Capitolul III: Noțiuni de calculul probabilităților

Evenimente. Câmp finit de evenimente

Precizare. În teoria şi calculul probabilităţilor noţiunile de eveniment şi de probabilitate

sunt fundamentale.
Să considerăm un experiment oarecare, în înţelesul său cel mai larg, la a cărui efectuare pot
să apară diferite rezultate, în funcţie de scopul pe care îl urmărim. De exemplu aruncarea unui zar
este experimentul sau experianța.

Definiţie 1 . Orice situaţie sau rezultat al unui experiment despre care putem spune că s-a
realizat, sau că nu s-a realizat, după efectuarea experimentului considerat se numește eveniment.
Exemplu: Poate fi considerat eveniment apariția feței 6, sau apariția unui număr par sau
apariția unui număr mai mic decât 4.
Definiţie 2 . Evenimentul care apare sau se realizează obligatoriu sau în mod necesar odată
cu oricare dintre probele experimentului considerat se numeşte eveniment sigur.
Legat de exemplul de mai sus evenimentul sigur se definește astfel: apariția unui număr
cuprins între 1 și 6 inclusiv numerele 1 și 6.
Evenimentul care nu poate să apară în nicio probă a experimentului considerat se numeşte
eveniment imposibil. Exemplu de eveniment imposibil: obținerea unui număr mai mare decât 6.
3) poate să apară sau să nu apară odată cu o probă a experimentului considerat se numeşte
eveniment întâmplător sau aleator.
Observaţie. În cele ce urmează vom nota evenimentul sigur cu Ω, evenimentul imposibil
cu Ø şi orice eveniment aleator printr-o literă mare a alfabetului indexată (A1, A2,...) sau neindexată
(A, B,...).
Definiţie 3 . Se spune că un eveniment este:
1) elementar dacă acesta apare cu un rezultat al unei probe a experimentului considerat
şi numai cu unul.
Exemplu : 𝐴1 = “apariția feței 1”, sau 𝐴2 = “apariția feței 2”, ..., 𝐴6 = “apariția feței 6”.
2) compus dacă acesta apare cu două sau mai multe rezultate ale experimentului considerat.
Exemplu: 𝐴 = „apariția unui număr par” , 𝐵 =”apariția unui număr mai mic decât 4” .
 Observaţie 1 . În condiţiile unui experiment cu 𝑛 rezultate posibile dintre care unul apare
la fiecare efectuare a acestuia, se consideră ca evenimente elementare reprezentate de realizarea
fiecăruia din aceste rezultate şi se notează prin ω1, ω2, ..., ωn sau {ω1}, { ω2} ... n{ωn}.
În acest caz se consideră ca evenimente compuse realizarea unuia sau altuia, unuia sau
altora sau unora sau altora dintre aceste rezultate, adică ωi sau ωj, ωi sau ωj sau ωk etc.
Observaţie 2 . O analogie între evenimente şi mulţimi permite o scriere şi în general o
exprimare mai simplă a unor idei şi rezultate legate de conceptul de eveniment. Astfel, se înţelege
evenimentul sigur ca mulţime a tuturor evenimentelor elementare, adică:
Ω = {ω1, ω2, ..., ωn}
şi orice eveniment compus ca o submulţime a lui Ω. Deasemenea, se poate vorbi despre mulţimea
tuturor părţilor lui Ω pe care o notăm prin P(), astfel că pentru un eveniment compus A se poate
scrie, în contextul analogiei dintre evenimente şi mulţimi, A  Ω sau A  P(Ω) .
Pentru exemplul de mai sus, experimentul cu aruncarea unui zar, evenimentele definite se
pot scrie astfel: evenimentul sigur, Ω = {1, 2, 3, 4, 5, 6}, evenimentele elementare, 𝐴1 =
{1}, 𝐴2 = {2}, … , 𝐴6 = {6}, ș𝑖 𝐴 = {2, 4, 6}, 𝐵 = {1, 2, 3}, 𝐴 ⊂ Ω , 𝐵 ⊂ Ω .
Observaţie 3 . Se poate vorbi şi de experimente cu un număr infinit de rezultate posibile şi
prin urmare de o infinitate de evenimente elementare, caz în care Ω apare ca o mulţime infinită.

Operații cu evenimente

Fie evenimentul sigur Ω şi mulţimea tuturor părţilor sale P(Ω), pe care o vom alege ca
mulţime a tuturor evenimentelor elementare sau compuse asociate experimentului considerat.
Definiţie 4 . Fiind date evenimentele A şi B  P(Ω), se numeşte eveniment sumă (sau
reuniune) a acestora evenimentul care se realizează ori de câte ori se realizează A sau B şi se
notează cu A  B, citindu-l "A reunit cu B", "A adunat cu B" sau mai adesea A "sau B".
Observaţie. În mod analog putem considera suma (sau reuniunea) a mai mult de două
evenimente, scriind-o sub forma:
n
A1  A 2  ...  A n =  A k
k =1

cazul unei reuniuni finite sau sub forma:

 
A1  A 2  ...  A n  ... =  A k
k =1

cazul unei reuniuni infinite numărabile.

Exemplu.: Cu ajutorul operațiilor cu evenimente evenimentele definite anterior, în
experimentul cu aruncarea unui zar, se scriu astfel: 𝐴 = 𝐴2 ∪ 𝐴4 ∪ 𝐴6 𝐵 = 𝐴1 ∪ 𝐴2 ∪ 𝐴3 , Ω =
𝐴1 ∪ 𝐴2 ∪. . .∪ 𝐴6 .
Definiţia 5 . Find date evenimentele A şi B  P(Ω), se numeşte eveniment produs (sau
intersecţie) al acestora evenimentul care se realizează odată cu o utilizare simultană a
evenimentelor A şi B şi se notează cu A  B, citindu-l "A intersectat cu B", "A înmulţit cu B" sau
cel mai adesea "A şi B".
Observaţie. Analog putem considera produsul (sau intersecţia) a mai mult de două
evenimente scriindu-l sub forma:
n
A1  A 2  ...  A n =  A k
k =1

în cazul unei intersecţii finite sau sub forma


A1  A 2  ...  A n  ... =  A k
k =1

în cazul unei intersecţii infinite numărabile.

Exemplu: Evenimentul 𝐴 ∩ 𝐵 = „apariția unui număr par și mai mic decât 4”,
𝐴 ∩ 𝐵 = {2}.
Definiţia 6 . Se spune că evenimentele A şi B  P(Ω) sunt:
1) compatibile dacă realizarea lor simultană (sau în acelaşi timp) este posibilă şi se scrie
acest lucru sub forma:
AB  Ø
2) incompatibile dacă realizarea lor simultană este imposibilă şi se scrie acest lucru sub
forma:

AB = Ø
Observaţie. Se poate vorbi de evenimente compatibile sau incompatibile şi pentru mai mult
de două evenimente. În acest caz distingem evenimente compatibile (sau incompatibile) două câte
două sau în totalitate. Este clar că dacă evenimentele A1, A2...., An sunt incompatibile două câte
două atunci ele sunt incompatibile şi în totalitate dar nu şi reciproc. De asemenea, dacă acestea
sunt compatibile în totalitate atunci sunt compatibile două câte două dar nu şi reciproc. Putem scrie
că:
1) dacă A i  A j = Ø , 1  i  j  n , atunci A1  A 2  ...  A n = Ø , nu şi reciproc;

2) dacă A1  A 2  ...  A n  Ø atunci A i  A j  Ø , 1  i, j  n .

Definiţia 7 . Două evenimente se numesc contrare (opuse sau complementare) unul altuia
dacă realizarea unuia constă din nerealizarea celuilalt.
Observaţie 1 . Ca şi în cazul complementarei unei mulţimi, contrarul unui eveniment A se
va nota prin A , CA sau AC și se citește „nonA”.
Exemplu: Pentru evenimentul A definit anterior nonA se formulează: 𝐴̅ = „apariția unui
număr impar”, 𝐴̅ = {1, 3, 5}, iar evenimentul nonB, 𝐵̅ = „apariția uni număr mai mare sau egal
decât 4”, 𝐵̅ = {4, 5, 6}.
Observaţia 2 . Să remarcăm că două evenimente complementare sunt incompatibile dar
două evenimente incompatibile nu sunt întotdeauna complementare.

Observaţia 3 . Din definiţia precedentă deducem că:

A  A = Ø, A  A =  ,  = Ø ; Ø = 
Definiţia 8 . Se spune că evenimentele A1, A2,..., An reprezintă o partiție finită a
evenimentului sigur Ω dacă:
1) A i  A j = Ø , 1  i  j  n ;

2) A1  A 2  ...  A n = 

Observaţie. Analog relaţiei precedentă se poate vorbi şi despre o partiție infinită şi

numărabilă a evenimentului sigur Ω.
Definiţia 9 . Se spune că evenimentul A implică evenimentul B şi se scrie A  B dacă
evenimentul B se realizează ori de câte ori se realizează evenimentul A.
Observaţie 1 . Altfel spus, evenimentul A implică evenimentul B dacă realizarea lui A
implică realizarea lui B.
Observaţie 2 . În baza definiţiei anterioare rezultă că orice eveniment elementar implică cel
puţin un eveniment compus şi că orice eveniment elementar sau compus implică evenimentul
sigur.
 Definiţia 10 . Se numeşte eveniment diferenţă a evenimentelor A şi B  P(Ω) şi se notează
cu A — B evenimentul care apare oridecăte ori apare A şi nu apare B (sau evenimentul care constă
din realizarea lui A şi nerealizarea lui B).
Exemplu: Pentru exemplele definite anterior, evenimentul 𝐴 − 𝐵 = „apariția unui număr
par dar care să nu fie mai mic decât 4”, 𝐴 − 𝐵 = {4, 6}. Evenimentul 𝐵 − 𝐴 = „apariția unui
număr mai mic decât 4 dar care să nu fie par”, 𝐵 − 𝐴 = {1, 3}.
Observaţie 1 . Conform definiţiei 10 rezultă că:

A−B = AB
Observaţie 2 . Având în vedere operaţiile cu mulţimi şi proprietăţile acestora, putem scrie
imediat pentru operaţiile cu evenimente că:

A  B = B  A ; A  (B  C) = (A  B)  C ; A  A = A ; A  Ø = A ;
A  = ;
A  B = B  A ; A  (B  C) = (A  B)  C ;
A  A = A ; A  Ø = Ø; A   = A ;
(A ) = A ; A  B = A  B ; A  B = A  B
 n  n  n  n
A    B k  =  (A  B k ) ; A    B k  =  (A  B k )
 k =1  k =1  k =1  k =1

Câmp de evenimente

Definiţia 11 . O mulţime nevidă K  P( ) se numeşte corp de mulţimi, sau, pe scurt

corp dacă:

1) oricare ar fi A K rezultă că A K ;
2) oricare ar fi A şi B K rezultă că A  B K .
Observaţie. Mulţimea K având proprietăţile din definiţia anterioară se mai numeşte şi câmp
finit aditiv sau algebră de părţi.
Ca urmare a definiţiei anterioare putem formula şi deduce fără dificultate următoarele
proprietăţi ale corpului K.
Proprietatea 1 . K
 Proprietatea 2 . Ø K
Proprietatea 3 . A  B K oricare ar fi A şi B K
Proprietatea 4 . Dacă A1, A2, ..., An K atunci A1  A2  ...  An  K
Proprietatea 5 . Dacă A1 , A 2 ,..., A n  K atunci A1  A2  ...  An  K
Proprietatea 6 . Dacă A şi B K atunci A − B K
Definiţia 12 . O mulţime nevidă K  P( ), Ω având o infinitate de elemente, se numeşte
corp borelian sau  − corp dacă:
1) oricare ar fi A K rezultă că A  K ;

2) oricare ar fi A n  K , n  K , rezultă An  K
n =1

Observaţie. Mulţimea K având proprietăţile din definiţia anterioară se mai numeşte şi

câmp complet aditiv,  - algebră completă. Se pot remarca uşor asemănarea şi deosebirea dintre
conceptele de corp şi corp borelian introduse de definiţiile anterioare.

Definiţia 13 . Perechea , K în care  este o mulţime oarecare iar K este un corp (sau
corp borelian) peste  se numeşte câmp de evenimente.
Propoziţia 1 . Dacă  = 1 , 2 ,..., n  atunci câmpul de evenimente corespunzător
conţine 2n evenimente.
Demonstraţie . În baza consideraţiilor de mai sus, pentru un experiment cu n rezultate
elementare şi prin urmare pentru un eveniment sigur  compus din n evenimente elementare,
vom avea diverse evenimente compuse din acestea după cum urmează:

• evenimente compuse din câte zero evenimente elementare (Ø) = C 0n

• evenimente compuse din câte un eveniment elementar = C1n

• evenimente compuse din câte două evenimente elementare = C 2n

• evenimente compuse din câte k evenimente elementare = C kn

• evenimente compuse din câte n evenimente elementare () = C nn

şi ca urmare, numărul total de evenimente ale lui K este egal cu:
𝐶𝑛0 + 𝐶𝑛1 +. . . +𝐶𝑛𝑘 +. . . +𝐶𝑛𝑛 = 2𝑛 .

Câmp de probabilitate. Definiția clasică a probabilității

Să considerăm un câmp finit de evenimente , K în care  este evenimentul sigur

corespunzător unui experiment care poate conduce la apariţia a oricare din 𝑛 rezultate posibile.
Definiţia 14 . Oricare dintre evenimentele sau rezultatele care pot să apară cu ocazia unui
experiment se numesc evenimente posibile.
Definiţia 15 . Două sau mai multe evenimente posibile se numesc egal probabile (uneori se
zic egal posibile) dacă nu există nici un temei pentru a aprecia că unul dintre ele are mai multe sau
mai puţine şanse de realizare.
Definiţia 16 . Evenimentele elementare care compun sau alcătuiesc un eveniment compus
se numesc evenimente favorabile realizării acestuia.
Fie A K sau A   un eveniment aleator oarecare al câmpului de evenimente finit
considerat şi să notăm cu:
𝑛𝑝𝑜𝑠 (A) - numărul cazurilor posibile (elementare) ale experimentului din care poate să
apară şi evenimentul A;
𝑛𝑓𝑎𝑣 (A) - numărul de cazuri favorabile realizării evenimentului A din totalul cazurilor
posibile ale experimentului.
Definiţia 17 . (definiţia clasică a probabilităţii). Se numeşte probabilitate de realizare sau
de apariţie a evenimentului A, în sens clasic, şi se notează cu P(A) sau Prob(A) raportul dintre
numărul de cazuri favorabile şi numărul de cazuri posibile realizării evenimentului A şi anume:
𝑛𝑓𝑎𝑣 (𝐴)
𝑃(𝐴) = 𝑃𝑟 𝑜 𝑏(𝐴) = 𝑛𝑝𝑜𝑠

Observaţie 1 . Este evident că pentru orice experiment cu un număr finit de rezultate şi

pentru orice eveniment legat de acesta avem întotdeauna:
0≤ 𝑛𝑓𝑎𝑣 (𝐴) ≤ 𝑛𝑝𝑜𝑠 .

ceea ce implică o relaţie fundamentală naturală

0  Pr ob(A )  1
 Observaţie 2 . Dacă  = 1 , 2 ,..., n , presupunerea teoretică însuşită de practică prin
care evenimentele elementare posibile sunt egal probabile (sau egal posibile), adică
1
P(1 ) = P(2 ) = ... = P(n ) = , este fundamentală pentru formularea definiţiei anterioare,
n
chiar dacă apare adeseori ca simplificatoare.
Observaţie 3 . Ipoteza de considerare a evenimentelor elementare din exemplul de mai
sus ca fiind egal posibile sau egal probabile este sugerată chiar de condiţiile în care se efectuează
un astfel de experiment şi mai ales de "aprecierile excesiv de riguroase" că două aruncări
succesive nu pot fi efectuate în condiţii identice!

Definiția axiomatică a probabilității

Dacă în definiţia clasică probabilitatea apare ca un indicator numeric aproape intuitiv
privind realizarea sau nerealizarea unui eveniment, oarecare, atunci axiomatizarea lui A. N.
Kolmogorov consideră probabilitatea ca o funcţie de mulţime definită pe un câmp de evenimente
şi cu valori reale, mai precis numerice.
Pasul de la definiţia clasică la cea axiomatică a fost lent dar riguros şi chiar dacă a durat
peste 200 de ani, a pus capăt definitiv discuţiilor de tot felul prin care se acredita ideea că teoria
probabilităţilor nu poate fi un domeniu matematic serios atâta vreme cât tratează jocurile de noroc.

Definiţia 18 . (definiţia axiomatică a probabilităţii) Fie , K un câmp de evenimente. O

funcţie P: K→ R se numeşte probabilitate dacă verifică axiomele:

1) P(A )  0 , oricare ar fi A K ;
2) P(A  B) = P(A ) + P(B) , oricare ar fi A, B  K, A  B = Ø ;

3) P( ) = 1

Definiţia 19 . Tripletul , K, P, în care  este evenimentul sigur sau mulţimea

evenimentelor elementare, K este un corp de evenimente peste  iar P este o probabilitate

definită pe K, se numeşte câmp de probabilitate sau spaţiu probabilizat.
Observaţie. După cum  este mulţime finită sau infinită, se poate vorbi de un câmp de
probabilitate finit sau infinit.
 Proprietăți ale Funcției de probabilitate
În baza definiţiei axiomatice a pribabilităţii putem formula şi deduce câteva proprietăţi
ale probabilităţii, deosebit de utile în calculul probabilităţilor.
Proprietatea 1 . P(Ø) = 0.

( )
Proprietatea 2 . P A = 1 − P(A ) oricare ar fi A K
n
Proprietatea 3 . P(A1  A 2  ...  A n ) =  P(A i ) oricare ar fi A i  A j = Ø ,
i =1

1 i  j  n.
Observaţie. Adeseori proprietatea 3 este formulată mai general pentru o mulţime
numărabilă de evenimente (cum ar fi spre exemplu N), scriindu-se că:

  
P  A i  =  P(A j ), A i  A j = Ø , 1  i  j  
 i =1  i =1
Sub această formă este prezentată adeseori, în caz general, chiar şi axioma 2) din definiţia
axiomatică a probabilităţii.

Proprietatea 4 . P(A  B) = P(A ) + P(B) − P(A  B) , oricare ar fi A şi B K

Proprietatea 5 . P(A  B)  P(A ) + P(B) , oricare ar fi A şi B  K
Observaţie. În baza proprietăţii 5 se afirmă că probabilitatea este o funcţie sau o măsură
subaditivă.

Proprietatea 6 . P(B − A ) = P(B) − P(A  B) oricare ar fi A şi B  K

Proprietatea 7 . Pentru orice A  K rezultă că 0  P(A )  1 .
Proprietatea 8 . P(A − B)  (B − A ) = P(A ) + P(B) − 2P(A  B) , oricare ar fi A,
B K .

Observaţie 1 . Evenimentul AB = (A − B)  (B − A ) se mai numeşte şi diferenţă

simetrică a evenimentelor A şi B.
Observaţie 2 . Se poate constata fără dificultate că definiţia clasică şi definiţia axiomatică
ale probabilităţii nu sunt contradictorii. Mai mult, acestea se completează una pe alta şi fac
conceptul mai clar şi mai riguros.
 Probabilitate condiționată. Independență probabilistică

Fie , K, Pun câmp de probabilitate şi evenimentele A şi B  K .

Definiţia 20 . Se numeşte probabilitate a evenimentului A condiţionată de evenimentul B
şi se notează cu P(A/B), sau cu P B (A), raportul:
P(A  B ) P(B)  0
P(A B ) = PB (A ) = ,
P(B )
Observaţie . Analog putem vorbi şi despre probabilitatea evenimentului B condiţionată de
evenimentul A ca fiind:
P(A  B ) P(A )  0
P(B A ) = PA (B) = ,
P(A )

şi remarcăm că oricare ar fi A şi B K , P(A )  0 , P(B)  0 , avem:

P(A)P(B A) = P(A  B) = P(B)P(A B)
Propoziţia 2 . Expresia P(A /B) dată de este o probabilitate pe K.
Demonstraţie . Să verificăm pe rând condiţiile definiţiei axiomatice a probabilităţii:

1) P(A B)  0 , oricare ar fi A K
2) P(A1  A 2 ) B = P(A1 B) + P(A 2 B) oricare ar fi A1 , A 2  K ,
A1  A 2 = Ø
3) P( B) = 1.
P(A  B )
Din P(A B ) = PB (A ) = rezultă că P(A B)  0 ca raport de probabilităţi.
P(B )

Observaţie . Ca urmare a definiţiei 20 şi a propoziţiei 2 se poate spune că

, K, P(A B) este un câmp de probabilitate.

Propoziţia 3 . Oricare ar fi A şi B  K are loc egalitatea:

(
P(A ) = P(A B )P(B ) + P A B P B )()
 Observaţie . Dacă realizarea lui A depinde şi de B şi de B , atunci, conform cu 20 ,
probabilitatea realizării lui A este o sumă ponderată a probabilităţilor condiţionate P(A/B) şi P(A/

B ), ponderile fiind tocmai P(B) şi P( B ).

Propoziţia 4 . Oricare ar fi A, B şi C din K cu P(C)  0 , are loc relaţia:
P(A  B) C = P(A C) + P(B C) − P(A  B) C
Observaţie . Relaţia P(A  B) C = P(A C) + P(B C) − P(A  B) C
reprezintă o transpunere a proprietăţii 4 a probabilităţii la cazul probabilităţii
condiţionate.

Definiţia 20 . Fie , K, P un câmp de probabilitate şi A, B  K . Se spune că

evenimentele A şi B sunt independente probabilistic dacă:

P(A  B) = P(A )P(B)

Observaţie . Independenţa probabilistică a evenimentelor A si B este înţeleasă în sensul
că realizarea sau nerealizarea unuia dintre ele nu influenţează realizarea sau nerealizarea
celuilalt. Remarcăm că dacă A şi B sunt independente probabilistic, atunci:

P(A B) = P(A) şi P(B A) = P(B)

Propoziţia 5 . Dacă A şi B sunt independente probabilistic atunci A şi B, A şi B precum

şi A şi B sunt deasemenea independente.

Definiţia 21 . Fie câmpul de probabilitate , K, P. Evenimentele A1 , A 2 ,..., A n din

K se zic independente probabilistic:

( ) ( )
1) două câte două dacă P A i  A j = P(A i )P A j oricare ar fi 1  i  j n;
2) în totalitate sau global dacă 𝑃(⋂𝑛𝑖=1 𝐴𝑖 ) = ∏𝑛𝑖=1 𝑃(𝐴𝑖 ).
Observaţie. În general "independenţa în totalitate" şi "independenţa două câte două " nu
sunt echivalente.
 Formule de adunare și de înmulțire ale probabilităților

Propoziţia 6 . Oricare ar fi A şi B  K au loc relaţiile:

P(A ) + P(B) , dacă A  B = Ø

P(A  B) = 
P(A ) + P(B) − P(A  B), dacă A  B = Ø
P(A )P(B) , dacă A şi B sunt independente
P(A  B ) = 
P(A )P(B A ), dacă A şi B nu sunt independente

Observaţie . Extinzând rezultatele din propoziţia 6 la trei evenimente vom putea formula
o altă propoziţie ca un pas necesar spre generalizare.
Propoziţia 7 . Oricare ar fi A, B şi C  K au loc relaţiile:

P(A ) + P(B) + P(C), dacă A  B = B  C = C  A = Ø

P(A  B  C) = 
P(A ) + P(B) + P(C) − P(A  B) + P(A  C) + P(B  C) + P(A  B  C), în caz contrar
P(A )P(B)P(C) , dacă A, B, C sunt independente în totalitate
P(A  B  C) = 
P(A )P(B A )PC (A  B), în caz contrar
Observaţie 1 . Extinzând propoziţia 7 pentru 𝑛 evenimente A i i =1 ale câmpului de
n

probabilitate , K, P, se poate scrie următoarele:

1) dacă A i i =1 sunt incompatibile două câte două, adică A i  A j = Ø ,
n

1  i  j  n , atunci:
n  n
P  A i  =  P(A i )
 i=1  i =1
2) dacă A i i =1 nu sunt incompatibile două câte două, atunci
n

n  n
P  A i  =  P(A i ) −  P(A i  A j ) +  P(A i  A j  A k ) + ...ş.a.m.d.
n

 i =1  i =1 i  j=1 i  j k

semnul alternând (egalitatea numindu-se formula lui Poincaré)

3) dacă A i i =1 sunt independente în totalitate atunci:

n
 . 𝑃(⋂𝑛 𝑛
𝑖=1 𝐴𝑖 ) = ∏𝑖=1 𝑃(𝐴𝑖 )

4) dacă A i i =1 nu sunt independente în totalitate atunci:

n

P(A1  A 2  ...  A n ) = P(A1 )P(A 2 A1 )P(A3 A1  A 2 )...PA n (A1  A 2  ...  A n −1 )

Observaţie 2 . Expresii similare pot fi scrise şi pentru cazul unei mulţimi numărabile de

evenimente (i  N sau i  I  N ).
Observaţie 3 . Se poate arăta că întotdeauna are loc inegalitatea

n  n
P  A i    P(A i )
 i =1  i =1
confirmându-se că probabilitatea este o măsură subaditivă.

Fie , K, Pun câmp de probabilitate şi evenimentele A şi B

Propoziția 8. Formula probabilității totale. Fie , K, Pun câmp de probabilitate şi

mulțimea de evenimente A i i =1 incompatibile două câte două cu proprietatea, Ω= ⋃𝑛

n
𝑖=1 𝐴𝑖 .

O astfel de mulțime de evenimente se numește partiție a evenimentului sigur sau sistem complet
de evenimente. Atunci probabilitatea oricărui eveniment A∈ 𝐾 este dată de formula:
𝑃(𝐴) = 𝑃(𝐴1 ) ⋅ 𝑃(𝐴|𝐴1 ) + 𝑃(𝐴2 ) ⋅ 𝑃(𝐴|𝐴2 )+. . . +𝑃(𝐴𝑛 ) ⋅ 𝑃(𝐴|𝐴𝑛 ).

Propoziția 9. Formula lui Bayes. Fie , K, Pun câmp de probabilitate şi mulțimea de
evenimente A i i =1 un sistem complet de evenimente și A∈ 𝐾 un eveniment oarecare, atunci
n

probabilitatea evenimentului 𝐴𝑗 condiționat de A este dată de formula lui Bayes:

𝑃(𝐴𝑗 )𝑃(𝐴|𝐴𝑗 )
𝑃(𝐴𝑗 |𝐴) =
𝑃(𝐴)
Exemplul 1. La examenul de Bacalaureat, în anii anteriori, elevii absolvenți ai colegiilor
naționale au promovat, în medie, acest important examen în proporție de 90%, absolvenții liceelor
vocaționale în proporție de 70% iar cei ai liceelor tehnologice 40%.
a) Dacă într-o anumite regiune se găsesc 4 colegii naționale, 2 liceele vocaționale și 14
licee tehnologice care este probabilitatea ca un absolvent din această regiune să promoveze
examenul de Bacalaureat în acest an.
 b) Dacă se știe că absolventul nu a promovat examenul care este probabilitatea ca el să fie
un absolvent al unui liceu tehnologic, dar al unui liceu vocațional, dar al unui colegiu.
Rezolvare: Se notează cu A evenimentul ca un absolvent din regiunea studiată să
promoveze examenul, A1 evenimentul ca absolventul să provină de la un colegiu național, A2
absolventul să provină de la un liceu vocațional și A3 absolventul să provină de la un liceu

tehnologic. P( A1 ) = 4 = 0,2, P( A2 ) = 2 = 0,1, P( A3 ) = 14 = 0,7 . Mulțimea evenimentelor A1, A2,

20 20 20
A3 formează un sistem complet de evenimente.
Probabilitatea evenimentului A depinde de cele trei evenimente A1, A2, A3 și anume
probabilitatea ca absolventul să promoveze examenul știind că este un absolvent de colegiu
( )
național este P A A1 = 0,9 , dacă este un absolvent de liceu vocațional, probabiliatatea de a

promova este P(A ) = 0,7, iar în cazul unui liceu tehnologic P(A ) = 0,4 . Se aplică astfel
A2 A3

formula probabilității totale.

a) 𝑃(𝐴) = 𝑃(𝐴1 ) ⋅ 𝑃(𝐴|𝐴1 ) + 𝑃(𝐴2 ) ⋅ 𝑃(𝐴|𝐴2 ) + 𝑃(𝐴3 ) ⋅ 𝑃(𝐴|𝐴3 )
P( A) = 0,2  0,9 + 0,1 0,7 + 0,7  0,4 = 0,53

b) Știind că nu a promovat examenul, evenimentul ca absolventul să provină de la un

()
colegiu este A1 condiționat de nerealizarea lui A unde P A = 1 − 0,53 = 0,47 . Pentru a calcula
probabilitatea acestui eveniment se aplică formula lui Bayes

( ) = P(A P)(PA()A ) = 0,02,47 0,1 = 0,04255,

P A1 A
1 A1

asemănător

( ) = P(A P)(PA()A ) = 0,01,470,3 = 0,06382,

P A2 A
2 A2

( ) = P(A P)(PA()A ) = 0,07,47

P A3 A
3 A3  0,6
= 0,89363.

10. La un atelier de croitorie, în medie, 3% dintre lengeriile de pat confecționate sunt cu

defecte. Serviciul financiar al firmei împreună cu serviciul de control al calității, pentru a stimula
personalul să lucreze cât mai bine, trimestrial face premieri muncitorilor în urma unor controale a
produselor confecționate de ei. Dintre 100 de produse sunt verificate patru dacă primul produs
este fără defecte muncitorul primește 20 lei, dacă și al doilea produs este bun mai primește 20 lei,
dacă și al treilea este fără defect mai primește 20 de lei și dacă toate sunt fără defecte muncitorul
primește o primă de 80 de lei în total, dacă primul al doilea sau al treilea produs verificat are defect
nu se mai continuă premierea. Aflați care este probabilitatea ca un muncitor al firmei să primească
o primă de 20 lei, 40 lei, 60 și respectiv de 80 de lei; dar care este probabilitatea să nu primească
niciun stimulent la verificarea efectuată.
Rezolvare: Fie A1 evenimentul ca primul produs să fie fără defecte, A2 evenimentul ca al
doilea produs să fie bun, A3 și respectiv A4, produsul de la a treia și respectiv a patra verificare

să fie bun. Probabilitățile acestor evenimente sunt P( A1 ) =

97
. Evenimentul A2 depinde de
100

realizarea lui A1. Dacă A1 s-a realizat atunci P A2 ( A1 ) = 96

99
, asemănător A3 depinde de realizarea

( ) = 95 , de asemenea P (A ) = 97
94
evenimentelor A1 și A2, astfel P A3 A1  A2 4 A1  A2  A3
. Dacă A se
98
notează evenimentul ca un muncitor să fie premiat cu 20 lei, B evenimentul ca muncitorul să
primească 40 lei, C să primească 60 lei iar D 80 lei. Evenimentele sunt date de A = A1 ,

B = A1  A2 , C = A1  A2  A3 ,
D = A1  A2  A3  A4 . Astfel, probabilitățile acestor evenimente sunt

P ( A) =
97
,
100

(
P (B ) = P ( A1 )  P A2 A1 ) = 100
97 96

99
= 0,940606,

(
P (C ) = P ( A1 )  P A2 A1 ) P(A3 A1  A2 ) = 100
97 96 95
 
99 98
= 0,911811 ,

(
P(D ) = P( A1 )  P A2 A1 ) P(A 3 A1  A2 ) P(A 4 A1  A2  A3 ) = 100
97 96 95 94
  
99 98 97
= 0,883611.

()
P A =
3
100
= 0,03 este probabilitatea ca muncitorul să nu primească niciun premiu.
 Variabile aleatoare. Definiții notații și proprietăți
În ciuda faptului că după repetarea unui experiment de un număr mare de ori intervine o
anumită regularitate în privinţa apariţiei unor rezultate ale acestuia, nu se poate preciza niciodată
cu certitudine care anume dintre rezultate va apare, într-o anumită probă. Din acest motiv
cuvântul sau conceptul "aleator" trebuie înţeles sau gândit în sensul că avem de a face cu
experimente sau fenomene care sunt guvernate legi statistice (atunci când există un anumit grad
de incertitudine privind apariţia unui rezultat sau reapariţia lui) şi nu de legi deterministe (când
ştim cu certitudine ce rezultat va apare sau nu). Pentru ca astfel de experimente sau fenomene si
fie cunoscute şi prin urmare studiate, sunt importante şi necesare două lucruri şi anume:
1) rezultatele posibile ale experimentului, care pot constitui o mulţime finită, infinită dar
numărabilă sau infinită şi nenumărabilă;
2) legea statistică sau probabilităţile cu care este posibilă apariţia rezultatelor
experimentului considerat.
În linii mari şi într-un înţeles mai larg, o mărime care ia valori la întâmplare sau aleatoriu
dintr-o mulţime oarecare posibilă se numeşte variabilă aleatoare (sau întâmplătoare). Se poate da
şi o definiţie riguroasă.

Definiţia 1. Fie , , P un câmp de probabilitate. Numim variabilă aleatoare reală

unidimensională o funcţie X :  → R cu proprietatea că pentru orice a  R avem:

   | X()  a 
Observaţia 1 . Mulţimea    | X()  ase mai notează şi cu  | X()  a
înţelegând de fapt că    , iar uneori chiar {X<a} fără a face confuzii. Mărimea X(  ) se
numeşte valoare a variabilei aleatoare. Cu aceste precizări rezultă că X:  → R este o variabilă
aleatoare reală unidimensională dacă pentru orice a  R mulţimea valorilor lui X inferioare lui a
este un eveniment al câmpului de probabilitate considerat.
Observaţia 2 . Există şi alte moduri de a defini o variabilă aleatoare echivalente cu
definiţia 1.
Observaţia 3 . Să remarcăm că în definiţia variabilei aleatoare nu apare conceptul de
probabilitate ci doar valorile acesteia.
 Observaţia 4 . Dacă X:  → Rn atunci putem introduce conceptul de variabilă aleatoare

reală vectorială (sau de vector aleator real) printr-o relaţie identică cu 1 dar în care X ()  R
n

şi a  Rn sunt vectori.
Observaţia 5 . Dacă valorile pe care le ia o variabilă aleatoare sunt numere, aşa cum
sugerează definiţia 1, atunci se spune că avem variabile aleatoare cantitative. Există însă şi
experimente în care rezultatele sunt calităţi sau însuşiri şi prin urmare ajungem la variabile
aleatoare ale căror valori nu mai sunt numere ci calităţi. Acestea se numesc variabile aleatoare
calitative şi pot fi şi ele unidimensionale sau vectoriale. În cazul vectorilor aleatori putem avea
unele variabile aleatoare cantitative şi altele calitative (aşa cum putem constata uşor în practica
sondajelor). O codificare numerică a calităţii fiind totdeauna posibilă, se vorbeşte frecvent însă
doar de variabile aleatoare cantitative.
Definiţia 2 . Se spune că variabila aleatoare X:  → R este:
1) discretă dacă mulţimea valorilor pe care acesta le ia este o mulţime finită sau cel mult
numărabilă;
2) continuă dacă mulţimea valorilor pe care aceasta le ia este un interval sau cel mult o
reuniune finită de intervale.
Observaţia. Adeseori, valoarea X(  ) se mai notează cu x, fără pericolul confuziei.
Definiţia 3 . Se numeşte repartiţie a unei variabile aleatoare discrete un tabel care să
cuprindă valorile pe care le ia variabila precum şi probabilităţile cu care pot apare aceste valori şi
se notează astfel:

 x x 2 .... x i ... 
X :  1 
 1 2
p p .... p i ... 
unde x i = X(i ), pi = P(X = x i ) = PX() = x i   0 , i  I  N ,  p i = 1, mulţimea I
iI

putând fi finită sau cel mult numărabilă.

Observaţie. Având în vedere definiţia câmpului de evenimente rezultă imediat că dacă

 / X()  a K atunci şi  / X()  a K

Teorema 1 . Daca X este o variabilă aleatoare şi k o constantă reală finită, atunci:

2 1
1) X+k; 2) kX ; 3) X ; 4) X ; 5) , X0
X
sunt deasemenea variabile aleatoare (X:  → R).
Demonstraţie . Ţinând cont de definiţia 1 şi având în vedere operaţiile cu evenimente,
deducem fără dificultate că:

1)  / X() + k  a =  / X()  a − k 

 a
  / X ( )    ,
2)  / kX ()  a = 
 k
 / X()  a    ,
 k
 
3)  / X()  a =  / X()  a   / X()  −a 

  
4)  / X ()  a =  / X() 
2
 
a   / X()  − a   

ω/X(ω )  0  , pentru a = 0

 1    1
5)  /  a  = ω/X(ω )  0  X(ω )     , pentru a  0
 X()    a
ω/X(ω )  0  X(ω )  1    , pentru a  0
  
 a
şi demonstraţia este încheiată.
Teorema 2 . Fie X şi Y două variabile aleatoare (X,Y:Ω→  ). Atunci

1)  | X()  Y() 
2)  | X()  Y() 

3)  | X() = Y() 
Teorema 3 . Dacă X şi Y sunt două variabile aleatoare, atunci:
X
1) X − Y; 2) X + Y; 3) XY; 4) ,Y  0
Y
sunt deasemenea variabile aleatoare.
Observaţie . Teoremele de mai sus sunt remarcabile privind conceptul de variabilă
aleatoare şi operaţiile care pot fi făcute cu acestea şi pe care le vom concretiza în cele ce
urmează.
 Operații cu variabile aleatoare discrete
 xi   yi 
Fie X :  ,1  i  m şi Y :  ,1  j  n două variabile aleatoare discrete
 pi   qi 
cantitative. Să notăm cu:
m n
ij = P(X = x i , Y = yi ),1  i  m,1  j  n,  ij = 1
i =1 j=1

probabilitatea de realizare simultană a evenimentelor X = x i  şi Y = y j  adică

 ij = P(X = x i   Y = y j ).
Definiţia 3 . Fiind date variabilele aleatoare discrete

x  y 
X :  i ,1  i  m şi Y :  i ,1  j  n
 pi   qi 
şi vectorul aleator corespunzător acestora (X, Y),
( )
1) numerele  ij date de relaţia  ij = P(X = x i , Y = y i ) reprezintă repartiţia

probabilistă comună a vectorului sau perechii aleatoare (X, Y);

2) numerele (pi ) şi respectiv (qj ) reprezintă repartiţia probabilistă marginală sau
individuală a variabilei aleatoare X şi respectiv Y.
( )
Propoziţia 1 . Între repartiţia comună  ij şi repartiţiile individuale (pi) şi (qj ) ale

variabilelor aleatoare X şi Y au loc relaţiile:

n m
p i =  ij , q j =  ij ,1  i  m,1  j  n
j=1 i =1

Demonstraţie. Se deduc următoarele relații:

 
p i = P(X = x i ) = PX = x i   = P X = x i    Y = y j  =
n

 j=1 

n  n
= P  (X = x i  Y = y i ) =  P(X = x i ; Y = y j ) =   ij
n

 j=1  j=1 j=1

  
deoarece Y = y j  (Y = y k ) = Ø şi

X = x i , Y = y j  X = x i , Y = y k  = Ø,1  j  k  n . Analog se obţine şi cealaltă relaţie

şi propoziţia este demonstrată.
Definiţia 4 . Se spune că variabilele aleatoare discrete X şi Y date mai sus sunt independente

probabilistic dacă pentru orice pereche (i, j) cu 1  i  m şi 1  j  n are loc egalitatea:

 ij = p i q i
Observaţie. Dacă relaţia de mai sus nu este îndeplinită măcar pentru o pereche de indici i
şi j atunci variabilele X şi Y se zic dependente probabilistic.
Observaţie. Definiţiile şi exemplele care urmează completează şi ilustrează operaţiile cu
variabile aleatoare introduse de către teoremele 1 şi 3 pentru cazul concret al variabilelor aleatoare
discrete. Fie aşadar variabilele aleatoare discrete

 xi  m
y  n
X :  , p i  0,  p i = 1 şi Y :  j , y j  0,  q j = 1
 pi  i =1 qj  j=1

m n
având repartiţia comună ij  0,  ij = 1. Fie deasemenea constantele reale a şi b.
i =1 j=1

Definiţia 5 . Se numește
1) produs al variabilei aleatoare X cu constanta a variabila aleatoare:

 ax 
aX :  i ,1  i  m
 pi 
2) putere a variabilei aleatoare X de exponent a variabila aleatoare

 xa 
X a :  i ,1  i  m
 pi 
cu condiţia ca operaţiile x i ,1  i  m , să aibă sens;
a

3) sumă a variabilelor aleatoare aX şi bY variabila aleatoare

 ax i + by j  1  i  m
aX + bY :  ,
 1 j n
  ij 
4) produs al variabilelor aleatoare X şi Y variabila aleatoare
  xi y j  1  i  m
aX  bY :  ,


 ij  1  j  n
5) raport al variabilelor aleatoare X şi Y variabila aleatoare

 xi 
X   1 i  m
:  y j ,
Y   1 j  n
  ij 

cu condiţia ca operaţiile
xi
(
să aibă sens y j  0,1  j  n )
yj
Observaţie . Pornind de la definiţia 5 pot fi definite sau construite şi alte variabile
aleatoare (sume, produse, rapoarte, puteri sau combinaţii ale acestora pentru două sau mai multe
variabile aleatoare discrete). Să remarcăm însă că este necesară cunoaşterea repartiţiei comune
pentru a putea efectua anumite operaţii cu variabile aleatoare.

Valoare medie a unei variabile aleatoare

Definiţia 1 . Fiind dată variabila abatoare X, se numeşte valoare medie a acesteia şi se

notează de obicei cu M(X) expresia (dacă există):
n
M(X ) =  x i p i sau M(X ) =  x i p i , I  N unde X este o variabilă aleatoare discretă
i =1 iI

Observaţie. Condiţia ˝dacă există˝ impusă expresiei M(X) se referă la:

1) convergenţa seriei numerice cu termeni pozitivi

 
 x i pi , IN  p i  0,  p i = 1
iI  iI 
care apare în cazul unei variabile aleatoare discrete a cărei mulţimi de valori este infinită dar
numărabilă; r
Observaţie 2. În literatura matematică străină valoarea medie se notează cel mai adesea cu
E(X), ca o prescurtare de la esperance (speranţă).
Observaţie 3. Următoarele proprietăţi ale valorii medii sunt adevărate pentru orice variabile
aleatoare.
 Propoziţia 1 . Valoarea medie a unei constante k este constanta însăşi, adică:

M(k ) = k , k = constantă reală

Demonstraţie . Variabila aleatoare constantă k este

k
k :  
1
n
şi conform M(X ) =  x i p i cu rezultă că M(k) = k.
i =1

Propoziţia 2 . Dacă X este variabilă aleatoare iar a şi b două constante reale arbitrare atunci:

M(aX + b ) = aM (X ) + b
Propoziţia 3 . Dacă X şi Y sunt variabile aleatoare iar a şi b două constante reale arbitrare,
atunci
M(aX + bY) = aM(X) + bM(Y)
Observaţie 1 . Dacă în M(aX + bY) = aM(X) + bM(Y) avem
1) a = b = 1, atunci M(X + Y) = M(X) + M(Y);
2) a = 1; b = -1, atunci M(X-Y) = M(X) – M(Y).
Observaţie 2 . Extinzând repartiţia comună de la două variabile aleatoare (X,Y) la trei
variabile aleatoare (X,Y, Z) şi notând cu:
a) (pi), 1 ≤ i ≤ m; (qj), 1 ≤ j ≤ n; (rk), 1 ≤ k ≤ s repartiţiile individuale ale variabilelor
aleatoare X,Y şi Z;

b) ( ), 1 ≤ i ≤ m, 1 ≤ j ≤ m, 1 ≤ k ≤ s repartişia comună a celor trei variabile (X,Y,Z), se

ij

poate demonstra că
n s m n
p i =  ijk ; q j =  ijk ; rs =  ijk
m s
(1)
j=1 k =1 i =1 k =1 i =1 j=1

şi , generalizând relaţia M(aX + bY) = aM(X) + bM(Y) deducem că dacă X,Y şi Zsunt variabile
aleatoare a,b şi c constante reale atunci:
M(aX+bY+cZ)=aM(X)+bM(Y)+cM(Z) (2)
Continuând generalizările (1) şi (2), putem considera, chiar dacă scrierea este mai greoaie,
variabilele aleatoare X1, X2, ..., Xn şi constantele reale a1, a2, ..., an şi extindem relaţia
M(aX + bY) = aM(X) + bM(Y)
sub forma

 n  n
M  a i X i  =  a i M(X i )
 i=1  i=1
cu condiţia existenţei variabilei aleatoare sumă şi a valorilor medii individuale.

Propoziţia 4 . Dacă X şi Y sunt variabile aleatoare independente probabilistic atunci

M(X  Y ) = M(X )M(Y ) (6.4.9.)

Observaţie 1 . Relaţia (6.4.9.) se mai foloseşte adeseori pentru a defini independenţa
variabilelor aleatoare.
Observaţie 2 . Ca şi în cazul generalizării relaţiei
M(aX + bY) = aM(X) + bM(Y)
putem spune că dacă variabilele aleatoare X1, X2, ..., Xn sunt independente probabilistic în totalitate
atunci:

 n  n
M  X i  =  M(X i )
 i =1  i =1
Propoziţia 5 . Dacă X este o variabilă aleatoare discretă finită (simplă) atunci
min x i   M(X )  max x i 
1i  m 1i  m

Dispersie. Abatere medie pătratică. Momente

Definiţie 1 . Fie X o variabilă aleatoare care admite valoare madie M(X).Variabila

aleatoare X-M(X) se numeşte abatere de la medie .
Observaţie . În cazul discret,varibila aleatoare abatere de la medie are forma

 x − M(X) 
X − M (X) :  i  , 1  i  n
 i
p 
şi remarcăm că,pe baza proprietăţilor valorii madii, M[X-M(X)]=0 ceea ce înseamnă că “media
abaterilor de la medie” este nulă.
 Definiţie 2 .Fiind dată variabila aleatoare X care admite valoarea medie M(X),se numeşte

dispersie a acesteia şi se notează de obicei cu D (X) sau  (X) expresia (dacă există)
2 2

D 2 (X) = M[(X − M(X) 2 ] =  2 (X)

2
Observaţie 1 . Condiţia „dacă există” impusă expresiei D (X) are aceeaşi justificare ca

şi în cazul valorii medii.

Observaţie 2 . În mod explicit,dispersia are expressia
n
D 2 (X) =  (x i − M(X) ) p i
2

i =1

unde X este o variabilă aleatoare discretă.

Observaţie 3 . Dispersia este un indicator numeric al gradului de împrăștiere (sau de

dispersare) a valorilor unei variabile aleatoare în jurul valorii medii a acesteia.
2
Definiţie 3 . Fiind dată variabila aleatoare X cu dispersia D (X) , expresia sau numărul

 = D(X) = D 2 (X)
se numeşte abatere medie pătratică sau abatere standard a variabilei aleatoare X.
Definiţie 4 . Se numeşte moment iniţial de ordinul r, r  N ,al variabilei aleatoare X
expresia (dacă există)
Mr(X)=M(Xr)
Observaţie . În mod explicit, momentul iniţial de ordin r este
n
M r (X) =  x ir p i , X este variabilă aleatoare discretă sau
i =1

Definiţie 5 . Se numeşte moment centrat de ordinul r, r  N ,al variabilei aleatoare X

expresia (dacă există)

 r (X) = M r (X − M(X)) = M[(X − M(X))r ]

Observaţie 1 . În mod explicit,momentul centrat de ordin r este
n
 r (X) =  (x i − M(X) ) p i , X este variabilă aleatoare discretă
r

i =1

.
Observaţie 2 .Să remarcăm că:
 1. dacă r=1 , atunci M1 (X) = M(X)
2. dacă r=2 , atunci  2 = D (X)
2

Propoziţia 6 . D (X)  0 oricare ar fi variabila aleatoare X.

2

Propoziţia 7 . Dacă există,atunci întotdeauna

D 2 ( X) = M( X 2 ) − M 2 ( X)
Observaţie . Din propoziţiile 5 şi 6 rezultă că

( )
M X 2  M 2 (X )
pentru orice variabilă aleatoare pentru care M(X) şi M(X2) există.

Observaţie. În practică, deseori, relaţia D (X) = M(X ) − M (X) este folosită

2 2 2

pentru calculul dispersiei.

Propoziţia 7. Dacă există, atunci

D 2 (aX ) = a 2 D 2 (X )
oricare ar fi variabila aleatoare X şi oricare ar fi constanta reală a.
Demonstraţie .

( ) ( )
D 2 (aX ) = M a 2 X 2 − M 2 (aX ) = a 2 M X 2 − a 2 M 2 (X ) = a 2 D 2 (X )

Propoziţia 8 . D (k ) = 0 oricare ar fi constanta reală k.

2

Demonstraţie . D (k ) = M k
2
( )− M
2 2
(k ) = M 2 (k ) − M 2 (k ) = 0
Propoziţia 9 . Dacă există, atunci

D 2 (aX + b ) = a 2 D 2 (X )
oricare ar fi variabila aleatoare X şi oricare ar fi constantele reale a şi b.
Propoziţia 10 . Dacă există, atunci pentru orice a şi b constante reale

D 2 (aX + bY ) = a 2 D 2 (X ) + b 2 D 2 (Y )
dacă X şi Y sunt variabile aleatoare independente şi

D 2 (aX + bY ) = a 2 D 2 (X ) + b 2 D 2 (Y ) + 2abM(XY ) − M(X )M(Y )

dacă X şi Y sunt variabile aleatoare dependente.
 Observaţie 1 . Conform propoziţiei 10, rezultă

D 2 (X + Y ) = D 2 (X − Y ) = D 2 (− X + Y ) = D 2 (− X − Y ) = D 2 (X ) + D 2 (Y )
dacă X şi Y sunt variabile aleatoare independente;

D 2 (X + Y ) = D 2 (− X − Y ) = D 2 (X ) + D 2 (Y ) + 2(M(XY ) − M(X )M(Y )) şi

D 2 (X − Y ) = D 2 (− X + Y ) = D 2 (X ) + D 2 (Y ) − 2(M(XY ) − M(X )M(Y ))

dacă X şi Y sunt variabile aleatoare dependente.
Observaţie 2 . Relaţia

D 2 (aX + bY ) = a 2 D 2 (X ) + b 2 D 2 (Y ) + 2abM(XY ) − M(X )M(Y )

poate fi extinsă la mai mult de două variabile aleatoare pentru care există dispersiile
corespunzătoare astfel că oricare ar fi variabilele aleatoare (Xi) şi constantele reale (ai), 1≤i≤n,
avem:

2  n 2 2
D   a i X i  =  a i D (X i ) + 2  a i a j (M(X i X j ) − M(X i )M(X j ))
n n

 i=1  i=1 i j=1

de unde, dacă variabilele aleatoare (Xi) sunt independente două câte două rezultă că

2  n 2 2
n
D   a i x i  =  a i D (x i )
 i=1  i=1
Observaţie 3 . Nu există o formulă pentru D2(XY) în funcţie de D2(X) şi D2(Y) aşa cun se
întâmplă în cazul valorii medii!