Figure 1: Sistem complet de evenimente asociat lui Ω

seminar 3 probabilităţi]Probabilităţi condiţionate

1 Probabilităţi condiţionate
Definiţia 1. Se numeşte probabilitatea evenimentului A condiţionată de
evenimentul B, numărul p(A/B) = p(A∩B)
p(B) ; formula are sens dacă p(B) ̸= 0.

7 3 6
Exemplu 1. Dacă p(A/B) = 10 ; p(A/CB) = 10 ; p(B/A) = 10 , calculaţi p(A).

Dem. ⟨⟨ -Vom explicita toate datele cu definiţia probabilităţii condiţionate:⟨⟨

p(A/B) = p(A∩B)
p(B) = 10 ⇒ p(A ∩ B) = 10 · p(B);
7 7

p(A∩CB)
p(A/CB) = 3
p(CB) = 10 ⇒ p(A ∩ CB) = 3
10 · p(CB);
p(B∩A)
p(A) = 10 ⇒ p(A ∩ B) = · p(A);
6 6
p(B/A) = 10
⟨⟨ -din prima şi a treia relaţie⟨⟨ ⇒ 10 · p(B) = 10
7 6
· p(A);
⟨⟨ -pentru că vrem să-l aflăm pe p(A), este mai bine să-l determinăm pe p(B)
în funţie de p(A) ⟨⟨ ⇒ p(B) = 67 · p(A);
⟨⟨ -în expresia p(A ∩ CB) recunoaştem imediat:⟨⟨
p(A ∩ CB) = p(A\B) = p(A) − p(A ∩ B) = p(A) − 10 6
· p(A) = 10
4
· p(A);
p(CB) = 1 − p(B) = 1 − 7 · p(A) şi înlocuind în a doua egalitate ⇒
6

10 · p(A) = 10 (1 − 7 · p(A));
4 3 6

⟨⟨ -pentru a vedea mai uşor calculele⟨⟨ notăm p(A) = x ⇒

10 · x = 10 − 70 · x ⇒
4 3 18

( 10 + 70 ) · x = 46
4 18
70 · x = 10 ⇒ x = p(A) = 46 .
3 21

2 Formula probabilităţii totale

şi teorema lui Bayes, sau teorema ipotezelor
⟨⟨ -Vom începe cu un scurt rezumat teoretic.
-Pentru că este mai greu în acest program să se lucreze cu curbe, voi schiţa un
dreptunghi ca în figura 1.⟨⟨

Definiţia 2. Fie (Ω, K, p) un câmp, sau σ-câmp de probabilitate. (Ai )i∈I ,

I ⊂ N , se numeşte sistem complet de evenimente, dacă:
(1) Ai ∩ Aj = ∅, ∀i ̸= j;
∪
(2) Ai = Ω.
i∈I

1
Se observă că un sistem complet de evenimente, realizează o partiţie a lui Ω.
Mulţimea I este finită, sau numărabilă.

⟨⟨ -Teorema care urmează a fost enunţată şi demonstrată la curs.⟨⟨

Teorema 1. (1) (formula probabilităţii totale) Dacă (Ω, K, p) este câmp, sau
σ-câmp de probabilitate, (Ai )i∈I , I ⊂ N , este sistem complet de evenimente şi
A este un eveniment arbitrar, atunci
∑
p(A) = p(Ai ) · p(A/Ai );
i∈I
(2) (teorema lui Bayes, sau teorema ipotezelor) are loc şi egalitatea
p(Ai /A) = p(Ai )·p(A/A
p(A)
i)
, ∀i ∈ I.

Exemplu 1. Se dau trei urne cu structura: prima are 2 bile albe şi 4 bile roşii,
a doua 2 albe şi 8 roşii, a treia 6 albe şi 2 roşii. Se extrage o bilă din una din
urne. Calculaţi: (1)probabilitatea ca bila extrasă să fie albă; (2)dacă bila
extrasă este albă, care este probabilitatea să fie din prima urnă;
(3)probabilitatea ca bila extrasă să fie roşie; (4)dacă bila extrasă este roşie,
care este probabilitatea să fie din a doua urnă.

Dem. (1) Fie evenimentele:

A1 : ”extragerea se face din prima urnă”
A2 : ”extragerea se face din a doua urnă”
A3 : ”extragerea se face din a treia urnă”
A : ”bila extrasă este albă”.
{A1 , A2 , A3 } formează sistem complet de evenimente şi
p(A1 ) = p(A2 ) = p(A3 ) = 13 ;
cu formula probabilităţii totale şi ţinând cont că de exemplu p(A/A1 )
înseamnă probabilitatea de a extrage o bilă albă dacă extragerea se face din
prima urnă, deci p(A/A1 ) = 26 , atunci
p(A) = p(A1 ) · p(A/A1 ) + p(A2 ) · p(A/A2 ) + p(A3 ) · p(A/A3 ) =
= 13 ( 26 + 10
2
+ 68 ) = 180
77
.
(2) Probabilitatea de calculat este
p(A1 /A) = p(A1 )·p(A/A
p(A)
1)
= 13 · 26 · 180 20
77 = 77 .
⟨⟨ -Puteţi încerca să demonstraţi singuri ultimele două cerinţe.⟨⟨
(3)Fie evenimentul B : ”bila extrasă este roşie”.
-Se poate aplica formula probabilităţii totale:
p(B) = p(A1 ) · p(B/A1 ) + p(A2 ) · p(B/A2 ) + p(A3 ) · p(B/A3 ) =
= 13 · ( 46 + 10
8
+ 28 ) = 103
180 .
-A doua soluţie este să observăm că B = CA şi atunci
p(B) = p(CA) = 1 − p(A) = 180 103
.
p(A2 )·p(B/A2 )
(4) Se cere p(A2 /B) = p(B) = 31 · 10
8
· 180 48
103 = 103 .

3 Funcţia de repartiţie a unei variabile aleatoare

⟨⟨ -Reamintim definiţia funcţiei de repartiţie.⟨⟨

2
 
x x x x
x -3 1 2
Figure 2: prima ramură a lui FX

x x x x
-3 x 1 2
Figure 3: a doua ramură a lui FX

Definiţia 1. Dacă (Ω, K, p) este câmp, sau σ−câmp de probabilitate, atunci

funcţia X : Ω → R, care asociază fiecărui element din Ω un număr real, se
numeşte variabilă aleatoare, dacă
{ω ∈ Ω/X(ω) < x} = {X < x} ∈ K, adică este eveniment pentru care se poate
calcula probabilitatea, ∀x ∈ R.
Se defineşte funcţia de repartiţie a v.a. X, ca fiind funcţia
FX : R → R, FX (x) = p(X < x), ∀x ∈ R,
adică FX măsoară probabilitatea acestor mulţimi de mai sus care sunt alese să
fie evenimente. Ele sunt suficiente pentru a calcula probabilitatea ca v.a. X să
ia valori în orice porţiune a dreptei reale.

⟨⟨ -În acest moment, teoretic suntem pregătiţi să rezolvăm o parte din probleme.⟨⟨
( )
−3 1 2
Exemplu 1. Fie v.a. X : 2 5 1 .
8 8 8
Calculaţi (1) funcţia de repartiţie a v.a. X;
(2)p(X > 1); p( 41 ≤ X < 13 ); p(X ≤ 32 ); p(X ≥ 12 ); p(0 < X < 5).

Dem. (1)⟨⟨ Deşi ramurile funcţiei FX : R → R se vor completa pe măsură ce se

calculează, este practic imposibil să fac asta pe un text deja scris, de aceea
scriu de la început ce seobţine de fapt la sfîrşit:⟨⟨

 0, x ≤ −3
 2
FX : R → R, FX (x) = 8 , x ∈ (−3, 1] :


7
, x ∈ (1, 2]
 8
1, x > 2
(a)dacă x ≤ −3, în figura 2 se dă o schiţă;
se observă că X nu ia valori mai mici strict decât x, deci
p(X < x) = p(∅) = 0;
(b)cu figura 3, dacă x ∈ (−3, 1], X ia doar valoarea −3 care este strict mai
mică dacât x,
FX (x) = p(X < x) = p(X = −3) = 28 ;
⟨⟨ reamintim că în tabloul lui X, sub valoarea −3 se trece valoarea cu care este
luată, adică 82 ;⟨⟨
(c)cu figura 4, dacă x ∈ (1, 2], X ia valorile −3 şi 1 care sunt strict mai mici
dacât x,
FX (x) = p(X < x) = p(X = −3 sau X = 1) = p(X = −3) + p(X = 1) =
= 28 + 58 = 78 ;

3
 
x x x x
-3 1 x 2
Figure 4: a treia ramură a lui FX

x x x x
-3 1 2 x
Figure 5: a patra ramură a lui FX

(d)cu figura 5, dacă x > 2, X ia valorile −3, 1 şi 2 care sunt strict mai mici
dacât x,
FX (x) = p(X < x) = p(X = −3 sau X = 1 sau X = 2) =
= p(X = −3) + p(X = 1) + p(X = 2) = 28 + 85 + 18 = 1;
(2)(a) cu figura 6, X ia o singură valoare mai mare strict decât 1, pe 2 şi
p(X > 1) = p(X = 2) = 81 .
(b) cu figura 7, X nu ia valori în [ 14 , 13 ) şi
p( 14 ≤ X < 13 ) = p(∅) = 0.
(c) cu figura 8, p(X ≤ 23 ) = p(X = −3 sau X = 1) = p(X = −3) + p(X = 1) =
= 28 + 58 = 78 .
(d) cu figura 9, p(X ≥ 12 ) = p(X = 1 sau X = 2) = p(X = 1) + p(X = 2) =
= 58 + 18 = 68 .
(e) cu figura 10,
p(X ∈ (0, 5)) = p(X = 1 sau X = 2) = p(X = 1) + p(X = 2) =
= 58 + 18 = 68 .
⟨⟨ -Programul aşează figurile, fără să le alăture enunţurilor.⟨⟨

Observaţia 1. Pentru ultimele două exemple se vor folosi următoarele;

dacă FX este funcţia de repartiţie a v.a X atunci
(1)în punctele în care FX este derivabilă, are loc
′
f (x) = FX (x), unde f este densitatea de probabilitate a lui X;
(2)FX (x) = p(X < x), ∀x ∈ R;
(3)p(X = a) = FX (a + 0) − FX (a), ∀a ∈ R, unde FX (a + 0) este limita la
dreapta în a a lui FX .

Exemplu 2. V.a. X care reprezintă timpul de aşteptare într-o staţie, are

funcţia de repartiţie 

 0, x ≤ 0


 x2 , 0 < x ≤ 1
FX : R → R, FX (x) = 2, 1 < x ≤ 2 ;
1




x
,2<x≤4
 4
1, x > 4


x (x x
-3 1 2
Figure 6: X > 1

4
 
x[ )x x
-3 1 11 2
4 3
Figure 7: X ∈ [ 14 , 1
3)

x x x] x
-3 1 3 2
2
Figure 8: X ≤ 3
2

(1)determinaţi densitatea de probabilitate a v.a. X;

(2)probabilitatea ca un călător să aştepte mai mult de 3 minute, adică
p(X > 3);
(3)probabilitatea să aştepte mai puţin de 4 minute, p(X < 4);
(4)între 1 şi 3 minute, p(1 < X < 3);
(5)să aştepte mai mult de 3 minute, dacă a şteptat mai mult de 1 minut,
p(X > 3/X > 1).

Dem. (1)-Pentru că în punctele unde îşi schimbă forma, o funcţie îşi pierde în
general proprietatea de a fi derivabilă, fără a intra în detalii, vom lua
inegalităţi stricte:

 0, x < 0


 21 , 0 < x < 1
′
f (x) = FX (x) = 0, 1 < x < 2 .


 1
 4, 2 < x < 4

0, x > 4
-Pentru celelalte cerinţe, vom ţine cont că FX ne ajută pentru calculul
probabilităţilor pentru ′′ ≤′′ , sau ”<”, de aceea inegalităţile pe care le avem se
încearcă să se apropie de acestea; inegalitatea ”mai mic sau egal”, conţine pe
”sau”, corespondentul reuniunii:
(2)p(X > 3) = p(C(X ≤ 3)) = 1 − p(X ≤ 3) = 1 − p(X < 3 sau X = 3) =
= 1 − p(X < 3) − p(X = 3) = 1 − FX (3) − FX (3 + 0) + FX (3) = 1 − FX (3 + 0);
-pentru calculul limitei la dreapta în 3, observăm că 3 ∈ (2, 4), deci limita
coincide cu valoarea lui FX în 3;
FX (3 + 0) = 43 ⇒ p(X > 3) = 1 − 34 = 14 ;
(3)p(X < 4) = FX (4) = 1;
-pentru calcul, ne-am uitat la ′′ ≤ 4′′ din ramurile lui FX ;
(4)-în figura 11 se vede mai bine că {X ≤ 1} ⊂ {X < 3};
-pentru limita la dreapta în 1, se ia a treia ramură a lui FX
p(1 < X < 3) = p((X < 3) ∩ (X > 1)) = p((X < 3) ∩ C(X ≤ 1)) =


x x[ x x
-3 1 1 2
2
Figure 9: X ≥ 1
2

5
  
x (
x x x )
-3 0 1 2 5

Figure 10: X ∈ (0, 5)

$

] )
1 3

Figure 11: {X ≤ 1} ⊂ {X < 3}

= p(X < 3) − p(X ≤ 1) = p(X < 3) − p(X < 1) − p(X = 1) =

= FX (3) − FX (1) − FX (1 + 0) + FX (1) = 34 − 21 = 41 .
(5)-ţinem cont de {X > 3} ⊂ {X > 1}, figura 12,
p(X > 1) = 1 − p(X ≤ 1) = 1 − p(X < 1) − p(X = 1) =
= 1 − FX (1) − FX (1 + 0) + FX (1) =
= 1 − FX (1 + 0) = 1 − 12 = 12 ;
-s-a calculat p(X > 3) = 41 deci cu definiţia probabilităţii condiţionate,
p((X>3)∩(X>1))=p(X>3)= 14
p(X > 3/X > 1) = p(X>1)= 12
= 12 .

⟨⟨ -Dacă aţi înţeles modul de calcul, puteţi încerca singuri ultimul exemplu.⟨⟨

Exemplu 3. Calculaţi (1)p(2 ≤ X < 5), (2)p(2 ≤ X < 5/1 < X < 4), pentru
v.a. X cufuncţia de repartiţie FX : R → R,
 0, x ≤ 0



 x4 , 0 < x ≤ 1



 13 , 1 < x ≤ 2
6, 2 < x ≤ 3 .
x
FX (x) =


 2, 3 < x ≤ 4

1


 x8 , 4 < x ≤ 8


1, x > 8

Dem. -Singurele detalii pe care le mai dau, sunt de a urmări pe ramurile

funcţiei de ce se iau valorile aşa cum sunt scrise;
(1)p(2 ≤ X < 5) = p((X < 5) ∩ (X ≥ 2)) = p((X < 5) ∩ C(X < 2)) =
= p(X < 5) − p(X < 2) = FX (5) − FX (2) = 85 − 13 = 24 7
.
p((2≤X<5)∩(1<X<4))=p(2≤X<4)
(2)p(2 ≤ X < 5/1 < X < 4)) = p(1<X<4) = 1:
p(2 ≤ X < 4) = p((X < 4) ∩ C(X < 2)) = p(X < 4) − p(X < 2) =
= FX (4) − FX (2) = 21 − 13 = 16 ;

'

( (
1 3

Figure 12: {X > 3} ⊂ {X > 1}

6
p(1 < X < 4) = p((X < 4) ∩ C(X ≤ 1)) = p(X < 4) − p(X < 1) − p(X = 1) =
= FX (4) − FX (1) − FX (1 + 0) + FX (1) = 12 − 31 = 61 .

7
 seminar 4 probabilităţi]Densitatea de probabilitate a unei variabile aleatoare

1 Densitatea de probabilitate a unei variabile

aleatoare
⟨⟨ -Reamintim condiţiile pe care trebuie să le verifice o funţie pentru a fi densi-
tate de probabilitate.⟨⟨

Observaţia 1. O funcţie f : R → R este densitate de probabilitate dacă:

(1) f ≥ 0;
∫
∞
(2) f este integrabilă şi f (x) dx = 1.
−∞

Exemplu { 1. Demonstraţi că f : R → R,
1 − |1 − x| , x ∈ [0, 2]
f (x) = , este densitate de probabilitate.
0, în rest

Dem. ⟨⟨ -Trebuie explicitat modulul:

-se rezolvă 1 − x = 0 ⇒ x = 1;
-funcţia de gradul întâi la stânga rădăcinii are semn contrar coeficientului din
faţa lui x, deci plus şi la dreapta rădăcinii acelaşi semn cu semnul
coeficientului din faţa lui x, adică minus;
-considerăm modulul pe R şi apoi scoatem în evidenţă intervalul care ne
trebuie:⟨⟨
x −∞ 0 1 2 ∞
;
−x + 1 + [ + 0 − ] −
⟨⟨ -modulul lasă expresia pe loc dacă este pozitivă şi îi schimbă semnul dacă
este negativă:⟨⟨
{
1 − (1 − x) = 1 − 1 + x = x, x ∈ [0, 1]
f (x) = =
1 − (x − 1) = 1 − x + 1 = 2 − x, x ∈ (1, 2]
{
x ≥ 0, x ∈ [0, 1]
= ;
2 − x ≥ 0, x ∈ (1, 2]
⟨⟨ -se observă pe ramuri, comparând cu apartenenţa lui x corespunzătoare, că
f ≥ 0;
-pentru calculul integralei, se ţine cont că f este nenulă numai pe [0, 2] şi de
ramurile lui f :⟨⟨
∫
∞ ∫1 ∫2 2 2
f (x) dx = x dx + 2 − x dx = x2 /10 + 2x/21 − x2 /12 =
−∞ 0 1
= 21 +4−2−2+ 1
2 = 1, deci f este densitate de probabilitate.

⟨⟨ -La următorul exemplu vă recomand să încercaţi să rezolvaţi singuri punc-

tul (1) şi apoi să comparaţi cu ce se face.⟨⟨

Observaţia 2. Legătura dintre funcţia de repartiţie FX a v.a. X şi densitatea

ei de probabilitate f este dată de:

1
    
x x x x x x x
x(I) 0 x(II) 5 x(III) 10 x(IV )
Figure 1: Apartenenţa lui x pentru FX

∫x
(1)FX (x) = p(X < x) = f (t) dt, ∀x ∈ R;
−∞
′
(2)în punctele în care FX este derivabilă, FX (x) = f (x).

 c · x, x ∈ [0, 5)
Exemplu 2. Fie f : R → R, f (x) = c · (10 − x), x ∈ [5, 10] . (1)Determinaţi

0, în rest
c ∈ R a.î. f să fie densitate de probabilitate. (2)Determinaţi funcţia de
repartiţie FX corespunzătoare lui f .
Dem. (1)Se observă că dacă x ∈ [0, 5) ⇒ c · x ≥ 0 are loc pentru c ≥ 0;
dacă x ∈ [5, 10] ⇒ 10 − x ≥ 0 şi c · (10 − x) ≥ 0 are loc pentru c ≥ 0;
deci f ≥ 0 are loc dacă c ≥ 0.
∞∫
Trebuie ca f (x) dx = 1 ⇔
−∞
∫5 ∫
10
x2 5 x2 10
c · x dx + c · (10 − x) dx = c · 2 /0 5 −c·
+ 10cx/10 2 /5 =
0 5
2 + 100c − 50c − 50c + 2 = 25c = 1 ⇒ c = 25 ≥ 0.
= 25c 25c 1

-Aceastaeste valoarea pentru care f este densitate de probabilitate,

 25 1
· x, x ∈ [0, 5)
f (x) = 1
· (10 − x), x ∈ [5, 10] .
 25
0, în rest
(2)-Schiţăm în figura 1 apartenenţa lui x pentru toate ramurile.
⟨⟨ -Deşi ramurile se completează pe parcurs, trecem de la început rezultatul
final; respectăm şi condiţia ca FX să fie continuă la stânga:⟨⟨

 0, x ≤ 0

 x2
∫x
FX (x) = f (t) dt = 50 , x ∈2 (0, 5] :
−∞ 

2x
− x
− 1, x ∈ (5, 10]
 5 50
1, x > 10
∫x
(I)dacă x ≤ 0, FX (x) = f (t) dt = 0, pentru că f = 0 pe (−∞, x];
−∞
∫x ∫x t2 x x2
(II)dacă x ∈ (0, 5], FX (x) = f (t) dt = 1
25 · t dt = 50 /0 = 50 ,
−∞ 0
pentru că aici f este nenulă numai pe [0, x];
(III)dacă x ∈ (5, 10], din (−∞, x], f este nenulă numai pe [0, 5) când este t
25 şi
pe [5, x] când este 25 1
· (10 − t):
∫x ∫5 1 ∫x 1
FX (x) = f (t) dt = 25 · t dt + 25 · (10 − t) dt =
−∞ 0 5
t2 5 2 2
= 50 /0 − 50
+ 10t
t x
25 /5 5 − 50 − 1;
/x5 = 2x x
t
(IV)dacă x > 10, f este nenulă pe [0, 5) când este 25 şi pe [5, 10] când este
25 · (10 − t):
1

2
 ∫x ∫5 ∫
10
FX (x) = f (t) dt = 1
25 · t dt + 25 · (10 − t) dt =
1
−∞ 0 5
t2 5 t2 10
25 /5 − 25 − 25 − 50 + 50 =
10t 10 25 100 50 100 25
= /
50 0 + 50 5 = 50
/ +
= 1
2 + 4 − 2−2+ 1
2 = 1.

⟨⟨ -În exemplul următor vom vedea cum se schimbă densitatea de probabil-

itate când se trece de la v.a X la o v.a. Y funcţie de ea.
-Pentru a fi mai clar vom folsosi FY (y) pentru v.a. Y .
-Ţinem cont de formula de la observaţia 2.
-Avem nevoie de funcţia de repartiţie FY , care apoi se derivează dând pe fY ,
densitatea de probabilitate a v.a. Y .⟨⟨

Exemplu { 3. Densitatea de probabilitate a v.a. X este f : R → R,

2x, x ∈ [0, 1]
f (x) = . Determinaţi densităţile de probabilitate ale v.a.
0, în rest
(1)Y = 4X + 3; (2)Y = 1 − 3X; (3)Y = ln X.

Dem. (1)FY (y) = p(Y < y) = p(4X + 3 < y);

-inegalitatea 4X + 3 < y se transformă până devine o inegalitate în X:
4X + 3 < y/ − 3, 4X < y − 3/ · 14 , X < y−3 4 ;
y−3 y−3
FY (y) = p(X < 4 ) = FX ( 4 );
-se derivează acum în funcţie de y ca la funcţii compuse; se ţine cont că
′
FX = f , FY′ = fY , fY este densitatea de probabilitate a v.a Y :
fY (y) = FY′ (y) = [FX ( y−3 ′ ′ y−3 y−3 ′
4 )] = FX ( 4 ) · ( 4 ) = 4 · f ( 4 );
1 y−3

-se înlocuiesc
{ în1 expresia lui f ;
2 · 4 · y−3 , y−3 ∈ [0, 1]
fY (y) = 4 4 ;
0, în rest
-se transformă y−3 4 ∈ [0, 1] pâna devine o inegalitate în y:
y−3
∈ [0, 1] ⇔ 0 ≤ y−3 4 ≤ 1/ · 4 > 0 ⇔ 0 ≤ y − 3 ≤ 4/ + 3 ⇔ 3 ≤ y ≤ 7;
4 { y−3
fY (y) = 8 , y ∈ [3, 7] .
0, în rest
(2)-În calculul probabilităţii nu vom face deosebire între ′′ <′′ şi ′′ ≤′′ ,
considerând că dacă se iau densităţi de probabilitate, atunci v.a. este continuă
şi p(X = x0 ) = 0, ∀x0 ∈ R;
FY (y) = p(Y < y) = p(1 − 3X < y);
1 − 3X < y/ − 1 ⇔ −3X < y − 1/ · (− 13 ) < 0 ⇔ X > 1−y 3 ;
FY (y) = p(X > 1−y 3 ) = 1 − p(X ≤ 1−y
3 ) = 1 − p(X < 3 ) = 1 − FX ( 3 );
1−y 1−y

fY (y) = FY′ (y) = [1 − FX ( 3 )]′ = −FX

1−y ′
( 3 ) · ( 3 )′ = 31 · f ( 3 ) =
1−y 1−y 1−y
{ 2 1−y 1−y
= 3 · 3 , 3 ∈ [0, 1] ,
0, în rest
3 ∈ [0, 1] ⇔ 0 ≤ 3 ≤ 1/ · 3 ⇔ 0 ≤ 1 − y ≤ 3/ − 1 ⇔
1−y 1−y

−1 ≤ −y{≤ 2/ · (−1) < 0 ⇔ −2 ≤ y ≤ 1,

2(1−y)
, y ∈ [−2, 1]
fY (y) = 9 .
0, în rest
(3)-Puteţi încerca să rezolvaţi singuri acest punct.

3
-Reamintim că g : (0, ∞) → R, g(x) = ln x are g ′ (x) = x1 > 0, ∀x > 0, deci este
strict crescătoare;
h : R → R, h(x) = ex are h′ (x) = ex > 0, deci este strict crescătoare;
(a)ln AB = ln A + ln B, (b)ln B A
= ln A − ln B, (c)ln Ax = x · ln A, (d)ln e = 1;
FY (y) = p(Y < y) = p(ln X < y);
ln X < y = y · 1 = y · ln e = ln ey ⇔ X < ey ;
FY (y) = p(X < ey ) = FX (ey );
(y) = FY′ (y) = [FX (ey )]′ = FX
fY { ′
(ey ) · (ey )′ = ey f (ey ) =
2e · e , e ∈ [0, 1]
y y y
= ,
0, în rest
e ∈ [0, 1]{⇔ e ≤ 1 = e ⇔ y ≤ 0,
y y 0

2e2y , y ≤ 0
fY (y) = .
0, în rest

2 Media şi dispersia unei variabile aleatoare

⟨⟨ -Deşi nu dau formula pentru variabile aleatoare cu densitate de probabilitate,
proprietăţile mediei sunt adevărate şi pentru ele.⟨⟨

Observaţia 1. -Reamintim definiţia mediei unei v.a. discrete X:

(1)dacă
( X este v.a. discretă, )
x1 x2 . . . x n . . .
X: ,
p1 p2 . . . pn . . .
atunci M (X) = x1 p1 + x2 p2 + . . . xn pn + . . .;
M (X k ) = xk1 p1 + xk2 p2 + . . . + xkn pn + . . .
-dispersia lui X este
D2 (X) = M ((X − M (X))2 );
-trebuie să vă atrag atenţia că suma probabilităţilor de pe al doilea rând este
1, pentru că ele se leagă de evenimente incompatibile două câte două şi toate
dau evenimentul sigur:
p1 + p2 + . . . + pn + . . . = 1;
-continuăm cu câteva proprietăţi;
(1)M (c) = c, ∀c ∈ R, adică media unei constante este constanta:
-constanta
( ) c este funcţia care ia valoarea c cu probabilitatea 1,
c
c: , deci M (c) = c · 1 = c;
1
(2)M (X + Y ) = M (X) + M (Y ), ∀X, Y variabile aleatoare, adică media sumei
mereu este egală cu suma mediilor;
(3)M (aX) = aM (X), ∀a ∈ R, ∀X v.a.; este evident, pentru că de exemplu în
matrice se înmulţesc cu a valorile din primul rând, probabilităţile rămân la fel;
(4)dacă X şi Y sunt v.a. independente, atunci
M (XY ) = M (X)M (Y );
deci formula are nevoie de independenţa variabilelor aleatoare;
(5)D2 (X) = M (X 2 ) − (M (X))2 , ∀X v.a.;
(6)dacă X1 , X2 , . . . Xn sunt v.a. independente două câte două, atunci:
D2 (X1 + X2 + . . . + Xn ) = D2 (X1 ) + D2 (X2 ) + . . . + D2 (Xn ).

4
 ⟨⟨ -Puteţi încerca să rezolvaţi singuri următoarele exemple.⟨⟨
( )
−1 0 1
Exemplu 1. Fie v.a. X : . Calculaţi M (X), M (2X),
0, 2 0, 3 0, 5
M (X 2 ), M ((X − 0, 3)2 ), D2 (X).

(1)M (X) = (−1) · 0, 2 + 0 · 0, 3 + 1 · 0, 5 = 0, 3;

(2)M (2X) = 2M (X) = 0, 6;
(3)M (X 2 ) = (−1)2 · 0, 2 + 02 · 0, 3 + 12 · 0, 5 = 0, 7;
(4)-dacă vă uitaţi cu puţină atenţie la definiţia dispersiei,
M ((X − 0, 3)2 ) = M ((X − M (X))2 ) = D2 (X); altfel
M ((X − 0, 3)2 ) = M (X 2 − 0, 6X + 0, 09) = M (X 2 ) − 0, 6M (X) + 0, 09 =
= 0, 7 − 0, 6 · 0, 3 + 0, 09 = 0, 79 − 0, 18 = 0, 61;
(5)D2 (X) = M (X 2 ) − (M (X))2 = 0, 7 − 0, 09 = 0, 61.

Exemplu
( 2. Determinaţi
) a şi b a.î. M (2X − 4) = 2, unde
1 a 3
X: .
b 15 35

Dem. -Prima condiţie care caracterizează matricea lui X este că suma

probabilităţlor de pe al doilea rând trebuie să fie 1,
b + 51 + 53 = 1 ⇒ b = 1 − 45 = 15 ;
M (2X − 4) = 2M (X) − 4 = 2 ⇒ M (X) = 3;
M (X) = 15 + a5 + 59 = 2 + a5 = 3 ⇒ a5 = 1, a = 5.

5
 y
6
a A(1, a)





-
O 1 x

Figure 1: Densitatea de probabilitate de la exemplul 1

seminar 5 probabilităţi]Media şi dispersia unei variabile aleatoare, coeficien-

tul de corelaţie, funcţia caracteristică şi funcţia generatoare de momente

1 Media şi dispersia unei variabile aleatoare,

coeficientul de corelaţie a două v.a. X şi Y
Observaţia 1. Dacă v.a. X are densitatea de probabilitate f : R → R, atunci:
∫
∞
(1)M (X) = xf (x) dx, dacă integrala este absolut convergentă, adică
−∞
∫
∞
|x| f (x) dx < ∞;
−∞ |{z}
≥0
∫
∞
(2)Mn (X) = M (X n ) = xn f (x) dx, dacă integrala este absolut convergentă,
−∞
∫
∞
adică |x | f (x) dx < ∞;
n
−∞ |{z}
≥0
(3)probabilitatea ca X să ia valori în domeniul D ⊂ R este
∫
p(X ∈ D) = f (x) dx.
D

Exemplu 1. V.a. X are densitatea de probabilitate dată de figura 1.

Determinaţi: (1)densitatea de probabilitate; (2)M (X); (3)D2 (X);
(4)p( 41 < X < 12 ); (5)p(X > 43 /X > 12 ).

Dem. (1)⟨⟨ Dreapta OA are ecuaţia dată de determinantul egal cu 0, care pe

primul rând are pe x, y, 1, pe al doilea rând coordonatele lui O(0, 0) urmate
de 1, pe al treilea rând coordonatele lui A(1, a) urmate de 1:⟨⟨
 x y 1  {
  ax, x ∈ [0, 1]
 
OA :  0 0 1  = 0 ⇔ y − ax = 0, deci f : R → R, f (x) = ;
 1 a 1  0, în rest
f este densitate de probabilitate dacă f ≥ 0, din desen a { ≥ 0;
∫
∞ ∫1 ax2 1 2x, x ∈ [0, 1]
f (x) dx = ax dx = 2 /0 = 2 = 1 ⇒ a = 2; f (x) =
a
.
−∞ 0 0, în rest
∫
∞ ∫1 3
(2)M (X) = xf (x) dx = 2 x2 dx = 2x3 /10 = 32 .
−∞ 0

1
 
   
- -
O 3 1 x O 1 1 x
4 2

Figure 2: Desenul de la exemplul 1 (5)

∫
∞ ∫1 2x4 1
(3)M (X 2 ) = x2 f (x) dx = 2 x3 dx = 4 /0 = 21 ,
−∞ 0
D2 (X) = M (X ) − (M (X))2 = 12 − 49 = 18
2 1
.
(4)Cu observaţia 1, se ţine cont şi de faptul că 0 ≤ 14 < 12 ≤ 1,
1 1
∫2 ∫2 1
p( 4 < X < 2 ) = f (x) dx = 2 x dx = x2 / 21 = 14 − 16
1 1 1
= 163
.
1 1 4
4 4

(5)-Se observă că dacă X > 34 , atunci X > 21 , deci

{X > 34 } ∩ {X > 12 } = {X > 34 },
p((X> 34 )∩(X> 12 )) p(X> 3 )
p(X > 43 /X > 12 ) = p(X> 12 )
= p(X> 41 ) ;
2
∫
∞ ∫1
-cu figura 2, p(X > 3
4) = f (x) dx = 2x dx = x2 /13 = 1 − 9
16 = 7
16 ,
3 3 4
4 4
∫
∞ ∫1
p(X > 12 ) = f (x) dx = 2x dx = x2 /11 = 1 − 1
4 = 43 ,
1 1 2
2 2

p(X > 34 /X > 12 ) = 7

16 · 4
3 = 7
12 .

Observaţia 2. (1)Dacă X şi Y sunt două v.a. atunci covarianţa lor este

cov(X, Y ) = M (XY ) − M (X)M (Y );
cov(X,Y )
-coeficientul lor de corelaţie este ρ(X, Y ) = D(X)D(Y ),
√ √
unde D(X) = D (X), D(Y ) = D (Y ).
2 2

(2)Variabilele X şi Y se numesc necorelate dacă ρ(X, Y ) = 0.

-Se observă că dacă X şi Y sunt independente, atunci sunt şi necorelate.

⟨⟨ -În exemplul următor folosim proprietăţile mediei şi dispersiei.

-Trebuie observat că variabilele aleatoare X şi Y nu sunt independente.⟨⟨

Exemplu 2. V.a. X şi Y au M (X) = −2, M (Y ) = 4, D2 (X) = 4, D2 (Y ) = 9,

ρ(X, Y ) = −0, 5. Determinaţi media v.a. Z = 3X 2 − 2XY + Y 2 − 3.

Dem. D2 (X) = M (X 2 ) − (M (X))2 ⇔ M (X 2 ) − 4 = 4, M (X 2 ) = 4 + 4 = 8;

D2 (Y ) = M (Y 2 ) − (M (Y ))2 ⇔ M (Y 2 ) − 16 = 9, M (Y 2 ) = 16 + 9 = 25;
ρ(X, Y ) = − 21 = cov(X,Y )=M (XY )−M (X)M (Y )=M (XY )−(−2)·4
D(X)D(Y )=2·3=6 ⇒
M (XY ) + 8 = − 62 = −3, M (XY ) = −3 − 8 = −11;
M (Z) = M (3X 2 − 2XY + Y 2 − 3) = 3M (X 2 ) − 2M (XY ) + M (Y 2 ) − 3 =
= 3 · 8 − 2 · (−11) + 25 − 3 = 24 + 22 + 22 = 68.

Observaţia 2. (1) (inegalitatea lui Cebîşev) Dacă v.a. X are media m şi

2
dispersia σ 2 , atunci p(|X − m| < a) ≥ 1 − σa2 , ∀a > 0.
(2)⟨⟨ Nu mai reluăm demonstraţia pentru⟨⟨ |x| < c ⇔ −c < x < c, ∀c > 0.

2
Exemplu 3. Dacă v.a. X are media m = 2, 9 şi dispersia σ 2 = 1, 09, estimaţi
p(0, 9 < X < 4, 9).

Dem. -Folosim observaţia 2:

0, 9 < X < 4, 9/ − m = −2, 9 ⇔ 0, 9 − 2, 9 = −2 < X − m < 4, 9 − 2, 9 = 2 ⇔
|X − m| < 2, se observă că a = 2,
2
p(0, 9 < X < 4, 9) = p(|X − m| < 2) ≥ 1 − σa2 = 1 − 1,09 2,91
4 = 4 = 0, 72.

∫
∞
Observaţia 3. (1)Γ(p) = xp−1 e−x dx, ∀p > 0;
0
(2)Γ(p) = (p − 1)Γ(p − 1), ∀p > 1.

Exemplu 4. Determinaţi media şi{dispersia v.a. X care are densitatea de

· x− 2 e−x , x > 0
1 1

probabilitate f : R → R, f (x) = Γ( 21 ) .
0, x ≤ 0

∫
∞ ∫
∞ ∫
∞
x · x− 2 e−x dx = x1− 2 = 2 =p−1 e−x dx;
1 1 1 1 1
Dem. M (X) = xf (x) dx = Γ( 12 ) Γ( 12 )
−∞ 0 0
Γ( 23 )=( 32 −1)Γ( 32 −1)= 12 Γ( 12 )
p − 1 = ⇒ p = 1 + = ⇒ M (X) =
1
2
1
2
3
2 Γ( 12 )
= 12 ;
∞∫ 2 ∫
∞ ∫
∞
x f (x) dx = Γ(11 ) x2 · x− 2 e−x dx = Γ(11 ) x2− 2 = 2 =p−1 e−x dx;
1 1 3
M (X 2 ) =
−∞ 2
0 2
0
Γ( 52 )=( 52 −1)Γ( 23 )= 32 Γ( 32 )
p − 1 = 2 ⇒ p = 1 + 2 = 2 ⇒ M (X ) =
3 3 5 2
Γ( 12 )
= 3M2(X) = 43 ;
D2 (X) = M (X 2 ) − (M (X))2 = 34 − 14 = 12 .

2 Funcţia caracteristică a unei v.a.

Observaţia 1. (1)Dacă X este v.a. atunci funcţia sa caracteristică este
φ : R → C, φ(t) = M (eitX ), ∀t ∈ R.
(2)Două v.a. care au aceeaşi funcţie caracteristică sunt repartizate la fel.
φ(n) (0)
(3)Dacă există momentele de ordin n ≥ 1, atunci Mn (X) = M (X n ) = in .

Exemplu 1. Determinaţi repartiţia v.a. X cu funcţia caracteristică

φ(t) = 81 e3it + 38 e2it + 38 eit + 18 , ∀t ∈ R.

Dem. ⟨⟨ -Dacă o v.a. are un număr finit de valori, atunci pentru calculul
mediei se înmulţesc valorile cu probabilităţile şi apoi se adună aceste produse.
-Cu observaţia 1 punctele (1) şi (2): de exemplu la e3it coeficientul lui it de la
putere este 3 şi e3it se înmulţeşte(cu 81 ; la ultimul)termen apare numai 18 , deci
3 2 1 0
se înmulţeşte cu e0it = 1;⟨⟨ X : 1 3 3 1 .
8 8 8 8

Exemplu 2. Calculaţi media şi dispersia v.a. X cu funcţia caracteristică

φ(t) = ( 12 eit + 12 )10 , ∀t ∈ R.

3
Dem. -Cu observaţia 1 (3), se derivează în raport cu t, ca la funcţii reale;
(eit )′ = (eu )′ = eu u′ = eit (it)′ = ieit ;
it=u
φ′ (t) = (( 12 eit + 12 )10 )′ 1 it
=1
(u10 )′ = 10u9 u′ =
2 e + 2 =u

= 10( 21 eit + 21 )9 ( 12 eit + 12 )′ = 5ieit ( 21 eit + 12 )9 ;

′
M (X) = φ i(0) = 5ii = 5;
(( 12 eit + 12 )9 )′ 1 =1 (u9 )′ = 9u8 u′ =
it +
2e 2 =u

= 9( 12 eit + 12 )8 ( 12 eit + 12 )′ = 92 ieit ( 12 eit + 12 )8 ;

φ′′ (t) = 5i2 eit ( 12 eit + 12 )9 + 45 2 it 1 it
2 i e (2e + 2) ;
1 8

φ′′ (0)
M (X 2 ) = i2 =5+ 45
2 = 55
2 , D2 (X) = M (X 2 ) − (M (X))2 = 55
2 − 25 = 52 .

3 Funcţia generatoare de momente a unei v.a.

Observaţia 1. (1)Dacă X este v.a. atunci funcţia sa generatoare de momente
este ψ : (−h, h) → R, h > 0, ψ(t) = M (etX ), ∀t ∈ R.
(2)Două v.a. cu aceeaşi funcţie generatoare de momente sunt repartizate la fel.
(3)Dacă există momentele de ordin n ≥ 1, atunci Mn (X) = M (X n ) = ψ (n) (0).
Exemplu 1. Determinaţi funcţia generatoare de{momente a v.a. X cu
1, x ∈ [0, 1]
densitatea de probabilitate f : R → R, f (x) = .
0, în rest
Dem. Cu observaţia 1, dacă t ̸= 0,
∫ tx
∞ ∫1
ψ(t) = M (etX ) = e f (x) dx = etx dx;
−∞ 0
tx = y, x = yt , x′ dx = ( yt )′ dy = 1t dy, x = 0 ⇒ y = 0, x = 1 ⇒ y = t,
∫t
ψ(t) = 1t ey dy = et /t0 = e −1
y t

t ;
0 { et −1
t = 0 ⇒ ψ(0) = M (e0·X ) = M (1) = 1; ψ(t) = t , t ̸= 0 .
1, t = 0
Exemplu 2. Determinaţi repartiţia v.a. X cu funcţia generatoare de momente
1 −2t 2 −t
ψ(t) = 10 e + 10 e + 101
+ 102 t
e + 10 e , t ∈ R.
4 2t

( )
−2 −1 0 1 2
Dem. Cu observaţia 1 (2), X : 1 2 1 2 4 .
10 10 10 10 10
Exemplu 3. Calculaţi media şi dispersia v.a. X cu funcţia generatoare de
2
momente ψ(t) = 2−t , t ∈ (−2, 2).
′ ′
Dem. ψ ′ (t) = ( 2−t
2 ′
) = 2 (2−t)−2(2−t)
(2−t)2
=2 2
= (2−t) 2;
2 ′ 2 ′ ′ ′
((2 − t) ) = (u ) = 2uu = 2(2 − t)(2 − t) = −2(2 − t);
2−t=u
′ 2 ′
= 2 (2−t) −2((2−t)
2
′′ 2 ′ ) =4(2−t)
ψ (t) = ( (2−t)2) (2−t)4 ;
′
-cu observaţia 1, M (X) = ψ (0) = 4 = 12 ,
2

M (X 2 ) = ψ ′′ (0) = 16
8
= 12 , D2 (X) = M (X 2 ) − (M (X))2 = 1
2 − 1
4 = 41 .