că pentru a ne da o variabilă aleatoare discretă este suficient
să enumerăm toate valorile posibile pe care ea le poate lua. În realitate nu este așa întrucât mai
multe variabile aleatoare discrete pot avea aceleași valori posibile însă probabilitățile de a lua o
aceeași valoare sunt diferite de la o variabilă aleatoare la alta. De aceea, pentru definirea unei
variabile aleatoare discrete nu este suficient să enumerăm toate valorile ei posibile ci trebuie să
cunoaștem și probabilitățile acestora.
Se numește repartiție a unei variabile aleatoare discrete enumerarea valorilor posibile ale
variabilei aleatoare și a probabilităților corespunzătoarea acestora.
x1 x2 … xn x
ξ:
( )
p1 p 2 … pn ()
pe scurt ξ i , 1≤ i≤ n .
pi

Ținând seama că într-un experiment variabila aleatoare ia una și numai una din valorile
sale posibile, rezultă că evenimentele care constau în aceea că variabila ξ ia valorile x 1 sau x 2...
sau x n formează un sistem complet de evenimente. Prin urmare, suma probabilităților acestor
evenimente este egală cu unitatea p1 + p2+ …+ pn=1.

4.Operații cu variabile aleatoare discrete. Noțiunea de independență

 Prin definiție puterea de ordinul k a variabilei aleatoare ξ este variabila aleatoare ξ k cu
k k k
ξ : x1 x2 … xn .
repartiția
k
(p1 p 2 … pn )
De asemenea, daca a este un număr real, produsul dintre a și ξ este variabila aleatoare a ξ
a x 1 ax 2 … ax n
cu repartiția a ξ : (
p1 p2 … p n )
.

Să definim acum suma și produsul a două variabile aleatoare. Fie ξ și η doua variabile
aleatoare având respectiv repartițiile

x1 x2 … xn y y … ym
ξ:
( p1 p 2 … pn și ) (
η : 1' 2'
p 1 p2 … p 'm
. )
Să considerăm evenimentul care constă în aceea că ξ ia valoarea x i, 1 ≤ i ≤ n și η ia
valoarea y j, 1 ≤ j ≤ m. Acest eveniment pe care-l notăm ( ξ=x i , η= y j ¿ și care nu este altceva
decât intersecția evenimentelor (ξ=x i ¿ și (η= y j ) costând în aceea că ξ ia valoarea x irespectiv η ia
valoarea y jare o probabilitate bine determinată P(ξ=x i , η= y j ¿= pij .

Cum evenimentele (ξ=x i , η= y j ¿ , x i, 1 ≤ i ≤ n, y j, 1 ≤ j ≤ m în număr de nm formează un

sistem complet de evenimente, vom aveam
n m

∑ ∑ p ij=1.
i=1 j=1

Prin definiție, variabila aleatoare ξ +ηeste variabila aleatoare cu repartiția

( x +p y ) ,1 ≤i ≤ n ,1 ≤ j≤ m .
i

ij
j

De asemenea prin definiție, variabila aleatoare ξη este variabila aleatoare cu repartiția

xi y j
( )pij
, 1 ≤i ≤n , 1 ≤ j≤ m.

5. Repartiția binomială

Să presupunem că se fac n experimente independente, în fiecare din experimente

probabilitatea de apariție a unui eveniment A fiind constantă și egală cu p( prin urmare,
probabilitatea ca A să nu apară este q = 1- p). Numărul de apariții ale evenimentul A în cele n
experimente este o variabilă aleatoare ξ (n ). Valorile posibile ale lui ξ (n ) sunt 0, 1, ..., n. Într-
adevăr, evenimentul A poate să nu apară niciodată sau poate să apară doar o dată, de două
ori, ... , de n ori în cele n experimente. Probabilitățile valorilor lui ξ (n ) se găsesc aplicând formula
lui Bernoulli care ne dă probabilitatea apariției evenimentului A de k ori în n experimente
independente:
k k n−k
Pn ( k )=C n p q

Deci repartiția lui ξ (n ) este

n n−1 … k …0
ξ (n ) :
( n n−1 k k n−k
p np q … C n p q … q
n
)
Această repartiție se numește binomială.

6. Valoarea medie a unei variabile aleatoare discrete

Valoarea medie este suficientă pentru rezolvarea multor probleme. De exemplu, dacă se
știe că valoarea medie a numărului de puncte obținute de un trăgător este mai mare decât
valoarea medie a numărului de puncte obținute de un al doilea trăgător, atunci putem spune că
primul trăgător trage mai bine decât al doilea.
Prin definiție, valoarea medie (media) unei variabile aleatoare cu repartiția
x1 x2 … xn
ξ:
( p1 p 2 … pn )
este egală cu suma produselor dintre valorile ei posibile și probabilitățile corespunzătoare. Deci
dacă notăm M(ξ ) media lui ξ , avem prin definiție
n
M ( ξ )=x 1 p1 +…+ x n p n=∑ x i pi
i−1
 8. Proprietățile mediei

Proprietatea 1. Media undei constante a este egală cu a:

M(a)=a.
Demonstrație. Constanta a poate fi considerată ca o variabilă aleatoare discretă care ia o
singură valoare a cu probabilitatea p=1. Prin urmare
M(a) = a*1 = a.
Proprietate 2. Media produsului dintre o constantă a și o variabilă aleatoare ξ este egală
cu produsul dintre a și media lui ξ :
M(a ξ ) = aM(ξ ¿
Proprietatea 3. Media sumei a două variabile aleatoare este egală cu suma mediilor celor
două variabile aleatoare:
M(ξ +η ¿=M ( ξ ) + M ( η ) .
Din proprietatea 3 se observă că media unei sume de variabile aleatoare este egală cu
suma mediilor variabilelor aleatoare.
Proprietatea 4. Media produsului a două variabile aleatoare independente este egală cu
produsul mediilor celor două variabile aleatoare.
M(ξη ¿=M ( ξ ) M ( η ) .
Din proprietatea 4 rezultă că media unui produs de variabile aleatoare independente este
egală cu produsul mediilor variabilelor aleatoare.
Teoremă. Media variabilei aleatoare ξ (n ) cu repartiție binomială este egală cu np.

9. Dispersia unei variabile aleatoare discrete

Fie ξ o variabilă aleatoare și M(ξ ¿ media sa. Să considerăm variabila aleatoare ξ−M ( ξ),
care se numește abaterea variabilei aleatoare față de media sa (pe scurt abatere). Dacă ξ are
repartiția
x 1 x2 … xn
ξ:
( p1 p 2 … pn )
atunci abaterea ξ−M (ξ) are repartiția
 x 1−M ( ξ ) x 2−M (ξ)… x n−M (ξ)
ξ−M ( ξ ) :
( p1 p2 … pn )
Se vede că M(
ξ−M ( ξ)¿=( x1 −M (ξ)) p1 +( x2 −M (ξ)) p2 +…+( x n−M (ξ )) pn=x 1 p1 + x 2 p2 +…+ xn pn−M (ξ)( p1 + p2+ …+ pn )=

Acest rezultat ne arată că pentru a măsura împrăștierea valorilor variabilei aleatoare față
de media sa nu putem folosi valoarea mediei a abaterii, aceasta fiind întotdeauna zero. Din
această cauză, ca o măsură a împrăștierii valorilor variabilei aleatoare față de media sa se
folosește dispersia notată cu D2(ξ ¿care prin definiție este valoarea medie a pătratului abaterii
ξ−M ( ξ ) :

D 2 ( ξ )=M ( ξ−M ( ξ ) ) .

Cu alte cuvinte, dispersia este diferența dintre media pătratului variabilei aleatoare și
pătratul mediei variabile aleatoare.

10. Proprietățile dispersiei

Proprietatea 1. Dispersia unei constante a este egală cu zero:

D 2 ( a )=0
Proprietatea 2. Dispersia produsului dintre o constantă a și o variabilă aleatoare ξ este
egală cu produsul dintre pătratul constantei și dispersia lui ξ :

D 2 ( aξ )=a2 D 2 ( ξ ) .
Proprietatea 3. Dispersia sumei a două variabile aleatoare independente este egală cu
suma dispersiilor celor două variabile aleatoare:
2 2 2
D ( ξ+ η )=D ( ξ )+ D ( η ) .
Consecința 1. Dispersia unei sume de variabile aleatoare independente este egală cu suma
dispersiilor aleatoare.
Consecința 2. Dispersia sumei dintre o constantă a și o variabilă aleatoare ξ este egală cu
dispersia lui ξ :
2 2
D ( a+ξ )=D ( ξ ).

Teoremă. Dispersia variabilei aleatoare ξ (n )cu repartiție binomială este egală cu npq.

11. Abaterea medie pătratică

 Se numește abatere medie pătratică a unei variabile aleatoare rădăcina pătrată din
dispersia variabilei aleatoare. Prin urmare, abaterea medie pătratică a variabilei aleatoare ξ este

√ D2 ( ξ ) =D ( ξ ) .
Spre deosebire de dispersie, abaterea medie pătratică se exprimă în aceleași unități de
măsură ca și variabila aleatoare.

12. Variabile aleatoare independente cu aceeași repartiție

Pe baza proprietăților mediei și dispersiei putem rezolva următoarea problemă a cărei

importanță reiese din cele ce urmează: fie n variabile aleatoare independente η1 , … , ηn având
aceeași repartiție
y1 y2 … ym
( '
p p …
1
'
2 p'm )
și să notăm
η1+ η2+ …+ηn
η=
n
media lor aritmetică.
Se știe, că, de obicei, pentru măsurarea unei mărimi fizice se fac mai multe măsurători și
apoi se calculează media aritmetică a rezultatelor obținute care se ia ca valoare aproximativă a
mărimii măsurate. Într-adevăr, rezultatul fiecărei măsurători depinzând de mulți factori
întâmplători, trebuie să considerăm că rezultatele posibile ale celor n măsurători sunt n variabile
aleatoare η1 , … , ηn. Aceste variabile aleatoare au aceeași repartiție întrucât măsurătorile se fac
după aceeași metodă și cu aceleași aparate. În afară de aceasta ele sunt independente, rezultatul
unei măsurători nedepinzând de rezultatele celorlalte măsurători. Dispersia mediei aritmetice a
măsurătorilor va fi de n ori mai mică decât dispersia unei singure măsurători. Aceasta înseamnă
că media aritmetică dă un rezultat mai exact decât măsurătorile separate.

13. Momentele unei variabile aleatoare

În unele probleme este util să cunoaștem valorile momentelor de diferite ordine ale unei
variabile aleatoare ξ . Aceste momente sunt valori tipice ale variabilei aleatoare. Există două
feluri de momente: momente inițiale și momente contrate.
 Momentul inițial de ordinul K al variabilei aleatoare ξ este media variabilei aleatoare ξ k

α k =M ( ξ k ) .

În particular
α 1=M (ξ )

α 2=M ( ξ 2) .

Folosind aceste momente, formula pentru calcului dispersiei se poate scrie

2 2
D (ξ )=α 2−α 1.

Momentul centrat de ordinul K al variabilei aleatoare ξ este media variabilei aleatoare

k
[ ξ−M (ξ ) ]
k
μk =M [(ξ−M ( ξ ) ) ]

Seminar 3

Fie Ω evenimentul sigur și fie P(Ω) mulțimea părților lui Ω.

Definiția 1.31. O familie nevidă de părți ale lui Ω, notate K, se numește corp dacă
verifică axiomele:
K1) A ∈ K → A c ∈ K ;
K2) A , B ∈ K → A ∪ B ∈ K .
Propoziția 1.3.1. Orice corp verifică următoarele proprietăți:
1) Ω∈K ;
2) ∅∈K ;
3) ( ∀ ) A , B ∈ K → A ∩ B∈ K ;
4) (∀ ) A , B ∈ K → A ∖ B ∈ K ;
5) ( ∀ ) Ai ∈ K , i=1 , n→ ¿ i=1 ¿ n A i ∈ K ;
6) ( ∀ ) Ai ∈ K , i=1 , n→ ¿ i=1 ¿ n A i ∈ K .

Definiția 1.3.2. Evenimentul sigur înzestrat cu un cord de părți, notat (Ω,K), se numește
câmp de evenimente.
Definiția 1.3.3. O familie K nevidă de părți ale lui Ω se numește corp borelian sau σ -
corp dacă satisface axiomele:
k1) A ∈ K → A c ∈ K ;
 ¿
k2) An ∈ K , n ∈ N →¿ n=1¿ ∞ An ∈ K .
Propoziția 1.3.2. Orice corp borelian este corp.
¿
Propoziția 1.3.3. Fie K un corp borelian de evenimente. Dacă { A n , n ∈ N } este un șir de
evenimente din K, atunci:
a) ¿ n=1¿ ∞ An ∈ K ;
b) lim ¿ A n ∈ K ;
n→∞

c) nlim
→∞
inf An ∈ K .

Definiția 1.3.4. Evenimentul sigur înzestrat cu un corp borelian de părți se numește câmp
borelian de evenimente, notat (Ω,K).

1.4. Probabilitate aditivă (seminar)

Fie (Ω,K) un câmp (borelian) de evenimente.

Definiția 1.4.1. O aplicație P : K → R se numește probabilitate finit aditivă dacă:
p1) P(A)≥0 oricare ar fi A∈ K ;
p2) P(Ω) = 1;
p3) P ( A ∪ B )=P ( A ) + P ( B ) oricare ar fi A , B ∈ K incompatibile ( A ∩B=∅ ) .
Propoziția 1.4.1. Dacă P : K → R este o probabilitate aditivă atunci:
1) P(∅ ¿ = 0;
2) A , B ∈ K , B ⊂ A → P ( A ∖ B )=P ( A )−P ( B ) ;
3) A , B ∈ K , B ⊂ A → P ( A )≥ P (B );
c
4) A ∈ K → P ( A )+ P ( A ) =1.
Corolar. Pentru orice A ∈ K are loc dubla inegalitate:
0 ≤ P(A) ≤ 1
Lema 1.4.1. Fie Ak ∈ K , k =1 , n. Construim șirul de evenimente Bk , k=1 , n:

B 1= A 1
{B k = Ak ∖ i=1 ¿ k −1 Ai , k =2, n ¿
¿
Sunt adevărate următoarele afirmații:
a) Bk ⊂ A k , k =1 ,n
 b) Br ∩ Bs=∅ , ( ∀ ) r ≠ s , r , s=1 , n
c) ¿ k =1¿ n¿ ¿ k=1 ¿ n B k ¿

Propoziția 1.4.2. Fie Ak ∈ K , k =1 , n. Sunt adevărate afirmațiile:

n n
a) P ( ¿ k =1¿ n A k )=∑ P (A k ); b) P( ¿ k =1 ¿ n A k ) ≤ ∑ P ( A k ) după cum evenimentele
k=1 k=1
sunt mutual incompatibile a) sau oarecare b).
Definiția 1.4.2. Un câmp de evenimente (Ω,K) pe care s-a definit o probabilitate aditivă
P se numește câmp de probabilitate și se notează (Ω,K,P).
Fie (Ω,K) un câmp borelian de evenimente.
Definiția 1.5.1. O aplicație P : K → R se numește probabilitate σ -aditivă dacă sunt
satisfăcute axiomele:
p1) P(A) ≥ 0, oricare ar fi A∈ K ;
p2) P(Ω) = 1;
p3) oricare ar fi șirul de evenimente ( An )n ∈ N din K, mutual incompatibile, are loc
∞
egalitatea P(¿ n=1¿ ∞ An ¿=∑ P( An ).
n=1

Observația 1.5.1. O probabilitate σ -aditivă se numește și numărabil aditivă.

Definiția 1.5.2. Un câmp borelian de evenimente pe care s-a definit o probabilitate σ -
aditivă se numește câmp borelian de probabilitate, notat (Ω,K,P).
Propoziția 1.5.1. Dacă P este o probabilitate σ -aditivă atunci: P(∅) = 0.
Propoziția 1.5.2. O probabilitate σ -aditivă este aditivă.
Observația 1.5.2. Din propoziția 1.5.2. rezultă că o probabilitate σ -aditivă verifică toate
proprietățile unei probabilități aditive.
Propoziția 1.5.3. Dacă P este o probabilitate numărabil aditivă atunci P este numărabil
subaditivă.
Teorema 1.5.1. Dacă P este o probabilitate σ -aditivă atunci, pentru orice șir ascendent
( An )n ∈ N de evenimente din K, are loc egalitatea:

P ( ¿ n=1 ¿ ∞ A n) =lim P( An ).
n→∞

Teorema 1.5.2. Dacă P este o probabilitate σ -aditivă atunci, pentru orice șir descendent
( An )n ∈ N de evenimente din K, are loc egalitatea:

P ( ¿ n=1 ¿ ∞ A n) =lim P( An )
n→∞
 Teorema 1.5.3. Dacă P este o probabilitate aditivă cu proprietatea că, oricare ar fi șirul
ascendent ( An )n ∈ N de evenimente din K, are loc egalitatea:

P(nlim
→∞
A n ¿= lim P( A n) atunci P este σ -aditivă.
n→ ∞

Teorema 1.5.4. Dacă P este o probabilitatea aditivă cu proprietatea că, oricare ar fi șirul
( An )n ∈ N descendent de evenimente din K, are loc egalitatea:

P(nlim
→∞
A n ¿= lim P( A n) atunci P este σ -aditivă.
n→ ∞

Teorema 1.5.5. (Inegalitatea lui Boole) Fie { Ai , i∈ I } o familie cel mult numărabilă de
evenimente din K. Are loc egalitatea:
P¿
Corolarul 1.5.1. Fie Ai ∈ K , i=1 , n .Are loc egalitatea:
P¿

Teorema 1.5.6. (Formula lui Poincaré) Fie Ai ∈ K , i=1 , n .Are loc egalitatea:
P¿
 14. Funcția de repartiție a unei variabile aleatoare

Am văzut că o variabila aleatoare discretă este caracterizată de repartiția ei. Acest mod de
a ne da o variabilă aleatoare nu este general, el nefiind valabil pentru variabilele aleatoare
continue. Într-adevăr, să considerăm o variabilă aleatoare ξ ale cărei valori posibile umplu un
interval ( a , b )1 . Evident nu se poate să enumerăm toate valorile posibile ale lui ξ . Acest fapt ne
arată că trebuie găsit un mod general de definire a ambelor tipuri de variabile aleatoare. În acest
scop se introduce funcția de repartiție.
Fie x un număr real. Vom nota cu F(x) probabilitatea evenimentului ( ξ <¿ x) care constă
în aceea că ξ ia o valoarea mai mică decât x. Dacă x variază, în general se va schimba și F(x),
adică F(x) este funcție de x.
Funcția F(x) definită ca probabilitatea evenimentului (ξ <¿ x)
F(x) = P(ξ <¿ x)
se numește funcția de repartiție a variabilei aleatoare ξ .
Acum putem da o definiție mai precisă a variabilei aleatoare continue: o variabilă
aleatoare se numește continuă dacă funcția ei de repartiție F(x) este continuă.

15. Proprietățile funcției de repartiție

Proprietatea 1. Valorile funcției de repartiție aparțin segmentului [ 0,1 ] :

0 ≤ F ( x ) ≤ 1.
Proprietatea 2. Funcția de repartiție este o funcție nedescrescătoare, adică
F ( x 2 ) ≥ F ( x1 ) dacă x 2 > x 1 .

Proprietatea 3. Dacă valorile posibile alea variabilei aleatoare ξ aparțin intervalului

(a.b), atunci:
F ( x )=0 pentru x ≤ a ,
F ( x )=1 pentru x >b .

16. Graficul funcției de repartiție

 Proprietățile demonstrate mai înainte ne permit să descriem graficul funcției de repartiție.
Graficul este conținut în fâșia din plan mărginită de dreptele y = 0 și y = 1 (proprietatea
1), Când x crește de la a la b, graficul are o alură crescătoare (proprietatea 2). Pentru x ≤ a,
ordonatele graficului sunt nule iar pentru x ¿ b ordonatele graficului sunt egale cu unitatea
(proprietatea 3).
În fig. 1 este desenat graficul funcției de repartiție a unei variabile aleatoare continue.

Fig. 1.

17. Densitatea de probabilitatea

Se numește densitatea de probabilitatea prima derivată (dacă există) a funcției de

repartiție F(x):
'
f ( x )=F ( x ) .
Din definiție rezultă că f(x) ≥ 0, ca derivată a unei funcții nedescrescătoare și că funcția
de repartiție F(x) este o primitivă a densității de probabilitatea f(x). Trebuie să observăm că
pentru variabile aleatoare discrete densitatea de probabilitate nu există niciodată.
Teoremă. Probabilitatea ca variabila aleatoare continuă ξ să ia o valoare din intervalul
( x 1 , x 2 ) este egală cu integrala densității de probabilitate pe intervalul ( x 1 , x 2 )
x2

P ( x 1< ξ< x 2 )=∫ f ( x ) dx .

x1
 Proprietățile caracteristice alea unei densități de probabilitate f(x) sunt
+∞
f ( x ) ≥ 0 și ∫ f ( x ) dx=1.
−∞

18. Definirea valorilor tipice pentru variabile aleatoare continue

Să presupunem cp variabila aleatoare continuă ξ ia valori în intervalul (a, b) și are

densitatea de probabilitatea f(x). Vom arăta mai întâi cum se definește media lui ξ . Divizăm
intervalul (a, b) în n intervale parțiale ale căror lungimi le notăm cu Δ x 1 , Δ x 2 , … , Δ x n. Alegem
în fiecare interval parțial un punct și notăm cu x 1 , x 2 , … , x n abscisele punctelor alese. Modul în
care am definit media unei variabile aleatoare discrete ne conduce să considerăm suma
x 1 f (x ¿¿ 1) Δ x 1 + x 2 f ( x 2) Δ x 2+ …+ x n f (x n) Δ x n ¿

Trecând la limită când cea mai mare dintre lungimile Δ x 1 , Δ x 2 , … , Δ x n.tinde la zero,
obținem integrala definită
b

∫ xf ( x ) dx .
a

se ajunge la următoarea definiție: media unei variabile aleatoare continue care ia valori în
intervalul (a, b) și a cărei densitatea de probabilitate este f(x) este integrală definită de la a la b
a produsului x*f(x):
b
M ( ξ )=∫ xf ( x ) dx .
a

Prin analogie cu definiția dispersiei unei variabile aleatoare discrete, dispersia variabilei
aleatoare continue ξ este media pătratului abaterii lui ξ :
b
2 2
D ( ξ )=∫ [ x−M ( ξ ) ] f ( x ) dx .
a

De asemenea, momentul inițial de ordinul k va fi

b
α k =∫ x k f ( x ) dx ,
a

Iar momentul centrat de ordinul k va fi

b
k
μk =∫ [ x −M ( ξ ) ] f ( x ) dx .
a
 Se poate arăta că proprietățile mediei și dispersiei variabilelor aleatoare discrete, se
păstrează și pentru variabilele aleatoare continue.

19. Funcția de repartiție normală

Funcția de repartiție normală, fundamentală în teoria probabilităților și în aplicațiile ei,

este definită prin densitatea de probabilitate
2
−(x−m)
1 2σ
2

f ( x ; m, σ )= e ,−∞< x < ∞
σ √2π
unde m și σ > 0 sunt doi parametri a căror interpretare o vom da în cele ce urmează.
 G r a f i
(curba lui Gauss) cu parametrii m și σ .
Toate curbele normale au următoarele
proprietăți comune:
a) Toate curbele admit câte un punct de
maxim, anume x = m, și scad
necontenit la dreapta și la stânga lui
apropiindu-se necontenit de axa
absciselor.
b) Toate curbele sunt simetrice față de o paralelă la axa ordonatelor dusă prin punctul de maxim.
c) Toate curbele
punctului de maxim. În punctele m - σ
ș i m + σ ele își schimbă convexitatea.
Cu cât σ este mai mic, cu atât clopotul
este mai ascuțit iar cu cât σ este mai mare cu atât clopotul este mai turtit. Schimbarea lui m ( σ
rămânând constant) nu revine decât la o translație și deci forma curbei nu se modifică.

20. Alte funcții de repartiție continue clasice

Funcția de repartiție χ 2 .În probleme de statistică matematică intervin sume de pătrate de

variabile aleatoare independente normale cu media 0 și abaterea medie pătratică σ . Funcția de
repartiție a unei astfel de sume se numește funcție de repartiție χ 2 . Ea a fost descoperită de
astronomul F. R. Helmert în 1876 și pusă în valoare cu 30 de ani mai târziu de K. Pearson.
Pentru a preciza, fie ξ 1 ,ξ 2 , … , ξn , n variabile aleatoare independente normale cu parametrii 0 și σ .

2. Repartiția Gama
Repartiția Gama este definită prin densitatea de probabilitate
−m m−1
x x
f ( x )= , 0≤ x <∞ , m> 0.
Γ (m)
După forma sa, ea aparține tipului 3 de curbe Pearson.
Teorema 1. Dacă variabilele aleatoare independente ξ 1 și ξ2 aparțin respectiv claselor
γ ( m1 ) și γ ( m2 ) atunci suma ξ 1 +ξ 2 aparține clasei γ ( m1+ m2 ) .

3. Repartiția Beta
 Repartiția Beta este definită prin densitatea de probabilitate

x m−1 (1−x )n−1

f ( x )= , 0≤ x ≤ 1 , m>0 ,n> 0.
B(m , n)
După forma sa, ea aparține tipului 1 de curbe Pearson. Evident, f(x) este o densitate de
probabilitate întrucât
1

∫ x m−1 (1−x )n−1 dx=B (m, n)

0

Teorema 2. Dacă variabilele aleatoare independente ξ 1 și ξ2 aparțin respectiv claselor

ξ1
γ ( m )și γ ( n ), atunci variabila η= aparține clasei β ( m, n ) .
ξ m + ξn

4. Repartiția χ 2

Repartiția χ 2este definită prin densitatea de probabilitate

s −x
1 −1 2

f ( x )= s
x 2 e 2 σ 0 ≤ x <∞
2 σ2 Γ
2
( 2s )
unde s este un număr natural dat numit numărului gradelor de libertate iar σ > 0 un număr dat.
Se verifică imediat că
∞

∫ f ( x ) dx=1.
0

Densitatea de probabilitatea aparține tipului 3 de curbe Pearson.

Vom nota H(s, σ ) mulțimea tuturor variabilelor aleatoare a căror densitate de
1
probabilitate este dată de χ 2 . Pentru m natural, H(2m, ¿=γ ( m ) .
√2
5. Repartiția Student
Repartiția Student este definită prin densitatea de probabilitate
s+ 1
f ( x )=
Γ( 2 ) x
(1+ )
2 − s+1
2
−∞< x <∞
s 2
√ πs Γ ( )
2

unde s este un număr natural dat numit numărul gradelor de libertate.

 Se verifică imediat că
+∞

∫ f ( x ) dx=1.
−∞

Teorema 3. Fieξ 1 și ξ2 două variabile aleatoare independente care aparțin respectiv

claselor H (f 1 ,σ ) și H ( f 2 , σ) . În aceste condiții variabila
ξ1
f 1 f 2ξ1
φ= =
ξ2 f 1ξ2
f2

aparține clasei S( f 1 , f 2) .

Aplicații

21. Teorema limită centrală

Încă de acum 200 de ani, cercetările teoretice au detectat variabile aleatoare cu caracter
de erori accidentale și care au funcții de repartiție de diverse tipuri.
 În general, erorile de observație inerente oricărei măsurări sau experiment pot fi de două
feluri:
- erori sistematice;
- erori accidentale.
Prin erori sistematice se înțeleg erori datorite imperfecțiunii aparatelor de măsurat. Aceste
erori pot fi corectate.
În teoria probabilităților se demonstrează că dacă o variabilă aleatoare ξ este suma unui
număr mare de variabile aleatoare independente fiecare variabilă având o pondere mică în
sumă, atunci funcția de repartiție a variabilei aleatoare ξ este foarte apropiată de o funcție de
repartiție normală.
De fapt enunțul de mai înainte este un caz particular al unei teoreme celebre cunoscută
sub numele de teorema limită centrală și care în varianta lui A. M. Leapunov se enunță astfel:
Teorema lui A. M. Leapunov. Fie ξ 1 ,ξ 2 , … , ξn variabile aleatoare independente. Să
notăm
3
α k =M ( ξ k ) , σ 2k =D 2 ( ξ k ) , ρ3k =M (|ξ k −mk| ) ,1 ≤ k ≤n
2
σ (n)=σ 21 +σ 22 +…+ σ 2n

ρ3(n)=ρ31 + ρ32+ …+ ρ3n .

Dacă
ρ(n )
lim =0.
n→∞ σ (n )

Teorema limită centrală domină întreaga teorie a erorilor. Laplace, Gauss și alți
cercetători studiind repartiția erorilor au ajuns în a două jumătate a sec. XIX la concluzia că
funcția de repartiție normală poate fi luată drept model teoretic pentru cercetarea probabilistică a
aproape tuturor fenomenelor naturii.

3. Legea numerelor mari

1.Generalități

Cum am subliniat la definirea variabilei aleatoare, nu putem ști înainte de efectuarea

experienței ce valoare va lua variabila aleatoare pe care o studiem. S-ar părea că întrucât despre
fiecare variabilă aleatoare dispunem în acest sens de informații modeste, cu greu am putea stabili
legea după care se comportă media aritmetică a unui număr suficient de mare de variabile
aleatoare. În realitate, situația nu se prezintă astfel. În condiții destul de puțin restrictive, media
aritmetică a unui număr suficient de mare de variabile aleatoare își pierde caracterul întâmplător.
Pentru practică este foarte important să cunoaștem condiții în care acțiunea combinată a
foarte multor factori întâmplători conduce la un rezultat care aproape că nu mai depinde de
întâmplare, deci care să ne permită să prevedem mersul fenomenului studiat. Astfel de condiții se
dau în teoremele care sunt cunoscute sub denumirea comună de legea numerelor mari.

2. Inegalitatea lui Cebîșev

Inegalitatea lui Cebîșev este adevărată atât pentru variabilele aleatoare discrete cât și
pentru cele continue. Pentru simplificare noi vom da demonstrația numi pentru variabile
aleatoare discrete.
Fie ξ o variabilă aleatoare discretă cu repartiția
x 1 x2 … xn
ξ:
( p1 p 2 … pn )
Ne propunem să estimăm probabilitatea evenimentului care constă în aceea că abaterea
variabilei aleatoare ξ nu depășește în valoare absolută un număr pozitiv ε . Dacă ε este suficient
de mic, atunci, în acest mod noi evaluăm probabilitatea evenimentului care constă în aceea că ξ ia
valori apropiate de media ei. Inegalitatea lui Cebîșev răspunde tocmai la această problemă:
probabilitatea ca abaterea variabilei aleatoare ξ să fie în valoare absolută mai mică decât ε este
2
D (ξ )
cel puțin egală cu 1− 3 , sau pe scurt
ε
P ¿.

3. Teorema lui Cebîșev

Teorema lui Cebîșev. Dacă ζ 1 , ζ 2 , … , ζ n sunt variabile aleatoare (discrete sau continue)
independente ale căror dispersii sunt mai mici decât o constantă C, atunci oricare ar fi numărul
pozitiv ε , probabilitatea inegalității

ζ 1 +ζ 2 + …+ ζ n M ( ζ 1 ) + M ( ζ 2 ) + …+ M (ζ n )
| n
+
n | <ε

tinde către 1 dacă numărul variabilelor aleatoare tinde la infinit.

 Adesea, în practică, variabilele ζ 1 , ζ 2 , … , ζ n au aceeași medie a. Pentru acest caz
particular teorema lui Cebîșev se enunță astfel:
Dacă variabilele aleatoare independente ζ 1 , ζ 2 , … , ζ n au aceeași medie a și dacă
dispersiile lor sunt mai mici decât o constantă C, atunci probabilitatea inegalității
ζ 1 +ζ 2 + …+ ζ n
| n |
−a <ε

tinde către 1 dacă numărul n al variabilelor aleatoare tinde la infinit.

Putem trage de aici următoare concluzie: media aritmetică a unui număr suficient de mare
de variabile aleatoare își pierde caracterul de variabilă aleatoare. Explicația acestui fapt constă în
aceea că abaterile diverselor variabile aleatoare sunt unele negative, altele pozitive și astfel ele se
compensează.
Teorema lui Cebîșev explică de asemenea de ce despre calitatea unei cantități mare dintr-
un material omogen putem să ne pronunțăm pe baza unei probe mici în comparație cu întreaga
cantitate. Explicația constă în aceea că proba comportă un număr de măsurători suficient prin el
însuși. În acest fel, pe teorema lui Cebîșev, se bazează mult utilizata metodă selectivă a statisticii.

4. Teorema lui Bernoulli

Teorema lui Bernoulli. Dacă se fac n experimente independente, în fiecare experiment

probabilitatea evenimentului A fiind p, atunci cu o probabilitate oricât de apropiată de 1
abaterea frecvenței relative de apariție a evenimentului A față de p va fi oricât de mică în
valoare cu condiția că numărul n al experimentelor să fie suficient de mare.
Cu alte cuvinte dacă ε este un număr pozitiv arbitrar de mic și notăm cu v numărul de
apariții al evenimentului A în cele n experimente, atunci

v
lim P
n→∞ (| | )
n
− p < ε =1.

Să observăm ca teorema lui Bernoulli nu afirmă că

v
lim =p
n→∞ n
ci numai că pentru n suficient de mare frecvența relativă se va deosebi oricât de puțin, de
probabilitatea p. Pentru a sublinia acest lucru se spune că frecvența relativă tinde în probabilitate
către p.

4. Vectori aleatori bidimensionali

 1.Variabile aleatoare vectoriale

Până acum am considerat variabile aleatoare ale căror valori posibile sunt numere. Aceste
variabile aleatoare se numesc unidimensionale.
În afară de variabilele aleatoare unidimensionale se studiază și variabile aleatoare ale
căror valori posibile sunt sisteme de câte doua, trei, ..., n numere.
Vom nota un vector aleator bidimensional cu (ξ , η¿ . Fiecare din mărimile ξ și η se
numesc componentele vectorului aleator; luate separat, ξ și η sunt variabile aleatoare
unidimensionale.

2. Repartiția unui vector aleator bidimensional discret

Prin repartiție a unui vector aleator bidimensional discret vom înțelege enumerarea
valorilor posibile ale vectorului adică a perechilor de numere reale ( x i , y j) și a probabilităților pij
corespunzătoare, 1 ≤i ≤n , 1 ≤ j≤ m. De obicei, repartiția unui vector aleator bidimensional se scrie
sub forma unui tablou cu dublă intrare:
ξη x1 x2 ... xi ... xn
y1 p1 i p21 ... pi 1 ... pn 1
... ... ... ... ... ... ...
yj p1 j p2 j ... pij ... pnj
... ... ... ... ... ... ...
ym p1 m p2 m ... pℑ ... pnm

Prima linie a tabloului conține toate valorile posibile ale lui ξ iar prima coloană toate
valorile posibile ale lui η. În căsuța aflată la intersecția coloanei cu
x i cu linia y j este trecută probabilitatea pijca vectorul aleator (ξ , η¿ să ia valoarea ( x i , y j ¿ .

Întrucât evenimentele ( ξ=x i , η= y j ) 1 ≤ i ≤ n ,1 ≤ j ≤n , formează un sistem complet de

evenimente, suma tuturor probabilităților din căsuțele tabloului este egală cu 1.

3. Funcția de repartiție a unui vector aleator bidimensional

 Fie x, y o pereche de numere reale. Vom nota cu F(x, y) probabilitatea evenimentului
(ξ < x ,η< y) care constă în aceea că ξ ia o valoare mai mică decât x iar η ia o valoare mai mică
decât y. Dacă x și y variază, în general, se va schimba și F(x, y), este funcție de x și y.
Funcția F(x, y) definită ca probabilitatea evenimentului (ξ < x ,η< y): F(x, y) = P
(ξ < x ,η< y) se numește funcția de repartiție a vectorului aleator bidimensional (ξ , η) .
Geometric, egalitatea de mai înainte poate fi interpretată astfel: F(x, y) este probabilitatea
ca punctul de coordonate ξ , și η să se găsească în domeniul plan hașurat din fig. 3.
Proprietatea 1. Valorile funcției de repartiție F(x, y) aparțin segmentului [ 0 , 1 ]:
0 ≤ F ( x , y ) ≤1.
Proprietatea 2. Funcția de repartiție
F(x, y) este o funcție nedescrescătoare în
raport cu fiecare argument, adică
F ( x 2 , y ) ≥ F ( x 1 , y ) dacă x 2 > x 1 ;

F ( x , y 2) ≥ F ( x , y 1 ) dacă y 2 > y 1 .

Proprietatea 3. Avem
lim F ( x , y )=0 , lim F ( x , y )=0 ,
x→−∞ y →∞

lim F ( x , y ) =0 lim F ( x , y )=1.

x →−∞ x→ ∞
y →−∞ y →∞

Proprietatea 4. Funcția de repartiție a

variabilei ξ este egală cu
F 1 ( x )= lim F ( x , y ) ;
y→∞

funcția de repartiție a variabilei η este egală cu

F 2 ( y )= lim F (x , y).
x →∞

4. Densitatea de probabilitate bidimensională

Se numește densitate de probabilitate dimensională a doua derivată parțială mixtă a

funcției de repartiție F(x, y):

∂2 F ( x , y )
f ( x , y )=
∂x∂y
 Proprietățile densității de probabilitate bidimensionale sunt analoge cu cele ale densității
de probabilitate unidimensionale:
+ ∞ +∞
f ( x , y ) ≥ 0 , ∫ ∫ f ( x , y ) dxdy =1.
−∞ −∞

Teorema. Probabilitatea ca punctul de coordonate ξ și η să se găsească într-un domeniu

plan D este egală cu integrala dublă a densității de probabilitate bidimensională luată pe
domeniul D:
❑
P [ (ξ , η)∈ D ] =∬ f ( x , y ) dxdy
D

Aplicații
 2.3. Variabile aleatoare vectoriale

Fie (Ω,K,P) un câmp borelian de probabilitate.

Definiția 2.3.1. Numim variabilă aleatoare vectorială (n-dimensională) aplicația:

X =( X 1 , X 2 , … , X n ) : Ω→ Rn

ale cărei componente X 1 :Ω → R , i=1 , nsunt variabile aleatoare reale.

Definiția 2.3.2. Funcția F : Rn → R definită prin:

F ( x 1 , … , x n ) =P (X 1 < x 1 , … , X n < x n )
n
pentru orice ( x 1 ,… , x n ) ∈ R se numește funcția de repartiție a variabilei aleatoare
n
X =( X 1 , X 2 , … , X n ) : Ω→ R .

Propoziție 2.3.1. Dacă F : Rn → R este funcția de repartiție a vectorului aleator X: Ω → R n

atunci:
lim F ( x 1 ,… , x n )=1 ;
1) xi → ∞
i=1 , n

2) xlim
→∞
F ( x 1 ,… , x n )=0 , pentru orice i=1 ,n ;
i

3) F este crescătoare în fiecare argument;

4) F este continuă la stânga în fiecare argument.
Observația 2.3.1. Se poate arată că dacă F : Rn → R satisface condițiile atunci există un
câmp borelian de probabilitate (Ω,K,P) și o variabilă aleatoare vectorială
X =( X 1 , X 2 , … , X n ) : Ω→ Ra cărei funcție de repartiție este F.

Observația 2.3.2. Fie F : Rn → R funcția de repartiție a variabilei aleatoare

n
∂ F (x 1 , … , x n)
X =( X 1 , … , X n ). Dacă există f ( x 1 , … , x n ) = și este continuă pe Rn atunci f este
∂ x1, … , ∂ xn
densitatea de repartiție a vectorului aleator X și f verifică proprietățile:
n
a) f ( x 1 , … , x n ) ≥ 0 pe R ;
.

b) ∫ …∫ f ( x 1 , … , x n) ∙ d x 1 ∙ …∙ d xn =1.
n
R
 Observația 2.3.3. Se poate arată că dacă f : R n → R este continuă pe Rn și satisface
condițiile, atunci există un câmp borelian de probabilitate (Ω,K,P) și o variabilă aleatoare
vectorială X :Ω → R n a cărei densitate de repartiție este funcția f.

Definiția 2.3.3. i) Variabila aleatoare vectorială X :Ω → R n este continuă dacă fiecare din
componentele sale este continuă.
ii) Variabila aleatoare X :Ω → R n este discretă dacă X (Ω) ⊂ R n este cel mult
numărabilă.

2.4. Repartiții marginale

Fie (Ω,K,P) un câmp (borelian) de probabilitate și X :Ω → R n o variabilă aleatoare

vectorială cu funcția de repartiție:
F ( x 1 , … , x n ) =P (X 1 < x 1 , … , X n < x n )
n
pentru orice x = ( x 1 ,… , x n ) ∈ R .

Pentru orice i∈ { 1,2 , … ,n } , X i :Ω → R este o variabilă reală, numită componentă a

vectorului aleator X =( X 1 , … , X n ).

Notăm F i ( x i ) , x i ∈ R funcția de repartiție a componentei X i .

F i ( x i )=P( X i < x i) pentru i=1 , n .

Propoziția 2.4.1. Are loc egalitatea:

F i ( x i )= lim F (x 1 , … , x n)
x j→ ∞
j=1 ,n
j ≠1

pentru orice x i ∈ R.
Propoziția 2.4.2. Are loc egalitatea:
F i , …, i ( xi , … , x i ) = lim F(x i , … , x i )
1 n 1 n
xj → ∞
1 n
.
j ∉ {i 1 ,… ,in }

Propoziția 2.4.3. Dacă f : R n → R este densitatea de repartiție a vectorului aleator

X =( X 1 , … , X n ) atunci densitatea marginală în raport cu componenta X i notată f i ( x i ) , xi ∈ R este:
. n
f i ( x i ) = ∫ ∫ f (x 1 , … , x n) ∙ ∏ d x j
R
n−1 j=1
j≠ i
 Propoziția 2.4.4. Probabilitatea pij , i∈ I , j ∈ J verifică proprietățile:

a) pij ≥ 0 oricare ar fi (i, j) ∈ I x J ;

b)
m n

∑ ∑ p ij=1.
i=1 j=1

2.5. Variabile aleatoare independente

Fie (Ω,K,P) un câmp borelian de probabilitate și X i : Ω → R , i=1 , n ,n ≥ 2 variabile

aleatoare.
Definiție 2.5.1. Spunem că variabilele aleatoare X i , i=1 , n ,n ≥ 2 sunt independente dacă
evenimentele:
Ai= { ω| X i (ω)< xi }

sunt independente pentru orice x i ∈ R ,i=1, n.

Propoziția 2.5.1. Variabilele aleatoare X i , i=1 , n ,n ≥ 2 sunt independente dacă și numai

dacă funcția de repartiție a vectorului aleator X =( X 1 , … , X n ) este produsul funcțiilor de repartiție
marginale, adică:
n
F=( x 1 ,… , x n )=∏ Fi (x i )
i=1

n
pentru orice ( x 1 ,… , x n ) ∈ R .

Propoziția 2.5.2. Variabilele aleatoare X i , i=1 , n ,n ≥ 2 sunt independente dacă și numai

dacă densitatea de repartiție a vectorului aleator ( X 1 , … , X n ) este produsul densităților de
repartiție marginale:
n
f ( x 1 , … , x n ) =∏ f i ( xi ) , ( ∀ ) ( x 1 , … , x n ) ∈ Rn
i=1

Definiția 2.5.2. Spunem că variabilele aleatoare (X i , i ∈ 1) sunt (S-K) independente dacă,

oricare ar fi r ∈ N ¿ ,r ≥ 2 și oricare ar fi i 1 , … , i ndin I, variabilele aleatoare X i , … , X i sunt
1 r

independente în sensul definiției 2.5.1.

Definiția 2.5.3. Spunem că variabilele aleatoare (X i , i ∈ 1) sunt mutual independente
dacă, pentru orice i , j∈ I , i≠ j , variabilele aleatoare X i și X j sunt independente.
Observația 2.5.1. (S-K) – independența implică mutual independența. Reciproca nu este
adevărată!
 2.6. Operații cu variabile aleatoare

Fie (Ω,K,P) un câmp (borelian) de probabilitate.

Propoziția 2.6.1. Dacă X :Ω → R este o variabilă aleatoare atunci:
a) a ∙ X , a ∈ R ;
b) | X|;
c) X k , k ∈ N ¿ ;
1
d) , X ≠0;
X
e) √ X , X ≥0
sunt variabile aleatoare.
Lema 2.6.1. Dacă X și Y sunt două variabile aleatoare definite pe același câmp borelian
de probabilitate (Ω,K,P), atunci, pentru orice a ∈ R, mulțimile:

1) { ω| X ( ω ) <Y ( ω )+ a } ;
2) { ω| X ( ω ) ≤Y ( ω )+ a } ;
3) { ω| X ( ω )=Y ( ω ) +a } .

sunt evenimente din K.

Propoziția 2.6.2. Dacă X și Y sunt variabile aleatoare, definite pe același câmp de
probabilitate (Ω,K,P), atunci:
a) X – Y;
b) X + Y;
c) X * Y;
X
d) , Y ≠ 0;
Y
e) max { X , Y } ;
f) m∈ { X ,Y }
sunt variabile aleatoare.

Aplicații