Curs Probabilitati Anul 2

Probabilităţi şi Statistică Matematică.
Note de curs
ELEMENTE DE TEORIA PROBABILITĂŢILOR
Majoritatea fenomenelor din natură şi societate sunt aleatoare. Teoria Probabi-
lităţilor studiază legile după care evoluează fenomenele aleatoare. Începuturile Teoriei
Probabilităţilor sunt legate de numele matematicienilor Blaise Pascal, Pierre Fermat,
Jakob Bernoulli in secolul al XVII-lea. In corespondenţa dintre Pascal şi Fermat sunt
considerate primele probleme legate de probabilitate şi de analiză a jocurilor de hazard,
in urma unor intrebari adresate de cavalerul de Mere privind jocul de zaruri. Termenul
hazard este chiar mai vechi, el provine din limba arabă ”az- zahr” - joc de zaruri (sec XII).
Se numeşte experienţă aleatoare experimentarea practică a unui ansamblu de condiţii

care poate să conducă la mai multe rezultate posibile. Orice repetare a unei experienţe
aleatoare se numeşte probă. Rezultatul unei experienţe aleatoare sau al unei probe se
numeşte eveniment. Cuantificarea şansei fiecărui eveniment de a se realiza corespunde
noţiunii intuitive de probabilitate.
Mulţimea tuturor rezultatelor posibile asociate unei experienţe aleatoare se numeşte
mulţimea evenimentelor elementare şi se notează in mod tradiţional cu Ω.
Exemplul 1. Se consideră experienţa aleatoare ı̂n care se aruncă un zar şi se observă
numărul feţei apărute. Mulţimea evenimentelor elementare este
Ω = {1, 2, 3, 4, 5, 6}. (1)
Exemplul 2. Fie experienţa aleatoare ı̂n care se aruncă o monedă şi se observă
numărul de aruncări efectuate până la apariţia stemei. Mulţimea evenimentelor elemen-
tare este
Ω = {1, 2, 3, . . . } = N∗ . (2)
Exemplul 3. Se consideră experienţa aleatoare ı̂n care se observă durata de funcţionare

a unei lămpi electrice. Mulţimea evenimentelor elementare este
Ω = (0, ∞). (3)
Un eveniment se numeşte simplu dacă se realizează ı̂ntr-o probă, respectiv compus

dacă se realizează ı̂n două sau mai multe probe.
1
Prof. dr. Aida Toma
Operaţii logice cu evenimente
1. A=B evenimentele A şi B coincid

2. A⊂B realizarea lui A implică realizarea lui B
3. ∅ evenimentul imposibil (nu se realizează ı̂n nicio probă)
4. Ω evenimentul sigur (se realizează ı̂n orice probă)
5. A∪B evenimentul care se realizează dacă se realizează A sau se realizează B
6. A∩B evenimentul care se realizează dacă se realizează A şi se realizează B
7. A ∩ B 6= ∅ evenimente compatibile (se pot realiza simultan)
8. A∩B =∅ evenimente incompatibile (nu se pot realiza simultan)
9. A evenimentul opus lui A (se realizează atunci când nu se realizează A)
10. A\B evenimentul care se realizează dacă se realizează A şi nu se realizează B)
Tabela 1: Operaţii cu evenimente.
Cu notaţiile precedente, un eveniment A este compus, dacă există două evenimente

B şi C, B 6= ∅, B 6= A, C 6= ∅, C 6= A astfel incât A = B ∪ C.
2. A ⊂ B = {ω ∈ Ω/ω ∈ A ⇒ ω ∈ B}
Proprietăţi.
1. A ⊂ A
2. ∅ ⊂ A
3. A ⊂ Ω
4. A ⊂ B şi B ⊂ A ⇒ A = B
5. A ∪ B = {ω ∈ Ω/ω ∈ A sau ω ∈ B}
Proprietăţi.
1. A ∪ B = B ∪ A
2. (A ∪ B) ∪ C = A ∪ (B ∪ C)
3. A ∪ A = A
4. A ∪ ∅ = A
5. A ∪ Ω = Ω
2
Probabilităţi şi Statistică Matematică. Note de curs
Pentru un număr finit oarecare de evenimente, operaţia ” ∪ ” se extinde astfel:

n
[
Ai = {ω ∈ Ω/∃ i ∈ {1, . . . , n}, ω ∈ Ai } (4)
i=1
6. A ∩ B = {ω ∈ Ω/ω ∈ A şi ω ∈ B}
Proprietăţi.
1. A ∩ B = B ∩ A
2. (A ∩ B) ∩ C = A ∩ (B ∩ C)
3. A ∩ A = A
4. A ∩ ∅ = ∅
5. A ∩ Ω = A
6. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
7. A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
Pentru un număr finit oarecare de evenimente, operaţia ” ∩ ” se extinde astfel:

n
\
Ai = {ω ∈ Ω/ω ∈ Ai , ∀ i ∈ {1, . . . , n}}. (5)
i=1
9. A = {ω ∈ Ω/ω ∈
/ A}
Proprietăţi.
1. ∅ = Ω
2. Ω = ∅
3. A = A
4. A ∪ B = A ∩ B
5. A ∩ B = A ∪ B
Generalizarea Legilor lui DeMorgan

1. ni=1 Ai = ni=1 Ai
S T
2. ni=1 Ai = ni=1 Ai
T S
10. A \ B = {ω ∈ Ω/ω ∈ A şi ω ∈

/ B}
A \ B = A ∩ B.
3
Prof. dr. Aida Toma
Definiţia 1 Fie Ω finită. O submulţime nevidă K ⊂ P(Ω) se numeşte corp de evenimente

dacă:
1. A ∈ K, ∀A ∈ K
2. A ∪ B ∈ K, ∀A, B ∈ K.
Cuplul (Ω, K) se numeşte câmp de evenimente.
Proprietăţi.
1. ∅ ∈ K, Ω ∈ K
2. A ∩ B ∈ K, ∀A, B ∈ K
3. ni=1 Ai ∈ K, ∀ Ai ∈ K, i = 1, n
S
4. ni=1 Ai ∈ K, ∀ Ai ∈ K, i = 1, n
T
Realizarea unor evenimente poate avea loc după un număr infinit de probe. De
exemplu, considerăm experienţa aleatoare ı̂n care se aruncă un zar până la apariţia feţei
6. Notăm cu A evenimentul ca faţa 6 să apară la o aruncare, iar cu An evenimentul ca
faţa 6 să apară la aruncarea n. Atunci
∞
[
A= An := {ω ∈ Ω/∃ n ∈ N∗ , ω ∈ An }. (6)
n=1
Definiţia 2 Fie Ω infinită. O submulţime nevidă K ⊂ P(Ω) se numeşte corp borelian de

evenimente dacă:
1. A ∈ K, ∀ A ∈ K
2. ∞ ∗
S
n=1 An ∈ K, ∀ An ∈ K, n ∈ N .
Cuplul (Ω, K) se numeşte câmp borelian de evenimente.
Definiţia clasică a probabilităţii

Pn
Fie Ω = {ω1 , ω2 , . . . , ωn } şi pi = P ({ωi }), i = 1, n, 0 ≤ pi ≤ 1, i=1 pi = 1. Atunci
X
P (A) = pi (7)
ωi ∈A
reprezentând suma probabilităţilor evenimentelor elementare ce ı̂l implică pe A.
4
Caz particular: echiprobabilitate

În acest caz, pi = n1 , ∀ i = 1, n. Atunci
X X 1 cardA
P (A) = pi = = . (8)
ωi ∈A ω ∈A
n cardΩ
i
Definiţia este prezentată de multe ori sub forma
numărul cazurilor f avorabile

P (A) = (9)
numărul cazurilor posibile
numită regula lui Laplace.

Deseori echiprobabilitatea este subânţeleasă dar poate fi şi precizată, spunându-se
că rezultatul experienţei se obţine la ı̂ntâmplare.
5
Probabilităţi şi Statistică Matematică. Note de Curs
Definiţia 1 Fie (Ω, K) un câmp de evenimente. Se numeşte probabilitate finit aditivă o

funcţie P : K → R cu proprietăţile:
1. P (A) ≥ 0, ∀A ∈ K
2. P (Ω) = 1
3. P (A ∪ B) = P (A) + P (B), ∀ A, B ∈ K, A ∩ B = ∅.
Tripletul (Ω, K, P ) se numeşte câmp finit de probabilitate.
Axioma 3 se extinde astfel:

n
[ n
X
P( Ai ) = P (Ai ), ∀A1 , . . . , An ∈ K, Ai ∩ Aj = ∅, i 6= j.
i=1 i=1
Proprietăţi.
1. P (A) = 1 − P (A)
2. P (∅) = 0
3. P (A) ≤ P (B), dacă A ⊂ B
4. 0 ≤ P (A) ≤ 1
5. P (A \ B) = P (A) − P (A ∩ B)
6. P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
7. P ( ni=1 Ai ) = ni=1 P (Ai ) − i,j,i6=j P (Ai ∩ Aj ) + · · · + (−1)n−1 P ( ni=1 Ai )
S P P T
8. P ( ni=1 Ai ) ≤ ni=1 P (Ai ).

S P
9. P ( ni=1 Ai ) ≥ ni=1 P (Ai ) − (n − 1) (inegalitatea lui Boole)

T P
Demonstraţie.
1. Fie A ∈ K. Atunci A ∈ K şi cum Ω = A ∪ A şi A ∩ A = ∅ avem
1 = P (Ω) = P (A ∪ A) = P (A) + P (A). (1)
Deci P (A) = 1 − P (A).

2. P (∅) = P (Ω) = 1 − P (Ω) = 1 − 1 = 0.
3. Dacă A ⊂ B, atunci B = A ∪ (B \ A). Într-adevăr,
A ∪ (B \ A) = A ∪ (B ∩ A) = (A ∪ B) ∩ (A ∪ A) = A ∪ B = B. (2)
1
Prof. dr. Aida Toma
În plus,
A ∩ (B \ A) = A ∩ (B ∩ A) = (A ∩ A) ∩ B = ∅ ∩ B = ∅. (3)
Deci
P (B) = P (A ∪ (B \ A)) = P (A) + P (B \ A) ⇒ P (A) ≤ P (B). (4)
4. ∅ ⊂ A ⊂ Ω ⇒ P (∅) ≤ P (A) ≤ P (Ω) ⇒ 0 ≤ P (A) ≤ 1.

5. Avem A = (A \ B) ∪ (A ∩ B). Într-adevăr
(A \ B) ∪ (A ∩ B) = (A ∩ B) ∪ (A ∩ B) = A ∩ (B ∪ B) = A ∩ Ω = A (5)
iar
(A \ B) ∩ (A ∩ B) = (A ∩ B) ∩ (A ∩ B) = A ∩ (B ∩ B) = A ∩ ∅ = ∅. (6)
Deci,
P (A) = P (A \ B) + P (A ∩ B) ⇒ P (A \ B) = P (A) − P (A ∩ B). (7)
6. Avem A ∪ B = (A \ B) ∪ B. În plus,
(A \ B) ∩ B = (A ∩ B) ∩ B = A ∩ (B ∩ B) = A ∩ ∅ = ∅. (8)
Deci,
P (A ∪ B) = P (A \ B) + P (B) = P (A) − P (A ∩ B) + P (B). (9)
7. Fie
B1 = A1
B2 = A2 \ A1
B3 = A3 \ (A1 ∩ A2 )
...
Bn = An \ ( n−1
T
i=1 Ai ).
Avem Bi ⊂ Ai , ∀i ∈ {1, . . . , n}, deci P (Bi ) ≤ P (Ai ), ∀i ∈ {1, . . . , n}. Pe de altă

parte, ni=1 Bi = ni=1 Ai , iar Bi ∩ Bj = ∅, ∀i 6= j. Atunci
S S
n
[ n
[ n
X n
X
P( Ai ) = P ( Bi ) = P (Bi ) ≤ P (Ai ).
i=1 i=1 i=1 i=1
2
Definiţia 2 Fie (Ω, K) un câmp borelian de evenimente. Se numeşte probabilitate numărabil

aditivă o funcţie P : K → R cu proprietăţile:
1. P (A) ≥ 0, ∀A ∈ K
2. P (Ω) = 1.
3. P ( ∞
S P∞
n=1 An ) = n=1 P (An ), ∀An ∈ K, An ∩ Am = ∅, m 6= n.
Tripletul (Ω, K, P ) se numeşte câmp borelian de probabilitate.
Probabilităţi condiţionate
Fie (Ω, K, P ) un câmp borelian de probabilitate.
Fie B ∈ K, P (B) > 0. Se numeşte probabilitate condiţionată
P (A ∩ B)
ΠB (A) = P (A/B) = .
P (B)
Probabilitatea condiţionată ΠB : K → R este probabilitate numărabil aditivă.

Din definiţia probabilităţii condiţionate deducem formula
P (A ∩ B) = P (B)P (A/B) = P (A)P (B/A) (10)
numită formula probabilităţilor compuse.

Această formulă se extinde prin recurenţă astfel:
n−1
\
P (A1 ∩ · · · ∩ An ) = P (A1 )P (A2 /A1 )P (A3 /A1 ∩ A2 ) · · · P (An / Ai ) (11)
i=1
numită regula de ı̂nmulţire a probabilităţilor.
Definiţia 3 Evenimentele A şi B se numesc independente ı̂n raport cu probabilitatea P ,

dacă
P (A ∩ B) = P (A)P (B). (12)
Definiţia 4 Evenimentele A1 , . . . , An se numesc mutual independente ı̂n raport cu pro-

babilitatea P , dacă
P (Ai1 ∩ · · · ∩ Aik ) = P (Ai1 ) · · · P (Aik ), ∀ {i1 , . . . , ik } ⊂ {1, . . . , n}. (13)
3
Prof. dr. Aida Toma
Exerciţiu Dacă evenimentele A şi B sunt independente, atunci: A şi B sunt inde-
pendente, A şi B sunt independente, respectiv A şi B sunt independente.
Exerciţiu
Un student vrea să obţină o bursă de studiu in străinătate in domeniul informatică
şi depune in acest scop documente la 3 universităţi, in Franţa, in Anglia, respectiv in
SUA. Care este probabilitatea ca studentul să obţină o bursă, ştiind că probabilităţile cu
care universităţile respective acordă burse sunt p1 = 0.25 in Franţa, p2 = 0.2 in Anglia şi
p3 = 0.3 in SUA.
Soluţie
Fie A1 evenimentul ca universitatea din Franţa să ii acorde bursă studentului.
Fie A2 evenimentul ca universitatea din Anglia să ii acorde bursă studentului.
Fie A3 evenimentul ca universitatea din SUA să ii acorde bursă studentului.
Fie A evenimentul ca cel puţin o universitate să ii acorde bursă studentului.
A = A1 ∪ A2 ∪ A3 .
Atunci
P (A) = P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) −
−P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − P (A2 ∩ A3 ) + P (A1 ∩ A2 ∩ A3 )
= P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ) · P (A2 ) − P (A1 ) · P (A3 ) − P (A2 ) · P (A3 ) +
+P (A1 ) · P (A2 ) · P (A3 )
= 0.25 + 0.2 + 0.3 − 0.25 · 0.2 − 0.25 · 0.3 − 0.2 · 0.3 + 0.25 · 0.2 · 0.3
= 0.75 − 0.185 + 0.015 = 0.58.
Exerciţiu
Intr-un turneu de tenis, Simona Halep trebuie sa le infrunte pe Sarapova si pe Konta
in cursul a 3 partide succesive in care cele două adversare alternează. Simona va câştiga
turneul, dacă va câştiga 2 partide consecutive. Ea ştie că probabilitatea p de a o invinge
pe Konta este mai mare decât probabilitatea q de a o invige pe Sarapova. Ce adversar va
alege pentru prima partidă, pentru a avea şanse cât mai mari de a câştiga turneul?
4
Soluţie
Vom calcula probabilitatea ca Simona să câştige turneul in fiecare din următoarele
2 cazuri:
1) Konta - Sarapova - Konta

2) Sarapova - Konta - Sarapova
1) Fie A evenimentul ca Simona să câştige turneul in cazul 1.

Fie Ai evenimentul ca Simona să câştige meciul i in cazul 1, i ∈ {1, 2, 3}.
A = (A1 ∩ A2 ∩ A3 ) ∪ (A1 ∩ A2 ∩ A3 ) ∪ (A1 ∩ A2 ∩ A3 ).
Atunci
P (A) = P (E1 ∪ E2 ∪ E3 ) = P (E1 ) + P (E2 ) + P (E3 )
= P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A3 )
= pq(1 − p) + (1 − p)qp + pqp = pq − p2 q + pq − p2 q + p2 q = 2pq − p2 q = pq(2 − p)
2) Fie B evenimentul ca Simona să câştige turneul in cazul 2.

Fie Bi evenimentul ca Simona să câştige meciul i in cazul 2, i ∈ {1, 2, 3}.
B = (B1 ∩ B2 ∩ B3 ) ∪ (B1 ∩ B2 ∩ B3 ) ∪ (B1 ∩ B2 ∩ B3 ).
Atunci
P (B) = P (E10 ∪ E20 ∪ E30 ) = P (E10 ) + P (E20 ) + P (E30 )
= P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 )
= qp(1 − q) + (1 − q)pq + qpq = pq − pq 2 + pq − pq 2 + pq 2 = 2pq − pq 2 = pq(2 − q).
Deoarece q < p, rezultă că P (B) > P (A). Deci Simona va avea şanse mai mari să
câştige turneul, dacă va juca de 2 ori cu adversarul mai puternic.
5
Formula probabilităţii totale
Fie (Ω, K, P ) un câmp borelian de evenimente.
Definiţia 1 O mulţime {A1 , . . . , An } de evenimente din corpul K se numeşte sistem com-

plet de evenimente dacă sunt ı̂ndeplinite condiţiile:
1. P (Ai ) > 0, ∀i ∈ {1, . . . , n}

Sn
2. Ω = i=1 Ai
T
3. Ai Aj = ∅, ∀i 6= j.
Fie A ∈ K şi {A1 , . . . , An } un sistem complet de evenimente. Atunci

n
[ n
[
A=A∩Ω=A∩( Ai ) = (A ∩ Ai ). (1)
i=1 i=1
Deci,
n
[ n
X n
X
P (A) = P ( (A ∩ Ai )) = P (A ∩ Ai ) = P (Ai )P (A/Ai ). (2)
i=1 i=1 i=1
Se obţine formula probabilităţii totale:

n
X
P (A) = P (Ai )P (A/Ai ). (3)
i=1
Apoi, din definiţia probabilităţii condiţionate, deducem
P (Ai ∩ A) P (Ai )P (A/Ai )

P (Ai /A) = = Pn (4)
P (A) i=1 P (Ai )P (A/Ai )
deci se obţine formula lui Bayes
P (Ai )P (A/Ai )
P (Ai /A) = Pn . (5)
i=1 P (Ai )P (A/Ai )
1
Prof. dr. Aida Toma
Aplicaţie
In depozitul unui magazin există 100 de calculatoare de acelaşi tip, din care 30
provin de la furnizorul F1 , 50 de la furnizorul F2 şi 20 de la furnizorul F3 . Probabilităţile
cu care furnizorii asamblează calculatoare cu defecte sunt: 0.04 pentru F1 , 0.02 pentru
F2 , 0.03 pentru F3 . O persoană cumpără un calculator şi observă că are un defect.
a) Care este probabilitatea ca un produs luat la intamplare din depozit să fie defect?
b) Care este probabilitatea ca produsul defect să provină de la furnizorul F1 ?
c) Conform contractului incheiat cu furnizorii, atunci când apare un produs defect,
fiecare furnizor este penalizat cu probabilitatea ca produsul defect să provină de la acesta.
Ştiind că penalizarea este de 2800 RON, stabiliţi suma suportată de fiecare furnizor.
Soluţie
a) Fie A evenimentul ca un produs luat la intâmplare din depozit să fie defect.
Fie Ai evenimentul ca un produs luat la intâmplare din depozit să provină de la
furnizorul Fi , i ∈ {1, 2, 3}.
{A1 , A2 , A3 } este un sistem complet de evenimente, deoarece:
30 50 20
1. P (A1 ) = 100 > 0, P (A2 ) = 100
> 0, P (A3 ) = 100
> 0;
S3
2. i=1 Ai = Ω;
T
3. Ai Aj = ∅, ∀i 6= j.
Folosind formula probabilităţii totale, obţinem:
P (A) = P (A1 )P (A/A1 ) + P (A2 )P (A/A2 ) + P (A3 )P (A/A3 )

30 4 50 2 20 3 12 + 10 + 6 28
= · + · + · = = = 0.028.
100 100 100 100 100 100 1000 1000
b) Probabilitatea ca produsul defect să provină de la furnizorul F1 este

30 4
P (A1 )P (A/A1 ) 100
· 100 12
P (A1 /A) = = 28 = . (6)
P (A) 1000
28
c) Calculăm probabilităţile ca produsul defect să provină de la ceilalţi furnizori:
50 2
P (A2 )P (A/A2 ) 100
· 100 10
P (A2 /A) = = 28 =
P (A) 1000
28
20
P (A3 )P (A/A3 ) · 3
100 100 6
P (A3 /A) = = 28 = .
P (A) 1000
28
2
Fie Si penalizarea suportată de furnizorul Fi , i ∈ {1, 2, 3}. Obţinem
12
S1 = · 2800 = 1200 RON
28
10
S2 = · 2800 = 1000 RON
28
6
S3 = · 2800 = 600 RON.
28
Scheme clasice de probabilitate
1 Schema urnei cu bilă nerevenită - cazul a două culori.
Se consideră o urnă ce conţine N bile dintre care a sunt albe şi N − a negre. Se
extrag la ı̂ntâmplare n bile din urnă fără revenire. Probabilitatea ca din cele n bile
extrase x să fie albe este
Cax CNn−x
−a
n
. (7)
CN
2 Schema urnei cu bilă nerevenită - cazul mai multor culori.
Se consideră o urnă ce conţine N bile de m culori, ai fiind de culoare i, i ∈

{1, . . . , m}. Se extrag la ı̂ntâmplare n bile din urnă, fără revenire. Probabilita-
tea ca din cele n bile extrase xi să fie de culoare i este
Cax11 Cax22 · · · Caxmm

. (8)
CNn
3 Schema lui Poisson
Se consideră n urne ce conţin bile albe şi bile negre. Probabilitatea de a extrage o bilă
albă din urna i este pi , iar de a extrage o bilă neagră este qi = 1 − pi , i ∈ {1, . . . , n}.
Se extrag la ı̂ntâmplare n bile, câte una din fiecare urnă. Probabilitatea ca din cele
n bile extrase x să fie albe este coeficientul lui tx din polinomul
Pn (t) = (p1 t + q1 )(p2 t + q2 ) · · · (pn t + qn ). (9)
3
Prof. dr. Aida Toma
4 Schema lui Bernoulli
Se consideră o urnă ce conţine bile albe şi bile negre. Probabilitatea de a extrage o
bilă albă este p, iar de a extrage o bilă neagră este q = 1−p. Se extrag la ı̂ntâmplare
n bile din urnă cu revenire. Probabilitatea ca din cele n bile extrase x să fie albe
este
Cnx px q n−x . (10)
Pentru demonstraţie se foloseşte schema lui Poisson cu cele n urne identice.
5 Schema multinomială
Se consideră o urnă ce conţine bile de m culori. Probabilitatea de a extrage o bilă

de culoare i este pi , i ∈ {1, . . . , m}. Se extrag la ı̂ntâmplare n bile din urnă, cu
revenire. Probabilitatea ca din cele n bile extrase xi să fie de culoare i, este
n!
px1 px2 · · · pxmm . (11)
x1 !x2 ! · · · xm ! 1 2
6 Schema lui Pascal (geometrică)
Se consideră urna din schema lui Bernoulli şi se fac extrageri succesive până la
apariţia primei bile albe. Probabilitatea ca prima bilă albă să apară la extragerea
x este
q x−1 p. (12)
Demonstraţie.
Fie A evenimentul ca prima bilă albă să apară la extragerea x şi Ai evenimentul ca
la extragerea i să se obţină o bilă albă. Atunci
P (A) = P (A1 ∩ A2 · · · ∩ Ax−1 ∩ Ax ) = P (A1 )P (A2 ) . . . P (Ax−1 )P (Ax ) = q x−1 p (13)
deoarece evenimentele A1 , A2 , ..., Ax sunt independente.
4
Variabile aleatoare
Fie (Ω, K, P ) un câmp borelian de probabilitate.
Definiţia 1 Se numeşte variabilă aleatoare o funcţie X : Ω → R cu proprietatea
{ω ∈ Ω/X(ω) < x} ∈ K, ∀x ∈ R. (1)
Propoziţia 1 Fie X o variabilă aleatoare. Atunci, sunt adevărate următoarele
1. {ω ∈ Ω/X(ω) ≥ x} ∈ K, ∀ x ∈ R.
2. {ω ∈ Ω/X(ω) ≤ x} ∈ K, ∀ x ∈ R.
3. {ω ∈ Ω/X(ω) > x} ∈ K, ∀ x ∈ R.
4. {ω ∈ Ω/X(ω) = x} ∈ K, ∀ x ∈ R.
5. {ω ∈ Ω/x ≤ X(ω) < y} ∈ K, ∀ x, y ∈ R, x < y.
6. {ω ∈ Ω/x ≤ X(ω) ≤ y} ∈ K, ∀ x, y ∈ R, x < y.
7. {ω ∈ Ω/x < X(ω) < y} ∈ K, ∀ x, y ∈ R, x < y.
8. {ω ∈ Ω/x < X(ω) ≤ y} ∈ K, ∀ x, y ∈ R, x < y.
Demonstraţie.
1. Fie x ∈ R. Atunci
{ω ∈ Ω/X(ω) ≥ x} = {ω ∈ Ω/X(ω) < x} ∈ K (2)
conform definiţiei variabilei aleatoare şi definiţiei corpului borelian.

∞
\ 1
{ω ∈ Ω/X(ω) ≤ x} = ω ∈ Ω/X(ω) < x + ∈ K. (3)
n=1
n
{ω ∈ Ω/X(ω) > x} = {ω ∈ Ω/X(ω) ≤ x} ∈ K. (4)
{ω ∈ Ω/X(ω) = x} = {ω ∈ Ω/X(ω) ≤ x} ∩ {ω ∈ Ω/X(ω) < x} ∈ K. (5)
1
Prof. dr. Aida Toma
Propoziţia 2 Fie a ∈ R. Funcţia X : Ω → R, X(ω) = a, ∀ ω ∈ Ω este o variabilă

aleatoare.
Demonstraţie. Fie x ∈ R. Atunci


 ∅ ∈ K, x≤a
{ω ∈ Ω/X(ω) < x} = (6)
 Ω ∈ K, x>a
deci X este o variabilă aleatoare.
Propoziţia 3 Fie X : Ω → R o variabilă aleatoare. Atunci:
1. a + X este variabilă aleatoare, ∀ a ∈ R.
2. a · X este variabilă aleatoare, ∀ a ∈ R.
3. X 2 este variabilă aleatoare.
4. |X| este variabilă aleatoare.
1
5. X
este variabilă aleatoare, dacă X 6= 0.
Propoziţia 4 Fie X : Ω → R şi Y : Ω → R două variabile aleatoare. Atunci:
1. X − Y este variabilă aleatoare.
2. X + Y este variabilă aleatoare.
3. X · Y este variabilă aleatoare.
X
4. Y
este variabilă aleatoare, dacă Y 6= 0.
Definiţia 2 Fie X : Ω → R o variabilă aleatoare. Se numeşte funcţia de repartiţie a

variabilei aleatoare X, funcţia F : R → R,
F (x) = P (X < x) = P ({ω ∈ Ω/X(ω) < x}). (7)
2
Propoziţia 5 Funcţia de repartiţie F a unei variabile aleatoare X are proprietăţile
1. P (a ≤ X < b) = F (b) − F (a)
2. P (a < X < b) = F (b) − F (a) − P (X = a)
3. P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b)
4. P (a < X ≤ b) = F (b) − F (a) − P (X = a) + P (X = b), ∀a, b ∈ R, a < b.
Propoziţia 6 Funcţia de repartiţie F a unei variabile aleatoare X are proprietăţile:
1. limx→−∞ F (x) = 0
2. limx→∞ F (x) = 1
3. F (x) ≤ F (y), ∀x, y ∈ R, x < y
4. F este continuă la stânga ı̂n orice punct x ∈ R.
Variabile aleatoare discrete

O variabilă aleatoare X : Ω → R se numeşte discretă dacă mulţimea valorilor sale,
notată X(Ω), este finită sau numărabilă.
Fie X o variabilă aleatoare discretă şi X(Ω) = {x1 , x2 , . . . , xn , . . . } mulţimea valo-
rilor sale. Fie
pi = P (X = xi ) = P ({ω ∈ Ω/X(ω) = xi }), i ∈ N∗ . (8)
Repartiţia variabilei aleatoare X este dată de perechile (xi , pi ), i ∈ N∗ .

Dacă mulţimea valorilor variabilei aleatoare este finită, repartiţia se poate reprezenta
printr-un tablou de forma
 
n
x1 x2 . . . x n X
X:  , pi ≥ 0, i = 1, n, pi = 1. (9)
p1 p2 . . . pn i=1
3
Prof. dr. Aida Toma
Exemplul 1
Se ştie că in medie 1 din 3 studenţi ai unei facultăţi promovează examenul de pro-
babilităţi. Se consideră un grup format din 4 studenţi şi variabila aleatoare X care indică
numărul de studenţi ce promovează din cei 4. Să se determine:
a) repartiţia v.a. X;
b) probabilitatea ca cel puţin un student să promoveze;
c) probabilitatea ca cel puţin un student să promoveze, ştiind că cel mult 2 promo-
vează.
Soluţie.
a)  
0 1 2 3 4
X: .
p1 p2 p3 p4 p5
1
Probabilitatea ca un student să promoveze este p = 3
, iar probabilitatea ca un
student să nu promoveze este q = 23 . Folosind schema lui Bernoulli, probabilitatea ca din
4 studenţi k să promoveze este P (X = k) = C4k pk q 4−k
16
p1 = C40 p0 q 4 =
81
32
p2 = C41 p1 q 3 =
81
24
p3 = C42 p2 q 2 =
81
8
p4 = C43 p3 q 1 =
81
1
p5 = C44 p4 q 0 = .
81
Deci  
0 1 2 3 4
X: .
16 32 24 8 1
81 81 81 81 81
16 65
b) P (X ≥ 1) = 1 − P (X < 1) = 1 − P (X = 0) = 1 − 81
= 81
.
c)
P ((X ≥ 1) ∩ (X ≤ 2)) P (1 ≤ X ≤ 2)
P (X ≥ 1/X ≤ 2) = =
P (X ≤ 2) P (X ≤ 2)

P (X = 1) + P (X = 2) 32 24 81 7
= = + · = .
P (X = 0) + P (X = 1) + P (X = 2) 81 81 72 9
4
Exemplul 2
Se consideră experienţa aleatoare ı̂n care se aruncă un zar şi se observă numărul
feţei apărute. Fie X variabila aleatoare ce dă numărul feţei apărute.
Avem Ω = {ω1 , ω2 , . . . , ω6 }, X(ωi ) = i, i = 1, 6, iar P (X = i) = 16 , i = 1, 6.
Deci repartiţia variabilei aleatoare X este
 
1 2 3 4 5 6
X: . (10)
1 1 1 1 1 1
6 6 6 6 6 6
Funcţia sa de repartiţie este F : R → R,




 0, x≤1


1
, 1<x≤2


6




2
, 2<x≤3


 6


F (x) = P (X < x) = 3 (11)
6
, 3<x≤4


4
, 4<x≤5


6




5
, 5<x≤6



 6



 1, x > 6.
5
Variabile aleatoare continue

Fie (Ω, K, P ) un câmp borelian de probabilitate. O variabilă aleatoare X se numeşte
continuă dacă mulţimea valorilor sale este un interval I din R, deci X(Ω) = I ⊂ R.
Fie X o variabilă aleatoare continuă. Dacă funcţia sa de repartiţie F este derivabilă
cu derivata continuă, atunci funcţia f : R → R definită prin

 F 0 (x), x ∈ I
f (x) = (1)
 0, x∈/I
se numeşte densitatea de repartiţie a variabilei aleatoare X.
Propoziţia 1 Densitatea de repartiţie a unei variabile aleatoare are proprietăţile
1. f (x) ≥ 0, ∀ x ∈ R
R∞
2. −∞
f (x)dx = 1.
Propoziţia 2 Dacă X este o variabilă aleatoare continuă, atunci P (X = a) = 0, ∀ a ∈ R.
Demonstraţie. Fie a ∈ R şi h > 0. Atunci
P (a ≤ X(ω) < a + h) = F (a + h) − F (a) = F 0 (ξ)[a + h − a] = f (ξ)h
unde ξ ∈ (a, a + h). Trecând la limita pentru h → 0, obţinem P (X(ω) = a) = 0.
Funcţia de repartiţie a unei variabile aleatoare continue se obţine folosind formula

Z x
F (x) = f (t)dt (2)
−∞
unde f este densitatea de repartiţie a variabilei aleatoare.

Observaţie. Folosind Propoziţia 2 şi formula (2), obţinem:
Rb Ra Rb
1. P (a ≤ X < b) = F (b) − F (a) = −∞
f (x)dx − −∞
f (x)dx = a
f (x)dx
Rb
2. P (a < X < b) = F (b) − F (a) − P (X = a) = a
f (x)dx
Rb
3. P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b) = a
f (x)dx
Rb
4. P (a < X ≤ b) = F (b) − F (a) − P (X = a) + P (X = b) = a
f (x)dx, ∀a, b ∈ R, a < b.
1
Prof. dr. Aida Toma
Variabile aleatoare bidimensionale

Se numeşte variabilă aleatoare bidimensională un cuplu (X, Y ) de două variabile
aleatoare unidimensionale definite pe acelaşi câmp borelian de probabilitate. Variabilele
aleatoare X şi Y se numesc variabile marginale, iar repartiţiile lor se numesc repartiţii
marginale.
Funcţia de repartiţie F : R2 → R, a variabilei aleatoare bidimensionale (X, Y ), este
definită prin
F (x, y) = P (X < x, Y < y) = P ({ω ∈ Ω/X(ω) < x, Y (ω) < y}). (3)
Funcţiile de repartiţie FX (x) şi FY (y) ale variabilelor aleatoare marginale se numesc funcţii
de repartiţie marginale.
Propoziţia 3 Funcţia de repartiţie a unei variabile aleatoare bidimensionale are pro-

prietăţile:
1. 0 ≤ F (x, y) ≤ 1, ∀x, y ∈ R
2. F este crescătoare ı̂n raport cu fiecare variabilă
3. F este continuă la stânga ı̂n raport cu fiecare variabilă
4. F (−∞, y) = F (x, −∞) = 0, ∀x, y ∈ R
5. F (∞, ∞) = 1
6. F (∞, y) = FY (y) este funcţia de repartiţie a variabilei aleatoare Y
7. F (x, ∞) = FX (x) este funcţia de repartiţie a variabilei aleatoare X.
2
Variabile aleatoare bidimensionale discrete

Se numeşte variabilă aleatoare bidimensională discretă un cuplu (X, Y ) de două
variabile aleatoare discrete definite pe acelaşi câmp borelian de probabilitate.
Presupunem că valorile variabilei aleatoare marginale X sunt {xi }i∈I , iar valorile
variabilei aleatoare Y sunt {yj }j∈J , unde I, J ⊂ N. Repartiţia variabilei aleatoare (X, Y )
este dată de valorile sale posibile {(xi , yj ), i ∈ I, j ∈ J} şi de probabilităţile
pij = P (X = xi , Y = yj ) = P ({ω ∈ Ω/X(ω) = xi , Y (ω) = yj }), i ∈ I, j ∈ J (4)
P
unde pij ≥ 0, ∀ i ∈ I, j ∈ J iar i∈I,j∈J pij = 1.
Dacă X(Ω) şi Y (Ω) sunt finite, repartiţia variabilei aleatoare bidimensionale (X, Y )
poate fi reprezentată printr-un tablou de forma
X\Y y1 y2 ... yj ... ym P (X = xi )

x1 p11 p12 ... p1j ... p1m p1
x2 p21 p22 ... p2j ... p2m p2
.. ..
. .
xi pi1 pi2 ... pij ... pim pi
.. ..
. .
xn pn1 pn2 ... pnj ... pnm pn
P (Y = yj ) q1 q2 ... qj ... qm 1\1
Pn Pm
unde pij ≥ 0, ∀ i ∈ {1, . . . , n}, j ∈ {1, . . . , m}, iar i=1 j=1 pij = 1.
Au loc relaţiile
m
X
pij = pi , ∀i ∈ {1, . . . , n} (5)
j=1
n
X
pij = qj , ∀j ∈ {1, . . . , m}. (6)
i=1
3
Prof. dr. Aida Toma
Variabile aleatoare bidimensionale continue

Se numeşte variabilă aleatoare bidimensională continuă un cuplu (X, Y ) de două
variabile aleatoare continue definite pe acelaşi câmp borelian de probabilitate.
Dacă funcţia de repartiţie a variabilei aleatoare continue (X, Y ) este de două ori
∂ 2 F (x,y)
derivabilă cu derivata continuă, deci există ∂x∂y
, atunci funcţia f : R2 → R,
∂ 2 F (x, y)
f (x, y) = (7)
∂x∂y
se numeşte densitatea de repartiţie a variabilei aleatoare bidimensionale (X, Y ).
Propoziţia 4 Densitatea de repartiţie a unei variabile aleatoare bidimensionale continue

are proprietăţile
1. f (x, y) ≥ 0,∀x, y ∈ R
R∞ R∞
2. −∞ −∞
f (x, y)dxdy = 1.
Funcţia de repartiţie se poate obţine prin integrare

Z x Z y
F (x, y) = f (u, v)dudv (8)
−∞ −∞
unde f (u, v) este densitatea de repartiţie a variabilei aleatoare (X, Y ).

Funcţiile de repartiţie marginale sunt date de formulele
Z x Z ∞
FX (x) = F (x, ∞) = P (X < x) = f (u, v)dv du
−∞ −∞
Z y Z ∞
FY (y) = F (∞, y) = P (Y < y) = f (u, v)du dv.
−∞ −∞
Densităţile de repartiţie ale variabilelor aleatoare marginale, numite densităţi mar-

ginale, pot fi obţinute folosind formulele
Z ∞
fX (x) = FX0 (x) = f (x, y)dy
Z −∞
∞
fY (y) = FY0 (y) = f (x, y)dx.
−∞
4
Variabile aleatoare independente

Variabilele aleatoare X1 , X2 , . . . , Xn , definite pe acelaşi câmp borelian de probabili-
tate, se numesc independente dacă
P (X1 < x1 , X2 < x2 , . . . , Xn < xn ) = P (X1 < x1 )P (X2 < x2 ) . . . P (Xn < xn ) (9)
∀ x1 , x2 , . . . , xn ∈ R.
In particular, două variabile aleatoare X şi Y sunt independente dacă
F (x, y) = FX (x)FY (y), ∀ x, y ∈ R. (10)
Dacă X şi Y sunt discrete, condiţia de independenţă se reduce la
pij = pi qj ∀ i ∈ I, j ∈ J. (11)
Dacă X şi Y sunt continue, condiţia de independenţă se reduce la
f (x, y) = fX (x)fY (y) ∀ x, y ∈ R. (12)
5
Operaţii cu o variabilă aleatoare  

xi P
Fie X o variabilă aleatoare discretă cu repartiţia X :   , pi ≥ 0, ∀i ∈ I, i∈I pi = 1.
pi
i∈I
Atunci:  
axi
aX este o variabilă aleatoare discretă cu repartiţia aX :   (a ∈ R)
pi
i∈I
 
k ∗
xk
k  i
X , k ∈ N , este o variabilă aleatoare discretă cu repartiţia X :
pi
  i∈I
|xi |
|X| este o variabilă aleatoare discretă cu repartiţia |X| :   .
pi
i∈I
 
x
Fie X o variabilă aleatoare continuă cu repartiţia X :   , f (x) ≥ 0, ∀x ∈ R,
f (x)
R∞ x∈R
−∞
f (x)dx = 1.
Atunci:  
ax
aX este o variabilă aleatoare continuă cu repartiţia aX :  
f (x)
x∈R
 
k
x
X k , k ∈ N∗ , este o variabilă aleatoare continuă cu repartiţia X k :  
f (x)
  x∈R
|x|
|X| este o variabilă aleatoare continuă cu repartiţia |X| :   .
f (x)
x∈R
1
Prof. dr. Aida Toma
Operaţii cu două variabile aleatoare

Fie X şi Y două variabile aleatoare discrete definite pe  acelaşi
 câmp borelian de
xi P yj
probabilitate, X :   , pi ≥ 0, ∀i ∈ I, i∈I pi = 1, Y :   , qj ≥ 0, ∀j ∈ J,
pi qj
P i∈I j∈J
j∈J q j = 1 şi p ij = P (X = x i , Y = y j ), i ∈ I, j ∈ J. Atunci:
 
xi + y j
X + Y este o variabilă aleatoare discretă cu repartiţia X + Y :  
pij
  i∈I,j∈J
xi y j
XY este o variabilă aleatoare discretă cu repartiţia XY :  
pij
  i∈I,j∈J
xi
X
Y
este o variabilă aleatoare discretă cu repartiţia X
Y
:  yj  .
pij
i∈I,j∈J
Fie X şi Y două variabile aleatoare continue definite pe acelaşi câmp borelian de
probabilitate şi f (x, y) densitatea lor comună de repartiţie. Atunci:  
x+y
X + Y este o variabilă aleatoare continuă cu repartiţia X + Y :  
f (x, y)
  x∈R,y∈R
xy
XY este o variabilă aleatoare continuă cu repartiţia XY :  
f (x, y)
  x∈R,y∈R
x
X X y
Y
este o variabilă aleatoare continuă cu repartiţia Y
:  , dacă Y nu
f (x, y)
x∈R,y∈R
se anulează.
2
Caracteristici numerice ale variabilelor aleatoare
1. Media
Definiţia 1 Se numeşte media unei variabile aleatoare X cantitatea

X
M (X) = xi p i (1)
i∈I
 
xi
dacă X este discretă cu repartiţia X :   , respectiv
pi
i∈I
Z ∞
M (X) = xf (x)dx (2)
−∞
 
x
dacă X este continuă cu repartiţia X :   .
f (x)
x∈R
Proprietăţi.
1. M (a) = a, a ∈ R
2. M (aX) = aM (X), a ∈ R
3. M (X + Y ) = M (X) + M (Y )
4. M (XY ) = M (X)M (Y ), dacă X şi Y sunt independente.
Demonstraţie. (cazul discret)

 
a
1. Fie a :  . Atunci M (a) = a · 1 = a.
1
   
xi axi
2. Fie X :   . Atunci aX :   . Deci
pi pi
i∈I i∈I
X X
M (aX) = axi pi = a xi pi = aM (X). (3)
i∈I i∈I
   
xi yj
3. Fie X :   ,Y :  şi pij = P (X = xi , Y = yj ).
pi qj
i∈I j∈J
3
Prof. dr. Aida Toma
 
xi + yj
Atunci X + Y :   şi
pij
i∈I,j∈J
XX XX XX
M (X + Y ) = (xi + yj )pij = xi pij + yj pij
i∈I j∈J i∈I j∈J i∈I j∈J
X X X X X X
= xi pij + yj pij = xi p i + yj qj = M (X) + M (Y ).
i∈I j∈J j∈J i∈I i∈I j∈J
   
xi yj
4. Fie X :   ,Y :  şi pij = P (X = xi , Y = yj ).
pi qj
i∈I  j∈J
x i yj
Atunci XY :   şi
pij
i∈I,j∈J
XX X X
M (XY ) = xi yj pij = ( xi pi )( yj qj ) = M (X)M (Y ).
i∈I j∈J i∈I j∈J
2. Momentul iniţial de ordinul k (k ∈ N∗ )
Definiţia 2 Se numeşte momentul iniţial de ordinul k al variabilei aleatoare X cantitatea

X
mk = M (X k ) = xki pi (4)
i∈I
 
xi
pi
i∈I
Z ∞
k
mk = M (X ) = xk f (x)dx (5)
−∞
 
x
dacă X este continuă cu repartiţia X :   .
f (x)
x∈R
3. Momentul centrat de ordinul k (k ∈ N∗ )
Definiţia 3 Se numeşte moment centrat de ordinul k al variabilei aleatoare X cantitatea
µk = M ((X − M (X))k ). (6)
4
Avem:
µ1 = M (X − M (X)) = M (X) − M (X) = 0
µ2 = M ((X − M (X))2 ) = M (X 2 − 2M (X)X + M (X)2 )
= M (X 2 ) − 2M (X)2 + M (X)2 = M (X 2 ) − M (X)2 .
4. Dispersia
Definiţia 4 Se numeşte dispersia variabilei aleatoare X cantitatea
D(X) = µ2 = M ((X − M (X))2 ) = M (X 2 ) − M (X)2 . (7)
Dispersia arată gradul de ı̂mprăştiere a valorilor variabilei ı̂n jurul mediei.

Proprietăţi.
1. D(a) = 0, a ∈ R
2. D(a + X) = D(X), a ∈ R
3. D(aX) = a2 D(X), a ∈ R
4. D(X + Y ) = D(X) + D(Y ), dacă X şi Y sunt independente.
Demonstraţie.
1. D(a) = M ((a − M (a))2 ) = M (0) = 0
2. D(a + X) = M ((a + X − M (a + X))2 ) = M ((a + X − M (a) − M (X))2 ) = D(X)
3. D(aX) = M ((aX − M (aX))2 ) = M (a2 (X − M (X))2 ) = a2 D(X)
4. D(X + Y ) = M ((X + Y − M (X + Y ))2 ) = M ((X − M (X) + Y − M (Y ))2 ) =

= M ((X −M (X))2 +2(X −M (X))(Y −M (Y ))+(Y −M (Y ))2 ) = M ((X −M (X))2 )+
2M ((X − M (X))(Y − M (Y ))) + M ((Y − M (Y ))2 ) = D(X) + D(Y ).
Definiţia 5 Se numeşte abaterea medie pătratică a variabilei aleatoare X, cantitatea

p
σX = D(X). (8)
5
Prof. dr. Aida Toma
5. Coeficientul de asimetrie
Definiţia 6 Se numeşte coeficientul de asimetrie al variabilei aleatoare X cantitatea
µ3
γ1 (X) = 3
. (9)
σX
6. Coeficientul de exces
Definiţia 7 Se numeşte coeficientul de exces al variabilei aleatoare X cantitatea
µ4
γ2 (X) = 4
. (10)
σX
6
Caracteristici numerice ale variabilelor aleatoare bidimensionale
1. Momente iniţiale
Definiţia 1 Se numeşte momentul iniţial de ordinul k1 , k2 (k1 , k2 ∈ N) al variabilei alea-

toare bidimensionale (X, Y ) cantitatea
XX
mk1 ,k2 = M (X k1 Y k2 ) = xki 1 yjk2 pij (1)
i∈I j∈J
   
xi yj
dacă (X, Y ) este discretă, cu X :   , Y :   şi pij = P (X = xi , Y = yj ),
pi qj
i∈I j∈J
respectiv
Z ∞Z ∞
k1 k2
mk1 ,k2 = M (X Y ) = xk1 y k2 f (x, y)dxdy (2)
−∞ −∞
dacă (X, Y ) este continuă cu densitatea f (x, y).
Cazuri particulare
m1,0 = M (X)
m0,1 = M (Y ).
2. Momente centrate
Definiţia 2 Se numeşte momentul centrat de ordinul k1 , k2 (k1 , k2 ∈ N) al variabilei

aleatoare bidimensionale (X, Y ) cantitatea
XX
µk1 ,k2 = M ((X − M (X))k1 (Y − M (Y ))k2 ) = (xi − m1,0 )k1 (yj − m0,1 )k2 pij (3)
i∈I j∈J
   
xi yj
dacă (X, Y ) este discretă, cu X :   , Y :   şi pij = P (X = xi , Y = yj ),
pi qj
i∈I j∈J
respectiv
Z ∞ Z ∞
k1 k2
µk1 ,k2 = M ((X − M (X)) (Y − M (Y )) ) = (x − m1,0 )k1 (y − m0,1 )k2 f (x, y)dxdy
−∞ −∞
(4)
dacă (X, Y ) este continuă cu densitatea f (x, y).
1
Prof. dr. Aida Toma
Cazuri particulare
µ1,0 = µ0,1 = 0
µ2,0 = D(X)
µ0,2 = D(Y ).
Definiţia 3 Se numeşte covarianţa variabilelor aleatoare X şi Y , momentul centrat de

ordinul 1, 1 al variabilei aleatoare bidimensionale (X, Y )
cov(X, Y ) = M ((X − M (X))(Y − M (Y ))) = µ1,1 . (5)
Proprietăţi.
1. cov(X, Y ) = M (XY ) − M (X)M (Y )
2. Dacă X şi Y sunt independente, atunci cov(X, Y ) = 0
3. D(X + Y ) = D(X) + D(Y ) + 2 · cov(X, Y )
4. cov(X, Y ) = cov(Y, X)
5. cov(X + a, Y ) = cov(X, Y )
6. cov(aX, Y ) = a · cov(X, Y )
7. cov(X + Y, Z) = cov(X, Z) + cov(Y, Z).
Definiţia 4 Se numeşte coeficientul de corelaţie al variabilelor aleatoare X şi Y raportul
cov(X, Y )
ρX,Y = . (6)
σX σY
Coeficientul de corelaţie are proprietatea −1 ≤ ρX,Y ≤ 1.
Definiţia 5 Variabilele aleatoare X şi Y se numesc necorelate dacă ρX,Y = 0, respectiv

corelate dacă ρX,Y 6= 0.
Dacă variabilele aleatoare X şi Y sunt independente, atunci X şi Y sunt necorelate
(deoarece cov(X, Y ) = 0). Reciproca nu este intotdeauna adevărată.
2
Aplicaţie
Fie Z = (X, Y ) o variabilă aleatoare bidimensională discretă cu repartiţia
X\Y 0 1 pi
-1 p
2 a
qj q
unde a, p, q ∈ R. Se ştie că M (X) = M (2Y ) = 1. Se cer:

a) Repartiţia comună şi repartiţiile marginale;
b) Valoarea lui a astfel incât X şi Y sunt independente;
1
Pentru a = 4
să se calculeze:
c) P (Y < 12 /X > 0);
d) cov(2X − 1, 4 − 3Y );
e) D(3X − 2Y );
f) ρX,Y .
Soluţie
a) Variabila marginală X are repartiţia
 
−1 2
X: .
p 1−p
Condiţii:
p≥0
1−p≥0⇒p≤1 ⇒ p ∈ [0, 1]
p + (1 − p) = 1
Pe de altă parte, ţinem cont că M (X) = 1

M (X) = 2i=1 xi pi = (−1) · p + 2 · (1 − p) = −p + 2 − 2p = −3p + 2
P
1
deci −3p + 2 = 1 implică p = 3
∈ [0, 1].
Aşadar,  
−1 2
X: .
1 2
3 3
3
Prof. dr. Aida Toma
Variabila marginală Y are repartiţia

 
0 1
Y : 
q 1−q
Ca mai sus, se obţine q ∈ [0, 1].

Apoi
P2
M (Y ) = j=1 yj qj = 0 · q + 1 · (1 − q) = 1 − q.
Dar M (2Y ) = 1 implică M (Y ) = 21 . Deci 1 − q = 12 , rezultă q = 12 .
Deci  
0 1
Y : .
1 1
2 2
Repartiţia variabilei aleatoare bidimensionale (X, Y ) este
X\Y 0 1 pi
1
-1 3
2
2 a 3
1 1
qj 2 2
1 1
p12 + a = 2
⇒ p12 = 2
−a
2 2
p21 + a = 3
⇒ p21 = 3
−a
p11 + ( 23 − a) = 1
2
⇒ p11 = a − 1
6
X\Y 0 1 pi
1 1 1
-1 a− 6 2
−a 3
2 2
2 3
−a a 3
1 1
qj 2 2
P2 P2
Se impun condiţiile: pij ≥ 0 şi i=1 i=1 pij = 1
1 1
a− 6
≥0⇒a≥ 6
1 1
2
−a≥0⇒a≤ 2
⇒ a ∈ [ 16 , 12 ]
2 2
3
−a≥0⇒a≤ 3
a≥0
P2 P2
i=1 i=1 pij = a − 61 + 12 − a + 23 − a + a = 1.
4
b) Variabilele aleatoare X şi Y sunt independente ⇔ pij = pi qj , ∀i, j.

1 1 1 1
p11 = p1 · q1 ⇔ a − 6
= 3
· 2
⇒a= 3
1 1 1 1
p12 = p1 · q2 ⇔ 2
−a= 3
· 2
⇒a= 3
2 2 1 1
p21 = p2 · q1 ⇔ 3
−a= 3
· 2
⇒a= 3
2 1
p22 = p2 · q2 ⇔ a = 3
· 2
⇒ a = 13 .
1
Deci, pentru a = 3
se verifică toate egalităţile şi obţine independenţa variabilelor.
c) Pentru a = 14 , obţinem
1 P ((Y < 21 ) ∩ (X > 0)) P (X = 2, Y = 0)

P (Y < /X > 0) = =
2 P (X > 0) P (X = 2)
2 2 1
−a − 5 3 5
= 3 2 = 3 2 4 = · = .
3 3
12 2 8
d) cov(X, Y ) = M (XY ) − M (X)M (Y ).
cov(2X − 1, 4 − 3Y ) = M ((2X − 1)(4 − 3Y )) − M (2X − 1)M (4 − 3Y )
= M (8X − 6XY − 4 + 3Y ) − [2M (X) − 1][4 − 3M (Y )]
= 8M (X) − 6M (XY ) − 4 + 3M (Y ) − 8M (X) + 6M (X)M (Y ) + 4 − 3M (Y )
= −6[M (XY ) − M (X)M (Y )] = −6cov(X, Y )
2 X
X 2
M (XY ) = xi yj pij
i=1 j=1
1 1 2
= −1 · 0 · (a − ) + (−1) · 1 · ( − a) + 2 · 0 · ( − a) + 2 · 1 · a
6 2 3
1 1 3 1 1
= − + a + 2a = 3a − = − =
2 2 4 2 4
1 1
cov(X, Y ) = M (XY ) − M (X)M (Y ) = 4
−1· 2
= − 41 , iar
cov(2X − 1, 4 − 3Y ) = −6 · − 14 = 32 .
5
Prof. dr. Aida Toma
e) Folosind proprietăţi ale covarianţei şi proprietăţi ale dispersiei, avem
D(3X − 2Y ) = D(3X) + D(−2Y ) + 2cov(3X, −2Y ) = 9D(X) + 4D(Y ) − 12cov(X, Y )
Repartiţia variabilei X 2 este

 
1 4
X2 :  
1 2
3 3
deci M (X 2 ) = 1 · 13 + 4 · 2
3
= 3.
Aşadar D(X) = M (X 2 ) − M (X)2 = 3 − 1 = 2.
Repartiţia variabilei Y 2 este

 
0 1
Y2 : 
1 1
2 2
M (Y 2 ) = 0 · 12 + 1 · 1
2
= 12 , deci
1 1
D(Y ) = M (Y 2 ) − M (Y )2 = 2
− 4
= 14 .
Rezultă că
D(3X − 2Y ) = 9 · 2 + 4 · 14 − 12 · − 41 = 18 + 1 + 3 = 22.
f) Coeficientul de corelaţie este

√
cov(X, Y ) − 14 2
ρX,Y = = √ 1 =− (7)
σX σY 2· 2 4
p √ p
deoarece σX = D(X) = 2 şi σY = D(Y ) = 21 .
6
Repartiţii condiţionate
1. Cazul discret
Fie (X, Y ) o variabilă aleatoare bidimensională discretă pentru care se cunosc {xi }i∈I
valorile variabilei aleatoare X, {yj }j∈J valorile variabilei aleatoare Y , pi = P (X = xi ),
qj = P (Y = yj ) şi pij = P (X = xi , Y = yj ), i ∈ I, j ∈ J.
Dacă pi > 0, ∀i ∈ I şi qj > 0, ∀j ∈ J, atunci

pij
P (X = xi /Y = yj ) = (1)
qj
pij
P (Y = yj /X = xi ) = , ∀i ∈ I, ∀j ∈ J. (2)
pi
Probabilităţile de mai sus definesc repartiţiile variabilelor aleatoare X/Y = yj , res-

pectiv Y /X = xi  
xi
X/Y = yj :   , j ∈ J fixat
pij
qj i∈I
 
yj
Y /X = xi :   , i ∈ I fixat
pij
pi j∈J
numite repartiţii condiţionate.
Definiţia 1 Se numeşte media variabilei aleatoare X/Y = yj cantitatea

X pij
M (X/Y = yj ) = xi . (3)
i∈I
qj
Se numeşte media variabilei aleatoare Y /X = xi cantitatea
X pij
M (Y /X = xi ) = yj . (4)
j∈J
pi
2. Cazul continuu
Fie (X, Y ) o variabilă aleatoare bidimensională continuă cu densitatea de repartiţie
f (x, y) şi fie fX (x) şi fY (y) densităţile de repartiţie marginale.
Se numesc densităţi condiţionate
f (x, y)
f (x/y) = , ∀y ∈ R a.i. fY (y) 6= 0
fY (y)
f (x, y)
f (y/x) = , ∀x ∈ R a.i. fX (x) 6= 0.
fX (x)
1
Prof. dr. Aida Toma
Aceste densităţi definesc repartiţiile variabilelor aleatoare X/Y = y şi Y /X = x

 
x
X/Y = y :  
f (x/y)
x∈R
respectiv  
y
Y /X = x :  
f (y/x)
y∈R
numite repartiţii condiţionate.
Definiţia 2 Se numeşte media variabilei aleatoare X/Y = y cantitatea

Z ∞
M (X/Y = y) = xf (x/y)dx. (5)
−∞
Se numeşte media variabilei aleatoare Y /X = x cantitatea

Z ∞
M (Y /X = x) = yf (y/x)dy. (6)
−∞
M (X/Y = y) sunt valorile variabilei aleatoare notate M (X/Y ), iar M (Y /X = x)

sunt valorile variabilei aleatoare notate M (Y /X).
Aplicaţie
O urnă conţine 4 bile numerotate de la 1 la 4. Se extrag la intâmplare 2 bile fără
intoarcere. Fie X şi Y variabilele aleatoare ce reprezintă rezultatele obţinute la prima,
respectiv la a doua extragere. Să se scrie repartiţia variabilei aleatoare (X, Y ), repartiţiile
marginale şi să se calculeze M (X/Y = 2).
Soluţie
Valorile variabilelor aleatoare X, respectiv Y sunt
X(Ω) = {1, 2, 3, 4} şi Y (Ω) = {1, 2, 3, 4}
Probabilităţile pij corespunzătoare variabilei bidimensionale (X, Y ) sunt date de
pij = P (X = xi , Y = yj ) = P (X = i, Y = j) = P ((X = i) ∩ (Y = j)) (7)
2
Evenimentele (X = i) şi (Y = j) sunt dependente, de aceea folosim formula

P (A ∩ B) = P (A)P (B/A).
Deci
1 1 1
P (X = i, Y = j) = P (X = i)P (Y = j/X = i) = · = , i 6= j
4 3 12
1
= · 0 = 0, i = j
4
Repartiţia variabilei aleatoare (X, Y ) este
X\Y 1 2 3 4 pi
1 1 1 1
1 0 12 12 12 4
1 1 1 1
2 12
0 12 12 4
1 1 1 1
3 12 12
0 12 4
1 1 1 1
4 12 12 12
0 4
1 1 1 1
qj 4 4 4 4
1
Repartiţiile marginale sunt date de
 
1 2 3 4
X: 
1 1 1 1
4 4 4 4
şi
 
1 2 3 4
Y : .
1 1 1 1
4 4 4 4
Pentru a scrie repartiţia variabilei aleatoare condiţionate X/Y = 2, calculăm pro-

babilităţile condiţionate P (X = i/Y = 2)
1
P (X = i, Y = 2) 12 1
P (X = i/Y = 2) = = 1 = , daca i 6= 2
P (Y = 2) 4
3
= 0, daca i = 2
Deci  
1 2 3 4
X/Y = 2 :  .
1 1 1
3
0 3 3
Apoi
X pij 1 1 1 8
M (X/Y = 2) = xi =1· +2·0+3· +4· = .
q2 3 3 3 3
3
Prof. dr. Aida Toma
Funcţia caracteristică a unei variabile aleatoare
Definiţia 3 Fie (Ω, K, P ) un câmp borelian de probabilitate şi X o variabilă aleatoare

definită pe acest câmp. Se numeşte funcţia caracteristică a variabilei aleatoare X aplicaţia
ϕX : R → C,
X
ϕX (t) = M (eitX ) = eitxk pk (8)
k∈I
 
xk
pk
k∈I
Z ∞
itX
ϕX (t) = M (e )= eitx f (x)dx (9)
−∞
dacă X este continuă cu densitatea f (x).
(i ∈ C, i2 = −1, eix = cos x + i sin x)
Proprietăţi.
1. ϕX (0) = 1;
2. ϕX (−t) = ϕX (t), ∀ t ∈ R;
3. Dacă X1 , . . . , Xn sunt variabile aleatoare independente definite pe acelaşi câmp bore-

lian de probabilitate, atunci ϕPnk=1 Xk (t) = nk=1 ϕXk (t);
Q
4. ϕaX+b (t) = eitb ϕX (at), a, b ∈ R;

(k)
ϕX (0)
5. Dacă variabila aleatoare X are momentul iniţial de ordinul k finit, atunci mk = ik
, k ∈ N∗ .
4
Aplicaţie
Fie X o variabilă aleatoare pentru care se ştie că P (X = k) = p · q k−1 , k ∈ N∗ ,
p > 0, q > 0, p + q = 1. Să se determine funcţia caracteristică şi cu ajutorul ei să se
calculeze M (X).
Soluţie.
∞ ∞ ∞
X X p X it k
ϕX (t) = M (eitX ) = eitk · P (X = k) = eitk · p · q k−1 = (e p)
k=1 k=1
q k=1
it
p it 1 pe
= ·e q· it
=
q 1−e q 1 − eit q
dacă |eit q| < 1.

(k)
ϕX (0) ϕ0X (0)
Folosim formula mk = ik
, deci M (X) = m1 = i
.
Avem 0
peit ieit

ϕ0X (t) = =p· (10)
1 − eit q (1 − eit q)2
ϕ0 (0) p p
deci M (X) = i
= (1−q)2
= p2
= p1 .
5
Repartiţii clasice discrete
1. Repartiţia Bernoulli.
Fie (Ω, K, P ) un câmp borelian de probabilitate şi A ∈ K. Se numeşte variabilă

aleatoare indicator, X : Ω → R,

 1, ω ∈ A
X(ω) = 1A (ω) = .
 0, ω ∈
/A
Mulţimea valorilor variabilei aleatoare X este X(Ω) = {0, 1}, iar
P (X = 0) = P ({ω ∈ Ω/X(ω) = 0}) = P (A) = 1 − P (A)
P (X = 1) = P ({ω ∈ Ω/X(ω) = 1}) = P (A).
Notăm P (A) = p. Atunci repartiţia variabilei aleatoare X este

 
0 1
X:  , q = 1 − p.
q p
Avem M (X) = p, M (X 2 ) = p, D(X) = M (X 2 ) − M (X)2 = p − p2 = p(1 − p) = pq.
2. Repartiţia binomială.
Se efectuează n probe independente şi se notează de fiecare dată realizarea sau

nerealizarea unui eveniment A. Fie X variabila aleatoare ce reprezintă numărul de
realizări ale evenimentului A ı̂n cele n probe. Mulţimea valorilor variabilei aleatoare
X este X(Ω) = {0, 1, 2, . . . , n}, iar
P (X = k) = Cnk pk q n−k (1)
unde p = P (A) şi q = 1 − p = P (A).
Deci repartiţia variabilei aleatoare X este:

 
k
X:  . (2)
Cnk pk q n−k
k=0,n
1
Prof. dr. Aida Toma
Pentru calculul momentelor variabilei aleatoare X, asociem fiecărei probe i o vari-

abilă aleatoare indicator Xi care arată realizarea sau nerealizarea evenimentului A
ı̂n acea probă. Atunci
X = X1 + X2 + · · · + X n
şi
M (X) = M (X1 + X2 + · · · + Xn ) = M (X1 ) + M (X2 ) + · · · + M (Xn ) = np
D(X) = D(X1 + X2 + · · · + Xn ) = D(X1 ) + D(X2 ) + · · · + D(Xn ) = npq.
Observăm că
n
X n
X
P (X = k) = Cnk pk q n−k = (p + q)n = 1.
k=0 k=0
3. Repartiţia Poisson.
O variabilă aleatoare discretă are o repartiţie Poisson de parametru λ > 0, dacă

mulţimea valorilor sale este X(Ω) = N şi
λk
P (X = k) = e−λ · , k ∈ N. (3)
k!
Observăm că
∞ ∞ k ∞
X X
−λ λ −λ
X λk
P (X = k) = e =e = e−λ · eλ = 1.
k=0 k=0
k! k=0
k!
Media variabilei aleatoare X este
∞ ∞ ∞
X X λk X λk−1
M (X) = kP (X = k) = ke−λ = e−λ λ = λe−λ eλ = λ.
k=0 k=1
k! k=1
(k − 1)!
Pe de altă parte
∞ ∞
X X λk
M (X(X − 1)) = k(k − 1)P (X = k) = k(k − 1)e−λ
k=0 k=2
k!
∞
2 −λ
X λk−2
= λe = λ2 e−λ eλ = λ2 .
k=2
(k − 2)!
Aşadar
M (X 2 ) − M (X) = λ2 , deci M (X 2 ) = λ2 + M (X) = λ2 + λ.
Rezultă că
D(X) = M (X 2 ) − M (X)2 = λ2 + λ − λ2 = λ.
2
Repartiţii clasice continue
1. Repartiţia uniformă continuă
O variabilă aleatoare continuă are o repartiţie uniformă, dacă densitatea ei este

constantă pe un interval de forma [a, b]

 k, x ∈ [a, b]
f (x) = .
 0, x ∈
/ [a, b]
Pentru ca f să fie densitate de repartiţie, trebuie să fie ı̂ndeplinite condiţiile
1. f (x) ≥ 0, ∀x ∈ R
R∞
2. −∞ f (x)dx = 1.
Din a doua condiţie avem
Z ∞ Z a Z b Z ∞
1= f (x)dx = f (x)dx + f (x)dx + f (x)dx
−∞ −∞ a b
deci Z b
1
1= kdx = kx|ba = k(b − a) ⇒ k = .
a b−a
Obţinem că 
1

b−a
, x ∈ [a, b]
f (x) = .
 0, x∈
/ [a, b]
Funcţia de repartiţie a variabilei aleatoare X se obţine folosind formula

Z x
F (x) = f (t)dt. (4)
−∞
Rx Rx
1. Dacă x ≤ a, F (x) = −∞
f (t)dt = −∞
0dt = 0.
Ra Rx t x
2. Dacă a < x ≤ b, avem F (x) = −∞ f (t)dt + a f (t)dt = b−a |a = x−a
b−a
.
Ra Rb Rx t b
3. Dacă x > b, atunci F (x) = −∞ f (t)dt + a f (t)dt + b f (t)dt = b−a |a = 1.
Deci 


 0, x≤a

F (x) = x−a
b−a
, a<x≤b . (5)



 1, x>b
3
Prof. dr. Aida Toma
Media variabilei aleatoare X este

Z ∞ Z a Z b Z ∞
x
M (X) = xf (x)dx = 0dx + dx + 0dx
−∞ −∞ a b−a b
1 x2 b2 − a2 a+b
= · |ba = = .
b−a 2 2(b − a) 2
Momentul iniţial de ordinul 2 al variabilei aleatoare X este

Z ∞ Z a Z b Z ∞
2 2 x2
M (X ) = x f (x)dx = 0dx + dx + 0dx
−∞ −∞ a (b − a) b
1 x3 1 b 3 − a3 a2 + ab + b2
= · |ba = · =
b−a 3 b−a 3 3
iar dispersia este
a2 + ab + b2 (a + b)2 a2 − 2ab + b2 (a − b)2

D(X) = M (X 2 ) − M (X)2 = − = = .
3 4 12 12
2. Repartiţia exponenţială negativă.
O variabilă aleatoare continuă are o repartiţie exponenţială negativă de parametru

θ > 0, X ∼ Exp(θ), dacă densitatea ei de repartiţie este de forma

 0, x<0
f (x) = . (6)
 θe−θx , x ≥ 0
3. Repartiţia gama.
O variabilă aleatoare continuă are o repartiţie gama de parametri a > 0, b > 0 şi
scriem X ∼ Γ(a, b), dacă densitatea ei de repartiţie este de forma

 0, x<0
f (x) = . (7)
 1 xa−1 e− xb , x ≥ 0
ba Γ(a)
M (X) = ab
D(X) = ab2 .
4
Cazuri particulare
a) Repartiţia exponenţială X ∼ Exp(θ), X ∼ Γ(a = 1, b = 1θ )

1
M (X) = ab = θ
1
D(X) = ab2 = θ2
.
b) Repartiţia χ2 cu n grade de libertate, n ∈ N∗ , X ∼ H(n), X ∼ Γ(a = n2 , b = 2)
M (X) = ab = n
D(X) = ab2 = 2n.
4. Repartiţia beta
O variabilă aleatoare continuă are o repartiţie beta de parametri a > 0, b > 0 şi
scriem X ∼ β(a, b), dacă densitatea ei de repartiţie este de forma

 1 xa−1 (1 − x)b−1 , x ∈ [0, 1]
β(a,b)
f (x) = . (8)
 0, x∈ / [0, 1]
a
M (X) = a+b
ab
D(X) = (a+b)(a+b+1)
.
5
Repartiţia Student
O variabilă aleatoare X are o repartiţie Student cu n grade de libertate, dacă den-
sitatea ei este − n+1
Γ n+1

x2 2
f (x) = √ 2
1 + , x ∈ R, n ∈ N∗ . (1)
nπΓ n2

n
n
Media şi dispersia sunt date de M (X) = 0 şi D(X) = n−2
.
Repartiţia normală (Gauss)
O variabilă aleatoare continuă X are o repartiţie normală de parametri m ∈ R şi
σ > 0, şi notăm X ∼ N (m, σ), dacă densitatea ei de repartiţie este
1 1 x−m 2
f (x) = √ e− 2 ( σ ) . (2)
σ 2π
Elemente ale graficului densităţii
1. f (2m − x) = f (x), ∀x ∈ R, deci graficul lui f este simetric ı̂n raport cu dreapta
verticală x = m.
2. (x − m)2 are minim ı̂n x = m, rezultă că f (x) are un maxim ı̂n m; f (m) = √1 .
σ 2π
√ 1 x−m 2

3. ln f (x) = − ln(σ 2π) − 2 σ
⇒
f 0 (x)
f (x)
= − x−m
σ2
⇒
σ 2 f 0 (x) = (m − x)f (x) ⇒

(m−x)2
σ 2 f 00 (x) = −f (x) + (m − x)f 0 (x) = −f (x) + σ2
f (x) ⇒
σ 4 f 00 (x) = (m − x − σ)(m − x + σ)f (x); deci f 00 (x) = 0 ⇔ x = m − σ sau x = m + σ

puncte de inflexiune.
4. limx→−∞ f (x) = limx→∞ f (x) = 0.
Dacă X ∼ N (m, σ), atunci

Z ∞ Z ∞
M (X) = xf (x)dx = (x − m + m)f (x)dx
−∞ −∞
Z ∞ Z ∞
= (x − m)f (x)dx + m f (x)dx
−∞ −∞
Z ∞
= uf (m + u)du + m = m
−∞
folosind schimbarea de variabilă x − m = u.
1
Prof. dr. Aida Toma
Momentul iniţial de ordinul 2 al unei variabile aleatoare X ∼ N (m, σ) este

Z ∞ Z ∞
1 1 x−m 2
2
M (X ) = 2
x f (x)dx = x2 √ e− 2 ( σ ) dx
−∞ −∞ σ 2π
x−m
Facem substituţia σ
= u, deci x = σu + m, deci dx = σdu. Capetele integralei se
păstrează şi integrala devine:
Z ∞
1 1 2
2
M (X ) = (σu + m)2 √ e− 2 u σdu
−∞ σ 2π
Z ∞
1 1 2
= √ (σ 2 u2 + 2mσu + m2 )e− 2 u du
2π −∞
1 2 ∞ 2 − 1 u2 2mσ ∞ − 1 u2
Z ∞
m2
Z Z
1 2
= √ σ u e 2 du + √ ue 2 du + √ e− 2 u du
2π −∞ 2π −∞ 2π −∞
2 Z ∞
2σ u2
= √ u2 e− 2 du + m2
2π 0
Pentru calculul integralei de mai sus facem schimbarea de variabilă
√
u2 2
√ 1 2 −1
= t ⇒ u = 2t ⇒ u = 2t 2 ⇒ du = t 2 dt.
2 2
Obţinem
2 Z ∞
√
2σ 2 −1
M (X 2 ) = √ 2te−t t 2 dt + m2
2π 0 2
√
2σ 2 ∞ 1 −t 2σ 2 2σ 2 π
Z
2 3 2
= √ t 2 e dt + m = √ Γ +m = √ + m2 = σ 2 + m2 .
π 0 π 2 π 2
Deci
D(X) = M (X 2 ) − M (X)2 = σ 2 + m2 − m2 = σ 2 .
O variabilă aleatoare X are o repartiţie normală normată (normală standard), şi

notăm X ∼ N (0, 1), dacă are o repartiţie normală cu m = 0 şi σ = 1. Densitatea ei de
repartiţie este
1 1 2
f (x) = √ e− 2 x . (3)
2π
X−m
Dacă X ∼ N (m, σ), atunci Z = σ ∼ N (0, 1).
Avem

X −m 1
M (Z) = M = (M (X) − m) = 0
σ σ

X −m 1 1
D(Z) = D = 2 D(X − m) = 2 D(X) = 1.
σ σ σ
2
Momente iniţiale ale unei variabile aleatoare Z ∼ N (0, 1)
Z ∞ Z ∞
1 1 2
m2k+1 = x 2k+1
f (x)dx = x2k+1 √ e− 2 x = 0. (4)
−∞ −∞ 2π
Z ∞ Z ∞ Z ∞
1 − 1 x2 2 x2
m2k = 2k
x f (x)dx = x √ e 2 =√ 2k
x2k e− 2 =
−∞ −∞ 2π 2π 0
√
x 2 √ 1 2 −1
= t ⇒ x2 = 2t ⇒ x = 2t 2 ⇒ dx = t 2 dt
2 √ 2
Z ∞ Z ∞
2 k −t 2 − 12 2k 1
= √ (2t) e t dt = √ tk− 2 e−t dt
2π 0 2 π
k
k
0
2 1 2 1 3 1 1
= √ Γ k+ =√ k− k− ··· Γ
π 2 π 2 2 2 2
(2k − 1)(2k − 3) · · · 1 1 · 2 · · · 2k (2k)!
= 2k k
= = k .
2 2 · 4 · 6 · · · 2k 2 k!
Funcţia de repartiţie a unei variabile aleatoare Z ∼ N (0, 1)
Fie Z ∼ N (0, 1). Atunci
Z z Z z
1 1 2
FZ (z) = f (t)dt = √ e− 2 t dt. (5)
−∞ −∞ 2π
1. Dacă z ≥ 0, atunci
Z 0 Z z
1 1 2 1 1 2 1
FZ (z) = √ e− 2 t dt + √ e− 2 t dt = + Φ(z)
−∞ 2π 0 2π 2
Rz 1 2
unde Φ(z) = √1 e− 2 t dt este funcţia integrală a lui Laplace.
0 2π
2. Dacă z < 0, atunci

Z 0 Z 0
1 − 1 t2 1 1 2
FZ (z) = √ e 2 dt − √ e− 2 t dt
−∞ 2π z 2π
Z z
1 1 − 1 t2 1
= + √ e 2 dt = + Φ(z).
2 0 2π 2
1
Deci, FZ (z) = 2
+ Φ(z), ∀z ∈ R.
3
Prof. dr. Aida Toma
Proprietăţi ale funcţiei integrale a lui Laplace
1. Φ(0) = 0
2. Φ(−z) = −Φ(z)
3. Φ(−∞) = −Φ(∞) = − 21 .
Dacă Z ∼ N (0, 1) şi a, b ∈ R, a < b, atunci

1 1
P (a < Z < b) = FZ (b) − FZ (a) = + Φ(b) − − Φ(a) = Φ(b) − Φ(a).
2 2
Funcţia de repartiţie a unei variabile aleatoare X ∼ N (m, σ)

X−m
Fie X ∼ N (m, σ). Atunci Z = σ
∼ N (0, 1).
Funcţia de repartiţie a variabilei aleatoare X este

X −m x−m x−m 1 x−m
FX (x) = P (X < x) = P < = FZ = +Φ . (6)
σ σ σ 2 σ
Deci
1 x−m
FX (x) = + Φ . (7)
2 σ
Dacă X ∼ N (m, σ) şi a, b ∈ R, a < b, atunci

1 b−m 1 a−m
P (a < X < b) = FX (b) − FX (a) = + Φ − −Φ
2 σ 2 σ

b−m a−m
= Φ −Φ .
σ σ
Funcţia caracteristică a unei variabile aleatoare X ∼ N (0, 1)
Fie X ∼ N (0, 1). Atunci

Z ∞ Z ∞
1 1 2
ϕX (t) = M (e itX
)= eitx √ e− 2 x dx
itx
e f (x)dx =
−∞ −∞ 2π
Z ∞X ∞ ∞
X (it)k Z ∞ 1
(itx)k 1 − 1 x2 1 2
= √ e 2 dx = √ xk e− 2 x dx
−∞ k=0 k! 2π k=0
k! −∞ 2π
∞ ∞ ∞
X (it)k X (it)2k X (it)2k (2k)!
= mk = m2k = ·
k=0
k! k=0
(2k)! k=0
(2k)! 2k · k!
∞ k
X t2 1 t2
= − · = e− 2 .
k=0
2 k!
4
Funcţia caracteristică a unei variabile aleatoare X ∼ N (m, σ)

X−m
Fie X ∼ N (m, σ). Atunci Z = σ
∼ N (0, 1) şi X = σZ + m. Avem
σ 2 t2 σ 2 t2
ϕX (t) = ϕσZ+m (t) = eitm ϕZ (σt) = eitm e− 2 = eitm− 2 .
Propoziţia 1 a) Dacă X ∼ N (0, 1), atunci Y = X 2 ∼ H(1) (Y are o repartiţie χ2 cu 1

grad de libertate).
b) Dacă X1 , . . . , Xn sunt variabile aleatoare independente repartizate N (0, 1), atunci
Pn
X = k=1 Xk2 ∼ H(n) (are o repartiţie χ2 cu n grade de libertate).
5
Legi ale numerelor mari şi teoreme limită
Inegalitatea lui Cebı̂şev

Fie (Ω, K, P ) un câmp borelian de probabilitate şi X o variabilă aleatoare definită pe
acest câmp. Atunci
D(X)
P (|X − M (X)| < ε) ≥ 1 − , ∀ε > 0. (1)
ε2
Aplicaţie
Folosind inegalitatea lui Cebı̂şev, să se găsească o margine inferioară a probabilităţii
P (−4 < X < 16), X fiind o variabilă aleatoare cu M (X) = 6 şi D(X) = 4.
Avem,
P (−4 < X < 16) = P (−4 − M (X) < X − M (X) < 16 − M (X))
4
= P (−10 < X − M (X) < 10) = P (|X − M (X)| < 10) ≥ 1 − = 0.96
100
prin aplicarea inegalităţii lui Cebı̂şev pentru ε = 10.
Definiţia 1 Fie (Ω, K, P ) un câmp borelian de probabilitate, (Xn )n un şir de variabile

aleatoare definite pe acest câmp, iar X o variabilă aleatoare definită pe acelaşi câmp.
P
Spunem că şirul (Xn )n converge in probabilitate către X şi notăm Xn → X, dacă
lim P (|Xn − X| < ε) = 1, ∀ε > 0. (2)

n→∞
1
Prof. dr. Aida Toma
Teorema lui Cebı̂şev

Fie (Xn )n un şir de variabile aleatoare independente care au medii finite şi dispersii egal
mărginite (∃ c > 0 astfel incât D(Xn ) ≤ c, ∀n ≥ 1). Atunci
n n
!
1X 1X
lim P Xk − M (Xk ) < ε = 1, ∀ε > 0. (3)
n→∞ n k=1 n k=1
1
Pn
Demonstraţie Aplicăm inegalitatea lui Cebişev variabilei aleatoare Yn = n k=1 Xk .
Avem
n
! n
1X 1X
M (Yn ) = M Xk = M (Xk )
n k=1 n k=1
n
! n
1X 1 X cn c
D(Yn ) = D Xk = 2 D(Xk ) ≤ 2 = .
n k=1 n k=1 n n
Deci,
D(Yn )
P (|Yn − M (Yn )| < ε) ≥ 1 − ⇒
ε2
n
1X c
P (|Yn − M (Xk )| < ε) ≥ 1 − 2 ⇒
n k=1 nε
n
1X
lim P (|Yn − M (Xk )| < ε) ≥ 1 ⇒
n→∞ n k=1
n
1X
lim P (|Yn − M (Xk )| < ε) = 1.
n→∞ n k=1
Teorema lui Poisson

Fie ν numărul de realizări ale unui evenimet A in n probe independente, iar pk
probabilitatea de realizare a lui A in proba de rang k. Atunci
n
!
ν 1X
lim P − pk < ε = 1, ∀ε > 0. (4)
n→∞ n n k=1
Teorema lui Bernoulli

Fie ν numărul de realizări ale unui evenimet A in n probe independente, iar p probabili-
tatea de realizare a lui A in fiecare probă. Atunci
ν
lim P − p < ε) = 1, ∀ε > 0. (5)
n→∞ n
2
Definiţia 2 Spunem că şirul de variabile aleatoare (Xn )n , având şirul corespunzător de
funcţii de repartiţie Fn (x), converge in repartiţie către variabila aleatoare X având funcţia
rep
de repartiţie F (x) şi notăm Xn → X, dacă pentru orice punct de continuitate x al lui F
lim Fn (x) = F (x). (6)

n→∞
Teorema limită centrală (Lindeberg-Levy)

Fie (Xn )n un şir de variabile aleatoare independente având aceeaşi repartiţie, cu M (Xk ) =
m, D(Xk ) = σ 2 , ∀k. Atunci şirul de variabile aleatoare (Yn )n cu
1
Pn
n k=1 Xk − m
Yn = σ (7)
√
n
rep
are proprietatea Yn → Y , unde Y ∼ N (0, 1).
Teorema Moivre-Laplace
Fie (Xn ) un şir de variabile aleatoare independente cu repartiţie Bernoulli, P (Xn = 1) = p,
P (Xn = 0) = q = 1 − p, n ∈ N∗ . Atunci şirul de variabile aleatoare (Yn )n cu
Pn
Xk − np
Yn = k=1√ (8)
npq
are proprietatea Yn → Y in repartiţie, unde Y ∼ N (0, 1).
Corolar
Fie (Xn )n un şir de variabile aleatoare independente repartizate Bernoulli şi fie Yn =
Pn
k=1 Xk . Atunci

b − np a − np
P (a < Yn < b) = Φ √ −Φ √ . (9)
npq npq
Aplicaţie
O urnă conţine 10 bile albe, 8 bile negre şi 2 bile roşii. Ştiind că au loc 200 de extrageri cu
revenire, să se determine probabilitatea ca numărul de bile albe extrase să fie: a) cuprins
intre 95 şi 102; b) mai mic strict ca 90; c) mai mare strict ca 105.
Fie Yn variabila aleatoare ce reprezintă numărul bilelor albe extrase.

Yn = nk=1 Xk , unde Xk este variabila aleatoare ce reprezintă rezultatul probei de
P
rang k. Xk are o repartiţie Bernoulli
3
Prof. dr. Aida Toma
 
0 1
Xk :   , unde p = 10 = 1 , iar q = 1 − p = 1 .
q p 20 2 2
Intrucât n = 200 este suficient de mare, aplicând Teorema Moivre-Laplace avem
Yn − np √
√ ' N (0, 1) ⇒ Yn ' N (np, npq). (10)
npq
Atunci,

102 − np 95 − np
P (95 < Yn < 102) = Φ √ −Φ √
npq npq

2 −5 2 5
=Φ √ −Φ √ =Φ √ +Φ √ = 0.4047.
50 50 50 50
ELEMENTE DE STATISTICĂ MATEMATICĂ
O cercetare statistică are drept punct de plecare o colectivitate ale cărei elemente
le numim indivizi. Indivizii populaţiei sunt cercetaţi după o caracteristică ce poate fi
calitativă sau cantitativă. Caracteristica este dată de o variabilă aleatoare X definită pe
un câmp borelian de probabilitate (Ω, K, P ), unde Ω este mulţimea indivizilor populaţiei.
Variabila aleatoare X se numeşte variabilă aleatoare teoretică, iar repartiţia ei se numeşte
repartiţie teoretică.
A efectua o selecţie asupra unei populaţii ı̂nseamnă a realiza următorul experiment:
se alege un individ al populaţiei, se măsoară caracteristica X, iar apoi procedeul se repetă
ı̂n condiţii identice pentru alţi n − 1 indivizi ai populaţiei. Se obţine un set de valori
observate x1 , x2 , . . . , xn numit selecţie realizată. Se numeşte selecţie un set de variabile
aleatoare X1 , X2 , . . . , Xn independente şi identic repartizate cu variabila aleatoare X ce
reprezintă caracteristica aflată sub cercetare. Extinderea concluziilor de la o selecţie la
ı̂ntreaga populaţie se numeşte inferenţă statistică.
Valorile de selecţie x1 , x2 , . . . , xn sunt organizate prin intermediul unei variabile alea-
toare X ∗ , numită variabilă aleatoare de selecţie (variabilă aleatoare empirică). X ∗ are
repartiţia
4
 
x1 x2 . . . xn
X∗ :  . (11)
1 1 1
n n
... n
ni
Dacă observaţia xi apare de ni ori, iar fi = n
, i = 1, s (s ≤ n) atunci
   
x1 x2 . . . xs x1 x2 . . . xs
X∗ :  = . (12)
n1 n2 ns
n n
... n
f1 f2 . . . fs
ni se numeşte frecvenţa absolută de apariţie a observaţiei xi , iar fi se numeşte
frecvenţa relativă de apariţie a observaţiei xi .
Funcţia de repartiţie a variabilei aleatoare X ∗ , numită funcţie de repartiţie empirică,
este



 0, x ≤ x1


f, x1 < x ≤ x2


 1


∗ ∗
Fn (x) = P (X < x) = ... (13)

 Ps−1
xs−1 < x ≤ xs

i=1 fi ,






 1, x > xs .
Teorema lui Glivenko
P (limn→∞ sup |Fn (x) − F (x)| = 0) = 1. (14)

x
Pe această teoremă se bazează aproximarea funcţiei de repartiţie teoretice prin funcţia de

repartiţie empirică.
5
Momente de selecţie
Fie X1 , . . . , Xn o selecţie asupra unei populaţii caracterizate de variabila aleatoare X.
Definiţia 1 Se numeşte moment iniţial de selecţie de ordinul r, r ∈ N∗ , variabila alea-

toare
n k
1X r 1X
m∗r = Xi sau m∗r = ni Xir .
n i=1 n i=1
(k este numărul de observaţii distincte, iar ni frecvenţa absolută a fiecărei observaţii)

Dacă r = 1,
n k
1X 1X
m∗1 =X= Xi sau m∗1 = X = ni Xi
n i=1 n i=1
se mai numeşte medie de selecţie.
Definiţia 2 Se numeşte moment centrat de selecţie de ordinul r, r ∈ N∗ , variabila alea-

toare
n k
1X 1X
µ∗r = (Xi − X)r sau µ∗r = ni (Xi − X)r .
n i=1 n i=1
Dacă r = 2,
n k
1X 1X
µ∗2 =S = 2
(Xi − X)2 sau µ∗2 = S 2 = ni (Xi − X)2
n i=1 n i=1
se numeşte dispersie de selecţie.

Se numeşte dispersie de selecţie modificată (corectată)
n k
2 1 X 1 X
s = (Xi − X)2 sau s2 = ni (Xi − X)2 .
n − 1 i=1 n − 1 i=1
Estimare parametrică
În aplicaţiile statistice este necesară cunoaşterea legii după care are loc evoluţia
fenomenului studiat, adică legea de repartiţie a variabilei aleatoare X ce reprezintă ca-
racteristica cercetată. De multe ori, rezultate teoretice ı̂mpreună cu experienţa practică
ne permit să admitem că forma legii de repartiţie este cunoscută, ı̂nsă aceasta poate
depinde de unul sau mai mulţi parametri necunoscuţi. Procedeul de evaluare a parame-
trilor necunoscuţi se numeşte estimare parametrică şi se realizează pe baza unei selecţii
1
Prof. dr. Aida Toma
X1 , . . . , Xn asupra variabilei aleatoare X ce reprezintă caracteristica studiată. Estima-

rea se realizează cu ajutorul unei funcţii de variabilele aleatoare de selecţie X1 , . . . , Xn ,
numite estimator. Vom nota un estimator Tn (X1 , . . . , Xn ).
Fie X1 , . . . , Xn o selecţie asupra unei variabile aleatoare X cu legea de repartiţie
f (x; θ) (f (x; θ) este densitatea de repartiţie dacă X este continuă, respectiv P (X = x; θ)
dacă X este discretă).
Definiţia 3 Un estimator Tn (X1 , . . . , Xn ) al parametrului θ se numeşte consistent, dacă

P
Tn (X1 , . . . , Xn ) → θ.
Definiţia 4 Un estimator Tn (X1 , . . . , Xn ) al parametrului θ se numeşte nedeplasat dacă

M (Tn (X1 , . . . , Xn )) = θ, ∀n ∈ N∗ , respectiv deplasat, dacă ∃ n ∈ N∗ şi h(n) 6= 0 astfel
ı̂ncât M (Tn (X1 , . . . , Xn )) = θ + h(n).
Definiţia 5 Un estimator Tn (X1 , . . . , Xn ) al parametrului θ se numeşte absolut corect

dacă este nedeplasat şi ı̂n plus este ı̂ndeplinită condiţia limn→∞ D(Tn (X1 , . . . , Xn )) = 0.
Propoziţia 1 Orice estimator absolut corect este consistent.
Atunci când avem la dispoziţie mai mulţi estimatori nedeplasaţi ai parametrului θ,

ı̂l vom alege pe cel de dispersie minimă.
Teorema 1 (Rao-Cramer) Fie X1 , . . . , Xn o selecţie asupra unei populaţii caracterizate

de variabila aleatoare X cu legea de repartiţie f (x; θ) şi Tn (X1 , . . . , Xn ) un estimator
absolut corect al parametrului θ. Atunci
1
D(Tn (X1 , . . . , Xn )) ≥ (1)
nI(θ)
unde 2 !
∂ 2 ln f (X; θ)

∂ ln f (X; θ)
I(θ) = M = −M . (2)
∂θ ∂θ2
Definiţia 6 Un estimator Tn (X1 , . . . , Xn ) al parametrului θ se numeşte eficient, dacă

este absolut corect şi
1
D(Tn (X1 , . . . , Xn )) = . (3)
nI(θ)
2
Metode de estimare parametrică
Metoda momentelor
f (x; θ1 , . . . , θk ). Presupunem că X admite momente iniţiale m1 , . . . , mk finite. Fie siste-
mul



 m∗1 = m1 (θ1 , . . . , θk )


 m∗ = m (θ , . . . , θ )

2 2 1 k
.


 . . .


 m∗ = m (θ , . . . , θ )

k k 1 k
Soluţiile sistemului de mai sus, şi anume




 θb1 = θb1 (m∗1 , . . . , m∗k )


 θb = θb (m∗ , . . . , m∗ )

2 2 1 k


 ...


 θb = θb (m∗ , . . . , m∗ )

k k 1 k
definesc estimatorii parametrilor θ1 , . . . , θk obţinuţi prin metoda momentelor.
3
Prof. dr. Aida Toma
Metoda verosimilităţii maxime (Fisher)

f (x; θ1 , . . . , θk ) şi x1 , . . . , xn o selecţie realizată. Funcţia de verosimilitate este definită
prin
n
Y
P (x1 , . . . , xn ; θ1 , . . . , θk ) = f (xi ; θ1 , . . . , θk ). (4)
i=1
Estimatorii de verosimilitate maximă ai parametrilor θ1 , . . . , θk sunt soluţiile siste-

mului

∂P (x1 ,...,xn ;θ1 ,...,θk )


 ∂θ1
=0

...


 ∂P (x1 ,...,xn ;θ1 ,...,θk )

∂θk
=0
sau ale sistemului

∂ ln P (x1 ,...,xn ;θ1 ,...,θk )


 ∂θ1
=0

... .


 ∂ ln P (x1 ,...,xn ;θ1 ,...,θk )

∂θk
=0
Aplicaţie
Să se estimeze prin metoda momentelor parametrul λ din repartiţia dată de densitatea

1 −λx

λ
e , x≥0
f (x; λ) =
 0, x<0
şi să se verifice dacă estimatorul găsit este nedeplasat, respectiv absolut corect.
Rezolvare
Fie X1 , . . . , Xn o selecţie asupra repartiţiei dată de densitatea f (x; λ). Întrucât
avem de estimat un singur parametru, estimatorul parametrului λ obţinut prin metoda
momentelor este soluţia ecuaţiei
m∗1 = m1
Pn Pn
unde m∗1 = 1
n i=1 Xi = X, iar m1 = M (X). Deci 1
n i=1 Xi = M (X).
4
Pe de altă parte,
Z ∞ Z ∞
x −x
M (X) = xf (x; λ)dx = e λ dx (5)
−∞ 0 λ
x
şi notăm λ
= t, deci x = λt, deci dx = λdt. Deci
Z ∞ Z ∞
−t
M (X) = te λdt = λ te−t dt = λΓ(2) = λ. (6)
0 0
Ecuaţia devine
n
1X
Xi = λ
n i=1
deci
n
b= 1
X
λ Xi = X.
n i=1
Pentru ca λ
b să fie nedeplasat trebuie ca M (λ)
b = λ.
Avem !
n n
1X 1X
M (λ)
b =M Xi = M (Xi ). (7)
n i=1 n i=1
Deoarece X1 , . . . , Xn formează o selecţie, aceste variabile aleatoare sunt independente şi
identic repartizate cu variabila aleatoare X asupra căreia s-a efectuat selecţia. De aceea,
M (Xi ) = M (X), ∀i ∈ {1, . . . , n}. Deci ı̂nlocuind ı̂n (7), obţinem că λ
b este nedeplasat.
Pentru ca λ
b să fie absolut corect, trebuie să fie ı̂ndeplinite condiţiile:
1. λ
b nedeplasat;
2. limn→∞ D(λ)
b = 0.
Prima condiţie este ı̂ndeplinită. În plus, observăm că

n
! n
1 X 1 X nD(X) D(X)
D(λ)
b =D Xi = 2 D(Xi ) = = . (8)
n i=1 n i=1 n2 n
Se verifică uşor faptul că D(X) = λ2 .

Deci
D(X) λ2
D(λ)
b = = şi lim D(λ)
b = 0. (9)
n n n→∞
Deci λ
b este absolut corect şi prin urmare şi consistent.
5
1. Se consideră variabilele aleatoare independente X şi Y , având repartiţiile
 
−1 2
X:  (1)
a a
 
−1 0 1
Y :  , a, b ∈ R. (2)
5b 2b 3b
Să se determine valorile constantelor a, b, repartiţia variabilei aleatoare X − 3Y , funcţia
de repartiţie a variabilei aleatoare X − 3Y şi P (3X ≤ 1, 2Y > −1).
Rezolvare
a) Din condiţiile ce se impun asupra repartiţiei v.a. X, deducem
1
a + a = 1 ⇒ 2a = 1 ⇒ a = 2
≥ 0.
Din condiţiile ce se impun asupra repartiţiei v.a. Y , deducem
1
5b + 2b + 3b = 1 ⇒ 10b = 1 ⇒ b = 10
≥ 0.
Deci,
 
−1 2
X:  (3)
1 1
2 2
 
−1 0 1
Y :  (4)
5 2 3
10 10 10
b) Repartiţia v.a. −3Y este

 
3 0 −3
−3Y :   (5)
5 2 3
10 10 10
sau  
−3 0 3
−3Y :   (6)
3 2 5
10 10 10
.
Repartiţia v.a. X − 3Y este
 
−4 −1 2 5
X − 3Y :  . (7)
3 5 7 5
20 20 20 20
1
c) Funcţia de repartiţie a v.a. X − 3Y este



 0, x ≤ −4


3
, −4 < x ≤ −1


 20


FX−3Y (x) = P (X − 3Y < x) = 8
20
, −1 < x ≤ 2 (8)


15
2<x≤5



 20
,



 1, x > 5.
d) Din definiţia probabilităţii condiţionate,
P ((3X ≤ 1) ∩ (2Y > −1)) P ((X ≤ 31 ) ∩ (Y > − 12 ))

P (3X ≤ 1/2Y > −1) = =
P (2Y > −1) P (Y > − 21 )
P (X ≤ 13 )P (Y > − 21 ) 1
2
· 5
10 1
= = = .
P (Y > − 12 ) 5
10
2
2. Variabila aleatoare continuă X are densitatea


 k, x>2
x4
f (x) = . (9)
 0, x ≤ 2
a) Să se afle constanta k.

b) Să se calculeze P (X < 4/X ≥ 3).
M (b2 X)
c) Să se calculeze D(1−bX)
, b ∈ R∗ .
d) Să se afle funcţia de repartiţie a v.a. Y = 3X − 1.
Rezolvare
a) Condiţiile ce se impun funcţiei f pentru a fi densitate de repartiţie sunt
1. f (x) ≥ 0, ∀x ∈ R
R∞
2. −∞ f (x)dx = 1.
Din a doua condiţie
Z ∞ Z 2 ∞ ∞
x−3 ∞
Z Z
k k
1= f (x)dx = f (x)dx + f (x)dx = kx−4 dx = k · |2 = = .
−∞ −∞ 2 2 −3 3·8 24
(10)
Deci k = 24 şi este indeplinită şi prima condiţie.
2
b) Folosind definiţia probabilităţii condiţionate,
P ((X < 4) ∩ (X ≥ 3) P (3 ≤ X < 4) F (4) − F (3)

P (X < 4/X ≥ 3) = = = . (11)
P (X ≥ 3) 1 − P (X < 3) 1 − F (3)
Determinăm funcţia de repartiţie a v.a. X.

Rx
FX (x) = P (X < x) = −∞ f (t)dt.
Rx
1. Dacă x ≤ 2, FX (x) = −∞ f (t)dt = 0
2. Dacă x > 2,
Rx R2 Rx Rx t−3 x
FX (x) = −∞ f (t)dt = −∞ f (t)dt + 2 f (t)dt = 2 24t−4 dt = 24 · |
−3 2
= 1 − 8x−3 .
Deci,

 0, x≤2
F (x) = . (12)
 1 − 8x−3 , x > 2
Atunci
3
F (4) − F (3) 1 − 8 · 4−3 − (1 − 8 · 3−3 ) 8(3−3 − 4−3 ) 3
P (X < 4/X ≥ 3) = = −3
= −3
= 1− .
1 − F (3) 1 − (1 − 8 · 3 ) 8·3 4
(13)
c) Folosind proprietăţi ale mediei şi proprietăţi ale dispersiei, obţinem

M (b2 X) b2 M (X) b2 M (X) M (X)
D(1−bX)
= D(−bX)
= b2 D(X)
= D(X)
.
R∞ R∞ R∞ x−2 ∞
M (X) = −∞
xf (x)dx = 2
x· 24
x4
dx = 24 2
x−3 dx = 24 · |
−2 2
= −12 x12 |∞
2 = 3.
D(X) = M (X 2 ) − M (X)2 .
R∞ R∞ R∞ x−1 ∞
M (X 2 ) = −∞
x2 f (x)dx = 2
x2 · 24
x4
dx = 24 2
x−2 dx = 24 · |
−1 2
= 12.
M (X)
Deci D(X) = 12 − 9 = 3, iar D(X)
= 1.
d) Notăm Y = 3X − 1. 
x+1
x+1 x+1
 0, 3
≤2
FY (x) = P (Y < x) = P (3X−1 < x) = P (X < 3
) = FX 3
= .
 1 − 8( x+1 )−3 , x+1
>2
3 3
Deci 
 0, x≤5
FY (x) = .
 1− 8·27
(x+1)3
, x>5

Curs Probabilitati Anul 2

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Curs Probabilitati Anul 2

Încărcat de

Drepturi de autor:

Formate disponibile

Probabilităţi şi Statistică Matematică.

ELEMENTE DE TEORIA PROBABILITĂŢILOR

Se numeşte experienţă aleatoare experimentarea practică a unui ansamblu de condiţii

Ω = {1, 2, 3, 4, 5, 6}. (1)

Exemplul 3. Se consideră experienţa aleatoare ı̂n care se observă durata de funcţionare

Ω = (0, ∞). (3)

Un eveniment se numeşte simplu dacă se realizează ı̂ntr-o probă, respectiv compus

Operaţii logice cu evenimente

1. A=B evenimentele A şi B coincid

Tabela 1: Operaţii cu evenimente.

Cu notaţiile precedente, un eveniment A este compus, dacă există două evenimente

Pentru un număr finit oarecare de evenimente, operaţia ” ∪ ” se extinde astfel:

Pentru un număr finit oarecare de evenimente, operaţia ” ∩ ” se extinde astfel:

Generalizarea Legilor lui DeMorgan

10. A \ B = {ω ∈ Ω/ω ∈ A şi ω ∈

Definiţia 1 Fie Ω finită. O submulţime nevidă K ⊂ P(Ω) se numeşte corp de evenimente

Definiţia 2 Fie Ω infinită. O submulţime nevidă K ⊂ P(Ω) se numeşte corp borelian de

Cuplul (Ω, K) se numeşte câmp borelian de evenimente.

Definiţia clasică a probabilităţii

reprezentând suma probabilităţilor evenimentelor elementare ce ı̂l implică pe A.

Caz particular: echiprobabilitate

Definiţia este prezentată de multe ori sub forma

numărul cazurilor f avorabile

numită regula lui Laplace.

Definiţia 1 Fie (Ω, K) un câmp de evenimente. Se numeşte probabilitate finit aditivă o

Tripletul (Ω, K, P ) se numeşte câmp finit de probabilitate.

Axioma 3 se extinde astfel:

8. P ( ni=1 Ai ) ≤ ni=1 P (Ai ).

9. P ( ni=1 Ai ) ≥ ni=1 P (Ai ) − (n − 1) (inegalitatea lui Boole)

1 = P (Ω) = P (A ∪ A) = P (A) + P (A). (1)

Deci P (A) = 1 − P (A).

4. ∅ ⊂ A ⊂ Ω ⇒ P (∅) ≤ P (A) ≤ P (Ω) ⇒ 0 ≤ P (A) ≤ 1.

P (A) = P (A \ B) + P (A ∩ B) ⇒ P (A \ B) = P (A) − P (A ∩ B). (7)

6. Avem A ∪ B = (A \ B) ∪ B. În plus,

P (A ∪ B) = P (A \ B) + P (B) = P (A) − P (A ∩ B) + P (B). (9)

Avem Bi ⊂ Ai , ∀i ∈ {1, . . . , n}, deci P (Bi ) ≤ P (Ai ), ∀i ∈ {1, . . . , n}. Pe de altă

Definiţia 2 Fie (Ω, K) un câmp borelian de evenimente. Se numeşte probabilitate numărabil

Tripletul (Ω, K, P ) se numeşte câmp borelian de probabilitate.

Probabilitatea condiţionată ΠB : K → R este probabilitate numărabil aditivă.

P (A ∩ B) = P (B)P (A/B) = P (A)P (B/A) (10)

numită formula probabilităţilor compuse.

numită regula de ı̂nmulţire a probabilităţilor.

Definiţia 3 Evenimentele A şi B se numesc independente ı̂n raport cu probabilitatea P ,

Definiţia 4 Evenimentele A1 , . . . , An se numesc mutual independente ı̂n raport cu pro-

P (Ai1 ∩ · · · ∩ Aik ) = P (Ai1 ) · · · P (Aik ), ∀ {i1 , . . . , ik } ⊂ {1, . . . , n}. (13)

P (A) = P (A1 ∪ A2 ∪ A3 ) = P (A1 ) + P (A2 ) + P (A3 ) −

−P (A1 ∩ A2 ) − P (A1 ∩ A3 ) − P (A2 ∩ A3 ) + P (A1 ∩ A2 ∩ A3 )

= P (A1 ) + P (A2 ) + P (A3 ) − P (A1 ) · P (A2 ) − P (A1 ) · P (A3 ) − P (A2 ) · P (A3 ) +

+P (A1 ) · P (A2 ) · P (A3 )

= 0.75 − 0.185 + 0.015 = 0.58.

1) Konta - Sarapova - Konta

1) Fie A evenimentul ca Simona să câştige turneul in cazul 1.

A = (A1 ∩ A2 ∩ A3 ) ∪ (A1 ∩ A2 ∩ A3 ) ∪ (A1 ∩ A2 ∩ A3 ).

P (A) = P (E1 ∪ E2 ∪ E3 ) = P (E1 ) + P (E2 ) + P (E3 )

= P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A3 ) + P (A1 )P (A2 )P (A3 )

= pq(1 − p) + (1 − p)qp + pqp = pq − p2 q + pq − p2 q + p2 q = 2pq − p2 q = pq(2 − p)

2) Fie B evenimentul ca Simona să câştige turneul in cazul 2.

B = (B1 ∩ B2 ∩ B3 ) ∪ (B1 ∩ B2 ∩ B3 ) ∪ (B1 ∩ B2 ∩ B3 ).

P (B) = P (E10 ∪ E20 ∪ E30 ) = P (E10 ) + P (E20 ) + P (E30 )

= P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 ) + P (B1 )P (B2 )P (B3 )

= qp(1 − q) + (1 − q)pq + qpq = pq − pq 2 + pq − pq 2 + pq 2 = 2pq − pq 2 = pq(2 − q).

Formula probabilităţii totale

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

Definiţia 1 O mulţime {A1 , . . . , An } de evenimente din corpul K se numeşte sistem com-