Sunteți pe pagina 1din 66

Cuprins

Informatii generale 2
1 MODULUL I. Analiza matematica 4
1.1 Functii reale de mai multe variabile reale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Spatiul R
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Limit a si continuitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Derivate partiale, diferentiabilitate si diferential a . . . . . . . . . . . . . . . . . . . . . 8
1.1.4 Derivate partiale si diferentiale de ordin superior . . . . . . . . . . . . . . . . . . . . . 12
1.2 Extremele functiilor de mai multe variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1 Extremele functiilor de dou a variabile . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.2 Extremele functiilor de n variabile (n 2) . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3 Ajustarea datelor experimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Exercitii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5 Integrale Euleriene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.1 Integrala lui Euler de speta nt ai. Functia beta . . . . . . . . . . . . . . . . . . . . . . . 28
1.5.2 Integrala lui Euler de speta a doua. Functia gama . . . . . . . . . . . . . . . . . . . . . 32
1.5.3 Integrala Euler-Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.4 Exercitii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5.5 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2 MODULUL II. Teoria probabilitatilor 36
2.1 C amp de evenimente, c amp de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.1 Corp de p arti ale unei multimi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.2 C amp de evenimente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.1.3 C amp de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.4 Probabilit ati conditionate. Independenta evenimentelor . . . . . . . . . . . . . . . . . 41
2.2 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.1 Schema urnei cu bila nerevenit a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.2 Generalizare. Schema urnei cu bila nerevenit a cu mai multe st ari . . . . . . . . . . . 47
2.2.3 Schema urnei cu bila revenit a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2.4 Generalizare. Schema urnei cu bila revenit a cu mai multe st ari . . . . . . . . . . . . . 48
2.2.5 Schema urnelor lui Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3.1 Operatii cu variabile aleatoare de tip discret . . . . . . . . . . . . . . . . . . . . . . . 52
2.3.2 Functia de repartitie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.3.3 Variabile de tip continuu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.3.4 Caracteristici numerice ale variabilelor aleatoare . . . . . . . . . . . . . . . . . . . . . 55
2.4 Exercitii si probleme rezolvate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.5 Teme de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
1
Informat ii generale
UNIVERSITATEA BABES -BOLYAI CLUJ-NAPOCA
FACULTATEA DE S TIINT E ECONOMICE S I GESTIUNEA AFACERILOR
TRUNCHI COMUN ANUL I zi si ID
ANUL UNIVERSITAR 2011/2012
SEMESTRUL I
Date de identicare a cursului
Date de contact ale titularilor de curs:
1. Muresan Anton S., Birou: Cabinetul 229, Etajul II, E-mail: anton.muresan@econ.ubbcluj.ro; tel 0264
418 652/int.5809.
2. Curt Paula, Birou: Cabinetul 229, Etajul II, E-mail: paula.curt@econ.ubbcluj.ro; tel 0264 418 652/int.5809.
3. Filip Diana Andrada, Birou: Cabinetul 229, Etajul II, E-mail: diana.lip@econ.ubbcluj.ro; tel 0264
418 652/int.5809.
4. Lung Rodica Ioana, Cabinetul 230, Etajul II, E-mail: rodica.lung@econ.ubbcluj.ro; tel 0264 418
652/int.5810.
5. Radu Voichita, Cabinetul 230, Etajul II, E-mail: voichita.radu@econ.ubbcluj.ro; tel 0264 418 652/int.5810.
6. Rosca Alin, Cabinetul 231, Etajul II, E-mail: alin.rosca@econ.ubbcluj.ro; tel 0264 418 652/int.5857.
Fax: 0264-412570
Date de identicare curs si contact tutori:
Numele cursului: MATEMATICI APLICATE IN ECONOMIE
Codul cursului: EBS0003
Anul I, Semestrul I
Tipul cursului: Obligatoriu
Pagina web a cursului:
Tutori:
1. Lung Rodica Ioana, rodica.lung@econ.ubbcluj.ro
2. Radu Voichita, voichita.radu@econ.ubbcluj.ro
3. Rosca Alin, alin.rosca@econ.ubbcluj.ro
4. Filip Darius, darius.lip@econ.ubbcluj.ro
5. Coconet Tiberiu, tiberiu.coconet@econ.ubbcluj.ro
6. Pop Flaviu, aviu.pop@econ.ubbcluj.ro
Locul de desf asurare a cursului: Cl adirea Campus, s ali etajul II
Programarea n orar a activit atilor (la nv at am atul de zi): S apt am anal 2 ore de curs + 2 ore de seminar,
conform orarului asat la sediul facult atii; (la nv at am atul ID) :8 ore activitati tutoriale
Conditionari si cunostinte prerechizite: -
Descrierea cursului :
Se vor avea in vedere urmatoarele obiective:
Introducerea catorva notiuni de analiza functiilor reale de mai multe variabile reale care sa consti-
tuie pentru studenti instrumente pentru tratarea unor probleme de extrem, pentru a permite interpolarea
si ajustarea datelor experimentale, etc.
Crearea bazelor de analiza matematica necesare pentru studiul teoriei probabilitatilor si pentru
statistica matematica.
Denirea si studiul principalelor proprietati ale conceptelor de baza din teoria probabilitatilor.
Crearea la studenti a unor deprinderi de utilizare a tehnicilor probabilistice si de folosire a acestora in scop
aplicativ. Fundamentarea probabilistica a statisticii matematice.
Organizarea temelor (p artilor) in cadrul cursului:
Cursul va avea urmatoarele doua parti:
2
1. Elemente de analiza matematica
2. Elemente de teoria probabilitatilor
Organizarea temelor s-a facut avand in vederea ordinea reasca si gradul de dicultate sa urmeze o
ordine crescatoare. Informatia relevanta referitoare la ecare tema (parte) se gaseste in lista bibliograca
ce va prezentata ulterior, iar accesul va realizat direct.
Formatul si tipul activitatilor implicate de curs:
Formatul va unul clasic, permitand studentului de a-si gestiona singur, fara constrangeri, parcurgerea
cursului. De sigur o participare la activitatile planicate va usura intelegerea tematicii cursului. Tipurile
de activitati ce vor abordate in cadrul cursului vor atat cele clasice cat si proiecte de grup.
Materiale bibliograce obligatorii:
Principalele materiale bibliograce pe care le vom utiliza, si care se vor gasi la biblioteca facultatii, iar
unele vor putea accesate prin internet, sunt:
1. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2011.
2. Colectiv, Analiza matematica, Teoria Probabilitatilor si Algebra liniara aplicate in economie, Ed.
Mediamira, Cluj-Napoca, 2008.
Materiale si instrumente necesare pentru curs :
Vom folosi: suport electronic de curs, materiale multiplicate, calculator, videoproiector.
Calendarul cursului: este prezentat in calendarul disciplinei
Politica de evaluare si notare:
Evaluarea si notarea nala se va face prin rezolvarea de probleme, intocmirea unor teme de casa. Toate
acestea se vor realiza pe parcursul semestrului. Intrarea in examenul nal este conditionata de realizarea
sarcinilor ce rezulta din temele de control de la sfarsitul ecarui modul al suportului de curs. Studentii vor
primi feed-back la rezultatele realizate in examenul nal prin comunicare directa cu cei care solicita. In
cazul cand studentul doreste sa revina la un examen de marire a notei, acest nou examen se va desfasura
in aceleasi conditii, cu aceleasi cerinte, ca si examenul initial.
Observatie. Se pot face doua referate care valoreaza 3 puncte din nota nala de examen, cu urmatoarele
teme:
1. Modele de gestiune a stocurilor [1, Sec. 3.4] + problemele propuse in suportul de curs de la capitolul de
analiza (maxim 1,5 puncte)
2. Repartitii clasice ale variabilelor aleatoare (binomiala, uniforma, normala, [1, Cap.8] + problemele pro-
puse in suportul de curs de la capitolul de probabilitati (maxim 1,5 puncte)
La examen vor pe bilet doar subiecte practice (probleme, max. 6 puncte; 1 punct din ociu).
[1] Colectiv, Elemente de Algebra liniara, Analiza matematica si Teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009.
Elemente de deontologie academica:
Pentru a evita situatiile care pun in discutie onestitatea studentilor facem de la inceput precizarea ca se
interzice categoric frauda, iar tentativele de frauda se vor trata conformreglementarilor in vigoare elaborate
la nivelul facultatii si universitatii. Este normal ca atunci cand se utilizeaza anumite date, texte, formulari,
etc. luate din alte surse, sa se faca citarea, si astfel sa se asume meritele doar pentru munca si contributia
proprie. Se va cere studentului sa aiba un comprtament academic fata de profesori si fata de colegi.
Studentii cu dizabilitati:
Nu vor avea nici o problema in a se incadra in cerintele cursului si a celorlalte activitati, sansele in
pregatire si obligatiile lor ind de aceeasi factura ca si pentru studentii fara dizabilitati.
Strategii de studiu recomandate:
Recomandam studentilor sa se pregateasca mai intai din aspectele teoretice, asa incat, mai intai, din
curs, sa e studiate modulele cu teoria si exemplele ilustrative formulate, apoi sa se abordeze problemele
rezolvate, iar apoi si problemele formulate spre rezolvare. Pentru tot cursul, apreciem ca fondul de timp
necesar insusirii complete este de 56 de ore, din care 40 pentru suportul de curs, 8 pentru activitatile directe
cu tutorii, iar 12 pentru sarcinile individuale de studiu al bibliograei si realizarea temelor de control.
3
1 MODULUL I. Analiza matematica
Obiectivele modulului
Introducerea catorva notiuni de analiza functiilor reale de mai multe variabile reale care sa constituie
pentru studenti instrumente pentru tratarea unor probleme de extrem, pentru a permite interpolarea
si ajustarea datelor experimentale, etc.
Crearea bazelor de analiza matematica necesare pentru studiul teoriei probabilitatilor si pentru sta-
tistica matematica.
Concepte de baza
Spatiul R
n
, distanta in R
n
, topologia euclidiana in R
n
;
Limite de functii de la R
n
la R, continuitatea functiilor de la R
n
la R;
Derivate partiale, diferentiabilitate si diferentiala pentru functiile de la R
n
la R, derivate partiale si
diferentiale de ordin superior;
Extremele functiilor reale de mai multe variabile reale (libere sau cu legaturi);
Ajustarea datelor experimentale;
Integrale Euler.
Rezultate asteptate
Insusirea conceptelor de baza mentionate si crearea deprinderilor de utilizare a acestora. Studentul
trebuie sa e capabil sa aplice in practica notiunile studiate pentru analizarea unor situatii concrete din
economie, cum ar de exemplu probleme de gestiunea optima a stocurilor.
UNITATEA 1. Functii reale de mai multe variabile reale
1.1 Functii reale de mai multe variabile reale
1.1.1 Spatiul R
n

In studiul fenomenelor zice, economice (si n alte situatii) apare de mai multe ori necesitatea studiului
multimilor cu num ar x de numere reale. De exemplu, spatiul n care tr aim este modelat ca o multime de
puncte determinate de trei coordonate. Fie n un num ar natural xat nenul. Multimea sistemelor de forma:
x = (x
1
, x
2
, . . . , x
n
) ,
unde x
1
, x
2
, . . . , x
n
sunt numere reale, se numeste spatiul R
n
. Elementele acestei multimi se numesc puncte,
iar numerele x
1
, x
2
, . . . , x
n
care determin a punctul x se numesc coordonatele sau componentele acestui
punct.
Pe spatiul R
n
se pot considera diverse structuri care s a extind a structura axei reale.
Pentru orice pereche de elemente x si y din R
n
, exist a n R
n
suma lor x +y dat a de:
x +y = (x
1
+y
1
, x
2
+y
2
, . . . , x
n
+y
n
) . (2.1.1)
De asemenea, pentru ecare R si x R
n
exist a n R
n
x = (x
1
, x
2
, . . . , x
n
) . (2.1.2)
4
Denitia 1.1.1. Se numes te metric a sau distant a pe mult imea nevid a X orice aplicat ie
d : X X R (x, y) d (x, y)
astfel nc at:
D1) d (x, y) 0, x, y X s i d (x, y) = 0 x = y
D2) d (x, y) = d (y, x) , x, y X
D3) d (x, y) d (x, z) +d (z, y) , x, y, z X (inegalitatea triunghiului)
Cuplul (X, d) unde X este o mult ime nevid a iar d este o metric a (distant a) pe X se numes te spatiu metric.
Propozitia 1.1.1. Aplicat ia d : R
n
R
n
R dat a de
d (x, y) =
_
_
_x y
_
_
_ =

_
n

i=1
(x
i
y
i
)
2
este o metric a pe R
n
numit a metrica euclidian a pe R
n
.
Exemplul 1.1.1. Fie x = (1, 3, 1) s i y = (2, 1, 1), x, y R
3
. Avem:
d(x, y) =
_
(1 2)
2
+(3 1)
2
+(1 +1)
2
=

17.
Observatia 1.1.1. In cazul normei euclidiene pentru n = 2 s i n = 3 reg asim formula distant ei dintre dou a puncte
din plan s i din spat iu. Intr-adev ar dac a n = 2 atunci
d (x, y) =
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
iar dac a n = 3 atunci
d (x, y) =
_
(x
1
y
1
)
2
+(x
2
y
2
)
2
+(x
3
y
3
)
2
.
Notiunile de limit a si continuitate se pot introduce n orice spatiu normat, respectiv metric. In cele ce
urmeaz a vom considera spatiul R
n
nzestrat cu norma euclidian a respectiv metrica euclidian a.
Denitia 1.1.2. Fie a = (a
1
, a
2
, . . . , a
n
) R
n
s i r > 0. Se numes te bila deschis a cu centrul n a s i raza r mult imea
B(a, r) = x R
n
, d (x, a) < r .
Pentru n = 1 respectiv n = 2 adic a n R, respectiv n R
2
bilele deschise sunt intervale deschise centrate
n a
1
de forma (a
1
r, a
1
+r) , respectiv discuri deschise cu centrul n a = (a
1
, a
2
) .
Denitia 1.1.3. 1) Spunemc a mult imea V R
n
este o vecin atate a punctului a R
n
dac a exist a o bil a deschis a
cu centrul n a inclus a n mult imea V, adic a B(a, r) V.
Not am cu \ (a) = V R
n
V vecin atate a lui a mult imea vecin at at ilor punctului a. Din denit ie rezult a
c a orice bil a deschis a cu centrul n a R
n
este o vecin atate a lui a.
2) Spunemc a a R
n
este punct interior mult imii A R
n
dac a V \ (a) astfel ca V A. intA = aa punct interior lui A
- reprezint a mult imea punctelor interioare mult imii A.
3) O mult ime A R
n
care cont ine numai puncte interioare se numes te multime deschis a.
4) a R
n
este punct de acumulare al mult imii A R
n
dac a orice vecin atate V a lui a cont ine cel put in un punct
din mult imea A, diferit de a, adic a V \ (a) , (V a) A
5
A

= a R
n
apunct de acumulare pentru A - reprezint a mult imea punctelor de acumulare a mult imii A.
Din denit ie rezult a c a punctul a poate sau nu s a apart in a mult imii A.
5) a A este punct izolat al mult imii A R
n
dac a exist a o vecin atate V a lui a astfel nc at V A = a
6) A R
n
se numes te multime m arginit a dac a exist a M > 0 astfel nc at A B(0, M) sau echivalent dac a x A
are loc [x[ < M.
Denitia 1.1.4. Spunem c a mult imea D R
n
este un domeniu dac a este deschis a s i conex a (format a dintr-o
singur a ,,bucat a adic a nu se poate scrie ca reuniune disjunct a de dou a mult imi deschise s i nevide).
Mention am c a dac a D R
n
este un domeniu, atunci D nu are puncte izolate si prin urmare orice punct
a D este punct de acumulare pentru multimea D (a D

) .
Vom prezenta n continuare un exemplu n R
2
care ilustreaz a notiunile introduse anterior.
1.1.2 Limit a si continuitate

In continuare se denesc notiunile de limit a si continuitate pentru functii reale de mai multe variabile
reale.
Denitia 1.1.5. Fie A R
n
. Aplicat ia f : A R astfel nc at
A = x = (x
1
, . . . , x
n
) f (x) = f (x
1
, x
2
, . . . , x
n
) R
se numes te functie real a de n variabile reale.
Exemplul 1.1.2.

In multe probleme economice intervin funct ii de tip Cobb - Douglas (denumite astfel dup a
economis tii americani C.V. Cobb s i P.H. Douglas, c arora li se datoreaz a cercet ari s i descoperiri n domeniu, n anii
1920). Aceste funct ii au forma general a:
f : R
n
+
R, f (x
1
, x
2
, . . . , x
n
) = Cx

1
1
x

2
2
. . . cx

n
n
,
unde C,
1
,
2
, . . . ,
n
0.
Exemplul 1.1.3. Dac a V este venitul unei societ at i comerciale, x num arul de ore de munc a productiv a prestat a,
y fondurile xe angajate n product ie atunci
V (x, y) = kx

, k, , constante pozitive
(funct ie de product ie de tip Cobb-Douglas) este o funct ie real a de 2 variabile reale.
Exemplul 1.1.4. Dac a A = [0, ) [0, ) [0, ) R
3
atunci funct ia
f : A R, f (x) = f (x
1
, x
2
, x
3
) = x
1
x
2
x
3
(funct ie real a de trei variabile reale) poate reprezenta product ia unei ntreprinderi dac a x
1
este productivitatea
muncii, x
2
num arul de muncitori, x
3
timpul de munc a.
Denitia 1.1.6. Fie A R
n
(n 1) o mult ime nevid a, a un punct de acumulare al mult imii A, a A

s i f : A
R. Spunem c a f are limita l R c and x tinde c atre a s i scriem
l = lim
xa
f (x) (sau f (x)
xa
l)
dac a > 0,

> 0 astfel nc at pentru orice x A a cu proprietatea [x a[ <

s a avem f (x) l < .


Observatia 1.1.2. 1)

In denit ia 1.1.6 se poate folosi orice norm a; dac a n = 1 atunci cele trei norme clasice pe
R
n
devin funct ia modul s i se obt ine denit ia limitei funct iilor de o variabil a real a (studiat a n liceu).
6
2) Limita l = lim
xa
f (x) se numes te limita global a a funct iei f c and x tinde c atre a, se noteaz a prin
l = lim
x
1
a
1
x
2
a
2
..........
x
n
a
n
f (x
1
, x
2
, . . . , x
n
)
s i se cites te limita funct iei f c and x
1
a
1
, x
2
a
2
, . . . , x
n
a
n
simultan s i independent.

In cele ce urmeaz a, mention am c ateva propriet ati ale limitelor de functii reale de n variabile reale,
propriet ati analoage celor ale functiilor reale de o variabil a real a.
Fie n 2, A R
n
, o multime nevid a, a A

, l
1
, l
2
R si f , g : A R.
Propozitia 1.1.2. Dac a f are limit a atunci c and x tinde c atre a, atunci limita este unic a.
Propozitia 1.1.3. Dac a lim
xa
f (x) = l
1
atunci exist a V \ (a) astfel nc at f este m arginit a pe V A.
Propozitia 1.1.4. Dac a lim
xa
f (x) = l
1
s i lim
xa
g (x) = l
2
atunci
lim
xa
(f (x) +g (x)) = l
1
+l
2
, lim
xa
(f g) (x) = l
1
l
2
iar dac a l
2
0 s i
f (x)
g (x)
are sens pe o vecin atate a lui a atunci avem s i
lim
xa
f (x)
g (x)
=
l
1
l
2
.
Propozitia 1.1.5. (criteriul major arii) Fie : A R. Dac a exist a V \ (a) astfel nc at
a) (x) 0, x V A
b) f (x) l
1
(x) , x V A
c) lim
xa
(x) = 0
atunci exist a limita funct iei f c and x tinde la a s i lim
xa
f (x) = l
1
.
Exemplul 1.1.5. Folosind criteriul major arii s a se calculeze limita urm atoarei funct ii n punctul indicat.
f (x, y) =
x
2
+y
2
x +

, a = (0, 0) ;
Rezolvare: Pentru a aplica criteriul major arii vomncerca s a g asimo functie care ndeplineste conditiile
din criteriu.
Avem c a:

f (x, y) 0

f (x, y)

x
2
+y
2
x +

=
x
2
+y
2
x +

=
x
2
+

2
x +

x
2
+2x

2
x +

=
_
x +

_
2
x +

= x +

.
Lu and acum l = 0 si (x, y) = x +

si av and n vedere c a
lim
(x,y)(0,0)
(x, y) = 0,
7
rezult a pe baza criteriului major arii c a
lim
(x,y)(0,0)
x
2
+y
2
x +

= 0.
In continuare vom studia c ateva propriet ati relative la continuitatea functiilor denite pe R
n
cu valori
n R.
Denitia 1.1.7. Fie A R
n
o mult ime nevid a a A s i f : A R. Funct ia f se numes te continu a (sau global
continu a) n a A dac a pentru orice > 0 exist a > 0 astfel nc at pentru orice x A cu [x a[ <

avem c a
f (x) f (a) < . Funct ia f este continu a (sau global continu a) pe mult imea nevid a B A dac a f este continu a
n orice punct a B.
Observatia 1.1.3. Dac a a A este un punct izolat al mult imii A atunci f este continu a n a. Dac a a AA

atunci f este continu a n a dac a s i numai dac a lim


xa
f (x) = f (a) .
1.1.3 Derivate partiale, diferentiabilitate si diferential a

In aceast a sectiune se introduc notiunile de derivat a partial a, diferentiabilitate si diferential a.


Derivatele partiale ale functiilor reale de mai multe variabile reale
Denitia 1.1.8. Fie D R
n
(n 2) un domeniu, a = (a
1
, . . . , a
n
) D s i f : D R. Fie i 1, . . . , n. Spunem c a
f este derivabil a partial n raport cu variabila x
i
n punctul a dac a limita
lim
x
i
a
i
f (a
1
, a
2
, . . . , a
i1
, x
i
, a
i+1
, . . . , a
n
) f (a
1
, a
2
, . . . , a
n
)
x
i
a
i
exist a s i este nit a.
Not am aceast a limit a (dac a exist a) cu
f
x
i
(a) sau f

x
i
(a) .
Spunem c a f este derivabil a partial n raport cu x
i
pe D dac a este derivabil a part ial n raport cu x
i
n orice
punct a D. Dac a f este derivabil a part ial n raport cu x
i
pe D atunci se poate vorbi de funct ia part iala a lui f n
raport cu variabila x
i
notat a
f
x
i
s i anume
f
x
i
: D R, x
f
x
i
(x)
Observatia 1.1.4. In cazul n = 2 se noteaz a cu (x, y) n loc de (x
1
, x
2
) punctul curent din R
2
,iar n R
3
se noteaz a
cu (x, y, z) n loc de (x
1
, x
2
, x
3
) . As adar, o funct ie de dou a variabile f : D R, D domeniu, D R
2
este derivabil a
part ial n raport cu x, respectiv cu y n punctul a = (a
1
, a
2
) D, dac a exist a s i este nit a urm atoare limit a
f
x
(a) = lim
xa
1
f (x, a
2
) f (a
1
, a
2
)
x a
1
respectiv
f
y
(a) = lim
ya
2
f (a
1
, y) f (a
1
, a
2
)
y a
2
.
Pentru functii elementare (polinoame, functiile rationale, trigonometrice, exponential a, logaritmic a si
compuneri ale acestora, etc.)
f
x
= f

x
se calculeaz a deriv and f uzual n raport cu x, consider and y ca
parametru, iar
f
y
= f

y
se calculeaz a deriv and f n raport cu y si consider and x ca parametru.
8
Exemplul 1.1.6.
1) Fie f (x, y) = x
2
+xy s i a = (5, 3) , D = R
2
. In acest caz
f
x
(a) = lim
x5
f (x,3)f (5,3)
x5
= lim
x5
x
2
3x10
x5
= lim
x5
(x5) (x+2)
x5
= 7
f
y
(a) = lim
y3
f (5,y)f (5,3)
y+3
= lim
y3
5y+15
y+3
= 5.
In punctul curent avem
f
x
(x, y) = 2x + y s i
f
y
(x, y) = x s i dac a nlocuim x = 5, y = 3 reg asim valorile
anterioare.
2) Dac a f (x, y, z) = x
2
+sinyz, D = R
3
, atunci avem
f
x
: R
3
R,
f
x
(x, y, z) = 2x,
f
y
: R
3
R,
f
y
(x, y, z) = z cos yz,
f
z
: R
3
R, (x, y, z) = y cosyz.
Denitia 1.1.9. Funct ia f se numes te de clas a C
1
pe D s i se noteaz a f C
1
(D) dac a f este derivabil a part ial pe
D n raport cu toate variabilele s i plus, funct iile
f
x
1
, . . . ,
f
x
n
sunt continue pe D.
Observatia 1.1.5. Productivit atile marginale (s i n general costurile, beneciile, c as tigurile marginale) reprezint a
de fapt derivatele part iale de ordinul I ale funct iei care ne d a productivitatea (respectiv costul, beneciul, c as tigul
etc.)
Exemplul 1.1.7. Pentru a ara un teren cu suprafat a de x
1
ha sunt necesare x
2
ore de munc a pe zi. Dup a x
3
zile
de munc a s-au arat y ha de teren.

Intre aceste variabile exist a relat ia:
y = f (x
1
, x
2
, x
3
) = 3x
4
1
x
2
x
3
3
.
S a se determine productivitatea marginal a raportat a la suprafat a terenului, la num arul de ore de munc a pe zi s i
respectiv la num arul de zile de munc a.
Rezolvare:

In cazul problemei noastre vom avea:
f

x
1
(x
1
, x
2
, x
3
) = 12x
3
1
x
2
x
3
3
, productivitatea marginal a raportat a la suprafata de teren,
f

x
2
(x
1
, x
2
, x
3
) = 3x
4
1
x
3
3
, productivitatea marginal a raportat a la num arul orelor de munc a / zi,
f

x
3
(x
1
, x
2
, x
3
) = 9x
4
1
x
2
x
2
3
, productivitatea marginal a raportat a la num arul de zile de lucru.
Observatia 1.1.6. Tot ca s i aplicat ii ale derivatelor part iale se denesc:

(x
k
)
f
(x) =
f

x
k
(x)
f (x)
- rata de schimbare partial a a lui f n raport cu x
k
,

(x
k
)
f
(x) =
x
k
f

x
k
(x)
f (x)
- elasticitatea partial a a lui f n raport cu x
k
.
Diferentiabilitatea functiilor reale de mai multe variabile reale
Denitia 1.1.10. Fie D domeniu, D R
n
, a D s i f : D R. Spunem c a f este diferentiabil a n punctul a
dac a exist a
1
,
2
, . . . ,
n
R s i o funct ie : D R cu lim
xa
(x) = (a) = 0 (deci continu a s i nul a n a) astfel
nc at s a avem
f (x) f (a) =
n

i=1

i
(x
i
a
i
) +(x) [x a[ x D. (1.1)
Spunem c a f este diferentiabil a pe A D dac a este diferent iabil a n orice punct din A.
9
Propozitia 1.1.6. Fie D domeniu, D R
n
, a D s i f : D R. Dac a f este diferent iabil a n a atunci f este
continu a n a.

Intre diferentiabilitatea unei functii ntr-un punct si existenta derivatelor partiale n acel punct exist a
urm atoarea leg atur a:
Propozitia 1.1.7. Fie D domeniu, D R
n
, a D s i f : D R. Dac a f este diferent iabil a n a atunci f admite
derivate part iale n a s i
f
x
i
(a) =
i
pentru orice i = 1, n.
Observatia 1.1.7.
1) Rezultatul precedent implic a faptul c a relat ia de denit ie 1.1 a diferent iabilit at ii devine:
f (x) f (a) =
n

i=1
f
x
i
(a) (x
i
a
i
) +(x) [x a[, x D. (1.2)
2) Reciproca propozit iei precedente este fals a, adic a exist a funct ii care admit derivate part iale ntr-un punct s i
totus i nu sunt diferent iabile n acel punct.
Concret, c and e nevoie s a studiem diferentiabilitatea unei functii ntr-un punct este necesar s a avem
cunoscute conditii suciente de diferentiabilitate. Urm atorul rezultat rezolv a aceast a problem a.
Propozitia 1.1.8. Fie D domeniu, D R
n
, a D s i f : D R. Dac a exist a V vecin atate a punctului a astfel
nc at f are derivate part iale pe V D s i dac a acestea sunt continue n a atunci f este diferent iabil a n a.
Observatia 1.1.8.
1) Dac a f admite derivate part iale continue pe D atunci f este diferent iabil a pe D.
2) Propozit ia precedent a prezint a condit ii suciente de diferent iabilitate dar nu s i necesare.
Diferentiala functiilor reale de mai multe variabile reale
Denitia 1.1.11. Fie D R
n
, un domeniu a D s i f : D R o funct ie diferent iabil a n a. Se numes te
diferential a a functiei f n punctul a notat a df
(a)
, aplicat ia
df
(a)
: R
n
R , df
(a)
(h) =
n

i=1
f
x
i
(a) h
i
. (1.3)
Observatia 1.1.9. 1) Fie D R
n
,un domeniu a D s i f : D R o funct ie diferent iabil a n a. Atunci exist a
: D R, continu a s i nul a n a astfel nc at x D avem
f (x) f (a) =
n

i=1
f
x
i
(a) (x
i
a
i
) +(x) [x a[.
x
i
a
i
se numes te cres terea celui de-al i-lea argument a lui f
_
i = 1, n
_
x a = (x
1
a
1
, x
2
a
2
, . . . , x
n
a
n
) se numes te sistem de cresteri ale argumentelor lui f .
f (x) f (a) se numes te cresterea functiei corespunz atoare sistemului de cres teri x a ale argumentelor.
10
Pentru x sucient de apropiat de a (adic a pentru [x a[ sucient de mic a astfel nc at cantitatea (x) [x a[
poate neglijat a) avemevident f (x)f (a) df
(a)
(x a) adic a df
(a)
aproximeaz a cres terea (sau descres terea)
funct iei f n a corespunz atoare unui sistemxa de cres teri ale argumentelor (deci c and se trece de la punctul
x la punctul a).
2) Consider am funct iile
i
: R
n
R,
i
(x
1
, x
2
, . . . , x
n
) = x
i
, 1 i n.
Avem:

i
x
j
(x) =
_
1, j = i,
0, j i,
_
i, j = 1, n
_
pentru orice x R
n
, deci funct iile
i
admit derivate part iale
continue pe R
n
s i prin urmare sunt diferent iabile n orice punct a R
n
s i
d
i(a)
(x a) =
n

j=1

i
x
j
(a)
_
x
j
a
j
_
= x
i
a
i
, i = 1, n.
Pentru simplicarea notat iilor vom nota d
i (a)
= dx
i
. Cu aceasta relat ia 1.3 se scrie
df
(a)
(x a) =
n

j=1
f
x
i
(a) dx
i
.
Adesea dx
1
, dx
2
, . . . , dx
n
se identic a cu cres terile argumentelor s i avem
df
(a)
(dx
1
, dx
2
, . . . , dx
n
) =
n

i=1
f
x
i
(a) dx
i
.
3) Interpret and produsul simbolic

x
i
f (a) ca ind derivata part ial a a lui f n raport cu x
i
n punctul a
_
i = 1, n
_
se obt ine
df
(a)
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
f (a) , a D. (1.4)
Putem considera astfel operatorul de diferent iere
d =

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
. (1.5)
Exemplul 1.1.8. S a se calculeze diferent iala funct iei f : R
2
R,
f (x, y) = x
3
+2xy
2
+y 1
Rezolvare: Avem:
f
x
(x, y) = 3x
2
+2y
2
;
f
y
(x, y) = 4xy +1;
df
(x,y)
(dx, dy) =
f
x
(x, y)dx +
f
y
(x, y)dy = (3x
2
+2y
2
)dx +(4xy +1)dy.
11
1.1.4 Derivate partiale si diferentiale de ordin superior
Derivate partiale de ordin superior
Denitia 1.1.12. Fie D domeniu, D R
n
, a D s i f : D R o funct ie ce admite derivate part iale pe D .
Dac a derivata
f
x
i
: D R, i = 1, n, este derivabil a n raport cu variabila x
j
, j = 1, n n punctul a D,
numim derivat a partial a de ordinul al doilea n punctul a a funct iei f n raport cu variabilele x
i
, x
j
(n
aceast a ordine) num arul

2
f
x
i
x
j
(a) =

x
j
_
f
x
i
_
(a) , (2.4.1)
Dac a i j, i, j 1, . . . , n atunci derivata

2
f
x
i
x
j
(a)
not
= f

x
i
x
j
(a)
se numes te derivata mixt a n raport cu variabilele x
i
s i x
j
.
Dac a i = j 1, . . . , n atunci vom folosi una dintre notat iile

2
f
x
2
i
(a) = f

x
2
i
(a) .
In general o functie de n variabile reale f are n derivate partiale de ordin nt ai si n
2
derivate partiale de
ordinul doi.
Exemplul 1.1.9. S a calcul am derivatele part iale de ordinul nt ai s i doi pentru funct ia f : R
2
R,
f (x, y) = ln
_
x
2
+y
2
+1
_
Avem:
f
x
(x, y) = f

x
(x, y) =
2x
x
2
+y
2
+1
,
f
y
(x, y) = f

y
(x, y) =
2y
x
2
+y
2
+1
.

2
f
x
2
(x, y) =
_
2x
x
2
+y
2
+1
_

x
=
2(x
2
+y
2
+1)2x2x
(x
2
+y
2
+1)
2
=
2(x
2
+y
2
+1)
(x
2
+y
2
+1)
2
.

2
f
xy
(x, y) =
_
2x
x
2
+y
2
+1
_

y
= 2x
_

2y
(x
2
+y
2
+1)
2
_
=
4xy
(x
2
+y
2
+1)
2
.

2
f
y
2
(x, y) =
_
2y
x
2
+y
2
+1
_

y
=
2(x
2
y
2
+1)
(x
2
+y
2
+1)
2
.
Se observ a c a f

xy
(x, y) = f

yx
(x, y). In general, aceste derivate part iale de ordinul al doilea nu sunt egale. Urm atorul
criteriu stabiles te condit ii suciente pentru ca derivatele part iale mixte s a e egale.
Teorema 1.1.1. (Schwarz). Dac a funct ia f : D R , D domeniu, D R
n
, are derivate part iale de ordinul doi
mixte

2
f
x
i
x
j
s i

2
f
x
j
x
i
, i, j 1, . . . , n , i j, ntr-o vecin atate V a punctului a D s i dac a aceste funct ii derivate
part iale de ordinul doi mixte

2
f
x
i
x
j
s i

2
f
x
j
x
i
sunt continue n a atunci are loc egalitatea:

2
f
x
i
x
j
(a) =

2
f
x
j
x
i
(a) .
Propozitia 1.1.9. Dac a funct ia f : D R, D R
n
are derivate part iale de ordinul doi mixte

2
f
x
i
x
j
s i

2
f
x
j
x
i
, i, j
1, . . . , n , i j, pe D s i sunt funct ii continue pe D atunci ele sunt egale pe D adic a

2
f
x
i
x
j
(x) =

2
f
x
j
x
i
(x) , x D.
Observatia 1.1.10. Condit ia de continuitate a derivatelor mixte este esent ial a.
12
Derivate partiale de ordinul 3 Fie D domeniu, D R
n
, si f : D Ro functie ce admite derivate partiale
de ordinul doi pe D . Atunci putem studia existenta derivatelor partiale de ordinul 3.
Dac a derivata

2
f
x
i
x
j
: D R ( i, j 1, . . . , n)
este derivabil a n raport cu x
k
(k 1, . . . , n) n punctul a D, numimderivat a partial a de ordinul al treilea
n punctul a a functiei f n raport cu variabilele x
i
, x
j
, x
k
(n aceast a ordine) num arul

3
f
x
i
x
j
x
k
(a)
not
= f

x
i
x
j
x
k
(a) =

x
k
_

2
f
x
i
x
j
_
(a) .
Dac a cel putin doi indici dintre i, j, k sunt diferiti derivata se va numi mixt a. In caz contrar, adic a i = j = k,
se obtine derivata de ordinul 3 n raport cu aceiasi variabil a x
i
_
i = 1, n
_
,

3
f
x
3
i
(a) = f

x
3
i
(a) .
Concluzia Teoremei lui Schwarz r am ane adev arat a si pentru derivatele partiale mixte de ordin mai mare
ca doi. De fapt, n ipoteza continuit atii acelor functii derivate mixte de ordin superior, important a este nu
ordinea n care se face derivarea ci variabilele n raport cu care se face derivarea si de c ate ori se deriveaz a
n raport cu o variabil a. De exemplu avem c a

3
f
x
2
y
=

3
f
xyx
=

3
f
yx
2
.
Exemplul 1.1.10. Fie funct ia f : R(0, ) R dat a de f (x, y) = xlny
Derivatele part iale distincte de ordinul doi, trei se calculeaz a astfel:
Calcul am mai nt ai derivatele part iale de ordinul nt ai
f (x,y)
x
= (xlny)

x
= lny,
f
y
(x, y) = (xlny)

y
=
x
y
Calcul am derivatele part iale de ordinul doi distincte

2
f (x,y)
x
2
=

x
_
f
x
(x, y)
_
=

x
(lny) = 0

2
f (x,y)
xy
=

y
_
f
x
(x, y)
_
=

y
(lny) =
1
y
=

2
f (x,y)
y x

2
f (x,y)
y
2
=

y
_
f
y
(x, y)
_
=

y
_
x
y
_
=
x
y
2
.
Calcul am derivatele part iale de ordinul trei distincte

3
f
x
3
(x, y) =

x
_

2
f
x
2
(x, y)
_
=

x
(0) = 0

3
f
x
2
y
(x, y) =

3
f
xyx
(x, y) =

3
f
yx
2
(x, y) =

y
_

2
f
x
2
(x, y)
_
=
=

y
(0) = 0

3
f
xy
2
(x, y) =

3
f
yxy
(x, y) =

3
f
y
2
x
(x, y) =

x
_

2
f
y
2
(x, y)
_
=
=

x
_

x
y
2
_
=
1
y
2

3
f
y
3
(x, y) =

y
_

2
f
y
2
(x, y)
_
=

y
_

x
y
2
_
=
2x
y
3
.
Observatia 1.1.11. In mod analog se pot deni derivate part iale de ordin mai mare ca trei.
13
Diferentiale de ordin superior
In paragraful 1.1.3 a fost introdus a notiunea de diferential a a unei functii n punctul a, notat a df
(a)
.
Aceasta este dat a de df
(a)
: R
n
R, df
(a)
(h) =
n

i=1
f
x
i
(a) h
i
sau dac a not am cu dx = (dx
1
, dx
2
, . . . , dx
m
) cresterile argumentelor atunci
df
(a)
(dx) =
n

i=1
f
x
i
(a) dx
i
.
De asemenea, am introdus operatorul de diferentiere
d =

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
cu ajutorul c aruia se poate scrie
df
(a)
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
f (a) .
Denitia 1.1.13. Fie D domeniu, D R
n
, a D s i f : D R
1) Spunem c a f este de dou a ori diferentiabil a n punctul a sau c a are diferent ial a de ordinul doi n a dac a f
admite derivate part iale n raport cu toate variabilele pe o vecin atate V a lui a s i funct iile derivate part iale
f
x
i
, i 1, . . . , n, (considerate pe V D) sunt diferent iabile n a.
2) Spunem c a funct ia f este diferentiabil a de k ori n punctul a, sau c a are diferent ial a de ordinul k n a dac a
toate derivatele part iale de ordinul k 1 ale lui f exist a ntr-o vecin atate V a lui a s i sunt diferent iabile n
a.
3) Spunem c a funct ia f este diferent iabil a de k ori pe domeniul D dac a este diferent iabil a de k ori n ecare punct
din D.
Prezent am n continuare (f ar a demonstratie) un rezultat care ne d a conditii suciente pentru ca o
functie s a e de k ori diferentiabil a ntr-un punct.
Teorema 1.1.2. Fie D domeniu, D R
n
, a D s i f : D R.Dac a f are ntr-o vecin atate V a lui a toate
derivatele part iale de ordinul k s i dac a aceste funct ii derivate part iale sunt continue n a, atunci f este diferent iabil a
de k ori n a.
Dac a f : D R, D R
2
, a = (a
1
, a
2
) si dac a f este o functie de trei ori diferentiabil a n a atunci
d
2
f
(a
1
,a
2
)
(dx, dy) =

2
f
x
2
(a) dx
2
+2

2
f
xy
(a) dxdy +

2
f
y
2
(a) dy
2
,
respectiv
d
3
f
(a
1
,a
2
)
(dx, dy) =

3
f
x
3
(a) dx
3
+3

2
f
x
2
y
(a) dx
2
dy +
+3

2
f
xy
2
(a) dxdy
2
+

3
f
y
3
(a) dy
3
.
Diferentiala de ordinul k n punctul a se deneste prin egalitatea
14
d
k
f
(a)
(dx) =
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
(k)
f (a) , (1.6)
unde dx = (dx
1
, dx
2
, . . . , dx
m
) iar (k) reprezint a puterea simbolic a-formal a, dup a care se dezvolt a suma din
parantez a si apoi se nmulteste formal cu f (a) .
Relatia 1.6 pune n evident a operatorul de diferentiere de ordinul k.
d
k
=
_

x
1
dx
1
+

x
2
dx
2
+. . . +

x
n
dx
n
_
(k)
care este (formal) puterea de ordinul k a operatorului de diferentiere de ordinul nt ai. Ridicarea la puterea
simbolic a conduce la expresia:
d
k
f
(a)
(dx) =

k
1
+k
2
+...+k
n
=k
k!
k
1
!, k
2
!, . . . , k
n
!

k
f (a)
x
k
1
1
. . . x
k
n
n
dx
k
1
1
dx
k
2
2
. . . dx
k
n
n
.
Exemplul 1.1.11. Scriem diferent ialele de ordinul unu, doi s i trei pentru funct ia: f : R(0, ) R prezentat a
n exemplul 1.1.10.
Diferent iala de ordinul unu este
df
(a
1
,a
2
)
(dx, dy) =
f
x
(a
1
, a
2
) dx +
f
y
(a
1
, a
2
) dy =
= lna
2
dx +
a
1
a
2
dy.
Diferent iala de ordinul doi este
d
2
f
(a
1
,a
2
)
(dx, dy) =

2
f
x
2
(a
1
, a
2
) dx
2
+2

2
f
xy
(a
1
, a
2
) dxdy +
+

2
f
y
2
(a
1
, a
2
) dy
2
=
2
a
2
dxdy
a
1
a
2
2
dy
2
.
Diferent iala de ordinul trei va
d
2
f
(a
1
,a
2
)
(dx, dy) =
3
a
2
2
dxdy
2
+
2a
1
a
3
2
dy
3
.
1.2 Extremele functiilor de mai multe variabile
Optimizarea matematic a se ocup a cu selectarea celui mai bun element dintr-o multime de alternative
disponibile.

In particular, aceasta nseamn a rezolvarea unor probleme n care se caut a extremele (max-
imul sau minimul) unei functii reale.

In acest capitol vom studia problema calculului extremelor unei functii reale de mai multe variabile
reale, precum si aplicatii ale acesteia n domeniul economic, precum problema gestiunii stocurilor sau
ajustarea datelor experimentale.
1.2.1 Extremele functiilor de dou a variabile
Denitia 1.2.1. Fie f o funct ie de dou a variabile f : D R, D R
2
s i (x
0
, y
0
) D un punct interior. Funct ia
f admite un punct de extrem (maxim sau minim) n punctul (x
0
, y
0
) dac a exist a o vecin atate V a punctului
(x
0
, y
0
) astfel nc at oricare ar un punct (x, y) din V
_
D s a avem
f (x, y) f (x
0
, y
0
) 0, pentru (x
0
, y
0
) punct de maxim;
f (x, y) f (x
0
, y
0
) 0, pentru (x
0
, y
0
) punct de minim.
(1.7)
15
Observatia 1.2.1. Punctele de extrem corespunz atoare denit iei de mai sus sunt puncte de extrem local
(maxim local sau minim local).
Exemplul 1.2.1. Fie funct ia de dou a variabile f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
Punctul (1, 1) este un punct de minim local pentru f , deoarece
f (x, y) f (1, 1) 0
pentru orice (x, y) ntr-o vecin atate V a acestuia. Vom vedea n Exemplul 1.2.3 cum se determin a punctul de
extrem (1, 1).
Teorema 1.2.1. (Conditii necesare de extrem local)
Dac a funct ia f : D R, D R
2
are derivatele part iale de ordinul nt ai f

x
s i f

y
continue pe o vecin atate V a
unui punct (x
0
, y
0
) interior domeniului D s i dac a (x
0
, y
0
) este un punct de extrem local, atunci avem:
f

x
(x
0
, y
0
) = 0, f

y
(x
0
, y
0
) = 0 (1.8)
Demonstratie. Presupunem c a (x
0
, y
0
) este punct de maxim local. Atunci
f (x, y
0
) f (x
0
, y
0
) 0
f (x
0
, y) f (x
0
, y
0
) 0,
adic a functiile partiale (de o singur a variabil a)
h(x) = f (x, y
0
) , g (y) = f (x
0
, y)
au n punctele x
0
si y
0
valori maxime locale.

In baza teoremei lui Fermat, derivatele functiilor h si g se
anuleaz a n x
0
, respectiv n y
0
, adic a avem
h

(x
0
) = f

(x
0
, y
0
) = 0
g

(y
0
) = f

(x
0
, y
0
) = 0.

In mod analog se arat a c a dac a (x


0
, y
0
) este un punct de minim local pentru functia f (x, y) atunci au loc
conditiile (1.8).
Denitia 1.2.2. Punctele domeniului D n care derivatele part iale f

x
s i f

y
ale funct iei f se anuleaz a, se numesc
puncte critice sau puncte stationare ale acestei funct ii.
Exemplul 1.2.2. Fie funct ia f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
din Exemplul 1.2.1. Calcul am punctele critice ale lui f . Acestea sunt solut ii ale urm atorului sistem de ecuat ii
_

_
f

x
=
f
x
= 3
_
x
2
y
_
= 0
f

y
=
f
y
= 3
_
y
2
x
_
= 0.
Solut iile reale ale sistemului sunt (punctele) (1, 1) s i (0, 0), acestea ind cele dou a puncte critice ale lui f .
Observatia 1.2.2. Natura punctelor stat ionare, deci a punctelor din domeniul D ce sunt solut ii ale sistemului
de ecuat ii (1.8), se va preciza prin intermediul condit iilor suciente de extrem local, care vor rezulta pe baza
Denit iei 1.2.1.
16
Teorema 1.2.2. (Conditii suciente de extrem local)
Fie funct ia f : D R, D R
2
. Presupunem c a f are derivatele part iale de ordinul nt ai s i doi continue pe o
vecin atate V a unui punct (x
0
, y
0
) interior domeniului D. Dac a (x
0
, y
0
) este un punct critic (stat ionar) al funct iei
f , atunci folosind urm atoarele notat ii
A =

2
f
x
2
(x
0
, y
0
) , B =

2
f
xy
(x
0
, y
0
) , C =

2
f
y
2
(x
0
, y
0
) , D = B
2
AC.
avem urm atoarele situat ii:
1) Dac a D < 0 s i A > 0 atunci (x
0
, y
0
) este un punct de minim local;
2) Dac a D < 0 s i A < 0 atunci (x
0
, y
0
) este un punct de maxim local;
3) Dac a D > 0, atunci (x
0
, y
0
) nu este un punct de extrem;
4) Dac a D = 0, atunci studiul naturii punctului stat ionar (x
0
, y
0
) se face cu ajutorul derivatelor part iale de ordin
superior lui doi.
Exemplul 1.2.3. Fie funct ia f : R
2
R,
f (x, y) = x
3
+y
3
3xy.
din Exemplul 1.2.1 s i 1.2.2. Determin am extremele funct iei f .
Natura acestor dou a puncte stat ionare (1, 1) s i (0, 0) ale lui f se va stabili utiliz and condit iile suciente de
extrem. Avem:
f

x
2
= 6x, f

y
2
= 6y, f

xy
= 3.
Pentru punctul stat ionar (1, 1) avem:
f

x
2
(1, 1) = 6, f

y
2
(1, 1) = 6, f

xy
(1, 1) = 3 s i
D = 9 36 = 27 < 0, A = 6 > 0,
deci punctul (1, 1) este un punct de minim, iar
f
min
= f (1, 1) = 1 +1 3 = 1.
Pentru punctul stat ionar (0, 0) avem D = 9 s i deci acest punct nu este un punct de extrem.
1.2.2 Extremele functiilor de n variabile (n 2)

In cazul functiilor de n variabile avem o extindere reasc a a Denitiei 1.2.1.


Denitia 1.2.3. Fie f : D R, D R
n
o funct ie de n variabile reale s i x
0
=
_
x
0
1
, x
0
2
, . . . , x
0
n
_
un punct interior
lui D. Vom spune c a funct ia f admite un punct de maxim local sau minim local n punctul x
0
dac a exist a o
vecin atate V
x
0 a acestui punct astfel nc at s a avem
f (x) f
_
x
0
_
0, pentru x
0
punct de maxim
f (x) f
_
x
0
_
0, pentru x
0
punct de minim
pentru orice punct x = (x
1
, x
2
, . . . , x
n
) V
x
0
_
D.
Observatia 1.2.3. Punctele de extreme denite mai sus sunt puncte de extrem local. Dac a n = 2 atunci reg asim
denit iile prezentate n cazul unei funct ii de dou a variabile. Condit iile necesare s i suciente de extrem pentru
funct iile de n variabile vor sintetizate n teoremele ce urmeaz a.
17
Teorema 1.2.3. (Conditii necesare de extrem)
Fie f o funct ie denit a ntr-o vecin atate V
x
0 a punctului x
0
=
_
x
0
1
, . . . , . . . , x
0
n
). Dac a acest punct este un punct
de extrem al funct iei f s i dac a n acest punct exist a derivatele part iale de ordinul nt ai f

x
j
, j = 1, n, atunci ele sunt
egale cu zero, adic a avem:
f
x
j
_
x
0
_
=
f
x
j
_
x
0
1
, x
0
2
, . . . , x
0
n
_
= 0, j = 1, n. (1.9)
Denitia 1.2.4. Punctele n care sunt ndeplinite condit iile necesare de extrem ale funct iei f se numesc puncte
critice (sau stationare) ale funct iei.
Exemplul 1.2.4. Fie funct ia de trei variabile f : R
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z.
Calcul am punctele stat ionare ale funct iei f . Avem sistemul de ecuat ii
_

_
f

x
= 2x +1 = 0
f

y
= 2y = 0
f

z
= 2z 2 = 0
care reprezint a condit iile necesare de extrem ale funct iei. Rezolv and acest sistem de ecuat ii obt inem doar o solut ie
x
0
=
1
2
, y
0
= 0, z
0
= 1
s i deci g asim punctul stat ionar (x
0
, y
0
, z
0
) =
_

1
2
, 0, 1
_
.
Teorema 1.2.4. (Conditii suciente de extrem)
Fie f o funct ie de n variabile denit a ntr-o vecin atate V
x
0 a punctului x
0
=
_
x
0
1
, x
0
2
, . . . , x
0
n
_
s i cu derivatele
part iale de ordinul doi continue n vecin atatea V
x
0 . Dac a x
0
este un punct stat ionar al funct iei f s i
d
2
f
(x
0
)
(dx) =
n

i,j=1

2
f
x
i
x
j
_
x
0
_
dx
i
dx
j
> 0 (respectiv < 0), dx
atunci punctul x
0
este un punct de minim local (respectiv punct de maxim local). Dac a d
2
f
(x
0
)
ia valori de semne
diferite, atunci punctul x
0
nu este punct de extrem.
Observatia 1.2.4. Teorema de mai sus ne arat a c a pentru a stabili natura punctelor stat ionare, deci natura
punctelor care sunt solut ii ale sistemului de ecuat ii
f
x
j
(x
1
, x
2
, . . . , x
n
) = f

x
j
_
x
1
, x
2
, . . . , x
j
, . . . , x
n
_
= 0, j = 1, n
trebuie s a determin am diferent iala de ordinul doi corespunz atoare funct iei f
d
2
f (dx) =

2
f
x
2
1
dx
2
1
+

2
f
x
2
2
dx
2
2
+. . . +

2
f
x
2
n
dx
2
n
+
+2
_

2
f
x
1
x
2
dx
1
dx
2
+. . . +

2
f
x
n1
x
n
dx
n1
dx
n
_
s i apoi s a stabilim semnul ei n care rolul variabilelor este jucat de cres terile (dx
1
, dx
2
, . . . , dx
n
), pentru ecare
punct stat ionar.
18
Exemplul 1.2.5. Fie funct ia de trei variabile f : R
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z
din Exemplul 1.2.4. Calcul am diferent iala de ordinul doi a lui f s i ncerc am s a-i stabilim semnul.
Calcul am mai nt ai derivatele part iale de ordinul doi ale funct iei:
f

x
2
= 2, f

xy
= f

yx
= 0f

xz
= f

zx
= 0, f

y
2
= 2, f

yz
= f

zy
= 0, f

zz
= 2.
Diferent iala de ordinul doi n punctul stat ionar (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este
d
2
f
(x
0
,y
0
,z
0
)
(dx, dy, dz) = f

x
2
(x
0
, y
0
, z
0
) dx
2
+f

y
2
(x
0
, y
0
, z
0
) dy
2
+
+f

z
2
(x
0
, y
0
, z
0
) dz
2
+2f

xy
(x
0
, y
0
, z
0
) dxdy +
+2 f

xz
(x
0
, y
0
, z
0
) dxdz +2f

yz
(x
0
, y
0
, z
0
) dydz
= 2dx
2
+2dy
2
+2dz
2
> 0.
Conform Teoremei 1.2.4, punctul (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este punct de minim local.
Observatia 1.2.5. Pentru ecare punct stat ionar x
0
diferent iala de ordinul doi (3.2.3) poate scris a sub forma
matriceal a
d
2
f
(x
0
)
(dx) = (dx
1
, dx
2
, . . . , dx
n
)
_

2
f
x
2
1

2
f
x
1
x
2
. . .

2
f
x
1
x
n

2
f
x
2
x
1

2
f
x
2
2
. . .

2
f
x
2
x
n
. . . . . . . . . . . .

2
f
x
n
x
1

2
f
x
n
x
2
. . .

2
f
x
2
n
_

_
x
0
.
H(x
0
)

_
dx
1
dx
2
.
.
.
dx
n
_

_
unde matricea p atratic a s i simetric a de ordinul n se numes te matricea hessian a asociat a funct iei f n punctul
stat ionar x
0
s i se noteaz a H
_
x
0
_
.
Introduc and notat iile
a
sj
= f

x
s
x
j
_
x
0
_
=

2
f
x
s
x
j
_
x
0
_
, s, j = 1, n,
matricea hessian a H
_
x
0
_
are forma:
H
_
x
0
_
=
_

_
a
11
a
21
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
_

_
,
care este o matrice simetric a deoarece sunt ndeplinite condit iile din teorema lui Schwarz, deci avem egalit at ile
a
sj
= f

x
s
x
j
= f

xjx
s
= a
js
, s, j = 1, n.
Not and prin A
1
= a
11
, A
2
=

a
11
a
12
a
21
a
22

, A
3
=

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

, . . . ,
A
n
=

a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn

minorii principali ai matricei H(x


0
), putem formula criteriul lui Sylvester.
19
Teorema 1.2.5. (Criteriul lui Sylvester)
1) Dac a minorii principali ai matricei hessiene H
_
x
0
_
sunt pozitivi, adic a sunt ndeplinite inegalit at ile:
A
1
> 0, A
2
> 0, A
3
> 0, . . . , A
n
> 0, (1.10)
atunci punctul stat ionar x
0
este un punct de minim al funct iei f .
2) Dac a minorii principali ai matricei hessiene H
_
x
0
_
au semne alternate, ncep and cu semnul minus, deci dac a
avem:
A
1
< 0, A
2
> 0, A
3
< 0, . . . , (1)
n
A
n
> 0, (1.11)
atunci punctul stat ionar x
0
este un punct de maxim al funct iei f .
Observatia 1.2.6. Pentru n = 2, deci dac a este vorba de extremele unei funct ii de dou a variabile f matricea
hessian a are forma
H
_
x
0
_
=
_

_
f

x
2
1
f

x
1
x
2
f

x
2
x
1
f

x
2
2
_

_
x
0
=
_
A B
B C
_
.
Dac a sunt ndeplinite condit iile (1.10), obt inem
A
1
= A = f

x
2
1
(x
0
) > 0, A
2
=
_
AC B
2
_
= D > 0
s i deci punctul x
0
este un punct de minim pentru funct ia f .
Dac a sunt ndeplinite condit iile (1.11), obt inem
A
1
= A = f

x
2
1
(x
0
) < 0, A
2
=
_
AC B
2
_
= D > 0
s i deci punctul x
0
este un punct de maxim pentru funct ia f .
Exemplul 1.2.6. Fie funct ia de trei variabile f : R
3
R,
f (x, y, z) = x
2
+y
2
+z
2
+x 2z
din Exemplele 1.2.4 s i 1.2.5. Determin am extremele funct iei f folosind criteriul lui Sylvester.
Matricea hessiana asociat a funct iei f n punctul stat ionar (x
0
, y
0
, z
0
) = (
1
2
, 0, 1) este
H(x
0
, y
0
, z
0
) =
_

_
2 0 0
0 2 0
0 0 2
_

_
.
Deoarece sunt ndeplinite condit iile
A
1
= 2 > 0, A
2
= 4 > 0, A
3
= 8 > 0,
conform cazului 1) din criteriul lui Sylvester rezult a c a punctul stat ionar unic al funct iei f este un punct de
minim local pentru funct ia dat a s i avem
f
min
= f (x
0
, y
0
, z
0
) = f
_

1
2
, 0, 1
_
=
9
4
.
20
1.2.3 Ajustarea datelor experimentale
S a presupunem c a ntr-un proces concret particip a dou a m arimi m asurabile ale c aror valori s a e notate
cu x si y. Dependenta dintre cele dou a m arimi poate descris a de o functie f : R R cu ajutorul relatiei
y = f (x). Determinarea functiei f este o problem a central a n orice stiint a experimental a. Informatii utile
n rezolvarea acestei probleme sunt perechi de valori determinate experimental pentru cele dou a m arimi,
dar si cunoasterea tipului dependentei respective.
Valorile determinate experimental sunt n mod obiectiv afectate de erori de m asurare. Recunoasterea
acestui fapt subliniaz a importanta cunostintelor teoretice despre procesul n discutie.

In cele ce urmeaz a vomconsidera un procedeu de determinare a unor functii care s a constituie aproxim ari
acceptabile pentru functia f numite ajustarea datelor experimentale.

In ajustarea datelor experimentale se accept a c a dependenta este de un anumit tip (de exemplu y =
P
m
(x), unde P
m
este o functie polinomial a de grad cel mult m) si se caut a acea dependent a care

ajusteaz a
cel mai bine valorile determinate experimental.

In continuare, pentru a folosi limbajul uzual n teoria aproxim arii, vom utiliza termenul de polinom si
c and este vorba de functie polinomial a.
Metoda celor mai mici p atrate
S a presupunem c a legile teoretice care guverneaz a procesul n care apar cele dou a m arimi m asurabile ne
asigur a c a dependenta dintre aceste dou a m arimi este descris a de relatia y = f (x), unde f T, unde T este
o clas a precizat a de functii reale de o variabil a real a. Se pune atunci problema determin arii acelei functii f
din clasa T care d a c at mai bine dependenta lui y de x n procesul concret respectiv.
S a admitem c a n observatii experimentale asupra procesului respectiv dau pentru x si y valorile din
tabelul urm ator:
x x
1
x
2
x
n
y y
1
y
2
y
n
Problema pus a revine la determinarea functiei f din clasa T ale c arei valori n punctele x
1
, x
2
, . . . , x
n

s a
se apropie c at mai mult de datele determinate experimental.
O m asur a a

apropierii functiei f de datele experimentale este


n

i=1
(f (x
i
) y
i
)
2
.
Denitia 1.2.5. Determinarea funct iei f din clasa T pentru care expresia
n

i=1
(f (x
i
) y
i
)
2
are cea mai mic a valoare posibil a se numes te ajustarea datelor experimentale din tabelul
x x
1
x
2
x
n
y y
1
y
2
y
n
cu metoda celor mai mici p atrate.

In cele ce urmeaz a vom considera cazul c and T este clasa functiilor polinomiale de grad cel mult m n
nedeterminata x, adic a
T =
_
P
m
(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
m
x
m
a
k
R, k = 0, m
_
.
A determina functia f revine atunci la a determina coecientii a
0
, a
1
, . . . , a
m
.
21
Not am
F(a
0
, a
1
, . . . , a
m
) =
n

i=1
(P
m
(x
i
) y
i
)
2
.
Problema pus a se reduce atunci la problema determin arii punctului de minim al functiei F, de unde si
numele metodei.
Punctele stationare ale functiei F sunt solutiile sistemului
F

a
j
(a
0
, a
1
, . . . , a
m
) = 0, j = 0, m.
Efectu and calculele si f ac and urm atoarele notatii
s
l
=
n

i=1
x
l
i
si t
l
=
n

i=1
x
l
i
y
i
,
se ajunge la
F

a
j
(a
0
, a
1
, . . . , a
m
) = 2
_

_
m

k=0
s
k+j
a
k
t
j
_

_
,
astfel nc at sistemul care d a punctele stationare ale functiei F este
m

k=0
s
k+j
a
k
= t
j
, j = 0, m,
adic a
_

_
s
0
a
0
+s
1
a
1
+ +s
m
a
m
= t
0
s
1
a
0
+s
2
a
1
+ +s
m+1
a
m
= t
1
. . .
s
m
a
0
+s
m+1
a
1
+ +s
2m
a
m
= t
m
.
Acest sistem este numit sistemul normal.
Sistemul normal poate scris dac a se cunosc sumele s
0
, s
1
, . . . , s
2m
si sumele t
0
, t
1
, . . . , t
m
. Aceste sume
pot determinate complet and tabelul urm ator
x
0
i
x
1
i
x
2
i
x
2m
i
x
0
i
y
i
x
1
i
y
i
x
m
i
y
i
1 x
1
x
2
1
x
2m
1
y
1
x
1
y
1
x
m
1
y
1
1 x
2
x
2
2
x
2m
2
y
2
x
2
y
2
x
m
2
y
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
x
2m
n
y
n
x
n
y
n
x
m
n
y
n

s
0
s
1
s
2
s
2m
t
0
t
1
t
m
n care coloanele x
1
i
si x
0
i
y
i
sunt date de tabelul de date experimentale
x x
1
x
2
x
n
y y
1
y
2
y
n
restul coloanelor se pot determina usor, (0
0
va interpretat 1), iar n ultima linie gureaz a sumele
elementelor din cele n linii precedente.
T in and cont de faptul c a s
l
=
n

i=1
x
l
i
, l = 0, 2m, se poate ar ata c a determinantul sistemului normal este
diferit de zero, adic a
22

s
0
s
1
s
m
s
1
s
2
s
m+1

s
m
s
m+1
s
2m

0,
deci sistemul normal este un sistem compatibil determinat.
Fie (a
0
, a
1
, . . . , a
m
) solutia unic a a sistemului normal. Atunci punctul (a
0
, a
1
, . . . , a
m
) este punctul stationar
unic al functiei F.
Av and n vedere c a F este o sum a de p atrate:
F(a
0
, a
1
, . . . , a
m
) =
n

i=1
(P
m
(x
i
) y
i
)
2
,
se poate ar ata c a dac a F are un punct de extrem nit atunci el este punct de minim si c a punctul stationar
(a
0
, a
1
, . . . , a
m
) este ntotdeauna punctul de minim al functiei F.

In acest fel, etapa a doua a procedeului de determinare a extremelor functiei F nu mai trebuie par-
curs a si deci polinomul (de grad cel mult m) care ajusteaz a n sensul metodei celor mai mici p atrate datele
experimentale considerate este
P
m
(x) = a
0
+a
1
x +a
2
x
2
+ +a
m
x
m
.
Observatia 1.2.7. Dac a m = 1, n locul expresiei

s a se determine polinomul de ajustare de grad cel mult unu, se


mai utilizeaz a expresia

s a se ajusteze cu o dreapt a, iar dac a m = 2, n locul expresiei

s a se determine polinomul
de ajustare de grad cel mult doi, se mai utilizeaz a expresia

s a se ajusteze cu o parabol a. Aceste exprim ari se


bazeaz a pe faptul c a imaginea geometric a a unui polinom de gradul nt ai este o dreapt a, iar imaginea geometric a
a unui polinom de gradul doi este o parabol a.
Exemplul 1.2.7. S a se ajusteze cu o dreapt a s i cu o parabol a datele experimentale din tabelul
x -1 0 1 2
y -3 1 0 3
1. Pentru ajustarea cu o dreapt a,
m = 1, f = a
0
+a
1
x,
_
s
0
a
0
+s
1
a
1
= t
0
s
1
a
0
+s
2
a
1
= t
1
2. Pentru ajustarea cu o parabol a,
m = 2, f = a
0
+a
1
x +a
2
x
2
,
_

_
s
0
a
0
+s
1
a
1
+s
2
a
2
= t
0
s
1
a
0
+s
2
a
1
+s
3
a
2
= t
1
s
2
a
0
+s
3
a
1
+s
4
a
2
= t
2
Pentru calcularea valorilor s
0
, s
1
, s
2
, s
3
, t
0
, t
1
si t
2
, folosim tabelul
x
0
i
x
1
i
x
2
i
x
3
i
x
4
i
y
i
y
i
x
i
y
i
x
2
i
1 1 1 1 1 3 3 3
1 0 0 0 0 1 0 0
1 1 1 1 1 0 0 0
1 2 4 8 16 3 6 12
4 2 6 8 18 1 9 9
s
0
s
1
s
2
s
3
s
4
t
0
t
1
t
2
23
1. Pentru m = 1, f = a
0
+a
1
x si sistemul normal este:
_
4a
0
+2a
1
= 1
2a
0
+6a
1
= 9
Solutia unic a a sistemuluieste (a
0
, a
1
) = (
3
5
,
8
5
).
Polinomul de ajustare de grad cel mult 1 este
P(x) =
3
5
+
8
5
x.
Dreapta de ajustare are ecuatia: y =
3
5
+
8
5
x.
2. Pentru m = 2, f = a
0
+a
1
x +a
2
x
2
si sistemul normal este
_

_
4a
0
+2a
1
+6a
2
= 1
2a
0
+6a
1
+8a
2
= 9
6a
0
+8a
1
+18a
2
= 9
Solutia sistemului: (a
0
, a
1
, a
2
) = (
7
20
,
39
20
,
1
4
).
Parabola de ajustare are ecuatia
y =
7
20
+
39
20
x
1
4
x
2
.
Observatia 1.2.8.

In aplicat ii se utilizeaz a, pe l ang a funct iile polinomiale, s i funct iile exponent iale, logaritmice,
trigonometrice, etc. Evident, n asemenea cazuri sistemul normal este altul mai complicat s i mai dicil de rezolvat.
1.3 Exercitii si probleme rezolvate
Problema 1.3.1. S a se studieze existent a limitei funct iilor de mai jos n punctele specicate iar atunci c and este
cazul s a se calculeze aceste limite.
a) f (x, y) =
x
2
+y
2
x+y
, (0, 0); b) f (x, y) =
xy

xy+11
, (0, 0); c) f (x, y) =
x
2
y
2
x
2
+y
2
, (0, 0).
Rezolvare. a) Domeniul de denitie al functiei este D = R
2
(0, 0) . (0, 0) nu apartine domeniului D dar
este punct de acumulare al s au. Avem:
f (x, y) =
x
2
+y
2
x+y

x
2
+y
2
+2xy
x+y
=
(x+y)
2
x+y
= x +y
si cum lim
(x,y)(0,0)
(x +y) = 0, din criteriul major arii, rezult a c a
l = lim
(x,y)(0,0)
f (x, y) = 0.
b) f este denit a pentru
_
xy +1 0
_
xy +1 1 0
adic a pe D = (x, y) R
2
xy 1, xy 0
l = lim
(x,y)(0,0)
f (x, y) = lim
(x,y)(0,0)
xy

xy+11
=
= lim
(x,y)(0,0)
xy
_
xy+1+1
_
xy
= lim
(x,y)(0,0)
_
_
xy +1 +1
_
= 2.
c) Domeniul de denitie al functiei este D = R
2
(0, 0).
lim
(x,y)(0,0)
f (x, y) = lim
x0,y=mx
f (x, y) = lim
x0
x
2
m
2
x
2
x
2
+m
2
x
2
= lim
x0
x
2
(1m
2
)
x
2
(1+m
2
)
=
1m
2
1+m
2
,
depinde de m si deci f nu are limit a n (0, 0).
Problema 1.3.2. S a se cerceteze continuitatea funct iei
f (x, y) =
_

_
1cos(x
3
+y
3
)
x
2
+y
2
, dac a (x, y) (0, 0)
0, dac a (x, y) = (0, 0)
24
Rezolvare. f este continu a pe R
2
(0, 0)ind o functie compusa de functii elementare. Mai r am ane de
studiat continuitatea n punctul (0, 0). Avem:
l = lim
(x,y)(0,0)
1cos(x
3
+y
3
)
x
2
+y
2
= lim
(x,y)(0,0)
2sin
2
_
x
3
+y
3
2
_
x
2
+y
2
=
= lim
(x,y)(0,0)
2
sin
2
_
x
3
+y
3
2
_
_
x
3
+y
3
2
_
2

_
x
3
+y
3
2
_
2
x
2
+y
2
=
1
2
lim
(x,y)(0,0)
(x
3
+y
3
)
2
x
2
+y
2
.
Pentru a calcula limita l, aplic am inegalitatea Cauchy-Schwarz-Buniakowsky:
(x
3
+y
3
)
2
= (x x
2
+y y
2
)
2
(x
2
+y
2
)(x
4
+y
4
) (x
2
+y
2
)
3
Avem
0 l
1
2
lim
(x,y)(0,0)
(x
2
+y
2
)
3
x
2
+y
2
=
1
2
0 = 0 = f (0, 0)
adic a f este continu a si n origine si deci continu a pe tot spatiul R
2
.
Problema 1.3.3. Folosind denit ia s a se calculeze
f
x
,
f
y
n punctele precizate, pentru funct ia de mai jos:
f (x, y) = x
2
+y
2
+xy, (2, 1)
Rezolvare.
f
x
(2, 1) = lim
x2
f (x,1)f (2,1)
x2
= lim
x2
(x
2
+1+x)(4+1+2)
x2
=
lim
x2
x
2
+x6
x2
= lim
x2
(x +3) = 5
f
y
(2, 1) = lim
y1
f (2,y)f (2,1)
y1
= lim
y1
(4+y
2
+2y)(4+1+2)
y1
=
lim
y1
y
2
+2y3
y1
= lim
y1
(y +3) = 4
Problema 1.3.4. S a se calculeze derivatele part iale de ordinul nt ai pentru urm atoarele funct ii:
a) f : D R, f (x, y) = x
2
+y
2
3axy
b) f : D R, f (x, y) =
y
x
c) f : D R, f (x, y) = ln
_
x +
_
x
2
+y
2
_
(D este domeniul maxim de denit ie.)
Rezolvare. a)
f
x
(x, y) = (x
2
+y
2
3axy)

x
= 2x 3ay
f
y
(x, y) = (x
2
+y
2
3axy)

y
= 2y 3ax
b)
f
x
(x, y) =
_
y
x
_

x
=
y
x
2
si
f
y
(x, y) =
_
y
x
_

y
=
1
x
c)
f
x
(x, y) =
_
ln
_
x +
_
x
2
+y
2
__

x
=
1
x+

x
2
+y
2
_
x +
_
x
2
+y
2
_

x
=
1

x
2
+y
2
f
y
(x, y) =
1
x+

x
2
+y
2
_
x +
_
x
2
+y
2
_

y
=
y
_
x+

x
2
+y
2
_
x
2
+y
2
Problema 1.3.5. S a se scrie diferent ialele de ordinele unu, doi s i trei pentru funct ia f (x, y) = ln(xy) cu xy > 0
Rezolvare. Derivatele partiale sunt:
f (x,y)
x
=
1
x
,
f (x,y)
y
=
1
y

2
f (x,y)
x
2
=
1
x
2
,

2
f (x,y)
xy
= 0,

2
f (x,y)
y
2
=
1
y
2

3
f (x,y)
x
3
=
2
x
3
,

3
f (x,y)
x
2
y
= 0,

3
f (x,y)
xy
2
= 0,

3
f (x,y)
y
3
=
2
y
3
Diferentiala de ordinul intai este: df
(x,y)
(dx, dy) =
f (x,y)
x
dx +
f (x,y)
y
dy =
1
x
dx +
1
y
dy
Diferentiala de ordinul doi este:
d
2
f
(x,y)
(dx, dy) =

2
f (x,y)
x
2
dx
2
+2

2
f (x,y)
xy
dxdy +

2
f (x,y)
y
2
dy
2
=
1
x
2
dx
2

1
y
2
dy
2
25
Diferentiala de ordinul trei va :
d
3
f
(x,y)
(dx, dy) =
_

x
dx +

y
dy
_
(3)
f (x, y) =

3
f (x,y)
x
3
dx
3
+3

3
f (x,y)
x
2
y
dx
2
dy +3

3
f (x,y)
xy
2
dxdy
2
+
+

3
f (x,y)
x
3
dy
3
=
2
x
3
dx
3
+
2
y
3
dy
3
Problema 1.3.6. O fabric a produce dou a tipuri de bunuri. Costul producerii acestor bunuri este dat prin funct ia
f (x, y), unde x s i y reprezint a cantit at ile produse din ecare tip de produs. S a se minimizeze costul c and
f (x, y) = x
3
+y
3
9xy +100.
Rezolvare. Pentru nceput determin am punctele stationare.
_

_
f (x,y)
x
= 3x
2
9y = 0
f (x,y)
y
= 3y
2
9x = 0
Solutiile sistemului, adic a (0, 0) si (3, 3), vor punctele stationare ale functiei f . Derivatele partiale de
ordinul doi vor

2
f (x,y)
x
2
= 6x,

2
f (x,y)
xy
= 9,

2
f (x,y)
y
2
= 6y
si deci diferentialele de ordinul doi calculate n punctele stationare vor
d
2
f
(0,0)
(dx, dy) = 18dxdy
si d
2
f
(3,3)
(dx, dy) = 18dx
2
18dxdy +18dy
2
Matricea asociat a primei diferentiale de ordinul doi este A =
_
0 9
9 0
_
Folosind aceast a matrice putem arma c a punctul stationar (0, 0) nu este punct de extrem local.
Matricea asociat a celei de-a doua diferentiale este
A =
_
18 9
9 18
_

1
2
L
1
+L
2
L
2
_
18 9
0
27
2
_

1
2
C
1
+C
2
C
2
_
18 0
0
27
2
_
= D.
Din forma matricei D rezult a c a forma p atratic a asociat a celei de-a doua diferentiale este pozitiv denit a.
Deci punctul stationar (3, 3) este un punct de minim local. Valoarea minim a a costului este f
min
= f (3, 3) =
73.
Problema 1.3.7. Fie datele numerice
x 1 0 1 2
y 2 1 2 11
S a se ajusteze aceste date numerice:
a) printr-un polinom de gradul nt ai (o dreapt a)
b) printr-un polinom de gradul doi (o parabol a)
Rezolvare. a) Avem gradul polinomului m = 1, deci pentru scrierea sistemului normal trebuie calculate
sumele s
0
, s
1
, s
2
si sumele t
0
si t
1
.
x
0
i
x
1
i
x
2
i
x
0
i
y
i
x
1
i
y
i
1 1 1 2 2
1 0 0 1 0
1 1 1 2 2
1 2 4 11 22

4 2 6 16 22
Deci s
0
= 4, s
1
= 2, s
2
= 6, t
0
= 16 si t
1
= 22. Sistemul normal este:
26
_
4a
0
+2a
1
= 16
2a
0
+6a
1
= 22
Solutia unic a a acestui sistem este: a
0
=
13
5
, a
1
=
14
5
Atunci polinomul de ajustare de grad cel mult unu este P
1
(x) =
13
5
+
14
5
x,iar dreapta de ajustare este
dreapta de ecuatie y =
13
5
+
14
5
x.
b) Av and m = 2, pentru scrierea sistemului normal vom calcula sumele s
0
= 4, s
1
= 2, s
2
= 6, s
3
= 8,
s
4
= 18, t
0
= 16, t
1
= 22, t
2
= 48.
Sistemul normal va :
_

_
4a
0
+2a
1
+6a
2
= 16
2a
0
+6a
1
+8a
2
= 22
6a
0
+8a
1
+18a
2
= 48
ce admite solutia unic a a
0
=
1
10
, a
1
=
3
10
, a
2
=
25
10
.Polinomul de ajustare de grad cel mult 2 este P
2
(x) =
1
10
+
3
10
x +
25
10
x
2
iar parabola de ajustare este parabola de ecuatie: y = 0, 1 +0, 3x +2, 5x
2
1.4 Teme de control
Problema 1.4.1. S a se studieze existent a limitelor funct iilor de mai jos n punctele specicate iar atunci c and este
cazul s a se calculeze aceste limite:
a) f (x, y) =
sin(x
3
+y
3
)
x
2
+y
2
, (0, 0); b) f (x, y) =
y
2
+x
y
2
x
, (0, 0); c) f (x, y) =
_
1 x
2
y
2
,
_
1
2
,
1
2
_
.
R aspuns. a) D = R
2
(0, 0), l = 0, b) D = (x, y) R
2
x 0, y 0, x y
2
, nu exist a limita lui f ,
c) D = (x, y) R
2
x
2
+y
2
1 este discul cu centrul n originea axelor de coordonate si de raz a 1, l =

2
2
.
Problema 1.4.2. S a se cerceteze continuitatea urm atoarelor funct ii:
f (x, y) =
_

_
3xy
2
2x
2
+9y
4
, dac a (x, y) (0, 0)
0, dac a (x, y) = (0, 0)
R aspuns. f continu a pe R
2
(0, 0)
Problema 1.4.3. S a se calculeze derivatele part iale de ordinul nt ai pentru urm atoarele funct ii:
a) z = f (x, y) =
xy
x+y
, b) z = f (x, y) =
x

x
2
+y
2
, c) z = arctg
y
x
R aspuns. a)
z
x
=
2y
(x+y)
2
,
z
x
=
2x
(x+y)
2
, b)
z
x
=
y
2
3
_
(x
2
+y
2
)
2
,
z
y
=
y
2
3
_
(x
2
+y
2
)
2
,c)
z
x
=
y
x
2
+y
2
,
z
y
=
x
x
2
+y
2
,
Problema 1.4.4. S a se calculeze derivatele part iale de ordinul doi s i trei pentru funct ia f (x, y, z) = x
2
yz
3
R aspuns. a)

2
f (x,y,z)
x
2
= 2yz
2
,

2
f (x,y,z)
y
2
= 0,

2
f (x,y,z)
z
2
= 6x
2
yz,

2
f (x,y,z)
xy
= 2xz
3
,

2
f (x,y,z)
xz
= 6xyz
2
,

2
f (x,y,z)
yz
=
3x
2
z
2

3
f (x,y,z)
x
3
= 0,

3
f (x,y,z)
x
2
y
= 2z
2
,

3
f (x,y,z)
x
2
z
= 4yz,

3
f (x,y,z)
y
3
= 0,

3
f (x,y,z)
y
2
z
= 0,

3
f (x,y,z)
z
3
= 6x
2
y

3
f (x,y,z)
xy
2
= 0,

3
f (x,y,z)
xyz
= 4xz,

3
f (x,y,z)
xz
2
= 12xyz,

3
f (x,y,z)
yz
2
= 6x
2
z
Problema 1.4.5. S a se scrie diferent ialele de ordinele doi s i trei pentru funct ia f (x, y) = x
2
xy+2y
3
+3x5y+10
R aspuns. d
2
f
(x,y)
(dx, dy) = 2dx
2
2dxdy +12ydy
2
, d
3
f
(x,y)
(dx, dy) = 12dy
3
Problema 1.4.6. S a se determine punctele de extrem local pentru funct ia f (x, y) = 2x
2
+ 2xy 5y
2
+ 6x + 6y,
(x, y) R
2
,
R aspuns. f
max
= f (2, 1) = 9
27
Problema 1.4.7. Se consider a datele numerice:
x 2 0 1 2
y 48 32 9 8
S a se ajusteze aceste date numerice printr-o dreapt a s i g asit i apoi valoarea lui y n punctul x = 3.
R aspuns. y = 10, 89x +26, 97, y(3) = 5, 69
Rezumat modul
In acest capitol s-au prezentat denitii si concepte de baza legate de functiile reale de mai multe variabile
reale cum sunt: elemente de topologie ale spatiului R
n
, limite de functii si continuitatea lor de la R
n
la R,
derivate partiale si diferentiala. Au fost prezentate notiunile de derivate partiale si derivate de ordin supe-
rior, extremele functiilor de mai multe variabile (conditii necesare si suciente pentru existenta extremelor
locale). De asemenea s-au prezentat si notiuni legate de ajustarea prin metoda celor mai mici patrate a
datelor experimentale.
Bibliograe modul
1. Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009
2. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2011
1.5 Integrale Euleriene
Sub denumirea de integrale euleriene vom studia trei integrale improprii des folosite n teoria proba-
bilit atilor si n diverse alte domenii ale matematicii aplicate.
1.5.1 Integrala lui Euler de speta nt ai. Functia beta
Denitia 1.5.1. Se numes te integrala lui Euler de speta nt ai integrala
_
1
0
x
p1
(1 x)
q1
dx,
care pentru p < 1 este o integral a improprie av and ca punct critic pe 0 s i pentru q < 1 este o integral a improprie
av and ca punct critic pe 1.
Observatia 1.5.1. Integrala improprie
_
1
0
x
p1
(1 x)
q1
dx
este convergent a dac a p > 0 s i q > 0 s i este divergent a n celelalte cazuri. De fapt dac a p 1 s i q 1 atunci ea este
o integral a propriu-zis a (proprie).
Denitia 1.5.2. Funct ia real a de dou a variabile reale B : (0, ) (0, ) R denit a prin relat ia
B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx.
se numes te functia lui Euler de speta nt ai sau functia beta.
28
Propriet ati ale functiei Beta
(B1) B(p, 1) =
1
p

Intr-adev ar,
B(p, 1) =
_
1
0
x
p1
(1 x)
11
dx =
_
1
0
x
p1
dx =
x

1
0
=
1
p
.

In particular, pentru p = 1 se obtine


B(1, 1) = 1.
(B2) B
_
1
2
,
1
2
_
= .

Intr-adev ar, avem


B
_
1
2
,
1
2
_
=
_
1
0
x
1
2
1
(1 x)
1
2
1
dx =
_
1
0
1
_
x(1 x)
dx,
integral a pe care o putem calcula utiliz and substitutia lui Euler
_
x(1 x) = tx,
de unde se g aseste
x = (t) =
1
1 +t
2
si deci

(t) =
2t
(1 +t
2
)
2
.
Pentru ca x = 0 trebuie ca t = si pentru ca x = 1 trebuie ca t = 0.
Deci
_
1
0
1
_
x(1 x)
dx =
_
0

1
t .
1
1+t
2
2t
(1 +t
2
)
2
dt = 2
_
0

1
1 +t
2
dt =
= 2
_

0
1
1 +t
2
dt = 2arctg t

0
= 2
_

2
0
_
= .
(B3) B(p, q) = B(q, p).

Intr-adev ar, avem


B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx
din care, f ac and substitutia x = (t) = 1 t se obtine
B(p, q) =
_
1
0
(1 t)
p1
(1 (1 t))
q1
(1 t)

dt =
=
_
1
0
(1 t)
p1
t
q1
dt =
_
1
0
t
q1
(1 t)
p1
dt =
=
_
1
0
x
q1
(1 x)
p1
dx = B(q, p).
29
(B4) Dac a p > 1 atunci
B(p, q) =
p 1
p +q 1
B(p 1, q).

Intr-adev ar, dac a integr am prin p arti pun and


f (x) = x
p1
si g

(x) = (1 x)
q1
obtinem
B(p, q) =
_
1
0
x
p1
(1 x)
q1
dx = x
p1
q
(1 x)
q
q

1
0

_
1
0
(p 1)x
p2
.
(1 x)
q
q
dx =
=
p 1
q
_
1
0
x
p2
(1 x)
q
dx =
=
p 1
q
_
1
0
x
p2
(1 x)(1 x)
q1
dx =
=
p 1
q
_
1
0
(x
p2
x
p1
)(1 x)
q1
dx =
=
p 1
q
_
1
0
[x
p2
(1 x)
q1
x
p1
(1 x)
q1
]dx =
=
p 1
q
__
1
0
x
p2
(1 x)
q1
dx
_
1
0
x
p1
(1 x)
q1
dx
_
=
=
p 1
q
[B(p 1, q) B(p, q)] .
Deci am obtinut egalitatea
B(p, q) =
p 1
q
[B(p 1, q) B(p, q)] ,
din care se obtine imediat
B(p, q) =
p 1
p +q 1
B(p 1, q) .
Mention am c a ipoteza p > 1 este necesar a pentru ca p 1 > 0 si deci B(p 1, q) s a existe.
Proprietatea (B4) demonstrat a aici permite micsorarea cu o unitate a primului argument al functiei
B. Ea poate utilizat a succesiv at ata timp c at primul argument r am ane pozitiv.
(B5) Dac a q > 1 atunci
B(p, q) =
q 1
p +q 1
B(p, q 1).
Aceast a proprietate rezult a usor din propriet atile (B4) si (B3).

Intr-adev ar, avem succesiv
30
B(p, q) = B(q, p) =
q 1
p +q 1
B(q 1, p) =
q 1
p +q 1
B(p, q 1).
Proprietatea (B5) permite micsorarea cu o unitate a celui de al doilea argument al functiei B. Ea poate
de asemenea utilizat a succesiv at ata timp c at al doilea argument r am ane pozitiv.
Observ am astfel c a prin utilizarea convenabil a a propriet atilor (B4) si (B5) se poate calcula B(p, q)
pentru p > 1 si q > 1 dac a se cunoaste B(p, q), unde x noteaz a partea fractionar a a lui x.
Exist a tabele cu valori ale lui B(p, q) pentru 0 < p 1 si 0 < q 1.
Exemplul 1.5.1. Exemplu de utilizare a propriet at ilor (B4) s i (B5):
B
_
3
2
,
5
2
_
=
3
2
1
3
2
+
5
2
1
B
_
3
2
1,
5
2
_
=
1
6
B
_
1
2
,
5
2
_
=
=
1
6
5
2
1
1
2
+
5
2
1
B
_
1
2
,
5
2
1
_
=
1
6

3
4
B
_
1
2
,
3
2
_
=
=
1
6

3
4

3
2
1
1
2
+
3
2
1
B
_
1
2
,
3
2
1
_
=
1
6

3
4

1
2
B
_
1
2
,
1
2
_
=
=
1
6

3
4

1
2
=
1
16
.
(B6) Dac a m N

si n N

atunci
B(m, n) =
(m1)! (n 1)!
(m+n 1)!
.
Aceast a relatie rezult a din utiliz ari succesive ale propriet atilor (B4) si (B5). De exemplu:
B(5, 4) =
4! 3!
8!
=
1
280
.
(B7) Dac a 0 < p < 1 atunci
B(p, 1 p) =

sin p
.
Omitem aici demonstrarea acestei propriet ati. Din (B7) se obtine imediat (B2) lu and p =
1
2
B
_
1
2
, 1
1
2
_
=

sin

2
= .
31
1.5.2 Integrala lui Euler de speta a doua. Functia gama
Denitia 1.5.3. Se numes te integrala lui Euler de speta a doua integrala
_

0
x
a1
e
x
dx,
care este o integral a improprie (av and limita superioar a de integrare ) s i n plus dac a a < 1 are punct critic s i pe
0.
Observatia 1.5.2. Integrala improprie
_

0
x
p1
e
x
dx este convergent a dac a p > 0 s i este divergent a dac a p 0.
Denitia 1.5.4. Funct ia real a de o variabil a real a : (0, ) R denit a prin relat ia
(p) =
_

0
x
p1
e
x
dx.
se numes te functia lui Euler de speta a doua sau functia gama.
Propriet ati ale functiei Gama
(1) (1) = 1.

Intr-adev ar, avem


(1) =
_

0
x
11
e
x
dx =
_

0
e
x
dx = e
x

0
= 0 (1) = 1.
(2) Dac a p > 1, atunci
(p) = (p 1)(p 1).

Intr-adev ar, dac a integr am prin p arti pun and f (x) = x


p1
si g

(x) = e
x
, avem succesiv
(p) =
_

0
x
p1
e
x
dx = x
p1
(e
x
)

_

0
(p 1)x
p2
(e
x
)dx =
x
p1
e
x

0
+
+(p 1)
_

0
x
p2
e
x
dx = (p 1)(p 1).
Mention am c a ipoteza p > 1 este necesar a pentru a exista (p 1).
Proprietatea 2) permite micsorarea cu o unitate a argumentului functiei gama. Prin utiliz ari succe-
sive ale acestei propriet ati, calculul lui (p) pentru p > 1 poate redus la calculul lui (p).
Exist a tabele cu valori ale functiei gama pentru 0 < p 1.
(3) Dac a m N

, atunci
(m) = (m1)!
Proprietatea 3) sugereaz a faptul c a functia gama este o generalizare a factorialului.
32
Observatia 1.5.3. Dac a n proprietatea B6) a funct iei beta,
B(m, n) =
(m1)! (n 1)!
(m+n 1)!
,
utiliz am n locul factorialului valori ale funct iei gama date de proprietatea 3) obt inem
B(m, n) =
(m) (n)
(m+n)
, m, n N

.
(4) Aceast a relatie dintre functiile beta si gama r am ane adev arat a si pentru argumente reale, adic a are
loc proprietatea
B(p, q) =
(p) (q)
(p +q)
, p > 0 si q > 0
cunoscut a sub denumirea de relatia lui Euler.
(5)
_
1
2
_
=

Intr-adev ar, dac a n relatia lui Euler lu am a = b =


1
2
, obtinem
B
_
1
2
,
1
2
_
=

_
1
2
_

_
1
2
_

_
1
2
+
1
2
_ .
Dar B
_
1
2
,
1
2
_
= , iar (1) = 1, deci
=
_

_
1
2
__
2
,
din care rezult a
_
1
2
_
=

.
1.5.3 Integrala Euler-Poisson
Denitia 1.5.5. Integrala improprie
_

0
e
x
2
dx
se numes te integrala Euler-Poisson.
Observatia 1.5.4. Prin calcule elementare se g asesc urm atoarele rezultate
_

e
x
2
dx =

s i
_

x
2
2
dx =

2.
33
1.5.4 Exercitii si probleme rezolvate
Problema 1.5.1. S a se calculeze valorile funct iilor lui Euler:
a) (6), b)
_
5
2
_
, c) B(3, 5), d) B
_
3
2
,
1
2
_
, e) B
_
1
4
,
5
4
_
Solutie:
a) (6) = 5! = 120
b)
_
5
2
_
=
_
5
2
1
_

_
5
2
1
_
=
3
2

_
3
2
_
=
3
2
_
3
2
1
_

_
3
2
1
_
=
3
2
1
2

_
1
2
_
=
3

4
c) B(3, 5) =
(31)!(51)!
(3+51)!
=
2! 4!
7!
=
48
5040
=
1
105
d) B
_
3
2
,
1
2
_
=
(
3
2
)(
1
2
)
(
3
2
+
1
2
)
=
1
2

1!
=

2
e) B
_
1
4
,
7
4
_
=
7
4
1
1
4
+
7
4
1
B
_
1
4
,
3
4
_
=
3
4
1
B
_
1
4
,
3
4
_
=
3
4

sin

4
=
3
4

2
2
=
3
2

2
Problema 1.5.2. Folosind integralele euleriene s a se calculeze integralele:
a)
_
b
a
dx

(xa)(bx)
, b)
_

2
xe
2x
dx, c)
_

0
3

x
1+x
2
dx.
Solutie:
a) Facem schimbarea de variabil a
xa
ba
= t, dx = (b a) dt
Limitele de integrare:
_
x = a, t = 0
x = b, t = 1
_
Deci,
_
b
a
dx

(xa)(bx)
=
_
1
0
(ba)dt

(ba)t(ba)(1t)
=
_
1
0
dt

t(1t)
=
_
1
0
t

1
2
(1 t)

1
2
dt = B
_
1
2
,
1
2
_
=
b) Facem schimbarea de variabil a
x 2 = t dx = dt Obtinem astfel:
_

2
xe
2x
dx =
_

0
(t +2) e
t
dt =
_

0
te
t
dt +2
_

0
e
t
dt = (2) +(1) = 1! +2 1 = 3
c) Facem schimbarea de variabil a
x
2
=
t
1t
, dx =
1
2
_
t
1t
_

1
2 1
(1t)
2
dt
_

0
3

x
1+x
2
dx =
_
1
0
(
t
1t
)
1
6
1+
t
1t
1
2
_
t
1t
_

1
2 1
(1t)
2
dt =
1
2
_
1
0
t
1
6

1
2
(1 t)

1
6
+1+
1
2
2
dt
=
1
2
_
1
0
t

1
3
(1 t)

2
3
dt =
1
2
B
_
2
3
,
1
3
_
=
1
2
B
_
1
3
,
2
3
_
=
1
2

sin

3
=
1
2

3
2
=

3
.
1.5.5 Teme de control
Problema 1.5.3. S a se calculeze valorile funct iilor lui Euler:
a) (8), b)
_
9
2
_
, c)B(2, 2), d) B
_
3
2
,
3
2
_
,
R aspuns:
a) 5040, b)
105

16
, c)
1
6
, d)

8
Problema 1.5.4. Folosind integralele euleriene s a se calculeze:
a)
_
1
0

x
5
x
6
dx, b)
_
2
0
sin
4
x cos
2
xdx, c)
_

0
x
3
dx
(1+x
3
)
2
, d)
_

0
x
2
e

x
5
dx, e)
_

0
3

x
(1+x)
4
dx
R aspuns:
a)
5
2
7
, b)

8
, c)
2

3
27
, d) 250, e)
10

3
3
5
34
Rezumat
In aceasta unitate au fost introduse si studiate notiunile privind integralele Euler de speta intai (functia
beta), de speta a doua (functia gama), proprietatile acestora, precum si integrala Euler-Poisson.
Bibliograe
1. Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009
2. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj-Napoca, 2011.
35
2 MODULUL II. Teoria probabilitatilor
Obiective
Denirea si studiul principalelor proprietati ale conceptelor de baza din teoria probabilitatilor.
Crearea la studenti a unor deprinderi de utilizare a tehnicilor probabilistice si de folosire a acestora
in scop aplicativ.
Fundamentarea probabilistica a statisticii matematice.
Concepte de baza
Eveniment aleator, probabilitate, probabilitate conditionata, scheme clasice de probabilitate.
Variabila aleatoare, functie de probabilitate a unei variabile aleatoare discrete, functie de repartitie a
unei variabile aleatoare, densitate de probabilitate, functia de repartitie a unei variabile aleatoare de
tip continuu.
Caracteristici numerice ale variabilelor aleatoare (media, dispersia, momente, corelatia)
Repartitii clasice.
Rezultate asteptate
Se urmareste buna intelegere de catre studenti a tehnicilor de abordare probabilistica a fenomenelor
aleatoare, utilizarea adecvata a schemelor probabilistice care modeleaza astfel de fenomene, intelegerea
conceptului de variabila aleatoare, precum si formarea deprinderilor de calcul ale caracteristicelor nu-
merice pentru variabilelor aleatoare. Se doreste ca studentii sa inteleaga foarte bine semnicatia carac-
teristicilor pe care le calculeaza si, de asemenea sa inteleaga motivele aplicarii teoriei probabilitatilor in
statistica matematica.
UNITATEA 1. C amp de evenimente. C amp de probabilitate. Scheme
clasice de probabilitate.
2.1 C amp de evenimente, c amp de probabilitate
2.1.1 Corp de p arti ale unei multimi
Denitia 2.1.1. Se numes te corp de p arti ale mult imii nevide orice familie nevid a K P() unde P() este
mult imea p art ilor lui , astfel nc at
a) A K= C
A
K unde C
A
= A;
b) A, B K= A
_
B K.
Propozitia 2.1.1. Fie K un corp de p art i ale mult imii nevide . Atunci:
1) , K;
2) A, B K= A
_
B K;
3) A, B K= AB K.
Demonstratie.
36
1) K nevid a = (A K = C
A
K) = A
_
C
A
K = K = C

K = K. Deci , K.
2) A, B K =C
A
, C
B
K = C
A
_
C
B
K
De Morgan
= C
A
_
B
K = C
_
C
A
_
B
_
K = A
_
B K.
3) A, B K = A, C
B
K =A
_
C
B
K =AB K.

Observatia 2.1.1. Prin denit ie, un corp de p art i K este nchis fat a de trecerea la complementar a s i fat a de
reuniune. Denit ia corpului de p art i garanteaz a s i nchiderea sa fat a de reuniunea sau diferent a de mult imi.
Prin induct ie matematic a rezult a c a un corp de p art i este nchis s i fat a de reuniunea sau intersect ia nit a
oarecare de mult imi adic a pentru orice A
1
, A
2
, . . . , A
n
K, (n 3) avem s i
n
_
i=1
A
i
K respectiv
n
_
i=1
A
i
K.
De asemenea, un corp de p art i cont ine n mod necesar submult imile improprii s i .
Exemplul 2.1.1. 1) Dac a atunci K= P() este un exemplu (banal) de corp de p art i ale lui .
2) Fie = 1, 2, 3, 4, 5, 6. Atunci
K=, , 1, 6 , 2, 3 , 4, 5 , 1, 2, 3, 6 , 1, 4, 5, 6 , 2, 3, 4, 5
este un corp de p art i ale lui .
2.1.2 C amp de evenimente
Vom ntelege prin experiment aleator orice experiment al c arui rezultate, considerate din punct de vedere
al unui anumit criteriu, nu sunt cunoscute nainte de efectuarea experimentului (repet and un astfel de
eveniment, n conditii identice, se pot obtine rezultate diferite, nu se poate preciza rezultatul ci se poate
face doar o list a cu rezultatele posibile). Orice rezultat posibil n urma unui experiment aleator se numeste
eveniment aleator. Evenimentele care nu se pot realiza drept consecint a a realiz arii altora se numesc
evenimente elementare. Consider am, de exemplu, experimentul arunc arii unui zar (obisnuit, nem asluit)
si evalu am rezultatul din punct de vedere al aparitiei (non-aparitiei) vreunora dintre fetele de la 1 la 6.
Folosim notatii de tipul ce urmeaz a:
A = 1 aparitia fetei 1.
B = 1, 4 aparitia vreuneia dintre fetele 1 sau 4.
C = 2, 5, 6 aparitia vreuneia dintre fetele 2,5 sau 6,etc.
A este evenimente elementar (analog 2 , 3 , 5 , 6) dar B nu este elementar (B se poate realiza ca si
consecint a a realiz arii lui A). Vom reveni ulterior, cu mai mult a rigoare, asupra conceptului de experiment
elementar.
Not am cu multimea tuturor evenimentelor elementare generate de un experiment aleator.

In con-
tinuare ne este comod s a trat am aceast a multime ca o multime de puncte pentru care submultimile re-
duse la un punct cores-pund evenimentelor elementare. se mai numeste si multime fundamental a (de
referint a) sau spatiu de selectie. Orice alt eveniment poate asimilat cu o submultime a spatiului
(n exemplul de mai sus avem = 1, 2, 3, 4, 5, 6 si A, B, C ). In particular, corespunde evenimentu-
lui const and n realizarea a cel putin unuia dintre evenimentele elementare posibile ceea ce se nt ampl a
la orice efectuare a evenimentului si de aceea acest eveniment se numeste eveniment cert sau sigur. Un
alt eveniment particular este cel care corespunde multimii vide si care revine la nerealizarea nici unui
eveniment elementar posibil, ceea ce este imposibil la orice efectuare a experimentului si din acest motiv
acest eveniment se numeste eveniment imposibil. Vom p astra pentru evenimentul sigur si evenimentul
imposibil aceleasi notatii si respectiv ca si pentru submultimile lui c arora le corespund.
Fie c multimea tuturor evenimentelor aleatoare generate de un experiment aleator.
Denitia 2.1.2. Fie A, B c. Se numes te intersectie a evenimentelor A s i B, notat a A
_
B, evenimentul care
se realizeaz a dac a s i numai dac a se realizeaz a at at A c at s i B. Se numes te reuniune a evenimentelor A s i B,
37
notat a A
_
B, evenimentul care se realizeaz a dac a s i numai dac a se realizeaz a cel put in unul dintre evenimentele
A s i B. Se numes te diferent a a evenimentelor A s i B, notat a AB, evenimentul care se realizeaz a atunci c and se
realizeaz a A dar nu s i B (adic a A B = A
_
C
B
). Se numes teeveniment complementar evenimentului A, notat
C
A
, evenimentul care se realizeaz a dac a s i numai dac a nu se realizeaz a A (evenimentul complementar lui A se mai
numes te s i eveniment contrar lui A s i se mai noteaz a A sau nonA).
Observatia 2.1.2. 1) Pe c s-au evident iat legile interne de compozit ie (binare):
_
,
_
, : c c c,
(A, B) A
_
B, (A, B) A
_
B, (A, B) A B
s i legea de compozit ie intern a (unar a) C : c c, A C
A
.
2) Cum A B = A
_
C
B
, A, B c vom urm ari n continuare doar propriet at i ale legilor
_
,
_
, C (propriet at ile
legii

rezult a din propriet at ile legilor

_
s i

C).
Din denitiile de mai sus se obtin rezultatele din urm atoarea propozitie.
Propozitia 2.1.2. Pentru orice A, B, C c au loc propriet at ile:
a) asociativitate: (A
_
B)
_
C = A
_
(B
_
C),
(A
_
B)
_
C = A
_
(B
_
C).
b) comutativitate: A
_
B = B
_
A, A
_
B = B
_
A.
c) distributivitate:
A
_
(B
_
C) = (A
_
B)
_
(A
_
C), A
_
(B
_
C) = (A
_
B)
_
(A
_
C).
d) idempotent a: A
_
A = A, A
_
A = A.
e) A
_
C
A
= , A
_
C
A
= , A
_
= A, A
_
= , A
_
= , A
_
= A.
Denitia 2.1.3. Fie A, B c. Se spune c a evenimentul A implic a evenimentul B (sau c a B este implicat de
A) s i se scrie A B (respectiv B A) dac a realizarea lui A antreneaz a neap arat s i realizarea lui B.
Observatia 2.1.3. 1) Relat ia de implicat ie se poate deni s i cu ajutorul

_
sau

_
. Mai precis, pentru A, B c
avem A B A
_
B = A A
_
B = B.
Cum A
_
= s i A
_
= A rezult a c a As i A adic a avem A , A c.
2) Relat ia de implicat ie este o relat ie de ordine part ial a pe c (adic a este reexiv a, antisimetric a s i tranzitiv a).
Intr-adev ar avem:
a) A c =A A. (reexivitate)
b) A, B c, A B s i B A =A = B. (antisimetrie)
c) A, B c, A B s i B C =A C.
3) Se poate ar ata c a dac a A, B c, A
_
B = s i A
_
B = atunci A = C
B
sau, echivalent, B = C
A
.

In particular, cum A
_
C
A
= s i A
_
C
A
= avem C(C
A
) = A s i de asemenea din
_
= ,
_
=
rezult a c a = C

s i = C

.
Utiliz and aceast a observatie se poate demonstra propozitia de mai jos (pe care o admitemf ar a demonstratie).
Propozitia 2.1.3. (relatiile lui De Morgan)
Pentru orice A, B c avem C
A
_
B
= C
A
_
C
B
s i C
A
_
B
= C
A
_
C
B
.
38
Denitia 2.1.4. Se spune c a evenimentele A, B c sunt incompatibile dac a ele nu se pot realiza simultan, adic a
A
_
B = .
Denitia 2.1.5. Se spune c a evenimentul A c este eveniment elementar dac a B c, B A rezult a c a B =
sau B = A (adic a A nu poate implicat dec at de c atre evenimentul imposibil sau de c atre el nsus i).
Observatia 2.1.4. 1. Mai sus am constatat c a evenimentele aleatoare generate de un experiment aleator pot
concepute ca ind submult imi ale unei mult imi de referint a adic a c se poate asimila cu o familie de
submult imi ale lui nchis a fat a de operat iile cu mult imi s i care nu este neap arat P(). Motivele pentru
care nu orice submult ime a lui este eveniment dep as esc cadrul acestui curs ind deci omise. Se poate
ar ata ns a c a c se poate asimila cu un corp de p art i (, K), pentru care elementele din K corespund bijectiv
cu elementele din c (n particular mult imea din K corespunde evenimentului imposibil din c mult imea
de referint a din K corespunde evenimentului sigur din c), reuniunea a dou a mult imi din K corespunde
reuniunii (n sensul din c) a evenimentelor din c corespunz atoare celor dou a mult imi, etc.
2.

In cele de mai sus am presupus implicit c a este o mult ime nit a. S a consider am acum, din nou, experimentul
arunc arii zarului s i urm arimevenimentul A const and n faptul c a fat a 5 (de exemplu) s a apar a pentru prima
dat a la o aruncare de ordin par (dup a un num ar impar de neaparit ii).
Not and cu A
k
evenimentul ca fat a 5 s a apar a pentru prima dat a la a k-a aruncare ( k N

) avem
A = A
2
_
A
4
_
A
6
_
. . .
_
A
2k
_
. . .
_
. . . =

_
k=1
A
2k
s i suntem condus i la a considera o innitate num arabil a
(un s ir) de evenimente elementare = w
1
, w
2
, . . . , w
n
, . . . unde w
n
= A
n
, n N

) s i la a cere ca c s a e
nchis a s i fat a de reuniunea num arabil a (nu numai nit a) de evenimente.

In fapt, se poate ar ata riguros, n
astfel de cazuri c se poate asimila cu un -corp de p art i (, K).
Din aceast a observatie ca si din cea precedent a rezult a c a putem opera cu evenimentele utiliz and limba-
jul teoriei multimilor si de aceea, n continuare, structurile de evenimente se denesc (din punct de vedere
formal) direct ca structuri de multimi. Se justic a astfel denitia care urmeaz a.
Denitia 2.1.6. Se numes te c amp de evenimente orice corp de p art i (, K) al unei mult imi nevide . Se
numes te -c amp de evenimente orice -corp de p art i (, K) al unei mult imi nevide .
Observatia 2.1.5. Intr-un c amp de evenimente, relat iile lui De Morgan se pot generaliza pentru s iruri de
evenimente adic a avem:
C
_

_
n=1
A
n
_
=

_
n=1
C
A
n
s i C
_

_
n=1
A
n
_
=

_
n=1
C
A
n
.
2.1.3 C amp de probabilitate
Denitia 2.1.7. (denitia axiomatic a a probabilit atii)
Fie (, K) un c amp de evenimente. Se numes te probabilitate pe K orice aplicat ie P : KR astfel nc at
P1) P(A) 0, A K;
P2) P(A
_
B) = P(A) +P(B), A, B K cu A
_
B = ;
P3) P() = 1.
Se numes te c amp de probabilitate orice triplet (, K, P), unde (, K) este un c amp de evenimente iar P peste
o probabilitate pe K.
Propozitia 2.1.4. Fie (, K, P) un c amp de evenimente. Atunci:
a) P () = 0;
b) P (C
A
) = 1 P (A) , A K;
39
c) P (B A) = P (B) P (A) , A, B K, A B;
d) P (B A) = P (B) P (A
_
B) , A, B K;
e) P (A
_
B) = P (A) +P (B) P (A
_
B) , A, B K.
Demonstratie.
a)
_
= = P (
_
) = P () si cum
_
= rezult a din P2) c a P (
_
) = P () + P (), adic a
avem P () +P () = P () sau 1 +P () = 1, de unde P () = 0.
b) A K avem A
_
C
A
= , de unde P (A
_
C
A
) = P (), sau P (A
_
C
A
)
= 1, iar din A
_
C
A
= rezult a conform P2) c a P (A
_
C
A
) = P (A) + P (C
A
). Pentru orice A K avem
deci P (A) +P (C
A
) = 1, adic a P (C
A
) = 1 P (A).
c) A, B K, A B = B = A
_
(BA), si cum A
_
(BA) = = P (B) = P (A
_
(BA))
P2
= P (A) +
P (BA) =P (BA) = P (B) P (A).
d) A, B K =BA = B(A
_
B) cu A
_
B B
c)
=P (BA) = P (B) P (A
_
B).
e) A, B K =A
_
B = A
_
(B(A
_
B)) cu
A
_
(B(A
_
B)) = = P (A
_
B) = P (A
_
(B(A
_
B)))
P2)
= P (A) + P (B(A
_
B))
c)
= P (A) + P (B)
(A
_
B) pentru c a A
_
B B.

Consecinte.
1. Dac a A, B K, cu A B =P (A) P (B). (monotonie)

Intr-adev ar, P (BA) 0


c)
=P (B) P (A) 0 =P (B) P (A).
2. A K=0 P (A) 1.
Cum A K avem A , folosind consecinta precedent a, obtinem P () P (A) P () sau
0 P (A) 1.
3. Prin inductie matematic a, folosind P2), rezult a c a dac a A
1
, A
2
, . . . , A
n
K, cu A
i
_
A
j
= , i = 1, n, i j,
atunci P
_
n
_
i=1
A
i
_
=
n

i=1
P (A
i
) (probabilitatea unei reuniuni nite de evenimente incompatibile dou a
c ate dou a este suma probabilit atilor evenimentelor reuniunii).
Comportamentul probabilit atii fat a de o reuniune nit a de evenimente oarecare (nu mai sunt in-
compatibile dou a c ate dou a) din K este dat de propozitia care urmeaz a, obtinut a tot prin inductie
matematic a pornind de la subpunctul e) din Propozitia 2.1.4.
Propozitia 2.1.5. (formula de adunare a probabilit atilor sau formula lui Poincar e)
Fie (, K, P) un c amp de probabilitate s i A
1
, A
2
, . . . , A
n
K. Atunci
P
_

_
n
_
i=1
A
i
_

_
=
n

i=1
P (A
i
)
n

i,j=1
i<j
P
_
A
i
_
A
j
_
+
+
n

i,j,k=1
i<j<k
P
_
A
i
_
A
j
_
A
k
_
. . . +(1)
n1
P
_

_
n
_
i=1
A
i
_

_
.
40
Observatia 2.1.6. Dac a A, B, C, D K avem evident
a) P (A
_
B
_
C) = P (A) +P (B) +P (C) P (A
_
B) P (A
_
C) P (B
_
C) +P (A
_
B
_
C);
b) P (A
_
B
_
C
_
D) = P (A) +P (B) +P (C) +P (D) P (A
_
B) P (A
_
C) P (A
_
D) P (B
_
C) P (B
_
D)
P (C
_
D) +
P (A
_
B
_
C) +P (A
_
B
_
D) +P (A
_
C
_
D) +P (B
_
C
_
D)
P (A
_
B
_
C
_
D).
Propozitia 2.1.6. (inegalitatea lui Boole)
Fie (, K, P) un c amp de probabilitate s i (A
n
)
nN
un s ir de evenimente din K. Atunci
P
_

_
n=1
A
n
_

_
1

n=1
(1 P (A
n
)) .
Observatia 2.1.7. Inegalitatea lui Boole este adev arat a s i pentru un c amp de probabilitate. Dac a A
1
, A
2
, . . . , A
n
K atunci
P
_

_
n
_
i=1
A
i
_

_
1
n

i=1
(1 P (A
i
)) =
n

i=1
P (A
i
) (n 1) .
Observatia 2.1.8. Fie = w
1
, w
2
, . . . , w
n
s i K= P(). Pe c ampul de evenimente (, K) se consider a probabili-
tatea P cu proprietatea
P (w
1
) = P (w
2
) = . . . = P (w
n
)
_
=
1
n
_
.
Dac a A =
_
w
i
1
, w
i
2
, . . . , w
i
k
_
K atunci
P (A) = P
_

_
k
_
j=1
_
w
i
j
_
_

_
=
k

j=1
P
__
w
i
j
__
=
k

j=1
1
n
=
k
n
.
Se obt ine astfel o alt a denit ie a probabilit at ii, adev arat a ntr-un cadru mult mai restrictiv dec at cel din Denit ia 2.1.7
dar extrem de utilizat a n numeroase cazuri practice s i constituind, din punct de vedere istoric, prima denit ie
dat a conceptului de probabilitate.
Denitia 2.1.8. (denitia clasic a a probabilit atii)
Probabilitatea unui eveniment A, generat de un experiment aleator care genereaz a un c amp nit de proba-
bilitate cu evenimente elementare egal probabile, este egal a cu raportul dintre num arul evenimentelor elementare
favorabile realiz arii lui A s i num arul total de evenimente elementare posibile:
P(A) =
num ar de cazuri favorabile
num ar de cazuri posibile
.
2.1.4 Probabilit ati conditionate. Independenta evenimentelor
In paragraful precedent, printre alte propriet ati, s-au studiat si propriet ati care ar atau comportamen-
tul probabilit atii fat a de reuniunea evenimentelor. In acest paragraf vom urm ari comportamentul prob-
abilit atii fat a de intersectia evenimentelor, propriet ati grupate ntr-un paragraf separat tocmai datorit a
importantei deosebite pe care o au n aplicatiile practice.
Denitia 2.1.9. Fie (, K, P) un c amp de probabilitate s i A K cu P(A) 0. Se numes te probabilitatea
evenimentului X K conditionat a de evenimentul A, notat a P(X
A
), raportul
P(X
A
) =
P(X
_
A)
P(A)
.
41
Observatia 2.1.9. Avem P(X
_
A) = P(A) P(X
A
). Dac a A, B K, P (A) 0, P (B) 0, atunci
P
_
A
_
B
_
= P (A) P (B
A
) = P (B) P(A
B
).
Am obt inut un prim rezultat care indic a comportamentul probabilit at ii fat a de intersect ie.
Propozitia 2.1.7. Fie (, K, P) un c amp de probabilitate s i A K cu P (A) 0. Atunci, aplicat ia P
A
: KR,
P
A
(X) = P(X
A
) este de asemenea o probabilitate pe K, adic a (, K, P
A
) este tot un c amp de probabilitate.
Demonstratie. Veric am conditiile P1), P2), P3) din Denitia 2.1.7.
P1) X K=P
A
(X) =
P(X
_
A)
P(A)
=
0
>0
0;
P2) X, Y K cu X
_
Y = =
P
A
_
X
_
Y
_
=
P ((X
_
Y)
_
A)
P (A)
=
P ((X
_
A)
_
(Y
_
A))
P (A)
X
_
A, Y
_
A
=
incomp
=
P (X
_
A) +(Y
_
A)
P (A)
=
P (X
_
A)
P (A)
+
P (Y
_
A)
P (A)
=
= P
A
(X) +P
A
(Y) ;
P3) P
A
() =
P(
_
A)
P(A)
=
P(A)
P(A)
= 1.

Observatia 2.1.10. Analog, pornind de la c ampul de probabilitate (, K, P) s i A K cu P (A) 0, se obt ine


c ampul de probabilitate (, K, P
A
), unde P
A
: KR, P
A
(X) = P(X
A
).
Propozitia 2.1.8. (formula de nmultire a probabilit atilor)
Fie (, K, P) un c amp de probabilitate s i A
1
, A
2
, . . . , A
n
K astfel nc at P
_
n1
_
i=1
A
i
_
0. Atunci
P
_

_
n
_
i=1
A
i
_

_
= P (A
1
) P (A
2
A
1
) P
_
A
3

A
1
_
A
2
_
. . . P
_

_
A
n
n1
_
i=1
A
i
_

_
.
Denitia 2.1.10. Fie (, K, P) un c amp de probabilitate. Se spune c a evenimentele A
1
, A
2
, . . . , A
n
K formeaz a
un sistem complet de evenimente dac a
a) P (A
i
) 0, i = 1, n;
b) A
i
_
A
j
0, i, j = 1, n, i j;
c)
n
_
i=1
A
i
= .
Observatia 2.1.11. Evenimentele A
1
, A
2
, . . . , A
n
K formeaz a un sistem complet de evenimente dac a s i numai
dac a la orice efectuare a experimentului se realizeaz a unul s i numai unul dintre evenimentele sistemului. Un
exemplu banal de sistemcomplet de evenimente este sistemul A, C
A
unde A K, P (A) 0. Renunt and la condit ia
a) (cerut a aici pentru comoditate) mult imea tuturor evenimentelor elementare (poate o innitate num arabil a)
ale unui c amp de evenimente ofer a un alt exemplu de sistem complet de evenimente.
Propozitia 2.1.9. (formula probabilit atii totale)
Fie (, K, P) un c amp de probabilitate s i A
1
, A
2
, . . . , A
n
Kun sistem complet de evenimente iar X K. Atunci
P (X) =
n

i=1
P (A
i
) P
_
X

A
i
_
.
42
Demonstratie.
Avem X =
_
X =
_
n
_
i=1
A
i
_
_
X =
n
_
i=1
(A
i
_
X) unde evenimentele A
i
_
X, i = 1, n sunt incompatibile
dou a c ate dou a. Deci
P (X) =
n

i=1
P
_
A
i
_
X
_
=
n

i=1
P (A
i
) P
_
X
A
i
_
.

Propozitia 2.1.10. (formula lui Bayes)


Fie (, K, P) un c amp de probabilitate s i A
1
, A
2
, . . . , A
n
K un sistem complet de evenimente iar X K astfel
nc at P (X) 0. Atunci, pentru orice j 1, 2, . . . , n xat, avem
P
_
A
j

X
_
=
P
_
A
j
_
P
_
X

A
j
_
n

i=1
P (A
i
) P
_
X

A
i
_
.
Demonstratie.
Pentru orice j 1, 2, . . . , n xat, avem
P
_
A
j
_
X
_
= P
_
A
j
_
P
_
X

A
j
_
= P (X) P
_
X

A
j
_
de unde
P
_
A
j

X
_
=
P
_
A
j
_
P
_
X

A
j
_
P (X)
.
Din formula probabilit atii totale rezult a
P
_
A
j

X
_
=
P
_
A
j
_
P
_
X

A
j
_
n

i=1
P (A
i
) P
_
X

A
i
_
.

Denitia 2.1.11. Fie (, K, P) un c amp de probabilitate s i A, B K. Se spune c a A s i B sunt independente dac a


P
_
A
_
B
_
= P (A) P (B) .
Observatia 2.1.12. Denit ia independent ei a dou a evenimente, dat a formal mai sus, este echivalent a cu armat ia
c a A s i B sunt independente dac a nu se condit ioneaz a reciproc. Fie A, B K astfel nc at P (A) 0, P (B) 0 s i A, B
independente n sensul Denit iei 2.1.11. Atunci
P (A
B
) =
P (A
_
B)
P (B)
=
P (A) P (B)
P (B)
= P (A)
s i
P (B
A
) =
P (B
_
A)
P (A)
=
P (B) P (A)
P (A)
= P (B) ,
adic a faptul c a B nu condit ioneaz a pe Aeste surprins n relat ia P (A
B
) = P (A) s i analog faptul c a Anu condit ioneaz a
pe B rezult a din egalitatea P (B
A
) = P (B) .
Propozitia 2.1.11. Fie (, K, P) un c amp de probabilitate s i A, B K. Dac a A s i B sunt independente, atunci
(C
A
s i B), (C
B
s i A), (C
A
s i C
B
) sunt de asemenea independente.
43
Denitia 2.1.12. Fie (, K, P) un c amp de probabilitate s i n N, n 2. Se spune c a evenimentele A
1
, A
2
, . . . , A
n
K sunt independente (n totalitate) dac a oricare ar i
1
, i
2
, . . . i
r
N, 1 i
1
< i
2
< . . . < i
r
n, cu r N

, r n,
avem
P
_
A
i
1
_
A
i
2
_
. . .
_
A
i
r
_
= P
_
A
i
1
) P
_
A
i
2
_
. . . P(A
i
r
_
.
Se spune c a evenimentele A
1
, A
2
, . . . , A
n
K sunt independente k c ate k, cu k N, 2 k n 1, dac a oricare k
evenimente dintre A
1
, A
2
, . . . , A
n
sunt independente (n totalitate).
Se spune c a familia (A
i
)
iI
de evenimente din K este format a din evenimente independente (n totalitate)
dac a orice subfamilie nit a a sa este format a din evenimente independente (n totalitate).
Se spune c a familia (A
i
)
iI
de evenimente din K este format a din evenimente independente k c ate k, cu
k N, k 2, dac a orice subfamilie nit a cu cel put in k elemente este format a din evenimente independente k c ate
k.
Observatia 2.1.13. 1. Propozit ia 2.1.11 se poate generaliza n sensul c a dac a (A
i
)
i=1,n
(sau familia (A
i
)
iI
) este
format a din evenimente independente (n totalitate sau k c ate k) atunci proprietatea se p astreaz a dac a o
parte dintre evenimente se nlocuiesc cu complementarele lor.
2. Evident, independent a (n totalitate) implic a independent a k c ate k. Reciproca acestei armat ii este fals a as a
cum rezult a s i din exemplul de mai jos datorat lui Ceb as ev.

Incheiem acest paragraf cu trei exemple care s a ilustreze modul de utilizare al formulelor tratate (for-
mula de adunare si respectiv nmultire a probabilit atilor, formula probabilit atii totale si respectiv formula
lui Bayes).
Exemplul 2.1.2. Dintre cei 20 de student i ai unei grupe, 6 cunosc limba englez a, 5 cunosc limba francez a, 2
cunosc limba german a. Care este probabilitatea ca un student, luat la nt amplare din aceast a grup a, s a cunoasc a
o limb a str ain a (dintre cele trei ment ionate)?
Rezolvare.
Consider am evenimentele:
E:

studentul considerat cunoaste limba englez a,


F:

studentul considerat cunoaste limba francez a.


G:

studentul considerat cunoaste limba german a,


X:

studentul considerat vorbeste o limb a str ain a (dintre cele trei).


Din denitia clasic a a probabilit atii avem
P (E) =
6
20
, P (F) =
5
20
, P (G) =
2
20
.
Cum X = E
_
F
_
G si evenimentele E, F, G nu sunt incompatibile dou a c ate dou a rezult a folosind formula
lui Poincar e c a
P (X) = P
_
E
_
F
_
G
_
= P (E) +P (F) +P (G) P
_
E
_
F
_
P
_
E
_
G
_
P
_
F
_
G
_
+P
_
E
_
F
_
G
_
.
Evenimentele E, F, G, sunt independente n totalitate si deci:
P (X) = P (E) +P (F) +P (G) P (E) P(F) P (E) P(G)
P (F) P(G) +P (E) P(F) P(G)
=
6 +5 +2
20

6 5 +6 2 +5 2
20 20
+
6 5 2
20 20 20
=
13
20

52
400
+
3
400
=
211
400
.
44
Exemplul 2.1.3. O urn a cont ine a bile albe s i b bile negre. Se extrag succesiv, f ar a repunere, trei bile. Care este
probabilitatea ca toate cele trei bile extrase s a e albe (presupunem a 3)?
Rezolvare.
Consider am evenimentele:
A
i
:

a i-a bil a extras a a fost alb a, i = 1, 3


X:

toate cele trei bile extrase au fost albe.


Avem X = A
1
_
A
2
_
A
3
. Din formula de nmultire a probabilit atilor avem
P (X) = P (A
1
) P
_
A
2

A
1
_
P
_
A
3

A
1
_
A
2
_
.
Utiliz and denitia clasic a a probabilit atii obtinem
P (A
1
) =
a
a+b
, P
_
A
2

A
1
_
=
a1
a+b1
, P
_
A
3

A
1
_
A
2
_
=
a2
a+b2
si deci
P (X) =
a
a+b

a1
a+b1

a2
a+b2
.
Exemplul 2.1.4. Trei urne cont in bile albe s i bile negre n compozit iile:
U
1
(a, b) , U
2
(c, d) , U
3
(e, f ) .
Se extrage o bil a din U
3
s i dac a ea este alb a se pune n U
1
s i se extrage o a doua bil a din U
1
iar dac a este neagr a
se pune n U
2
s i a doua bil a se extrage din U
2
. S a se ae probabilit at ile ca:
a) a doua bil a extras a s a e alb a;
b) prima bil a extras a s a fost alb a dac a a doua bil a extras a a fost neagr a.
Rezolvare.
Consider am evenimentele:
A
i
:

a i-a bil a extras a a fost alb a, (i = 1, 2);


N
i
:

a i-a bil a extras a a fost neagr a, (i = 1, 2).


a) Se cere P (A
2
). Rezolvarea este un exemplu de utilizare a formulei probabilit atii totale cu sistemul
complet de evenimente A
1
, N
1
. Avem
A
2
= A
2
_
= A
2
_
(A
1
_
N
1
) = (A
2
_
A
1
)
_
(A
2
_
N
1
).
Cum A
2
_
A
1
si A
2
_
N
1
sunt incompatibile rezult a c a
P (A
2
) = P
_
A
2
_
A
1
_
+P
_
A
2
_
N
1
_
= P (A
1
) P
_
A
2

A
1
_
+P (N
1
) P
_
A
2

N
1
_
=
e
e +f
a +1
a +b +1
+
f
e +f
c
c +d +1
.
Analog,
P (N
2
) = P (A
1
) P
_
N
2

A
1
_
+P (N
1
) P
_
N
2

N
1
_
=
e
e +f
b
a +b +1
+
f
e +f
d +1
c +d +1
(sau P (N
2
) = 1 P (A
2
)).
b) Se cere P
_
A
1

N
2
_
. Rezolvarea ofer a un exemplu de utilizare a formulei lui Bayes care permite inter-
schimbarea raportului de conditionare apriori-aposteriori. Probabilitatea P
_
A
1

N
2
_
ne este mai putin
la ndem an a dec at P
_
N
2

A
1
_
iar formula lui Bayes ne permite calculul lui P
_
A
1

N
2
_
cu ajutorul lui
P
_
N
2

A
1
_
. Avem
P
_
A
1

N
2
_
=
P (A
1
) P
_
N
2

A
1
_
P (N
2
)
=
e
e+f

b
a+b+1
e
e+f

b
a+b+1
+
f
e+f

d+1
c+d+1
.
45
2.2 Scheme clasice de probabilitate
Sub acest titlu vor descrise anumite experimente aleatoare si vor calculate probabilit atile unor eveni-
mente ale acestora. Din multiple motive aceste experimente aleatoare apar foarte des n aplicatii. Traditional,
descrierea experimentelor respective se face cu ajutorul unor urne din care se extrag bile.

In cele ce urmeaz a vom ntelege prin urn a o incint a n care se a a bile (sfere identice ca m arime si
greutate, dar put and avea culori diferite). Din exterior nu se pot vedea culorile bilelor din urn a, ns a se
consider a c a exist a un mecanism cu ajutorul c aruia bilele pot extrase din urn a, bilele existente n urn a
av and toate aceeasi sans a de a extrase.
2.2.1 Schema urnei cu bila nerevenit a
Urna U contine a bile albe si b bile negre. Din U se fac n extrageri succesive de c ate o bil a f ar a ntoarcere,
adic a f ar a a reintroduce n urn a bilele extrase. S a remarc am c a modul acesta de a extrage n bile din urna
U este echivalent cu extragerea celor n bile deodat a. Se pune problema determin arii probabilit atii eveni-
mentului X
k,l
a,b
c a din cele n bile astfel extrase k sunt albe si l = n k sunt negre. Evident c a a, b, n, k si l sunt
numere naturale si n a +b, k minn, a, l minn, b.
S a ne imagin am c a cele a + b bile existente n urna U ar numerotate de la 1 la a + b. Experimentul
aleator al extragerii celor n = k + l bile din aceast a urn a are C
k+l
a+b
rezultate posibile egal probabile. Dintre
acestea, favorabile realiz arii evenimentului X
k,l
a,b
sunt C
k
a
C
l
b
c aci k bile dintre cele a bile albe existente n
urn a pot alese n C
k
a
moduri diferite, ec arei asemenea alegeri corespunz andu-i C
l
b
moduri diferite de
alegere a l bile dintre cele b bile negre existente n urna U.
Not am
P
a,b
(k, l) = P(X
k,l
a,b
).
Dup a denitia clasic a a probabilit atii se obtine
P
a,b
(k, l) =
C
k
a
C
l
b
C
k+l
a+b
. (2.1)
Observatia 2.2.1. Din cauza asem an arii membrului drept al relat iei (2.1) cu termenul general al seriei hiperge-
ometrice, schema urnei cu bila nerevenit a se mai numes te schema hipergeometric a.
Exemplul 2.2.1. Urna U cont ine 3 bile albe s i 2 bile negre. Din U se extrag deodat a 3 bile (sau echivalent, se
fac 3 extrageri succesive de c ate o bil a f ar a ntoarcere). S a se calculeze probabilitatea evenimentului A c a cel mult
dou a din bilele astfel extrase sunt albe.
Rezolvare.
Este clar c a evenimentul A se realizeaz a dac a din cele trei bile extrase din U exact dou a sunt albe, sau
exact una este alb a, sau nici una nu este alb a, adic a
A = X
2,1
3,2
_
X
1,2
3,2
_
X
0,3
3,2
.
Evenimentele reuniunii care d a evenimentul A sunt evident dou a c ate dou a incompatibile, deci
P(A) = P(X
2,1
3,2
) +P(X
1,2
3,2
) +P(X
0,3
3,2
)
= P
3,2
(2, 1) +P
3,2
(1, 2) +P
3,2
(0, 3).
Dar X
0,3
3,2
= deoarece este imposibil ca din urna U s a e extrase (f ar a ntoarcere) 3 bile negre, ea
contin and doar 2 asemenea bile. Atunci
P
3,2
(0, 3) = P(X
0,3
3,2
) = P() = 0
46
si deci
P(A) = P
3,2
(2, 1) +P
3,2
(1, 2) =
C
2
3
C
1
2
C
3
5
+
C
1
3
C
2
2
C
3
5
=
3 2
10
+
3 1
10
=
9
10
= 0, 9.
2.2.2 Generalizare. Schema urnei cu bila nerevenit a cu mai multe st ari
O generalizare natural a a schemei precedente se obtine consider and c a n urn a se g asesc bile de mai mult
dec at dou a culori (st ari), s a zicem de s culori.
Urna U contine a
i
bile de culoarea c
i
, i = 1, s. Din U se fac n extrageri succesive de c ate o bil a f ar a
ntoarecere (ceea ce este echivalent cu extragerea celor n bile deodat a). Se cere probabilitatea evenimentului
X
k
1
,k
2
,...,k
s
a
1
,a
2
,...,a
s
ca dintre cele n bile extrase k
i
sunt de culoarea c
i
, i = 1, s. Evident c a a
1
, a
2
, . . . , a
s
, k
1
, k
2
, . . . , k
s
si n
sunt numere naturale,
s

i=1
k
i
= n si k
i
mina
i
, n, i = 1, s.

In acest caz num arul total de evenimente elementare ale experimentului aleator este C
k
1
+k
2
+...+k
s
a
1
+a
2
+...+a
s
, iar
num arul evenimentelor elementare favorabile evenimentului X
k
1
,k
2
,...,k
s
a
1
,a
2
,...,a
s
este C
k
1
a
1
C
k
2
a
2
. . . C
k
s
a
s
.
Not am
P(X
k
1
,k
2
,...,k
s
a
1
,a
2
,...,a
s
) = P
a
1
,a
2
,...,a
s
(k
1
, k
2
, . . . , k
s
).
Denitia clasic a a probabilit atii d a
P
a
1
,a
2
,...,a
s
(k
1
, k
2
, . . . , k
s
) =
C
k
1
a
1
C
k
2
a
2
. . . C
k
s
a
s
C
k
1
+k
2
+...+k
s
a
1
+a
2
+...+a
s
. (2.2)
Exemplul 2.2.2. Dintre cele 10 bilete ale unei loterii unul este c as tig ator cu 10000 u.m., dou a sunt c as tig atoare
cu c ate 5000 u.m., trei sunt c as tig atoare cu c ate 1000 u.m. s i patru sunt nec as tig atoare. Un juc ator cump ar a
patru bilete din aceast a loterie. S a se calculeze probabilitatea p ca dintre cele patru bilete cump arate unul s a e
c as tig ator cu 5000 u.m., dou a s a e c as tig atoare cu c ate 1000 u.m. s i unul s a e nec as tig ator.
Rezolvare.
Probabilitatea c autat a poate calculat a utiliz and relatia (2.2) si se obtine
p = P
1,2,3,4
(0, 1, 2, 1) =
C
0
1
C
1
2
C
2
3
C
1
4
C
4
10
=
1 2 3 4
210
=
24
210
=
4
35
0, 114.
2.2.3 Schema urnei cu bila revenit a
Urna U contine bile de dou a culori (albe si negre). Compozitia urnei este cunoscut a n sensul c a se cunoaste
probabilitatea ca o bil a extras a din U s a e alb a (e aceast a probabilitate p) si probabilitatea ca o bil a extras a
din U s a e neagr a (o not am cu q, q = 1 p). Din U se efectueaz a n extrageri succesive de c ate o bil a cu
ntoarcere (adic a dup a extragerea oric arei bile si observarea culorii ei, bila extras a este reintrodus a n urn a
naintea extragerii urm atoare). Se cere probabilitatea evenimentului X
k
n
c a dintre cele n bile astfel extrase
k sunt albe (atunci restul de n k bile sunt negre). Evident k si n sunt numere naturale si k n.
Se obtine
P(X
k
n
) = C
k
n
p
k
q
nk
.
Observatia 2.2.2. Cum membrul drept al relat iei (??) este coecientul lui t
k
din dezvoltarea cu formula binomu-
lui lui Newton a lui (p +q)
n
, schema urnei cu bila revenit a se mai numes te schema binomial a. Aceast a schem a
este numit a s i schema lui Bernoulli. Esent ial n schema urnei cu bila revenit a este faptul c a, din cauza rein-
troducerii bilei n urn a dup a ecare extragere, rezultatele extragerilor sunt evenimente total independente s i din
47
acest motiv ea este uneori numit a schema extragerilor (probelor) repetate si independente, iar schema urnei
cu bila nerevenit a este numit a atunci schema extragerilor (probelor) repetate si dependente.
Exemplul 2.2.3. Urna U cont ine 2 bile albe s i 3 bile negre. Din U se fac 6 extrageri succesive de c ate o bil a cu
ntoarcerea bilei n urn a dup a ecare extragere. S a se calculeze probabilitatea ca 4 dintre cele 6 bile extrase s a e
albe, iar 2 s a e negre.
Rezolvare.
Cumla ecare extragere putemobtine oricare dintre cele 2+3 = 5 bile existente n urn a, ecare extragere
este un experiment aleator care genereaz a c ate un c amp de evenimente cu 5 rezultate posibile echiprob-
abile. Atunci, folosind denitia clasic a a probabilit atii, g asim c a probabilitatea ca la oricare din cele 6
extrageri s a se obtin a o bil a alb a este p =
2
5
, iar probabilitatea ca la oricare din cele 6 extrageri s a se obtin a
o bil a neagr a este q =
3
5
.
Probabilitatea ca 4 din cele 6 bile extrase s a e albe si 2 s a e negre este
P
6
(4) = C
4
6

_
2
5
_
4

_
3
5
_
2
= 15
16
625

9
25
=
432
3125
= 0, 13824.
Observatia 2.2.3. Din schema urnei cu bila revenit a se obt ine urm atoarea schem a numit a schema lui Pascal. S a
presupunem c a urna U cont ine bile albe s i negre. Fie p probabilitatea ca o bil a extras a din U s a e alb a s i q = 1p
probabilitatea ca o bil a extras a din U s a e neagr a. Se cere probabilitatea evenimentului Y
k
n
ca la efectuarea a n
extrageri succesive de c ate o bil a cu ntoarcere din urna U s a se obt in a k bile albe s i n k bile negre, iar a n-a bil a
extras a din U s a e alb a (adic a probabilitatea ca cea de a k-a bil a alb a s a se obt in a dup a ce au fost extrase n k
bile negre). F ar a dicultate se obt ine c a probabilitatea acestui eveniment este
P
_
Y
k
n
_
= P
_
X
k1
n1
_
A
n
_
.
Deoarece rezultatul unei extrageri nu este inuent at de rezultatele extragerilor precedente (bila ind reintro-
dus a n urn a dup a ecare extragere) avem
P
_
Y
k
n
_
= P
_
X
k1
n1
_
P (A
n
) = P
n1
(k 1) p =
= C
k1
n1
p
k1
q
(n1)(k1)
p = C
k1
n1
p
k
q
nk
.
Observatia 2.2.4. Din schema lui Pascal se obt ine ca un caz particular schema geometric a lu and k = 1. Prob-
abilitatea ca efectu and n extrageri succesive de c ate o bil a cu ntoarcere din urna U (cunoscut a n sensul c a se s tie
c a probabilitatea ca o bil a extras a din U s a e alb a este p, iar probabilitatea ca o bil a extras a din U s a e neagr a
este q = 1 p) s a se obt in a pentru prima dat a bil a alb a n cea de a n-a extragere este
P
_
Y
1
n
_
= P
_
X
0
n1
_
A
n
_
= P
_
X
0
n1
_
P (A
n
) =
= P
n1
(0) p = C
0
n1
p
0
q
n10
p = p q
n1
.
Denumirea de schema geometric a provine de la faptul c a probabilitatea p q
n1
este al n-lea termen al
progresiei geometrice cu primul termen p si ratia q.
2.2.4 Generalizare. Schema urnei cu bila revenit a cu mai multe st ari
Aceast a schem a este o generalizare natural a a schemei urnei cu bila revenit a, ea referindu-se la extrageri
cu ntoarcere dintr-o urn a n care exist a bile de mai mult dec at dou a culori.
Urna U contine bile de s culori c
1
, c
2
, . . . , c
s
, s N, s > 2. Compozitia urnei U este cunoscut a n sensul c a
se cunoaste probabilitatea ca o bil a extras a din U s a aib a culoarea c
i
, i = 1, s. Fie aceast a probabilitate p
i
.
Evident p
i
> 0, i = 1, s si
s

i=1
p
i
= 1.
48
Din U se fac n extrageri succesive de c ate o bil a cu ntoarcere (adic a, dup a extragerea oric arei bile si
observarea culorii ei, bila extras a este reintrodus a n urn a naintea extragerii urm atoare).
Se cere probabilitatea evenimentului X
k
1
,k
2
,...,k
s
n
ca dintre cele n bile astfel extrase k
i
s a e de culoarea c
i
,
i = 1, s. Evident 0 k
i
n, i = 1, s si
s

i=1
k
i
= n.
Not am P(X
k
1
,k
2
,...,k
s
n
) = P
n
(k
1
, k
2
, . . . , k
s
) si se poate deduce formula:
P
n
(k
1
, k
2
, . . . , k
s
) =
n!
k
1
!k
2
!...k
s
!
p
k
1
1
p
k
2
2
. . . p
k
s
s
. (2.3)
Remarc am c a dac a n (2.3) lu am s = 2 si not am p
1
= p, p
2
= 1 p = q, k
1
= k si k
2
= n k se obtine
membrul drept al relatiei (??).
Observatia 2.2.5. Deoarece membrul drept al relat iei (2.3) este coecientul lui t
k
1
1
t
k
2
2
. . . t
k
s
s
din dezvoltarea lui
(p
1
t
1
+p
2
t
2
+. . . +p
s
t
s
)
n
schema urnei cu bila revenit a cu mai multe st ari se mai numes te schema polinomial a sau schema multino-
mial a.
Exemplul 2.2.4. Urna U cont ine 2 bile ros ii, 4 bile albe s i 3 bile albastre. Din U se fac 6 extrageri succesive de
c ate o bil a cu ntoarcere. Se cere probabilitatea ca dintre cele 6 bile extrase una s a e ros ie, dou a s a e albe s i trei
s a e albastre.
Rezolvare.
Avem evident p
1
=
2
9
, p
2
=
4
9
, p
3
=
3
9
, n = 6, k
1
= 1, k
2
= 2 si k
3
= 3, deci probabilitatea cerut a este
P
6
(1, 2, 3) =
6!
1!2!3!
_
2
9
_
1
_
4
9
_
2
_
3
9
_
3
0, 0325.
2.2.5 Schema urnelor lui Poisson
Schema urnelor lui Poisson este o alt a generalizare a schemei urnei cu bila revenit a.
Experimentul de la schema urnei cu bila revenit a studiat a n sectiunea 2.2.3 poate imaginat si n
modul urm ator: exist a n urne U
1
, U
2
, . . . , U
n
cu compozitii identice, din ecare urn a se extrage c ate o bil a si
se caut a probabilitatea evenimentului ca dintre cele n bile astfel extrase k sunt albe.
O generalizare a acestui experiment se obtine consider and c a cele n urne au compozitii diferite.
S a presupunem date urnele U
1
, U
2
, . . . , U
n
si c a aceste urne contin bile albe si negre, compozitiile urnelor
sunt cunoscute n sensul c a se stie c a probabilitatea ca o bil a extras a din U
i
s a e alb a este p
i
, i = 1, n (atunci
probabilitatea ca o bil a extras a din U
i
s a e neagr a este q
i
= 1p
i
, i = 1, n). Se extrage c ate o bil a din ecare
din cele n urne si se cere probabilitatea evenimentului X
k
c a dintre cele n bile astfel extrase k sunt albe si
n k sunt negre. Evident 0 < p
i
< 1, i = 1, n si 0 k n.
Dac a A
i
este evenimentul c a bila extras a din U
i
este alb a atunci P(A
i
) = p
i
si P(A
i
) = 1 p
i
= q
i
.
Se constat a usor c a probabilitatea cerut a este egal a cu coecientul lui t
k
din polinomul (p
1
t +q
1
)(p
2
t +
q
2
) . . . (p
n
t +q
q
) de gradul n n t, astfel nc at probabilitatea P(X
k
) este dat a de relatia
n

k=0
P(X
k
)t
k
=
n
_
i=1
(p
i
t +q
i
). (2.4)
Remarc am faptul c a dac a n schema urnelor lui Poisson consider am toate cele n urne identice (adic a
p
i
= p, q
i
= q, i = 1, n) atunci relatia (2.4) devine
n

k=0
P
_
X
k
_
t
k
= (pt +q)
n
,
49
astfel nc at
P(X
k
) = C
k
n
p
k
q
nk
,
adic a P(X
k
) = P
n
(k) dat de relatia (2.4).
Exemplul 2.2.5. O ntreprindere agricol a cultiv a gr au n 3 ferme. Din date statistice se s tie c a probabilitatea ca
ntr-un an oarecare product ia de gr au la hectar s a dep as easc a 3000 kg este p
1
= 0, 5 la prima ferm a, p
2
= 0, 4 la a
doua s i p
3
= 0, 6 la ferma a treia. Se cere probabilitatea evenimentului X c a ntr-un anumit an product ia de gr au
la hectar s a dep as easc a 4000 kg la cel put in dou a din cele trei ferme.
Rezolvare.
Not amcu X
k
evenimentul c a exact n k dintre cele 3 ferme productia de gr au n anul respectiv dep aseste
3000 kg la hectar, k = 0, 3. Se observ a c a evenimentul X
k
este de tipul celor descrise n schema urnelor lui
Poisson.
Avem
P(X) = P
_
X
2
_
X
3
_
= P
_
X
2
_
+P
_
X
3
_
.
Relatia (2.4) ne d a
(0, 4t +0, 6)(0, 5t +0, 5)(0, 6t +0, 4) = 0, 12 +0, 38t +0, 38t
2
+0, 12t
3
,
astfel c a P(X
2
) = 0, 38 si P(X
3
) = 0, 12, deci
P(X) = 0, 38 +0, 12 = 0, 50.
UNITATEA 2. Variabile aleatoare. Repartitii clasice de probabilitate
2.3 Variabile aleatoare
P an a acum evenimentele au fost studiate mai nt ai din punct de vedere calitativ, iar o dat a cu introducerea
probabilit atilor si din punct de vedere cantitativ. Studiul se extinde prin considerarea unei notiuni noi,
aceea de variabil a aleatoare, variabil a care va juca un rol similar n teoria probabilit atilor ca si variabila
din cadrul analizei matematice sau din alt a parte a matematicii.

In cazul variabilelor aleatoare valorile vor luate dintr-o anumit a multime nu n mod cert ci numai cu
o anumit a probabilitate. Ca notatie pentru variabila aleatoare se utilizeaz a de obicei literele mari latine sau
pot utilizate si literele grecesti , , . . .
Consider am un c amp de probabilitate (, /, P) .
Denitia 2.3.1. Se numes te variabil a aleatoare real a orice aplicat ie
X : R
care asociaz a ec arui element un num ar real X() ,
X()
astfel nc at
X
1
(, x) /, x R.
Aici, prin X
1
(, x) am notat evenimentul identicat cu multimea elementelor astfel nc at
X() < x, adic a
X
1
(, x) = , X() < x .
50
Observatia 2.3.1.

In cele ce urmeaz a vom avea n vedere dou a categorii de variabile aleatoare s i anume:
variabile aleatoare de tip discret;
variabile aleatoare de tip continuu.
Variabilele aleatoare de tip discret sunt acelea pentru care mult imea valorilor (codomeniul lui X) este o
mult ime nit a sau num arabil a de forma
M = x
i
x
i
R
iI
, I N.
Variabila aleatoare de tip continuu este variabila a c arei codomeniu M este un interval M = [a, b] Rnchis
sau nu.
Exemplul 2.3.1. Not am cu X variabila aleatoare care reprezint a suma punctelor obt inute la aruncarea a dou a
zaruri. Atunci
M = 2, 3, 4, 5, 6, . . . , 11, 12 .
Exemplul 2.3.2. Fie =
1
,
2
,
3
, / = ,
1
,
2
,
3
, , M = x
1
, x
2
R, x
1
< x
2
. Ar at am c a X :
M, X(
1
) = x
1
, X(
2
) = x
2
, X(
3
) = x
2
este o variabil a aleatoare.
Rezolvare.
X
1
((, x)) = /, pentru orice x x
1
;
X
1
((, x)) =
1
/, pentru orice x
1
< x x
2
;
X
1
((, x)) =
2
,
3
/, pentru orice x > x
2
.
Denitia 2.3.2. Dac a X este o variabil a aleatoare de tip discret atunci numim functie de probabilitate s i o
not am cu
f
X
: M R
funct ia care asociaz a ec arui
x
i
f
X
(x
i
) = P (X = x
i
)
unde X = x
i
reprezint a evenimentul ca variabila aleatoare discret a X ia valoarea x
i
.
Observatia 2.3.2. Atunci c and nu e pericol de confuzie indicele X de la funct ia f se va omite s i vom nota f (x
i
) cu
p
i
, unde p
i
reprezint a probabilitatea evenimentului ca variabila X s a ia valoarea x
i
. Se constat a f ar a greutate c a
sistemul de evenimente X = x
i

iI
este un sistem complet de evenimente s i atunci vor ndeplinite ntotdeauna
urm atoarele dou a condit ii:
_

iI
p
i
= 1;
p
i
0, i I.
Astfel variabilei aleatoare de tip discret X i se asociaz a un tabel (tablou) de repartit ie (distribut ie) de forma
X :
_
x
i
p
i
_
iI
sau detaliat X :
_
x
1
x
2
. . . x
n
. . .
p
1
p
2
. . . p
n
. . .
_
.
Se vede c a repartit ia (distribut ia) cont ine pe prima linie valorile pe care variabila aleatoare le ia, de obicei scrise
o singur a dat a s i n ordine cresc atoare, iar pe linia a doua sunt trecute probabilit at ile cu care variabila aleatoare
X ia valoarea corespunz atoare p
i
.
Exemplul 2.3.3. Revenim la primul exemplu din aceast a sect iune s i ceremn plus s a construim distribut ia acestei
variabile aleatoare. Atunci
X =
_
2 3 4 5 6 7 8 9 10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
_
.
51
2.3.1 Operatii cu variabile aleatoare de tip discret
Ca si cu variabilele obisnuite, si cu variabilele aleatoare se pot face operatii. Pentru ecare nou a variabil a
obtinut a dup a efectuarea operatiilor trebuie s a cunoastem tabloul de repartitie.
1. Adunarea unei variabile aleatoare X cu un num ar constant C:
C +X :
_
C +x
i
p
i
_
iI
;
2.

Inmultirea unei variabile X cu o constant a C:
C X :
_
C x
i
p
i
_
iI
;
3. Ridicarea la putere a unei variabile aleatoare X. Fie k N. Atunci:
X
k
:
_
x
k
i
p
i
_
iI
,
C and au sens x
k
i
se poate lua k Z sau chiar k R.
4. Suma a dou a variabile aleatoare X si Y:
X :
_
x
i
p
i
_
iI
, Y :
_
y
i
q
i
_
iI
= X +Y :
_
x
i
+y
j
p
ij
_
iI, jJ
,
unde
p
ij
= P
_
X = x
i

__
Y = y
j
__
.
Caz particular. Atunci c and X si Y sunt independente,
X = x
i

_ _
Y = y
j
_
, (i, j) I J
vor tot independente, deci p
ij
este produsul p
ij
= p
i
q
j
.
5. Produsul a dou a variabile aleatoare X si Y:
X Y :
_
x
i
y
j
p
ij
_
iI, jJ
, p
ij
= P
_
X = x
i

__
Y = y
j
__
.
Exemplul 2.3.4. Se consider a variabilele aleatoare de distribut ii:
X :
_
1 0 2
0.3 0.5 0.2
_
Y :
_
2 1
0.4 0.6
_
.
Presupunem c a acestea sunt independente. S a se efectueze urm atoarele operat ii: 2X, 3 +Y, X
4
, X +Y, XY,
X
Y
.
52
Rezolvare.
2X :
_
2 0 4
0.3 0.5 0.2
_
;
3 +Y :
_
1 4
0.4 0.6
_
;
X
4
:
_
0 1 16
0.5 0.3 0.2
_
;
X +Y :
_
3 0 2 1 0 3
0.12 0.18 0.2 0.3 0.08 0.12
_
=
X +Y :
_
3 2 0 1 3
0.12 0.2 0.26 0.3 0.12
_
;
Y
1
:
_

1
2
1
0.4 0.6
_
;
X
Y
:
_
(1)
_

1
2
_
=
1
2
(1) 1 = 1 0 0 1 2
0.12 0.18 0.2 0.3 0.08 0.12
_

X
Y
:
_
1 0
1
2
2
0.26 0.5 0.12 0.12
_
2.3.2 Functia de repartitie
Studiul variabilelor aleatoare se poate considera si prin intermediul unei noi functii asociate variabilei
aleatoare. Aceast a functie numit a uneori functie cumulativ a a probabilit atilor are o serie de propriet ati
foarte usor de exploatat, mai ales c and e vorba de a evalua probabilit atile unor evenimente construite cu
variabile aleatoare. Fie X o variabil a aleatoare discret a.
Denitia 2.3.3. Se numes te functie de repartitie asociat a lui X, s i se noteaz a cu
F
X
: R [0, 1] ,
funct ia care asociaz a x F
X
(x) , denit a prin
F
X
(x)
def
= P (X < x) .
Observatia 2.3.3. Atunci c and nu exist a pericolul de confuzie se va renunt a la indicele X s i la acoladele din
membrul drept s i vom folosi notat ia
F (x) = P (X < x) .
Exemplul 2.3.5. S a construim funct ia de repartit ie pentru variabila aleatoare X din Exemplul 2.3.4.
Rezolvare.
Reprezent am pe o ax a valorile variabilei X. Studiem ecare caz n parte:
Dac a x 1 = F (x) = P (X < x) = P () = 0;
Dac a 1 < x 0 =F (x) = P (X < x) = P (x = 1) = 0.3;
Dac a 0 < x 2 =F (x) = P (X < x) = P (x = 1 x = 0) =
= 0.3 +0.5 = 0.8;
Dac a x > 2 =F (x) = P (X < x) = 1.
53
Deci putem scrie
F (x) =
_

_
0, x 1
0.3, 1 < x 0
0.8, 0 < x 2
1, x > 2
.
Propriet ati ale functiei de repartitie.
Folosind doar denitia si propriet ati ale probabilit atilor, se deduc urm atoarele propriet ati ale functiei
de repartitie.
1) 0 F (x) 1;
2) F () = lim
x
F (x) = 0; F (+) = lim
x+
F (x) = 1;
3) F este cresc atoare: x

, x

R, are loc implicatia


x

< x

=F (x

) F ( x

) ;
4) F este continu a la st anga: x

R,
F (x

) = F (x

0) = lim
x0
x<x

F (x) ;
5) x

, x

R,cu x

< x

, are loc egalitatea


P (x

X < x

) = F (x

) F (x

) .
Justicare: Pornim de la evenimentul X < x

.
Observatia 2.3.4. Plec and de la Proprietatea 5) se demonstreaz a c a sunt adev arate relat iile:
P (x

X x

) = F (x

) F (x

) +P (X = x

) ;
P (x

< X < x

) = F (x

) F (x

) P (X = x

) ;
P (x

< X x

) = F (x

) F (x

) +P (X = x

) P (X = x

) .
2.3.3 Variabile de tip continuu

In aplicatii, variabilele aleatoare de tip discret nu sunt ntotdeauna suciente.



Intr-adev ar, exist a probleme
care sunt descrise de variabile aleatoare ce nu sunt discrete.
Exemplul 2.3.6. Greutatea unui produs este reprezentat a printr-o variabil a aleatoare care ia orice valoare dintr-
un anumit interval. Este nevoie s a se aib a n vedere o variabil a aleatoare de tip continuu.
Denitia 2.3.4. Variabila aleatoare real a X este de tip continuu dac a funct ia sa de repartit ie F este dat a printr-o
relat ie de forma:
F (x) =
x
_

f (t) dt,
f ind o funct ie integrabil a pe orice interval de forma (, x), x R.
Functia de repartitie a unei variabile aleatoare de tip continuu se bucur a de aceleasi propriet ati ca si n
cazul variabilelor aleatoare de tip discret precum si de propriet ati specice.
54
Observatia 2.3.5. Din denit ia de mai sus s i av and n vedere propriet at ile integralelor, avem
f (x) = F

d
(x) = lim
x0
x>0
F(x +x) F(x)
x
.
Denitia 2.3.5. Funct ia f se numes te functie densitate de probabilitate a variabilei aleatoare de tip continuu,
s i are propriet at i similare cu acelea ale funct iei de probabilitate din cazul discret.
Teorema 2.3.1. Dac a F este funct ie de repartit ie a unei variabile aleatoare continue, atunci densitatea de proba-
bilitate f are urm atoarele propriet at i
1) f (x) 0, x R;
2)

f (t)dt = 1.
Observatia 2.3.6. Dup a cum n cazul variabilei aleatoare discrete aveam o as a-zis a repartit ie, adic a un tablou
cu dou a linii, pe prima linie ind trecute valorile variabilei, iar pe a doua funct ia de probabilitate, tot as a s i la
variabilele aleatoare de tip continuu vom considera o as a numit a repartitie sau distributie. Astfel, pentru o
variabil a aleatoare de tip continuu care ia valori doar dintr-un interval al axei reale, repartit ia va avea forma:
X :
_
x
f (x)
_
xR
unde
f (x) 0, x R s i

f (t)dt = 1.
2.3.4 Caracteristici numerice ale variabilelor aleatoare
Studiul variabilei aleatoare at at de tip discret c at si de tip continuu se extinde prin introducerea unor
caracteristici numerice cu ajutorul c arora se dau informatii suplimentare despre ele. Aceste caracteristici
se mpart n mai multe categorii:
de grupare: care evidentiaz a niste numere n jurul c arora se grupeaz a valorile variabilelor;
de mpr as tiere (de dep artare): care dau informatii asupra gradului de dep artare a valorilor variabilelor fat a
de o caracteristic a de grupare principal a;
privind forma distribut iei: simetrie, asimetrie, boltire, turtire, etc.
Caracteristici de grupare
Sunt niste numere care se determin a pornind de la variabila aleatoare considerat a, numere n jurul c arora
se grupeaz a toate valorile variabilei aleatoare.
Valoarea medie. Valoarea medie este considerat a cea mai important a dintre caracteristicile de grupare.
Denitia 2.3.6. Se numes te valoarea medie a variabilei aleatoare X s i se noteaz a M(X) num arul calculabil
prin una din relat iile
M(X) =

iI
x
i
p
i
, dac a X este variabil a aleatoare discret a;
M(X) =
_
+

xf (x) dx, dac a X este variabil a aleatoare continu a.


55
Exemplul 2.3.7. Fie variabila aleatoare X av and distribut ia
X :
_
2 1 2
0.4 0.3 0.3
_
Valoare medie a lui X este
M(X) = 0.8 +0.3 +0.6 = 0, 1.
Exemplul 2.3.8. Fie variabila aleatoare X av and distribut ia
X :
_
x
f (x)
_
xR
, unde f (x) =
_
3x
2
x [0, 1]
0 n rest
Valoare medie a lui X este
M(X) =
_
+

xf (x) dx =
_
1
0
x3x
2
dx = 3
x
4
4

1
0
=
3
4
.
Propozitia 2.3.1. Valoarea medie are c ateva propriet at i. Astfel dac a X s i Y sunt variabile aleatoare, c o constant a
real a, avem
1) M(c X) = c M(X);
2) M(C) = c, unde variabila aleatoare constant a C :
_
c
1
_
;
3) M(X +Y) = M(X) +M(Y);
4) M(X Y) = M(X) M(Y), dac a X, Y sunt independente;
5) X
min
M(X) X
max
, unde X
min
, X
max
sunt valorile minime s i maxime pe care le poate lua X;
6) a M(X) b unde X este o variabil a aleatoare continu a, iar [a, b] e intervalul pentru care f
X
(x) 0.
Valoarea modal a (moda).
Denitia 2.3.7. Se numes te valoarea modal a a variabilei aleatoare X num arul notat cu M

(X) care este val-


oarea variabilei X cu cea mai mare probabilitate (valoarea cea mai probabil a) pentru variabila aleatoare discret a,
respectiv argumentul pentru care f are valoare maxim a n cazul variabilelor de tip continuu.
Exemplul 2.3.9. Pentru variabila aleatoare prezentat a n Exemplul 2.3.7 avem M

(X) = 2.
Exemplul 2.3.10. Fie X din Exemplul 2.3.8. Avem M

(X) = 1.
Valoarea median a.
Denitia 2.3.8. Se numes te valoare median a a variabilei aleatoare X num arul M
e
(X) care mparte repartit ia
n dou a p art i egale, adic a e este num arul pentru care P (X M
e
(X))
1
2
P (X M
e
(X)).
Observatia 2.3.7.

In cazul c and se utilizeaz a funct ia de repartit ie din Denit ia 2.3.3 se deduce c a
F (M
e
(X)) =
1
2
adic a valoarea median a este solut ia inecuat iilor
F (M
e
(X))
1
2
s i F (M
e
(X) +0)
1
2
.
56
Exemplul 2.3.11.

In cazul variabilei X din Exemplul 2.3.8 avem
F (x) =
_

_
0, x 0
_
x
0
3t
2
dt, x (0, 1]
1, x > 1
=F (x) =
_

_
0, x 0
x
3
, x (0, 1]
1, x > 1
=F (x) =
1
2
adic a x
3
=
1
2
=x =
1
3

2
= M
e
(X) .
Momentele de ordin superior.

In aceeasi categorie de caracteristici de grupare gureaz a asa zisele mo-
mente de ordin superior.

In unele aplicatii este nevoie s a se utilizeze puterile naturale ale unei variabile
aleatoare X
2
, X
3
, . . . , X
k
, valori pentru care caracteristicile de grupare principale joac a un rol important.
Astfel introducem momentele de ordin superior n urm atoarea denitie.
Denitia 2.3.9. Se numes te moment de ordin k al variabilei aleatoare X s i se noteaz a
k
num arul

k
= M
_
X
k
_
.
Se observ a c a
1
= M(X),
0
= 1. Cele mai des utilizate n aplicatii sunt
2
,
3
,
4
.
Exemplul 2.3.12. Fie X :
_
2 1 2
0, 4 0, 3 0, 3
_
. Atunci

2
= M
_
X
2
_
= (2)
2
0, 4 +1
2
0, 3 +2
2
0, 3 = 1, 6 +0, 3 +1, 2 = 3, 1;

3
= M
_
X
3
_
= (8) 0, 4 +0, 3 +8 0, 3 = 3, 2 +0, 3 +2, 4 = 5, 9;

4
= M
_
X
4
_
= 16 0, 4 +0, 3 +16 0, 3 = 6, 4 +0, 3 +4, 8 = 11, 5.
Exemplul 2.3.13. Pentru X :
_
x
3x
2
_
x[0,1]
avem

2
=
_
1
0
x
2
3x
2
dx =
3
5
;

3
=
_
1
0
x
3
3x
2
dx =
1
2
;

4
=
_
1
0
x
4
3x
2
dx =
3
7
.
Caracteristici de mpr astiere (sau de dep artare)
Dup a ce au fost analizate principalele caracteristici de grupare vom evidentia c at de dep artate sunt valorile
variabilei fat a de o valoare de grupare.

Intr-adev ar, valoarea medie d a informatii asupra num arului n
jurul c aruia se grupeaz a valorile variabilei, dar acestea nu sunt de ajuns. De exemplu n cazul variabilelor
aleatoare care pot diferite dar s a aib a aceeasi valoare medie.
Exemplul 2.3.14. Fie variabilele X
1
:
_
1 1
1
2
1
2
_
s i X
2
:
_
100 100
1
2
1
2
_
. Atunci
M(X
1
) = M(X
2
) = 0,
cu toate c a valorile lor difer a semnicativ.
57
Exist a mai multe caracteristici de mpr astiere. Cele mai des utilizate sunt
dispersia (varianta);
abaterea medie p atratic a;
momente centrate de ordin superior.
Dispersia. Dispersia este cea mai important a caracteristic a de mpr astiere.
Denitia 2.3.10. Se numes te dispersia variabilei aleatoare X num arul notat D(X) denit ca valoare medie a
p atratului variabilei aleatoare abatere [X M(X)], adic a num arul
D(X) = M
_
(X M(X))
2
_
.
Avem
D(X) =

iI
(x
i
M(X))
2
p
i
,
dac a X este variabil a aleatoare discret a;
D(X) =
_

(x M(X))
2
f (x) dx,
dac a X e variabil a aleatoare continu a.
Propozitia 2.3.2. Dispersia are urm atoarele propriet at i
1) D(X) 0;
2) D(c X) = c
2
D(X) ;
3) D(c) = 0;
4) D(X |Y) = D(X) | D(Y) dac a X, Y sunt independente;
5) D(X) = M
_
X
2
_
(M(X))
2
=
2

2
1
.
Exemplul 2.3.15. Pentru X :
_
2 1 2
0, 4 0, 3 0, 3
_
din Exemplul 2.3.7 avem valoarea medie M(X) = 0.1 s i dis-
persia
D(X) = (2 0, 1)
2
0, 4 +(1 0, 1)
2
0, 3 +(2 0, 1)
2
0, 3 = 3, 09
sau
D(X) =
2

2
1
= 3, 1 0, 01 = 3, 09.
Exemplul 2.3.16.

In cazul variabilei aleatoare continue din Exemplul 2.3.8 avem
D(X) =
_
1
0
_
x
3
4
_
2
3x
2
dx = 3
_
1
0
(x
4

3
2
x
3
+
9
16
x
2
)dx =
3
80
,
sau
D(X) =
2

2
1
=
3
5

9
16
=
3
80
.
Exemplul 2.3.17. Pentru X
1
din exemplul 2.3.14 avem
D(X
1
) = (1 0)
2

1
2
+(1 0)
2

1
2
= 1,
iar pentru X
2
din acelas i exemplu aveam
D(X
2
) = (100 0)
2

1
2
+(100 0)
2

1
2
= 2
100
2
2
= 10000.
58
Abaterea medie p atratic a.
Denitia 2.3.11. Se numes te abatere medie p atratic a a variabilei aleatoare X s i se noteaz a (X) num arul dat
prin relat ia
(X) =
_
D(X).
Abaterea medie p atratic a a fost introdus a pentru c a unit atile de m asur a ale acesteia sunt exact aceleasi
cu unit atile de m asur a ale valorilor variabilei aleatoare.
Momentele centrate de ordin superior. Pentru k N se introduc ca o extensie a dispersiei, momentele
centrate de ordin superior.
Denitia 2.3.12. Se numes te moment centrat de ordinul k al variabilei aleatoare X s i se noteaz a
k
valoarea
medie a puterii k a variabilei abatere

k
= M
_
(X M(X))
k
_
.
Observatia 2.3.8. Momentele centrate de ordinul 1 s i 2 sunt
1
= 0 s i
2
= D(X). Cele mai des utilizate sunt

3
,
4
.
Teorema 2.3.2.

Intre momentele centrate de ordin superior
k
s i momentele de ordin superior
k
exist a relat ia de
leg atur a

k
=
k

i=0
C
i
k
(1)
i

ki
(
1
)
i
.

In particular avem

2
=
2

2
1
;

3
=
3
3
2

1
+2
3
1
;

4
=
4
4
3

1
+6
2

2
1
3
4
1
.
Demonstratia se face folosind denitia 2.3.12 a momentului centrat de ordin superior, formula bino-
mului lui Newton pentru (X M(X))
k
si propriet atile valorii medii.
Cazul distributiilor clasice. Prezent am n continuare valoarea medie si dispersia n cazul variabilelor
aleatoare care urmeaz a distributii clasice.
Distributia M(X) D(X)
Binomial a np npq
Hipergeometric a n
a
a+b
n
a
a+b
b
a+b
a+bn
a+b1
Poisson
Pascal (Geometric a)
1
p
q
p
2
Uniform a
a+b
2
(ba)
2
12
Normal a m
2
.
2.4 Exercitii si probleme rezolvate
Problema 2.4.1. Se studiaz a alegerea unui proiect de modernizare a unei companii. S-au prezentat 3 proiecte
care pot viabile sau nu. Dac a not am cu A
i
, i = 1, 3, evenimentul proiectul i este viabil, s a se exprime n funct ie
de A
1
, A
2
, A
3
urm atoarele evenimente:
a) toate proiectele sunt viabile;
b) cel put in un proiect este viabil;
59
c) dou a proiecte sunt viabile;
d) cel mult dou a proiecte sunt viabile;
e) un singur proiect este viabil.
Solutie:Not am cu

A
i
, i = 1, 3, evenimentul ,,proiectul i nu este viabil.
a) Not am cu A evenimentul ,,toate proiectele sunt viabile A = A
1
A
2
A
3
, adic a toate cele 3 proiecte
sunt rentabile.
b) Not am cu B evenimentul ,,cel putin un proiect este viabil si astfel putem scrie B = A
1
A
2
A
3
c) Not am cu C evenimentul ,,dou a proiecte sunt viabile.
C =
_
A
1
A
2


A
3
_

_
A
1


A
2
A
3
_

_

A
1
A
3
A
3
_
d) Not am cu D evenimentul ,,cel mult dou a proiecte sunt viabile. Evenimentul D este echivalent cu a
spune c a: nici un proiect nu este viabil, doar un proiect este viabil sau dou a proiecte sunt viabile.
D =
_

A
1


A
2


A
3
_

_
A
1


A
2


A
3
_

_

A
1
A
2


A
3
_

_

A
1


A
2
A
3
_
C.
e) Not am cu E evenimentul ,,un singur proiect este viabil. Atunci:
E =
_
A
1


A
2


A
3
_

_

A
1
A
2


A
3
_

_

A
1


A
2
A
3
_
.
Problema 2.4.2. O moned a este aruncat a de 3 ori s i secvent a de m arci s i steme este nregistrat a.
a) Scriet i spat iul evenimentelor elementare
b) Scriet i urm atoarele evenimente, folosind evenimentele elementare:
A-s a apar a cel put in 2 steme
B-primele 2 arunc ari sunt steme
C-ultima aruncare este marc a
c) Determinat i urm atoarele evenimente:
1) C
A
; 2) AB; 3) AC
Solutie: Spatiul evenimentelor aleatoare este:
= SSS, SSM, SMS, MSS, MMS, MSM, SMM, MMM, unde cu S not am aparitia stemei, iar cu M
aparitia m arcii.
b) Evenimentele A, B, C,se scriu folosind evenimentele elementare din dup a cum urmeaz a:
A = SSS, SSM, SMS, MSS
B = SSM, SSS
C = SSM, SMM, MMM, MSM
c) Evenimentele C
A
, AB, AB se scriu folosind punctul b) astfel:
C
A
=

A = SMM, MMM, MMS, MSM
AB = SSM, SSS
AC = SSS, SSM, SMS, MSS, SMM, MMM, MSM
Problema 2.4.3. Presupunem c a ntr-o camer a sunt 5 persoane. Care este probabilitatea ca cel put in 2 persoane
s a aib a aceias i zi de nas tere.
Solutie: Fie A evenimentul ,,cel putin 2 persoane au aceiasi zi de nastere. Atunci

A este evenimentul
,,cele 5 persoane au zile de natere diferite
Presupunem c a anul are 365 zile
Asadar P
_

A
_
=
365 364 363 362 361
365
5
Deci, P (A) = 1 P
_

A
_
= 1
365 364 363 362 361
365
5
Problema 2.4.4. In Rom ania numerele de nmatriculare ale mas inilor au 7 caractere: 2 litere urmate de 2 cifre
s i alte trei litere. Dac a toate secvent ele de 7 caractere sunt egal probabile, care este probabilitatea ca num arul de
nmatriculare al unei mas ini noi s a nu cont in a cifre s i litere identice?
Solutie: Not am cu A evenimentul cerut.
Alfabetul contine 26 litere, iar cifrele de pe num arul de nmatriculare pot : 0,1,2,3,4,5,6,7,8,9. Num arul
total de pl acute de nmatriculare este 26
5
10
2
(corespunz atoare celor 5 litere si 2 cifre). Num arul pl acutelor
60
ce contin litere si cifre diferite este: (26 25) (10 9) (24 23 22) (corespunz atoare primelor 2 litere diferite,
urmate de 2 cifre diferite si alte trei litere diferite de primele 2 si diferite ntre ele).
Deci, P (A) =
26 25 10 9 24 23 22
26
5
10
2
= 0, 597
Problema 2.4.5. Fie P
B
(A) =
1
2
, P
B
(A) =
1
2
s i P
A
(B) =
1
2
. Se cere :
a) s a se determine P (A) s i P (B).
b) evenimentele A s i B sunt independente?
Solutie:Folosind denitia probabilit atii conditionate se obtin e:
P
B
(A) =
P(AB)
P(B)
=
1
2
P
B
(A) =
P(A

B)
P(

B)
=
P(AB)
1P(B)
=
P(A)P(AB)
1P(B)
=
1
2
P
A
(B) =
P(BA)
P(A)
=
P(AB)
P(A)
=
1
2
Dac a not am P (A) = x, P (B) = y, P (AB) = z, se obtine sistemul liniar:
_

_
z
y
=
1
2
xz
1y
=
1
2
z
x
=
1
2

_
z =
1
2
y
z =
1
2
x
x z =
1
2

1
2
y
, de unde prin calcule x =
1
2
, y =
1
2
, z =
1
4
.
In concluzie: P (A) =
1
2
, P (B) =
1
2
Conditia ca evenimentele A si B s a e independente este: P (AB) = P (A) P (B)
Deoarece P (AB) =
1
4
=
1
2
1
2
= P (A) P (B) se obtine c a evenimentele A si B sunt independente.
Problema 2.4.6. O rm a de asigur ari are client i din 3 categorii de risc: ridicat, mediu, sc azut, care au respectiv
probabilit at ile de a cere desp agubiri n caz de accidente: 0,02, 0,01, 0,0025 ntr-un an. Proport iile celor 3
categorii de client i n cadrul companiei sunt respectiv 10%, 20%, 70%. Care este probabilitatea ca un client al
rmei s a e desp agubit? Care este proport ia de desp agubiri ce provin ntr-un an de la client ii cu risc ridicat?
Solutie:Not am cu B evenimentul ,,un client al companiei este desp agubitsi cu:
A
1
-evenimentul ,,clientul provine din categoria de risc ridicat
A
2
-evenimentul ,,clientul provine din categoria de risc mediu
A
3
-evenimentul ,,clientul provine din categoria de risc sc azut
Sistemul A
1
, A
2
, A
3
, formeaz a un sistem complet de evenimente deoarece reuniunea lor este eveni-
mentul sigur si sunt dou a c ate dou a incompatibile. Astfel conform formulei probabilit atii totale:
P (B) = P (A
1
) P
_
B
A
1
_
+P (A
2
) P
_
B
A
2
_
+P (A
3
) P
_
B
A
3
_
= 0, 1 0, 02 +0, 2 0, 01 +0, 7 0, 025 = 0, 00575.
Pentru a r aspunde la a doua ntrebare folosim formula lui Bayes:
P (A
1
/B) =
P(A
1
) P(B/A
1
)
P(A
1
) P(B/A
1
)+P(A
2
)P(B/A
2
)+P(A
3
)P(B/A
3
)
=
0,1 0,02
0,00575
= 0, 347.
Problema 2.4.7. La o loterie sunt 100 bilete, din care 10 sunt c as tig atoare. Opersoan a cump ar a 15 bilete. S ase
determine probabilitatea ca:
a) 1 bilet s a e c as tig ator;
b) s a se obt in a toate cele 10 bilete c as tig atoare;
c) cel put in 2 bilete s a e c as tig atoare.
Rezolvare: Se aplic a schema urnei cu 2 st ari si bila nerevenit a.
a) P
10,90
(1, 14) =
C
1
10
C
14
90
C
15
100
b) P
10,90
(10, 5) =
C
10
10
C
5
90
C
15
100
c) Fie A evenimentul ca ,,cel putin 2 bilete s a e c astig atoare,,. Consider am

Aevenimentul contrar ca ca
cel mult unul din cele 15 cump arate s a e c astig ator. Are loc:
P
_

A
_
= P
10,90
(0, 15) + P
10,90
(1, 14) =
C
0
10
C
15
90
C
15
100
+
C
1
10
C
14
90
C
15
100
Probabilitatea cerut a va P (A) = 1 P
_

A
_
61
Problema 2.4.8. Un depozit de piese auto are n stoc piese de la 4 furnizori n urm atoarele cantit at i: 100 de la
furnizorul F
1
, 50 de la F
2
, 30 de la F
3
s i 80 de la F
4
.
In decursul unei s apt am ani, depozitul a v andut 45 piese. Care e probabilitatea ca din cele 45 de piese v andute,
15 s a provin a de la furnizorul F
1
, 5 de la F
2
, 10 de la F
3
s i 15 de la F
4
.
Rezolvare: Se aplic a schema urnei cu 4 st ari si bila nerevenit a, unde a
1
= 100, a
2
= 50, a
3
= 30, a
4
= 80
k
1
= 15, k
2
= 5, k
3
= 10, k
4
= 15. Probabilitatea cerut a este:
P
100,50,30,80
(15, 5, 10, 15) =
C
15
100
C
5
50
C
10
30
C
15
80
C
45
260
Problema 2.4.9. Pe parcursul unei s apt am ani s-a dat predict ia cursului valutar, astfel nc at cursul poate s a
creasc a zilnic cu probabilitatea
1
4
, respectiv s a scad a cu probabilitatea
3
4
. Stabilit i probabilitatea ca:
a) n 5 zile ale s apt am anii cursul valutar s a creasc a;
b) n cel mult 3 zile cursul valutar s a creasc a;
c) n cel put in 2 zile cursul valutar s a creasc a;
Rezolvare: Consider am evenimentul A ,,cursul valutar s a creasc a ntr-o zi,,. In ecare zi poate avea loc
A sau

A.
Se aplic a schema urnei cu 2 st ari si bila revenit a (schema binomial a), unde: n = 7, p = P (A) =
1
4
,
q = P
_

A
_
=
3
4
,
Probabilitatea de a se produce A de k ori este: P (k) = C
k
7
p
k
q
7k
.
a) Probabilitatea cerut a este: P
7
(5) = C
5
7
p
5
q
75
= C
5
7
_
1
4
_
5
_
3
4
_
2
b) Probabilitatea cerut a este:
3

k=0
P
7
(k) =
3

k=0
C
k
7
p
k
q
7k
=
3

k=0
C
k
7
_
1
4
_
k
_
3
4
_
7k
.
c) Not am cu Cevenimentul ,,cursul valutar s a creasc a n cel putin 2 zile,,. Atunci C este evenimentul:
,,cursul valutar s a nu creasc a n nici o zi sau s a creasc a ntr-o zi,,. Asadar putem scrie:
P
_
C
_
= P
7
(0) +P
7
(1) = C
0
7
_
1
4
_
0
_
3
4
_
7
+C
1
7
_
1
4
_
1
_
3
4
_
6
Probabilitatea cerut a este:
P (C) = 1 P
_

C
_
.
Problema 2.4.10. Un supermarket vinde urm atoarele sortimente de cafea: natural a, cappuccino s i expresso.
Probabilitatea ca un client s a cumpere cafea natural a este 0,55, cappuccino 0,3, iar expresso 0,15.
Determinat i probabilitatea ca din 100 client i, 70 s a cumpere cafea natural a, 20 s a cumpere cappuccino, iar 10
s a cumpere expresso.
Rezolvare: Aplic am schema urnei cu 3 st ari si bila revenit a (schema multinomial a)
Fie A
i
, evenimentul ca un client s a cumpere sortimentul i de cafea , i = 1, 3. Avem evident:
p
1
= P (A
1
) = 0, 55, p
2
= P (A
2
) = 0, 3, p
3
= P (A
3
) = 0, 15, n = 100, k
1
= 70, k
2
= 20, k
3
= 10
Probabilitatea cerut a este:
P
100
(70, 20, 10) =
100!
70!20!10!
(0, 55)
70
(0, 30)
20
(0, 15)
10
Problema 2.4.11. Care e probabilitatea ca al 80-lea client care intr a ntr-o banc a, s a e a 20-a persoan a care
ncheie o polit a de asigurare, s tiind c a probabilitatea ca cineva s a ncheie o polit a de asigurare este de 0,6.
Rezolvare: Se aplic a schema lui Pascal cu n = 80 (num arul clientilor), k = 20 (num arul succeselor),
p = 0, 6, q = 0, 4.
Probabilitatea cerut a este: C
k1
n1
p
k
q
nk
= C
19
79
(0, 6)
20
(0, 4)
60
.
Problema 2.4.12. La trei reprezentant e ale concernului Nokia se g asesc telefoane mobile cu ecran color sau alb-
negru n urm atoarele proport ii: la prima reprezentant a 14 cu ecran color s i 16 cu ecran alb-negru, la a doua 13 cu
ecran color s i 17 cu ecran alb-negru, iar la a treia 14 cu ecran color s i 18 cu ecran alb-negru. Se alege la nt amplare
c ate un telefon mobil de la ecare reprezentant a, pentru a supus unor probe de vericare. Care e probabilitatea
ca din cele 3 telefoane alese dou a s a e cu ecran color, iar unul cu ecran alb-negru?
62
Rezolvare:Aplic am schema lui Poisson. Pentru aceasta not am cu p
i
pro-
babilitatea ca telefonul ales de la reprezentanta i s a aib a ecran color, i = 1, 3. Avem c a:
p
1
=
14
30
, q
1
=
16
30
, p
2
=
13
30
, q
2
=
17
30
, p
3
=
14
32
, q
3
=
18
32
Conform schemei lui Poisson, probabilitatea cerut a este dat a de coecientul lui t
2
al polinomului
(p
1
t +q
1
) (p
2
t +q
2
) (p
3
t +q
3
)
adic a de:
p
1
p
2
q
3
+p
1
q
2
p
3
+q
1
p
2
p
3
=
14
30
13
30
18
32
+
14
30
17
30
14
32
+
16
30
13
30
14
32
= 0, 33.
2.5 Teme de control
Problema 2.5.1. In drum spre locul de munc a un om trece prin 3 intersect ii consecutive, semaforizate. La ecare
semafor se opres te sau s i continu a drumul. Dac a not am cu A
i
, i = 1, 3 evenimentul ,,la intersect ia i continu a
drumul, s a se exprime folosind A
1
, A
2
, A
3
urm atoarele evenimente:
a) persoana are liber la toate intersect iile,
b) persoana opres te la toate intersect iile,
c) persoana opres te la cel put in o intersect ie,
d) persoana opres te la cel mult o intersect ie.
Solutie:
a) A = A
1
A
2
A
3
b) B =

A
1


A
2


A
3
c) C =

A
1


A
2


A
3
d) D = A
_
A
1
A
2


A
3
_

_
A
1


A
2
A
3
_

_

A
1
A
2
A
3
_
Problema 2.5.2. Se arunc a o moned a de dou a ori. Care este probabilitatea ca marca s a apar a cel put in o dat a?
Solutie: p = 0, 75
Problema 2.5.3. Doi tr ag atori trag simultan asupra unei t inte. Probabilitatea de a nimeri t inta este p, respectiv
p
2
cu p (0, 1) pentru cei doi. Stabilit i valoarea lui p astfel nc at probabilitatea ca primul s a nimereasc a t inta s i al
doilea s a nu o loveasc a s a e cel put in egal a cu 0, 375.
Solutie: p
_
1
2
;

131
4
_
Problema 2.5.4. Se arunc a 2 zaruri. Care este probabilitatea ca suma fet elor s a e 6, s tiind c a suma acestor fet e
a dat un num ar par?
Solutie:Folosind formula probabilit atii conditionate se obtine p =
5
18
.
Problema 2.5.5. Un lift ce cont ine 5 persoane se poate opri la oricare din cele 7 etaje ale unei cl adiri. Care este
probabilitatea ca 2 persoane s a nu coboare la acelas i etaj?
Solutie: 0, 15
Problema 2.5.6. Ocompanie produce n 3 schimburi. Intr-o anumit a zi, 1% din articolele produse de I schimb
sunt defecte, 2% din cele produse n al II-lea schimb s i 3% din al III-lea schimb. Dac a cele trei schimburi au
aceeias i productivitate, care este probabilitate ca un produs din acea zi s a e defect? Dac a un produs este defect,
care este probabilitatea ca el s a fost fabricat n schimbul al III-lea?
Solutie: Folosind formula probilit atii totale si formula lui Bayes se obtine: 0, 02 respectiv 0, 5
Problema 2.5.7. Presupunemc a ocupat iile n cadrul unei mari companii sunt grupate n 3 nivele de performant a:
superior (U), mijlociu (M), s i inferior (L). U
1
reprezint a evenimentul c a tat al este n nivelul superior, iar U
2
evenimentul c a ul este n nivel superior, etc. S-a determinat urm atorul tabel privind mobilitatea ocupat ional a
unde indicele1 se refer a la tat a, iar indicele 2 la u:
63
Fiu
Tat a
U
2
M
2
L
2
U
1
0, 45 0, 48 0, 07
M
1
0, 05 0, 70 0, 25
L
1
0, 01 0, 50 0, 49
Prima linie a tabelului se cites te astfel: dac a tat al este n nivelul ocupat ional U probabilitatea ca ul s a e n
U este 0, 45, probabilitatea ca ul s a n M este 0, 48, respectiv probabilitatea ca ul s a e n L este 0,07 (celelalte
linii ale tabelului se citesc analog). Presupunem c a 10% din generat ia tat alui suntU, 40% sunt M s i 50% n L.
Care este probabilitatea ca un u din generat ia urm atoare s a e n U? Dac a un u este n nivelul ocupat ional U,
care este probabilitatea ca tat al s a fost n U?
Solutie: Folosind formula probilit atii totale si formula lui Bayes se obtine: 0, 07 si 0, 64.
Problema 2.5.8. Intr-un lot de 400 piese, 10 sunt defecte. Se aleg aleator 20 piese. S a se calculeze probabilitatea
ca ntre piesele alese :
a) 4 piese s a e defecte;
b) s a e cel mult 6 piese defecte;
c) s a nu e nici o pies a defect a
R aspuns: a) P
10,390
(4, 16) =
C
4
10
C
16
390
C
20
400
; b)
6

k=0
P
10,390
(k, 20 k); c) P
10,390
(0, 20)
Problema 2.5.9. O comisie internat ional a este format a din 5 rom ani, 7 italieni, 4 olandezi s i 6 elvet ieni. Se aleg
la nt amplare 10 persoane pentru a forma o subcomisie. S a se calculeze probabilitatea ca din cele 10 persoane
alese, 2 s a e rom ani, 3 italieni, 3 olandezi s i 2 elvet ieni.
R aspuns: P
5,7,4,6
(2, 3, 3, 2) =
C
2
5
C
3
7
C
3
4
C
2
6
C
10
22
Problema 2.5.10. Pe parcursul a 10 zile de var a s-a dat prognoza meteo astfel nc at zilnic pot c adea precipitat ii
cu probabilitatea 0,2.Calculat i probabilitatea de a ploua:
a) n 3 zile;
b) n cel mult 4 zile;
c) n cel put in 3 zile.
R aspuns: a) P
10
(3) = C
3
10
(0, 2)
3
(0, 8)
7
; b)
4

K=0
P
10
(k); c) 1
2

K=0
P
10
(k).
Problema 2.5.11. Se arunc a un zar de 20 de ori. S a se calculeze probabilitatea ca de 8 ori s a apar a un num ar
prim, de 10 ori un num ar compus s i de 2 ori fat a cu un punct.
R aspuns: P
20
(8, 10, 2) =
20!
8! 10! 2!
_
3
6
_
2
_
2
6
_
10
_
1
6
_
2
Problema 2.5.12. Avem 4 grupe de student i: n prima grup a sunt 20 fete s i 5 b aiet i, n a doua grup a sunt 15
fete s i 10 b aiet i, n a treia grup a sunt 10 fete s i 15 b aiet i, n a patra grup a sunt 24 fete s i 1 b aiat. Se alege c ate un
student din ecare grup a pentru a participa la o act iune publicitar a pentru promovarea unui produs.
S a se calculeze probabilitatea ca ntre student ii ales i:
a) trei s a e fete;
b) s a e numai fete;
c) s a e cel put in o fat a.
R aspuns: Se aplic a schema lui Poisson
a) 0, 453, b)
20
25
15
25
10
25
24
25
= 0, 184, c) 1
5
25
10
25
15
25
1
25
= 0, 998
64
Rezumat modul
In acest modul s-au introdus notiunile de eveniment, probabilitate, operatii cu evenimente.S-au denit
variabilele aleatoare de tip discret si continuu, functia de repartitie precum si caracteristicile numerice ale
variabilelor aleatoare.
In cazul repartitiilor clasice, s-au precizat functiile de probabilitate si densitate de probabilitate si au
fost calculate valorile medii si dispersiile acestor variabile aleatoare.
Bibliograe modul
1. Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009
2. Colectiv, Analiza matematica, Teoria Probabilitatilor si Algebra liniara aplicate in economie, Ed.
Mediamira, Cluj-Napoca, 2008
3. Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj Napoca, 2011.
65
Bibliografie
[1] Colectiv, Matematici aplicate n economie, Ed. Mega, Cluj Napoca, 2011.
[2] Colectiv, Elemente de Algebra liniara si Analiza matematica pentru economisti, Ed. Todesco, Cluj-
Napoca, 2003.
[3] Colectiv, Elemente de teoria probabilitatilor si statistica matemetica pentru economisti, Ed. Todesco,
Cluj-Napoca, 2004.
[4] Colectiv, Elemente de algebra liniara, analiza matematica si teoria probabilitatilor, Ed. Mega, Cluj-
Napoca, 2009.
[5] Muresan A.S., Blaga P., Matematici aplicate in economie, vol. I, Ed. Transilvania Press, Cluj-Napoca,
1996.
[6] Colectiv, Analiza matematica, Teoria Probabilitatilor si Algebra liniara aplicate in economie, Ed. Me-
diamira, Cluj-Napoca, 2008.
[7] Colectiv, Elemente de teoria probabilitatilor si statistica matemetica pentru economisti, Ed. Todesco,
Cluj-Napoca, 2004.
[8] Mihoc I., Calculul probabilitatilor si statistica matematica, lito UBB, Cluj-Napoca, 1998.
[9] Muresan A.S., Blaga P., Matematici aplicate in economie, vol. I, Ed. Transilvania Press, Cluj-Napoca,
1996.
66