Proiect cofinanţat din Fondul Social European prin Programul Operaţional Sectorial Dezvoltarea Resurselor Umane 2007-2013

Investeşte în oameni!

Formarea profesională a cadrelor didactice

din învăţământul preuniversitar
pentru noi oportunităţi de dezvoltare în carieră

NUMĂRARE, STATISTICĂ,
PROBABILITĂŢI
Nicolae-Adrian SECELEAN

Program de conversie profesională la nivel postuniversitar

pentru cadrele didactice din învăţământul preuniversitar

Specializarea MATEMATICĂ
Forma de învăţământ ID - semestrul II

2011
 MATEMATICĂ

Numărare, statistică, probabilităţi

Nicolae-Adrian SECELEAN

2011
© 2011 Acest manual a fost elaborat în cadrul "Proiectului pentru
Învăţământul Rural", proiect co-finanţat de către Banca Mondială,
Guvernul României şi comunităţile locale.

Nici o parte a acestei lucrări nu poate fi reprodusă fără acordul

scris al Ministerului Educaţiei, Cercetării, Tineretului şi Sportului.

ISBN 973-0-04103-2
 Cuprins

CUPRINS

Introducere .................................................................................................... 1

Unitatea de învăţare 1: Numărare şi probabilităţi .................................... 2

Obiectivele Unităţii de învăţare 1 .................................................................... 2
1.1 Elemente de combinatorică. Mulţimi ordonate. Permutări. Aranjamente.
Combinări ............................................................................................ 3
1.2 Probleme de numărare ....................................................................... 4
1.3 Experiment, probă, eveniment aleator ............................................... 15
1.4 Eveniment sigur. Eveniment imposibil ............................................... 17
1.5 Evenimente contrare .......................................................................... 17
1.6 Evenimente compatibile. Evenimente incompatibile .......................... 18
1.7 Eveniment implicat de un alt eveniment ............................................. 18
1.8 Reuniunea şi intersecţia evenimentelor ............................................. 19
1.9 Dualitate de limbaj ............................................................................. 20
1.10 Frecvenţă relativă .............................................................................. 22
1.11 Probabilitate ....................................................................................... 24
1.12 Probabilităţi condiţionate .................................................................... 27
1.13 Evenimente independente ................................................................. 29
1.14 Comentarii şi răspunsuri la testele de autoevaluare .......................... 34
1.15 Lucrare de verificare pentru studenţi pentru unitatea 1 ...................... 34
1.16 Bibliografie pentru unitatea 1 ............................................................. 35

Unitatea de învăţare 2: Variabile aleatoare ............................................... 37

Obiectivele Unităţii de învăţare 2 .................................................................. 37
2.1. Variabile aleatoare. Repartiţii……… ... ……….....................................37
2.2. Operaţii cu variabile aleatoare………… ............................................. 39
2.3. Valori importante ale unei variabile aleatoare .................................... 42
2.4. Repartiţia binomială (Bernoulli) .......................................................... 50
2.5. Repartiţia binomială generalizată (Poisson) ....................................... 53
2.6. Repartiţia hipergeometrică ................................................................. 55
2.7. Comentarii şi răspunsuri la testele de autoevaluare .......................... 58
2.8. Lucrare de verificare pentru studenţi pentru unitatea 2 ...................... 59
2.9. Bibliografie, pentru unitatea 2 ............................................................ 59

Unitatea de învăţare 3: Statistică .............................................................. 60

Obiectivele Unităţii de învăţare 3 .................................................................. 60
3.1. Populaţie statistică ............................................................................. 61
3.2. Selecţia, gruparea şi prelucrarea datelor ........................................... 62
3.3. Frecvenţă (absolută, relativă, cumulată) ............................................ 65
3.4. Serii statistice. Analogia cu noţiunea de variabilă aleatoare .............. 71
3.5. Reprezentări grafice ale seriilor statistice .......................................... 74
3.6. Valori caracteristice ale unei serii statistice ........................................ 78
3.7. Comentarii şi răspunsuri la testele de autoevaluare .......................... 85
3.8. Lucrare de verificare pentru studenţi pentru unitatea 3 ...................... 85
3.9. Bibliografie, pentru unitatea 3 ............................................................ 86
Bibliografie .................................................................................................. 87
i
 Introducere

INTRODUCERE

Problemele de numărare au apărut şi apar la tot pasul, chiar în

cotidian, prin "numărare" înţelegând, de fapt, determinarea numărului
elementelor unei mulţimi care satisfac anumite proprietăţi. Dacă, în unele
cazuri, determinarea aceasta este foarte simplă, sunt totuşi multe situaţii în
care suntem nevoiţi să folosim unele metode şi tehnici care pot fi uneori
destul de complicate. Este nevoie atunci de o gândire logică, algoritmică. În
acest context sunt prezentate câteva elemente teoretice, exemple şi aplicaţii.
Bazele teoriei probabilităţilor (aceasta bazându-se în mod esenţial pe
numărare) au fost puse în secolul al XVII-lea de către matematicienii B.
Pascal (1623-1662) şi P. Fermat (1601-1665). Probabilitatea unui eveniment
este înţeleasă ca o măsură a şansei acestuia de a se realiza. Fondator al
teoriei moderne a probabilităţilor este, pe drept cuvânt, P.S. Laplace (1749-
1827). Printre cei care au adus contribuţii însemnate în dezvoltarea acestei
teorii, se numără C.F. Gauss, J. Bertrand, H. Poincaré, P.S. Cebîşev, A.M.
Liapunov, A.N. Kolmogorov, O. Onicescu şi mulţi alţii.
Una dintre utilizările teoriei probabilităţilor este statistica matematică.
Primele noţiuni de statistică le găsim la începutul erei noastre cu prilejul
numărării diferitelor obiecte. Dar numai în secolul al XVIII-lea a început
statistica să se dezvolte ca o ştiinţă de sine stătătoare.
Modulul tratat în această lucrare este structurat pe trei unităţi de
învăţare, aceasta contribuind la o bună înţelegere şi însuşire a subiectului
tratat.
Sunt incluse trei lucrări de verificare, acestea găsindu-se la sfârşitul
fiecărei unităţi de învăţare, respectiv la paginile 35, 60, 87.
Problemele se vor rezolva în ordinea din textul enunţului. Rezolvările
se vor expedia pe adresa tutorelului fie prin poştă fie prin e-mail. În urma
întâlnirilor cu tutorele, acesta poate impune, în plus, şi alte cerinţe în privinţa
rezolvării şi a redactării lucrărilor.
În nota finală, ponderea evaluării continue prin testele de
autoevaluare şi exerciţiile şi aplicaţiile cerute de tutore este de 50% iar cea a
lucrărilor de verificare şi a examenului final este, de asemenea, de 50%.

1
Numărare şi probabilităţi

UNITATEA DE ÎNVĂŢARE 1

NUMĂRARE ŞI PROBABILITĂŢI

CUPRINS
Obiectivele Unităţii de învăţare 1 .................................................................... 2
1.1 Elemente de combinatorică. Mulţimi ordonate. Permutări.
Aranjamente. Combinări....................................................................... 3
1.2 Probleme de numărare......................................................................... 4
1.3 Experiment, probă, eveniment aleator.……........................................ 15
1.4 Eveniment sigur. Eveniment imposibil……......................................... 17
1.5 Evenimente contrare…………............................................................ 17
1.6 Evenimente compatibile. Evenimente incompatibile…....................... 18
1.7 Eveniment implicat de un alt eveniment..............................................18
1.8 Reuniunea şi intersecţia evenimentelor…...........................................19
1.9 Dualitate de limbaj…………….............................................................20
1.10 Frecvenţă relativă……...................…………....................................... 22
1.11 Probabilitate………........................…….............................................. 24
1.12 Probabilităţi condiţionate…………………………………….................. 27
1.13 Evenimente independente………………………………....................... 29
1.14 Comentarii şi răspunsuri la testele de autoevaluare…....................... 34
1.15 Lucrare de verificare pentru studenţi…………………......................... 34
1.16 Bibliografie………………………………………………......................... 35

Obiectivele Unităţii de învăţare 1

După ce veţi parcurge această unitate de învăţare, veţi avea

cunoştinţe suficiente pentru a fi capabil să faceţi următoarele
operaţii matematice:
• Caracterizarea elementelor care trebuie numărate printr-o
proprietate comună. Încadrarea într-un algoritm de numărare,
folosind combinatorica.
• Interpretarea rezultatelor în legătură cu variaţia efectivelor
numărate. Modelarea problemelor concrete conform schemei
matematice folosite.
• Identificarea evenimentelor aleatoare în cotidian sau în cadrul
unor experienţe.
• Stabilirea de relaţii între evenimentele aleatoare (de exemplu:
implicare sau independenţă).
• Găsirea unor caracteristici numerice ale evenimentelor
aleatoare (de exemplu: numărul de cazuri “favorabile”).
• Calcularea frecvenţei de apariţie a unui eveniment.
• Constatarea unor similarităţi între frecvenţele de apariţie ale
unor evenimente şi extinderea metodelor de calcul altor tipuri
de evenimente. Punerea în evidenţă a substratului teoretic-
probabilist în ceea ce priveşte anumite fenomene repetabile.

2
 Numărare şi probabilităţi
• Identificarea probabilităţilor unor evenimente aleatoare
(empiric sau din cunoştinţe anterioare).
• Folosirea axiomaticii şi a regulilor de calcul ale teoriei
probabilităţilor pentru calculul unor probabilităţi.

1.1. Elemente de combinatorică. Mulţimi ordonate. Permutări.

Aranjamente. Combinări

1.1.1. Mulţimi ordonate

Se ştie că succesiunea în care sunt scrise elementele unei mulţimi nu are
nici o importanţă. Dacă însă dotăm mulţimea respectivă cu o relaţie de ordine
bine stabilită, mai precis cu o regulă care precizează ordinea, succesiunea,
în care sunt scrise elementele acestei mulţimi, spunem că avem de a face cu
o mulţime ordonată.
Prin urmare, o mulţime ordonată este caracterizată atât prin elementele sale
cât şi prin ordinea în care sunt considerate acestea.
Aşadar, dacă pe o aceeaşi mulţime stabilim două relaţii de ordine distincte,
obţinem două mulţimi ordonate diferite.
Astfel, dacă se consideră mulţimea A = {1,2,3} atunci se obţin mulţimile
ordonate: (1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,1,2), (3,2,1) . Am obţinut în acest fel
şase moduri de a ordona elementele lui A , deci şase mulţimi ordonate
provenite din A şi se poate constata uşor că, în acest caz, acesta este
numărul maxim de astfel de mulţimi.

1.1.2. Permutări
Dacă se consideră o mulţime A cu n ≥ 1 elemente, atunci fiecare dintre
mulţimile ordonate care se formează cu cele n elemente ale mulţimii A se
numeşte permutare a acestei mulţimi.
Se pune problema generală de a găsi numărul maxim de mulţimi ordonate
care se pot forma pornind de la o mulţime A cu n ≥ 1 elemente şi
ordonându-i în diferite moduri aceste elemente. Se demonstrează uşor prin
metoda inducţiei matematice că numărul permutărilor unei mulţimi cu n ≥ 1
elemente, notat Pn şi citit “permutări de n ”, este egal cu produsul 1 ⋅ 2 ⋅ ... ⋅ n ,
notat cu n! şi citit “ n factorial".
Aşadar avem Pn = n! pentru orice n ∈ {1,2,...} . Convenim să considerăm că
mulţimea vidă poate fi ordonată într-un singur mod, adică P0 = 1 .
Definim aşadar 0!= 1 , ceea ce va contribui la simplificarea scrierii în multe
situaţii.

1.1.2. Aranjamente
În continuare vom studia permutările submulţimilor unei mulţimi finite date A .
O astfel de mulţime ordonată care se formează cu elementele unei
submulţimi a lui A se numeşte aranjament al mulţimii A . Mai precis, putem
formula următoarea definiţie:
Dacă A este o mulţime cu n ≥ 1 elemente, atunci fiecare permutare a unei
submulţimi a lui A având k elemente, unde 0 ≤ k ≤ 1 , se numeşte
aranjament de n elemente luate câte k .

3
Numărare şi probabilităţi
Numărul aranjamentelor de n elemente luate câte k se notează Ank şi se
n!
citeşte “aranjamente de n luate câte k " şi este dat de formula Ank = .
(n − k )!
Din relaţia de mai sus, ţinând seama de convenţia făcută pentru 0!, se
observă imediat că An0 = 1 şi Ann = n!= Pn .

1.1.3. Combinări
Să considerăm mulţimea A = {a, b, c} . Constatăm că aceasta are 8
submulţimi: una cu 0 elemente (anume mulţimea vidă φ ), trei cu câte 1
element ( {a}, {b}, {c} ), trei cu câte 2 elemente ( {a, b}, {b, c}, {a, c} ) şi una cu 3
elemente (mulţimea totală {a, b, c} ).
Studiind acum situaţia generală a unei mulţimi A cu n ≥ 1 elemente, vom
numi fiecare submulţime a sa având k elemente 0 ≤ k ≤ n combinare de n
elemente luate câte k . Numărul combinărilor de n elemente luate câte k
n
se notează C nk sau, uneori   , şi se citeşte “combinări de n elemente luate
k 
câte k ".
Întrucât fiecare submulţime a lui A având k elemente se poate ordona în Pk
moduri obţinând astfel un aranjament de n elemente luate câte k , rezultă că
Ank = C nk ⋅ Pk . De aici găsim formulele de calcul pentru combinări:
Ank n! n(n − 1)...(n − k + 1)
C nk = = = .
Pk k!(n − k )! k!
În calculul cu combinări se utilizează:
- formula combinărilor complementare: C nk = C nn − k pentru orice 0 ≤ k ≤ n ;
- formula de recurenţă pentru combinări: C nk = C nk−−11 pentru orice 0 < k < n .
Se demonstrează (a se vedea teorema 4, pag.255 [2]) că numărul
submulţimilor unei mulţimi cu n elemente este egal cu 2 n . Atunci, ţinând
seama de modul cum a fost definit C nk , avem egalitatea
C n0 + C n1 + C n2 + ... + C nn = 2 n .

1.2. Probleme de numărare

În viaţa şi activitatea de zi cu zi întâlnim foarte frecvent situaţii în care
suntem nevoiţi să determinăm numărul unor obiecte având anumite
proprietăţi bine definite.
Astfel trebuie să evaluăm numărul elevilor unei şcoli care, la un moment dat,
îndeplinesc anumite condiţii pentru a primi bursă, numărul persoanelor dintr-
un colectiv care, la un moment dat, au vârste cuprinse între 50 şi 60 de ani şi
suferă de boli cardiovasculare, câte dintre aceste persoane sunt fumătoare,
numărul modurilor în care o maşină care face aprovizionarea cu un anumit
produs a unor unităţi comerciale poate trece pe la fiecare astfel de unitate
etc.
Unele dintre aceste situaţii pot fi simplu rezolvate analizând într-un mod
intuitiv o mulţime totală (de pildă, în primul exemplu, elevii şcolii) apoi, dintre
elementele acesteia, selectând pe cele care satisfac toate condiţiile cerute.
Alte situaţii pot fi mai complicate, necesitând o modelare matematică
corespunzătoare.

4
 Numărare şi probabilităţi
Din punct de vedere matematic, prin numărare se înţelege evaluarea
cardinalului unei mulţimi finite. Astfel numărarea elementelor unei mulţimi
finite A înseamnă determinarea unui număr natural n şi a unei funcţii
bijective f : {1,2,..., n} → A . În cazul trivial când A = φ , vom avea, evident,
n = 0.
Aşadar, pentru a efectua numărarea, avem de parcurs două etape:
1 0 . determinarea mulţimii A prin identificarea datelor puse la dispoziţie, a
parametrilor, proprietăţilor şi caracteristicilor comune elementelor sale
precum şi prin găsirea legăturilor, relaţiilor, implicaţiilor care există între
acestea;
2 0 . stabilirea unui algoritm de numărare prin identificarea şi utilizarea unor
reguli, procedee, tehnici care să conducă la evaluarea numărului elementelor
lui A .
În cele ce urmează sunt prezentate câteva procedee clasice de numărare,
împreună cu unele exemple semnificative. În multe cazuri aceste metode
sunt folosite simultan, încadrarea în una dintre ele fiind, uneori,
interpretabilă.

1.2.1. Metoda enumerării cazurilor

Aceasta constă în enumerarea elementelor mulţimii de cazuri posibile care
îndeplinesc cerinţele date.
Iată un exemplu în care este prezentată întâi mulţimea tuturor situaţiilor
posibile în contextul existent din care sunt selectate doar acele cazuri care
îndeplinesc condiţiile din enunţ.

Exemplul 1.1. Presupunem că aruncăm două zaruri şi calculăm, apoi, suma S a

numerelor indicate de acestea.
a) În câte cazuri obţinem S = 9 ?
b) Cât trebuie să fie S astfel încât numărul acestor cazuri să fie cel mai
mare?

Soluţie:
Aruncând două zaruri, putem avea următoarele 36 de situaţii:

(1 1) (1 2) (1 3) (1 4) (1 5) (1 6)
(2 1) (2 2) (2 3) (2 4) (2 5) (2 6)
(3 1) (3 2) (3 3) (3 4) (3 5) (3 6)
(4 1) (4 2) (4 3) (4 4) (4 5) (4 6)
(5 1) (5 2) (5 3) (5 4) (5 5) (5 6)
(6 1) (6 2) (6 3) (6 4) (6 5) (6 6).
Se observă că, pentru punctul a), avem 4 situaţii în care suma numerelor
indicate de cele două zaruri este S = 9 (perechile subliniate).
Analizând, pentru b), tabloul de mai sus, se constată că numarul maxim al
cazurilor în condiţiile cerute este 6 şi se obţine pentru S = 7 .

5
Numărare şi probabilităţi

Observaţie. Urmăriţi importanţa scrierii într-un mod algoritmic, organizat sub forma
tabloului dreptunghiular de mai sus a elementelor mulţimii totale care a fost,
în cazul exemplului precedent, numărul tuturor cazurilor posibile care se
obţin aruncând două zaruri.

Fig. 1.1

Exemplul 1.2. Se consideră un triunghi echilateral de latură 4 caroiat cu paralele

echidistante la fiecare dintre laturile sale ca în figura 1.1. obţinându-se astfel
triunghiuri de latură 1 . Câte triunghiuri s-au format în acest fel?
Soluţie:
Pentru a putea evalua corect numărul triunghiurilor existente în figură (fără a
fi vreunul omis) va trebui să procedăm într-un mod algoritmic, etapizat.
Astfel:
• sunt 16 triunghiuri de latură 1;
• sunt 7 triunghiuri de latură 2, anume:
- cele cu vârful în sus (3 cu baza pe prima linie, 2 cu baza pe a doua
linie, 1 cu baza pe a treia linie);
- unul cu vârful în jos;
• 3 triunghiuri de latură 3, anume:
- cu vârful în sus (2 cu baza pe prima linie, 1 cu baza pe a
doua linie);
• 1 triunghi de latură 4.
În total avem 27 triunghiuri.

Observaţie. Modul raţional, logic, organizat pe etape, utilizat la exemplul precedent

prezintă, pe lângă avantajul unei numărări riguroase, fără omisiuni, şi acela a
posibilităţii extinderii acestui raţionament la cazuri mai generale.

1.2.2. Familia părţilor unei mulţimi

Această metodă constă în modelarea şi interpretarea problemei în aşa
manieră încât fiecare caz care îndeplineşte condiţiile date să reprezinte o
submulţime a unei mulţimi totale corespunzătoare.
Vom ilustra acest procedeu cu două exemple semnificative.

Exemplul 1.3. În câte moduri pot fi distribuite 10 cărţi diferite la două persoane aşa încât
fiecare persoană să primească cel puţin o carte?
Soluţie:
Considerăm că M reprezintă mulţimea celor 10 cărţi. Un mod de a distribui
cărţile este acela în care o persoană primeşte mulţimea A ⊂ M de cărţi iar,
în acest caz, cealaltă persoană va primi mulţimea M \ A de cărţi, unde
φ ≠ A ≠ M (fiecare persoană primeşte cel puţin o carte).

6
 Numărare şi probabilităţi
Prin urmare, numărul modurilor în care se pot distribui acele cărţi este egal
cu numărul submulţimilor lui M cu excepţia a două dintre acestea: mulţimea
vidă şi M .
Cum numărul submulţimilor unei mulţimi cu 10 elemente este 210 , rezultă că
numărul cerut este 210 − 2 = 1022 .

Exemplul 1.4. Se consideră două mulţimi E , F astfel că E are n elemente ( n ≥ 1 ) iar

F are 2 elemente. Câte funcţii f : E → F se pot defini?
Soluţie:
Problema se rezolvă într-un mod asemănător celui de la exemplul precedent.
Notăm cu a, b elementele mulţimii F . Să considerăm o funcţie f : E → F şi
mulţimea A ⊂ E astfel ca f ( x) = a , pentru orice x ∈ A şi, respectiv f ( x) = b
dacă x ∈ E \ A . Includem aici şi cazurile A = φ când f ( x) = b pentru orice x
din E , respectiv cazul A = E când avem f ( x) = a oricare ar fi x din A .
Aşadar, numărul funcţiilor care se pot defini pe E având doar două valori
este egal cu numărul submulţimilor lui E , adică 2 n .

1.2.3. Metoda adunării

Aceasta constă în scrierea mulţimii de studiat ca reuniune a două sau mai
multor submulţimi ale sale care pot fi “numărate" mai simplu.
Se ştie că, dacă A este o mulţime finită, atunci cardinalul lui A , notat
card A , este egal cu numărul elementelor sale dacă A ≠ φ , respectiv
card A =0, în cazul A = φ .
Dacă A , B sunt două mulţimi finite, atunci avem egalitatea:
(1.1) card( A ∪ B) = card A + card B − card( A ∩ B )
Justificarea acestei formule este destul de simplă. Astfel, dacă A ∩ B = φ ,
atunci toate elementele din A ∪ B se găsesc fie în A fie în B şi nu avem
elemente comune lui A şi lui B . Deci avem card( A ∪ B )=card A +card B .
Dacă A ∩ B ≠ φ , înseamnă că avem card( A ∩ B ) elemente comune lui A şi
lui B de unde rezultă că, în suma card A +card B , aceste elemente comune
au fost socotite de două ori. Aşadar, pentru a obţine card( A ∪ B ), numărul
acestor elemente comune trebuie scăzut.
Formula (1.1) se poate extinde la cazul a trei mulţimi finite A , B , C (şi chiar
la un număr oarecare de astfel de mulţimi).
Astfel, utilizând (1.1), asociativitatea reuniunii mulţimilor şi relaţiile lui De
Morgan, avem
card( A ∪ ( B ∪ C ) )=card A + card( B ∪ C ) - card( A ∩ ( B ∪ C ) )=
=card A + card B + card C - card( B ∩ C ) - card( ( A ∩ B) ∪ ( A ∩ C ) ).
De aici rezultă, folosind, din nou, (1.1)
(1.2) card( A ∪ B ∪ C ) = card A + card B + card C -
- card( B ∩ C ) - card( A ∩ B ) - card( A ∩ C ) + card( A ∩ B ∩ C ).

Exemplul 1.5. Dintre cei 100 de elevi ai unei şcoli participanţi la olimpiade, 64 au
participat la olimpiada de matematică iar 58 la cea de informatică. Câţi elevi
au participat la ambele olimpiade?
Soluţie:
Dacă notăm cu M mulţimea elevilor participanţi la olimpiada de matematică
iar cu I mulţimea celor care au participat la cea de informatică, avem
7
Numărare şi probabilităţi
card M =64, card I =58, card( M ∪ I )=100 şi deci, folosind (1.1),
card( M ∪ I )=card M +card I -card( M ∩ I ) aşadar
card( M ∩ I )=64+58-100=22.
Astfel 22 de elevi au participat la ambele olimpiade.

Observaţie. Problema precedentă putea fi rezolvată, evident, şi prin metode aritmetice

simple, intuitive (adunând numărul elevilor participanţi la olimpiada de
matematică cu a celor participanţi la informatică, obţinem 122, ca urmare cei
122-100=22 au fost număraţi de două ori deci au participat la ambele
olimpiade). Această metodă elementară este dificil de aplicat, însă, la
probleme mai complexe, după cum se va vedea în exemplul următor.

Exemplul 1.6. Toţi cei 75 de membri ai unei delegaţii ştiu cel puţin o limbă străină, astfel:
57 ştiu engleza, 40 franceza şi 45 germana. Ştiind că 72 dintre ei ştiu
engleza sau franceza, 75 ştiu franceza sau germana iar 72 engleza sau
germana, stabiliţi câţi dintre ei pot vorbi în toate cele trei limbi şi câţi ştiu doar
o singură limbă străină?
Soluţie:
Notăm cu E mulţimea celor ce vorbesc engleza, cu F mulţimea celor ce ştiu
franceza iar cu G mulţimea celor ce ştiu germana.
Din enunţ, avem:
card( E ∪ F ∪ G )=75, card E =57, card F =40, card G =45
card( E ∪ F )=72, card( F ∪ G )=75, card( E ∪ G )=72.
Folosind formula (1.1), rezultă
card( E ∪ F )=card E + card F - card( E ∩ F ),
card( F ∪ G )=card F + card G - card( F ∩ G ),
card( E ∪ G )=card E + card G - card( E ∩ G ).
Înlocuind în relaţiile de mai sus, obţinem
card( E ∩ F )=25, card( F ∩ G )=20, card( E ∩ G )=30.
Folosind, acum, formula (1.2), avem
card( E ∪ F ∪ G )=card E + card F + card G -
- card( E ∩ F ) - card( F ∩ G ) - card( E ∩ G ) + card( E ∩ F ∩ G ).
Înlocuind cu valorile corespunzătoare, obţinem card( E ∩ F ∩ G )=8 ceea ce
înseamnă că 8 persoane ştiu toate cele 3 limbi străine.
Vom vedea, acum, câţi dintre membrii delegaţiei ştiu cel puţin două limbi
străine.
Pentru aceasta va trebui să calculăm
card(( E ∩ F ) ∩ ( F ∩ G ) ∪ ( E ∩ G )).
Folosind, din nou (1.2), ţinând seama de proprietăţile intersecţiei, obţinem
card(( E ∩ F ) ∪ ( F ∩ G ) ∪ ( E ∩ G ))=
=card( E ∩ F ) + card( F ∩ G ) +card( E ∩ G ) - 2 ⋅ card( E ∩ F ∩ G )
de unde, înlocuind cu valorile cunoscute, obţinem
card(( E ∩ F ) ∩ ( F ∩ G ) ∪ ( E ∩ G ))=59.
În concluzie numărul celor care ştiu doar o limbă străină este
75-59=16 membri.

8
 Numărare şi probabilităţi

Exemplul 1.7. Câte numere naturale nenule, mai mici decât 100, nu sunt divizibile nici cu
2 nici cu 3?
Soluţie:
Notăm cu A mulţimea numerelor nenule mai mici decât 100 divizibile cu 2,
cu B mulţimea acelora divizibile cu 3 iar cu M mulţimea acelor numere
nenule mai mici decât 100 divizibile cu 2 sau cu 3. Rezultă că A ∩ B este
mulţimea multiplilor lui 6 din mulţimea {1,2,…,99} (ţinem seama că numerele
2 şi 3 sunt prime între ele). Avem
A ={2,4,6,…,98}, B ={3,6,9,…,99}, A ∩ B ={6,12,18,…,96}.
Un calcul simplu ne conduce la
card A =49, card B =33, card( A ∩ B )=16.
Atunci
card M =card A +card B -card( A ∩ B )=49+33-16=66.
Deoarece mulţimea numerelor care îndeplinesc condiţiile din enunţ este
{1,2,…,99} \ M , vom avea aşadar 99-66=33 numere naturale nenule mai
mici decât 100 nedivizibile nici cu 2 nici cu 3.

Observaţie. În soluţiile problemelor din exemplele 1.6 şi 1.7 s-a folosit ceea ce am putea
numi metoda complementarei, aceasta constând în faptul că am calculat
numărul cazurilor care nu satisfac condiţiile impuse iar apoi am făcut
diferenţa din numărul total de cazuri.

1.2.4. Metoda produsului

Acest procedeu constă într-o anumită partiţionare a numărului total de cazuri
în două mulţimi finite nevide astfel încât fiecărui caz considerat în una dintre
mulţimi îi poate corespunde oricare dintre cazurile din cealaltă mulţime. Cu
alte cuvinte, dacă un obiect X poate fi ales în m moduri şi, după fiecare
astfel de alegere, un obiect Y poate fi ales în n moduri, atunci alegerea
perechii ( X , Y ) se poate face în mn moduri.
Justificarea acestei metode este imediată ţinând cont că, fiind date două
mulţimi finite A, B , numărul elementelor produsului cartezian A × B (adică
numărul perechilor ( a, b ) cu a ∈ A , b ∈ B ) este egal cu produsul
card A ⋅ card B .

Exemplul 1.8. La 9 clase trebuiesc repartizaţi 3 profesori de matematică, fiecăruia

repartizându-i-se câte 3 clase. În câte moduri se poate face repartizarea?
Soluţie:
Repartizarea claselor pentru unul dintre profesori se poate face în C 93
moduri. Pentru fiecare astfel de mod de repartizare avem C 63 posibilităţi de
repartizare celui de al doilea profesor a celor 9-3=6 clase rămase. Avem
aşadar C 93 ⋅ C 63 posibilităţi de repartizare a claselor pentru doi dintre profesori.
Pentru fiecare astfel de repartizare a claselor celor doi profesori, există C 33
moduri de repartizare a celor 6-3=3 clase rămase celuilalt profesor.
În concluzie, avem C 93 ⋅ C 63 ⋅ C 33 = 84 ⋅ 20 ⋅ 1 = 1680 moduri de repartizare a
claselor celor 3 profesori.

În soluţia problemei din exemplul care urmează vom utiliza o modelare care
face mai accesibil raţionamentul.

9
Numărare şi probabilităţi

Exemplul 1.9. Considerăm două numere naturale nenule m, n şi un dreptunghi caroiat ca

în figura 1.2 cu m ⋅ n pătrate de latură 1. Notăm cu A şi B două vârfuri
opuse ale dreptunghiului respectiv. Vom numi drum pe reţea de extremităţi
A, B o linie poligonală formată din laturi succesive ale pătratelor formate ce
uneşte punctele A cu B . Vom calcula câte drumuri în reţea de extremităţi
A, B de lungime minimă se pot construi?
Soluţie:
Se observă că, pentru a obţine un drum minimal pe reţea, vom considera o
succesiune de segmente de lungime 1, anume m orizontale (mergând de la
stânga spre dreapta) şi, respectiv n segmente verticale (mergând de jos în
sus).
Un exemplu pentru un astfel de drum este evidenţiat în figură.

Fig.1.2.

Presupunem că avem m bile negre corespunzătoare segmentelor orizontale

şi n bile albe corespunzătoare celor verticale. Aceste bile sunt înşirate la
rând în mn locuri. Numărul de drumuri căutat va fi egal cu numărul tuturor
posibilităţilor de aranjare a bilelor pe locurile respective. Acest lucru este
echivalent cu numărul posibilităţilor de a aşeza bilele albe pe cele m + n
locuri, celelalte aşezându-se în locurile libere. Avem, atunci Cmn + n posibilităţi.
Acelaşi lucru se obţine, evident, calculând posibilităţile de aşezare a bilelor
negre, adică Cmm+ n . În concluzie numărul drumurilor minimale în reţea între A
şi B este C mn + n = C mm+ n iar lungimea unui astfel de drum este m + n .

În cele ce urmează, vom prezenta unele generalizări ale exemplului

precedent.
Exemplul 1.10. Fie m, n două numere naturale nenule iar în planul xOy punctele O(0,0)
şi B(m, n) . Construim dreptunghiul care are pe O şi B drept vârfuri opuse
(vezi figura 1.3). Considerăm, de asemenea, punctele M (k , j ) şi N (l , i ) , unde
0 ≤ k , l ≤ m , respectiv 0 ≤ j < i ≤ n . Să se găsească numărul de drumuri în
reţea1 minimale astfel încât:
a) drumurile să treacă obligatoriu prin M ;

1
A se vedea exemplul 1.9
10
 Numărare şi probabilităţi
b) drumurile să treacă obligatoriu prin M şi prin N , în această ordine (vezi
figura 1.4).

Fig.1.3 Fig.1.4

Soluţie:
a) Orice drum minimal în reţea dintre punctele O şi B care trece prin M
este format din conectarea unui drum minimal din O în M şi a unui drum
minimal din M în B . Aşadar fiecare drum minimal din O în M poate fi
prelungit cu oricare dintre drumurile minimale din M în B .
Dacă avem k = j = 0 sau, respectiv k = m, j = n , atunci M = O , respectiv
M = B şi suntem în situaţia din exemplul 1.9, deci avem C mn + n drumuri.
Presupunem, deci, că avem k + j > 0 şi m + n − k − j > 0 .
Din exemplul 1.9 rezultă că numărul de drumuri minimale în reţea dintre
punctele O şi M este C kj+ j iar dintre M şi B este C mn −+ nj − k − j .
Prin urmare, numărul de drumuri căutat este C kj+ j ⋅ C mn -−j k + n − j .

b) În cazul în care l = m şi i = n , avem N = B , deci suntem în situaţia de

punctul a). Presupunem, aşadar, m − k + n − j > 0 .
Printr-un raţionament similar celui precedent, se obţine că numărul de
drumuri minimale în reţea dintre O şi B care trec prin M şi N (în această
ordine) este egal cu
C kj+ j ⋅ C k −l +i − j ⋅ C mn −−il + n −i .
În fig.1.4 este reprezentată o alegere oarecare a punctelor M şi N .

În continuare este prezentată o altă generalizare a problemei din exemplul

1.9.

Exemplul 1.11. Se consideră un paralelipiped dreptunghic având dimensiunile muchiilor

numerele naturale m, n, k şi este împărţit cu ajutorul unor plane ca în figura
1.5 astfel încât să se obţină m ⋅ n ⋅ k cuburi de muchie 1.

11
Numărare şi probabilităţi

Fig.1.5
Să se determine numărul drumurilor de lungime minimă pe reţea2 între două
vârfuri diagonal opuse A, B ale paralelipipedului şi lungimea acestor drumuri.
Soluţie:
Rezolvarea este asemănătoare cu cea de la exemplul 1.9.
Presupunem că lungimea muchiei pe direcţia x este m , pe direcţia y este
n iar pe direcţia z este k .
Orice drum minimal din A în B va conţine m muchii ale cuburilor pe direcţia
x , n pe n şi k pe z . Deci lungimea unui astfel de drum minimal va fi
m + n + k . Numărul acestor drumuri este dat de numărul modurilor de
succedare ale acestor tipuri de muchii de cuburi. Astfel, dacă presupunem că
fiecărei muchii de cub de direcţie x îi asociem o bilă albă, celei de direcţie y
o bilă neagră iar celei de direcţie z una roşie, va trebui să determinăm
numărul modurilor în care se pot înşira aceste m + n + k bile pe tot atâtea
locuri.
Astfel, avem C mm+ n + k moduri de a aşeza bilele albe. Apoi, pentru fiecare astfel
de aşezare, avem C nn+ k posibilităţi de aşezare a bilelor negre pe locurile
rămase iar apoi bilele roşii se vor aşeza pe cele k locuri rămase.
În concluzie, avem C mm+ n + k ⋅ C nn+ k moduri de aşezare. Acesta este, de fapt, şi
numărul de muchii căutat.

1.2.5. Metoda inducţiei matematice. Aceasta presupune utilizarea inducţiei

matematice pentru determinarea numărului de elemente ale unei mulţimi.

Exemplul 1.12. Să presupunem că, la un examen, se prezintă n ≥ 1 candidaţi, fiecare

obţinând o notă în mulţimea {1,2,…,10}.
Care sunt toate posibilităţile pentru a completa un catalog conţinând notele
obţinute de către cei n candidaţi?

2
un drum pe reţea este o linie poligonală formată dintr-o succesiune de muchii ale cuburilor formate fără a
trece de două ori prin acelaşi nod (punct de intersecţie al muchiilor a două cuburi), vezi exemplul 1.9

12
 Numărare şi probabilităţi

Soluţie:
Vom avea de determinat cardinalul mulţimii E formată din toate rezultatele
ce puteau fi obţinute de către candidaţi. Astfel, notând cu x1 nota obţinută de
către primul candidat, cu x 2 nota obţinută de către al doilea ş.a.m.d.,
mulţimea E va avea forma:
E = {( x1 , x 2 ,..., x n ) : xi ∈ {1,2,...,10}, ∀i = 1,2,..., n} .
Vom demonstra prin inducţie că, dacă avem k dintre candidaţi ( 1 ≤ k < n ),
atunci numărul sistemelor ( x1 , x 2 ,..., x k ) cu xi ∈ {1,2,...,10} , i = 1,2,..., k , este
10 k .
Verificarea în cazul k = 1 (cazul unui singur candidat) este evidentă.
Presupunem afirmaţia adevărată pentru k , şi să demonstrăm valabilitatea sa
pentru k + 1 candidaţi. Astfel se observă că, pentru fiecare valoare posibilă
pentru x k +1 , avem (conform ipotezei de inducţie) 10 k valori ale primelor k
variabile x1 ,..., x k . Aşadar avem 10 k ⋅ 10 = 10 k +1 variante de acordare a notelor
pentru k + 1 candidaţi.
În concluzie card E = 10 n .

Observaţie. Problema precedentă putea fi rezolvată şi cu metoda produsului, observând

că E = {1,2,...,10}n dar asta presupune cunoaşterea cardinalului unui produs
cartezian având un număr oarecare de factori (acest lucru demonstrându-
se, de fapt, tot prin inducţie).

Test de autoevaluare (1)

1. Un tren de persoane are 7 vagoane de clasa a II-a şi 3 vagoane de

clasa I. În câte moduri se pot aranja vagoanele pentru formarea
trenului? Dar dacă se cere ca cele trei vagoane de clasa I să fie la
începutul trenului?

Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor

2. Din cifrele 0,1,2,3,4,5 se formează toate numerele cu şase cifre astfel

încât în fiecare număr să nu existe cifre identice. Câte numere de
acest fel se pot face?

13
Numărare şi probabilităţi

3. În judeţul meu numerele de telefon sunt formate din şase cifre, prima
cifră aparţinând mulţimii {2,3,…,8}. Câte numere de telefon din acest
judeţ diferă de numărul meu cu o singură cifră?

Răspunsurile la acest test se găsesc la pagina 35 a acestei unităţi de

învăţare

În cele ce urmează vor fi prezentate câteva elemente care constituie o

introducere în teoria probabilităţilor.
Primele elemente de teoria probabilităţilor au apărut din practica jocurilor
de noroc, în secolul XVII. Jucătorii îşi propuneau să-şi evalueze şansele de
câştig într-un anumit moment al jocului, sau şansele de realizare a unei
combinaţii favorabile. Au rezultat astfel primele probleme de teoria
probabilităţilor.
Mai târziu, această ramură a matematicii s-a rupt de modelele oferite de
jocurile de noroc, propunându-şi să rezolve probleme legate de viaţa şi
activitatea cotidiană ale oamenilor, să evalueze cantitativ “gradul de
certitudine" al producerii unor fenomene, a unor întâmplări, a unor
evenimente care prezentau interes ştiinţific sau practic.
Lumea înconjurătore este plină de fenomene şi mărimi pe care le numim
aleatoare, ale căror valori pot varia în funcţie de factori necontrolabili şi
imprevizibili care reprezintă “hazardul". Aşa sunt, de exemplu, numărul de
apeluri înregistrate într-o centrală telefonică a unui oraş mare, temperatura
medie înregistrată într-o anumită lună a anului următor, numărul elevilor unui
liceu care vor obţine medii peste 9.00 la examenul de bacalaureat din anul
următor, numerele care vor ieşi câştigătoare la loterie etc.
Teoria probabilităţilor este acel domeniu al matematicii care îşi propune să
modeleze şi să studieze mărimile şi fenomenele aleatoare.
Modelul este construit în aşa fel încât să reflecte cât mai fidel caracteristicile
fenomenului real.
Principalele noţiuni matematice care modelează fenomenele aleatoare sunt:
câmpul de probabilitate asociat unui experiment, evenimentele şi variabilele
aleatoare.

14
 Numărare şi probabilităţi

1.3. Experiment, probă, eveniment aleator

În cadrul fiecărei experienţe noi ne putem fixa atenţia asupra producerii unui
anumit fenomen, a obţinerii unui anumit rezultat, a realizării unui anumit
eveniment.
1.3.1. Vom numi experiment aleator o acţiune ale cărei rezultate nu pot fi
anticipate cu certitudine, acestea depinzând de o serie de factori
întâmplători. Vom numi probă o efectuare a unui experiment aleator (natural
sau provocat).
Din definiţie rezultă că orice probă determină fie realizarea fie nerealizarea
oricărui eveniment legat de experienţa respectivă.
1.3.2. Se numeşte eveniment un fenomen care, în cadrul unui anumit experiment,
se poate produce sau nu. Un eveniment despre care putem spune cu
certitudine dacă s-a produs sau nu doar după efectuarea experienţei se
numeşte eveniment aleator.
1.3.3. Mulţimea tuturor rezultatelor posibile ale unui experiment aleator se numeşte
mulţime totală. Rezultatul unui experiment aleator care implică realizarea
unui eveniment se numeşte caz favorabil pentru evenimentul respectiv.
Evenimentele care au un singur caz favorabil se numesc evenimente
elementare, celelalte vor fi numite evenimente compuse.
Vom nota cu E mulţimea tuturor cazurilor posibile ale unui experiment
aleator şi vom folosi denumirea eveniment elementar şi pentru fiecare
element al lui E .
Putem acum să identificăm fiecare eveniment legat de un anumit experiment
aleator cu mulţimea cazurilor favorabile ale sale, deci cu o submulţime a lui
E . Prin urmare familia părţilor lui E va fi identificată cu mulţimea tuturor
evenimentelor experimentului respectiv.

Exemplul 1.13. Să considerăm experienţa aruncării unui zar. Este evident vorba de o
experienţă aleatoare3. Această experienţă se poate repeta de un număr
oarecare de ori. Fiecare repetare a experienţei (fiecare aruncare a zarului)
este o probă. Experienţa considerată are mulţimea de cazuri posibile
E = {1,2,3,4,5,6} . Legat de acest experiment se pot considera diverse
evenimente:
A : “apariţia feţei 5;
B : “apariţia unui număr par";
C : “apariţia unui număr impar";
D : “apariţia unui număr mai mic sau egal cu 4";
E : “apariţia unui număr mai mic sau egal cu 7",
F : “apariţia unui multiplu de 7".
Fiecare aprobă implică realizarea sau nerealizarea unui eveniment. Astfel, la
apariţia feţei 6, spunem că s-au realizat evenimentele B şi E iar
evenimentele A, C , D, F nu s-au realizat iar la apariţia feţei 3, rezultă că s-au
realizat evenimentele C , D, E iar evenimentele A, B, F nu s-au realizat. Astfel
mulţimea cazurilor favorabile evenimentului A este {5}, a lui B este {2,4,6}, a
lui C este {1,3,5}, a lui D este {1,2,3,4}, pentru E toate cazurile sunt
favorabile iar evenimentul F nu are nici un caz favorabil.

3
termenul aleator are sens de “întâmplător" şi provine din latinescul alea (zar)
15
Numărare şi probabilităţi

Scriem, aşadar, cu convenţia de mai sus,

A ={5}, B ={2,4,6}, C ={1,3,5}, D ={1,2,3,4}, E ={1,2,3,4,5,6}, F = φ .

Exemplul 1.14. Considerăm o urnă cu o bilă albă, 2 bile negre şi 3 bile roşii. Experimentul
va consta în extragerea la întâmplare a trei bile din urnă.
Mulţimea cazurilor posibile va fi
E = {( a, n, n), ( a, n, r ), ( a, r , r ), ( n, n, r ), (n, r , r ), (r , r , r )}
unde am notat cu a extragerea unei bile albe, n extragerea unei bile negre
iar cu r extragerea unei bile roşii.
Exemple de evenimente ar fi:
A : “extragerea a cel puţin unei bile albe",
B : “extragerea a exact două bile de aceeaşi culoare",
C : “extragerea a cel puţin două bile de aceeaşi culoare",
D : “extragerea a trei bile de culori diferite",
E : “extragerea a cel mult unei bile albe",
F : “extragerea a trei bile negre" etc.

Exemplul 1.15. O maşină produce într-o zi 1000 de şuruburi, printre aceste şuruburi, şi un
număr de 50 de rebuturi. Se consideră experimentul de extragere succesivă,
la întâmplare, a unui număr de 10 şuruburi. Vom nota cu “0” extragerea unui
rebut şi cu “1" extragerea unui şurub bun. Astfel, în urma unei probe, putem
obţine evenimentul elementar (0,0,1,1,1,1,0,1,1,1) ceea ce înseamnă că
primele două şuruburi extrase sunt rebuturi, următoarele patru sunt bune, al
şaptelea este rebut iar ultimile trei sunt şuruburi bune.
În acest caz mulţimea totală E va fi formată din toate sistemele de câte zece
componente, aceste componente putând lua una dintre valorile 0 sau 1,
E = {( x1 , x 2 ,..., x10 ) : xi ∈ {0,1}, i = 1,2,...,10}.
Mulţimea E va avea 210 = 1024 elemente. Exemple de evenimente aleatoare
pot fi:
A : “toate cele 10 şuruburi extrase să fie rebuturi",
B : “nici unul dintre cele 10 şuruburi extrase să nu fie rebut",
C : “primele 3 şuruburi extrase să fie rebuturi",
D : “cel puţin 9 dintre şuruburile extrase să nu fie rebuturi",
E : “dintre şuruburile extrase să fie cel puţin un rebut sau cel puţin un şurub
bun",
F : “cel puţin 5 dintre şuruburile extrase să fie rebuturi şi cel puţin 6 să fie
bune",
G : “printre cele 10 şuruburi să se găsească cel puţin unul bun" etc.

Exemplul 1.16. Să presupunem că avem un număr de n ≥ 1 candidaţi prezenţi la un

examen de admitere finalizat cu note în mulţimea {1,2,…,10}. Acest examen
constituie un experiment aleator, mulţimea tuturor rezultatelor care puteau fi
obţinute de către candidaţi formează mulţimea totală E . Astfel, avem
E = {( x1 , x2 ,..., xn ) : xi ∈{1,2,...,10}, ∀i = 1,2,..., n},
unde am notat cu x1 nota obţinută de către primul candidat, x 2 nota obţinută
de al doilea ş.a.m.d. Avem 10 n evenimente elementare (a se vedea exemplul
1.12). Evenimente aleatoare ar putea fi:
A : “toţi candidaţii au obţinut note mai mari sau egale cu 5",

16
 Numărare şi probabilităţi
B : “un singur candidat a obţinut nota mai mare sau egală cu 5",
C : “nici un candidat nu a obţinut nota mai mare sau egală cu 5",
D : “cel puţin un candidat a obţinut nota 10",
E : “cel puţin un candidat nu a obţinut nota 10 şi cel puţin 3 au obţinut note
mai mici sau egale cu 9",
F : “cel puţin 7 candidaţi au obţinut nota 7 şi cel mult 5 dintre ei au note mai
mari sau egale cu 5”,
G : “cel puţin un candidat a obţinut o notă mai mare sau egală cu 6" etc.

1.4. Eveniment sigur. Eveniment imposibil

Am văzut în secţiunea precedentă că un eveniment corespunzător unui
experiment aleator cu o mulţime total E de cazuri posibile este identificat cu
acea submulţime a lui E formată din toate cazurile favorabile evenimentului
respectiv. Vom defini, în continuare, evenimentele corespunzătoare a două
dintre submulţimile lui E : mulţimea vidă φ şi, respectiv mulţimea totală E .
1.4.1. Un eveniment care nu se poate realiza în cadrul unui experiment aleator se
numeşte eveniment imposibil. Un eveniment care se realizează cu
certitudine la orice probă, se numeşte eveniment sigur.
Altfel spus, evenimentul imposibil nu are nici un caz favorabil în cadrul unui
experiment aleator, deci mulţimea cazurilor favorabile este vidă iar
evenimentul sigur are toate cazurile favorabile, deci corespunde mulţimii
totale E .
Astfel la fiecare dintre exemplele 1.13, 1.14, 1.15 şi 1.16 E este evenimentul
sigur iar F este evenimentul imposibil. Cu convenţia adoptată, scriem F = φ .

1.5. Evenimente contrare

După cum am observat în exemplele prezentate şi în multe altele cu care ne
întâlnim zi de zi, sunt multe situaţii în care un eveniment se realizează atunci
şi numai atunci când nu se realizează celălalt. De exemplu, formând o clasă
de 30 de elevi, a spune că, în acea clasă, sunt 13 băieţi este echivalent cu a
spune că sunt 17 fete etc.
1.5.1. Spunem despre două evenimente că sunt contrare dacă realizarea unuia
constă în nerealizarea celuilalt.
Remarcăm că evenimentele sigur şi imposibil sunt contrare unul altuia.
Este evident că mulţimile cazurilor favorabile a două evenimente contrare
sunt complementare (una este complementara celeilalte).

Dacă A este un eveniment, vom nota cu A (“non A ") evenimentul contrar

lui A .
Dacă A şi B sunt evenimente contrare, scriem A = C B , unde cu C am notat
complementara.

Astfel, pentru exemplele prezentate în această secţiune, avem:

- în exemplul 1.13 evenimentele B şi C sunt contrare,
- în exemplul 1.14 evenimentele C şi D sunt contrare,
- în exemplul 1.15 evenimentele A şi G sunt contrare,
- în exemplul 1.16 evenimentele C şi G sunt contrare.
Pentru fiecare exemplu în parte, se adaugă, evident, şi evenimentele E şi F
care sunt contrare (evenimentul sigur şi cel imposibil).
17
Numărare şi probabilităţi

1.6. Evenimente compatibile. Evenimente incompatibile

Sunt numeroase situaţiile în care unele evenimente pot avea sau nu cazuri
favorabile comune. Evenimentele contrare nu au, evident, astfel de cazuri.
Există şi alte evenimente care nu au cazuri favorabile comune fără a fi însă
contrare.
1.6.1. Două evenimente se numesc compatibile dacă au cazuri favorabile
comune şi incompatibile în caz contrar.
Aşadar, evenimentele A şi B sunt compatibile dacă există probe care le
realizează pe amândouă adică A ∩ B ≠ φ . În cazul în care A şi B sunt
incompatibile, avem A ∩ B = φ .
Este evident că evenimentele contrare sunt incompatibile, evenimentul sigur
este compatibil cu oricare alt eveniment iar cel imposibil este incompatibil cu
oricare alt eveniment.
Relaţia de compatibilitate se poate extinde la un număr finit de evenimente.
Astfel, evenimentele A1 , A2 ,..., An sunt compatibile dacă A1 ∩ A2 ∩ ... ∩ An ≠ φ
respectiv incompatibile dacă nu au nici un caz favorabil comun, adică
A1 ∩ A2 ∩ ... ∩ An = φ .
Analizând exemplele din secţiunea 1.3., constatăm că:
- la exemplul 1.13: A, C , E sunt compatibile, A ∩ C ∩ E = {5} ; C , D, E
sunt compatibile, C ∩ D ∩ E ={1,3}; A şi B sunt incompatibile etc,
- la exemplul 1.14: A, B, C , E sunt compatibile (de ex.
(a, r , r ) ∈ A ∩ B ∩ C ∩ E ); B, C , D sunt incompatibile etc.,
- la exemplul 1.15: A, C , D, E sunt compatibile (de ex. toate cele 10
şuruburi sunt rebuturi), B şi C sunt incompatibile etc.,
- la exemplul 1.16: A, B, D, E , G sunt compatibile (de ex. dacă un
candidat obţine nota 10 iar ceilalţi nota 5) iar B şi D sunt
incompatibile etc.

1.7. Eveniment implicat de un alt eveniment

Vom evidenţia, în această secţiune, o altă relaţie întâlnită între evenimente.
Considerăm două evenimente A şi B ale unui experiment aleator.
1.7.1. Spunem că evenimentul A implică evenimentul B , sau că B este implicat
de A , dacă realizarea lui A atrage după sine realizarea lui B . Notăm în
acest caz “ A  B ".
Aceasta înseamnă că orice caz care realizează pe A realizează şi pe B ,
adică mulţimea cazurilor favorabile lui A este conţinută în mulţimea cazurilor
favorabile lui B .
Vom putea nota, atunci, A ⊂ B în loc de A  B .
Deoarece φ ⊂ A , oricare ar fi A , acceptăm că evenimentul imposibil implică
orice alt eveniment. Se constată, apoi, că evenimentul sigur este implicat de
orice alt eveniment.
Vom ilustra câteva relaţii de implicare sau neimplicare (indiferenţă) ale unor
evenimente în exemplele studiate.
Astfel:
- în exemplul 1.13: A  C deoarece A ⊂ C ; D  E etc.,
- în exemplul 1.14: A  B , B  C , C  F , între C şi D nu există
relaţii de implicare etc.,
18
 Numărare şi probabilităţi
- în exemplul 1.15: A  C , B  D etc.,
- în exemplul 1.16: D  G etc.

Pornind de la definiţie şi de la proprietăţile incluziunii, avem următoarele

proprietăţi:
a) A  A , pentru orice eveniment A (reflexivitate),
b) dacă A  B şi B  C , atunci A  C , oricare ar fi evenimentele A, B, C
(tranzitivitate).

1.8. Reuniunea şi intersecţia evenimentelor

Am văzut deja că, având un eveniment A , contrarul său A este asimilat cu
complementara lui A , adică A =C A .
Ţinând cont de definiţiile reuniunii şi intersecţiei mulţimilor, putem introduce
aceste operaţii pe familia evenimentelor unui experiment aleator.

Să considerăm două evenimente A şi B .

1.8.1. Prin “ A sau B " înţelegem evenimentul care constă în realizarea a cel puţin
unui dintre evenimentele A sau B . Pentru acest eveniment vom mai utiliza
notaţia A ∪ B .

1.8.2. Prin “ A şi B " înţelegem evenimentul care constă în realizarea simultană a

evenimentelor A şi B . Pentru acest eveniment vom mai utiliza notaţia A ∩ B .
Aşadar mulţimea cazurilor favorabile lui A ∪ B , respectiv A ∩ B , este egală
cu reuniunea, respectiv intersecţia, mulţimilor cazurilor favorabile lui A şi lui
B.
Definiţia poate fi extinsă uşor prin analogie la trei sau mai multe evenimente.
În exemplele prezentate în secţiunea 1.3 putem scrie:
- în exemplul 1.13: B ∪ C = E , A ∩ C = A etc.,
- în exemplul 1.14: A ∪ C = E , A ∩ B = {( a, n, n), (a, r , r )} etc.,
- în exemplul 1.15:
D ∩ G = {(1,0,0,...,0), (0,1,0,...,0), (0,0,1,...,0),..., (0,0,0,...,1)}
adică exact unul dintre şuruburi să fie rebut, C ∩ G este evenimentul
în care primele trei şuruburi sunt rebuturi iar printre celelalte şapte se
găseşte cel puţin un şurub bun, C ∪ G = E (deoarece putem avea
toate şuruburile rebuturi şi ne încadrăm în C sau cel puţin un şurub
bun, deci ne încadrăm în G ) etc.,
- în exemplul 1.16: A ∪ B este evenimentul în care toţi candidaţii au
obţinut note mai mari sunt egale cu cinci sau toţi au obţinut note mai
mici sau egale cu patru etc.

19
Numărare şi probabilităţi

1.9. Dualitate de limbaj

Din cele precedente reiese că orice eveniment legat de un experiment

aleator, cu un număr finit de cazuri posibile, poate fi interpretat ca o
submulţime a unei mulţimi totale E (mulţimea cazurilor posibile).

Sintetizăm aici dualitatea de limbaj care va fi utilizată şi în cele ce urmează.

Limbajul evenimentelor Limbajul mulţimilor

Eveniment Submulţime a lui E
Eveniment elementar e sau { e } cu e ∈ E
Eveniment sigur Mulţimea E
Eveniment imposibil Mulţimea vidă φ
A implică B ( A  B ) A⊂ B
A sau B A∪ B
A şi B A∩ B
Eveniment contrar lui A ( A ) CA
A, B incompatibile A∩ B =φ

Vom exemplifica, în cele ce urmează, exprimarea cu ajutorul mulţimilor a

unor evenimente pornind de la alte evenimente date.

Aplicaţie. O urnă conţine bile albe şi bile negre.

Cu ajutorul evenimentelor:
A : “prima bilă extrasă este albă",
B : “a doua bilă extrasă este albă",
să se scrie evenimentele:
C : “prima bilă este neagră",
D : “cel puţin o bilă este albă",
F : “ambele bile sunt negre",
G : “o bilă şi numai o bilă este albă".
Soluţie:
Se observă că C este contrarul evenimentului A , deci
C =C A .
Evenimentul D înseamnă că prima sau a doua bilă este albă, deci
D = A∪ B.
Evenimentul F se exprimă prin faptul că prima şi a doua bilă sunt negre,
adică
F = C A ∩ C B =C( A ∪ B )=C D
şi se observă că F este contrarul evenimentului D .
Evenimentul G se scrie: “prima bilă este albă şi a doua este neagră" sau
“prima bilă este neagră şi a doua este albă" şi deci

G = ( A ∩ C B) ∪ ( B ∩ C A) .

20
 Numărare şi probabilităţi

Test de autoevaluare (2)

1. Se consideră experienţa aruncării a două zaruri. Daţi exemple de

evenimente elementare. Descrieţi mulţimea cazurilor posibile. Dacă A
reprezintă evenimentul obţinerii aceluiaşi număr la ambele zaruri,
scrieţi mulţimea cazurilor favorabile lui A .

Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor

2. O urnă conţine 10 bile albe şi 6 bile negre. Din această urnă se extrag
succesiv două bile. Notăm cu A evenimentul: “prima bilă extrasă este
albă" şi, respectiv cu B evenimentul: “a doua bilă extrasă este albă".
Cu ajutorul lui A şi B exprimaţi evenimentele:
a) C : “ambele bile extrase sunt albe";
b) D : “ambele bile extrase sunt negre";
c) E : “prima bilă e albă iar a doua este neagră"
d) F : “cele două bile au aceeaşi culoare”.

Răspunsurile la acest test se găsesc la pagina 35 a acestei unităţi de

învăţare

21
Numărare şi probabilităţi

1.10. Frecvenţă relativă

Vom presupune în cele ce urmează că toate experimentele aleatoare sunt
caracterizate prin aceea că au un număr finit de cazuri posibile (mulţimea
totală E este finită) şi că se desfăşoară în condiţii ideale, adică toate aceste
cazuri posibile au şanse egale de realizare la fiecare probă.
Astfel, considerând experimentul aruncării unui zar, presupunem că acesta
este perfect cubic, confecţionat dintr-un material omogen astfel ca centrul de
simetrie să coincidă cu centrul de greutate. De asemenea presupunem că
aruncarea se face pe o suprafaţă perfect netedă şi se face cu o forţă suficient
de mare ca să determine rostogolirea zarului etc.
În aceste condiţii fiecare faţă a zarului are exact aceleaşi şanse de apariţie.
La, fel la extragerea unei bile dintr-o urnă, conţinând bile identice, apariţia
unei bile este la fel de posibilă ca a oricărei alte bile. La aruncarea unei
monede, ambele feţe ale acesteia are exact aceleaşi şanse de apariţie; în
exemplul 1.15 se presupune că fiecare dintre cele 1000 şuruburi are aceleaşi
şanse de a fi extras iar clasificarea sa în “bun" sau “rebut" se face cu
exactitate; la examenul de admitere din exemplul 1.16 notarea se face
corect, fiecare candidat putând obţine oricare dintre notele 1,2,…,10.
Dacă efectuăm un număr tot mai mare de probe în cadrul unui astfel de
experiment, observăm că raportul dintre numărul de realizări ale unui
eveniment oarecare A şi numărul de probe oscilează în jurul unei constante
fixe din intervalul [0,1] iar devierile în jurul acestei valori vor fi, în cazul măririi
numărului de probe, tot mai mici.
Constanta respectivă fiind, după cum vom vedea, probabilitatea lui A .
1.10.1. Fie A un eveniment asociat unui experiment aleator. Dacă într-o serie de
n probe evenimentul A s-a realizat de n A ori, atunci numim frecvenţă
n
relativă a evenimentului A numărul4 f ( A) = A .
n
Pentru exemplificare, să considerăm experimentul aruncării de 100 de ori a
unui zar urmărind realizarea evenimentului A ={1,6}. Observăm că faţa 1 sau
6 au apărut de 32 de ori.
Aşadar avem n =100, n A =32 iar frecvenţa relativă va fi, în acest caz,
32 8
f ( A) = = .
100 25
Propoziţia următoare pune în evidenţă unele proprietăţi simple ale frecvenţei
relative.
Propoziţia 1.1. Dacă A şi B sunt două evenimente asociate unui experiment aleator şi s-
au efectuat n probe, avem următoarele afirmaţii:
1) 0 ≤ f ( A) ≤ 1 ;
2) f ( E ) = 1 , f (φ ) = 0 , E fiind evenimentul sigur, φ evenimentul imposibil;
3) f ( A ∪ B ) = f ( A) + f ( B) dacă evenimentele A şi B sunt incompatibile;
4) f ( A \ B) = f ( A ∩ C B ) = f ( A) − f ( B) dacă B implică A ;
5) f ( A \ B) = f ( A) − f ( A ∩ B) ,
6) f ( A ∪ B) = f ( A) + f ( B) − f ( A ∩ B) ;
7) f ( C A) = 1 − f ( A) .

4
acest număr depinde de n şi ar fi trebuit notat cu f n ( A) , dar, pentru simplificare, notăm f ( A)
22
 Numărare şi probabilităţi

Demonstraţie:
1) Relaţiile se deduc din inegalităţile imediate 0 ≤ n A ≤ n E = n .
2) Egalităţile sunt evidente dacă ţinem seama de n E = n , nφ = 0 .
3) Dacă evenimentele A şi B sunt incompatibile atunci realizarea
evenimentului A ∪ B înseamnă fie realizarea lui A fie a lui B cele două
neputând avea loc simultan la nici o probă. Aşadar
n n n
n A∪ B = n A + n B , deci A∪ B = A + B .
n n n
4) Dacă B  A , atunci toate rezultatele favorabile lui B sunt favorabile şi lui
A . A \ B = A ∩ C B este evenimentul care constă în realizarea lui A dar
nerealizarea lui B . Aşadar, din numărul de realizări ale lui A va trebui
scăzut numărul probelor care realizează şi pe B . Ca urmare, avem
n A\ B = n A − n B .
5) Ţinând seama că evenimentul A ∩ B implică evenimentul A , avem,
aplicând punctul precedent, f ( A \ ( A ∩ B)) = f ( A) − f ( A ∩ B) . Egalitatea din
enunţ rezultă dacă mai observăm că A \ ( A ∩ B ) = A \ B .
6) Dacă evenimentele A şi B sunt incompatibile, ne aflăm în situaţia de la
punctul 5) deoarece f ( A ∩ B) = f (φ ) = 0 .
Dacă A şi B sunt compatibile, atunci din n A + n B trebuie să scădem numărul
probelor în care A şi B s-au realizat simultan, adică n A∩ B . Avem deci
n A∪ B = n A + n B − n A∪ B , de unde egalitatea din enunţ.

23
Numărare şi probabilităţi

1.11. Probabilitate
În această secţiune ne vom ocupa de constanta de care se “apropie"
valoarea frecvenţei relative a unui eveniment, când numărul probelor este tot
mai mare.
Să considerăm, din nou, experimentul aruncării unui zar. Dacă urmărim
realizarea unui eveniment elementar, de exemplu apariţia feţei 3, este natural
1
să caracterizăm probabilitatea de apariţie a acestei feţe cu valoare
6
întrucât avem şase variante posibile (fiecare dintre cele şase feţe) cu şanse
egale de apariţie, evenimentul sigur fiind caracterizat cu probabilitate 1.
3 1
Analog, probabilitatea de apariţie a evenimentului A ={1,2,3} este = .
6 2
În cazul general, dacă un experiment are n rezultate egal posibile, iar dintre
acestea m realizează evenimentul A , vom lua probabilitatea lui A egală cu
m
.
n

Probabilitatea unui eveniment este o măsură a şansei lui de a se realiza.

Vom formula, în continuare, definiţia axiomatică a probabilităţii bazată pe
cele trei axiome ale lui Kolmogorov. Astfel, presupunând că fiecărui
eveniment aleator îi corespunde o submulţime a mulţimii totale E , se va
asocia oricărui element din clasa P ( E ) a tuturor părţilor lui E un număr
real, această corespondenţă satisfăcând proprietăţile 1),2),3) din propoziţia
1.1, celelalte putând fi deduse din acestea.

1.11.1. Aplicaţia P : P ( E ) →  se numeşte probabilitate, dacă:

p1 ) 0 ≤ P( A) ≤ 1 , pentru orice A ⊂ E ,
p 2 ) P( E ) = 1 ,
p3 ) P ( A ∪ B) = P( A) + P( B) , pentru orice A, B ⊂ E cu A ∩ B = φ .
Propoziţia 1.2. Dacă P este o probabilitate pe P ( E ), atunci:
p3' ) P ( A1 ∪ A2 ∪ ... ∪ An ) = P( A1 ) + P( A2 ) + ... + P( An ) , dacă mulţimile
A1 , A2 ,..., An ⊂ E sunt disjuncte două câte două (regula de adunare a
probabilităţilor),
p 4 ) P ( A \ B) = P( A) − P ( B) , oricare ar fi A, B ⊂ E , B ⊂ A ,
p5 ) P ( A \ B) = P ( A) − P ( A ∩ B) , oricare ar fi A, B ⊂ E ,
p 6 ) P ( A ∪ B) = P( A) + P( B) − P( A ∩ B) , oricare ar fi A, B ⊂ E ,
p 7 ) P( C A) = 1 − P( A) , oricare ar fi A ⊂ E ; P (φ ) = 1 − P( E ) = 0 .
Demonstraţie:
p3' ) Egalitatea rezultă uşor folosind inducţia matematică. Astfel, dacă
presupunem relaţia adevărată pentru mulţimile A1 , A2 ,..., An −1 (n ≥ 2) şi
folosim asociativitatea reuniunii, avem:
P ( A1 ∪ A2 ∪ ... ∪ An ) = P(( A1 ∪ ... ∪ An −1 ) ∪ An ) =
= P( A1 ∪ ... ∪ An −1 ) + P( An ) = P( A1 ) + P ( A2 ) + ... + P( An −1 ) + P( An ) .
p 4 ) Dacă B ⊂ A , atunci A = B ∪ ( A \ B) , mulţimile B şi A \ B fiind disjuncte.
Apoi, din p3 ), rezultă P( A) = P( B) + P( A \ B) .
24
 Numărare şi probabilităţi
p5 ) Utilizând relaţiile A \ B = A \ ( A ∩ B) , A ∩ B ⊂ A şi punctul p 4 ), deducem
P ( A \ B) = P ( A) − P ( A ∩ B) .
p 6 ) Ţinem seama de egalitatea A ∪ B = A ∪ ( B \ A) şi de p3 ), p5 ) şi scriem
P( A ∪ B) = P( A) + P( B \ A) = P( A) + P( B) − P( A ∩ B) .
p 7 ) A ∪ C A = E  P( A) + P( C A) = 1 .

Presupunem că E = {e1 , e2 ,..., en } este mulţimea totală a unui experiment

aleator şi presupunem cunoscute valorile P (ei ) , i = 1,2,..., n . Atunci, dacă
A = {ei1 , ei2 ,..., eik } este un eveniment oarecare, probabilitatea lui A se
calculează (utilizând p3' )) prin
P ( A) = P(ei1 ) + P(ei2 ) + ... + P(eik ) .
Avem, aşadar următorul:
Corolar Dacă se cunosc probabilităţile evenimentelor elementare, se poate determina
probabilitatea oricărui eveniment.

Legătura dintre modul euristic în care a fost introdusă probabilitatea unui

eveniment la începutul paragrafului5 şi cel axiomatic este evidenţiată în
următoarea:
Observaţie În cadrul unui experiment aleator având n cazuri echiprobabile, atunci
probabilitatea unui eveniment elementar va fi 1 n , deci probabilitatea unui
eveniment oarecare este raportul dintre numărul cazurilor favorabile acelui
eveniment şi numărul total de cazuri.

Având în vedere cele de mai sus, problema calculului probabilităţii unor

evenimente din cadrul unor experimente cu un număr finit de cazuri se
reduce la determinarea numărului cazurilor posibile şi a numărului cazurilor
favorabile, de fapt a unor probleme de numărare. Vom da în continuare
câteva exemple în acest sens.

Exemplul 1.17. Considerăm experimentul aruncării a două zaruri. Calculăm probabilitatea

ca suma punctelor obţinute să fie un număr par.
Soluţie:
La acest experiment avem n = 36 de cazuri posibile echiprobabile (vezi
exemplul 1.1). Evenimentul dat este
A ={(1,1),(1,3),(1,5),(3,1),(3,3),(3,5),(5,1),(5,3),(5,5)},
9 1
adică avem 9 cazuri favorabile, deci P ( A) = = .
36 4

Exemplul 1.18. Să calculăm probabilitatea evenimentelor A,..., F din exemplul 1.14.

Soluţie:
Analizând mulţimea totală descrisă, rezultă că numărul total de cazuri este
n = 6 iar numărul cazurilor favorabile evenimentelor date va fi n A = 3 ,
respectiv n B = 4 , nC = 5 , n D = 1 , n E = 6 , n F = 0 . Atunci avem:
3 1 4 2 5
P( A) = = , P( B) = = , P(C ) = ,
6 2 6 3 6

5
aceasta se mai întâlneşte în literatură şi ca definiţia statistică a probabilităţii
25
Numărare şi probabilităţi
1 6 0
, P( E ) = = 1 , P( F ) = = 0 .
P( D) =
6 6 6
Exemplul 1.19. O urnă conţine 20 de bile identice, numerotate cu 1,2,…,20. Vom calcula
probabilitatea ca, printr-o extracţie, să se obţină o bilă cu un pătrat perfect.
Soluţie:
Să notăm cu A evenimentul extragerii unei bile cu un pătrat perfect.
Numărul cazurilor posibile este 20 iar A ={1,4,9,16} deci numărul cazurilor
4 1
favorabile este 4. Avem deci P ( A) = = .
20 5
Exemplul 1.20. Care este probabilitatea ca în patru aruncări ale unui zar să obţinem cel
puţin o dată faţa 6?
Soluţie:
Încercând să calculăm direct probabilitatea acestui eveniment A , vom
observa că întâmpinăm unele dificultăţi. Să încercăm să calculăm
probabilitatea evenimentului contrar A =C A , adică probabilitatea ca,
aruncând de 4 ori un zar, să nu obţinem niciodată faţa 6. Numărul cazurilor
posibile va fi egal cu numărul sistemelor de câte 4 numere care se pot forma
având componentele în mulţimea E ={1,2,3,4,5,6}, numărul acestora fiind
egal cu cardinalul mulţimii E 4 = E × E × E × E , deci cu 6 4 .
Numărul cazurilor favorabile este egal cu numărul sistemelor de câte patru
elemente care se pot forma cu numerele 1,2,3,4,5, deci cu 5 4 .
54 625
Avem deci P ( A ) = 4 = . Rezultă că probabilitatea obţinerii feţei 6 din
6 1296
patru aruncări va fi, folosind p 7 ),
625 671
P ( A) = 1 − P( A ) = 1 − P (C A) = 1 − = .
1296 1296

Exemplul 1.21. În cadrul unui concurs de dans, participă din fiecare din trei clase câte un
băiat şi o fată. În urma unei trageri la sorţi se formează trei perechi. Să
calculăm probabilitatea ca cel puţin un băiat să aibă ca pereche o fată din
clasa sa?
Soluţie:
Notăm cu a, b, c clasele din care provin cei şase elevi şi cu A , respectiv B ,
C , evenimentul “băiatul din clasa a , respectiv b , c , are ca pereche o fată
din clasa lui". Va trebui să calculăm probabilitatea evenimentului A ∪ B ∪ C .
Mai întâi, pornind de la relaţia p 6 ), vom stabili formula de calcul a
probabilităţii reuniunii a trei evenimente6 oarecare. Avem
P ( A ∪ ( B ∪ C )) = P( A) + P( B ∪ C ) − P( A ∩ ( B ∪ C )) =
= P( A) + P( B) + P(C ) − P( B ∩ C ) − P(( A ∩ B) ∪ ( A ∩ C )) =
= P( A) + P( B) + P(C ) − P( A ∩ B) − P( A ∩ C ) − P( B ∩ C ) + P( A ∩ B ∩ C ) .
Pentru evenimentul A , avem un caz favorabil din trei posibile (băiatul din
clasa a putea avea ca pereche una singură dintre cele trei fete), deci
1 1
P ( A) = . Analog avem P( B) = P(C ) = .
3 3
Pentru evenimentul A ∩ B , fiecare dintre băieţii din clasele a şi b poate
avea într-un singur mod ca pereche o fată din clasa sa din A32 moduri

6
se poate stabili prin inducţie o formulă analoagă pentru n evenimente
26
 Numărare şi probabilităţi
1
posibile şi deci P( A ∩ B) = . Aceeaşi probabilitate o au şi evenimentele
6
A ∩ C şi B ∩ C . În final, evenimentul A ∩ B ∩ C se realizează când fiecare
băiat nimereşte fata din clasa lui. Avem P3 = 3!= 6 cazuri posibile şi un singur
1
caz favorabil. Ca urmare P ( A ∩ B ∩ C ) = .
6
Aşadar probabilitatea cerută este
1 1 1 1 1 1 1 2
P( A ∪ B ∪ C ) = + + − − − + = .
3 3 3 6 6 6 6 3

1.11.2. Fiind dată o mulţime finită E şi o probabilitate P : P ( E ) →  , atunci

tripletul ( E ,P ( E ), P ) se numeşte câmp de probabilitate.

1.12. Probabilităţi condiţionate

Sunt numeroase situaţiile în care realizarea unui eveniment din cadrul unui
experiment poate influenţa sau nu probabilitatea unui alt eveniment.

Exemplul 1.22. Să presupunem că, pentru câştigarea unui obiect participă în cadrul unei
tombole 1000 de persoane cu şanse egale, fiecare având câte un bilet pe
care este înscris un număr de trei cifre: 000, 001, 002,…,999. Biletul
câştigător este desemnat printr-o extragere succesivă dintr-o urnă a cifrelor
care vor forma numărul câştigător. Să urmărim şansele de câştig ale unui
bilet oarecare, să zicem 123. La început, probabilitatea de a ieşi câştigător
1
este . După prima extragere din urnă se anunţă că prima cifră a
1000
numărului câştigător este 1. Se observă acum că probabilitatea ca biletul 123
1
să câştige este , deoarece, mai rămâne de urmărit doar numărul de două
100
cifre 23 din 100 de cazuri posibile (00, 01,…,99). După introducerea, din nou,
în urnă a cifrei 1 şi efectuarea celei de a doua extrageri, se anunţă că a doua
cifră a biletului câştigător este 2. Acum şansele de câştig ale biletului 123 au
1
crescut, probabilitatea căutată va fi .
10
Vom interpreta acest exemplu ca un experiment aleator constând din trei
extrageri succesive a câte o cifră din mulţimea E ={0,1,…,9} având 10
elemente. Am considerat evenimentele:
A : “cele trei cifre extrase sunt, în ordine, 1,2,3",
B : “prima cifră extrasă este 1",
C : “primele cifre extrase sunt, în ordine, 1 şi 2".
Astfel pentru realizarea evenimentului A avem 1 caz favorabil din 1000
posibile (card E × E × E ). B are 1 ⋅ 10 ⋅ 10 cazuri favorabile (în extragerile a
doua şi a treia putând să fie orice cifră) la 1000 posibile sau, altfel spus, 1
favorabil la 10 posibile (cele corespunzătoare primei extrageri). Analog C
are 1⋅ 10 cazuri favorabile la 1000 posibile sau 1 favorabil la 100 posibile (la
extragerea a treia putând ieşi orice rezultat). După realizarea lui B , C are 10
cazuri favorabile din 100 posibile iar după realizarea lui B , evenimentul A
va avea 1 caz favorabil din 100 posibile (corespunzătoare extragerilor a doua
şi a treia) iar după realizarea lui C , A va avea 1 caz favorabil la 10 cazuri
posibile (corespunzătoare extragerii a treia).
27
Numărare şi probabilităţi

1.12.1. Fie două evenimente aleatoare A, B asociate unui experiment astfel încât
P( B) > 0 . Probabilitatea evenimentului A ştiind că s-a realizat B se numeşte
probabilitatea lui A condiţionată de B şi se notează7 PB ( A) .

În cazul exemplului 1.22, avem:

1 1 1
P ( A) = , P( B) = , P (C ) = ,
1000 10 100
1 1 1
PA ( A) = , PB (C ) = , PC ( A) = .
100 10 10
Să observăm că, pentru a calcula probabilitatea lui C ştiind că s-a realizat
B , cazurile favorabile lui B au devenit cazuri posibile pentru C . Din aceste
cazuri posibile, 1 caz este favorabil lui C .
În general, fie un experiment aleator având n cazuri posibile, A un
eveniment cu m cazuri favorabile şi B un eveniment cu p cazuri favorabile.
Să notăm cu C = A ∩ B şi să calculăm P(C ) = P( A ∩ B ) . Dacă din cele m
cazuri favorabile lui A , q sunt favorabile şi evenimentului B , înseamnă că
q
putem scrie: P (C ) = P( A ∩ B ) = .
n
q q p q
Să mai observăm că PA ( B ) = . Deci relaţia = ⋅ se mai poate scrie:
m n n p
(1.3) P ( A ∩ B) = P( A) ⋅ PA ( B ) .
q p q
La fel, din egalitatea = ⋅ deducem
n n p
(1.4) P ( A ∩ B) = P( B) ⋅ PB ( A)
q
dacă observăm că PB ( A) = .
p
Rezultă:

Propoziţia 1.3. Pentru oricare două evenimente A şi B asociate unui experiment aleator
astfel încât P ( A) > 0 şi P ( B) > 0 , avem
P( A ∩ B)
(1.5) PA ( B ) =
P( A)
P ( A) ⋅ PA ( B) = P( B) ⋅ PB ( A) .

Exemplul 1.23. Într-o urnă sunt 5 bile roşii, 3 bile albe şi 2 bile negre.
a) Se extrag două bile. Care este probabilitatea ca o bilă să fie albă şi
cealaltă neagră?
b) Se extrag două bile. Care este probabilitatea ca să nu fie amândouă
negre?
Soluţie:
Fie A evenimentul "prima bilă extrasă este albă", B evenimentul "a doua
bilă extrasă este neagră" şi C evenimentul "prima bilă extrasă este neagră".
a) Avem de calculat P( A ∩ B) . Utilizând (1.3), avem

7
se mai utilizează şi notaţia P ( A | B )
28
 Numărare şi probabilităţi
3 2 1
P ( A ∩ B) = P( A) ⋅ PA ( B) =
⋅ = .
10 9 15
b) Trebuie să determinăm probabilitatea evenimentului contrar lui C ∩ B .
2 1 1
Avem P(C ∩ B) = P (C ) ⋅ PC ( B) = ⋅ = .
10 9 45
Aşadar probabilitatea de a nu fi extrase două bile negre este
1 44
1 − P(C ∩ B ) = 1 − = .
45 45

1.13. Evenimente independente

Să considerăm, acum, experimentul aruncării unui zar şi evenimentele:
A ={3,4}, B ={4,5,6}. Avem
1 1
P ( A) = , PB ( A) = .
3 3
Putem spune deci că realizarea evenimentului B nu schimbă probabilitatea
evenimentului A , sau că probabilitatea evenimentului A nu depinde de
realizarea lui B . Se observă, de asemenea, că
1 1
P ( B) = , PA ( B) = .
2 2
În acest caz evenimentele A, B sunt independente. În general, avem:

1.13.1. Vom spune că două evenimente aleatoare din cadrul unui experiment sunt
independente în probabilitate sau, mai simplu, independente, dacă
probabilitatea unuia nu depinde de realizarea celuilalt.
Din definiţia de mai sus deducem că două evenimente A şi B sunt
independente, atunci şi numai atunci când PA ( B) = P( B) , PB ( A) = P( A) , ceea
ce echivalează, ţinând seama de relaţiile (1.3) şi (1.4), cu
(1.6) P ( A ∩ B ) = P( A) ⋅ P( B) .

Remarcă. Deoarece are sens şi pentru P( A) = 0 sau P( B) = 0 , relaţia (1.6) se poate lua ca
definiţie a independenţei evenimentelor8 A şi B . Astfel se poate extinde
definiţia independenţei pentru un număr oarecare de evenimente:

1.13.2. Spunem că evenimentele aleatoare A1 , A2 ,…, An legate de un experiment

sunt independente dacă avem egalitatea
P ( A1 ∩ A2 ∩ ... ∩ An ) = P( A1 ) ⋅ P( A2 ) ⋅ ... ⋅ P( An ) .

Exemplul 1.24. Se aruncă o monedă de trei ori. Calculăm probabilitatea să obţinem de

fiecare dată “stema".
Soluţie:
Notăm:
A1 : “la prima aruncare se obţine stema",
A2 : “la a doua aruncare se obţine stema",
A3 : “la a treia aruncare se obţine stema".

8
nu se dă nici un sens expresiei Pφ ( A)

29
Numărare şi probabilităţi
Se observă că realizarea unuia dintre evenimentele A1 , A2 , A3 nu influenţează
cu nimic realizarea celorlalte, deci cele trei evenimente sunt independente.
Atunci
1 1 1 1
P( A1 ∩ A2 ∩ A3 ) = P( A1 ) ⋅ P( A2 ) ⋅ P( A3 ) = ⋅ ⋅ = .
2 2 2 8

Evidenţiem următoarea regulă de înmulţire a probabilităţilor, utilă pentru

practică: fie A şi B evenimente aleatoare independente corespunzătoare,
respectiv experimentelor E 1 şi E 2 , care nu se condiţionează reciproc. Fie
p probabilitatea de realizare a lui A şi q probabilitatea lui B . Atunci
probabilitatea ca evenimentele A şi B să se producă simultan este pq .
Regula se păstrează pentru un număr finit de evenimente A1 , A2 ,..., Am ce
corespund, respectiv, experimentelor E 1 , E 2 ,…, E m care nu se
condiţionează reciproc.
Dacă p1 , p 2 ,..., p m sunt, respectiv, probabilităţile de realizare ale
evenimentelor A1 , A2 ,..., Am , probabilitatea de realizare simultană a acestora
este p1 ⋅ p 2 ⋅ ... ⋅ p m .

Remarcă Regula de înmulţire a probabilităţilor ne scuteşte să scoatem de fiecare dată în

evidenţă toate cazurile posibile şi cazurile favorabile. Vom da câteva exemple
în acest sens:

Exemplul 1.25. Să calculăm probabilitatea evenimentului din exemplul 1.20. Pentru

fiecare i =1,2,3,4 să notăm cu Ai evenimentul: “la aruncarea i nu se obţine
faţa 6". Deoarece aruncările simultane ale unui zar sunt probe ale căror
rezultate nu se pot influenţa reciproc, rezultă că evenimentele A1 , A2 , A3 , A4
sunt independente, deci avem
5 5 5 5 54
P ( A ) = P( A1 ∩ A2 ∩ A3 ∩ A4 ) = = P( A1 ) ⋅ P( A2 ) ⋅ P( A3 ) ⋅ P( A4 ) = ⋅ ⋅ ⋅ = 4 .
6 6 6 6 6

Exemplul 1.26. Să calculăm probabilităţile evenimentelor A, C , G din exemplul 1.16.

Pentru fiecare i = 1,2,..., n , notăm cu Ai evenimentul “candidatul i a obţinut
notă mai mare sau egală cu 5" în experimentul ce constă în examinarea sa.
Evenimentele A1 , A2 ,..., An sunt independente deoarece nota obţinută de
către un candidat nu influenţează nota obţinută de alt candidat. Evenimentul
A constă în realizarea simultană a evenimentelor A1 , A2 ,..., An , C constă în
realizarea simultană a evenimentelor A1 , A2 ,..., An iar evenimentul G este
contrar lui C .
Pentru orice i ∈ {1,2,.., n} , numărul cazurilor favorabile lui Ai este 6 (nota
obţinută poate fi: 5,6,7,8,9,10) iar numărul cazurilor posibile este 10. Atunci
6n
P ( A) = P( A1 ∩ A2 ∩ ... ∩ An ) = P( A1 ) ⋅ P( A2 ) ⋅ ... ⋅ P( An ) = n
10
şi, respectiv
4n
P (C ) = P ( A1 ∩ A2 ∩ ... ∩ An ) = (1 − P( A1 )) ⋅ ... ⋅ (1 − P ( An )) = n
10

30
 Numărare şi probabilităţi
4n
P (G ) = P(C ) = 1 − P(C ) = 1 − .
10 n
Exemplul 1.27. Trei vânători A, B, C obţin la un concurs de tir următoarele rezultate:
Vânătorul: A B C
Lovituri trase: 135 96 60
Lovituri în ţintă: 81 84 45.
Ţinând seama de aceste rezultate, vom estima probabilităţile evenimentelor
următoare, când fiecare dintre cei trei vânători trag în acelaşi iepure câte un
singur cartuş:
a) iepurele nu este atins;
b) cel puţin un vânător loveşte iepurele;
c) toţi vânătorii lovesc iepurele.
Soluţie:
A ţine seama de aceste rezultate, revine la estimarea probabilităţii fiecăruia
de a lovi o ţintă dintr-un singur cartuş, prin folosirea frecvenţelor relative
realizate la tir.
Aceste frecvenţe (identificând vânătorul A cu evenimentul corespunzător
lovirii ţintei etc.) vor fi:
81 3 84 7 45 3
f ( A) = = , f ( B) = = , f (C ) = = .
135 5 96 8 60 4
a) Probabilitatea ca nici unul să nu lovească iepurele va putea fi estimată
prin produsul probabilităţilor (evenimentele fiind independente)
 3  7  3  1
p = P( A ) ⋅ P( B ) ⋅ P(C ) = 1 − 1 − 1 −  = ,
 5  8  4  80
unde probabilităţile respective au fost “aproximate" cu frecvenţele relative.
b) Probabilitatea ca cel puţin unul să lovească iepurele va fi cea a
evenimentului contrar celui de la punctul a), adică
1 79
1− p = 1− = .
80 80
c) Probabilitatea ca toţi trei să lovească iepurele va fi (datorită independenţei
evenimentelor):
3 7 3 63
p1 = P( A ∩ B ∩ C ) = P( A) ⋅ P( B) ⋅ P(C ) = ⋅ ⋅ = ≈ 0,39 .
5 8 4 160

Observaţie Estimarea probabilităţilor în exemplul precedent se bazează pe un procedeu

euristic, de natură statistică, prin asimilarea acestora cu frecvenţe relative
realizate într-un număr relativ mic de probe. Acest gen de îmbinare a
experimentelor statistice din practica obişnuită este admisibilă pentru o primă
modelare probabilistică şi în alte sectoare ale matematicilor aplicate (de
exemplu în biomatematică). El pune în evidenţă caracterul experimental al
unor modelări matematice, prin îmbinarea practicii cu teoria.

Exemplul 1.28. Două piese de artilerie antiaeriană trag independent fiecare după un
acelaşi avion. Probabilitatea ca cele două piese să lovească avionul (ţinând
cont de poziţia şi de performanţa fiecăreia) este de 0,2 pentru prima piesă şi
0,1 pentru cea de a doua. Ambele piese trag câte o lovitură iar una dintre ele
doboară avionul.
Să determinăm probabilităţile ca lovitura să provină de la prima, respectiv de
la a doua piesă.

31
Numărare şi probabilităţi

Soluţie:
Notăm
A evenimentul: “prima piesă loveşte avionul"
B evenimentul: “a doua piesă loveşte avionul"
C evenimentul: “avionul este doborât de o lovitură".
Atunci evenimentele
H1 = A ∩ B , H 2 = A ∩ B , H 3 = A ∩ B , H 4 = A ∩ B
sunt independente şi avem evident
E = H1 ∪ H 2 ∪ H 3 ∪ H 4
unde E este mulţimea totală (evenimentul sigur). Va trebui să calculăm
PC ( H 1 ) şi, respectiv PC ( H 2 ) .
Pentru aceasta, avem:
P ( H 1 ) = P ( A) ⋅ P ( B) = 0,2 ⋅ 0,1 = 0,02 ;
P ( H 2 ) = P ( A) ⋅ (1 − P ( B )) = 0,2 ⋅ 0,9 = 0,18 ;
P ( H 3 ) = (1 − P( A)) ⋅ P( B) = 0,8 ⋅ 0,1 = 0,08 ;
P ( H 4 ) = (1 − P ( A)) ⋅ (1 − P ( B )) = 0,8 ⋅ 0,9 = 0,72 ;
şi observăm că P ( H 1 ) + P ( H 2 ) + P( H 3 ) + P( H 4 ) = P( E ) = 1 .
Probabilităţile condiţionate ale lui C vor fi:
PH1 (C ) = 0 , PH 2 (C ) = 1 , PH 3 (C ) = 1 , PH 4 (C ) = 0 .
Avem atunci
4
P (C ) = P (C ∩ E ) = P(C ∩ ( H 1 ∪ H 2 ∪ H 3 ∪ H 4 )) =  P(C ∩ H i ) ,
i =1
ţinând seama de formula (1.3), rezultă
4
P (C ) =  P( H i ) ⋅ PH i (C ) .
i =1

P(C ∩ H 2 )
Apoi, tot din (1.3), PC ( H 2 ) = , deci
P(C )
P ( H 2 ) ⋅ PH 2 (C ) 0,18 ⋅ 1
PC ( H 2 ) = = ≈ 0,7 .
P (C ) 0,18 ⋅ 1 + 0,08 ⋅ 1
Analog avem
0,08 ⋅ 1
PC ( H 3 ) = ≈ 0,3 .
0,18 ⋅ 1 + 0,08 ⋅ 1
În concluzie putem afirma că prima piesă a lovit avionul cu o probabilitate de
0,7 iar piesa a doua cu o probabilitate de 0,3.

32
 Numărare şi probabilităţi

Test de autoevaluare (3)

1. Fie A, B două evenimente ale unui experiment aleator. Cunoscând

următoarele probabilităţi:
1 3 1
P ( A) = , P ( B ) = , PA ( B ) = ,
3 4 4
precizaţi dacă evenimentele A şi B sunt independente şi calculaţi
Răspunsurile
la test se vor P( A ∪ B) .
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor

2. Se consideră două evenimente A, B ale unui experiment aleator.

Arătaţi că:
a) evenimentele A ∩ B şi A ∩ B sunt independente;
b) P ( A ∩ B) = P( B) − P( A ∩ B) ;
dacă A  B , atunci P( A) ≤ P( B) .

Răspunsurile la acest test se găsesc la pagina 35 a acestei unităţi de

învăţare

33
Numărare şi probabilităţi

1.14. Comentarii şi răspunsuri la testele de autoevaluare

Test 1
1. 10!, respectiv 3!⋅ 7! moduri
2. Se pot forma 6! numere dintre care 5! încep cu cifra 0 deci au doar cinci
cifre. Aşadar, avem 6!-5! numere
3. Sunt 6+9+9+9+9+9=51 numere.

Test 2
1. Sunt 36 de cazuri posibile. Cazurile favorabile lui A vor fi
(1,1),(2,2),(3,3),(4,4),(5,5),(6,6).
2. C = A ∩ B ; D = A ∩ B ; E = A ∩ B ; F = ( A ∩ B ) ∪ ( A ∩ B ) .

Test 3
1. Avem
1 1 1
P ( A) = , P ( B) = 1 − P( B ) = , P ( A ∩ B) = ,
3 4 12
deci P( A ∩ B) = P ( A) ⋅ P( B) , prin urmare evenimentele sunt independente.
Folosind apoi axioma p3 ) din definiţia probabilităţii rezultă
7
P ( A ∪ B) = P( A) + P( B) = .
12
2. b) Din axioma p3 ) rezultă
P ( B) = P (( A ∩ B) ∪ ( A ∩ B)) = P( A ∩ B) + P( A ∩ B) .
c) dacă A ⊂ B , atunci A ∩ B = A şi aplicăm p5 ) din propoziţia 1.2.

1.15. Lucrare de verificare pentru studenţi pentru unitatea 1

Indicaţii de redactare. Problemele se vor rezolva în ordinea din textul enunţului.

Rezolvările se vor expedia pe adresa tutorelului.

1. Din 11 persoane, dintre care 7 bărbaţi şi 4 femei, se formează o delegaţie

alcătuită din 5 persoane, dintre care cel puţin două femei. În câte moduri
se poate forma această delegaţie?

2. Notăm prin AΔB diferenţa simetrică a lui A şi B :

AΔB = ( A \ B) ∪ ( B \ A) .
Să se arate folosind atât limbajul din teoria mulţimilor cât şi limbajul
evenimentelor că:
a) AΔA = φ ;
b) AΔφ = A şi reciproc, dacă AΔB = A , atunci B = φ ;
c) AΔE = C A , unde E este mulţimea totală (evenimentul sigur);
d) AΔB = BΔA ;
e) AΔB = ( A ∪ B ) \ ( A ∩ B) ;
f) ( AΔB)ΔC = AΔ( BΔC ) .

34
 Numărare şi probabilităţi

3. O ţintă este formată din 10 cercuri concentrice de raze rk ( k = 1,2,...,10 )

r1 < r2 < ... < r10 . Pentru fiecare k ∈ {1,2,...,10} , evenimentul Ak constă în
nimerirea cercului de rază rk . Stabiliţi eventualele compatibilităţi şi implicaţii
între evenimentele Ak .

4. Dintre Mihai, Maria, Diana şi Dan se trag la sorţi doi reprezentanţi.

Calculaţi probabilităţile de a extrage:
a) cuplul Mihai şi Dan;
b) un băiat şi o fată;
c) un cuplu în care să fie Maria;
d) un cuplu care să nu conţină pe Dan.

5. Doi trăgători trag câte un foc asupra unei ţinte. Primul nimereşte ţinta cu
7 9
probabilitatea p1 = iar al doilea cu probabilitatea p 2 = . Care este
9 11
probabilitatea ca ţinta să fie atinsă ?

6. Două persoane X şi Y practică un joc. Partida este câştigată de cel care

obţine primul al treilea punct. La un moment dat scorul este 2-1 în favoarea
lui X . Care este probabilitatea ca persoana X să câştige partida ? Se
presupune că jucătorii au şanse egale pentru obţinerea fiecărui punct.

1.16. Bibliografie
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962 (pag.72-90)
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti 1966 (pag.7-16)
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.271-291)
4. C. Năstăsescu ş.a., Exerciţii şi probleme de algebră pentru clasele IX-XII,
E.D.P., Bucureşti, 1983 (pag.65-70)
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.9-30)
6. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (pag.7-35)
7. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag. 720-
737)

35
Variabile aleatoare

UNITATEA DE ÎNVĂŢARE 2

VARIABILE ALEATOARE

CUPRINS
Obiectivele Unităţii de învăţare 2……………………...................................... 36
2.1. Variabile aleatoare. Repartiţii………………….....................................37
2.2. Operaţii cu variabile aleatoare…………………………….................... 39
2.3. Valori importante ale unei variabile aleatoare……..............................42
2.4. Repartiţia binomială (Bernoulli)……………………...............…........... 50
2.5. Repartiţia binomială generalizată (Poisson)………..............……....... 53
2.6. Repartiţia hipergeometrică…………………………….......................... 55
2.7. Comentarii şi răspunsuri la testele de autoevaluare……..............….. 58
2.8. Lucrare de verificare pentru studenţi……………………...............….. 59
2.9. Bibliografie……………………………………………...............….......... 59

Obiectivele Unităţii de învăţare 2

După ce veţi parcurge această unitate de învăţare, veţi avea cunoştinţe

suficiente pentru a fi capabil să faceţi următoarele operaţii matematice:
• Recunoaşterea datelor care caracterizează o variabilă aleatoare. Calculul
valorilor caracteristice ale unei variabile aleatoare.
• Operaţii cu variabile aleatoare.
• Încadrarea unor fenomene aleatoare în una din schemele clasice de
probabilitate.
• Identificarea parametrilor care caracterizează schema de probabilitate.
Calculul valorilor care lipsesc cu ajutorul formulelor schemei respective.
• Corelarea rezultatelor cu realitatea.
• Folosirea metodei date de schema de probabilitate la studiul altor
fenomene. Modelarea fenomenelor întâlnite în practică conform
schemelor clasice.

36
 Variabile aleatoare

2.1. Variabile aleatoare. Repartiţii

În viaţa şi activitatea de zi cu zi se întâlnesc mărimi care se schimbă sub
influenţa unor factori întâmplători, imprevizibili. Aşa avem, de exemplu,
numărul de accidente de circulaţie care au loc într-un an, numărul elevilor
care sunt respinşi la examenul de Bacalaureat într-un anumit oraş într-un
anumit an, numărul de puncte obţinute la aruncarea unui zar etc. Vom studia
în continuare, dintre aceste mărimi, doar pe acelea care iau un număr finit de
valori. Fiecare dintre aceste mărimi poate lua diferite valori în diversele
efectuări ale experimentului, chiar dacă condiţiile de efectuare a
experimentului rămân neschimbate. Modificarea valorilor are la bază factori
întâmplători.
2.1.1. O variabilă se numeşte variabilă aleatoare1 dacă, în cazul mai multor
experimente efectuate în aceleaşi condiţii, aceasta ia valori diferite, fiecare
astfel de valoare fiind un eveniment aleator.
Pentru cunoaşterea unei variabile aleatoare trebuie să ştim valorile pe care
le poate lua.
Pentru a fi bine precizată trebuie să cunoaştem probabilitatea cu care este
luată fiecare dintre valorile sale.
De exemplu, în cazul producţiei de şuruburi, apariţia rebuturilor pe schimb
este o variabilă aleatoare, deoarece intervin factori a căror influenţă nu poate
fi apreciată (variaţiile materialului etc.). Prin cunoaşterea numărului minim şi
a numărului maxim de rebuturi pe schimb putem să ne pronunţăm asupra
calităţii producţiei într-un interval de timp mai lung. Acest lucru este posibil în
cazul în care, în afară de numărul de rebuturi, indicăm şi probabilitatea de
apariţie a acestui număr. O variabilă aleatoare este caracterizată de valorile
pe care le ia ca şi de probabilităţile corespunzătoare fiecărei valori.
2.1.2. Mulţimea ale cărei elemente sunt perechile ordonate formate din valorile pe
care le poate lua variabila aleatoare şi probabilitatea corespunzătoare
acestor valori defineşte distribuţia sau repartiţia variabilei respective.
O variabilă aleatoare va fi notată schematic:
 x x ... x n 
X  1 2 
 p 1 p 2 ... p n 
unde, în primul rând, sunt trecute valorile posibile ale variabilei şi, sub fiecare
valoare, probabilitatea cu care X ia această valoare.

Exemplul 2.1. La aruncarea unui zar, numărul pe care-l obţinem este o variabilă aleatoare
X care poate lua numai valorile xi , i = 1,2,3,4,5,6 . Fiecare dintre aceste
1
numere poate apărea cu probabilitatea P ( X = xi ) = pi = . Repartiţia va fi
6
1 2 3 4 5 6
 
X1 1 1 1 1 1
 
6 6 6 6 6 6

1
cuvântul aleator are sens de întâmplător şi provine din latinescul alea care înseamnă zar
37
Variabile aleatoare

Din cele de mai sus, putem sublinia că o variabilă aleatoare este o aplicaţie
X a mulţimii totale E în mulţimea numerelor reale  care ia o mulţime finită
de valori x1 , x2 ,..., x n şi pentru care se cunosc probabilităţile fiecărei valori
posibile P ( X = xi ) = pi , pi > 0 , i = 1,2,..., n .
Egalităţile de forma X = xi sunt evenimente.
Deoarece evenimentele X = x1 ; X = x2 ; …; X = xn sunt incompatibile două
câte două şi una din ele se realizează neapărat, avem
P ( X = x1 ) + P( X = x2 ) + ... + P ( X = xn ) = 1 adică p1 + p 2 + ... + p n .
Deducem de aici că variabilele aleatoare X , Y sunt egale dacă X (e) = Y (e)
pentru orice e ∈ E .

Exemplul 2.2. Să reluăm experimentul aruncării a două zaruri şi considerăm variabila

aleatoare X care indică suma punctelor de pe cele două zaruri. Vom scrie
distribuţia lui X .
Soluţie:
În acest experiment, mulţimea totală este E = {(1,1),(1,2),…,(6,6)} având 36
elemente, unde prima componentă a perechii reprezintă numărul indicat de
primul zar iar a doua componentă numărul arătat de cel de al doilea.
Variabila aleatoare este X : E →  , X (i, j ) = i + j şi poate avea valorile:
2,3,4,…,12. Pentru X = 2 avem 1 caz favorabil: (1,1), deci
1
p1 = P ( X = 2) = ;
36
pentru X = 3 avem 2 cazuri favorabile: (1,2),(2,1),
2
p 2 = P ( X = 3) = ;
36
pentru X = 4 avem 3 cazuri favorabile: (1,3),(2,2),(3,1) etc. Distribuţia lui X
va fi

 2 3 4 5 6 7 8 9 10 11 12 
 
X 1 2 3 4 5 6 5 4 3 2 1 
 
 36 36 36 36 36 36 36 36 36 36 36 

Exemplul 2.3. Într-o loterie s-au vândut 10000 bilete dintre care un bilet de 1000$, 10
bilete de 100$, 100 bilete de 10$ şi 1000 bilete de câte 1$. Să determinăm
distribuţia variabilei aleatoare X care indică suma câştigată pentru
posesorul unui singur bilet.
Soluţie:
Valorile posibile ale lui X sunt:
x1 = 1000 , x2 = 100 , x3 = 10 , x4 = 1 , x5 = 0 .
Probabilităţile respective vor fi: p1 = P ( X = x1 ) = 0,0001 ;
p 2 = 0,001 , p3 = 0,01 , p 4 = 0,1 , p5 = 1 − 0,1111 = 0,8889 .

Distribuţia este, deci

 1000 100 10 1 0 
X  
 0,0001 0,001 0,01 0,1 0,8889 

38
 Variabile aleatoare

Variabilele aleatoare întâlnite în practică sunt de două tipuri: calitative sau

cantitative.
Variabilele aleatoare calitative au valori care nu se pot măsura şi au, de
obicei, un număr mic de valori distincte.

Iată câteva exemple:

- rezultatele experimentului aruncării unei monede: “stema" sau “banul";
- calitatea pieselor dintr-un lot de produse supus controlului exprimată prin
“piesă bună/ rebut";
- rezultatul unui test eliminatoriu: “admis/ respins";
- un sondaj de opinie legat de calitatea unui serviciu poate avea
răspunsurile: “nemulţumit/ acceptabil/ mulţumit/ foarte mulţumit/ nu ştiu".
Observăm că, pentru a lucra cu asemenea variabile calitative, este nevoie de
o codificare a valorilor care pot să apară.
Astfel răspunsurile “Da/ Nu" se codifică, de obicei, prin 1/0, altele prin
a1 , a 2 , a3 etc.
Variabilele aleatoare cantitative sunt mărimi care pot fi cuantificate prin
măsurători: numărul de puncte rezultate în urma aruncării a două zaruri,
numărul rebuturilor dintr-un lot de piese, spaţiul parcurs de un mobil în
anumite condiţii etc.

2.2. Operaţii cu variabile aleatoare

2.2.1. Produsul dintre o constantă şi o variabilă aleatoare

Dacă a este o constantă reală, aceasta o asimilăm cu o variabilă aleatoare
a
având distribuţia   .
1  
Fie X o variabilă aleatoare şi a o constantă reală. Atunci aX va fi o
variabilă aleatoare care are valoarea axi , atunci când X ia valoarea xi .
Astfel, dacă X are distribuţia
 x x ... x n 
X  1 2 
 p 1 p 2 ... p n 
atunci aX are distribuţia
 ax 1 ax 2 ... ax n 
aX   .
 p 1 p 2 ... p n 

2.2.2. Valoarea absolută a unei variabile aleatoare

Dacă X este o variabilă aleatoare având valorile x1 , x2 ,..., x n , atunci
valoarea absolută a sa va fi o variabila aleatoare X care are valorile egale
cu x1 , x 2 ,..., x n .
1 2  x x ... x n 
În acest fel, dacă X are distribuţia X   , atunci X are
 p 1 p 2 ... p n 
distribuţia

39
Variabile aleatoare
 x x2 ... xn 
X  1 .
 p1 p2 ... pn 
2.2.3. Adunarea variabilelor aleatoare
Fiind date două variabile aleatoare X şi Y cu distribuţiile
 x x ... x n   y y ... y m 
X  1 2  şi Y  1 2 
 p 1 p 2 ... p n  q 1 q 2 ... q m 
vom numi suma acestora, variabila Z = X + Y , care ia valoarea, xi + y j
dacă X ia valoarea xi , iar Y ia valoarea y j . X + Y are distribuţia
 x + y1 x1 + y 2 ... xi + y j ... xn + y m 
(2.1) X + Y  1 

 11p p12 ... p ij ... p nm 
unde pij ( i = 1,2,..., n; j = 1,2,..., m ) este probabilitatea realizării simultane a
egalităţilor X = xi , Y = y j .

2.2.4. Produsul variabilelor aleatoare

Fie X şi Y două variabile aleatoare având distribuţiile
 x x ... x n   y y ... y m 
X  1 2  şi Y  1 2 
p
 1 2p ... p n  q q
 1 2 ... q m 
Prin produsul variabilelor aleatoare X şi Y înţelegem variabila XY care ia
valoarea xi y j atunci când X ia valoarea xi şi Y ia valoarea y j , adică are
distribuţia
 x y x y ... xi y j ... xn y m 
(2.2) XY  1 1 1 2 

 p11 p12 ... p ij ... p nm 
unde pij ( i = 1,2,..., n; j = 1,2,..., m ) este probabilitatea realizării simultane a
egalităţilor X = xi , Y = y j .

Exemplul 2.4. Probabilitatea extragerii unei bile albe dintr-o urnă este p . Din această
urnă se fac două extrageri, punându-se înapoi bila după prima extragere. Se
consideră variabilele aleatoare X 1 şi X 2 , prima reprezentând numărul de
bile albe ieşite la prima extragere şi a doua numărul de bile albe ieşite la a
doua extragere. Vom scrie distribuţia sumei şi, respectiv produsului, celor
două variabile aleatoare.
Soluţie:
Distribuţia celor două variabile aleatoare este:
1 0 1 0
X 1   , X 2  
 p q   p q 
unde q = 1 − p . ( X 1 = 1 ) este evenimentul obţinerii unei bile albe la prima
extragere iar ( X 2 = 1 ) este evenimentul obţinerii unei bile albe la a doua
extragere. Conform definiţiei sumei variabilelor aleatoare, putem scrie:
1 + 1 1+ 0 0 +1 0 + 0
X 1 + X 2  2 
p pq qp q 2 

40
 Variabile aleatoare

şi, respectiv
1⋅1 1 ⋅ 0 0 ⋅1 0 ⋅ 0 
X 1 X 2  2 
p pq qp q 2 
2 1 0  1 0 
deci X1 + X2  2  ; X 1 X 2  2
2
.
2
 p 2 pq q   p 2 pq + q 

Variabila sumă reprezintă numărul de bile albe ieşite în cele două extrageri
din urnă cu probabilităţile respective.

Observaţie Probabilităţile p11 , p12 ,..., p nm din formulele (2.1) şi, respectiv (2.2), satisfac
relaţiile:
(2.3) pi = pi1 + pi 2 + ... + pim , ∀i ∈ {1,2,…, n }
(2.4) q j = p1 j + p 2 j + ... + p n j , ∀i ∈ {1,2,…, m }
Demonstraţie:
Vom ţine seama că s-a notat cu pij probabilitatea realizării simultane a
evenimentelor ( X = xi ) şi (Y = y j ) ( i =1,2,…, n , j =1,2,…, m ), adică
pij = P (( X = xi ) ∩ (Y = y j ) ).
Evenimentele (Y = y1 ), (Y = y 2 ),..., (Y = y m ) sunt incompatibile două câte
două şi (Y = y1 ) ∪ (Y = y 2 ) ∪ ... ∪ (Y = y m ) = E ,unde E este evenimentul
sigur. Rezultă
( X = xi ) = ( X = xi ) ∩ E = ( X = xi ) ∩ [(Y = y1 ) ∪ ... ∪ (Y = y m )] =
= [(X = xi ) ∩ (Y = y1 )] ∪ [(X = xi ) ∩ (Y = y2 )] ∪ ... ∪ [(X = xi ) ∩ (Y = ym )] .
De aici deducem
pi = P( X = xi ) = P(( X = xi ) ∩ (Y = y1 ) ) + P (( X = xi ) ∩ (Y = y 2 ) ) +
+ ... + P(( X = xi ) ∩ (Y = y m ) ) = pi1 + pi 2 + ... + pim .
Într-un mod similar se demonstrează şi cealaltă egalitate.

2.2.5. Ridicarea la putere a unei variabile aleatoare

Fiind dată o variabilă aleatoare X cu distribuţia
x x2 ... xn 
X  1 ,
 p1 p2 ... p n 
vom numi puterea r a variabilei X , variabila aleatoare X r care ia valoarea
xir dacă X ia valoarea xi .
 xr x2r ... xnr 
Distribuţia lui X r va fi X r  1 .
 p1 p2 ... p n 
1
Vom numi inversa variabilei aleatoare X , care ia valori nenule, variabila
X
1
care ia valoarea , când X ia valoarea xi .
xi
Acesta este un caz particular al puterii unei variabile aleatoare, şi anume,
cazul r = −1 .

41
Variabile aleatoare

Fiind date două variabile aleatoare X şi Y , astfel ca Y să nu ia valori egale

X x
cu zero, vom numi raportul lor, variabila , care ia valoarea i , dacă X
Y yi
ia valoarea xi iar Y valoarea yi .

2.2.6. Variabile aleatoare independente

Considerăm două variabile aleatoare:
 x x ... xn   y y ... y m 
X  1 2  şi Y  1 2 
 p 1 p 2 ... pn   q 1 q 2 ... q m 
Dacă evenimentele ( X = xi ) şi (Y = yi ) sunt independente pentru toate
valorile indicilor i şi j , vom spune că variabilele aleatoare X şi Y sunt
independente.
În acest caz, putem scrie pentru orice i ∈ {1,2,…, n }, j ∈ {1,2,…, m },
probabilităţile de realizare simultană a egalităţilor X = xi şi Y = y j :
pij = P( X = xi , Y = y j ) = P (( X = xi ) ∩ (Y = y j ) ) =
= P( X = xi ) P(Y = y j ) = pi ⋅ q j .
Dacă variabilele aleatoare X şi Y sunt independente, atunci avem
 x1 + y1 x1 + y 2 ... xi + y j ... x n + y m 
X + Y  

p
 1 1 q p q
1 2 ... p q
i j ... p q
n m 

În exemplul 2.4 variabilele aleatoare X 1 şi X 2 sunt independente.

2.3. Valori importante ale unei variabile aleatoare

O variabilă aleatoare este descrisă complet de repartiţia sa care dă informaţii
atât asupra valorilor sale cât şi probabilităţilor corespunzătoare. În teoria
probabilităţilor şi în special în aplicaţiile sale s-au introdus pentru
caracterizarea variabilelor aleatoare anumiţi parametri care se calculează din
repartiţie. Cei mai importanţi sunt media şi dispersia.

2.3.1. Valoarea medie

Fie X o variabilă aleatoare asociată unui experiment, care ia valorile
x1 , x2 ,..., x n . Dacă facem de m ori experimentul şi valoarea xi a apărut de
mi ori ( m1 + m2 + ... + mn = m ), atunci, punând într-o ordine convenţională
valorile obţinute, aceste valori pot fi scrise:
x1 , x1 ,..., x1 , x2 , x2 ,..., x2 , … , xn , xn ,..., xn
unde x1 apare de m1 ori, x2 apare de m2 ori, …, xn apare de mn ori.
Media aritmetică a acestor numere este:
m1 x1 + m2 x2 + ... + mn xn m1 m m
= x1 + 2 x2 + ... + n xn = f1 x1 + f 2 x2 + ... + f n xn
m m m m
unde f i este frecvenţa relativă corespunzătoare valorii xi ( i =1,2,…, n ).
Această observaţie conduce în mod natural la următoarea definiţie.

42
 Variabile aleatoare
 x1 x2 ... xn 
Fiind dată o variabilă aleatoare X   , vom numi valoare
 p1 p2 ... p n 
medie a acestei variabile numărul
n
(2.5) M ( X ) = p1 x1 + p 2 x2 + ... + p n xn =  pi xi
i =1
Astfel, considerând variabila aleatoare din experimentul aruncării unui zar
(vezi exemplul 2.1)
1 2 3 4 5 6
 
X1 1 1 1 1 1,
 
6 6 6 6 6 6
1 1 1 1 1 1 7
avem M ( X ) = 1 ⋅ + 2 ⋅ + 3 ⋅ + 4 ⋅ + 5 ⋅ + 6 ⋅ =
6 6 6 6 6 6 2
 1 0
Valoarea medie a variabilei X 1   din exemplul 2.2 este
 p q
M ( X 1 ) = 1⋅ p + 0 ⋅ q = p
1 + 1 1+ 0 0 +1 0 + 0
iar pentru variabila X 1 + X 2   este
p
2
pq qp q 2 
M ( X 1 + X 2 ) = 2 ⋅ p 2 + 1 ⋅ 2 pq + 0 ⋅ q 2 = 2 p ( p + q ) = 2 p
Valoarea medie a variabilei aleatoare X din exemplul 2.2 este
1 2 3 4 5 6 5
M (X ) = 2 ⋅ + 3⋅ + 4 ⋅ + 5⋅ + 6 ⋅ + 7 ⋅ + 8⋅ +
36 36 36 36 36 36 36
4 3 2 1 252
+ 9 ⋅ + 10 ⋅ + 11 ⋅ + 12 ⋅ = =7
36 36 36 36 36
În exemplul 2.3, valoarea medie a variabilei aleatoare X este
M ( X ) = 1000 ⋅ 0,0001 + 100 ⋅ 0,001 + 10 ⋅ 0,01 + 1 ⋅ 0,1 + 0 ⋅ 0,8889 = 0,4
Deci 0,4$ ar fi un preţ “echitabil" pentru un bilet.

În cele ce urmează vom evidenţia unele proprietăţi ale valorii medii.

Propoziţia 2.1. Valoarea medie a unei variabile aleatoare este cuprinsă între cea mai
mică şi cea mai mare dintre valorile posibile ale variabilei.
Demonstraţie:
Considerăm variabila aleatoare
x x2 ... xn 
X  1 
 p1 p2 ... p n 
şi fie α =min{ x1 , x2 ,..., x n } şi, respectiv β =max{ x1 , x2 ,..., x n }, cea mai mică şi
cea mai mare valoare a lui X . Avem
α = p1α + p2α + ... + p nα ≤ p1 x1 + p2 x 2 + ... + pn xn = M ( X ) ;
M ( X ) = p1 x1 + p 2 x2 + ... + p n x n ≤ p1 β + p 2 β + ... + p n β = β ;
ceea ce conduce la min{ x1 , x2 ,..., x n } ≤ M ( X ) ≤ max{ x1 , x2 ,..., x n }.

43
Variabile aleatoare

Teorema 2.1. Valoarea medie a sumei a două variabile aleatoare este egală cu suma
valorilor medii ale celor două variabile.
De asemenea, valoarea medie a unui produs de două variabile aleatoare
independente este egală cu produsul valorilor medii ale celor două variabile.

Demonstraţia acestei teoreme, deşi nu foarte complicată, depăşeşte cu puţin

cadrul acestui manual.
Din teorema precedentă, dacă ţinem seama de faptul evident că valoarea
medie a unei constante este egală cu constanta, rezultă imediat următoarele
cazuri particulare.

Corolar Dacă X este o variabilă aleatoare şi a o constantă, atunci sunt adevărate

relaţiile:
a) M (a + X ) = a + M ( X ) ;
b) M (aX ) = aM ( X ) .

Exemplul 2.5. Aruncăm cu două zaruri. Numărul pe care-l obţinem la primul zar
corespunde variabilei aleatoare X iar numărul obţinut pe al doilea zar
variabilei Y . Cunoaştem valorile medii ale acestora:
7
M ( X ) = M (Y ) =
2
Dacă notăm cu Z suma numerelor obţinute pe fiecare dintre aceste două
zaruri, atunci pentru a calcula valoarea medie a variabilei aleatoare Z , este
suficient să observăm că Z = X + Y , deci
7 7 14
M ( Z ) = M ( X + Y ) = M ( X ) + M (Y ) = + = .
2 2 2

Exemplul 2.6. Producţia unei unităţi economice în 24 de ore poate fi socotită o variabilă
aleatoare. Presupunem cazul a două unităţi economice A şi, respectiv B , a
căror producţie reprezintă variabile aleatoare notate cu X , respectiv Y , cu
M ( X ) =250 şi M (Y ) =90. Producţia ambelor unităţi economice este variabila
aleatoare X + Y cu valoarea medie
M ( X + Y ) = M ( X ) + M (Y ) =260+90=350.

Exemplul 2.7. În cazul fabricării unei plăci dreptunghiulare lungimea (în mm) şi lăţimea
sunt variabile aleatoare (independente) X , respectiv Y . Deci şi aria este, de
asemenea, variabilă aleatoare.
Valorile medii sunt M ( X ) =120mm, M (Y ) =80mm. Valoarea medie a ariei va
fi egală cu M ( XY ) = M ( X ) M (Y ) = 120 ⋅ 80 = 9600 mm 2 .

44
 Variabile aleatoare

2.3.2. Dispersia
În multe cazuri nu este suficientă caracterizarea unei variabile aleatoare
numai prin valoarea medie. În cazul producţiei de şuruburi, o caracteristică
importantă este diametrul şurubului care poate fi interpretat în sens
probabilistic ca o variabilă aleatoare X . La reglarea bună a maşinilor
valoarea medie este egală cu valoarea nominală. În timpul producţiei se
constată că diametrele multor şuruburi sunt mai mari sau mai mici decât
valoarea nominală: în cazul unei medii egale, abaterea de la valoarea
nominală poate să fie, în cazul unei maşini, pozitivă, la altele negativă. Ele
însă trebuie să se afle în interiorul unor limite de toleranţă impuse.
Pentru descrierea acestor aspecte se foloseşte dispersia a cărei rădăcină
pătrată se numeşte abatere medie pătratică sau abatere standard. Ea este o
măsură a devierii de la medie.

Vom numi dispersia (sau varianţa) variabilei aleatoare X numărul pozitiv

notat σ 2 sau D 2 ( X ) dat de egalitatea
(2.6) σ 2 = D 2 ( X ) = M [( X − μ ) 2 ] ,
unde μ = M ( X ) .
Propoziţia 2.2. Dacă X este o variabilă aleatoare cu distribuţia
x x2 ... xn 
X  1 
 p1 p2 ... p n 
atunci dispersia lui X este dată de
n
D 2 ( X ) =  ( xi − μ ) 2 = M ( X 2 ) − [ M ( X )]2 .
i =1
Demonstraţie:
D 2 ( X ) = M [( X − μ ) 2 ] = p1 ( x1 − μ ) 2 + p2 ( x2 − μ ) 2 + ... + pn ( xn − μ ) 2 =
= p1 ( x12 − 2μx1 + μ 2 ) + p2 ( x22 − 2μx2 + μ 2 ) + ... + pn ( xn2 − 2μxn + μ 2 ) =
= ( p1 x12 + p2 x22 + ... + pn xn2 ) − 2μ ( p1 x1 + ... + pn xn ) + μ 2 ( p1 + ... + pn ) =
= M ( X 2 ) − 2μ 2 + μ 2 = M ( X 2 ) − [ M ( X )]2 .

Exemplul 2.8. La aruncarea unui zar, numărul obţinut constituie o variabilă aleatoare X
(vezi exemplul 1.1) cu valoarea medie
7
μ = M (X ) = .
2
Dispersia variabilei X va fi
2 2 2 2 2 2
 7 1  7 1  7 1  7 1  7 1  7 1
D2 ( X ) = 1 −  ⋅ +  2 −  ⋅ +  3 −  ⋅ +  4 −  ⋅ +  5 −  ⋅ +  6 −  ⋅
 2 6  2 6  2 6  2 6  2 6  2 6
σ 2 = D 2 ( X ) = 2,92.

Principalele proprietăţi ale dispersiei vor fi menţionate în teorema următoare

a cărei demonstraţie, deşi nu foarte complicată, nu va fi prezentată aici.

45
Variabile aleatoare

Teorema 2.2. Fie X , Y două variabile aleatoare independente iar a o constantă. Atunci
sunt adevărate afirmaţiile:
a) D 2 (a ) = 0 (dispersia unei constante este nulă);
b) D 2 ( X + a ) = D 2 ( X ) (două variabile care diferă printr-o constantă au
dispersii egale);
c) D 2 ( aX ) = a 2 D 2 ( X ) (dispersia produsului dintre o constantă şi o variabilă
aleatoare este egală cu produsul dintre pătratul constantei şi dispersia
variabilei);
d) D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ) (dispersia sumei a două variabile aleatoare
independente este egală cu suma dispersiilor variabilelor respective).

Exemplul 2.9. La aruncarea cu două zaruri, suma numerelor pe care le obţinem este
suma celor două variabile aleatoare independente X şi Y care reprezintă
numărul obţinut la primul, respectiv al doilea zar. Dispersiile variabilelor X şi
Y sunt (conform exemplului 2.8) D 2 ( X ) = D 2 (Y ) = 2,92. Atunci dispersia
variabilei aleatoare X + Y va fi
D 2 ( X + Y ) = D 2 ( X ) + D 2 (Y ) = 2,92+2,92=5,84.

De obicei, gradul de împrăştiere al unei variabile aleatoare X se exprimă nu

prin dispersie, ci prin abaterea medie pătratică sau abatere standard,
notată σ sau D( X ) , dată de relaţia
σ = D ( X ) = D 2 ( X ) = M ( X 2 ) − [ M ( X )]2 .

Dispersia şi abaterea medie pătratică măsoară deviaţia valorilor variabilei X

de la media M ( X ) , adică variabilitatea valorilor lui X .
Există situaţii când o variabilitate mare este benefică (de exemplu, în unele
fenomene biologice).
Cel mai adesea, însă, este preferabilă o variabilitate mică, respectiv valori
cât mai omogene pentru variabila X .
Abaterea medie pătratică are avantajul că se exprimă prin aceleaşi unităţi de
măsură ca şi valorile variabilei X .
Proprietăţile mai importante ale abaterii medii pătratice se deduc din cele ale
dispersiei:
• D (a ) =0, dacă a este constantă;
• D( X + a) = D( X ) ;
• D(aX ) = aD( X ) ;
• D ( X + Y ) = D 2 ( X ) + D 2 (Y ) , dacă variabilele X şi Y sunt
independente.

2.3.3. Momente

O altă valoare tipică pentru o variabilă aleatoare este introdusă în definiţia

următoare:
Vom numi moment de ordinul k al unei variabile aleatoare date X ,
valoarea medie a variabilei X k , dacă X k are sens.

46
 Variabile aleatoare
Vom scrie
M k (X ) = M (X k ).
Dacă X are distribuţia
x x2 ... xn 
X  1 ,
 p1 p2 ... p n 
atunci
M k ( X ) = M ( X k ) = p1 x1k + p 2 x2k + ... + p n xnk ,
dacă toate expresiile x1k , x2k ,..., xnk au sens.
O variabilă aleatoare care ia numai valori pozitive are momente de orice
ordin.
Fiind date o variabilă aleatoare X şi o constantă α , vom numi abaterea
variabilei X de la constanta α , variabila X − α .
Momentul de ordinul k raportat la constanta α al variabilei X se defineşte
ca valoarea medie a variabilei ( X − α ) k .
Pentru α =0, obţinem momentul de ordin k al variabilei X introdus în
definiţia momentului iar pentru α = M ( X ) obţinem momentul centrat de
ordinul k al variabilei X . Dispersia variabilei X este momentul centrat de
ordinul doi.
Variabila X − M ( X ) se numeşte abaterea de la medie a variabilei X sau,
mai scurt, abaterea variabilei X .
Deoarece avem
M ( X − M ( X ) ) = M ( X ) − M ( X ) =0,
rezultă că valoarea medie a abaterii oricărei variabile aleatoare este nulă.
De multe ori, la o variabilă aleatoare, ne interesează cât de mult se abat
valorile variabilei de la medie. Deoarece valoarea medie a abaterii de la
medie nu este edificatoare (fiind nulă întotdeauna), este firesc să
caracterizăm împrăştierea variabilei X , prin valoarea medie a variabilei
X − M (X ) .

Vom numi abatere medie a unei variabile aleatoare X , valoarea medie a

abaterii absolute M ( X − M ( X ) ) .
Astfel, dacă X are distribuţia
x x2 ... xn 
X  1 ,
 p1 p2 ... p n 
atunci distribuţia abaterii absolute este
 x1 − μ x2 − μ ... xn − μ 
 ,
 p1 p2 ... pn 
unde μ = M ( X ) , iar abaterea medie este
p1 x1 − μ + p 2 x2 − μ + ... + p n xn − μ .

Exemplul 2.10. Cu ajutorul a patru plăcuţe inscripţionate cu cifrele 1,2,3,4 se formează

toate numerele posibile de patru cifre.
Să calculăm valoarea medie, dispersia, abaterea medie pătratică şi abaterea
medie a variabilei aleatoare care indică suma primelor două cifre ale
numerelor astfel formate.

47
Variabile aleatoare

Soluţie:
Notăm cu X variabila aleatoare considerată. Mulţimea valorilor sale este
{3,4,5,6,7}.
Avem
P4 =4!=24
numere care se forma cu patru cifre distincte. Dintre acestea 4 au suma
primelor două cifre 3,4,6 sau 7 iar 8 au suma cifrelor 5.
De aici rezultă
4 1
P ( X = 3) = P ( X = 4) = P ( X = 6) = P ( X = 7) = = ,
24 6
8 1
P ( X = 5) = =
24 3
şi deci repartiţia variabilei X este

3 4 5 6 7
 
X1 1 1 1 1.
 
6 6 3 6 6

1 1 1 1 1
M (X ) = 3⋅ + 4 ⋅ + 5⋅ + 6 ⋅ + 7 ⋅ = 5
6 6 3 6 6

1 1 1 1 5
D 2 ( X ) = (3 − 5) 2 + (4 − 5) 2 + (6 − 5) 2 + (7 − 5) 2 = ≈ 1,66
6 6 6 6 3

D( X ) = 1,66 ≈ 1,29 .
Abaterea medie va fi
1 1 1 1
3 − 5 ⋅ + 4 − 5 ⋅ + 6 − 5 ⋅ + 7 − 5 ⋅ = 1.
6 6 6 6

48
 Variabile aleatoare

Test de autoevaluare (1)

1. În experimentul aruncării unui zar, se consideră variabila aleatoare X
care are valoarea 1 dacă zarul indică un număr impar şi valoarea 2
dacă indică un număr par. Alcătuiţi distribuţia variabilei X .

Răspunsurile
la acest test
se vor da în
spaţiul liber
din chenar, în
continuarea
enunţurilor

 0 1 
2. Se dă variabila aleatoare X   . Să se facă tabloul repartiţiei
 0,3 0,7 
pentru X n ( n ∈ * ).

 4 10 20 
 
3. Se consideră variabila aleatoare având distribuţia X  1 1 1  .
 
4 2 4 
Calculaţi M ( X ) , D 2 ( X ) , D( X ) .

Răspunsurile la acest test se găsesc la pagina 60 a acestei unităţi de

învăţare

49
Variabile aleatoare
O variabilă aleatoare este caracterizată complet prin repartiţia (distribuţia) sa.
Din punct de vedere al ariei de utilitate practică unele tipuri de repartiţii au o
mare importanţă. Vom descrie în cele ce urmează trei astfel de repartiţii.

2.4. Repartiţia binomială (Bernoulli)

Această repartiţie mai este denumită şi repartiţia lui Bernoulli sau
repartiţia newtoniană sau schema bilei întoarse. Jakob Bernoulli (1654-
1705) a studiat cel dintâi această schemă, care constituie modelul matematic
al multor fenomene întâlnite în natură şi în societate. Evenimentul aleator
care este modelul acestei scheme este următorul. Într-o urnă se află a bile
albe şi b bile negre. Probabilitatea de a extrage o bilă albă este p . Orice
bilă pe care o extragem o introducem înapoi în urnă. Vom studia care este
probabilitatea Pn (k ) de a o obţine de k ori o bilă albă (0 ≤ k ≤ n) şi de n − k
ori o bilă neagră în cazul efectuării a n extrageri.

Vom nota cu X variabila aleatoare care indică numărul de apariţii al unei

bile albe. Repartiţia variabilei X va fi repartiţia binomială. Aceasta se
deduce în felul următor. Într-un şir de n extrageri, aceste extrageri sunt
evenimente aleatoare independente, deoarece orice bilă extrasă este
reintrodusă în urnă. Dacă extragerea unei bile albe se face cu probabilitatea
p , atunci probabilitatea extragerii unei bile negre se face cu probabilitatea
1 − p . Probabilitatea ca să extragem k bile albe şi n − k bile negre din n
extrageri este, deci, p k (1 − p ) n −k . Extragerile celor k bile albe se poate face
n!
în C nk = moduri. Aşadar probabilitatea cerută este
k!(n − k )!
(2.7) Pn (k ) = C nk p k (1 − p ) n− k .
Probabilităţile care corespund diferitelor valori ale lui k ne dau repartiţia
variabilei aleatoare X :
 0 1 2 ... k ... n 
X  
n
 (1 − p) np(1 − p)
n−1
Cn2 p 2 (1 − p) n−2 ... Cn2 p 2 (1 − p) n−2 ... p n 
Folosind, acum, formula binomului lui Newton, avem
n n
 Pn (k ) =  Cnk p k (1 − p) n−k = (1 + 1 − p) n = 1.
k =0 k =0

Sintetizând cele de mai sus, deducem:

Teorema 2.3. Dacă evenimentele independente A1 , A2 ,..., An au aceeaşi probabilitate p

de realizare, atunci probabilitatea de a se realiza k dintre cele n
evenimente şi de a nu se realiza celelalte n − k este coeficientul lui x k din
polinomul ( px + q ) n , adică este egală cu C nk p k q n −k , unde s-a folosit notaţia
q = 1− p .
Pornind de la distribuţia variabilei aleatoare X , putem calcula valoarea
medie şi dispersia.

50
 Variabile aleatoare
Obţinem:

Teorema 2.4. Valoarea medie şi, respectiv, dispersia variabilei aleatoare X în cazul
repartiţiei binomiale sunt M ( X ) = np şi, respectiv D 2 ( X ) = np (1 − p ).

Demonstraţie (schiţă):
n
Utilizând formula (2.5), avem M ( X ) =  kCnk p k (1 − p ) n −k .
k =0
Înlocuind combinările cu raportul de factoriale şi simplificând, obţinem
M ( X ) = np .
Din formula de calcul a distribuţiei (2.6), putem scrie
n
D 2 ( X ) =  k 2 C nk p k (1 − p) n−k − (np ) 2 ,
k =0
iar de aici, în urma unor calcule simple, obţinem egalitatea din enunţ.
Exemplul 2.11. Un tratament împotriva obezităţii, urmat timp de o săptămână, conduce -
2
cu probabilitatea p = - la scăderea cu 1kg a greutăţii corporale, ceea ce
3
înseamnă că tratamentul a avut succes. Patru pacienţi urmează acest
tratament. Suntem în condiţiile schemei binomiale. Vom scrie explicit valorile
variabilei aleatoare X , care indică numărul pacienţilor pentru care
tratamentul a avut succes, şi vom calcula probabilităţile corespunzătoare
acestor valori. Vom întocmi, apoi, repartiţia acestei variabile şi vom calcula
valoarea medie, dispersia şi abaterea medie pătratică.
Folosind formula (2.7), avem
k 4− k
2
k  2
P( X + k ) = C  
n 1 −  , k =0,1,2,3,4,
3  3
de unde obţinem probabilităţile evenimentelor cerute:
4
1
- nici un succes: P ( X = 0) =   =0,0124;
3
3
 2  1 
- un singur succes: P ( X = 1) = 4 ⋅    =0,0987;
 3  3 
2 2
 2 1
- două succese: P ( X = 2) = 6 ⋅     =0,2964;
 3  3
3
 2 1
- trei succese: P ( X = 3) = 4 ⋅     =0,395;
 3  3
4
2
- patru succese: P ( X = 4) =   =0,1975.
3
Distribuţia lui X va fi:
 0 1 2 3 4 
X .
 0,0124 0,0987 0,2964 0,395 0,1975 
Caracteristicile lui X sunt:
2 2 1
M ( X ) = np = 4 ⋅ ≈ 2,666, D 2 ( X ) = 4 ⋅ ⋅ ≈ 0,888 , D ( X ) ≈ 0,942.
3 3 3
51
Variabile aleatoare

Exemplul 2.12. Într-o urnă se găsesc 5 bile albe şi 15 bile negre. Se fac 10 extrageri
introducându-se, după fiecare extragere, bila înapoi în urnă. Probabilitatea
n−k 10 − k
1 k 1  2
de a extrage o bilă albă este p = iar P10 ( k ) = C10     .
3  3  3
Repartiţia variabilei aleatoare X care indică numărul de bile albe extrase
este
 0 1 2 3 4 5 6 7 8 9 10 
X .
 0 , 017 0 , 086 0 ,195 0 , 260 0 , 227 0 ,136 0 , 056 0 , 016 0 , 003 0 , 0003 0 , 00001 

Să observăm, din distribuţia de mai sus, că cea mai mare probabilitate este
de a obţine 3 bile albe iar cea mai mică este să obţinem 10 bile albe.

Exemplul 2.13. Se consideră o urnă în care se găsesc a ≥ 1 bile albe şi b bile negre. Să
determinăm probabilitatea ca după n extrageri, cu punerea bilei înapoi în
urnă după fiecare extragere, să obţinem exact k ≤ n bile albe.
Soluţie:
În acest caz, probabilitatea de a obţine o bilă albă dintr-o extragere este
a b
p= iar a unei bile negre 1 − p = . Utilizând repartiţia binomială,
a+b a+b
rezultă că probabilitatea cerută este
1
Pn (k ) = n
C nk a k b n−k .
( a + b)

Exemplul 2.14. Se aruncă o monedă de 4 ori. Se cere probabilitatea de a obţine o singură

dată stema.
Soluţie:
1
Suntem în cadrul schemei lui Bernoulli cu n =4, k =1, p = q = .
2
1
Avem Pn ( k ) = n
C nk a k b n−k .
( a + b)

Exemplul 2.15. În 45% dintre partidele de şah dintre doi jucători A şi B a câştigat
jucătorul A (presupunem că la finele fiecărei partide există un câştigător). În
vederea participării la un campionat, cei doi au hotărât să mai joace amândoi
încă cinci partide. Care este probabilitatea ca jucătorul A să învingă în trei
din cele cinci partide?

Soluţie:
Probabilitatea ca jucătorul A să câştige o partidă în faţa lui B este
45 9
p= = (socotind că, din 100 de partide, A a câştigat 45). Avem de
100 20
calculat
9 3 ⋅112
P5 (3) = C53 ⋅ ≈ 0,275.
20 5

52
 Variabile aleatoare

Probabilitatea obţinerii a k bile albe din n extrageri dintr-o urnă cu punerea

bilei înapoi după fiecare extragere este aceeaşi cu a obţinerii a k bile albe
din n extrageri, câte o bilă din fiecare din n urne identice (având aceeaşi
compoziţie). În cazul în care efectuăm aceste extrageri din n urne având
compoziţii diferite se utilizează o altă schemă cu un caracter mai general,
prezentată în secţiunea următoare.

2.5. Repartiţia binomială generalizată (Poisson)

Experimentul aleator care este modelul acestei scheme este următorul. Se

consideră n urne U 1 ,U 2 ,...,U n care conţin bile albe şi bile negre în proporţii
date. Cunoaştem astfel probabilităţile pi ( i =1,2,…, n ) cu care este extrasă o
bilă albă din urna U i . Se extrage, la întâmplare, câte o bilă din fiecare urnă.
Se cere probabilitatea de a obţine k bile albe şi n − k bile negre.

Pentru fiecare i =1,2,…, n , să notăm cu qi = 1 − pi probabilitatea de a

extrage o bilă neagră din urna U i şi, de asemenea, cu Ai evenimentul de
extragere a unei bile albe din urna U i . Evident, evenimentele Ai şi Ai
( i =1,2,…, n ) sunt independente.
Pentru a extrage k bile albe şi n − k bile negre, trebuie să se realizeze k
evenimente Ai şi n − k evenimente Ai .
Evenimentul
(2.8) Ai1 ∩ Ai2 ∩ ... ∩ Aik ∩ Aik +1 ∩ Aik + 2 ∩ ... ∩ Ain
se realizează cu probabilitatea pi1 pi2 ... pik qik +1 qik + 2 ...qik + n ( i1 , i2 ,..., in reprezintă
o permutare a indicilor 1,2,…, n ).
Evenimentul obţinerii a k bile albe şi n − k bile negre este reuniunea tuturor
evenimentelor de forma (2.8) şi deci probabilitatea sa este egală cu suma
tuturor produselor de forma pi1 pi2 ... pik qik +1 qik + 2 ...qik + n unde litera p apare cu
k indici diferiţi iar q de n − k ori cu indicii care nu apar la p .
Se observă uşor că după aceeaşi regulă se calculează coeficientul lui x k al
polinomului ( p1 x + q1 )( p 2 x + q 2 )...( p n x + q n )
Sintetizând cele de mai sus, putem formula, acum, următoarea teoremă:

Teorema 2.5. Dacă A1 , A2 ,..., An sunt evenimente independente, atunci probabilitatea să

se realizeze k din cele n evenimente şi să nu se realizeze n − k dintre ele
este coeficientul lui x k din polinomul
( p1 x + q1 )( p 2 x + q 2 )...( p n x + q n ) ,
unde pi = P ( Ai ) , qi = 1 − pi ( i =1,2,…, n ).

Observaţie: Se observă uşor că teorema 2.3 reprezintă un caz particular al celei

precedente, în care probabilităţile pi au o aceeaşi valoare p . Din acest
motiv schema lui Poisson poartă numele “schema binomială generalizată".

53
Variabile aleatoare

Teorema următoare precizează valoarea medie şi repartiţia variabilei

aleatoare corespunzătoare schemei Poisson. Demonstraţia ei foloseşte
noţiunea de derivată deci depăşeşte cadrul acestui manual şi nu o dăm aici.

Teorema 2.6. Dacă X este variabila aleatoare care indică numărul de bile albe extrase
din cadrul schemei lui Poisson, atunci valoarea medie şi dispersia vor fi
D ( X ) = p1 + p 2 + ... + p n şi, respectiv
D 2 ( X ) = p1q1 + p 2 q 2 + ... + p n q n .

Exemplul 2.16. Într-un atelier sunt trei maşini. Prima dă 0,9% rebuturi, a doua 1% iar a
treia 1,3%. Se ia la întâmplare câte o piesă din lotul produs de fiecare
maşină şi se cere probabilitatea ca două dintre piese să fie bune şi una să fie
rebut. Se cer, de asemenea, valoarea medie şi dispersia variabilei aleatoare
X care indică numărul de piese bune extrase.
Soluţie:
Suntem în cadrul schemei Poisson. Probabilitatea căutată va fi coeficientul
lui x 2 din produsul
( p1 x + q1 )( p 2 x + q 2 )( p3 x + q3 )
unde p1 =0,991; p 2 =0,99; p3 =0,997,
q1 =0,009; q 2 =0,01; q3 =0,013.
Probabilitatea cerută va fi: p1 p 2 q3 + p1 p3 q 2 + p1 p3 q1 =0,031.
Cu ajutorul teoremei 2.6, calculăm valoarea medie şi dispersia variabilei X :
M ( X ) = p1 + p 2 + p3 =0,991+0,99+0,997=2,978
D 2 ( X ) = p1q1 + p 2 q 2 + p3 q3 =0,03178.

Exemplul 2.17. Din 5 clase C1 , C 2 , C3 , C 4 , C5 având fiecare câte ai fete şi bi băieţi

( i =1,2,3,4,5) se trage la sorţi câte un elev pentru a forma o echipă care va
reprezenta şcoala la o acţiune.
Vom calcula probabilitatea ca în echipă să fie aleşi 1 băiat şi 4 fete,
cunoscând următoarea componenţă a claselor:
a1 =15; a 2 =12; a3 =10; a 4 =5; a5 =16,
b1 =10; b2 =6; b3 =10; b4 =15; b5 =8.
Soluţie:
Ne aflăm în condiţiile schemei Poisson cu n =5, variabila aleatoare indicând
numărul de fete din echipă. Avem
15 3 12 2 10 1 5 1 16 2
p1 = = ; p2 = = ; p3 = = ; p4 = = ; p5 = = ,
25 5 18 3 20 2 20 4 24 3
2 1 1 3 1
q1 = ; q 2 = ; q3 = ; q 4 = ; q5 = .
5 3 2 4 3
4
Probabilitatea din enunţ va fi coeficientul lui x al polinomului
3 2  2 1  1 1  1 3  2 1
 x +  x +  x +  x +  x +  .
5 5  3 3  2 2  4 4  3 3

54
 Variabile aleatoare

2.6. Repartiţia hipergeometrică

Experimentul aleator care este modelul acestei scheme este următorul. O
urnă conţine a bile albe şi b bile negre. Din această urnă se extrag n bile
(n ≤ a + b) fără a pune bila extrasă înapoi în urnă. Se cere probabilitatea
Pn (α ) ca dintre cele n bile extrase, α să fie albe şi β = n − α negre.
În mod evident, trebuiesc respectate nişte condiţii de existenţă:
α ≤ n şi α ≤ a deci α ≤ min{ n, a }.
La fel, pentru numărul de bile negre extrase, avem n − α ≤ b .
În concluzie max{0, n − b } ≤ min{ a, n }.
Pentru a calcula probabilitatea Pn ( β ) , să observăm că numărul cazurilor
posibile este Aan+b .
Pentru a evalua numărul cazurilor favorabile, să vedem în câte moduri pot fi
luate n bile astfel ca primele α să fie albe şi următoarele β să fie negre,
fără ca, deocamdată, să ne intereseze ordinea. Acest număr este C aα Cbβ .
Într-adevăr, a obiecte pot fi luate câte α în C aα moduri, iar b obiecte pot fi
luate câte β în Cbβ moduri. Deci, în total, putem forma C aα ⋅ Cbβ grupuri de n
elemente, primele α dintr-un grup fiind luate dintre primele a şi ultimile din
acelaşi grup din ultimile b obiecte.
Dacă ne interesează şi ordinea, atunci fiecare grup de n elemente luat ca
mai sus dă naştere la n! grupe. Vom avea în total n!C aα Cbβ cazuri favorabile
şi deci probabilitatea căutată va fi:
n!C aα Cbβ n!C aα Cbβ C aα Cbβ
(2.9) Pn (α ) = = = α +β .
Aan+b n!C an+b C a +b

Observaţii 1) La acelaşi rezultat se ajungea dacă se considera că cele n bile sunt

extrase simultan (nu succesiv). În acest caz raţionamentul este mai simplu
deoarece nu se punea problema ordinii în care se extrag bilele.
min{a ,n}
C nα Cbn −α
2) Rezultă formula  n
= 1,
α = max{0 ,n −b} C a +b
egalitate care putea fi demonstrată şi direct folosind analiza combinatorie.

Cele de mai sus justifică şi o altă denumire cu care se întâlneşte această

schemă aceea de schema bilei neîntoarse.
Numele de schemă hipergeometrică provine din faptul că valorile Pn (α )
intervin în seria hipergeometrică a lui Gauss (1777-1855), unul dintre marii
matematicieni ai lumii, care a publicat lucrări importante şi în teoria
probabilităţilor.

În teorema care urmează sunt prezentate formulele de calcul a valorii medii

şi dispersiei pentru variabila aleatoare din cazul schemei hipergeometrice.
Demonstraţia acestei teoreme este bazată pe formulele (2.5), (2.6) şi unele
calcule cu combinări, deşi nu foarte complicată, nu o vom da aici.

55
Variabile aleatoare

Teorema 2.7. Valoarea medie şi dispersia variabilei aleatoare care indică numărul de bile
albe extrase, din schema hipergeometrică, se calculează cu formulele:
na a+b−n
M (X ) = = np ; D 2 ( X ) = npq ,
a+b a + b −1
a
unde s-a notat p = , q = 1− p .
a+b

Exemplul 2.18. Într-o cutie se găsesc 15 mere dintre care 3 stricate. Care este
probabilitatea ca, luând la întâmplare 5 mere din cutie să fie unul stricat?

Soluţie:
Modelând într-un mod evident problema noastră, asociem merele stricate cu
bilele albe iar cele bune cu bilele negre.
Avem, aşadar, cu notaţiile de mai sus,
a =3, b =12, n =5, α =1, β =1- α =4.
Conform formulei (2.9), avem:
C31C124 1485
P5 (1) = = ≈ 0,494.
C155 3003

Exemplul 2.19. Se consideră două urne conţinând fiecare câte 49 de bile numerotate
1,2,…,49. Se extrag din fiecare urnă câte 6 bile (fără punerea bilelor extrase
înapoi). Vom determina probabilitatea ca 5 dintre numerele extrase din cele
două urne să coincidă.

Soluţie:
Problema poate fi pusă în felul următor: efectuăm, pentru început,
extragerea din prima urnă, numerele obţinute fiind n1 , n2 ,..., n6 . Presupunem,
acum, că bilele cu numerele n1 , n2 ,..., n6 sunt “albe" iar celelalte 43 sunt
“negre". Se cere probabilitatea ca, extrăgând 6 bile din a doua urnă, să
obţinem 5 bile albe.
Am ajuns, astfel, în condiţiile schemei hipergeometrice cu
a =6, b =43, α =5, β =1, n =6.
Conform formulei (2.9), probabilitatea căutată va fi:

C 65C 43
1
258
P6 (α ) = 6
= ≈ 0,0000184.
C 49 13983816

Problema precedentă putea fi pusă şi în felul următor: dacă la loterie se

extrag 6 numere din mulţimea {1,2,…,49}, care este probabilitatea ca din
cele 6 numere completate pe un bilet de loterie, să fie 5 numere
câştigătoare?

Exemplul 5.20. Din cele 100 de subiecte de pregătit pentru un examen, un student
reuşeşte să înveţe doar 70 până în ziua examenului. Pentru examen toate
subiectele au fost puse în mod aleator pe 20 de bilete, câte 5 subiecte pe
fiecare bilet. Care este probabilitatea ca, trăgând un bilet la examen,
studentul să ştie cel puţin trei subiecte de pe bilet?

56
 Variabile aleatoare

Soluţie:
Asimilăm, şi aici, subiectele învăţate cu “bilele albe" iar celelalte cu “bilele
negre". Dintr-o urnă conţinând aceste “bile", extragem 5 dintre ele (fără a
pune bila înapoi). Care este probabilitatea ca, dintre bilele extrase, cel puţin
trei să fie albe?
Suntem în condiţiile de aplicare ale schemei hipergeometrice cu a =70,
b =30, n =5, α k = k + 2 , β = 3 − k , k =1,2,3.
Deci

k + 2 3− k
C 70 C30
P5 (α k ) = 5
, k = 1,2,3.
C100
Făcând calculele, obţinem:

P5 (α1 ) =0,316, P5 (α 2 ) =0,365, P5 (α 3 ) =0,160,

iar de aici, evenimentele obţinerii a exact k “bile albe” în urma unei extrageri
fiind independente, deducem că probabilitatea cerută este

p = P5 (α1 ) + P5 (α 2 ) + P5 (α 3 ) = 0,316+0,365+0,160=0,841.

Test de autoevaluare (2)

1. O variabilă aleatoare oarecare X are repartiţie binomială. Să se
calculeze parametrii n şi p ai distribuţiei lui X ştiind că
M ( X ) = 50 ; D 2 ( X ) = 25 .

Răspunsurile
la acest test
se vor da în
spaţiul liber
din chenar, în
continuarea
enunţurilor

2. Se aruncă două zaruri de 10 ori. Care este probabilitatea să apară de

4 ori suma 7?

57
Variabile aleatoare

3. Dacă într-o urnă se găsesc a bile albe şi b bile negre, care este
probabilitatea ca, extrăgând o bilă, aceasta să fie albă? Dar dacă se
extrag simultan două bile, care este probabilitatea ca una să fie albă
iar cealaltă neagră?

Răspunsurile la acest test se găsesc la pagina 60 a acestei unităţi de

învăţare

2.7. Comentarii şi răspunsuri la testele de autoevaluare

Test (1)
 1 2 
1. X  
 0,5 0,5 
 2 1 0 
2. X n  
 0,25 0,5 0,25 
3. M ( X ) = 11 , D 2 ( X ) = 33 , D ( X ) = 33 ≈ 5,75 , abaterea medie: 4,5.

Test (2)
1. Se va vedea teorema 2.4. Avem np = 50 , np (1 − p ) = 25 . Rezultă
n = 100 , p = 0,5 .
2. Se foloseşte schema binomială. Probabilitatea cerută este
4 6
4 1 5
C =    .
10
6 6
a
3. Pentru prima întrebare, p1 = . Apoi suntem în condiţiile schemei
a+b
hipergeometrice cu α = 1 , β = 1 , n = 2 . Probabilitatea va fi
2ab
P2 (1) = .
a+b

58
 Variabile aleatoare

2.8. Lucrare de verificare pentru studenţi pentru unitatea 2

Indicaţii de redactare. Problemele se vor rezolva în ordinea din textul enunţului.

Rezolvările se vor expedia pe adresa tutorelului.

1 2 3 4
 
1. Se consideră tabloul X
 p 7 1 1  . Care este valoarea lui p
p 
 4 3 6
astfel încât tabloul de mai sus să reprezinte distribuţia unei variabile
aleatoare X ? În acest caz calculaţi probabilitatea ca X să ia o valoare
mai mică sau egală cu 3.
2. Se consideră variabilele independente
 a 1 2  a +1 1 2
X  1  şi Y 
  1 2
.
 p q  − q p 
3   3 3 
Să se calculeze a astfel ca variabila X − Y să aibă dispersia
4
egală cu .
9

3. Se consideră variabila aleatoare X cu distribuţia

 1 2 3 4
X   .
 0,3 0,4 0,2 0,1
Să se calculeze [ M ( X )]2 , M ( X 2 ) , M ( X − 1) .
4. Se aruncă un zar de 10 ori. Care este probabilitatea obţinerii de 6 ori a
unei feţe cu un număr mai mic sau egal cu 3?
5. Într-o cutie se găsesc 20 de pachete cu dulciuri pentru copii, dintre care 5
conţin şi câte un bilet de tombolă. Din această cutie s-au distribuit, la
întâmplare, 8 pachete. Care este probabilitatea ca printre pachetele
rămase să se găsească 3 pachete cu bilete de tombolă?
6. Într-o urnă sunt introduse toate numerele naturale de la 1 la 50. Care este
probabilitatea ca, scoţând la întâmplare 10 numere, 3 dintre acestea să
fie pare iar restul impare?

2.9. Bibliografie
1. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 (pag.17-31)
2. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.271-291)
3. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.31-84)
4. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (36-57)
5. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag. 728-
733)

59
Statistică

UNITATEA DE ÎNVĂŢARE 3

STATISTICĂ

CUPRINS
Obiectivele Unităţii de învăţare 3…………………................………..…........ 60
3.1. Populaţie statistică……………………………………...........………......61
3.2. Selecţia, gruparea şi prelucrarea datelor……………............…..….... 62
3.3. Frecvenţă (absolută, relativă, cumulată)……………..............……......65
3.4. Serii statistice. Analogia cu noţiunea de variabilă aleatoare............... 71
3.5. Reprezentări grafice ale seriilor statistice………………..................... 74
3.6. Valori caracteristice ale unei serii statistice……………..............…..... 78
3.7. Comentarii şi răspunsuri la testele de autoevaluare…..............…….. 85
3.8. Lucrare de verificare pentru studenţi……………………...............…... 85
3.9. Bibliografie………………………………………………...............………86

Obiectivele Unităţii de învăţare 3

După ce veţi parcurge această unitate de învăţare, veţi avea cunoştinţe

suficiente pentru a fi capabil să faceţi următoarele operaţii matematice:
• Definirea populaţiei statistice cu care se lucrează.
• Stabilirea caracteristicii de interes. Calculul frecvenţelor de apariţie.
Gruparea convenabilă a datelor.
• Calculul valorilor importante din punct de vedere statistic, anume calculul
frecvenţelor.
• Interpretarea rezultatelor din punct de vedere matematic şi practic.
• Punerea în evidenţă a altor populaţii statistice care se supun aceloraşi
reguli statistice.
• Identificarea tipului unei serii statistice şi a datelor fundamentale care o
caracterizează. Reprezentarea grafică a unei serii statistice.
• Stabilirea regulilor de eşantionare, identificarea datelor caracteristice care
definesc sondajul.
• Interpretarea matematică şi practică a rezultatelor privind valorile
caracteristice.

60
 Statistică

3.1. Populaţie statistică

3.1.1. Statistica matematică este ştiinţa care studiază şi elaborează metodele care
permit obţinerea din datele experimentale a unor concluzii fundamentale din
punct de vedere ştiinţific asupra fenomenelor de masă în care se manifestă
evenimentul, fenomene în care acelaşi complex de condiţii se repetă de mai
multe ori. Altfel spus, statistica matematică se ocupă cu gruparea, analiza şi
interpretarea datelor referitoare la un anumit fenomen, precum şi cu unele
previziuni privind producerea lui viitoare. Statistica matematică se sprijină pe
teoria probabilităţilor şi studiază legile generale ale fenomenelor de masă
într-o formă abstractă, fără a ţine seama de natura obiectelor cercetate. Din
această cauză, concluziile statisticii matematice se aplică la fenomene foarte
variate din diferite domenii: biologie, sociologie, fizică, chimie, economie etc.
precum şi în problemele de control şi încercare a produselor industriale.
În cadrul analizei statistice a unui fenomen acţionează mai întâi statistica
descriptivă care se ocupă cu culegerea datelor asupra fenomenului respectiv
şi cu înregistrarea acestor date, apoi intervine statistica matematică, care
grupează datele, le analizează şi le interpretează în vederea formulării unor
predicţii privind comportarea viitoare a fenomenului analizat.
În statistică, observaţiile sau experimentele desfăşurate în aceleaşi condiţii
formează o populaţie iar fiecare observaţie sau experiment constituie un
element al populaţiei.
Mai precis, avem:

3.1.2. Vom numi populaţie statistică sau, mai simplu, populaţie, orice mulţime
definită de obiecte de aceeaşi natură care formează obiectul unei analize
statistice.
Elementele unei populaţii statistice se numesc unităţi statistice sau indivizi.
Trăsătura comună tuturor unităţilor unei populaţii care ne interesează în
cadrul analizei statistice se numeşte caracteristică.
O analiză statistică se poate face după una sau mai multe caracteristici.
Aceste caracteristici vor fi tratate ca variabile aleatoare.

Exemple 1) Dacă ne interesează greutatea unor băieţi de 10 ani dintr-un anumit oraş,
atunci:
- mulţimea tuturor băieţilor de 10 ani din acel oraş formează populaţia
statistică;
- fiecare băiat de zece ani din acel oraş este o unitate statistică;
- greutatea este caracteristica studiată.

Alte caracteristici ar putea fi: înălţimea, culoarea părului, şcoala unde învaţă,
naţionalitatea, sportul preferat, dacă are sau nu calculator etc.
2) Dacă dorim să studiem diametrul unor piese de acelaşi fel produse de o
maşină într-un anumit interval de timp, atunci:
- mulţimea pieselor fabricate de acea maşină în intervalul de timp
stabilit formează populaţia statistică;
- fiecare piesă constituie o unitate statistică;
- diametrul piesei este caracteristica studiată.
3) Dacă ne interesează rezultatele obţinute la bacalaureat de către
absolvenţii unui liceu în funcţie de mediile generale avute la absolvirea clasei
a XII-a, atunci:

61
Statistică
- mulţimea absolvenţilor acelui liceu constituie populaţia statistică;
- fiecare absolvent este o unitate statistică;
- media obţinută la sfârşitul clasei a XII-a şi, respectiv media
obţinută la bacalaureat constituie caracteristicile statistice studiate.

Se pot da numeroase alte exemple de mulţimi care pot constitui obiectul unei
analize statistice: distribuţia unui grup de persoane după sex, vârstă, studii
absolvite, judeţul de domiciliu, opţiune politică etc., distribuţia oraşelor unei
ţări după numărul de locuitori, numărul de locuitori cu vârsta până la 35 de
ani, numărul de şomeri la 1000 de locuitori, ponderea unei anumite minorităţi
etc.
Din exemplele de mai sus şi din multe altele dintre cele mai diverse, rezultă
existenţa a două feluri de caracteristici.
O caracteristică se numeşte cantitativă dacă se poate măsura şi se poate
astfel evalua o dimensiune numerică a sa. În caz contrar, caracteristica se
numeşte calitativă.
Astfel, greutatea corporală, diametrul unei piese, media la bacalaureat, preţul
unui obiect etc. sunt exemple de caracteristici cantitative. Între aceste
caracteristici distingem unele care pot lua numai valori întregi (numărul de
locuitori ai unui oraş, numărul cărţilor citite în ultima lună, numărul unităţilor
sanitare de pe teritoriul unui oraş etc.).
Aceste caracteristici se numesc discrete sau discontinue.
O caracteristică se numeşte continuă dacă poate lua valori într-un interval
finit sau infinit. Aşa ar fi, de exemplu: greutatea, temperatura, viteza.
Ca exemple de caracteristici calitative, avem: culoarea ochilor, sexul, sportul
preferat, profesia, tratament reuşit/ nereuşit etc.

3.2. Selecţia, gruparea şi prelucrarea datelor

Modelul unui fenomen aleator depinde de o serie de parametri numerici care
sunt greu de anticipat sau de ghicit.
Să ne imaginăm următoarea problemă: într-o fabrică de becuri, controlul de
calitate impune stabilirea duratei de funcţionare (durata de viaţă) pentru
becurile produse. Se organizează o testare prin care un anumit număr de
becuri sunt lăsate să funcţioneze în mod continuu până se ard. Se
înregistrează duratele de funcţionare (exprimate în număr de ore),
obţinându-se astfel un set de date. Cum testarea este “distructivă", fabrica
nu-şi poate permite să testeze întreaga producţie timp de o lună. Este nevoie
de alegerea, după anumite criterii, a unei mulţimi “reprezentative" din
populaţia statistică (din numărul total de becuri produse), iar din datele
obţinute să se estimeze o durată medie de funcţionare.

3.2.1. Această submulţime finită a populaţiei statistice se numeşte selecţie sau

eşantion iar numărul de elemente ale sale volumul selecţiei. În unele
împrejurări, metoda selectivă constituie singura metodă ştiinţifică de
cercetare. Astfel, de exemplu, în determinarea numărului de globule roşii din
sânge. Se ia o cantitate mică de sânge şi rezultatul acestei analize se
extinde asupra întregii cantităţi de sânge din organism. Asemenea analize se
fac, după cum se ştie, în toate ştiinţele experimentale.

62
 Statistică

3.2.2. Pentru rezolvarea unei probleme prin metode statistice trebuie făcut un plan
al experimentului care să conţină metoda de culegere a datelor, volumul
selecţiei şi drumul pe care trebuie să-l parcurgem pentru aflarea soluţiei. Cu
cât planificarea este făcută mai bine, cu atât rezultatele pe care le obţinem
cu ajutorul metodelor statistice sunt mai concludente.
Planificarea trebuie să ne asigure că nu s-a omis nici o dată importantă
pentru rezultate şi de asemenea trebuie evitat ca folosind o cantitate mare de
experimente să obţinem acelaşi lucru ca în cazul folosirii unui lot de
experimente mai mic şi deci un cost mai redus.
Pentru o selecţie optimă trebuiesc avute în vedere:
1) Materialul investigat trebuie să fie omogen; în timpul investigaţiilor
metoda de testare trebuie să fie aceeaşi.
2) Erorile sistemice sau diferite influenţe trebuie excluse pe cât posibil. De
exemplu, testarea unor îngrăşăminte chimice să se facă pe parcele de
pământ paralele, condiţiile de testare să nu fie influenţate de temperatura
mediului, umiditate, calitatea solului, perioada anului etc.
3) Un control este necesar, dacă există valori standard pentru
caracteristicile analizate. Astfel, dacă se testează un îngrăşământ chimic,
trebuie comparat rezultatul asupra unui lot de plante tratat cu al unuia, cu
aceleaşi plante, dar netratat.
4) Alegerea selecţiei se face aleator sau reprezentativ. O alegere aleatoare
este aceea în care fiecare element are aceeaşi probabilitate de a face
sau nu parte din selecţie. Astfel, dintr-un lot de şuruburi, de exemplu,
selecţia trebuie aleasă astfel încât şuruburile să fie produse de diferite
maşini. O alegere aleatoare a elementelor se poate face, de exemplu, cu
ajutorul calculatorului. O alegere reprezentativă în cazul unei selecţii se
face dacă materialul cercetat poate fi partiţionat în submulţimi care au, în
general, valori apropiate din punctul de vedere al caracteristicii studiate.
Din interiorul unei astfel de clase alegerea se face aleator. De exemplu
dacă se studiază opţiunile politice la nivelul ţării, selecţia se partiţionează
pe grupe de vârstă, studii, regiuni geografice etc.
5) Volumul eşantionului. Este adevărat că deducţiile făcute pe baza unei
selecţii mai mari sunt mai exacte. În funcţie de precizia impusă, este
uneori necesar să considerăm un eşantion mai mic, efortul şi costurile
fiind, în acest caz, mult mai reduse.

Pentru o bună interpretare şi analiză a datelor în scopul obţinerii unor

rezultate concludente, edificatoare, datele colectate trebuiesc grupate în
clase în raport cu anumite valori ale caracteristicii. Alegerea mărimii claselor
depinde de mărimea eşantionului, de valorile caracteristicii şi de precizia
cerută. Numărul de clase nu trebuie să fie prea mic, căci astfel caracterul
repartiţiei poate fi voalat.
Pe de altă parte, dacă numărul claselor este prea mare, valorile anormale
(extreme) sunt puse prea mult în evidenţă şi repartiţia nu mai poate fi
recunoscută.

Exemplul 3.1. Să presupunem că s-au măsurat înălţimile unui eşantion de 120 de

persoane. Rezultatele obţinute (înălţimea în centimetri) sunt date în tabelul
3.1, în ordinea în care au apărut şi ele reprezintă valorile caracteristicii de
studiat.

63
Statistică

176 173 161 171 174 168 178 166 169 172 170 176
181 172 163 174 173 169 172 175 158 182 178 164
186 190 173 173 169 171 176 172 188 175 174 177
162 170 176 177 171 164 162 175 176 176 180 175
175 180 174 171 175 170 179 186 177 178 169 180
188 173 172 174 183 177 176 174 181 159 183 174
179 167 165 182 176 178 171 169 168 179 177 181
170 168 174 175 173 178 185 171 165 167 174 185
177 178 184 177 173 177 162 177 173 170 176 179
175 172 179 168 171 175 165 178 172 175 166 171

Tabelul 3.1
Este clar că, sub această formă, tabelul nu ne permite să tragem multe
concluzii cu caracter mai general legate de caracteristica studiată. De aceea
este necesar să facem o grupare a acestor date. O primă posibilitate de
grupare, este aceea în care clasele considerate sunt corespunzătoare
valorilor caracteristicii (valorilor găsite ale înălţimilor), ca în tabelul 3.2.
cm. Nr. cm. Nr. cm. Nr. cm. Nr. cm. Nr.
Pers Pers Pers Pers Pers
158 1 165 3 171 8 177 9 183 2
159 1 166 2 172 7 178 7 184 1
161 1 167 2 173 8 179 5 185 2
162 3 168 4 174 9 180 3 186 2
163 1 169 5 175 10 181 3 188 2
164 2 170 5 176 9 182 2 190 1
Tabelul 3.2

Să observăm că, deoarece nu am găsit valori ale înălţimilor în cadrul acestui

eşantion de 160, 187 şi, respectiv 189 cm, aceste clase nu au mai fost
considerate.
Este acum evident că împărţirea pe clase efectuată face mult mai
concludentă forma obţinută a tabelului, contribuind mult la tragerea unor
concluzii referitoare la caracteristica studiată. Astfel, înălţimea căreia îi
corespunde cel mai mare număr de persoane este 175cm, înălţimile
apropiate de 175cm le corespund un număr mare de persoane decât celor
mai depărtate etc.
În funcţie de scopul urmărit, pentru obţinerea cu uşurinţă a unor concluzii
generale asupra fenomenului studiat, numărul claselor poate fi restrâns,
ceea ce înseamnă o nouă grupare a datelor. Rezultatul este ilustrat în tabelul
3.3.
La tabelele de acest tip facem convenţia ca extremitatea dreaptă a fiecărei
clase (cu excepţia, eventual, a ultimei clase) să nu aparţină clasei. Astfel,
clasa 165 –170 cuprinde valorile x ale caracteristicii, pentru care
165 ≤ x < 170 .

64
 Statistică

Clase de Număr
valori în cm. Persoane
< 160 2
160 –165 7
165 –170 16
170 –175 37
175 –180 40
180 –185 11
185 –190 7
Total 120

Tabelul 3.3

În cazul prezentat, intervalele reprezentând clasele de valori au aceeaşi

lungime. De la această regulă putem excepta, eventual, clasele extreme
(prima şi ultima). Lungimea acestor intervale nu este impusă de o regulă fixă,
ea fiind la îndemâna statisticianului, care caută ca împărţirea în intervale să
fie cât mai judicioasă.
Atunci când analiza statistică a unei populaţii se face după două
caracteristici, rezultatele obţinute se trec într-un tabel cu două intrări.

Exemplul 3.2. Iată un exemplu1 în care este prezentată distribuţia consumului de zahăr,
orez, făină în primele şase luni ale anului în cadrul cantinei unui liceu (în
acest caz, după cum observăm, ambele caracteristici sunt calitative).
Rezultatul este ilustrat în tabelul 3.4.

Produ- Luna Ian. Feb. Mar. Apr. Mai Iun. Total

sul (kg)
Zahăr 120 100 130 115 128 85 678
Orez 62 80 98 74 105 56 475
Făină 180 195 210 168 172 120 1045

Tabelul 3.4

Din acest tabel reiese imediat că, în luna februarie, s-au consumat 100kg de
zahăr şi 195kg de făină, iar în luna aprilie au fost consumate 74kg de orez
etc.

3.3. Frecvenţă (absolută, relativă, cumulată)

Pentru analiza statistică a unui fenomen, este nevoie de unele elemente care
să fie calculate pe baza valorilor caracteristicii urmărite şi a numărului
indivizilor care se încadrează într-o astfel de valoare, pentru a oferi o
caracterizare cât mai semnificativă în raport cu scopul urmărit.

3.3.1. Numărul tuturor elementelor unei populaţii statistice se numeşte efectivul

total al acelei populaţii.
Presupunem că analizăm o populaţie statistică cu un efectiv total de n
indivizi în raport cu o caracteristică X .

1
Datele prezentate sunt imaginare
65
Statistică

3.3.2. Se numeşte frecvenţă absolută a unei valori x a caracteristicii, numărul de

unităţi statistice ale populaţiei, notat n x , corespunzătoare acelei valori.
Este clar că suma frecvenţelor absolute ale tuturor valorilor caracteristicii
este egală cu efectivul total al populaţiei. Astfel, dacă x1 , x2 ,..., x k sunt toate
valorile posibile ale caracteristicii, atunci
n x1 + n x2 + ... + n xk = n .

3.3.3. Se numeşte frecvenţă relativă sau, pe scurt, frecvenţă a unei valori x a

caracteristicii, raportul dintre frecvenţa absolută n x a valorii x şi efectivul
total al populaţiei, n . Vom utiliza notaţia
nx
f ( x) = .
n

Frecvenţa relativă poate fi exprimată şi în procente cu formula f ( x ) ⋅100% ,

fapt care poate permite mai bine tragerea unor concluzii în raport cu
caracteristica studiată.
De exemplu, în tabelul 3.2, valoarea 179cm are frecvenţa absolută 5 iar
5
frecvenţa relativă = 0, 041 = 41% etc.
120
Suma frecvenţelor relative va fi egală cu raportul dintre suma frecvenţelor
absolute şi efectivul total deci va fi egală cu 1. Într-adevăr, dacă x1 , x2 ,..., x k
sunt valorile caracteristicii iar n efectivul total, avem
nx1 nx2 nxk nx1 + nx2 + ... + nxk
f ( x1 ) + f ( x2 ) + ... + f ( xk ) = + + ... + = =1
n n n n

Exemplul 3.3. Să analizăm statistic rezultatele obţinute la teza de matematică de către o

clasă compusă din 40 de elevi.
Astfel colectivul de elevi ai clasei formează populaţia statistică, efectivul total
este n = 40 , caracteristica studiată este nota obţinută la teză, valorile sale
fiind 1,2,…,10.
Frecvenţele absolute şi, respectiv relative, vor fi n1 , n2 ,..., n10 , respectiv
f (1), f (2),..., f (10) .
Repartiţia frecvenţelor în funcţie de valorile caracteristicii este ilustrată în
tabelul 3.5. În acest tabel, valoarea x =1 a caracteristicii nu mai apare
deoarece nici o unitate statistică nu a luat această valoare, deci avem n1 =0,
f (1) =0.

66
 Statistică

Nota Frecvenţa Frecvenţa Frecvenţa

absolută, n x relativă, f (x) relativă, %
2 1 0,025 2,5%
3 1 0,025 2,5%
4 2 0,050 5 %
5 4 0,100 10 %
6 7 0,175 17,5%
7 15 0,375 37,5%
8 6 0,150 15 %
9 3 0,075 7,5%
10 1 0,025 2,5%
40 1,000 100 %

Tabelul 3.5

Din modul în care sunt structurate datele din exemplul precedent, putem
trage uşor unele concluzii legate de rezultatele obţinute la teză de clasa
respectivă.
Astfel, cei mai mulţi elevi au obţinut nota 7 sau notele învecinate 6 şi 8 etc.
Sunt dese situaţiile când dorim să avem informaţii de genul: “câte unităţi
statistice corespund valorilor caracteristicii situate sub sau deasupra unui
anumit prag". În exemplul 3.3 dorim să vedem câţi elevi avem cu note mai
mici sau egale cu 4 şi care este ponderea lor sau dorim să vedem câţi elevi
avem cu note mai mari sau egale cu 7 şi care este procentul acestora etc.

Pentru aceasta vom introduce două noi tipuri de frecvenţe:

3.3.4. Se numeşte frecvenţă absolută cumulată crescătoare a unei valori x a
caracteristicii, suma frecvenţelor absolute ale tuturor valorilor caracteristicii
care apar până la x inclusiv.
Se numeşte frecvenţă absolută cumulată descrescătoare a unei valori x
a caracteristicii, suma frecvenţelor absolute ale tuturor valorilor caracteristicii
care apar de la x inclusiv2.
Noţiunile introduse în raport cu valorile individuale ale caracteristicii pot fi
extinse şi în cazul tabelelor cu clase de valori. Astfel, frecvenţa absolută a
unei clase este numărul de unităţi corespunzătoare valorilor caracteristicii
care aparţin clasei respective, iar frecvenţa relativă (frecvenţa) a unei clase
este raportul dintre frecvenţa sa absolută şi efectivul total al populaţiei. Astfel,
din tabelul 3.3 rezultă că frecvenţa absolută a clasei 160 -165 este 7, iar
7
frecvenţa sa relativă este etc.
120

2
În cazul caracteristicilor cantitative vom considera numai tabele în care valorile
caracteristicii sunt scrise în ordine crescătoare
67
Statistică

Exemplul 3.4. Să completăm, în continuare, tabelul 3.3 cu frecvenţele absolute cumulate

crescătoare, respectiv, descrescătoare. Obţinem tabelul 3.6.

Clase de Frecvenţa Frecv. abs. cum. Frecv. abs. cum.

valori absolută crescătoare descrescătoare
< 160 2 2 120
160 –165 7 9 118
165 –170 16 25 111
170 –175 37 62 95
175 –180 40 102 58
180 –185 11 113 18
185 –190 7 120 7

Tabelul 3.6

Frecvenţa absolută cumulată crescătoare a unei clase ne indică numărul de

unităţi corespunzătoare valorilor strict mai mici decât limita superioară a
intervalului, iar frecvenţa absolută cumulată descrescătoare ne dă numărul
unităţilor corespunzătoare valorilor mai mari sau egale cu marginea
inferioară a intervalului.
Astfel, din tabelul 3.6 deducem că, dintre persoanele măsurate, 62 au
înălţimi sub 175cm; 95 persoane au cel puţin 170cm înălţime etc.

Exemplul 3.5. Să considerăm datele din exemplul 3.2 care reprezintă consumul de zahăr
pe primele şase luni ale anului. Frecvenţele absolute sunt, în acest caz,
cantităţile de zahăr consumate în fiecare dintre lunile considerate. În tabelul
următor sunt reprezentate frecvenţele absolute cumulate descrescătoare,
respectiv crescătoare ale analizei considerate.

Luna Ian. Febr. Martie Aprilie Mai Iunie

Frecv.absol.
(consum de 120 100 130 115 128 85
zahăr (kg))
Frecv.absol. 120 220 350 465 593 678
cum. cresc.
Frecv.absol. 678 558 458 328 213 85
cum.descr.

Tabelul 3.7

Analizând linia corespunzătoare frecvenţei absolute cumulate crescătoare

din acest tabel, putem trage imediat concluziile: în lunile ianuarie, februarie,
martie s-au consumat 350kg de zahăr, până la sfârşitul lunii mai au fost
consumate 593kg etc.
De asemenea, presupunând că în cantină exista la începutul anului stocul de
zahăr necesar pentru toată perioada analizată (678kg), deducem, analizând
ultima linie a tabelului, că: la începutul lunii februarie mai erau în stoc 558kg
de zahăr, la începutul lunii aprilie mai existau 328kg, iar pentru ultimile două
luni (mai, iunie) mai erau 213kg de zahăr etc.

68
 Statistică

În mod analog se definesc şi frecvenţele relative cumulate care se pot

calcula, şi acestea, pentru valorile, respectiv pentru clasele de valori ale
caracteristicii:
3.3.5. Se numeşte frecvenţă (relativă) cumulată crescătoare a unei valori x a
caracteristicii, suma tuturor frecvenţelor relative ale valorilor caracteristicii
care apar până la x inclusiv. Se numeşte frecvenţă cumulată descres-
cătoare a unei valori x a caracteristicii, suma frecvenţelor relative ale tuturor
valorilor caracteristicii care apar de la x inclusiv.
Rezultă că frecvenţa cumulată crescătoare este exprimată şi de raportul
dintre frecvenţa absolută cumulată crescătoare şi efectivul total al populaţiei,
iar frecvenţa cumulată descrescătoare de raportul dintre frecvenţa absolută
cumulată descrescătoare şi efectivul total al populaţiei.
Vom completa, acum, tabelul 3.5 cu frecvenţele cumulate prezentate.
Rezultatul este evidenţiat în tabelul 3.8.
Analizând tabelul de mai jos, se evidenţiază faptul că 4 elevi au obţinut note
mai mici sau egale cu 4 ceea ce reprezintă 20% din clasă, 10 elevi au obţinut
note mai mari sau egale cu 8, adică 25% din clasă etc.

Nota Frecv. Fr.abs Fr.abs Frecv. Frecv. Frecv. Frecv.

absol. cumul. cumul. relat. cumul. cumul. Cumul
descr. cresc. descr. cresc. cr. %
2 1 40 1 0,025 1 0,025 2,5%
3 1 39 2 0,025 0,975 0,050 5,0%
4 2 38 4 0,050 0,950 0,100 10,0%
5 4 36 8 0,100 0,900 0,200 20,0%
6 7 32 15 0,175 0,800 0,375 37,5%
7 15 25 30 0,375 0,625 0,750 75,0%
8 6 10 10 0,150 0,250 0,900 90,0%
9 3 4 39 0,075 0,100 0,975 97,5%
10 1 1 40 0,025 0,025 1 100%

Tabelul 3.8

Să calculăm frecvenţele relative, frecvenţele cumulate crescătoare şi

frecvenţele cumulate descrescătoare pentru datele din exemplul 3.5 (vezi şi
tabelul 3.7) şi să le trecem în tabelul 3.9.

Luna Ian. Febr. Mar. Apr. Mai Iunie Total

Frecv. absol. 120 100 130 115 128 85 678
Frecv. relat. 0,18 0,15 0,19 0,17 0,19 0,12 1,00
Frec.rel. (%) 18% 15% 19% 17% 19% 12% 100%
Frecv. relat. 0,18 0,33 0,52 0,69 0,88 1,00 -
cum.
crescăt.
Frecv. relat. 1,00 0,82 0,67 0,48 0,31 0,12 -
cum. descr.

Tabelul 3.9

69
Statistică

Test de autoevaluare (1)

1. Aruncaţi un zar de 120 de ori. Întocmiţi tabelul cu rezultatele
obţinute. Comparaţi frecvenţele absolute ale fiecărei feţe cu
numărul 20.

Răspunsurile
la test se vor
da în spaţiul
liber din
chenar, în
continuarea
enunţurilor

2. Într-un bloc sunt 20 de garsoniere, 30 de apartamente cu 2

camere, 40 de apartamente cu 3 camere şi 30 de
apartamente cu 4 camere. Alcătuiţi distribuţia apartamentelor
din acel bloc după numărul de camere. Identificaţi populaţia
statistică, efectivul total al populaţiei, caracteristica.
Reprezentaţi în tabel frecvenţa absolută, frecvenţa absolută
cumulată crescătoare, frecvenţa absolută cumulată
descrescătoare şi frecvenţa relativă.

Răspunsurile la acest test se găsesc la pagina 87 a acestei

unităţi de învăţare

70
 Statistică

3.4. Serii statistice. Analogia cu noţiunea de variabilă aleatoare

Pentru a fi cât mai sugestive şi concludente pentru scopul urmărit, datele
statistice sunt organizate într-un mod cât mai eficient. O astfel de organizare
pentru o analiză statistică după o singură caracteristică este conţinută într-un
tabel cu două coloane astfel ca, în prima coloană, să fie figurate valorile
caracteristicii sau clasele de valori (intervalele de valori) ale acesteia, iar în a
doua coloană să fie trecute frecvenţele relative corespunzătoare. Obţinem
astfel o serie statistică. Mai precis avem:

3.4.1. O serie statistică reprezintă corespondenţa între valorile (sau clasele de

valori) ale caracteristicii şi frecvenţele relative ale acestora.

Remarcă O serie statistică definită ca mai sus se mai numeşte serie simplă sau
unidimensională deoarece datele observării statistice sunt grupate doar după
o caracteristică. Se pot defini şi seriile condiţionate sau multidimensionale în
care se grupează datele după două sau mai multe caracteristici însă acest tip
de serii depăşesc cadrul acestui manual.
Se poate remarca analogia cu distribuţia variabilelor aleatoare (a se vedea
secţiunea 2.1 din unitatea de învăţare 1).
Dacă distribuţia unei variabile aleatoare o scriem
 x1 x2 ... xn 
 
p p
 1 2 ... p n
unde pe prima linie sunt trecute valorile variabilei, iar în cea de a
doua linie probabilităţile corespunzătoare acestor valori, tabelul 3.10
corespunzător unei caracteristici cantitative va fi scris ca mai jos:

Valori Frecvenţe
x1 f1
x2 f2
 
xn fn

Tabelul 3.10

În prima coloană sunt figurate valorile caracteristicii, iar în cea de a doua,

frecvenţele corespunzătoare.
De altfel, noţiunile de variabilă aleatoare şi probabilitate sunt modelele
teoretice ale noţiunilor de caracteristică şi, respectiv frecvenţă care sunt
noţiuni cu caracter experimental.
De aceea, în loc de caracteristică se spune uneori variabilă statistică, sau pe
scurt variabilă. Astfel vom spune că un tabel de genul tabelului 3.10
defineşte distribuţia sau repartiţia statistică a variabilei respective. Este uşor
de observat că suma frecvenţelor relative ale tuturor valorilor variabilei este
1.
Exemplul 3.6. Să exemplificăm cele de mai sus prezentând distribuţia variabilei statistice
care indică notele obţinute de cei 40 de elevi ai unei clase la teza de
matematică din exemplul 3.3. Fiecare notă reprezintă o valoare a variabilei
respective. Rezultatul este ilustrat în tabelul 3.11.
71
Statistică

Nota Frecvenţa
2 0,025
3 0,025
4 0,05
5 0,1
6 0,175
7 0,375
8 0,15
9 0,075
10 0,025

Tabelul 3.11

În continuare să vedem un exemplu în care variabila statistică este de tip

calitativ. Obiectivul analizei statistice în cazul datelor calitative este
estimarea unor proporţii.

Exemplul 3.7. Să presupunem că cei 200 de absolvenţi ai unui liceu sunt întrebaţi unde
doresc să-şi continue studiile. Astfel, doar 180 dintre ei doresc să urmeze
învăţământul superior, iar ceilalţi nu doresc să-şi continue studiile. Dintre cei
180, 60 optează pentru profilul tehnic, 25 pentru profilul economic, 32 pentru
filologie, 50 pentru profilul informatică iar 13 doresc să se înscrie în alte
profile.
Populaţia statistică este, în acest caz, mulţimea absolvenţilor liceului
respectiv, efectivul total este 200, variabila statistică (caracteristica) este
opţiunea fiecărui absolvent. Valorile posibile ale acestei variabile vor fi
codificate astfel:
v1 = “profil tehnic”;
v2 = “profil economic”;
v3 = “profil filologic”;
v4 = “profil informatic”;
v5 = “alte profile”;
v6 = “nu doresc să continue studiile”.
În acest caz, avem n =200 şi notăm cu ni numărul unităţilor statistice
(absolvenţilor) pentru care s-a obţinut valoarea vi ( i =1,2,3,4,5,6). Avem
n1 =60, n2 =25, n3 =32, n4 =50, n5 =13, n6 =20.
Frecvenţele relative vor fi:
n1 60 n 25 n 32
f1 = = = 0,300 , f 2 = 2 = = 0,125 , f 3 = 3 = = 0,160
n 200 n 200 n 200
n 50 n 13 n 20
f4 = 4 = = 0,250 , f 5 = 5 = = 0,065 , f 6 = 6 = = 0,100
n 200 n 200 n 200

72
 Statistică

Obţinem, în acest fel, următoarea distribuţie:

Valori Frecvenţe
v1 0,300
v2 0,125
v3 0,160
v4 0,250
v5 0,065
v6 0,100
1,000

Tabelul 3.12

Exprimând aceste rezultate în funcţie de opţiunile absolvenţilor iar

frecvenţele în procente, obţinem tabelul 3.13 care este foarte sugestiv în
privinţa orientărilor acestor absolvenţi.

Frecvenţe în
Opţiuni procente, %
Profil tehnic 30 %
Profil economic 12,5%
Profil filologic 16 %
Profil informatic 25 %
Alte profile 6,5%
Nu cont. studiile 10 %
TOTAL 100 %

Tabelul 3.13

În cadrul seriilor statistice se includ seriile statistice de timp sau cronologice

şi, respectiv seriile statistice de spaţiu.
Seriile statistice de timp prezintă variaţia în timp a unei caracteristici. Ele pot
fi serii statistice de intervale de timp care exprimă evoluţii în anumite
perioade de timp egale (zile, luni, trimestre, ani etc.), respectiv de momente
în care înregistrarea statistică se face în anumite momente stabilite. Iată un
exemplu de serie cronologică de interval (tabelul 3.14) în care se analizează
numărul absolvenţilor unei facultăţi în perioada 1970-2004 şi unul de
momente în care se prezintă procentul persoanelor care şi-au plătit integral
impozitul anual pe locuinţă în data de 15 martie a fiecărui an din 1990 până
în 2000 (tabelul 3.15)3.

3
Datele sunt imaginare
73
Statistică

Data Procent
contribuabili
Perioada Nr. 15 martie 1990 88,3 %
Absolvenţi 15 martie 1991 81,1 %
1970 –1974 620 15 martie 1992 78,7 %
1975 –1979 610 15 martie 1993 65,3 %
1980 –1984 640 15 martie 1994 52,6 %
1985 –1989 680 15 martie 1995 50,9 %
1990 –1994 990 15 martie 1996 49,4 %
1995 –1999 1300 15 martie 1997 67,3 %
2000 –2004 1280 15 martie 1998 69,0 %
15 martie 1999 66,1 %
15 martie 2000 59,9 %
Tabelul 3.14
Tabelul 3.15

Seriile statistice de spaţiu sunt cele care rezultă în urma centralizării

frecvenţelor sau valorilor caracteristicii studiate în funcţie de spaţiu
(localitate, judeţ, zonă geografică etc.).

3.5. Reprezentări grafice ale seriilor statistice

Pentru ilustrarea mai sugestivă a rezultatelor unei cercetări statistice se
utilizează frecvent reprezentări grafice, acestea contribuind la o primă
interpretare intuitivă, pe cale vizuală a datelor.
Deseori reprezentarea grafică sugerează însăşi legea pe care o urmează
fenomenul studiat.
Pentru început ne vom ocupa doar de reprezentarea grafică a seriilor
statistice cu o singură caracteristică dar vom reprezenta grafic şi o serie cu
două caracteristici.

3.5.1. Reprezentarea grafică a seriilor cu caracteristică de tip calitativ

Reprezentarea acestor distribuţii ilustrează, prin desene, anumite rapoarte

numerice. Graficul corespunzător se numeşte diagramă. Diagramele se
construiesc după cum urmează.
Exprimând procentual frecvenţele valorilor distincte observate, putem
concepe o figură geometrică plană sau în spaţiu care ar urma să reprezinte
totalul de 100%.
Figura plană sau corpul sunt împărţite în părţi cu ariile, respectiv volumele,
proporţionale cu frecvenţele înregistrate.
Reprezentările clasice se fac cu dreptunghiuri de baze egale şi înălţimi
proporţionale cu valorile frecvenţelor (fig.3.1) sau prin sectoare de cerc, cu
unghiurile proporţionale cu aceleaşi numere (fig.3.2).

74
 Statistică

Figura 3.1

Figura 3.2

Având în vedere dezvoltarea actuală a graficii cu ajutorul calculatorului,

există numeroase programe construite special pentru reprezentările
statistice.
Astfel există şi se pot imagina numeroase reprezentări ale unei serii statistice
dintre cele mai sugestive.
Astfel, în figurile 3.1 şi 3.2 au fost reprezentate datele din tabelul 3.13 cu
ajutorul dreptunghiurilor şi al sectoarelor de cerc.

3.5.2. Reprezentarea grafică a seriilor cu caracteristică de tip cantitativ

Reprezentarea grafică în cazul seriilor cu caracteristică de tip cantitativ
ilustrează valorile numerice ale frecvenţelor absolute sau, după caz, ale
frecvenţelor relative.

75
Statistică

De aceea se foloseşte un sistem de axe rectangulare. Astfel pe axa Ox se

reprezintă valorile caracteristicii sau clasele (intervalele) de valori ale
acesteia, iar pe Oy frecvenţele absolute sau relative corespunzătoare
acestor valori. Alegerea unităţilor de măsură pe cele două axe trebuie făcută
în aşa fel încât să se vizualizeze uşor rezultatul şi să se obţină concluziile
dorite.

Prezentăm în continuare cele mai frecvent folosite moduri de reprezentare a

seriilor statistice cu caracteristică cantitativă.

a) Reprezentarea în batoane Această reprezentare se foloseşte mai ales pentru

seriile în care variabila ia un număr mic de valori. Să considerăm datele din
exemplul 3.3 a rezultatelor obţinute la teza de matematică de către cei 40 de
elevi ai unei clase. Distribuţia este dată în tabelul 3.5.
Obţinem reprezentarea în batoane din figura 3.3, unde pe axa orizontală,
sunt trecute punctele reprezentând valorile variabilei (nota obţinută) şi din
aceste puncte se ridică segmente verticale de lungime egală cu frecvenţa
absolută (sau relativă) a valorii respective. Segmentele ridicate sunt
măsurate cu unitatea de pe Oy .

Figura 3.3.

b) Histogramă. Această reprezentare se foloseşte în cazul seriilor cu clase de

valori (intervale) de lungimi egale. Histograma distribuţiei se obţine
construind dreptunghiuri pe fiecare interval de pe Ox corespunzător clasei
ale căror înălţimi sunt proporţionale cu frecvenţele (relative sau absolute) ale
claselor respective.

Exemplul 3.8. Să considerăm repartiţia pe clase de vârstă a celor 200 de angajaţi

ai unei firme. Aceasta este reprezentată în tabelul 3.16.

Histograma corespunzătoare este dată în figura 3.4.

76
 Statistică

Grupe de Frecvenţa
vârstă absolută
20 –25 15
25 –30 18
30 –35 25
35 –40 38
40 –45 42
45 –50 32
50 –55 18
55 –60 12

Tabelul 3.16 Figura 3.4

c) Poligonul frecvenţelor se obţine ridicând pe mijlocul fiecărui interval al

clasei de valori ale variabilei segmente proporţionale cu frecvenţele şi unind
apoi extremităţile acestor segmente printr-o linie poligonală. Pentru
distribuţia din tabelul 3.16 se obţine poligonul frecvenţelor din figura 3.5.

Figura 3.5 Figura 3.6

Observaţie. Poligonul frecvenţelor se obţine din histograma distribuţiei unind cu o linie

poligonală mijloacele bazelor superioare ale dreptunghiurilor; analog se
poate obţine histograma din poligonul frecvenţelor.

d) Curba distribuţiei se obţine într-un mod asemănător celui folosit în construirea

poligonului frecvenţelor cu deosebirea că extremităţile segmentelor
respective sunt unite printr-o curbă. în figura 3.6 este trasată curba
distribuţiei pentru exemplul din tabelul 3.16.

În continuare vom prezenta o reprezentare grafică a unei serii statistice cu

două caracteristice prezentată în exemplul 3.2.

77
Statistică

Figura 3.7.

3.6. Valori caracteristice ale unei serii statistice

Datele obţinute în urma observării statistice caracterizează fiecare unitate a
populaţiei studiate şi sunt expresia unui număr mare de cauze şi factori care
pot acţiona în acelaşi sens sau în sensuri diferite.
Caracteristica presupune însă cunoaşterea trăsăturilor reprezentative,
esenţiale ale fenomenelor de masă, a regularităţilor de producere a acestor
fenomene. Aceasta înseamnă că este necesară determinarea unor valori
reprezentative, tipice pentru masa valorilor individuale. Determinarea acestor
valori tipice, în statistică, se realizează, în principal, cu ajutorul mărimilor
medii.

3.6.1. În cele ce urmează vom numi valoare centrală a unei clase de variaţie,
media aritmetică a extremităţilor acelei clase. Astfel, dacă luăm în
considerare exemplul 3.1, tabelul 3.3, valoarea centrală a clasei 160 -165
este 162,5, a clasei 175 -180 este 177,5 şi admitem ca valoare centrală a
primei clase (<160) ca fiind 157,5. De asemenea, considerând tabelul 1.16 în
exemplul 3.8, valoarea centrală a clasei 25 - 30 este 27,5, a clasei 50 - 55
este 52.5 etc.

3.6.2. Vom numi modul sau dominantă a unei serii statistice, valoarea
caracteristicii corespunzătoare celei mai mari frecvenţe în cazul când valorile
caracteristicii sunt date individual şi valoarea centrală a clasei
corespunzătoare celei mai mari frecvenţe, în cazul când se dau clase de
variaţie.
Această noţiune prezintă interes mai ales în cazurile când avem o singură
dominantă.
Astfel, pentru exemplul 3.7, din tabelul 3.12, deducem că dominanta este v1
(profilul tehnic), pentru exemplul 3.3 (tabelul 3.5) dominanta este 7 iar pentru
exemplul 3.8 (tabelul 3.16) dominanta este 42.5 etc.

78
 Statistică

3.6.3. Un număr real Me se numeşte mediană a unei serii statistice dacă numărul
valorilor caracteristicii mai mici decât Me este egal cu numărul valorilor mai
mari ca Me .
Cu alte cuvinte, mediana este valoarea “de mijloc" a şirului tuturor valorilor
caracteristicii ordonate crescător. Astfel, dacă reprezintă valorile
caracteristicii, x1 ≤ x2 ≤ ... ≤ xn , atunci mediana va fi:
 x k +1 , daca n = 2k + 1

Me =  1 .
 2 ( x k + x k +1 ) daca n = 2 k
Să presupunem că, de exemplu, valorile caracteristicii sunt: 2, 2, 3, 5, 5, 6, 6,
1
7, 8, 8. Atunci mediana va fi (5 + 6) = 5,5 .
2

Exemplul 3.9. Dacă se consideră notele obţinute la teza de la matematică de către cei 40
de elevi ai unei clase din exemplul 3.3, ilustrate în tabelul 3.5, avem
următoarele valori ale caracteristicii scrise în ordine crescătoare:
2,3,4,4,5,5,5,5,6,6,6,6,6,6,6,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,
8,8,8,8,8,8,9,9,10.
Mediana va fi 7.

Exemplul 3.10. Analizând datele din exemplul 3.8 prezentate în tabelul 3.16, constatăm
că sunt 96 de angajaţi cu vârste mai mici (strict) de 40 de ani şi 62 de
angajaţi cu vârste mai mari sau egale cu 45 de ani. Aşadar, considerându-i
pe cei 200 de angajaţi scrişi în ordinea crescătoare a vârstelor, mediana se
va găsi în clasa de vârstă corespunzătoare mediei vârstelor celui de-al 100-
lea şi de-al 101-lea angajat, adică 40 ≤ Me < 45 . În această grupă de vârstă
se găsesc 42 de angajaţi. Presupunând că vârsta acestora creşte uniform în
intervalul [40,45), deducem că diferenţa de vârstă de la un angajat la altul va
1 5
fi ( 45 − 40) = ani. Vârsta celui de-al 100-lea angajat (care este al 4-lea
42 42
5
angajat din clasa sa de vârstă) este considerată a fi 40 + 4 ⋅ = 40,4 ani iar
42
5
al 101-lea 40 + 5 ⋅ = 40,6 ani, deci mediana va fi Me = 40,5 ani.
42
3.6.4. Ştim că media aritmetică a unor valori este egală cu raportul dintre suma
acestora şi numărul lor. Adică, media aritmetică a numerelor u1 , u 2 ,..., u N
u1 + u 2 + ... + u N
este egală cu .
N
Dacă dorim să calculăm salariul mediu lunar dintr-o anumită firmă, este firesc
să calculăm suma S a salariilor lunare ale tuturor angajaţilor (fondul de
salarii) iar apoi să o împărţim la numărul acestor angajaţi. Desigur că pot fi
angajaţi care au un acelaşi salariu. Să presupunem că salariile acordate de
firmă pot avea valorile: x1 , x2 ,..., x n iar y1 angajaţi au salariul x1 , y 2 angajaţi
au salariul x2 etc.
Atunci S = x1 y1 + x2 y 2 + ... + xn y n .

79
Statistică

Dacă N = y1 + y 2 + ... + y n este numărul total al angajaţilor, atunci media

salariilor (salariul mediu) va fi
S x1 y1 + x2 y 2 + ... + xn y n
= .
N y1 + y 2 + ... + y n
Să presupunem acum că dorim să determinăm media generală la teza de
matematică a clasei din exemplul 3.3. Va trebui să calculăm raportul dintre
suma tuturor notelor obţinute şi numărul elevilor clasei. Desigur că vom
putea însuma pe rând toate cele 40 de note, dar observăm că este mult mai
simplu, având datele grupate ca în tabelul 3.5, să ţinem seama că avem un
elev cu nota 2, unul cu nota 3, doi cu nota 4, patru cu nota 5 etc.
Media clasei va putea fi calculată atunci astfel:
1 ⋅ 2 + 1 ⋅ 3 + 2 ⋅ 4 + 4 ⋅ 5 + 7 ⋅ 6 + 15 ⋅ 7 + 6 ⋅ 8 + 3 ⋅ 9 + 1 ⋅10 265
= = 6,625 .
40 40
Din exemplele de mai sus rezultă că, în general, dacă se consideră
distribuţia unei caracteristici x dată în tabelul 3.17,

Valoarea Frecvenţa
absolută
x1 y1
x2 y2
 
xn yn

Tabelul 3.17

atunci valoarea medie a variabilei respective va fi

x1 y1 + x2 y 2 + ... + xn y n
(3.1) x= .
y1 + y 2 + ... + y n
Dacă notăm cu N = y1 + y 2 + ... + y n efectivul total al populaţiei, atunci
y y y
x = x1 1 + x2 2 + ... + xn n = x1 f1 + x2 f 2 + ... + xn f n
N N N
y
unde am ţinut cont că f i = i este frecvenţa relativă a valorii xi
N
( i = 1,2,..., n ).
Formula (3.1) se numeşte media aritmetică ponderată a numerelor
x1 , x2 ,..., x n cu ponderile, respectiv y1 , y 2 ,..., y n .
3.6.5. Se numeşte valoare medie a unei variabile statistice x , numărul
x = x1 f1 + x2 f 2 + ... + xn f n ,
unde x1 , x2 ,..., x n reprezintă valorile caracteristicii dacă acestea sunt date
individual şi valorile centrale ale claselor dacă se dau clase de variaţie, iar
f1 , f 2 ,..., f n sunt frecvenţele corespunzătore acestor valori.

80
 Statistică

Exemplul 3.11. Să determinăm media de vârstă a celor N = 200 de angajaţi ai firmei din
exemplul 3.8.
Datele sunt trecute în tabelul 3.18.

Grupe de vârstă Frecvenţa Valori Frecvenţa

(clase de variaţie) absolută, centrale, xi f i = yi N xi f i
yi
20 – 25 15 22,5 0,075 1,6875
25 – 30 18 27,5 0,090 2,4750
30 – 35 25 32,5 0,125 4,0625
35 – 40 38 37,5 0,190 7,1250
40 – 45 42 42,5 0,210 8,9250
45 – 50 32 47,5 0,160 7,6000
50 – 55 18 52,5 0,090 4,7250
55 – 60 12 57,5 0,060 3,4500
200 1,000 40,0500

Tabelul 3.18

Făcând suma termenilor xi f i , obţinem vârsta medie a angajaţilor acelei

firme
x = 40,05 ani.

Exemplul 3.12. Într-o secţie a unei firme cu 140 de muncitori se produc piese de acelaşi
fel, astfel: 16 dintre muncitori produc câte 28 piese fiecare, 25 dintre
muncitori produc câte 31 de piese, 20 produc câte 33 de piese, 30 produc
câte 35 de piese, 28 produc câte 38 de piese, iar 21 dintre muncitori produc
câte 43 de piese.
Să determinăm producţia medie pe muncitor.

Soluţie:
Notăm efectivul total (numărul muncitorilor secţiei) cu N = 140 , valorile
variabilei statistice x (numărul de piese executate) cu x1 , x2 ,..., x6 şi,
respectiv cu y1 , y 2 ,..., y 6 frecvenţele absolute ale valorilor respective
(numărul de muncitori care realizează numărul de piese corespunzător
valorii respective), N = y1 + y 2 + ... + y 6 .

Datele se găsesc în tabelul 3.19.

81
Statistică

Nr. pieselor Numărul Nr. Pieselor

exec. de un muncitorilor, executate
muncitor, xi yi xi y i
28 16 448
31 25 775
33 20 660
35 30 1050
38 28 1064
43 21 903
Total 140 4900

Tabelul 3.19

Numărul de piese obţinute în medie de fiecare muncitor va fi egal cu

valoarea medie a variabilei x ,
x1 y1 + x 2 y 2 + ... + x6 y 6 4900
x= = = 35 piese/ muncitor.
N 140

Observaţii: Aceste trei caracteristici prezentate descriu tendinţa centrală a datelor.

Astfel:
• Modulul este caracteristica ce evidenţiază cel mai bine valoarea “tipică",
cea care apare cel mai frecvent în mulţimea datelor (de exemplu, vârsta
la care o persoană este cea mai predispusă pentru a se îmbolnăvi de
o anume afecţiune, greutatea cel mai des întâlnită când cântărim un
colectiv de copii de 10 ani, zilele dintr-un an când, într-un anumit loc, se
înregistrează cel mai frecvent temperaturi sub 0 0 etc.).

• Mediana este utilă când dorim să studiem o ierarhizarea a datelor în

funcţie de valoarea “de mijloc" a acestora (de exemplu, din 25 de
candidaţi admişi la o facultate, ierarhizaţi în ordinea mediilor obţinute la
concursul de admitere, care este media celui de-al 13-lea, dintr-un
număr de piese produse de o maşină ale căror diametre sunt diferite,
care este valoarea “de mijloc" a diametrelor acestor piese etc.).

• Media aritmetică este rezultatul sintetizării într-o singură expresie

numerică a tuturor valorilor individuale înregistrate, obţinută prin
raportarea valorii totalizate a caracteristicii la numărul total al unităţilor.
Media este folosită cu predilecţie când ne interesează o ierarhizare
după mărime a datelor (de exemplu, înălţimea medie a unor plante,
vârsta medie a indivizilor unui colectiv, media generală obţinută de un
grup de candidaţi la o probă de examen, numărul mediu de accidente
de circulaţie într-un interval de timp pe un anumit sector de drum,
productivitatea muncii, stocul mediu, recolta medie la hectar etc.).
3.6.6. Dispersia sau, mai bine zis, abaterea medie pătratică indică gradul de
împrăştiere a valorilor unei variabile statistice în jurul valorii medii.
Mai precis, avem următoarea definiţie:
Se consideră o variabilă statistică x . Notăm cu x1 , x2 ,..., x1 valorile variabilei
dacă acestea sunt date individual, respectiv valorile centrale ale claselor
dacă se dau clase de variaţie.

82
 Statistică

Dacă x reprezintă media variabilei x , se numeşte dispersie a acesteia,

numărul

( x1 − x ) 2 + ( x2 − x ) 2 + ... + ( xn − x ) 2
(3.2) σ = 2
n

Mărimea
σ = σ2

se numeşte abaterea mediei pătratice.

Abaterea mediei pătratice se exprimă în aceleaşi unităţi ca şi caracteristica
seriei statistice.

Se consideră seria statistică x reprezentată în tabelul 3.17 şi notăm

N = y1 + y 2 + ... + y n
efectivul total al populaţiei.
Dacă
x1 y1 + x2 y 2 + ... + xn y n
x=
N
este valoarea medie a lui x , atunci dispersia corespunzătoare este

( x1 − x ) 2 y1 + ( x 2 − x ) 2 y 2 + ... + ( xn − x ) 2 y n
(3.3) σ =
2
.
N

83
Statistică

Test de autoevaluare (2)

1. În evidenţele unei biblioteci şcolare se constată că, într-o

anumită lună, 20 elevi au împrumutat câte o carte, 25 câte 2
cărţi, 15 câte 3 cărţi, 18 câte 4 cărţi, 12 câte 5 cărţi iar 10
elevi au împrumutat câte 6 cărţi.
a) Prezentaţi distribuţia variabilei statistice care exprimă
numărul de cărţi împrumutate în acea lună de către elevii
acelei şcoli.
Răspunsurile b) Reprezentaţi grafic seria obţinută, alcătuiţi poligonul
la test se vor
da în spaţiul
frecvenţelor şi curba distribuţiei.
liber din c) Calculaţi modul (dominanta), mediana, valoarea medie,
chenar, în dispersia, abaterea mediei pătratice.
continuarea
enunţului.

Răspunsurile la acest test se găsesc la pagina 87 a acestei

unităţi de învăţare.

84
 Statistică

3.7. Comentarii şi răspunsuri la testele de autoevaluare

Test 1
1. Tabelul va conţine pe prima coloană numerele 1,2,3,4,5,6 iar pe coloana
a doua numărul apariţiei unuia dintre cele 6 numere.
2. Populaţia statistică este mulţimea apartamentelor din blocul respectiv iar
caracteristica este numărul de camere. Celelalte elemente cerute sunt
date în tabelul următor:

Nr. de Frecv.abs Fr.abs.cum Fr.abs.cum Frecv.

camere (nr. ap.) .crescăt. descrescăt. relat.
1 20 20 120 0,17
2 30 50 100 0,25
3 40 90 70 0,33
4 30 120 30 0,25
Total 120 1,00

Test 2
1. a) Distribuţia seriei statistice va fi:
Nr. cărţi, Nr. cititori,
xi yi
1 20
2 25
3 15
4 18
5 12
6 10
Total 100

c) modul=2, mediana=3, valoarea medie x = 3,07 , σ 2 = 154,8056 ,

σ = 12,442 .

3.8. Lucrare de verificare pentru studenţi pentru unitatea 3

Indicaţii de redactare. Problemele se vor rezolva în ordinea din textul enunţului.
Rezolvările se vor expedia pe adresa tutorelului.

1. Studiind catalogul unei clase de 30 de elevi, observăm că, la teza de la

matematică din acest semestru, s-au obţinut următoarele note (în ordinea
în care apar în catalog): 7,5,6,6,8,7,3,4,6,2,9,8,10,8,7,2,7,8,2,4,6,7,9,5,
7,5,9,7,10,6, iar cele de la fizică (în aceeaşi ordine): 5,6,8,2,9,7,6,3,7,5,7,
9,8,9,10,4,10,5,4,10,8,6,4,9,7,6,7,9,10,5. Alcătuiţi distribuţia rezultatelor
obţinute la cele două teze de clasa respectivă întocmind un tabel cu două
intrări. Precizaţi care este populaţia statistică, unităţile statistice,
caracteristicile, valorile caracteristicilor în acest caz.
2. Presupunem că avem de studiat din punct de vedere statistic distribuţia
familiilor dintr-un bloc după numărul copiilor. Astfel 6 familii nu au copii,
18 familii au 1 copil, 23 familii au 2 copii, 20 familii au 3 copii, 14 familii au
4 copii, 6 familii au 5 copii iar 2 familii au 6 copii.
85
Statistică

a) Precizaţi populaţia statistică, unităţile statistice, caracteristica, tipul

caracteristicii. Scrieţi distribuţia seriei statistice corespunzătoare.
b) Reprezentaţi grafic seria corespunzătoare.
c) Calculaţi modul (dominanta), mediana, valoarea medie, dispersia,
abaterea mediei pătratice.
3. O maşină produce 60 de piese, având următoarele diametre: 10,2; 10,8;
11,0; 11,5; 11,5; 15,6; 17,1; 17,9; 18,2; 19,3; 21,4; 22,4; 22,5; 23,1; 24,0;
24,0; 25,6; 26,1; 26,2; 26,5; 26,9; 27,3; 27,3; 28,1; 28,9; 31,1; 32,3; 32,9;
35,6; 36,1; 36,6; 36,7; 38,5; 38,7; 39,1; 39,4; 39,5; 40,1; 41,1; 41,1; 42,1;
42,3; 42,4; 43,3; 43,4; 44,5; 44,9; 45,1; 45,8; 47,2; 48,1; 49,2; 51,2; 53,7;
54,2; 58,8; 58,9; 59,1; 59,1; 59,2.
a) Precizaţi care este populaţia statistică, unităţile statistice,
caracteristica studiată, tipul acesteia şi intervalul în care aceasta a
luat valori.
b) Realizaţi împărţirea pe clase corespunzătoare intervalelor de lungimi
egale cu 10, între 10 şi 60. Întocmiţi un tabel ţin care să figureze
aceste clase, frecvenţele absolute, frecvenţele absolute cumulate
crescătoare, frecvenţele absolute cumulate descrescătoare, valorile
centrale. Interpretaţi datele din tabelul obţinut. Care este clasa de
valori a caracteristicii în care avem cele mai multe unităţi statistice ?
Care este procentul pieselor de diametru cel mult 40?

3.9. Bibliografie
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962 (pag.11-35)
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 (p.281-289)
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003 (pag.292-308)
4. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966 (pag.113-119)
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979 (pag.53-93)
6. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980 (pag.743-
757)

86
 Bibliografie

BIBLIOGRAFIE
1. H.M. Ionescu, Statistică Matematică, Ed. Didactică şi Pedagogică,
Bucureşti, 1962;
2. M. Iosifescu, Gh. Mihoc, R. Teodorescu, Teoria Probabilităţilor şi
Statistică Matematică, Ed. Tehnică, Bucureşti, 1966 ;
3. C. Năstăsescu ş.a., Matematică, manual pentru clasa a X-a, E.D.P.
Bucureşti 2003;
4. C. Năstăsescu ş.a., Exerciţii şi probleme de algebră pentru clasele IX-XII,
E.D.P., Bucureşti, 1983;
5. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică, Ed. Didactică şi Pedagogică, Bucureşti 1966;
6. Gh. Mihoc, N. Micu, Elemente de Teoria Probabilităţilor şi Statistică
Matematică (manual pentru clasa a XII-a), Ed. Didactică şi Pedagogică,
Bucureşti 1979;
7. Mică Enciclopedie Matematică, Ed. Tehnică, Bucureşti 1980.

87
Proiect cofinanţat din Fondul Social European prin Programul Operaţional Sectorial Dezvoltarea Resurselor Umane 2007-2013
Investeşte în oameni!

Formarea profesională a cadrelor didactice

din învăţământul preuniversitar
pentru noi oportunităţi de dezvoltare în carieră

Unitatea de Management al
Proiectelor cu Finanţare Externă

Str. Spiru Haret nr. 12, Etaj 2,

Sector 1, Cod poºtal 010176,
Bucureºti

Tel: 021 305 59 99

Fax: 021 305 59 89

http://conversii.pmu.ro
e-mail: conversii@pmu.ro

IS
BN
97
8-
60
6-
51
5-
13
0-
7