Probabilitati Leahu Partachi UTM ASEM 2022

Alexei LEAHU, Ion PÂRT, ACHI
PROBABILITĂT, I S, I
STATISTICĂ MATEMATICĂ
(Prin exemple s, i probleme propuse)
Partea I: PROBABILITĂT, I
Manual universitar
Chis, inău
© 2022
CZU: 519.2(07)
L 36
Manualul a fost discutat s, i aprobat pentru publicare în cadrul s, edint, ei

Departamentului “Econometrie s, i previziune economic” (proces-verbal nr. 4
din 26.05.2022), recomandat pentru editare de Comisia Metodică a Facultăt, ii
“Tehnologii informat, ionale s, i statistică economică” (proces-verbal nr. 3 din
03.06.2022) s, i Senatul ASEM (proces-verbal nr. 11 din 29.06.2022).
Referent, i: Prof.univ.dr. Ion Grama,

Universitatea “Bretagne de Sud”, Frant, a
Conf.univ.dr. Pavel Chircu,
Academia de Studii Economice din Moldova
DESCRIEREA CIP A CAMEREI NAT

, IONALE A CĂRT
, II
DIN REPUBLICA MOLDOVA

Leahu, Alexei.
Probabilităt, i s, i statistică matematică : (Prin exemple s, i probleme

propuse) : Manual universitar / Alexei Leahu, Ion Pârt, achi ;
Academia de Studii Economice a Moldovei. – Chis, inău: ASEM, 2022
– . – ISBN 978-9975-155-90-8.
Partea 1-a : Probabilităt, i. – 2022. – 170 p. – Bibliogr.: p. 168 (11

tit.). – În red. aut. – 50 ex. – ISBN 978-9975-155-91-5.
519.2(07)
L 36
ISBN 978-9975-155-91-5.
© Autori: Alexei LEAHU, prof.univ.dr., UTM
Ion PÂRT, ACHI, prof.univ.dr., ASEM
-
© 2022. Autorii lucrării. Toate drepturile rezervate. Reproducerea
integrală sau part, ială a textului, prin orice mijloace, fără acordul autorilor,
este interzisă s, i se pedepses, te conform legii.
© Serviciul Editorial-Poligrafic al ASEM

3
CUPRINS
Prefat, ă 5
1. Calculul Probabilităt, ilor 7
1.1. Obiectul de studiu al Teoriei Probabilităt, ilor s, i locul ei în Statistica Mate-

matică, probabilitate frecvent, ială, probabilitate subiectivă 9
1.2. Not, iuni s, i rezultate auxiliare din Combinatorică 15
1.3. Spat, ii de evenimente elementare, evenimente aleatoare s, i operat, ii asupra
lor, definit, ia axiomatică a probabilităt, ii 23
1.4. Proprietăt, ile probabilităt, ii drept consecintă din definit, ia axiomatică a
probabilităt, ii 33
1.5. Probabilităt, i clasice, discrete s, i geometrice drept cazuri particulare ale
definit, iei axiomatice a probabilităt, ii 43
1.6. Probabilitate condit, ionată. Formula înmult, irii probabilităt, ilor 48
1.7. Independent, a evenimentelor aleatoare, formula lui Poisson 51
1.8. Formulele probabilităt, ii totale s, i a lui Bayes 56
2. Variabile aleatoare 61
2.1. Introducere 63
2.2. Variabilă aleatoare (unidimensională), funct, ia ei de distribut, ie
(repartit, ie) 63
2.3. Variabile aleatoare de tip discret, distribut, ii (repartit, ii) 68
2.4. Variabile aleatoare de tip (absolut) continue, densităt, i de distribut, ie
(repartit, ie) 73
2.5. Variabile aleatoare mixate discrete-continue 77
2.6. Variabilă aleatoare multidimensională (vectorială), funct, ia ei de distribut, ie,
funct, ii de distribut, ie marginale 81
2.7. Tipurile de variabile aleatoare multidimensionale (bidimensionale), distri-
but, ii, densităt, i de distribut, ie, independent, a v.a. 85
3. Caracteristici numerice ale variabilelor aleatoare 93

3.1. Parametri de pozit, ie: valoarea medie, moda, mediana, cuantile 94
3.2. Disperia (variant, a), abaterea standard, covariant, a, coeficientul de corelat, ie,
regresie liniară 103
4
3.3. Momente ale variabilei aleatoare (init, iale, centrale), asimetria, aplati-
zarea 110
4. Modele (distribut, ii, densităt, i de distribut, ie) probabiliste uzuale, inega-
lităt, i, Legea Numerelor Mari, Teorema Limită Centrală pentru variabile alea-
toare independente identic distribuite 116
4.1. Distribut, ii probabiliste uzuale în caz discret (Uniformă, Bernoulli, Binomi-

ală, Geometrică, Poisson, Multinomială, Hypergeometrică, Hypergeometrică Mul-
tivariată) 117
4.2. Distribut, ii probabiliste uzuale în caz (absolut) continuu (Uniformă, Expo-
nent, ială, Normală, Hi-pătrat (χ2 ), T -Student) 132
4.3. Inegalităt, ile Markov s, i Chebyshev, Legea Numerelor Mari (în formele Ce-
byshev, Bernoulli, Hincin), Teorema Limită Centrală 140
5. Elemente de Teoria Informat, iei 147
5.1. Obiectul de studiu al Teoriei Informat, iei 148

5.2. Entropia ca măsură a nedeterminării/cantităt, ii de informat, ie 148
5.3. Proprietăt, ile entropiei 150
5.4. Transmiterea informat, iei. Codificarea. Teoreme de codificare 150
TEST AUTOEVALUARE 154
BIBLIOGRAFIE 167
ANEXA 1. Tabelul de valori a distribut, iei normale standard 168

ANEXA 2. Tabelul de valori pentru α−quantilele distribut, iei Hi-pătrat 170
LEAHU Alexei s, i PÂRT, ACHI Ion 5
Prefat, ă
Utilizarea modelelor s, i metodelor statistico-probabiliste la analiza s, i in-
terpretarea datelor a devenit o practică uzuală în toate domeniile s, tiint, ifice,
fie că este vorba de prelucrarea datelor cu caracter economic sau datelor
experimentale în tehnică sau de analiză s, i interpretarea datelor legate de
elaborarea unor noi tehnologii informat, ionale, etc.
Disciplina matematică Probabilităt, i s, i Statistică Matematică cu-
prinde elementele de bază ale Teoriei Probabilităt, ilor, Statisticii Des-
criptive s, i Matematice, dar s, i exemple de Aplicat, ii ale lor. Teoria
Probabilităt, ilor este cea care:
1) Oferă not, iunile care stau la baza modelelor ce descriu comportamentul
probabilist al fenomenelor aleatoare (eveniment aleator, probabilitate, varia-
bilă aleatoare (v.a.) s, i funct, ia ei de distribut, ie (f.d.), valoare medie, dispersie
s, i alte caracteristici numerice ale v.a., etc.);
2) Pune la dispozit, ie formule s, i rezultate teoretice fructificate în metodele
de calcul ale probabilităt, ilor (formulele adunării, înmult, irii, probabilităt, ii
totale, lui Bayes, dar s, i formulele de calcul bazate pe funct, ia de distribut, ie,
distribut, ia sau densitatea de distribut, ie a v.a.);
3) Serves, te, grat, ie proprietăt, ilor caracteristice f.d., drept sursă inepuiza-
bilă de modele probabiliste, scot, ánd în evident, ă modelele probabiliste uzuale
sau clasice (distribut, iile Uniformă, Bernoulli, Binomială, Geometrică, Hy-
pergeometrică, Exponent, ială, Normală, Hi-patrat, Student, etc.);
4) Aflându-se la baza Teoriei Informat, iei, permite aplicarea metodelor
cantitative asupra conceptelor legate de informat, ie, inclusiv ín contextul cer-
cetării sistemelor de prelucrare s, i transmitere a informat, iei.
Statistica Matematică este cea care, prin prisma Teoriei Probabilităt, i-
lor, oferă un cadru riguros pentru analiza s, i interpretarea datelor statistice.
Aceas-ta permite ca rezultatele prelucrării primare a datelor realizate cu
ajutorul Statisticii Descriptive să fie aprofundate prin a cerceta calitatea,
exactitatea estimatorilor utilizat, i, dar s, i prin lansarea, verificarea s, i valida-
rea ipotezelor statistice privind legităt, ile probabiliste care guvernează sau
generează datele statistice colectate.
Manualul este adresat student, ilor de la universităt, ile cu profil tehnic,
economic s, i nu numai, dar s, i tuturor celor interesat, i de modelele s, i metodele
probabilistico-statistice folosite în prelucrarea, analiza s, i interpretarea date-
lor ce t, in, inclusiv, de Big Data, Statistica Computat, ională, Data Mining,
Data Science, etc.
6 Calculul Probabilităt, ilor
Teoria Probabilităt, ilor nu este altceva

decât bunul simt, redus la calcule.
Pierre Simon de Laplace (1799–1825)
Capitolul 1. Calculul Probabilităt, ilor

Obiectivele capitolului:
▲ Descrierea obiectului de studiu al Teoriei Probabilităt, ilor s, i locului ei

în Statistica Matematică.
▲ Introducerea not, iunilor de probabilitate frecvent, ială s, i probabilitate
subiectivă.
▲ Definirea not, iunii de probabilitate axiomatică care, împreună cu not, iuni-
le de spat, iu de evenimente elementare s, i câmp de evenimente aleatoare, se
află la baza not, iunii de spat, iu sau model probabilist.
▲ Evident, ierea proprietăt, ilor ce rezultaă din definit, ia axiomatică care stau
la bază metodelor de calcul ale probabilităt, ilor, inclusiv proprietatea care
arată că definit, ia axiomatică este acoperitoare pentru not, iunile de probabi-
litate frecvent, ială, clasică, discretă sau geometrică.
▲ Introducerea not, iunilor de probabilitate condit, ionată s, i de independent, ă
a evenimentelor împreună cu formulele de bază utilizate în calculul probabilită-
t, ilor: formulele înmult, irii probabilităt, ilor s, i Poisson, formulele probabilităt, ii
totale s, i Bayes.
După parcurgerea acestui capitol, student, ii vor putea:
să cunoască not, iunile care stau la baza descrierii unui model probabi-
list în funct, ie de specificul fenomenului/experimentului sau procesului
aleator cercetat;
să aplice metode cantitative s, i calitative de instrumentare în analiză

informat, iei privind informatizarea societăt, ii;
să identifice corect locul s, i rolul Teoriei Probabilităt, ilor s, i Statisticii

Matematice în Tehnologiile Informat, ionale s, i a Comunicat, iilor
Cuvinte-cheie:
Experiment aleator, principiul regularităt, ii statistice, probabilitate frec-

vent, ială, probabilitate subiectivă, model matematic, spat, iu de evenimente
elementare, eveniment aleator, suma s, i produsul evenimentelor aleatoare,
complementara sau opusul evenimentului aleator, formulele de dualitate ale
lui de Morgan, câmp (borelian) de evenimente, probabilitate axiomatică,
spat, iu de probabilitate, probabilitate clasică, probabilitate discretă, probabi-
litate geometrică, formula adunării probabilităt, ilor, probabilitate condit, iona-
tă, formula înmult, irii probabilităt, ilor, independent, ă a două evenimente alea-
toare, independent, ă a două câte două evenimente aleatoare, independent, ă în
totalitate a evenimentelor aleatoare, formula Poisson, formulele probabilităt, ii
totale s, i Bayes.
1.1. Obiectul de studiu al Teoriei Probabilităt, ilor s, i locul ei în

Statistica Matematică, probabilitate frecvent, ială, probabilitate
subiectivă
Not, iunea de statistică se nas, te odată cu aparit, ia s, i dezvoltarea relat, iilor

economice, până în secolul XIX aceasta fiind tratată ca s, tiint, ă politică. Cu-
vântul în cauză provine de la latinescul status, care înseamnă stare.
Începând cu secolul XIX, statistica prinde conturul s, tiint, ei care, actual-
mente, are drept obiect de studiu metodele, procedeele de colectare, organi-
zare, prelucrare, analiză s, i interpretare a datelor ce vizează rezultatele obser-
vărilor făcute asupra fenomenelor sau experimentelor aleatoare. Statistica
modernă, mai ales acea parte a ei care se numes, te Statistica matematica,
bazându-se esent, ial pe realizările s, tiint, elor matematice, foloses, te din plin
Teoria probabilităt, ilor.
Aparit, ia Teoriei probabilităt, ilor ca ramură a matematicii ce studiază mo-
dele matematice ale fenomenelor aleatoare datează din secolul XVII s, i este
legată de numele marilor matematicieni Blaise Pascal (1623-1662), Pierre
Fermat (1601-1665), Christian Huygens (1629-1695) s, i Jacob Bernoulli (1654-
1705).
Pentru a înt, elege mai bine ce studiază Teoria probabilităt, ilor ca parte a
Statisticii matematice, avem nevoie de câteva explicat, ii suplimentare, t, inând
cont că multitudinea de fenomene care se întâlnesc în lumea înconjurătoare
se împarte în două clase: fenomene deterministe s, i fenomene indeterministe
sau aleatoare.
Astfel, spunem ca fenomenul este determinist dacă observatorul poate
anticipa cu certitudine evolut, ia sau derularea acestuia. În calitate de exemplu
putem lua fenomenul atract, iei universale. Observat, iile făcute asupra acestui
fenomen i-au permis marelui matematician s, i fizician englez Isaac Newton
(1642-1727) să formuleze legea atract, iei universale:
m1 m2
F =k .
r2
Acesta este un exemplu tipic de model matematic a unui fenomen (în cazul
dat) determinist. Dealtfel, a modela matematic (spre a fi cercetat) un feno-
men, proces, experiment, eveniment sau obiect oarecare înseamnă a-l descrie
cu ajutorul not, iunilor s, i formulelor matematice, adică a-l descrie în limba-
jul matematic. Unul s, i acelas, i model matematic poate descrie două sau mai
multe fenomene diferite în esent, ă. De exemplu, formula de mai sus poate

servi în calitate de model matematic s, i pentru fenomenul atract, iei a două
particule elementare (legea lui Coulomb).
Spunem despre un fenomen că este indeterminist (aleator), dacă observa-
torul fenomenului nu poate anticipa cu certitudine evolut, ia lui. Din punct de
vedere al observatorului, observat, iile făcute asupra unui fenomen sau măsu-
rătorile corespunzătoare echivalează cu o experimentare legată de fenomenul
dat. Or, prin experiment vom înt, elege observarea unui fenomen dat.
Acum putem spune că Teoria probabilităt, ilor s, i Statistica matematică
studiază modele matematice ale experimentelor (fenomenelor) aleatoare.
Aici se impun câteva precizări. Experimentele aleatoare (indeterministe)
se împart, la rândul lor, în două subclase: (a) experimente aleatoare care po-
sedă proprietatea regularităt, ii (stabilităt, ii) statistice s, i (b) experimente alea-
toare care nu posedă proprietatea regularităt, ii statistice.
Definit, ia 1. Vom spune că un experiment aleator E posedă propri-
etatea regularităt, ii (stabilităt, ii) statistice dacă acesta verifică următoarele
proprietăt, i:
1) poate fi reprodus ori de câte ori dorim practic în aceleas, i condit, ii;
2) pentru orice eveniment A asociat lui E frecvent, a lui relativă în n
probe
numărul de probe în care s-a produs A n(A)

fn (A) = =
numărul total de probe n
oscilează în jurul unui număr notat cu P (A), P (A) ∈ [0, 1], fn (A) devenind,
odată cu cres, terea lui n, ”tot mai aproape s, i mai aproape de P (A)";
3) pentru două serii diferite, respectiv de n s, i m probe, atunci când n s, i
m sunt foarte mari, avem că fn (A) ≈ fm (A) .
În concluzie, stabilitatea statistică a frecvent, elor relative conferă verosi-
militate ipotezei, conform căreia pentru orice eveniment A, posibil ca rezultat
observabil al unui experiment aleator E, putem defini numărul P (A) cu ajuto-
rul căruia măsurăm gradul (s, ansele) de realizare a lui A într-un număr foarte
mare de probe. Astfel, în Teoria probabilităt, ilor devine postulat afirmat, ia,
conform căreia pentru orice eveniment A asociat unui experiment aleator E
există (obiectiv) un număr P (A) numit probabilitate a lui A. Proprietatea
firească a acestui număr rezidă în faptul că odată cu cres, terea numărului n
de probe (experimente) ”independente” frecvent, a relativă fn (A) se apropie
tot mai mult de P (A). Numărul P (A) se numes, te probabilitate statistică (sau
frecvent, ială) a evenimentului A. Aceasta din urmă afirmat, ie/proprietate este

conformă cu Legea Numerelor Mari, care în Teoria probabilităt, ilor reprezintă
suportul matematic al proprietăt, ii regularităt, ii/stabilităt, ii statistice, ceea ce
înseamnă că această teorie se pliază perfect pe aplicat, iile ei la rezolvarea pro-
blemelor ce apar în cadru studierii modelelor matematice ale experimentelor
aleatoare ce fac parte din subclasa (a).
Exemplul 1. Considerăm în calitate de experiment aleator E aruncarea
unei monede simetrice (cu centrul de greutate nedeplasat) sau, cum se mai
spune, "perfecte". Fie A evenimentul ce constă în aparit, ia stemei. Observăm,
astfel, că.
1 1
f1000 (A) ≈ = P (A), f2000 (A) ≈ = P (A).
2 2
Prin urmare, putem afirma că probabilitatea (statistică) a aparit, iei stemei
la aruncarea monedei o singura dată este egală cu 1/2, ceea ce înseamnă, că
aruncând moneda de un număr suficient de mare de ori, stema va apare în
aproximativ 50% de cazuri .
Putem aduce s, i alte exemple de fenomene aleatoare: rezultatele aruncării
unui zar, greutatea unui bob de grâu ales la întâmplare, numărul de bacterii
într-o picătură de apă, durata viet, ii unui calculator produs de întreprinderea
dată, numărul de apeluri telefonice înregistrate la o stat, ie telefonică pe du-
rata unei zile, etc., etc. Enumerarea lor poate continua la nesfârs, it, însă ele
toate vor avea acelas, i caracter, fiind însot, ite de astfel de not, iuni imprecise
(deocamdată) ca aruncare ”onestă”, moneda ”perfectă”, ”probe independente”,
etc.
Interesant este faptul ca frecventa relativă, prin urmare s, i probabilita-
tea statistică (frecvent, ială), posedă proprietăt, ile puse în anul 1934 la baza
Teoriei axiomatice a probabilităt, ilor, teorie lansată de către ilustrul mate-
matician rus A. N. Kolmogorov (1903-1987). Iată aceste proprietăt, i care pot
fi verificate cu us, urint, ă pe cale experimentală în baza următorului exemplu.
Exemplul 2. Considerăm experimentul aleator E ce constă în efectuarea
unui sondaj printre potentialii săi client, i de către o companie producătoare
de 3 tipuri de băuturi răcoritoare A, B s, i C, pentru ca, în funct, ie de rezul-
tatele sondajului, sî se facă ajustări, privind cotele de product, ie a fiecărui
tip de bautură. Exprimarea preferint, ei presupune alegerea unui singur răs-
puns: A, B sau C. Considerând că în es, antion au fost inclus, i un număr n,
suficient de mare. de respondent, i, atunci compania va putea identifica cotele

de product, ie, acestea fiind direct proport, ionale cu frecvent, ele relative fn (A),
fn (B) s, i fn (C). Se poate observa cu us, urint, ă că:
1. 0 ≤ fn (A) ≤ 1 (rezultă din definit, ia frecvent, ei relative);
2. fn (A sau B sau C) = 1 (deoarece răspunsurile A sau B sau C se
exclud mutual, două cate două , iar alte răspunsuri sunt excluse, cu alte
cuvinte înregistrarea ca răspuns A sau B sau C, privit ca eveniment aleator,
este eveniment sigur );
3. fn (A sau B) = fn (A) + fn (B), fn (A sau C) = fn (A) + fn (C), fn (B
sau C) = fn (B) + fn (C).
Remarca1. Probabilitatea statistică nu poate fi aplicată întotdeauna,
deoarece nu orice experiment poate fi repetat în condit, ii identice ori de câte
ori dorim.
Drept exemplu putem lua rezultatul pe care-l va obt, ine un student concret
la examenul de Probabilităt, i s, i Statistică Matematică. Într-adevăr, observăm
că acest examen (experiment aleator), raportat la un student concret, nu
poate fi reprodus ori de câte ori dorim practic în aceleas, i condit, ii. Dacă,
însă, vom modifica experimentul prin a ne referi, în fiecare probă (repetare
de examen), la un student "ales la întâmplare", atunci acest experiment
va satisface rigorile 1-3 ale regularităt, ii statistice, apelând, de exemplu, la
istoricul rezultatelor de la acest examen din anii anteriori. Or, experimentele
aleatoare care posedă proprietatea regularităt, ii statistice t, in de fenomenele
de masă. Pentru studiul experimentelor care nu posedă această proprietate,
putem folosi not, iunea de probabilitate subiectivă.
Definit, ia 2. Prin probabilitate subiectivă vom înt, elege acea regulă P
conform căreia o persoană dată îi asociază fiecărui eveniment A un număr
P (A) ∈ [0, 1], numit probabilitatea evenimentului A.
Astfel, orice student concret îs, i poate, bineînt, eles, evalua probabilitatea
subiectivă că va promova din prima încercare examenul de Probabilităt, i s, i
Statistică Matematică, această probabilitate variind în funct, ie de student.
La fel, putem vorbi despre probabilitatea subiectivă, evaluată, să zicem,
de un expert NASA, că până în anul 2030 va avea loc prima expedit, ie a
omului pe Marte.
Pentru studiul fenomenelor aleatoare indeterministe, în afară de probabi-
litate subiectivă s, i probabilitate frecvent, ială, există s, i not, iunile de probabili-
tate clasică, probabilitate geometrică, probabilitate discretă s, i probabilitate
definită în sens axiomatic. Toate aceste not, iuni au ca scop definirea unei
modalităt, i de măsurare a s, anselor (gradelor) de realizare, gradelor de cer-
Nivelul de studii Frecvent, a

Superioare 720
Student, i/superioare incomplete 1106
Medii (liceu, s, coala medie) 502
Medii incomplete 52
Fără studii 0
Total 2380
titudine în producerea evenimentelor aleatoare date, definit, ia axiomatică a

probabilităt, ii, fiind, într-un anumit sens, acoperitoare pentru toate not, iunile
de probabilitate enumerate mai sus.
Remarca 2. În ceea ce prives, te fenomenele aleatoare întâlnite în domeni-
ile s, tiint, elor ingineres, ti acestea au, de regulă, un caracter de masă. Însă, dacă
ne vom referi la domeniile economic s, i al afacerilor, acestea fiind vulnerabile
la factorii subiectivi, trebuie sa fim foarte atent, i dacă fenomenele aleatoare
cu caracter economic, puse de noi în discut, ie, satisfac rigorilor impuse asupra
experimentelor aleatoare pentru ca acestea sa fie tratate/clasificate ca fiind
experimente ce posedă proprietatea regularităt, ii statistice sau nu.
Precizăm, ca Teoria probabilităt, ilor s, i Statistica Matematica, expusă de
noi în continuare, vizează doar modele matematice ale experimentelor alea-
toare ce posedă proprietatea regularităt, ii statistice. Cu alte cuvinte vom vorbi
doar despre probabilităt, i obiective.
Probleme propuse
1. La prima lect, ie practică, privind calculul probabilităt, ilor, student, ilor
le-a fost propusă următoarea întrebare: "Cu ce este egală probabilitatea că,
ies, ind la plimbare pe bulevardul s, tefan cel Mare din Chis, inău, întâmplător,
vă va ies, i în cale un Dinozaur?" Unul din student, i, familiarizat cu definit, ia
clasică a probabilităt, ii încă din liceu, a răspuns că probabilitatea în cauză
este egala cu 1/2, deoarece..."este posibil unul din două cazuri cu s, anse egale
de realizare: ori vom întâlni un Dinosaur, ori Nu". Răspunsul acesta, fiind
unul ridicol, se impune întrebarea: ce metodă de evaluare a probabilităt, ii se
potrives, te în acest caz? Pe cale experimentală sau subiectivă? Cu ce este
egala probabilitatea respectivă? Argumentat, i.
2. Biblioteca Nat, ională "Vasile Alecsandri" din Chis, inău a înregistrat pe
parcursul anului 2017 cititori nou venit, i care, privind nivelul lor de studii,
s-au repartizat conform următorului tabel:
Evaluat, i probabilitatea că un cititor luat la întâmplare din lista celor

înregistrat, i la Biblioteca Nat, ională "V. Alecsandri" va fi unul cu studii.
Evaluat, i probabilităt, ile respective pentru fiecare nivel de studii s, i arătat, i
că suma lor este egala cu 1.
3. Multe institut, ii de învăt, ământ preuniversitar oferă elevilor acces la
internet. Astfel, conform Anuarului Statistic din SUA publicat în 1997, în
anul 1996 acces la internet aveau 21 733 din 51 745 s, coli primare, 7286 din
14 012 s, coli gimnaziale s, i 10 682 din 17 229 licee.
Cu ce este egală probabilitatea ca:
a) Alegând la întâmplare pentru a vizita una din s, colile primare, aceasta
va fi conectată la Internet;
b) Alegând la întâmplare pentru a vizita una din s, colile gimnaziale, aceasta
va fi conectată la Internet;
c) Alegând la întâmplare pentru a vizita unul din licee, acesta va fi co-
nectată la Internet;
d) Alegând la întâmplare pentru a vizita una din institut, iile de învăt, ământ
ment, ionate mai sus, aceasta va fi conectată la Internet.
4. O companie producătoare de pastă de dint, i a init, iat un studiu privind
gradul de preferintă a cumpărătorului în funct, ie de unul din cele 5 tipuri de
ambalaje propuse de designeri. Drept rezultat, au fost inregistrate următoa-
rele rezultate: 5 cumpărători au preferat ambalajul nr. 1, 15 - ambalajul nr.
2, 30 - ambalajul nr. 3, 40 - ambalajul nr.4 s, i 10 - ambalajul nr. 5.
Sunt oare aceste date suficiente pentru a depista ambalajul cu s, ansele
cele mai mari de a fi preferat de catre cumpărători? Argumentat, i.
5. O companie specializată in construirea blocurilor de locuit, ce constă
din apartamente cu 1, 2 s, i 3 camere, a estimat că probabilităt, ile subiective,
privind cererea din partea unui client, în funct, ie de tipul apartamentului
solicitat, sunt urmatoarele: 0.30 pentru un apartament cu o cameră, 0.40
pentru un apartament cu 2 camere s, i 0.25 pentru un apartament cu 3 camere.
a) Sunt oare valide aceste estimări ale probabilităt, ilor ment, ionate mai
sus? De ce DA sau de ce NU ?
b) Ce intervent, ie asupra valorilor probabilităt, ilor trebuie aplicate ca aces-
tea să devină valide?
6. Specificat, i care din exemplele descrise mai jos se referă la experimen-
tele aleatoare ce posedă proprietatea Regularităt, ii Statistice s, i care nu:
a) Rezultatul unui meci concret în cadrul campionatului mondial la fotbal;
b) Rezultatul jocului cu o singură variantă la Lotosport "6 din 49";
c) Es, ecul sau succesul unui businessman la sfârs, itul primului an de acti-
vitate în cadrul unei afaceri cu caracter economic;
d) Mărimea încălt, ămintei solicitate de un cumpărător ales la întâmplare
dintre cei care au vizitat o sect, ie de încălt, ăminte a unui Mall;
e) Numărul de apeluri telefonice înregistrate în 24 de ore la un centru de
urgent, ă medicală.
1.2. Not, iuni s, i rezultate auxiliare din Combinatorică
Analiza Combinatorie sau Combinatorica este acea disciplină matematică

în care sunt studiate metodele de numărare a tuturor combinărilor ce pot fi
alcătuite din elementele unei mult, imi finite. Aceasta se bazează esent, ial pe
două principii: Principiul adunării s, i Principiul înmult, irii expuse mai jos.
Fie A s, i B sunt două mult, imi finite, atunci distingem două situat, ii, după
cum cele două mult, imi pot fi disjuncte sau nu. Se verifică cu us, urint, ă că are
loc:
Principiul adunării (caz disjunct). Dacă A s, i B sunt mult, imi finite
s, i disjuncte, adică A ∩ B = ∅, card(A) = n s, i card(B) = m, atunci
card(A ∪ B) = n + m.
Corolar. Daca A1 , A2 , ..., Ak sunt mult, imi finite disjuncte două câte
două, atunci
k
k X
card( ∪ Ai ) = cardAi
i=1
i=1
Principiul adunării (caz general). Dacă A s, i B sunt mult, imi finite,

A, B ⊆ Ω, card(A) = n, card(B) = m s, i card(A ∩ B) = k, atunci card(A ∪
B) = n + m − k.
Demonstrat, ie (opt, ional). Folosind proprietăt, ile operat, iilor asupra mult, imilor,deducem
că oricare ar fi mult, imile A, B ⊆ Ω avem:
A = (A ∩ B) ∪ (A ∩ B), B = (A ∩ B) ∪ (A ∩ B),
A ∪ B = (A ∩ B) ∪ (A ∩ B) ∪ (A ∩ B).
Conform principiului adunării în cazul disjunct obt, inem:

cardA= card(A ∩ B) + card(A∩B),
card(B)= card(A ∩ B) + card(A∩B),
card(A ∪ B) = card(A ∩ B) + card(A∩B) + card(A∩B) + card(A ∩ B)
−card(A ∩ B) = card(A) + card(B) − card(A ∩ B) = n + m − k.

Remarcă. Folosind induct, ia matematică putem deduce Principi-ul
adunării pentu un număr arbitrar k de mult, imi finite A1 , A2 , ..., Ak :
k
k X X
card ∪ Ai = cardAi − card(Ai ∩ Aj ) + ...
i=1
i=1 1≤i<j≤k
X
+(−1)m−1 · card(Ai1 ∩ Ai2 ∩ ...Aim ) + ..
1≤i1 <i2 <...im ≤k
k−1
+(−1) · card(A1 ∩ A2 ∩ ...Ak )
Exemplul 1. Considerăm o grupă de student, i despre care s, tim că fiecare

student posedă cel put, in una din limbi străine: 20 de student, i cunosc limba
engleză, 15 limba franceză, 10 limba germană, 5 limbile engleză s, i franceză, 5
limbile franceză s, i germană,4 limbile engleză s, i germană s, i 1 student limbile
engleză, franceză s, i germană. Cât, i student, i sunt în grupă ?
Notând prin E, F s, i G mult, imile de student, i care posedă, respectiv, limba
engleză, franceză, germană s, i t, inând cont de datele problemei, deducem:
cardE = 20, cardF = 15, cardG = 10, card(E ∩ F ) = 5, card(E ∩ G) = 4,
card(F ∩ G) = 5, card(E ∩ F ∩ G) = 1 s, i atunci
card(E ∪ F ∪ G) = card(E) + card(F ) + card(G) − card(E ∩ F )−

card(E ∩ G) − card(F ∩ G) + card(E ∩ F ∩ G) = 32.
Principiul înmult, irii (în limbajul produsului cartezian). Dacă A s, i

B sunt două mult, imi finite astfel încât card(A) = n s, i card(B) = m, atunci
card(A × B) = n · m.
Demonstrat, ie (opt, ional). Este evident ca dacă
A = {a1 , a2 , ..., an } , B = {b1 , b2 , ..., bm } ,
atunci mult, imile A× B s, i { (i, j) i = 1, n, j = 1, m} au acelas, i număr de elemente.

Dacă în sistemul cartezian de coordonate xOy vom plasa valorile i = 1, n pe axa Ox iar
valorile j = 1, m pe axa Oy , atunci elementului (i, j) îi corespunde punctul (i, j) din
planul xOy , având, astfel, în planul xOy o ret, ea de n · m puncte.
Pentru orice număr k de mult, imi finite, aplicând metoda induct, iei mate-
matice, putem demonstra că are loc formula:
n
card(A1 × A2 × . . . × An ) = Π cardAi .
i=1
Demonstrat, ia ei se bazează esent, ial pe faptul că are loc egalitatea A1 × A2 ×

. . . × Ai = (A1 × A2 × . . . × Ai−1 ) × Ai , i = 2, k,.
Principiul înmult, irii în limbajul produsului cartezian poate fi reformulat
în limbajul act, iunilor.
Principiul înmult, irii (în limbajul act, iunilor). Dacă o act, iune
poate fi realizată în k etape succesive astfel încât etapa i poate fi realizată în
ni modalităt, i, i = 1, k, atunci această act, iune poate fi realizată în n1 ·n2 ·. . .·nk
modalităt, i.
Exemplul 2. Presupunem ca un safeu poate fi deschis cunoscând un cod
de forma
i1 i2 i3 i4 i5 i6 ,
unde ik = 0, 9, k = 1, 6. Câte coduri diferite de acest gen există?
Mult, imea Ω a tuturor codurilor de acest gen coincide cu produsul carte-
zian a mult, imii {0, 1, 2, ..., 9} de 6 ori cu ea însăs, i, adică
Ω = (i1 , i2 , ..., i6 ) | ik ∈ {0, 1, 2, ..., 9} , k = 1, 6 .

Acesta are, conform Principiului înmult, irii în limbajul produsului cartezian,

106 elemente (coduri).
Dacă avem informat, ia că acest cod este format din cifre diferite atunci
vom observa că Principiul înmult, irii în limbajul act, iunilor se aplică mai us, or
decât Principiului înmult, irii în limbajul produsului cartezian. Într-adevăr, a
forma un cod din 6 cifre diferite este echivalent cu a efectua o act, iune în 6
etape succesive, astfel încât prima etapă poate fi realizată în 10 modalităt, i,
cea de a doua în 9 modalităt, i, etc., ultima (a s, asea) în 10 − (6 − 1) = 5

modalităt, i. Conform Principiului înmult, irii în limbajul act, iunilor, numărul
tuturor codurilor este egal cu 10 · 9 · 8 · 7 · 6 · 5 = A610 . Mai observam că
răspunsul din exemplul nostru se exprimă prin formula aranjamentelor.
Exemplul 3. Presupunem că avem o mult, ime Ω formată din n elemente.
Atunci numărul tuturor submult, imilor pe care le putem forma din ea este
egal cu
card {A | A ⊆ Ω} = 2n .
Într-adevar, pentru a forma o submult, ime a lui Ω e ca s, i cum ai realiza o
act, iune in n etape succesive: la etapa cu nr. i decidem ce facem cu elementul
cu nr. i, îl includem sau nu in mult, ime, adică fiecare etapă, i = 1, n, poate fi
realizata in 2 modalităt, i. Apelând la Principiul înmult, irii obt, inem formula
de mai sus.
Definit, ia 1. Fie A o mult, ime formată din n elemente diferite, A = {a1 ,
a2 , · · · , an }, atunci vom numi aranjament din n elemente luate câte k orice
mult, ime ordonată de forma (ai1 , ai2 , · · · , aik ) cu proprietatea că i1 ̸= i2 ̸=
· · · ̸= ik , aij ∈ A, ij = 1, n , j = 1, k. Evident, not, iunea are sens pentru
k = 1, n. Mult, imea tuturor aranjamentelor de n elemente luate câte k se
notează cu Akn , adica
Akn = (ai1 , ai2 , · · · , aik ) | i1 ̸= i2 ̸= · · · ̸= ik , aij ∈ A, ij = 1, n, j = 1, k .

Cardinalul acestei mult, imi se notează cu Akn s, i este numărul tuturor aran-
jamentelor din n elemente luate câte k.
Conform principiului înmult, irii în limbajul act, iunilor, a construi un aran-
jament din n elemente luate câte k este echivalent cu a realiza o act, iune în k
etape succesive, astfel încât prima etapă poate fi realizată în n modalităt, i, cea
de a doua în n−1 modalităt, i, etc., ultima (etapa nr. k) în n−(k−1) = n−k+1
modalităt, i. Or, numărul tuturor aranjamentelor din n elemente luate câte k
este egal cu
n!
Akn = n · (n − 1) · (n − 2) · · · · · (n − k + 1) =
(n − k)!
Prin definit, ie, atunci când k = n, aranjamentul se numes, te permutare de
n elemente. Deci mult, imea tuturor permutărilor de n elemente notată prin
Pn coincide cu Ann , ceea ce înseamnă ca numărul tuturor permutărilor de n
elemente Pn este egal cu Akn , adică Pn = n!.
Definit, ia 2. Orice submult, ime de forma {ai1 , ai2 , · · · , aik }, i1 ̸= i2 ̸=

· · · ̸= ik , aij ∈ A, ij = 1, n, j = 1, k , se numes, te combinare din n elemente
luate câte k. Evident not, iunea are sens pentru k = 1, n. Mult, imea tuturor
combinărilor de n elemente luate câte k elemente o vom nota prin
Cnk = {ai1 , ai2 , · · · , aik } | i1 ̸= i2 ̸= · · · ̸= ik , aij ∈ A, ij = 1, n, j = 1, k .

Cardinalul acestei mult, imi îl vom nota cu Ckn .

Observăm că dintr-o combinare din n elemente luate câte k putem forma
k! aranjamente din n elemente luate câte k. Or, a forma un aranjament din
n elemente luate câte k este echivalent cu a realiza o act, iune în două etape
succesive:
1. Alegem o combinare din n elemente luate câte k, etapă pentru care

avem Ckn modalităt, i de a o efectua;
2. Din această combinare, formăm un aranjament din n elemente luate

câte k, etapă care se poate realiza în k! modalităt, i.
Rezultă că Akn = k! · Ckn , adică
Akn n!
Ckn = = .
k! k!(n − k)!
Exemplul 3. Considerăm că avem o mult, ime de n elemente astfel încât

n1 elemente sunt de tipul 1, n2 elemente sunt de tipul 2, · · · , nk elemente
sunt de tipul k, n1 + n2 + ... + nk = n. Alegem la întâmplare, unul câte
unul, toate elementele mult, imii s, i le aranjăm în ordinea extragerii lor. Să se
calculeze cardinalul mult, imii Ω a tuturor rezultatelor posibile ce corespund
acestui experiment.
Pentru a alcătui un rezultat posibil ca element a mult, imii Ω ce corespunde
acestui experiment este suficient să realizăm o act, iune în k etape succesive.
Etapa 1: Din n locuri disponibile pentru a aranja elementele extrase,
alegem n1 locuri pe care vom plasa elementele de tipul 1. Această act, iune o
putem realiza în Cnn1 modalităt, i;
Etapa 2: Din cele n − n1 locuri, disponibile după etapa 1 , alegem n2
locuri pe care vom plasa elementele de tipul 2. Această act, iune o putem
realiza în Cnn−n
2
1
modalităt, i, etc.;
Etapa k: Din cele n − n1 − n2 − · · · − nk−1 = nk locuri, disponibile după

etapa k, alegem nk locuri pe care vom plasa elementele de tipul k. Această
act, iune o putem realiza în Cnn−n
k
1 −n2 −···−nk−1
= Cnnkk modalităt, i.
Conform principiului înmult, irii, avem :
n!
card(Ω) = Cnn1 · Cnn−n
2
· · · · · Cnn−n
k
1 −n2 −···−nk−1
= .
1
n1 !n2 ! · · · nk !
Formula obt, inută este, de fapt, formula de calcul pentru P (n1 , n2 , ..., nk ),
numărul permutărilor a n elemente, din care n1 elemente sunt de tipul 1, n2
elemente sunt de tipul 2, · · · , nk elemente sunt de tipul k, n1 +n2 +...+nk = n:
n!
P (n1 , n2 , ..., nk ) = .
n1 !n2 ! · · · nk !
Ultima mai poartă denumirea de formula permutărilor cu repetare .

Exemplul 4. Presupunem că avem la dispozit, ie 10 cartonas, e marcate
cu litere astfel: M , M , A, A, A, T , T , I, E, C. Un copil se joacă, extrăgând
la întâmplare câte un cartonas, s, i aranjându-l în ordinea extragerii. Care este
probabilitatea să obt, inem cuvântul MATEMATICA?
Întrucât considerăm cartonas, ele marcate la fel ca fiind de acelas, i tip,
rezultă că avem 2 cartonas, e de tip M , 3 cartonas, e de tip A, 2 cartonas, e
de tip T , 1 cartonas, de tip I, 1 cartonas, de tip E s, i 1 cartonas, de tip
C. Folosind formula dedusă mai sus, cardinalul spat, iului de evenimente
elementare asociat experimentului este
10!
card(Ω) =
3!2!2!1!1!1!
Rezultă că probabilitatea obt, inerii cuvântului MATEMATICA este egală cu
1 3!2!2!1!1!1! 1
= = = 6. 613 8 × 10−6
card(Ω) 10! 5 · 6 · 7 · 8 · 9 · 10
Exemplul 5. Presupunem că dispunem de n cutii s, i r bile identice.

Plasăm bilele, una câte una, la întâmplare, în una din cutii. Să se calculeze
cardinalul mult, imii tuturor variantelor de plasare a bilelor în cutii.
Solut, ie. În cele ce urmează vom reprezenta n cutii prin intermediul a
n + 1 bare verticale, iar r bile prin intermediul a r asteriscuri. De exemplu,
situat, ia când 5 bile identice, fiind plasate în 3 cutii astfel încât în prima
cutie nimeresc 0 bile, în cutia a doua 2 bile s, i în cutia a treia 3 bile poate fi
reprezentată astfel:
|| ∗∗ | ∗ ∗ ∗ |;
iar situat, ia când toate bilele nimeresc in prima cutie poate fi reprezentată
astfel:
| ∗ ∗ ∗ ∗ ∗ ||| .
Or, pentru o astfel de reprezentare schematică avem nevoie de n + 1 locuri
pentru bare (peret, ii cutiilor) s, i r locuri pentru asteriscuri (bile). Din exem-
plele aduse vedem că orice repartizare concretă a r bile identice în n cutii
este univoc determinată de pozit, ia a n − 1 bare (peret, i) interioare s, i a r
asteriscuri (bile) pe cele r + n − 1 locuri interioare, cele două bare (peret, i)
exterioare rămânând de fiecare dată fixe. Drept consecint, ă, alegerea a n − 1
locuri pentru bare (sau r locuri pentru asteriscuri) din totalul de n + r − 1
n+r−1 = Cn+r−1 modalităt, i, Cn+r−1 , find cunoscut
locuri, poate fi făcută în Cn−1 r r
ca numărul combinărilor din n elemente luate câte r cu repetare.

Exemplul 6. Intr-o cafenea sunt expuse 7 tipuri de înghet, ată. O familie
formată din 4 persoane (părint, ii cu doi copii) a comandat la întâmplare 4
înghet, ate. În câte modalităt, i poate fi realizată această comandă, care este
privită ca o mult, ime neordonată formată din 4 înghet, ate?
Solut, ie. Observăm ca problema noastră se reduce la problema calculării
numărului de combinări din n = 7 elemente luate câte r = 4 cu repetare,
tipul înghet, atei fiind considerat, convent, ional, cutie, iar cele 4 înghet, ate-bile
identice. Prin urmare, comanda în cauză poate fi realizată în C47+4−1 = 210
modalităt, i.
Probleme propuse.
1. Un om de afaceri are de ales unul din traseele turistice pe care le
propun 2 firme turistice. Câte variante de alegere are acesta dacă:
a) Prima firmă propune 10 trasee turistice, iar cea de a doua 20 de
trasee, astfel încât în ofertele ambelor firme nu se regăses, te niciun traseu
comun;
b) Prima firmă propune 10 trasee turistice, iar cea de a doua 20 de
trasee, astfel încât 5 trasee se regăsesc în ofertele ambelor firme.
2. Producătorul de autoturisme Dacia Pites, ti produce mai multe versiuni
de model noul Dacia Sandero Stepway care depind de unul din 2 tipuri de
alimentare combustibil (benzină/motorină), 2 variante de volum de motor,
2 tipuri de transmisie (manuală sau automată), 3 pachete dotări interioare
s, i 4 culori vopsea pentru exterior. Câte versiuni autoturism în total trebuie

să solicite de la producător un dealer autorizat care vinde acest model de
autoturism?
3. Într-un autoturism cu 5 locuri, inclusiv locul s, oferului, se as, ează, la
întâmplare, 5 persoane, din care numai 2 persoane posedă permis de condu-
cere, fiecare persoana ocupând un singur loc. Cu ce este egal numărul total
de ocupare a celor 5 locuri? Câte variante de ocupare a locurilor favorizează
evenimentul că la volanul autoturismului va nimeri o persoană care posedă
permis de conducere.
4. Dintr-o populat, ie statistică, reprezentată de tot, i student, ii unei universi-
tăt, i, a fost efectuat un sondaj bazat pe un es, antion de volum 500, ce vizează
atitudinea student, ilor fat, ă de fumat. Câte es, antioane diferite de volum 500
sunt posibile în total dacă numărul total al student, ilor este egal cu 11000, prin
es, antion înt, elegând orice submult, ime ordonată formata din 500 de student, i
ales, i la întâmplare din aceasta populat, ie statistică? Câte submult, imi diferite
de acest fel sunt posibile dacă:
a) Es, antionarea/select, ia este făcută fără repetare, adică studentul, odată
fiind ales, este exclus din lista tuturor student, ilor din care se face selectarea;
b) Es, antionarea/select, ia este făcută cu repetare, adică studentul ales
poate apare în es, antion în mod repetat, fiind înregistrat de fiecare dată în
listă.
Care este numărul total de es, antioane diferite de volum 500, posibile în
acest sondaj dacă în es, antion sunt inclus, i nu student, ii ales, i, ci răspunsurile
lor, DA sau NU, în funct, ie de este sau nu fumător studentul chestionat?
În acest caz, depinde oare acest număr de tipul de es, antionare (cu sau fără
repetare)? Dar de numărul N de student, i care studiază la universitate, unde,
bineînt, eles, N ≥ 500, în cazul select, iei fără repetare?
5. Registrul Auto Român (RAR) a ales, în calitate de tip de nume-
rotare a autoturismelor, o secvent, ă formată din acronimul judet, ului sau a
mun. Bucures, ti, funct, ie de viza de res, edint, ă sau adresa persoanei fizice sau
juridice, ce det, ine autoturismul, urmată de 2 cifre s, i 3 litere (fără diacritice)
al alfabetului latin. Care este numărul maxim de autoturisme care pot fi
numerotate astfel intr-un judet, sau mun. Bucures, ti? Dar numărul maxim
de autoturisme care pot fi numerotate astfel în România, s, tiind că România
este împărt, ită în 41 de judet, e.
6. La pizzeria Andy’s au fost aduse pentru ziua curentă, n compo-
nente alimentare pentru producerea Pizzei, turtele pentru Pizza fiind pro-
duse aparte la pizzerie. Câte tipuri de Pizza pot fi produse dacă fiecare tip
admite, cel put, in, una din aceste componente sau, cel mult, toate compo-
nentele aduse. Dar câte tipuri de Pizza pot fi produse pentru n = 6 dacă
numărul de componente folosite:
a) trebuie sa fie egal cu 3;
b) poate fi, cel put, in, egal cu 1 s, i, cel mult, egal cu 5.
7. Un reprezentant pentru vânzări din SUA urmează să întreprindă vizite
de lucru in oras, ele Omaha, Dallas, Wichita s, i Oklahoma Sity, între care există
legătură directă cu avionul. Presupunem că ordinea vizitării lor este aleasă
la întâmplare. Câte rezultate posibile corespund acestui experiment aleator?
8. În condit, iile problemei anterioare reprezentantul de vânzări are sarcina
să aleagă la întâmplare s, i să viziteze doar trei din oras, ele enumerate, nu
contează în ce ordine. Câte rezultate posibile corespund acestui experiment
aleator?
10. Un grup de 8 participant, ii la o Conferint, ă Internat, ională, printre
care Ionescu s, i Petrescu, au fost cazat, i s, i repartizat, i de către organizatori, la
întâmplare, intr-un hotel particular ce are numai 4 camere: una cu 3 locuri,
două cu 2 locuri s, i una cu un singur loc. Câte rezultate posibile sunt în acest
experiment aleator? Dar câte dintre aceste rezultate favorizează faptul ca
Ionescu s, i Petrescu vor nimeri în camera de 3 locuri?
11. Sect, ia Literatură Tehnică a Bibliotecii Nat, ionale "Vasile Alecsandri"
din Chisinău are cărt, i ce t, in de domeniile Matematică, Fizică, Chimie, etc.,
în total 16 domenii ale s, tiint, ei. Experimentul rezidă în alegerea la întâmplare
a 4 comenzi de carte pentru a vedea cum se repartizează acestea pe domenii.
Câte rezultate posibile sunt în acest experiment aleator? Câte din aceste
rezultate favorizează faptul că toate comenzile se referă la domenii de s, tiint, a
diferite? Dar câte din aceste rezultate favorizează faptul ca toate comenzile
se referă la unul s, i acelas, i domeniu de s, tiint, ă?
1.3. Spat, ii de evenimente elementare, evenimente aleatoare s, i

operat, ii asupra lor, definit, ia axiomatică a probabilităt, ii
A modela matematic un experiment aleator înseamnă, de fapt, a descrie

matematic (a) mult, imea de rezultate posibile în acest experiment, (b) eve-
nimentele aleatoare asociate acestui experiment s, i (c) probabilitatea, adică
în
aplicat, ia sau regula conform căreia fiecărui eveniment aleator îi punem în
corespondent, ă un număr ce caracterizează s, ansele (gradul) lui de realizare.

Vom începe cu dezideratul (a).
Spat, ii de evenimente elementare
Chiar dacă într-un experiment aleator nu putem anticipa cu certitudine
care rezultat anume se va produce, este firesc să presupunem ca mult, imea
tuturor rezultatelor posibile poate fi descrisă cu exactitate. Aducem, drept
confirmare, câteva exemple.
Exemplul 1. Experimentul E constă în aruncarea unei monede o singură
dată. Mult, imea de rezultate posibile este dată de
Ω = {S, B} = {0, 1} = {ω1 , ω2 },
unde prin S, 0 sau ω1 se subînt, elege "stema" iar prin B, 1 sau ω2 se subînt, elege
"banul".
Exemplul 2. Experimentul E constă în aruncarea unei monede de trei
ori succesiv. Mult, imea de rezultate posibile este dată de
Ω = {SSS, SSB, SBS, BSS, SBB, BSB, BBS, BBB}.
Exemplul 3.Experimentul E constă în aruncarea zarului o singură dată.
Mult, imea de rezultate posibile este dată de
Ω = {1, 2, 3, 4, 5, 6} = {i|i = 1, 6} = {ωi |i = 1, 6}.
Exemplul 4. Experimentul E constă în aruncarea unei monede până la
prima aparit, ie a stemei. Mult, imea de rezultate posibile este dată de
Ω = {S, BS, BBS, BBBS, . . . , |BB..B
{z }S, ...}
n−1 ori
care este o mult, ime infinită numărabilă, unde prin BB..B

| {z }S se subînt, elege că
n−1 ori
prima aparit, ie a "stemei" este precedată de aparit, ia "banului" de n − 1 ori
succesiv, n ≥ 1 .
Exemplul 5. Experimentul E constă în alegerea unui punct la în-
tâmplare pe segmentul [0, 1]. Mult, imea de rezultate posibile este dată de
mult, imea infinită nenumărabilă
Ω = {x|x ∈ [0, 1]},
unde x este coordonata punctului ales.
Exemplul 6. Experimentul E constă în înregistrarea greutăt, ii unui stu-

dent ales la întâmplare de la una din universităt, i. Mult, imea de rezultate
posibile este dată de
Ω = {x|x > 0}.
Remarca 1. Deoarece mult, imile finite sau infinite, cel mult, numărabile
se mai numesc mult, imi discrete, spunem că exemplele 1-4 se referă la cazul
discret, în caz contrar, cum sunt exemplele 5-6, spunem că se referă la cazul
continuu. Exemplele invocate ne conduc la următoarea definit, ie valabilă în
caz general.
Definit, ia 1. Vom numi spat, iu de evenimente elementare orice mult, ime
nevidă Ω, ale cărei elemente reprezintă (descriu) toate rezultatele posibile
într-un experiment aleator. Fiecare element al mult, imii Ω (care corespunde
unui singur rezultat posibil) se numes, te eveniment elementar.
Remarca 2. Definit, ia nu exclude situat, ia, când unuia s, i aceluias, i expe-
riment aleator îi putem asocia, în dependent, ă de scopul urmărit, spat, ii de
evenimente elementare diferite. Astfel, în exemplul 2, dacă ne interesează
numai numărul de steme apărute la aruncarea monedei de trei ori, atunci în
calitate de spat, iu de evenimente elementare putem lua
Ω = {0, 1, 2, 3}.
Acum suntem pregătit, i să răspundem dezideratului (b).

Evenimente aleatoare s, i operat, ii asupra lor
Pentru a introduce not, iunea matematică cu ajutorul căreia să descriem
evenimentele aleatoare vom pleca de la exemplul legat de aruncarea zarului o
singură dată pentru care spat, iul corespunzător de evenimente elementare este
Ω = {1, 2, 3, 4, 5, 6}. Considerăm următoarele evenimente aleatoare pe care
le vom nota, aici s, i în continuare, cu primele majuscule ale alfabetului latin:
A = {numărul de puncte va fi par }; B = {numărul de puncte va fi impar };
C = {numărul de puncte va fi mai mic sau egal cu 4}; D = {numărul de
puncte va fi mai mic decât 13}; E = {numărul de puncte va fi mai mare
decât 13}; F = {numărul de puncte va fi divizibil cu 3}. Observăm că
putem stabili următoarea corespondent, ă biunivocă: A ←→ {2, 4, 6}; B ←→
{1, 3, 5}; C ←→ {1, 2, 3, 4}; D ←→ {1, 2, 3, 4, 5, 6}=Ω; E ←→ ∅; F ←→
{3, 6}.
În concluzie, dacă experimentului aleator îi corespunde un spat, iu discret
de evenimente elementare Ω, atunci evenimentele aleatoare pot fi descrise ca
fiind submult, imi ale lui Ω. As, adar, având un spat, iu de evenimente elementare
Ω, exemplul nostru arată că putem, cel put, in în caz discret, formula
Definit, ia 2. Vom numi eveniment aleator (în caz discret) orice submul-
t, ime A ⊆ Ω. În particular, Ω se va numi evenimentul sigur, iar ∅ se va numi
eveniment imposibil. Spunem că evenimentul elementar ω ∈ Ω favorizează
aparit, ia evenimentului aleator A dacă s, i numai dacă ω ∈ A.
Astfel, în exemplul de mai sus, evenimentul D = Ω s, i este eveniment
sigur, iar evenimentul E - eveniment imposibil.
Or, operat, iile care pot fi aplicate asupra mult, imilor pot fi aplicate s, i
asupra evenimentelor aleatoare.
Definit, ia 3. Sumă (reuniune) a două evenimente aleatoare A, B ⊆ Ω
vom numi evenimentul
C = A ∪ B = {ω ∈ Ω | ω ∈ A sau ω ∈ B},
adică C se produce dacă sau se produce A, sau se produce B, sau se produc

A s, i B concomitent. Cu alte cuvinte, suma evenimentelor A s, i B se pro-
duce atunci s, i numai atunci când se produce cel put, in unul din aceste două
evenimente.
În exemplul nostru: A ∪ F = {2, 3, 4, 6}, A ∪ B = Ω.
Definit, ia 4. Produs (intersect, ie) a două evenimente aleatoare A, B ⊆ Ω
vom numi evenimentul
C = A ∩ B = {ω ∈ Ω | ω ∈ A s, i ω ∈ B},
adică C se produce dacă se produce s, i A s, i B. Cu alte cuvinte evenimentul

produs al evenimentelor A s, i B are loc atunci s, i numai atunci când aceste
două evenimente se produc concomitent. Produsul a două evenimente A s, i
B se mai notează A · B sau AB.
În exemplul nostru: A ∩ F = {6}, A ∩ B = ∅.
Definit, ia 5. Pentru orice A ⊆ Ω vom numi eveniment "non-A" sau
eveniment opus evenimentului A complementara acestei submult, imi în raport
cu Ω, adică evenimentul notat cu Ā sau Ac , unde
Ac = {ω ∈ Ω | ω ∈
/ A}
Or, evenimentul Ā se produce atunci s, i numai atunci când nu se produce

evenimentul A.
În exemplul nostru: A = B, B = A, D = E, E = D.
Definit, ia 6. Dacă avem două evenimente aleatoare A, B ⊆ Ω spunem că
evenimentul A implică evenimentul B dacă s, i numai dacă A ⊆ B. Altfel spus,
A implică B atunci s, i numai atunci când din faptul că s-a produs evenimentul
A rezultă că s-a produs s, i evenimentul B. Dacă A ⊆ B s, i B ⊆ A, atunci
spunem că A = B (A este echivalent cu B).
Cum operat, iile asupra evenimentelor aleatoare sunt, de fapt, operat, ii asu-
pra mult, imilor din Ω putem formula
Propozit, ia 1. Operat, iile asupra evenimentelor aleatoare au următoarele
proprietăt, i : A ∪ A = A; A ∪ Ω = Ω; A ∩ A = A; A ∩ Ω = A; A ∪ ∅ = A;
A ∩ ∅ = ∅; A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C); A ∪ B = A ∩ B; A ∩ B = A ∪ B.
Remarca 3. Ultimele două proprietăt, i se numesc formulele de dualitate
ale lui De Morgan. Prin analogie, operat, iile de sumă s, i produs pot fi extinse
asupra evenimentelor Ai ⊆ Ω, i = 1,2,. . . ,adică putem opera cu evenimentele
k ∞ k ∞
: ∪ An , ∪ An , ∩ An , ∩ An , unde k ≥ 2.
n=1 n=1 n=1 n=1
Definit, ia 7. Dacă A, B ⊆ Ω sunt astfel încât A ∩ B = ∅, adică A, B
nu se pot produce concomitent, atunci spunem că A s, i B sunt evenimente
incompatibile (sau disjuncte).
Se verifică cu us, urint, ă că în caz discret familia F = {A | A este eve-
niment aleator legat de experimentul aleator căruia îi corespunde spat, iul de
evenimente elementare Ω} coincide cu familia tuturor submult, imilor spat, iului
de evenimente elementare Ω, adică cu F ={A | A ⊆ Ω} s, i aceasta verifică
următoarele axiome:
1. Dacă A ⊆ F, atunci A ∈ F;
∞
2. Dacă A1 , A2 , ..., An , ... ∈ F , atunci ∪ Ai ∈ F.
i=1
Definit, ia 8. Familia F de submult, imi ale lui Ω care verifică axiomele de

mai sus se numes, te câmp (borelian) de evenimente. Elementele lui F se nu-
mesc evenimente aleatoare, iar spat, iul de evenimente elementare Ω înzestrat
cu un câmp de evenimente F se numes, te spat, iu măsurabil s, i se notează prin
(Ω, F).
Această din urmă definit, ie a not, iunii de eveniment aleator este acope-
ritoare pentru ambele cazuri, discret s, i continuu, adică este valabilă în caz
general. Mai mult, are loc următoarea
Propozit, ie 2. Dacă (Ω, F) este un spat, iu măsurabil, atunci au loc ur-
mătoarele proprietăt, i:
a) Evenimentele sigur s, i imposibil fac parte s, i ele din câmpul de eveni-

mente aleatoare, adică Ω ∈ F, ∅ ∈ F;
∞
b) Dacă A1 , A2 , ..., An , ... ∈ F, atunci s, i ∩ Ai ∈ F.
i=1
Cu alte cuvinte, dacă familia F de submult, imi ale lui Ω este un câmp
(borelian) de evenimente, atunci garantat că evenimente aleatoare vor fi
mult, imile Ω s, i ∅ cât s, i complementarele tuturor submult, imilor din Ω care fac
parte din F, dar s, i intersect, ia (produsul) tuturor submult, imilor A1 ,A2 ,...,An ,...
din Ω ce fac parte din F, nu numai reuniunea (suma) lor. Lucrul acesta
este suficient pentru a modela matematic, toate situat, iile care prezintă inte-
res din punct de vedere practic în legătură cu evenimentele aleatoare pentru
care dorim să definim not, iunea de probabilitate.
Acum, pentru a întregi modelarea matematică a experimentelor aleatoare,
avem la dispozit, ie toate datele pentru a defini not, iunea generală de probabi-
litate, răspunzând, astfel, la dezideratul (c).
Pentru a da o definit, ie cât mai generală, as, a cum arată ilustrul matema-
tician rus A. N. Kolmogorov, părintele teoriei moderne a probabilităt, ilor, se
impune o abordare axiomatică. De notat ca abordarea axiomatică la con-
struirea unei teorii nu este străină, de exemplu, Mecanicii Teoretice sau chiar
s, i s, tiint, elor economice. Astfel, Teoria Consumului se bazează pe un set de
supozit, ii comportamentale ale consumatorilor, supozit, ii considerate ca fiind
adevăruri axiomatice. În cazul nostru, deoarece Probabilitatea este privită
ca măsură a gradului de realizare a oricărui eveniment aleator asociat unui
experiment aleator, este firesc să o privim ca pe o funct, ie(aplicat, ie) definită
pe mult, imea/familia tuturor evenimentelor aleatoare legate de acest experi-
ment, adică pe mult, imea F definită mai sus.
As, adar, având spat, iu măsurabil (Ω, F), putem formula
Definit, ia axiomatică a probabilităt, ii. Vom numi probabilitate orice
aplica-t, ie (funct, ie) P :F →R dacă aceasta satisface
Axioma 1. Pentru orice eveniment AnF probabilitatea lui P (A) ≥ 0;
Axioma 2. Probabilitatea evenimentului sigur P (Ω) = 1;
Axioma 3. Probabilitatea producerii a cel put, in unuia din evenimentele
A1 , A2 , ..., An ,... din F, incompatibile (disjuncte) două câte două, coincide
cu suma probabilităt, ilor acestor evenimente, adică P (A1 ∪A2 ∪ ...∪ An ∪...) =
P (A1 ) + P (A2 )+...P (An )+..., pentru ∀ {An }n≥1 ∈ F, Ai ∩ Aj = ∅, i ̸= j,
i,j ≥ 1.
În concluzie, probabilitatea P fiind o aplicat, ie (funct, ie) definită pe familia
F a tuturor evenimentelor aleatoare asociate experimentului dat, este firesc
să numim probabilitate a evenimentului A valoarea P (A) a acestei funct, ii.

Remarca 4. Dacă confruntăm proprietăt, ile frecvent, elor relative cu Defini-
t, ia Axiomatică a Probabilităt, ii, deducem că aceasta din urmă este acoperi-
toare, de fapt, pentru proprietăt, ile Probabilităt, ii Frecvent, iale (Statistice).
Definit, ia 9. Vom numi câmp de probabilitate sau spat, iu de probabilitate
orice triplet de forma (Ω,F,P ), unde (Ω,F) este un spat, iu măsurabil asociat
unui experiment aleator, iar P este o probabilitate definită pe F.
Not, iunea de câmp de probabilitate poate servi în calitate de model mate-
matic (probabilist) care descrie comportamentul probabilist al evenimentelor
aleatoare asociate experimentului aleator în cauză. Drept confirmare putem
aduce următoarele exemple.
Exemplul 7. Considerăm experimentul aleator E ce constă în aruncarea
unui zar "perfect" o singură dată. Atunci spatiul de evenimente elementare
corespunzător Ω = {1, 2, 3, 4, 5, 6} descrie toate rezultatele posibile iar familia
F ={A | A ⊆ Ω} ale tuturor submult, imilor din Ω descrie toate evenimen-
tele aleatoare asociate acestui experiment. Observăm că aplicat, ia P :F →R
conform formulei
CardA 1
P (A) = = Card A,
CardΩ 6
este o probabilitate în sensul definit, iei de mai sus. Prin urmare tripletul
(Ω, F, P ) este un câmp de probabilitate ce descrie comportamentul proba-
bilist al oricarui eveniment aleator asociat experimentului E. De exemplu
probabilitatea evenimentului A = {la aruncarea unui zar "perfect" o sin-
gură dată va apare un număr par de puncte} este egala cu P (A)= 61 Card
{2, 4, 6}= 36 = 21 .
Remarca 5. Finalmente, verificarea faptului că modelul probabilist (Ω,
F, P ) descrie adecvat experimentul aleator E se poate face pe cale experimen-
tală. Conform proprietăt, ii regularităt, ii statistice, dacă , odată cu cres, terea
lui n, pentru orice A ∈ F, frecvent, ele relative fn (A) ≃ P (A), atunci ipo-
teza ca modelul în cauza este adecvat experimentului E devine credibilă,
dar validarea modelului presupune aplicarea unor metode avansate ce t, in de
Statistica Matematica.
Exemplul 8. Considerăm următorul joc de noroc: Ion s, i Petru aruncă
pe rând o monedă "perfecta", jocul terminându-se îndată ce unul din ju-
cători va înregistra aparit, ia stemei. Primul arunca moneda Ion. Ne in-
teresează, de exemplu, cine are s, anse mai mari de a câs, tiga jocul. Con-
form exemplului 3, spat, iul de evenimente elementare Ω = {S, BS, BBS,
BBBS,. . . , BB..B
| {z }S,...} = {ω1 , ω2 ,...,ωn ,...}. Se observă cu us, urint, ă că orice
n−1 ori
eveniment aleator asociat acestui joc este submultime a lui Ω. Prin urmare
F ={A | A ⊆ Ω}. De exemplu evenimentele {jocul va f i câstigat de Ion} =
{ω1 , ω3 , ..., ω2k+1 , ...}, {jocul va f i câstigat de P etru} = {ω2 , ω4 , ..., ω2k , ...}.
În continuare, asociem fiecărui eveniment elementar probabilitatea P { ωn } =
1
2n
, n = 1, 2,... iar fiecărui P eveniment A ∈ F - probabilitatea calculată
după formula P (A) = P { ωn }. Evident, P (A) ≥ 0. Axioma 1 a
n:ωn ∈A
probabilităt, ii este, astfel, îndeplinită. Este îndeplinită s, i Axioma 2 deoarece
X1 1 1 1 1 1 1
P (Ω) = n
= (1 + + 2 + ... + n + ..) = · 1 = 1.
n≥1
2 2 2 2 2 2 1− 2
Cum pentru ∀ {An }n≥1 ∈ F, Ai ∩ Aj = ∅, i ̸= j avem că

X
P (A1 ∪ A2 ∪ ... ∪ An ∪ ...) = P ( ωn ) =
n:ωn ∈A1 ∪A2 ∪...∪An ∪...
X X
P ( ωn ) + P ( ωn ) + ... = P (A1 ) + P (A2 ) + ...
n:ωn ∈A1 n:ωn ∈A2
rezultă că si Axioma 3 este valabilă. Prin urmare funct, ia P :F →R definită

mai sus este o probabilitate, iar (Ω,F,P ) un model de probabilitate pentru
jocul de noroc descris anterior. Astfel,
P {jocul va fi câs, tigat de Ion} = P {ω1 , ω3 , ..., ω2k+1 , ...} =
1 1 1 1 1 2
+ 3 + 5 + ... = · 1 = .
2 2 2 2 1 − 22 3
În mod similar aflăm că P {jocul va fi câstigat de Petru} = 13 . Cu alte
cuvinte, Ion are de 2 ori mai multe s, anse de a câs, tiga jocul decât Petru.
Exemplul 9. Considerăm experimentul aleator ce constă în fixarea du-
ratei x de viat, ă, masurată în ore, a memoriei hard a unui laptop marca
HP. Evident, spatiul de evenimente elementare corespunzător este mult, imea
Ω = {x|x ≥ 0}. Luăm în calitate de F orice familie de submult, imi ale lui
Ω dacă aceasta este un câmp borelian de evenimente, adică F cont, ine toate
intervalele din Ω de forma (a, b], [a, b), (a, b), reuniunile, intersect, iile si com-
plementarele unor astfel de intervale. Aceasta ne permite să afirmăm că
−6 x
aplicat, ia P :F →R după formula P (A) = 10−6 e−10 dx, privită ca funct, ie
R
A
de mult, imi din F, este o probabilitate. Intr-adevăr, P (A) ≥ 0, deoarece
pentru orice x ∈ A ⊆ Ω funct, ia de sub integrală este nenegativă, iar
Z +∞
Z
−6 −10−6 x −6 x −6 x
P (Ω) = 10 e dx = 10−6 e−10 dx = (1 − e−10 ) |+∞
0 = 1,
Ω 0
s, i din proprietăt, ile integralei rezultă că

Z
−6 x
P (A1 ∪ A2 ∪ ... ∪ An ∪ ...) = 10−6 e−10 dx =
A1 ∪A2 ∪...∪An ∪...
Z Z Z
−6 −10−6 x −6 −10−6 x −6 x
10 e dx + 10 e dx + ... + 10−6 e−10 dx + ... =
A1 A2 An
P (A1 ) + P (A2 ) + ...P (An ) + ...,

pentru ∀ {An }n≥1 ∈ F, Ai ∩ Aj = ∅, i ̸= j, i, j ≥ 1.Aceasta înseamnă că
P verifică Axiomele 1-3 din definit, ia probabilităt, ii. Or, (Ω, F, P ) poate
fi privit ca un model matematic ce descrie comportamentul probabilist al
duratei viet, ii memoriei hard a unui laptop marca HP. Astfel, probabilitatea
că acesta va avea o durată de viat, ă mai mare decât T este egală cu
Z +∞
Z
−10−6 x −6 x −6 x −6 T
10−6 e dx = 10−6 e−10 dx = (1 − e−10 ) |+∞
T = e
−10
.
(T,+∞) T
Astfel, pentru T = 43800 ore, adică aproximativ 5 ani, aceasta probabilitate

−6
este egala cu e−10 ×43800 = 0.957 15, ceea ce denotă o fiabilitate sporită
pentru memoria hard a unui calculator marca HP. În ce măsură modelul
matematic descris mai sus corespunde realităt, ii aceasta este o problemă ce
t, ine de Statistica Matematică.
Probleme propuse.
1. Pentru fiecare dintre experimentele aleatoare de mai jos descriet, i
spat, iul de evenimente elementare corespunzător.
a. La încheierea activităt, ii zilnice, contabilitatea centrului comercial
UNIC duce evident, a numărului de tranzact, ii în numerar ai primilor 100 de
client, i.
b. Biroul Nat, ional de meteorologie înregistrează zilnic datele temperatu-

rii pentru fiecare localitate. Interes prezintă, de exemplu, perechea de date ce
constă din temperatura minimă s, i temperatura maximă exprimată Celsius.
c. Compania Rompetrol asigură toate stat, iile sale de alimentare cu com-
bustibil inclusiv cu benzină fără plumb. Interes prezinta cantitatea totală de
benzină fără plumb solicitată de toate stat, iile de alimentare Rompetrol din
Republica Moldova.
d. Managerul de birou al unei companii specializate în servicii de copiere
contorizează numărul de copii pe care le produce o mas, ină de copiat inainte
de a suferi un blocaj de hârtie. Interes prezintă anume acest număr de copii.
2. Pentru fiecare din exemplele aduse în problema anterioară să se
specifice tipul de mult, ime a rezultatelor posibile (mult, ime finită, infinită
numărabi-lă-caz discret, infinită nenumărabilă-caz continuu). Argumentat, i
răspunsurile.
3. Pentru fiecare din exemplele a-d, aduse în problema 1, să se descrie
mult, imea (familia) F de evenimente aleatoare (câmpul borelian de eveni-
mente) pe care-l putem asocia (în mod firesc) experimentului corespunzător.
4. O firmă din Chis, inău specializată în vânzarea autoturismelor noi
japoneze are următoarea echipă de comerciant, i:
Experient, ă
Prenume Vârsta Studiile Căsătorit
de vânzare
Ion 4 34 liceale Da
Doina 12 31 liceale Nu
Mihai 21 56 superioare Da
Gheorghe 9 42 liceale Da
Elena 3 24 superioare Nu
Mircea 7 29 liceale Nu
Raluca 12 44 superioare Da
Nicolae 2 25 liceale Nu
Un client venit să discute procurarea unui autoturism nou alege la întâm-

plare un comerciant. Alegând metoda potrivita de asociere a probabilitătilor,
calculat, i probabilităt, ile următoarelor evenimente:
a. Va fi aleasă o persoana de sex feminin; b. Va fi ales un bărbat cu
vârsta sub 40 de ani; c. Va fi aleasă o persoană cu o vechime de activitate
în domeniul vânzărilor de cel put, in 10 ani; d. Va fi aleasă o persoană cu
studii superioare s, i căsătorită; e. Va fi aleasă o persoană de sex feminin ,
cu studii liceale s, i cu experient, ă de activitate în domeniul vânzărilor de cel

put, in 5 ani; f. Va fi aleasă o persoană cu o vechime de activitate în domeniul
vânzărilor de cel put, in 2 ani s, i vârsta de cel put, in 21 de ani; g. Va fi aleasă
o persoană cu vârsta sub 60 de ani; h. Va fi aleasă o persoană cu vârsta su
24 de ani.
5. Pentru fiecare din următoarele exemple de triplete de forma (Ω, F, P )
determinat, i dacă acesta reprezintă un model probabilist (câmp de probabi-
litate).
a) Spat, iul de evenimente elementare Ω = {1, 2, 3, 4, 5, 6, 7, 8}, câmpul
de evenimente aleatoare F = {A : AP ⊆P Ω}, aplicat, ia (funct, ia) P definită
pe F este dată de formula P (A) = k
36
, ∀A ∈ F; b) Ω = [0, +∞),
k∈Ω:k∈A
F = {A : A este un subinterval a lui Ω sau submult, ime a lui Ω caR reuniune,
intersect, ie sau complementara unor astfel de intervale}, P (A) =
R −x
e dx,
A PP
∀A ∈ F ; c) Ω = {1, 2, ..., n, ...}, F = {A : A ⊆ Ω}, P (A) =
k∈Ω:k∈A
k2
105
,∀A ∈ F; d) Ω = (0, 1), F = {A : A este un subinterval a lui Ω sau
submultime a lui Ω caRreuniune, intersect, ie sau complementara unor astfel
de intervale}, P (A) =
R
12x(1 − x)2 dx, ∀A ∈ F.
A
1.4. Proprietăt, ile probabilităt, ii drept consecint, ă din definit, ia

axiomatică a probabilităt, ii
Fie (Ω,F,P ) un spat, iu de probabilitate. Din definit, ia axiomatică a

probabilităt, ii P , privită ca funct, ie de submult, imi (evenimente) ale spat, iului
de evenimente elementare, rezultă un set de proprietăt, i generale ale probabili-
tăt, ii ce simplifica procesul de calcul ale unor probabilităt, i ale unor evenimente
aleatoare ce se exprimă prin alte evenimente aleatoare ale căror probabilităt, i
sunt cunoscute sau se identifică mai us, or. Le vom centraliza în următoarea
Propozit, ie (Proprietăt, ile probabilităt, ii ). Orice probabilitate P de-
finită pe campul de eveneminte aleatoare F posedă următoarele proprietăt, i:
a) 0 ≤ P (A) ≤ 1 pentru orice eveniment A din F;
b) P (Ā) = 1 − P (A) sau în formă echivalentă, P (A) = 1 − P (Ā), pentru
orice eveniment A din F;
c) Probabilitatea evenimentului imposibil este egală cu zero, cu alte cu-
vinte P (∅) = 0;
d) (Formula adunării probabilităt, ilor ). Dacă A s, i B sunt două eve-

nimente aleatoare legate de unul s, i acelas, i câmp de evenimente F, atunci
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
sau, în caz general, dacă A1 , A2 , ..., An sunt n evenimente aleatoare legate de

unul s, i acelas, i câmp de evenimente F , atunci
n
n X X
P ( ∪ Ai ) = P (Ai ) − P (Ai ∩ Aj ) + ...
i=1
i=1 1≤i<j≤n
X
m−1
+(−1) · P (Ai1 ∩ Ai2 ∩ ...Aim ) + ...
1≤i1 <i2 <...im ≤n
n−1
+(−1) · P (A1 ∩ A2 ∩ ...An )
e) Dacă A s, i B sunt evenimente din F s, i A implică B, adică A ⊆ B,

atunci P (A) ≤ P (B) s, i P (B ∖ A) = P (B) − P (A);
d) Dacă A s, i B sunt evenimente din F, atunci
P (AB) ≤ P (A) ≤ P (A ∪ B) ≤ P (A) + P (B),
P (AB) ≤ P (B) ≤ P (A ∪ B) ≤ P (A) + P (B).
Următoarea teoremă vine să confirme faptul că not, iunea de Probabi-

litate Clasică studiată la nivel de liceu este un caz particular al not, iunii de
Probabilitate Axiomatică.
Teoremă (Probabilitate Clasică). Dacă spat, iul de evenimente ele-
mentare Ω corespunzător unui experiment aleator E constă din n rezultate
posibile ce au aceleas, i s, anse de realizare (adică sunt echiprobabile), iar A este
un eveniment aleator ce cont, ine k elemente, atunci probabilitatea evenimen-
tului dat ce se calculează după formula probabilităt, ii clasice
cardA k
P (A) = =
cardΩ n
este o probabilitate s, i în sens axiomatic.
Demonstrat, ie. Conform condit, iilor teoremei, spat, iul corespunzător de
probabilitate poate fi descris ca fiind tripletul (Ω, F, P ), unde Ω = {ω1 ,
ω2 , .... , ωn }, câmpul de evenimente fiind F ={A | A ⊆ Ω}. Atunci

putem arăta că aplicat, ia P : F −→R, unde P (A) se calculează după formula
clasică a probabilităt, ii satisface axiomelor 1-3 ale probabilităt, ii. Într-adevăr,
valabilitatea Axiomei 1 este evidentă. Deoarece evenimente elementare sunt
echiprobabile, adică P {ω1 } = ... = P {ωn } = 1/n, rezultă că
n 1
P (Ω) = 1 = P ( ∪ {ωi }) = P (ω1 ) + P (ω2 ) + ...P (ωn ) = n · = 1,
i=1 n
ceea ce confirmă valabilitatea Axiomei 2.
Pentru a arăta că este valabilă Axioma 3, deoarece card F = 2n , ne vom
referi la orice mult, ime finită de evenimente A1 , A2 , ..., Ak din F, disjuncte
două câte două. Cum

k k k
∪ Aj = ω ∈ Ω ω ∈ ∪ Aj = ∪ {ω ∈ Ω |ω ∈ Aj } ,
j=1 j=1 j=1
Ai ∩ Aj = ∅, ∀i ̸= j, i, j = 1, k.
k
conform Principiului Adunării (caz disjunct), avem egalitatea Card( ∪ Aj ) =
j=1
k
CardAj . Prin urmare
P
j=1
k
k P
Card( ∪ Aj ) CardAj k
k j=1 j=1 X
P ( ∪ Aj }) = = = P (Aj ). □
j=1 CardΩ CardΩ j=1
Remarcă. Teorema de mai sus arată că definit, ia Axiomatică a Probabilită-

t, ii este acoperitoare pentru Definit, ia Clasică a Probabilităt, ii. Echiprobabi-
litatea evenimentelor elementare poate fi postulată, prin urmare aceasta din
urma poate fi utilizată atunci când intr-o problemă de calcul a probabilităt, ilor
avem de a face cu experimente de genul aruncării unei monede "perfecte"sau
unui zar "perfect", de alegere "la întâmplare" a unui element dintr-o
mult, ime finită de elemente, etc. Validarea acestor presupuneri se poate ve-
rifica doar pe cale experimentală, comparând rezultatele obt, inute pe cale
teoretica cu cele obt, inute pe cale experimentală.
Exemplul 1. Considerăm aruncarea unui zar perfect de n ori. Cu ce
este egală probabilitatea că fat, a 6 va apare cel put, în o dată?
Solut, ie. Spat, iul de evenimente elementare poate fi descris ca fiind mult, imea
de seturi ordonate Ω = {(i1 , i2 , ...., in )} | ij = 1, 6, j = 1, n}. Observăm că
mult, imea Ω coincide cu produsul cartezian al mult, imii {1, 2, 3, 4, 5, 6} cu ea
însăs, i de n ori. Prin urmare Card Ω = 6n , iar din faptul că zarul e per-
fect conchidem că toate evenimentele elementare sunt echiprobabile, având
probabilitatea 61n . Pentru a calcula probabilitatea evenimentului A = {la
aruncarea unui zar perfect de n ori fat, a 6 va pare cel put, in o dată} observăm
că este mai us, or sa aplicăm proprietatea b) a probabilităt, ii. Intr-adevăr, eve-
nimentul opus A poate fi descris ca fiind A = {(i1 , i2 , ...., in )} | ij = 1, 5, j =
1, n}, prin urmare Card (A) = 5n . Folosind definit, ia clasică a probabilităt, ii,
n
găsim că P (A) = 56n = ( 56 )n . Deci P (A) = 1 − P (Ā) = 1 − ( 65 )n .
Exemplul 2. La examenul de "Probabilităt, i, Statistică Matematică"
sunt propuse 24 de bilete de examinare din care 20 de bilete "norocoase" s, i
4−"nenorocoase". La examen s-au prezentat 24 de student, i, fiecare extră-
gând la întâmplare, fără repetare, câte un bilet. Care student are, în ordinea
extragerii, probabilitatea mai mare de a extrage un bilet "norocos", primul,
al doilea,..., sau ultimul?
Solut, ie. Presupunem ca biletele "norocoase" sunt numerotate de la 1
până la 20 iar cele "nenorocoase " de la 21 până la 24. Atunci spat, iul de
evenimente elementare Ω s, i evenimentele Ak = {studentul cu numărul de
ordine k va extrage un bilet "norocos"} se descriu, respectiv, ca fiind
Ω = {(i1 , i2 , ..., i24 )} | i1 ̸= i2 ̸= ... ̸= i24 , ij = 1, 24, j = 1, 24},
Ak = {(i1 , i2 , ..., ik , ..., i24 )} ∈ Ω | ik = 1, 20, }, k = 1, n.
Observăm ca Ω cont, ine toate permutările posibile ale numerelor de la

1 la 24, prin urmare Card Ω = 24!. La fel, Ak cont, ine toate permutările
din Ω, dar care au pe locul k, k = 1, 24 un număr "norocos" de bilet de
examinare. cu alte cuvinte ne putem imagina că evenimentele elementare din
Ω care favorizează evenimentul aleator Ak pot fi obt, inute drept rezultat al
unei act, iuni realizate în 2 etape succesive, astfel încât la prima etapă alegem
s, i fixăm pe locul k un număr de bilet de la 1 până la 20, iar la etapa a doua
punem pe locurile ramase orice rezultat a unei permutări din celelalte 23
numere de bilete rămase. Prima etapa poate fi realizată în 20 de modalităt, i,
iar cea de a doua în 23! modalităt, i. În concluzie, din Principiul Înmult, irii,
deducem că numărul de evenimente elementare care favorizează extragerea
unui bilet "norocos" pentru studentul nr. k, k = 1, 24, este egal cu Card
(Ak ) = 20 × 23!. Or, indiferent de numărul k,

20 × 23! 20 5
P (Ak ) = = = .
24! 24 6
Morala: nu contează în ce ordine te prezint, i la examen, contează...bagajul
de cunos, tint, e.
Exemplul 3. Select, ie aleatoare. În statistică, atunci când cercetarea
vizează o populat, ie statistică, privită ca o multime de elemente omogene în
raport cu o anumită caracteristică/proprietate, studiul se bazează, de fapt,
pe cercetarea unei submult, imi (ordonate) de n elemente a populat, iei statis-
tice, numite es, anion de volum n. Pentru ca rezultatele cercetării facute asu-
pra es, antionului să redea, cu aproximarea dorită, fidel, proprietăt, ile aceleas, i
caracteristici în întreaga populat, ie, se cere ca es, antionul în cauză sa fie repre-
zentativ. Aceasta inseamnă, de fapt, că select, ia este aleatoare , adică fiecare
element inclus în populat, ia statistică este ales la întâmplare, cu alte cuvinte,
are aceleas, i s, anse de a fi selectat s, i fiecare es, antion, adica orice submult, ime
de elemente ordonate în ordinea selectării lor, are aceeas, i probabilitate de a
fi extrasă din populat, ia statistică. În presupunerea că populatia statistică Ω
constă din N elemente diferite vom arăta că fiecare es, antion de volum n are
aceeas, i probabilitate de a fi selectat indiferent de tipul select, iei fără repetare
sau cu repetare. Într-adevăr:
Cazul select, iei aleatoare fără repetare. Aceasta înseamna că elementul
este extras la întâmplare s, i nu este returnat în populat, ia Ω = {ω1 , ω2 , ...,
ωN }, fiecare es, antion reprezentând o submult, ime de forma (ωi1 , ωi2 , ..., ωin )
: ωi1 ̸= ωi2 ̸=...̸= ωin , ωik ∈ Ω, ik =1, N , k = 1, n, n ≤ N . Este aplicabilă
definit, ia clasică a probabilităt, ii pentru care spat, iul de evenimente elementare
coincide cu mult, imea AnN = {(ωi1 , ωi2 , ..., ωin ) : ωi1 ̸= ωi2 ̸=...̸= ωin , ωik ∈ Ω,
ik =1, N , k = 1, n}. Cum
CardAnN = AnN = N · (N − 1) · ... · (N − n + 1),
rezultă că fiecare rezultat posibil în cadrul unei atare es, antionări are aceeas, i
probabilitate egala cu 1/AnN . Dealtfel, se poate arăta, folosind metodele
analizei combinatorii, că pentru acest tip de select, ie aleatoare orice element
al populat, iei poate nimeri în es, antion cu una s, i aceeas, i probabilitate egală
cu n/N (Demonstrat, i! ), ceea ce corespunde criteriului de reprezentativitate
a es, antionului.
Cazul select, iei aleatoare cu repetare. Aceasta înseamnă că elementul
este extras la întâmplare s, i după ce este înregistrat, acesta este returnat în
populat, ia Ω = {ω1 , ω2 , ..., ωN }, fiecare es, antion reprezentând o submult, ime

de forma (ωi1 , ωi2 , ..., ωin ) : ωik ∈ Ω, ik =1, N , k = 1, n. n ⩾ 1 Spat, iul de
evenimente elementare coincide cu multimea Ω × Ω × ... × Ω=Ωn ={(ωi1 , ωi2 ,
..., ωin ) : ωik ∈ Ω, ik =1, N , k = 1, n}. Conform Principiului Înmult, irii Card
Ωn =N n ,prin urmare fiecare rezultat posibil în cadrul unei atare es, antionări
are aceeas, i probabilitate egală cu 1/N n . Cât prives, te probabilitatea de a
nimeri în es, antion pentru orice element al populat, iei, reies, ind din caracterul
select, iei, aceasta este egala cu 1/n (Demonstrat, i! ).
Exemplul 4. Presupunem că o familie posedă două autoturisme, sta-
rea lor fiind de as, a natură încât probabilitatea că primul autoturism va fi
funct, ional, este egala cu 0.8, iar pentru al doilea, aceeas, i probabilitate, este
egală cu 0.4. În plus, probabilitatea că ambele autoturisme vor fi, concomi-
tent, funct, ionale, este egală cu 0.3.
a) Descriet, i evenimentele aleatoare despre care este vorba în problemă s, i
asociat, i-le probabilităt, ile corespunzătoare;
b) Cu ce este egală probabilitatea că va fi funct, ional cel put, in un auto-
turism?
c) Dar probabilitaea ca niciun autoturism nu va fi funct, ional?
Solut, ie. a) Conform condit, iilor descrise în problemă putem introduce
evenimentele A = {pimul autoturism va fi funct, ional }, A={al doilea auto-
turism va fi funct, ional }. Atunci evenimentul A ∩ B = {ambele autoturisme
vor fi, concomitent, funct, ionale}. Probabilităt, ile corespunzătoare vor fi:
P (A) = 0.8, P (B) = 0.4, P (A ∩ B) = 0.3;
b) Aici ne interesează probabilitatea evenimentului A ∪ B = {cel put, in
unul din autoturisme va fi funct, ional }. Aplicând Formula Adunării Probabilităt, ilor
găsim că
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0.8 + 0.4 − 0.3 = 0.9;
c) Observăm că evenimentul A ∪ B = { niciun autoturism nu va funct, iona},

prin urmare probabilitatea lui
P (A ∪ B) = 1 − P (A ∪ B) = 1 − 0.9 = 0.1.
Exemplul 5. Presupunem că un studiu privind gradul de angajare în

câmpul muncii are la baza un sondaj aleator bazat pe un es, antion în care au
fost incluse 1309 de persoane. Rezultatele au fost centralizate în următorul
tabel:
Neangajat, i în Angajat, i în
Total pe linie
câmpul muncii câmpul muncii
Bărbat, i 206 412 618
Femei 386 305 691
Total pe coloană 592 717 1309
Folosind aceste date, aflat, i probabilitatea că, alegând la întâmplare o

persoană inclusă în es, antion, aceasta va fi sau o femeie sau o persoana ne-
angajată în câmpul muncii?
Solut, ie. Spatiul de evenimente elementare consta din 1309 evenimente
elementare. Introducem următoarele evenimente aleatoare: A = { persoana
aleasă la întâmplare din es, antion va fi o femeie} s, i B = { persoana aleasă
la întâmplare din es, antion va fi una neangajată în câmpul muncii}. Atunci,
deoarece alegerea este la întâmplare, conform definit, iei clasice, probabilitatea
evenimentului căutat coincide cu P (A ∪ B). Dar P (A) = 1309 691
, P (B) = 1309
592
iar P (A ∩ B) = 1309386
. Prin urmare P (A ∪ B)=P (A) + P (B) − P A ∩ B)= 1309
691
+
592
1309
− 1309 = 1309 =0.685 26.
386 897
Probleme propuse.
Tema: Proprietăt, ile probabilităt, ii, probabilitate clasică.
1. Intr-o grupă de student, i, din care face parte s, i studentul Păcală, fiecare
student este sau de sex feminin sau are părul blond sau îndrăges, te disciplina
Matematica. În grupă sunt 20 de studente din care 12 au părul blond s, i doar
una din studentele cu părul blond au îndrăgit Matematica. Numărul total de
student, i/studente cu părul blond este egal cu 24, din care doar 12 îndrăgesc
Matematica. Numărul total de student, i/studente care îndrăgesc Matematica
este egal cu 17, din care 6 sunt studente. Cu ce este egală probabilitatea că,
alegând la întâmplare un student din această grupă, acesta va chiar Păcală?
2. Intr-un microbuz cu 17 locuri, inclusiv locul s, oferului, au urcat 17
persoane, din care 4 persoane posedă permis de conducere al unui vehicul de
acest tip. Cu ce este egală probabilitatea că microbuzul va putea pleca, dacă
s, tim ca fiecare persoană ocupă, la întâmplare, unul din aceste 17 locuri?
3. O grupă de student, i enumeră 35 de student, i. Dintr-acestea, 20 de
student, i s-au înscris în clubul sportiv al universităt, ii, 10 student, i s-au înscris
în cercul de dansatori al universităt, ii, iar 10 student, i nu s-au înscris la nicio
activitate. Din această grupă este ales la întâmplare un student. Calculat, i
probabilitatea că:
a) acesta va fi unul înscris la ambele activităt, i;
b) acesta va fi unul înscris numai în clubul sportiv ;
c) acesta va fi unul înscris numai la cercul de dans.
4. Dintr-o sută de student, i, 28 de student, i cunosc limba engleză, 30-
germana, 42-franceza, 8-engleza s, i germana, 10-engleza s, i franceza, 5-germana
s, i franceza, 2-toate trei limbi. Este ales la întâmplare un student. Cu ce este
egală probabilitatea că acesta nu cunoas, te niciuna din aceste trei limbi.
5. Presupunem că un zar "perfect" este aruncat o singură dată. Calculat, i
probabilităt, ile următoarelor evenimente: A = {numărul de puncte apărute
va fi egal cu 6}; B = {numărul de puncte apărute va fi multiplu lui 3}; C =
{numărul de puncte va fi par s, i ,totodată, mai mare decât 2}.
6. Considerăm aruncarea unui zar "perfect" de două ori succesiv. Calculat, i
probabilităt, ile următoarelor evenimente: A = {la ambele aruncări va apare
acelas, i număr de puncte}; B = {numărul de puncte apărute la prima arun-
care va fi mai mare decât numărul de puncte apărute la aruncarea a doua}:
C = {suma punctelor apărute la ambele aruncări va fi par ă}; D = {produsul
punctelor apărute la ambele aruncări va fi egală cu 6}.
7. Se alege la întâmplare un număr natural format din 5 cifre. Calculat, i
probabilităt, ile următoarelor evenimente: A = {numărul citit de la stânga
la dreapta sau invers, va ramâne neschimbat, ca de exemplu 13531} B =
{numărul va fi multiplu lui 5}; C = {numărul va fi format numai din cifre
pare}.
8. Considerăm o mult, ime formată din primele 10 litere ale alfabetului
latin. Câte alfabete formate din 3 litere putem alcătui din această mult, ime
de litere. Cu ce este egală probabilitatea că un alfabet de acest fel ales la
întâmplare va cont, ine litera A?
9. Dintr-un lot de 10 calculatoare, din care 3 calculatoare sunt cu defecte,
sunt alese la întâmplare 3. Calculat, i probabilitat, ile următoarelor evenimente:
A = {dintre cele 3 calculatoare alese, cel put, in unul, va avea defecte}; B =
{toate calculatoarele alese vor avea defecte}; C = {dintre cele 3 calculatoare
alese exact 2 vor avea defecte}.
10. Un cub, ale cărui fet, e sunt vopsite, a fost tăiat într-o mie de cubulet, e
de aceeas, i dimensiune. Cu ce este egală probabilitatea că un cubulet, extras
la întâmplare va avea exact două fet, e vopsite?
11. Un grup de 8 persoane ocupa fiecare, la întâmplare, unul din cele 8
scaune as, ezate în jurul unei mese rotunde. Cu ce este egală probabilitatea
că 2 persoane anume vor nimeri alături.
12. Un grup de 8 persoane ocupă fiecare, la întâmplare, unul din cele 8

scaune as, ezate intr-un rând de 8 locuri. Cu ce este egală probabilitatea că 2
persoane anume vor nimeri alături.
13. Pe 5 cartonas, e sunt scrise cifrele de la 1 pana la 5. Se aleg la
întâmplare, fără întoarcere, unul după altul, 3 cartonas, e, acestea fiind puse
alături de la stânga la dreapta în ordinea extragerii. Calculat, i probabilităt, ile
următoarelor evenimente: A = {va apare numărul 123}, B = {nu va apare
cifra 3}, C = {va apare un număr par }.
14. Numerele 1, 2, ..., 9 sunt scrise în ordine aleatoare. Calculat, i probabili-
tăt, ile următoarelor evenimente: A = {numerele vor apare in ordinea lor cres-
cătoare}; B = {numerele 1 s, i 2 vor nimeri alături in ordine crescătoare};
C = {pe locuri pare vor nimeri numere pare}.
15. Consideram un alfabet format din literele a, b, c, d, m. Alegem la
întâmplare, succesiv, cu întoarcere, 4 litere, scriindu-le în ordinea extragerii
lor. Cu ce este egală probabilitatea că vom obt, ine cuvântul mama?
16. Considerăm aruncarea unui zar "perfect" de 10 ori succesiv. Calculat, i
probabilităt, ile următoarelor evenimente: A = {la nicio aruncare nu va apare
fat, a 6 }; B = {la cel put, in o aruncare va apare fat, a 6}; C = {exact la 3
aruncari va apare fat, a 6}.
17. Intr-un lift al unei case cu 7 nivele, la nivelul de jos, au urcat 6
pasageri. s, tiind ca fiecare pasager poate ies, i, la intâmplare, la oricare din
cele 6 nivele, calculat, i probabilităt, ile următoarelor evenimente: A = {tot, i
pasagerii vor ies, i la nivele diferite}; B = {tot, i pasagerii vor ies, i la acelas, i
nivel }; C = {la nivelele 4, 5 s, i 6 vor ies, i câte 2 pasageri }.
18. Un copil se joacă cu 11 cartonas, e pe care sunt imprimate literele
I, N, F, O, R, M, A, T, I, C, A, aranjându-le la întâmplare unul lângă
altul. Cu ce este egală probabilitatea că acesta va obt, ine, astfel, cuvântul
INFORMATICA.
19. Considerăm aruncarea unui zar "perfect" de 6 ori succesiv. Calculat, i
probabilităt, ile următoarelor evenimente: A = {de trei ori va apare fat, a 1, de
doua ori fat, a 3 s, i o data fat, a 6}; B = {vor apare fet, e diferite}; C = {de 3
ori va apare aceeas, i fat, ă}.
20. Care este probabilitatea că, jucând cu o singură variantă la LOTOS-
PORT "5 din 35", nu vom fi în pierdere, adica vom cas, tiga ceva?
21. Într-un tren cu 3 vagoane se urcă la întâmplare 7 persoane. Care
este probabilitatea că în primul vagon vor urca 4 persoane?
22. Problema cavalerului DeMere: De câte ori trebuie să aruncăm un zar
"perfect" pentru ca probabilitatea aparit, iei fet, ei 6, cel put, in o dată, să fie
mai mare decât 1/2?

23. O grupă este formată din 23 de student, i. Calculat, i probabilităt, ile ur-
mătoarelor evenimente: A = {tot, i student, ii vor avea zile de nas, tere diferite};
B = {se vor găsi, cel put, in doi student, i care au aceeas, i zi de nas, tere}.Nota.
Excludem cazul când in grupă sunt student, i gemeni.
24. Să se arate că probabilitatea de a obt, ine în urma aruncării a 4 zaruri,
cel put, in o singură dată fat, a 1, este mai mare decât probabilitatea de a obt, ine
după 24 de aruncări a unei perechi de zaruri cel put, in o singură dată două
fet, e 1. (Răspunsul explică paradoxul cavalerului de Mere, care considera
aceste probabilităt, i egale, fapt ce nu corespunde observărilor empirice).
25. 2n echipe de fotbal, printre care echipele Dacia s, i Zimbru, au fost
impărtite, prin tragere la sort, i, in 2 subgrupe a cate n echipe. Deducet, i
formulele de calcul pentru probabilităt, ile următoarelor evenimente: A =
{Dacia s, i Zimbru vor nimeri în grupe diferite}; B = {Dacia s, i Zimbru vor
nimeri in aceeas, i grupă}. Calculat, i aceste probabilităt, i pentru n = 20.
26. O urnă cont, ine m bile albe s, i n bile negre. Din această urnă făcându-
se extract, ii cu întoarcere, să se determine formula de calcul pentru:
(a) Probabilitatea ca primele k bile extrase să fie negre.
(b) Probabilitatea ca prima bilă albă să apară la a k-a extract, ie.
(c) Probabilitatea ca printre primele k bile extrase vor fi i bile albe.
Calculat, i aceste probabilitati pentru m = 5, n = 4.
27. Primul rând al unei săli de Cinema are 2n locuri. n bărbat, i si n
femei ocupă la întâmplare, fiecare, câte un loc. Deducet, i formulele de calcul
pentru probabilităt, ile următoarelor evenimente: A = {niciun bărbat nu va
nimeri alături de barbat}; B = {toti bărbatii vor nimeri alături}. Calculat, i
aceste probabilităt, i pentru n = 10.
28. La un turneu de tenis s-au înscris 40 de sportivi. Prin tragere la
sort, i aces, tia au fost impart, it, i in 4 subgrupe a cate 10 sportivi. Cu ce este
egală probabilitatea că 4 din cei mai puternici tenismeni vor nimeri în grupe
diferite.
29. O firmă producătoare de calculatoare acceptă achizit, ionarea proce-
soarelor pentru calculatoare de la o altă firmă numai dacă în urma verificarii
a 5% din procesoare alese la întâmplare dintr-un lot propus spre a fi cum-
parat, niciunul nu va avea defecte. Presupunem că într-un lot de 1000 de
procesoare, propuse spre achizit, ie, se află cinci procesoare defecte. Cu ce
este egală probabilitatea că în urma controlului, lotul va fi acceptat spre a fi
cumpărat?
1.5. Probabilităt, i clasice, discrete si geometrice drept cazuri

particulare ale definit, iei axiomatice a probabilităt, ii
După cum am vazut, ă din Teorema demonstrată în paragraful anterior,

probabilitatea clasică devine un caz particular al Definit, iei Axiomatice. Fo-
losind limbajul acesteia din urmă putem formula o definit, ie matematică mai
strictă pentru prima s, i anume
Definit, ia probabilităt, ii clasice. Vom spune că avem de a face cu un
câmp de probabilitate clasică (Ω, F, P ) dacă
a) Spat, iul de evenimente elementare Ω cont, ine un număr finit de eveni-
mente elementare;
b) Familia de evenimente aleatoare F este reprezentată de toate submult, i-
mile posibile ale lui Ω;
c) probabilitatea este o aplicat, ie P definită pe F cu valori în mult, imea
numerelor reale calculate conform formulei:
cardA
P (A) = , ∀A ∈ F.
cardΩ
Remarca 1. Definit, ia formulată astfel atrage după sine, în mod auto-
mat, faptul că toate evenimentele elementare sunt echiprobabile. Intr-adevăr,
pentru orice eveniment elementar ω ∈ Ω găsim că
card{ω} 1
P {ω} = = .
cardΩ cardΩ
Însă aplicabilitatea probabilităt, ii clasice este limitată de condit, ia a), dar s, i

de faptul că, chiar dacă această condit, ie este valabilă, nu toate evenimen-
tele elementare sunt echiprobabile. Următoarele exemple confirmă această
afirmat, ie.
Exemplul 1. (Spat, iul de evenimente elementare este finit, dar eveni-
mentele elementare nu sunt echiprobabile). Considerăm aruncarea unui zar
cu centrul de greutate deformat astfel încât probabilităt, ile aparit, iei fet, elor
lui se raportează ca 1 : 2 : 3 : 4 : 5 : 6. Definit, ia clasică nu este aplicabilă,
fapt ce se poate verifica experimental cu orice zar imperfect.
Exemplul 2. (Spat, iul de evenimente elementare este infinit, dar numă-
rabil). Considerăm jocul de noroc descris în Exemplul 8 din p.1.3, cu singura
precizare că moneda aruncată are probabilitatea aparit, iei stemei egală cu
p, 0 < p < 1. Chiar dacă moneda era perfectă (vezi exemplul invocat), pro-
babilitatea clasică nu este aplicabilă din cauza neîndeplinirii condit, iei a) din
definit, ie.
Exemplul 3. (Evenimentele elementare sunt echiprobabile, dar spat, iul
de evenimente elementare este infinit nenumărabil). Considerăm experimen-
tul imaginar ce constă în aruncarea la întâmplare a unui punct pe segmentul
[0.1]. Sintagma "la întâmplare" ne sugerează că toate evenimentele elemen-
tare din spat, iul de evenimente elementare Ω = [0.1] sunt echiprobabile, dar
probabilitatea clasică nu poate fi aplicată din acelas, i motiv ca s, i în exemplul
anterior.
Totus, i, cum arată câmpul de probabilitate în fiecare din aceste exemple?
Deoarece spat, iile de evenimente elementare din exemplele 1 s, i 2 sunt mult, imi
finite sau cel mult numărabile la ele se poate aplica
Definit, ia probabilităt, ii discrete. Vom spune că avem de a face cu o
probabilitate discretă P dacă
a) Spat, iul de evenimente elementare Ω reprezinta o mult, ime finită sau
infinită, cel mult, numărabilă, daică Ω={ω1 , ω2 , ..., ωn } sau Ω={ω1 , ω2 , ...,
ωn , ...};
b) Câmpul de evenimente aleatoare F este reprezentat de toate submult, imi-
le posibile ale lui Ω;
c) P este o aplicat, ie definită pe F cu valori în mult, imea numerelor reale
calculate conform formulei:
P (A)=suma probabilitătP , ilor pentru fiecare eveniment elementar ce favori-
zează evenimentul A= P { ωn } , unde P verifică următoarele 2 axiome:
n:ωn ∈A
A1. P {ωi } ≥ 0, pentru orice i ≥ 1;
A2. P (Ω) = 1;
P (A), reprezentând un numar, se numeste probabilitatea evenimentului
A, iar tripletul (Ω,F, P ) - câmp de probabilitate discretă.
Remarca 2. Se poate arăta că orice câmp de probabilitate axiomatică
aplicat la cazul discret este, de fapt, un câmp de probabilitate discretă s, i
viceversa, probabilitatea discretă fiind, întrucâtva, mai us, or de manipulat în
calcule.
Exemplul 1 (Continuare). Spat, iul de evenimente elementare fiind Ω =
{1, 2, ..., 6}, câmpul de evenimente F este reprezentat de toate submult, imile
posibile ale lui Ω. Aceasta inseamnă valabilitatea condit, iilor a) s, i b). Pe
deoparte, din faptul că P {1} : P {2} : ...: P {6}=1 : 2 : 3 : 4 : 5 : 6
rezultă că P {2} = 2P {1}, P {3} = 3P {1}, ..., P {6} = 6P {1}. Pe de alta
parte 1 = P (Ω) = P ({1} ∪ {2} ∪ ... ∪ {6}) = P {1}+P {2}+ ... +P {6}.
Prin urmare P {1}+P {2}+ ... +P {6} = P {1}+2P {1}+ ... +6P {1} =
21P {1} = 1, adica P {1} = 21 1
, P {2} = 21
2
, ... ,P {6} = 21
6
. Axiomele 1,2 ale
probabilitătii discrete fiind întrunite, rezultă, de exemplu că P (A) = P {la o
singură aruncare a zarului va apare fat, a pară}=P {2, 4, 6}= 2+4+6 21
= 12
21
. Vedem
că, spre deosebire de cazul zarului simetric, P (A) > 2 . 1
Exemplul 2 (Continuare). Deoarece experimentul constă în aruncarea

unei monede până la prima aparit, ie a stemei, putem considera rezultat ele-
mentar numărul total de aruncări efectuate, adică Ω = {1, 2, ..., n, ...}.
Atunci câmpul de evenimente F va fi reprezentat de toate submultimile po-
sibile ale lui Ω. Nu prezintă greutate să se verifice experimental cu orice
monedă ca probabilităt, ile P {k}=P {până la prima aparit, ie a stemei vor fi
efectuate k aruncări}=p(1 − p)k−1 , k = 1, 2, ... , deîndată ce probabilitatea
aparit, iei stemei la o singură aruncare a monedei se s, tie ca este egală cu p,
0 < p < 1. Cum P {k} ≥ 0, iar P (Ω) = P {1, 2, ..., n, ...}=P {1}+P {2}+ ...
P {n}+...=p+p(1 − p)1 +...+p(1 − p)n−1 +...=p · 1−(1−p) 1
= 1, rezultă ca putem
aplica Definit, ia probabilităt, ii discrete. Astfel, dacă în jocul de noroc des-
cris în exemplul 8, p.1.3, moneda nu este perfecta, adică are probabilitatea
aparit, iei stemei egală cu p, 0 < p < 1, p ̸= 12 , atunci, să zicem, probabilitatea
P (A)=P {jocul va fi câstigat de Ion} = P {1}+P {3}+ ...+ P {2k − 1}+...=
=p+p(1−p)2 +...+p(1−p)2k−2 +...= p· 1−(1−p) 1
2 . De exemplu, pentru p = 1/3,
avem că P (A) = 3 · 1−(1− 1 )2 = 5 , adică probabilitatea P (A) e mai mică decât

1 1 3
3
atunci când moneda era simetrică, dar oricum mai mare decât probabilitatea
că jocul va fi câs, tigat de către rivalulul lui Ion, Petru.
Cât prives, te experimentele aleatoare similare celui din Exemplul 3, aces-
tea pot fi modelate matematic apelând la
Definit, ia probablităt, ii geometrice. Vom spune că avem de a face cu
o probabilitate geometrică P dacă
a) Spat, iul de evenimente elementare Ω reprezintă o mult, ime infinită ne-
numărabilă din Rn pentru care mesΩ < +∞, unde mes reprezintă lungimea
în R1 , aria în R2 sau volumul în Rn pentru n ≥ 3;
b) Câmpul de evenimente aleatoare F este reprezentat de toate submult, imi-
le măsurabile A ale lui Ω, adică pentru care mesA poate fi definită;
c) P este o aplicat, ie definită pe F cu valori în mult, imea numerelor reale
calculate conform formulei:
mesA
P (A) = .
mesΩ
Tripletul (Ω, F, P ) poartă denumirea, în acest caz, de spat, iu de probabi-

litate geometrică.
Astfel, în exemplul invocat, aplicând definit, ia probabilităt, ii geometrice
aflăm că probabilitatea că un punct aruncat la întâmplare pe [0, 1] va nimeri
în punctul x este egală cu P {x} = mes{x}/mes([0, 1]) = 0/1 = 0, pentru
orice x din [0, 1]. Daca ne intereseaza, de exemplu, probabilitatea că un punct
aruncat la întâmplare pe [0, 1] va nimeri în prima jumătate a acestui interval
este egală cu P ([0, 0.5]) = mes([0, 0.5])/mes([0, 1]) = 0.5/1 = 0.5. Dealtfel,
observăm că P ([0, 0.5] = P ([0, 0.5)) = P ([0.5, 1]). În genere, probabilitatea
că un punct aruncat la întâmplare pe [0, 1] va nimeri într-un interval (a, b)
din [0, 1] coincide cu lungimea acestui interval.
Remarca 3. Exemplul analizat arată ca proprietatea c) a probabilităt, ii
(vezi Proprietăt, ile Probabilităt, ii din p.1.4.), conform căreia, dacă evenimen-
tul A = ∅, atunci P (A) = 0, arată că reciproca acestei proprietăt, i nu are loc,
adică există exemple de evenimente aleatoare A ̸= ∅, dar care au P (A) = 0.
Cu alte cuvinte, afirmat, ia că probabilitatea unui eveniment este egala cu zero
nu atrage dupa sine afirmat, ia că acest eveniment este imposibil. Un alt exem-
plu, probabilitatea că un fir de cablu electric, situat intre doi stâlpi, se va
rupe, în timpul unei furtuni, exact la mijloc este egală cu 0, dar evenimentul
în cauză nu este imposibil. Aceste exemple arată deosebirea dintre notiunea
teoretică (ideală) a probabilităt, ii s, i cea empirică, cum ar fi probabilitatea
frecvent, ială.
Probleme propuse.
Tema: Probabilităt, i discrete.
1. Considerăm aruncarea o singură dată a unui tetraedru regulat, ale
cărui fet, e sunt numerotate cu numerele de la 1 până la 4, iar centrul său
de greutate este deplasat astfel încât probabilităt, ile aparit, iei fiecărei fet, e se
raportează ca P {1}:P {2}: ... :P {4} = 1:2: ... :4. Calculat, i probabilităt, ile
următoarelor evenimente: Ak = {va apare fat, a k}, k = 1, 4 ; B =va apare o
fat, a pară}; C = {va apare o fat, ă numerotată cu un numar prim} .
2. Considerăm aruncarea o singură dată a unui zar al cărui centru de gre-
utate este deplasat astfel încât, probabilitatile aparit, iei fiecărei dintre fet, ele
k = 1, 5 coincid intre ele, iar probabilitatea aparit, iei fet, ei 6 coincide cu suma
probabilităt, ilor anterioare. Aflat, i probabilităt, ile aparit, iei pentru fiecare fat, a
în parte, dar si probabilităt, ile evenimentelor B = {va apare un număr par
de puncte}; C={va apare un număr prim de puncte}.
3. Considerăm aruncarea o singură dată a unui tetraedru regulat, ale
cărui fet, e sunt numerotate cu numerele de la 1 până la 4, iar centrul său de

greutate este deplasat astfel încât probabilităt, ile P {k} ale aparit, iei fiecărei
fet, e k, k = 1, 4 , sunt legate între ele astfel: P {1} : P {2} : P {3}=1 : 2 : 3,
iar P {4}=P {1}+ P {2} + P {3}. Calculat, i probabilităt, ile P {k}, k = 1, 4 ,
dar s, i probabilităt, ile următoarelor evenimente: B={va apare o fat, ă pară};
C={va apare o fat, ă numerotată cu un număr prim}.
4. Presupunem că alegem la întâmplare câte o literă din cuvintele mama
si vama.Descriet, i spat, iul de evenimente elementare s, i calculat, i probabilitatea
că literele extrase vor fi aceleas, i.
5. Doi jucători, Ion s, i Petru, practică următorul joc de noroc: primul
aruncă moneda Ion; dacă apare "stema", acesta este declarat câs, tigător;
dacă nu, aruncă Petru; dacă apare "stema", acesta este declarat cas, tigător;
dacă nu, din nou aruncă moneda Ion; etc., etc., jocul se termină atunci când
unul din jucători înregistrează, primul, aparit, ia stemei. Pentru fiecare jucător
aparte, aflat, i probabilitatea că acesta va câs, tiga jocul, s, tiind că moneda este
deformată astfel, încât "stema" apare cu probabilitatea p, 0 < p < 1 ? Există
oare vreo valoare a lui p, 0 < p < 1, astfel incât Ion s, i Petru să aibă s, anse
egale de câs, tigare a jocului?
Indicat, ie: Să se considere că probabilitatea că jocul se va termina la
aruncarea k, k = 1, 2, ..., este egală cu p(1 − p)k−1 .
6. Trei jucători, Ion, Petru si Mihai, practică următorul joc de no-
roc: primul aruncă moneda Ion; dacâ apare "stema", acesta este declarat
câs, tigător; dacă nu, aruncă Petru; dacă apare "stema", acesta este decla-
rat câs, tigător; dacă nu, aruncă moneda Mihai ; dacă apare "stema", acesta
este declarat câs, tigător; dacă nu, atunci din nou aruncă moneda Ion; etc.,
etc., jocul se termină atunci, când unul din jucători inregistrează, primul,
aparit, ia stemei. Pentru fiecare jucător aparte, aflat, i probabilitatea că acesta
va câs, tiga jocul, s, tiind că moneda este deformată astfel, incât "stema" apare
cu probabilitatea p, 0 < p < 1.
Indicat, ie: Să se considere că probabilitatea că jocul se va termina la
aruncarea k, k = 1, 2, ..., este egală cu p(1 − p)k−1 .
Tema: Probabilitate geometrică.
7. Problema întâlnirii. Două persoane s, i-au fixat o întalnire între orele
12.00 s, i 13.00 cu condit, ia că primul sosit la locul întâlnirii îl as, teaptă pe al
doilea cel mult 15 minute s, i dacă acesta din urmă nu soses, te între timp, primul
părăses, te locul întâlnirii. Considerând că fiecare dintre persoane soses, te la
locul întâlnirii in mod întâmplător, să se calculeze probabilitatea că întâlnirea
nu va avea loc.
8. Presupunem că autobusele de ruta dată circulă la intervale fixe de 30

de minute. Un potent, ial pasager soses, te la una din stat, iile acestei rute într-
un moment întâmplător. Cu ce este egală probabilitatea că acesta va as, tepta,
cel mult, 5 minute pană la sosirea următorului autobus? Dar probabilitatea
că acesta nu va fi nevoit să as, tepte deloc?
9. Un baston de lungimea L este rupt la întâmplare în trei segmente.
Cu ce este egală probabilitatea că din aceste segmente de baston se va putea
construi un triunghi.
1.6. Probabilitate condit, ionată. Formula înmult, irii

probabilităt, ilor
Fie A s, i B două evenimente aleatoare legate de acelas, i câmp de probabili-
tate (Ω, F, P ), unde P (B) > 0. Presupunem că acest spat, iu de probabilitate
modelează comportamentul probabilist al unui experiment aleator E. Pre-
supunerea că P (B) > 0 înseamnă că într-un număr n suficient de mare de
repetări a acestui experiment frecvent, a relativă a evenimentului B este mai
mare ca zero, adică fn (B) > 0. Întrebarea firească este, în ce masurā faptul
(informat, ia) că s-a produs evenimentul B influient, ează probabilitatea eve-
nimentului A ? Atunci putem vorbi despre probabilitatea evenimentului A
condit, ionată de evenimentul B notată P (A/B) sau despre frecvent, a relativă
fn(B) (A) a evenimentului A în n(B) probe E în care s-a produs evenimentul
B, unde, conform Principiului Regularităt, ii Statistice, fn(B) (A) ≃ P (A/B)
pentru n(B) suficient de mare. Dar, din acelas, i Principiu avem că,
n(A∩B)
n(A ∩ B) n P (A ∩ B)
P (A/B) ≃ fn(B) (A) = = n(B)
≃ .
n(B) P (B)
n
Aceasta justifică următoarea

Definit, ie. Se numes, te probabilitate a evenimentului A condit, ionată de
evenimentul B, P (B) > 0, mărimea notată cu P (A/B) s, i calculată după
formula
P (A ∩ B)
P (A/B) = .
P (B)
Exemplul 1. O companie specializată în comercializarea calculatoarelor,
în urma unei cercetări statistice, că 67% din tot, i client, ii lor cumpără calcula-
toare, iar 45% preferă tablete. a) Cu ce este egală probabilitatea că un client
ales la întâmplare va fi unul care va cumpără s, i un calculator s, i o tabletă? b)
Dar probabilitatea că acest client va cumpăra o tabletă, dacă s, tim că acesta

este unul care a cumpărat un calculator?
Solut, ie. Deoarece, procentual vorbind, din numărul total de 100% cum-
părători, 67% din ei cumpără calculatoare, iar 45% - tablete, rezultă că tot ce
excede 100% din suma 67% + 45%, adică 12% din ei, vor fi cei care preferă să
cumpere ambele tipuri de dispozitive (vezi Principiul Adunării în caz gene-
ral). Introducem evenimentele A = {un cumpărător ales la întâmplare va fi
unul care va cumpăra un calculator }, B = {un cumpărător ales la întâmplare
va fi unul care va cumpăra o tabletă}. Atunci, folosind formula probabilităt, ii
clasice, găsim :
a) P {un client ales la întâmplare va fi unul care va cumpără s, i calculator
s, i tabletă} = P (A ∩ B) = 12/100 = 0.12.
b) P (B) = 0.45; P (A/B) = P P(A∩B)
(B)
= 0.12
0.45
= 0.266 67.
Din definit, ie, mai exact din formula de calcul a probabilităt, ii condit, ionate,
rezultă formula înmult, irii probabilităt, ilor pentru două evenimente aleatoare:
P (AB) = P (A)P (B/A), dacă P (A) > 0
sau P (AB) = P (B)P (A/B), dacă P (B) > 0.

Exemplul 2. Se s, tie că orice întreprindere producătoare, spre exemplu,
de calculatoare, supune produsele sale controlului calităt, ii înainte de a fi
comercializate. Presupunem că, prin metode statistico-matematice specifice
controlului calităt, ii se s, tie că ponderea calculatoarelor cu defecte ascunse
este de 2%, iar atinci când un calculator defect este supus controlului acesta
poate fi admis (din gres, eală) spre comercializare cu probabilitatea 0.05. Cu
ce este egală probabilitatea ca un calculator ales la întâmplare va fi unul cu
defecte s, i admis, totodată, spre comercializare.
Solut, ie. Întroducem evenimentele D = {un calculator ales la întâmplare
va fi unul cu defecte} s, i C = {un calculator ales la întâmplare va fi admis spre
comercializare}. Conform condit, iilor din problemă P (D) = 0.02, P (C/D) =
0.05. Deoarece P (D) > 0, din formula înmult, irii probabilităt, ilor avem că
probabilitatea că un calculator ales la întâmplare va fi unul cu defecte s, i
admis, totodată, spre comercializare coincide cu
P (CD) = P (D)P (C/D) = 0.02 × 0.05 = 0.001.
Formula înmult, irii probabilităt, ilor pentru două evenimente aleatoare este
doar un caz particular a unei formule mai generale. Are loc urmatoarea
Teoremă (Formula înmultirii ț probabilităt, ilor în caz general ). Dacă

(Ω, F, P ) este un câmp de probabilitate s, i A1 , A2 , ... , An sunt eveni-
mente aleatoare legate de acest câmp de evenimente cu proprietatea P (A1 A2
... An−1 ) > 0, atunci
P (A1 A2 ...An ) = P (A1 )P (A2 /A1 )P (A3 /A1 A2 )...P (An /A1 A2 ...An−1 ).
Exemplul 3. Cu ce este egală probabilitatea că, jucând Poker s, i efec-

tuând patru extrageri succesive (fără repetare) dintr-un butuc de cărt, i bine
amestecate, vom extrage patru as, i?
Solut, ie. Considerăm evenimentele Ak = {la extragerea cu numărul de
ordine k va apare un as}, k = 1, 4. Aplicând Teorema anterioară, găsim că
probabilitatea în cauză este egală cu

4
P ∩ Ak = P (A1 A2 ...A4 ) =
k=1
= P (A1 )P (A2 /A1 )P (A3 /A1 A2 )P (A4 /A1 A2 ...A3 ) =

4 3 2 1 1
= = = 3. 693 8 × 10−6 .
52 51 50 49 270 725
Probleme propuse.
1. Studiul statistic al vânzărilor zilnice ale unui magazin specializat
în vânzarea produselor electronice audio arată că fiecare din următoarele
evenimente A = { un client va cumpăra cel put, in un CD-player }, B = {
un client va cumpăra cel put, in un set de căs, ti audio} s, i C = { un client
va cumpăra cel put, in un CD- player s, i un set de căs, ti audio} sunt egale,
respectiv, cu P (A) = 0.6, P (B) = 0.75 s, i P (C) = 0.5. Aflat, i valorile
următoarelor probabilităt, i P (A∪B), P (A/B), P (B/A), P (A∩B), P (A∪B),
P (A/B), P (B/A).
2. În legătură cu aruncarea unui zar "perfect" de trei ori succesiv consi-
derăm evenimentele A={ de fiecare dată va apare o fat, ă diferită}, B={ cel
putin o dată va apare fat, a 6}. Calculat, i probabilităt, ile P (A/B), P (B/A).
3. Consideram aruncarea unei monede "perfecte" sau până când apare
"stema" sau până când "banul " apare de 3 ori succesiv. Cu ce este egală
probabilitatea că "banul" va apare de 3 ori succesiv dacă se s, tie că la prima
aruncare a apărut "banul".
4. Considerăm câmpul de probabilitate (Ω, F, P ) s, i evenimentul aleator

B ∈ F cu P (B) > 0. Arătat, i că tripletul (B, B ∩ F, PB ) reprezintă un nou
câmp de probabilitate (un nou model probabilist), unde PB (A) = P (A/B) =
P (A∩B)
P (B)
pentru orice eveniment A ∈ B ∩ F.
Tema: Formula înmult, irii probabilităt, ilor.
5. Presupunem că un PC constă din N blocuri, calculatorul ies, ind din
funct, iune deîndată ce iese din funct, iune unul din blocuri, ies, irea simultană
din funct, iune a două sau mai multe blocuri fiind exclusă. Depanatorul de
calculatoare verifică, luând la întâmplare, unul după altul câte un bloc, pană
când va depista blocul defectat. Cu ce este egală probabilitatea că depana-
torul va depista blocul defectat la încercarea cu numărul de ordine k, k = 1,
2, ..., N .
6. Un lot de 100 de calculatoare este supus controlului calităt, ii, selectând
la întâmplare 5 calculatoare. Dacă se depistează că, cel put, in, unul din aceste
calculatoare este defect, atunci întreg lotul este respins. Cu ce este egală
probabilitatea că lotul de calculatoare supus controlului va fi respins, dacă
se s, tie că 5% de calculatoare din lot sunt cu defecte?
1.7. Independent, a evenimentelor aleatoare, formula lui Poisson

În situat, ia când două evenimente aleatoare A s, i B, legate de acelas, i câmp
de probabilitate (Ω, F, P ), unde P (B) > 0, au proprietatea că P (A/B) =
P (A) este firesc să spunem că evenimentul A nu depinde de B sau pe scurt A
s, i B sunt independente. Vom arăta că definit, ia de mai jos este acoperitoare
s, i pentru toate situat, iile de acest tip.
Defint, ia independent, ei (cazul a două evenimente). Vom spune că
două evenimente aleatoare A s, i B, legate de acelas, i câmp de probabilitate
(Ω, F, P ), sunt independente dacă P (AB)=P (A)P (B). În caz contrar vom
spune că evenimentele A s, i B sunt dependente.
Într-adevăr, de aici rezultă imediat că dacă A s, i B sunt independente,
unde P (B) > 0, atunci P (A / B) = P P(A∩B) (B)
= P (A)P (B)
P (B)
= P (A), ceea ce
confirmă as, teptările noastre.
Remarca 1. Definit, ia independent, ei a două evenimente aleatoare, cu-
prinde chiar s, i cazurile când, cel put, in, unul din evenimentele A s, i B are
probabilitatea egală cu zero. De exemplu, fie P (B) = 0. Atunci, din Axi-
oma 1 a probabilităt, ii s, i din proprietatea P (AB) ≤ P (B) = 0, rezultă că
P (AB) = 0. Dar aceasta înseamnă că P (AB) = P (A)P (B), adică A s, i B
sunt independente.
Mai mult, are loc următoarea

Propozit, ia 1. Dacă evenimente aleatoare A s, i B, legate de acelas, i câmp
de probabilitate (Ω, F, P ) sunt independente, atunci independente vor fi s, i
fiecare din perechile de evenimente: (A, B), (A, B), (A, B).
Exemplul 1. Presupunem că angajat, ii unei companii sunt distribuit, i în
funct, ie de gen s, i tipul angajării conform cu Tabelul următor:
Tipul de angajare
Sexul Vânzări Conducere Product, ie Total
Masculin 825 675 750 2250
Feminin 1675 825 250 2750
Total 2500 1500 1000 5000
Pentru a stimula loialitatea fat, ă de companie, aceasta alege la întâmplare

un angajat, asigurându-i lunar o scurtă vacant, ă plus cheltuielile aferente.
a) Este oare evenimentul F = {va fi aleasă o femeie} independent de
evenimentul C = {va fi aleasă o persoana din conducerea corporat, iei }?
b) Dar acelas, i eveniment F , este oare independent de evenimentul D =
{va fi aleasă o persoana din sectorul de Product, ie}?
Solut, ie. Din tabelul de mai sus deducem că
2750 1500 1000
P (F ) = = 0.55, P (C) = = 0.3, P (D) = = 0.2,
5000 5000 5000
825 250
P (F ∩ C) = = 0.165, P (F ∩ D) = = 0.05.
5000 5000
a) Cum P (F ∩ C)=0.165=P (F )P (C)=0.55 × 0.3 rezultă că evenimentele
F s, i C sunt independente;
b) Dar P (F ∩ D)=0.05 ̸= P (F )P (C)=0.55 × 0.02=0.11. În concluzie,
evenimentele F s, i D sunt dependente.
Exemplul 2. La ora de Statistică Matematică s-au prezentat 20 de
student, i din care 8 sunt fumători, 12 poartă ochelari, iar 6 din cei care poartă
ochelari sunt s, i fumători. Este scos la tablă la întâmplare unul din student, i.
Aflat, i dacă evenimentele A = {studentul scos la tablă este unul fumător }
s, i B = {studentul scos la tablă este unul ochelarist} sunt independente sau
dependente.
Solut, ie. Din condit, iile problemei, folosind definit, ia probabilităt, ii clasice,
aflăm că P (AB) = 10 3
̸= P (A)P (B) = 20 8
· 12
20
, de unde deducem că eveni-
mentele A s, i B sunt dependente. Această concluzie, trebuie, însa, tratată
cu prudent, a, aceasta fiind valabilă doar pentru acest exemplu concret, dar
în care es, antionul nu este reprezentativ, deoarece numarul de 20 de student, i
nu este suficient de mare pentru a lansa o cercetare statistică mai amplă.
Aceasta în pofida faptului că pare a fi plauzibilă ipoteza, conform căreia
fumatul ar influent, a negativ acuitatea vederii. O atare cercetare, pentru
un număr n de student, i (persoane) suficient de mare, dacă ar da deferent, e
considerabile între frecvent, a relativă fn (B) s, i frecvent, a relativă condit, ionată
fn (B/A)=fn (A ∩ B)/fn (A), atunci ipoteza în cauză ar fi confirmată statistic.
Not, iunea de independent, ă a evenimentelor aleatoare poate fi extinsă
(generalizată) asupra mai mult de două evenimente.
Definit, ia independent, ei evenimentelor (în totalitate).Vom spune
ca evenimentele aleatoare A1 , A2 , ... , An , legate de acelas, i câmp de proba-
bilitate (Ω, F, P ), sunt independente (in totalitate) daca P (Ai1 Ai2 ...Aik ) =
P (Ai1 )P (Ai2 )P (Ai3 )...P (Aik ) pentru orice set de indici diferit, i {i1 , i2 ,...,ik }
din multimea de indici {1,2, ...,n}, k = 2, 3, ..., n.
Exercit, iu. Folosind definit, ia de mai sus, prin negarea ei, formulat, i,
desfăs, u-rat, Definit, ia dependent, ei evenimentelor (în totalitate).
Remarca 2. Atunci când evenimentele A1 , A2 , ... , An sunt indepen-
dente (în totalitate) Formula Înmult, irii Probabilităt, ilor se simplifică s, i are
forma
P (A1 A2 ...An ) = P (A1 )P (A2 )P (A3 )...P (An ).
Remarca 3. Independent, a evenimentelor A1 , A2 , ... , An două

câte două, mai exact, faptul că P (Ai1 Ai2 ) = P (Ai1 )P (Ai2 ) pentru orice set
de indici diferit, i {i1 , i2 } din multimea de indici {1,2, ...,n} nu garantează
independent, a lor în totalitate. Contraexemplul de mai jos confirmă această
afirmat, ie.
Contraexemplu (Trei evenimente independente două câte două,
dar nu s, i independente în totalitate). Considerăm aruncarea o sin-
gură dată a unui tetraedru regulat, cu centru de greutate simetric, fet, ele
căruia sunt colorate astfel: fat, a 1-albastru, fat, a 2-galben, fat, a 3-ros, u, fat, a
4-albastru, galben, ros, u.
Arătăm ca evenimentele A={va apare culoarea albastră}, G={va apare
culoarea galbenă}, R={va apare culoarea ros, ie} sunt independente 2 câte 2,
dar nu s, i în totalitate. Într-adevăr,
1 1 1 1
P (A) = P (G) = P (R) = , P (AG) = = P (A)P (G) = · ,
2 4 2 2
1 1 1 1 1 1
P (AR) = = P (A)P (R) = · , P (GR) = = P (G)P (R) = · ,
4 2 2 4 2 2
dar
1 1 1 1
P (AGR) = ̸= P (A)P (G)P (R) = · · .
4 2 2 2
Propozit, ia 2. (Formula lui Poisson). Dacă evenimentele Ak sunt
independente (în totalitate) s, i probabilităt, ile P (Ak )= pk , k=1,2,. . . ,n sunt
cunoscute, atunci probabilitatea
n
P {se va produce, cel put, in, unul din evenimenteleAk } = P ∪ Ak =
k=1
1 − [(1 − P (A1 ))(1 − P (A2 ))...(1 − P (An )] = 1 − [(1 − p1 )(1 − p2 ) . . . (1 − pn )].

Exemplul 3. Un aparat constă din trei elemente care în timpul funct, ionării
lui se pot deteriora, independent unul de altul. Notăm prin Ai = {elementul
i se va deteriora}, i = 1, 2, 3. Să se calculeze probabilitatea evenimentului
A = {se va deteriora un singur element}, B = {se va deteriora , cel put, in,
un element}, dacă se s, tiu probabilităt, ile: p1 = P (A1 ) = 0.13, p2 = P (A2 ) =
0.06, p3 = P (A3 ) = 0.12.
Solut, ie. Vom exprima evenimentul aleator A prin intermediul eveni-
mentelor A1 , A2 s, i A3 . Evenimentul A se va produce, atunci s, i numai atunci
când, se va deteriora primul element iar al doilea – nu s, i al treilea – nu, sau
se va deteriora al doilea element, iar primul - nu s, i al treilea – nu, sau se va
deteriora al treilea element, iar primul – nu s, i al doilea – nu. Prin urmare,
conform definit, iilor operat, iior asupra evenimentelor aleatoare, avem:
P (A)=P A1 · A2 · A3 ∪ A1 · A2 · A3 ∪ A1 · A2 · A3 .

Calculăm probabilitatea evenimentului A folosind succesiv: formula de

adunare a probabilităt, ilor pentru evenimente incompatibile (disjuncte) două
câte două, formula înmult, irii probabilităt, ilor evenimentelor independente (în
totalitate) s, i formula de calcul a probabilităt, ii evenimentului opus.
P (A)=0.13 × (1 − 0.06) × (1 − 0.12)+(1 − 0.13) × 0.06 × (1 − 0.12)+(1 −
0.13) × (1 − 0.06) × 0.12=0.251 61.
3
La calcularea valorii P (B) = P ∪ Ak se aplică Formula lui Poisson.
k=1
Deci, P (B)=1 − (1 − 0.13) × (1 − 0.06) × (1 − 0.12)=0.280 34.
Probleme propuse.
Tema: Independent, a evenimentelor aleatoare.
1. Cum at, i explica pe înt, elesul unei persoane inteligente, dar care nu
cunoas, te Teoria probabilităt, ilor, care este deosebirea dintre independent, a a
două evenimente aleatoare s, i proprietatea lor de a fi incompatibile/disjuncte?
Pot fi oare independente s, i incompatibile concomitent două evenimente alea-
toare A s, i B, legate de acelas, i câmp de probabilitate (Ω, F, P ) ?
2. Sunt oare independente două evenimente aleatoare A s, i B, legate de
acelas, i câmp de probabilitate (Ω, F, P ) dacă P (A) > 0, P (B) > 0,AB = ∅?
3. Arătat, i că dacă un eveniment aleator A nu depinde de el însus, i, atunci
probabilitatea acestuia este egală cu 0 sau cu 1.
4. Juriul unui concurs constă din 3 persoane care iau decizie corectă
independent unul de altul. Prima s, i a doua persoană iau decizie corectă cu
una s, i aceeas, i probabilitate p, 0 < p < 1, iar cea de a treia, pentru a lua
decizie, aruncă o monedă "perfectă". Decizia finală se ia cu majoritate de
voturi. Cu ce este egală probabilitatea că Juriul va lua o decizie corectă.
5. Presupunem că un PC marca DELL produs în China este de calitate
superioară cu probabilitatea 0.7, iar acelas, i calculator produs în Honkong
este de calitate superioară cu probabilitatea 0.8. Sunt luate la întamplare 3
PC-uri produse în China si 4 PC-uri produse în Honkong. Cu ce este egală
probabilitatea că toate calculatoarele vor fi de calitate superioară.
6. Contraexemplu (Trei evenimente pentru care probabilitatea
produsului lor coincide cu produsul probabilităt, ilor lor, dar care
nu sunt independente în totalitate). Considerăm aruncarea unui zar
"perfect" de două ori succesiv. Arătat, i că evenimentele A = {numărul punc-
telor apărute la prima aruncare nu va întrece 3}, B = {numărul puncte-
lor apărute la prima aruncare nu va fi mai mic de 3 s, i, totodată, nu mai
mare de 5} s, i C = {suma punctelor apărute va fi egală cu 9}. Arătat, i ca
P (ABC) = P (A)P (B)P (C), dar A, B s, i C nu sunt independente două câte
două, cu alte cuvinte, nu sunt independente în totalitate.
Tema: Formula lui Poisson.
7. Presupunem că 3% din product, ia de procesoare pentru telefoanele
mobile iPhone 6s, produse de firma asociată, au defecte. Controlului sunt
supuse 20 de procesoare luate la întâmplare. Cu ce este egală probabilitatea
că printre ele se va depista, cel put, in, un procesor cu defecte?
8. Care este numărul minim de numere aleatoare din mult, imea de nu-
mere {1, 2, ..., 9}, care trebuie generate pe calculator, pentru a fi siguri cu
probabilitatea nu mai mica decât 0.9, ca printre ele se va întâlni, cel put, in
un număr par?
9. Presupunem cunoscut faptul că intru-un experiment aleator E proba-
bilitatea aparit, iei, cel put, in o dată, a evenimentului A în patru probe inde-
pendente E este egală cu 1/2. Cu ce este egală probabilitatea evenimentului
A dacă aceasta este aceeas, i în fiecare probă E.
1.8. Formulele probabilităt, ii totale s, i a lui Bayes
Not, iunile introduse permit calcularea probabilităt, ilor unor evenimente

mai complicate, cunoscând unele probabilităt, i, inclusiv condit, ionate, mai
us, or de identificat. Este vorba de următoarea
Teoremă (Formulele probabilităt, ii totale s, i a lui Bayes). Dacă
A s, i H1 , H2 , ..., Hn ,... sunt evenimente aleatoare legate de acelas, i câmp de
probabilitate (Ω, F, P ) s, i satisfac condit, iile:
a) evenimentul A implică producerea a cel put, în unuia din evenimentele
H1 , H2 , ..., Hn ,..., adică A ⊆ H1 ∪ H2 ∪ ...;
b) evenimentele H1 , H2 , ..., Hn , ... sunt incompatibile două câte două,
adică Hi ∩ Hj = ∅, ∀i ̸= j, i, j ≥ 1;
c) P (Hi ) > 0, atunci au loc
formula probabilităt, ii totale (FPT)
X
P (A) = P (A/Hk )P (Hk )
k≥1
s, i formula lui Bayes
P (Hj )P (A/Hj )
P (Hj /A) = P , pentru orice j ≥ 1.
P (A/Hk )P (Hk )
k≥1
Remarcă. Probabilitatea P (A) se numes, te probabilitate apriori de-

oarece aceasta este calculată înainte de a se efectua experimentul aleator
corespunzător; grat, ie condit, iei a) evenimentele H1 , H2 , ..., Hn , ... se mai
numesc ipoteze, iar probabilitatile P (Hj /A), j ≥ 1 se numesc probabilităt, i
aposteriori deoarece acestea sunt probabilităt, i ale ipotezelor, probabilităt, i
recalculate în condit, ia că, drept rezultat, în urma experimentului s-a produs
evenimentul A.
Exemplul 1 (Problema „Monty-Hall”). Această problemă a fost popu-
larizată în Statele Unite de o emisiune de divertisment a canalului CBS din
1963.
Concurentul este pus în fat, a a trei us, i. În spatele a două us, i este câte
o capră, iar în spatele unei us, i este un autoturism. Scopul jocului este,
desigur, câs, tigarea mas, inii. Jucătorul va câs, tiga ce se află în spatele us, ii
alese. Participantul trebuie să aleagă o us, ă. Apoi, prezentatorul îi deschide
o altă us, ă, din celelalte două rămase, în spatele căreia este o capră. Apoi
îl întreabă dacă vrea sau nu să îs, i schimbe alegerea init, ială în favoarea us, ii
a treia. Această întrebare generează, de fapt, problema calcularii a doua
probabilităt, i corespunzătoare respectării a două strategii de joc.
Strategia 1: Participantul nu-s, i schimbă alegerea init, ială.
Strategia 2: Participantul îs, i schimbă alegerea init, ială.
Care dintre strategii conduce la o probabilitate mai mare de a câs, tiga
mas, ina?
Solut, ie. Deoarece participantul alege, la început, la întâmplare una din
cele trei us, i, rezultă că nu contează în spatele cărei us, i se află autoturismul.
As, a că presupunerea că mas, ina se află în spatele us, ii numărul 1 nu afectează
rezolvarea problemei. Considerăm evenimentul A = {participantul va câs, tiga
autoturismul }. Observăm că acest eveniment implică valabilitatea a cel put, in
uneia din ipoteze Hi ={participantul va alege init, ial us, a cu numărul i}, i = 1,
2, 3.
În aceste notat, ii, evenimentele A, Hi , verifică condit, iile aplicării FPT.
Deci, P (A)=P (A/H1 )P (H1 )+P (A/H2 )P (H2 )+P (A/H3 )P (H3 ), unde P (Hi ) =
1/3, i = 1, 2, 3, indiferent de strategia folosită. În cazul folosirii Stra-
tegiei 1 avem: P (A/H1 ) = 1, iar P (A/H2 )=P (A/H3 ) = 0, prin urmare
P (A)=1 · 31 +0 · 31 +0 · 13 = 31 . În cazul folosirii Strategiei 2 avem: P (A/H1 ) = 0,
iar P (A/H2 )=P (A/H3 ) = 1, prin urmare P (A)=0 · 31 +1 · 13 +1 · 13 = 32 . În
concluzie, aplicarea Strategiei 2 este mai eficientă deoarece măres, te s, ansele
câs, tigării autoturismului de două ori fat, ă de cazul aplicării Strategiei 1.
Exemplul 2 (Problema lui Lewis Carrol). Într-o cutie se află o bilă,
despre culoarea căreia se s, tie că este albă sau neagră cu una s, i aceeas, i pro-
babilitate. Întroducem în această cutie o bilă albă, după care extragem la
intâmplare o bilă.
a) Cu ce este egală probabilitatea că bila extrasă va fi de culoare albă.
b) Cu ce este egală probabilitatea că bila init, iala va fi de culoare alba,
dacă bila extrasă este albă.
Solut, ie. Întroducem evenimentul A={bila extrasă va fi albă} s, i ipotezele
H1 ={bila init, ial aflată în cutie va fi albă}, H2 ={bila init, ial aflată în cutie va
fi neagră}. Din condit, iile problemei deducem că: a) A ⊆ H1 ∪ H2 ; b) H1 ∩
H2 =∅; c) P (H1 )=P (H2 )= 21 , ceea ce înseamnă că sunt valabile condit, iile în
care putem aplica formulele probabilităt, ii totale s, i a lui Bayes. Prin urmare,
deoarece P (A/H1 ) = 1, P (A/H2 ) = 21 ,
a) P (A)=P (A/H1 )P (H1 ) + P (A/H2 )P (H2 )=1 · 21 + 12 · 12 = 34 ;
1
·1
b) P (H1 /A)= P (H1 )P (A//H1 )
P (A)
= 23 = 23 .
4
În concluzie, întroducerea artificiala a unei bile suplimentare de culoare

albă mares, te probablitatea evenimentului A de la 1/2 la 2/3.
Probleme propuse
1. Să se rezolve Problema „Monty-Hall” din exemplul 1 anterior în pre-
supunerea că alegerea Strategiei 1 sau 2 este una randomizată cu probabi-
litatea p, 0 ≤ p ≤ 1. Mai exact, după ce participantul a făcut alegerea
init, ială, acesta aruncă o monedă deformată, astfel încât Stema apare cu pro-
babilitatea p, iar Banul cu probabilitatea 1 − p. Dacă apare Stema, atunci
participantul optează pentru Strategia 1, în caz contrar optează pentru Stra-
tegia 2. Să se arate că în cazul alegerii randomizate a strategiei probabilitatea
P (A) = (4 − p)/6 , prin urmare s, ansele maxime de câs, tigare a autoturismu-
lui corespund valorii p = 0, ceeea ce corespunde folosirii, numai s, i numai, a
Strategiei 2.
2. Un lot de PC-uri, din care 10% sunt cu defecte, este supus controlului
calităt, ii. Schema controlului este de as, a natură, incât defectul (dacă acesta
există) este depistat cu probabilitatea 0.95, iar probabilitatea că un calcu-
lator fără defecte va fi declarat defect este egală cu 0.03. Cu ce este egală
probabilitatea că un calculator ales la întâmplare din lot va fi declarat de-
fect? Cu ce este egală probabilitatea că PC-ul ales la întâmplare într-adevar
este defect dacă se s, tie că acest PC a fost, în urma controlului, declarat a fi
defect?
3. Considerăm că la un magazin de calculatoare au fost aduse un lot de
PC-uri marca HP, din care 30% sunt produse în China, 20%-în Singapore
s, i 50%-în Honkong. Cu ce este egala probabilitatea că un PC cumpărat la
întâmplare are defecte ascunse dacă astfel de defecte au 20% de calculatoare
produse în China, 10%-cele produse în Singapore s, i 5%-cele produse în Hon-
kong? Cu ce este egală probabilitatea că PC-ul cumpărat la întâmplare este
produs in China, dacă se s, tie că acesta s-a dovedit a avea defecte ascunse?
4. Într-o cutie sunt 20 de mingi de tenis, din care 15 sunt noi nout, e, iar
5 sunt folosite la joc. Pentru primul joc sunt alese la întâmplare doua mingi,
după care sunt puse la loc în cutie. Pentru jocul următor sunt alese, la fel,
două mingi. Cu ce este egală probabilitatea că ambele mingi alese pentru cel
de al doilea joc vor fi noi nout, e? Cu ce este egală probabilitatea că pentru

primul joc au fost extrase 2 mingi noi nout, e dacă se s, tie că mingile extrase
pentru cel de al doilea joc s-au dovedit a fi noi nout, e?
5. Avem două cutii, astfel încât în prima cutie se află 6 bile albe s, i 4 bile
negre, iar într-a doua cutie se află 3 bile albe s, i 2 bile negre. Din prima cutie
este extrasă la întâmplare o bilă s, i pusă într-a doua cutie. după care dintr-a
doua cutie este extrasă la întâmplare o bila. Cu ce este egală probabilitatea
că aceasta va fi de culoare albă? Cu ce este egală probabilitatea că din prima
cutie a fost extrasă o bilă albă dacă se s, tie că din cutia a doua a fost extrasă
o bilă albă?
6. Presupunem că exact una din 10 000 000 de monede perfecte are
imprimata Stema pe ambele part, i ale ei. Cu ce este egală probabilitatea că
a fost aleasă la întâmplare moneda cu ambele fet, e marcate cu Stemă dacă se
s, tie ca în urma aruncării ei de 10 ori succesiv a apărut Stema?
7. Se s, tie că mesajele scurte (SMS-urile) transmise prin intermediul te-
lefoniei mobile sunt codificate cu ajutorul cifrelor/semnalelor 0 sau 1. Pre-
supunem că transmiterea semnalelor este supusă bruiajelor, astfel încât sunt
deformate 2/5 semnale 0 si 1/3 semnale 1. Presupunem că ponderea sem-
nalului 0 in mesajul transmis este egală cu 5/8, iar ponderea semnalului 1
este egală cu 3/8. Cu ce este egală probabilitatea recept, ionării corecte a
primului semnal din mesaj dacă se s, tie că a fost recept, ionat: a) semnalul 0;
b) semnalul 1.
8. Presupunem ca avem un lot de 5 PC-uri despre care se s, tie, doar, ca
este echiprobabilă orice ipoteză Hk despre numărul k de PC-uri defecte in
acest lot, k = 0, 1, 2, ..., 5. Care ipoteză are probabilitatea cea mai mare dacă
se s, tie că, alegând la întâmplare un PC, acesta s-a dovedit a fi cu defecte?
9. Sa se determine probabilitatea că într-un lot de 1000 de calculatoare
nu există niciunul cu defecte, dacă se s, tie că 100 de calculatoare din acest
lot, supuse controlului, s-au dovedit a fi fară defecte, presupunând ca sunt
valabile, cu una s, i aceeas, i probabilitate, oricare din ipotezele Hk = {numărul
de calculatoare defecte, printre cele 1000 de calculatoare din lot, este egal cu
k }, k = 0, 1, 2, 3, 4, 5.
10. Într-o cutie sunt 7 bile albe s, i 3 bile negre. Sunt extrase la întâmplare,
fără întoarcere, două bile, din care, cel put, in, una s-a dovedit a fi de culoare
neagră. Cu ce este egală probabilitatea că cealaltă bilă extrasă este albă.
11. O reprezentant, ă pentru vânzări de automobile cunoas, te, din experient, a
anterioară că 10% din cei care vizitează showroom-ul s, i discută cu un vân-
zător vor cumpăra în cele din urmă o mas, ină. Pentru a mări s, ansele de
succes, reprezentant, a oferă o cină gratuită cu un agent de vânzări pentru

tot, i oamenii care sunt de acord să asculte o prezentare completă a vânzări-
lor. Aceasta s, tiind că unii vor face totul pentru o cină gratuită, chiar dacă
nu intent, ionează să cumpere o mas, ină, iar unii ar prefera să nu petreacă o
cină cu un vânzător de mas, ini. Pentru a testa eficacitatea acestui stimulent
de promovare a vânzărilor proiectul este derulat pentru 6 luni, constatând că
40% dintre persoanele care au cumpărat mas, ini au avut o cină gratuită. În
plus, 10% din persoanele care nu au cumpărat mas, ini au avut o cină gratuită.
Conducerea este interesată în a afla dacă:
a) Oamenii care acceptă cina au o probabilitate mai mare de a cumpăra
o mas, ină noua?
b) Care este probabilitatea ca o persoană care nu acceptă o cină gratuită
să achizit, ioneze o mas, ină?
12. Pe baza unei examinări a înregistrărilor anterioare ale soldurilor con-
turilor unei societăt, i, un auditor constată că 15% au cont, inut erori. Din
aceste solduri în eroare, 60% au fost considerate ca fiind valori neobis, nuite
bazate pe istoricul activităt, ii societăt, ii. Din totalul tuturor soldurilor con-
tului, 20% prezentau valori neobis, nuite. Dacă cifra pentru un anumit sold
pare neobis, nuită pe această bază, cu ce este egală probabilitatea că acesta
cont, ine erori?
13. Datele statistice arată că 5% din persoanele de sex masculin suferă
de daltonism pe când doar 0.025% din persoanele de sex feminin suferă de
această tulburare de vedere cromatică. Dintr-o societate formată din acelas, i
număr de bărbat, i s, i de femei a fost aleasă la întâmplare o persoană. Cu ce
este egală probabilitatea că această persoană este una de sex masculin dacă
aceasta s-a dovedit a fi una afectată de daltonism.
În matematică nu există un alt dome-

niu în care erorile se comit atât de us, or ca
în Teoria Probabilităt, ilor.
Karl Pearson (1856-1936)
Capitolul 2. Variabile aleatoare

▲ Introducerea not, iunii de variabilă aleatoare în caz general s, i expunerea
proprietăt, ilor lor.
▲ Introducerea not, iunii de funct, ie de distribut, ie a variabilei aleatoare s, i
expunerea proprietăt, ilor lor caracteristice, dar s, i a formulelor de calcul ale
probabilităt, ilor evenimentelor legate de variabile aleatoare prin intermediul
funct, iilor de distribut, ie.
▲ Definirea variabilelor aleatoare de tip discret s, i tip (absolut) continue
împreuna cu alternativele aferente la funct, ia de distribut, ie ca model probabi-
list: distribut, ia probabilistă s, i respectiv densitatea de distribut, ie s, i formulele
de calcul prin intermediul lor.
▲ Introducerea not, iunilor de variabilă aleatoare multidimensională (vec-
torială), funct, ia ei de distribut, ie funct, ii de distribut, ie marginale.
▲ Definirea variabilelor aleatoare bidimensionale de tip discret s, i tip (ab-
solut) continue împreuna cu alternativele aferente la funct, ia de distribut, ie ca
model probabilist: distribut, ia probabilistă s, i respectiv densitatea de distribut, ie
s, i formulele de calcul prin intermediul lor.
▲ Introducerea not, iunii de independent, ă a variabilelor aleatoare împre-
ună cu condit, iile necesare s, i suficiente ca variabilele aleatoare să fie indepen-
dente.
să cunoască not, iunile de variabilă aleatoare în caz unidimensional s, i
multidimensional.
să aplice formulele de calcul ale probabilităt, ilor evenimentelor legate
de variabile aleatoare prin intermediul funct, iilor de distribut, ie;
să posede deprinderi practice de aplicare a not, iunilor introduse în dependen-
t, ă de baza informat, ională s, i problemele de calcul.
62 Variabile aleatoare
Cuvinte-cheie
Variabilă aleatoare, funct, ie de distribut, ie, distribut, ie probabilistă, densi-

tate de distribut, ie, variabilă aleatoare multidimensională (vectorială), funct, ie
de distribut, ie a variabilei aleatoare multidimensionale (vectoriale), funct, ie
de distribut, ie marginală, distribut, ie probabilistă marginală, densitate de
distribut, ie probabilistă marginală, independent, a variabilelor aleatoare.
2.1. Întroducere
În legătură cu modelarea matematică a experimentelor aleatoare (ce po-

sedă proprietatea regularităt, ii statistice) trebuie sa t, inem cont că, în realitate
interes prezintă, deseori, nu rezultatele posibile (evenimentele elementare) ca
atare ci nis, te mărimi numerice ce depind de acestea. De exemplu, intr-un
sondaj ce vizează cercetarea veniturilor salariale ale angajat, ilor, să zicem,
din sfera bugetară, interes prezintă venitul salarial al unui angajat inclus în
es, antion, nu persoana în cauză. Cu alte cuvinte vom avea de-a face cu o
mărime (variabilă) ce depinde de evenimentele elementare, doar salariul va-
riază de la angajat la angajat. Not, iunea matematica corespunzătoare este
cea de variabilă aleatoare care în Statistică mai este cunoscuta s, i sub de-
numirea de caracteristică sau variabilă statistică. Dar în legătura cu fiecare
eveniment elementar putem asocia una, două sau mai multe caracteristici
statistice. Astfel, în exemplul nostru, fiecărui angajat din sfera bugetară îi
putem asocia astfel de caracteristici ca mărimea salariului, nivelul de studii,
vârsta, etc. Drept consecint, ă, se impune introducerea not, iunilor de variabile
aleatoare unidimensionale, bidimensionale (multidimensionale).
2.2. Variabilă aleatoare (unidimensională), funct, ia ei de

distribut, ie (repartit, ie)
Pentru început vom întroduce not, iunea de variabilă aleatoare unidimen-

sională.
Definit, ia 1. Fie (Ω, F, P ) un câmp de probabilitate, atunci vom numi
variabilă aleatoare (v.a.) definită pe acest câmp orice aplicat, ie (regulă, funct, ie)
X : Ω −→ R care verifică condit, ia
{ω ∈ Ω : X(ω) ⩽ x} ∈ F pentru orice x ∈ R. (1)
Remarca 1. Dacă suntem în cazul discret, adică, în cazul când spat, iul de
evenimente elementare Ω este o mult, ime finită sau, cel mult, infinită numă-
rabilă, atunci câmpul (familia) de evenimente aleatoare F coincide cu familia
tuturor submult, imilor din Ω. Prin urmare, în acest caz, putem numi varia-
bilă aleatoare orice aplicat, ie X : Ω −→ R, deoarece în caz discret condit, ia
ca {ω ∈ Ω : X(ω) ⩽ x} ∈ F este valabilă automat pentru orice x ∈ R.
Evenimentul care figurează în condit, ia (1) se notează, pe scurt, astfel:

{ω : X(ω) ⩽ x}, sau {X ⩽ x}. Mărimea X(ω) se numes, te valoare a variabilei
aleatoare X. Din condit, ia (1) rezultă că pentru orice x ∈ R putem determina
probabilitatea evenimentului aleator {X ⩽ x}.
În calitate de exemple de v.a. întâlnite în practică putem lua: suma de
puncte apărute la aruncarea unui zar de două ori, durata funct, ionării unui
dispozitiv electronic, numărul de particule α emise de o substant, ă radioactivă
într-o unitate de timp, cantitatea anuală de precipitat, ii atmosferice într-o
anumită regiune, numărul de apeluri telefonice înregistrate pe parcursul a 24
de ore la o stat, ie de ajutor medical, numărul de accidente auto înregistrate pe
parcursul unui anumit interval de timp, numărul despăgubirilor sau valoarea
totală a despăgubirilor plătite de o Companie de Asigurări, etc., etc.
Este important să facem deosebire dintre v.a. X s, i multimea ei de valori
posibile X . De exemplu, daca X reprezinta multimea de puncte apărute la
aruncarea unui zar o singură dată, atunci X ∈ X ={1, 2, ..., 6} ⊆ R.
Definit, ia matematică a not, iunii de v.a. este suficient de flexibilă. Aceasta
se vede din
Proprietăt, ile variabilei aleatoare. a) Dacă X este o variabilă alea-
toare, atunci pentru orice a, b ∈ R, a < b sunt evenimente aleatoare s, i prin
urmare sunt definite probabilităt, ile lor pentru {X > a},{X ≥ a},{X = a},
{a < X ≤ b}, {a < X < b}, etc.;
b) Fie (Ω, F, P ) un câmp de probabilitate, a ∈ R, iar X : Ω −→ R
s, i Y : Ω −→ R sunt variabile aleatoare. Atunci sunt variabile aleatoare s, i
funct, iile: 1) aX; 2) X k , k= 1, 2, ...; 3) X − Y ; 4) X + Y ; 5) X · Y ; 6) 1/Y
dacă Y (ω) ̸= 0, ∀ω ∈ Ω; 7) X / Y dacă Y (ω) ̸= 0, ∀ω ∈ Ω; 8) X ± a.
c) În genere, dacă avem un s, ir finit de v.a. definite pe unul s, i acelas, i
câmp de probabilitate, atunci v.a. va fi s, i orice funct, ie de aceste variabile,
în caz că aceasta este funct, ie continuă. Astfel suma de v.a., diferent, a lor,
produsul lor, minimumul sau maximumul de aceste variabile, etc., vor fi v.a.
Drept alternativă la not, iunile de v.a. X s, i de câmp de probabilitate
(Ω, F, P ) pe care este definită aceasta, privite, în ansamblu, ca model ma-
tematic ce descrie comportamentul probabilist al v.a. X, se foloses, te pe
larg, inclusiv în Statistica Matematică, not, iunea de funct, ie de distribut, ie
(repartit, ie) a v.a. X.
Definit, ia 2. Fie (Ω, F, P ) un câmp de probabilitate s, i X : Ω −→ R o
variabilă aleatoare definită pe el. Atunci funct, ia F : R −→ R definită prin
relat, ia
F (x) = P (X ≤ x), pentru orice x ∈ R, (2)

se numes, te funct, ie de distribut, ie (f.d.) sau de repartit, ie a v.a. X, numită
s, i funct, ie cumulativă de distribut, ie (f.c.d.).
Remarca 2. Funct, ia cumulativă de distribut, ie este, de fapt, imaginea te-
oretică a funct, iei empirice din Statistica Descriptivă, mai exact a frecvent, elor
relative cumulate crescător.
Exemplul 1. În legatură directă cu aruncarea unei monede "perfecte" o
singură dată vom descrie f.d. a numărului X de "steme" apărute s, i vom trasa
graficul ei. Observăm că valorile posibile ale lui X sunt valori din X ∈ {0, 1},
unde P (X ∈ X ) = 1. Atunci f.d. a v.a. X
pentru orice x < 0,

 P (∅),
F (X) = P (X ≤ x) = P {stema nu va apare}, pentru orice 0 ≤ x < 1,
P {Ω}, pentru orice 1 ≤ x,

 0, pentru orice x < 0,


= 1
, pentru orice 0 ≤ x < 1,
 2
1, pentru orice 1 ≤ x.
Folosind funct, ia indicator

1, pentru x ∈ A,
IA (x) =
0, pentru x ∈
/ A,
observăm că funct, ia de distribut, ie F (x) poate fi scrisă intr-o formă mai com-
pacta: F (x)= 21 I[0,1) (x)+I[1,+∞) (x).
Graficul acestei funct, ii este cel din Figura 1.
Teoremă. (Proprietăt, ile caracteristice ale f.d.). Dacă F (x) este o

f.d. a unei v.a., atunci au loc următoarele proprietăt, i:
10 . F(x) este monoton nedescrescătoare, adică, F (x1 ) ≤ F (x2 ) deîndată
ce x1 ≤ x2 ;
20 . F(x) este continuă la dreapta pentru orice x ∈ R, adică, pentru orice
s, ir monoton descrescător de valori xn care tinde la x, atunci când n tinde
la +∞, s, irul corespunzător de valori F (xn ) are drept limită valoarea F (x),
fapt ce se noteaza, pe scurt, F (x + 0) = F (x);
30 . F (−∞) = 0 s, i F (+∞) = 1.
Remarca 3. Important, a Teoremei anterioare rezidă în faptul că proprietă-
t, ile 10 -30 sunt caracteristice numai s, i numai funct, iilor de distribut, ie în sensul
că, are loc s, i reciproca acestei teoreme, conform căreia: pentru orice funct, ie
F : R −→ R, ce posedă aceste proprietăt, i, putem construi (neunivoc) un
câmp de probabilitate (Ω, F, P ) s, i o v.a. X definită pe el, astfel încât funct, ia
ei de distribut, ie va coincide cu F . În concluzie, orice funct, ie F (x) poate fi
privită ca un model matematic ce descrie o Legitate (distribut, ie, repartit, ie)
ce guvernează comportamentul probabilist al unei v.a., deîndată ce această
funct, ie posedă proprietăt, ile 10 -30 . Mai mult, în postură de model probabi-
list, cunoscând f.d. F (x), putem calcula probabilităt, ile cele mai importante
din punct de vedere practic, probabilităt, i legate de v.a. X. Aceasta se vede
din următoarea
Propozit, ie (Formule de calcul ale probabilitătilor pe baza f.d.)
Fie X o v.a. cu f.d. F (x). Atunci pentru orice a < b, a, b ∈ R, au loc
urmatoarele formule de calcul ale probabilităt, ilor:
a) P (a < X ≤ b) = F (b) − F (a);
b) P (X > a) = 1 − F (a);
c) P (X = a) = F (a) − F (a − 0), prin F (a − 0) fiind notată limita la
stânga a funct, iei F în punctul a;
d) P (a ≤ X ≤ b) = F (b) − F (a − 0);
e) P (a < X < b) = F (b − 0) − F (a);
f ) P (a ≤ X < b) = F (b − 0) − F (a − 0).
Remarca 4. Din formula c) rezultă că, atunci când f.r. este continuă,
P (X = a) = 0, deorece în acest caz s, i F (a − 0) = F (a).
Remarca 5. În continuare vom spune că graficele care au forma ce-
lui din exemplul anterior sunt grafice de formă scarată. Acestea ne permit
sa restabilim cu us, irint, ă repartit, ia v.a., mai exact, mult, imea de valori po-
sibile ale v.a. corespunzătoare, ca fiind punctele de salt ale graficului, iar
probabilităt, ile corespunzătoare coincid cu înălt, imile treptelor în cauză.
Exemplul 2. Olaf Motors, Inc. este un dealer auto într-un mic oras, sudic
din SUA. Pe baza unei analize a acestuia istoriei vânzărilor sale, managerii
s, tiu că în fiecare zi numărul de mas, ini Toyota Prius vândute poate varia de
la 0 la 5. Cum poate funct, ia de distribut, ie F (x) a numărului X de mas, ini
vândute într-o zi să fie utilizată pentru planificarea stocului zilnic daca se
s, tie că
F (x) = 0.15I[0,1) (x) + 0.45I[1,2) (x) + 0.65I[2,3) (x) + 0.85I[3,4) (x)+
0.95I[4,5) (x) + I[5,+∞) (x).
Solut, ie. Variabila aleatoare X ∈ X = {0, 1, 2, 3, 4, 5}. Deoarece P (X ≤

4) = F (4) = 0.95, rezultă că dacă Olaf Motors va t, ine zilnic în stoc 4
autoturisme Prius, atunci client, ii vor fi pe deplin satisfacut, i în 95% de
cazuri, pe când dacă acest dealer va t, ine zilnic în stoc 2 autoturisme, atunci
în 35% de cazuri vor exista client, i cu solicitări de cumpărare nesatisfăcute,
deoarece P (X > 2) = 1 − F (2) = 1 − 0.65 = 0.35.
Exemplul 3. Considerăm funct, ia F (x) = (1 − e−2x ) · I[0,+∞) (x). Ob-
servăm că F (x) are toate proprietăt, ile caracteristice f.d., ceea ce se vede s, i
din graficul ei de mai jos ca este o functie monoton crescătoare, continuă s, i
pentru care F (−∞) = 0, F (+∞) = 1.
Prin urmare putem considera ca F (x) descrie comportamentul probabi-

list al unei v.a. X, valorile căreia sunt concentrate pe intervalul [0, +∞),
deoarece:
P (X ≤ 0) = F (0) = 1 − e−2·0 = 1 − 1 = 0
iar
P (X > 0) = 1 − F (0) = 1 − (1 − e−2·0 ) = 1 − 0 = 1.
Probleme propuse.
1. Considerând funct, ia de distribut, ie F (x) din exemplul anterior ca
fiind funct, ia de distribut, ie a duratei viet, ii X (măsurată în ani) a unui corp
de iluminat pe bază de neon, aflat, i valorile următoarelor probabilităt, i: a)
P (X ≤ 1); b) P (X > 1); c) P (X = 1); d) P (X > 0). Arătat, i că în acest caz
P (a < X ≤ b)=P (a ≤ X ≤ b)=P (a ≤ X < b)=F (b) − F (a)=e−2a − e−2b ,
pentru orice a ≤ b, a, b ∈ R.
2. Care din următoarele exemple reprezintă funct, ii de distribut, ie, adică
sunt modele probabiliste ale unor variabile aleatoare?
a) F (x) = (1 − p)I[0,1) (x) + I[1,+∞) (x), p ∈ (0, 1);
b) F (x) = 14 I[0,1) (x) + 18 I[1,2) (x) + I[2,+∞) (x);
c) F (x)= 14 I[0,1) (x)+ 12 I[1,2) (x)+I[2,+∞) (x);
d) F (x)=xI[0,1] (x)+I(1,+∞) (x); e) F (x)=2xI[0,1] (x)+I(1,+∞) (x);
f) Trasat, i graficul fiecărei funct, ii.
2.3. Variabile aleatoare de tip discret, distribut, ii (repartit, ii)

În Teoria Probabilităt, ilor sunt studiate 3 tipuri de v.a.: discrete, (absolut)
continue si singulare, interesante din punct de vedere ale aplicat, iilor fiind doar
primele două. Vom începe cu variabilele aleatoare discrete (v.a.d.).
Fie X o v.a. definită pe câmpul probabilist (Ω, F, P ).
Definit, ia 1. Variabila X se numes, te variabilă aleatoare de tip discret
dacă mult, imea valorilor posibile ale acesteia este finită sau infinită, cel mult
numerabilă, mai exact, dacă putem identifica o mult, ime de forma X ={x1 ,x2 ,
..., xn } sau X ={x1 ,x2 , ..., xn ,...} cu proprietatea P (X ∈ X ) = 1, unde
x1 <x2 < ...< xn <... .
Drept exemple de v.a. de tip discret putem lua numărul de steme apărute
la aruncarea unei monede de n ori, numărul de puncte apărute la aruncarea
unui zar o singură dată, numărul de apeluri telefonice înregistrate la Urgent, a
Medicală pe parcursul a 24 de ore, numărul de erori descoperite în urma
compilării unui soft, numărul de cumpărători, dintr-un număr total de n
cumpărători, care au cumpărat un anume produs comercial, etc.,etc.
În paragraful anterior am văzut că orice v.a. X definită pe câmpul proba-
bilist (Ω, F, P ) poate fi modelată matematic într-o manieră echivalentă, cu
ajutorul funct, iei ei de distribut, ie F (X) =P (X ≤ X). După cum vom vedea
în cazul v.a. de tip discret, mai există încă o alternativă, echivalentă cu f.d.
Definit, ia 2. Vom numi distribu-t, ie (repartit, ie) probabilistă (simplu,

distribut, ie) a v.a. X setul de perechi ordonate (xi , pi )i≥1 sau tabloul de
forma

x1 x2 ... xn ... X
X: , unde pi = P (X = xi ) ≥ 0, i ≥ 1, pi = 1.
p1 p2 ... pn ...
i≥1
Următoarea afirmat, ie arată că, în caz discret, f.d. s, i distribut, ia v.a. X

sunt două forme echivalente de modelare matematica (probabilistă) a ei.
Propozit, ie. F.d. s, i distribut, ia unei v.a. X de tip discret sunt legate
între ele conform următoarelor formule:
pi ;
P
a) F (x) =
i:xi ≤x
b) mult, imea de valori posibile ale v.a. X coincide cu mult, imea X ={x1 , x2 ,
..., xn , ...}={x ∈ R : F (x) − F (x − 0) > 0}, iar probabiltăt, ile pi = P (X = xi )
= F (xi ) − F (xi − 0), i ≥ 1.
Remarcă. Din această propozit, ie rezultă că f.d. s, i distribut, ia unei v.a.
de tip discret sunt două forme echivalente de modelare probabilistă ce descriu
legea care guvernează comportamentul probabilist al v.a. Mai mult, o v.a.
de tip discret este definită, dacă se cunoas, te legea ei de repartit, ie: sau sub
formă de funct, ie de repartit, ie, sau sub formă de repartit, ie. Mai observăm că
formula de legătură dintre distribut, ia s, i f.d. a v.a X (vezi p.a) din propozidia
de mai sus) mai poate fi scrisă s, i în forma
X
F (x) = pi I[xi ,+∞) (x).
i≥1
Exemplul 1. Revista The American Almanac of Jobs and Salaries, a

comunicat, în urma unui studiu statistic pe anii 1994 − 95, că din numărul
total de absolvent, i licenciat
ț , i la specializarea Contabilitate care s, i-au găsit
un loc de muncă 25% s-au angajat în sectorul public. Cu ce este egală
probabilitatea că alegând la întamplare
â 15 astfel de absolvent, i vom descoperi
că cel put, in 3 dintre ei vor fi angajat, i din sectorul public.
Solut, ie. Spałiul ț de evenimente elementare poate fi descris ca fiind
Ω={(a1 , a2 , ..., a15 ) : ak ∈ {0,1}, k = 1, 15}, unde

1, daca absolventul nr. k va fi unul angajat din sectorul public,
ak =
0, în caz contrar.
Câmpul de evenimente aleatoare F={A : A ⊆ Ω }, iar pentru fiecare

eveniment elementar {(a1 , a2 , ..., a15 )}, s, tiind ca evenimentele aleatoare {ak }
sunt independente s, i probabilităt, ile lor sunt egale cu
P {ak } = (0.25)ak (1 − 0.25)1−ak = (0.25)ak (0.75)1−ak , k = 1, 15 ,
putem determina probabilitatea lui
Y15Y
P {(a1 , a2 , ..., a15 )} = P {a1 }P {a2 }...P {a1 } = (0.25)ak (0.75)1−ak =
k=1
15
P 15
P
ak 15− ak
= (0.25) k=1 (0.75) k=1 .
Deci pentru orice eveniment A ∈ F putem calcula probabilitatea lui după
formula: X
P (A) = P {(a1 , a2 , ..., a15 )}.
(a1 ,a2 ,...,a15 )∈Ω : (a1 ,a2 ,...,a15 )∈A
Notăm prin X numărul absolvent, ilor angajat, i în sectorul public din cei
15 absolvent, i angajat, i în câmpul muncii. Observăm că X poate fi privită
ca fiind v.a definită pe câmpul de probabilitate (Ω, F, P ) de mai sus, unde
X ∈ {0, 1, ..., 15} cu probabilitatea 1, {X=k}={(a1 , a2 , ..., a15 ) ∈ Ω : X(a1 ,
a2 , ..., a15 ) = k}={(a1 , a2 , ..., a15 ) ∈ Ω : a1 + a2 + ...+ a15 = k}, k = 1, 15 .
Prin urmare putem spune că
X
P {X = k} = P {(a1 , a2 , ..., a15 )} =
(a1 ,a2 ,...,a15 )∈Ω : (a1 ,a2 ,...,a15 )∈{X=k}
X
= P {(a1 , a2 , ..., a15 )} =
(a1 ,a2 ,...,a15 )∈Ω : a1 +a2 +...+a15 =k
15
P 15
P
X ak 15− ak
(0.25)k=1 (0.75) k=1 =
(a1 ,a2 ,...,a15 )∈Ω : a1 +a2 +...+a15 =k
X
(0.25)k (0.75)15−k · 1 =
(a1 ,a2 ,...,a15 )∈Ω : a1 +a2 +...+a15 =k
card({(a1 , a2 , ..., a15 ) ∈ Ω : a1 + a2 + ... + a15 = k}) · (0.25)k (0.75)15−k =

= Ckn (0.25)k (0.75)15−k , k = 1, 15.

V.a. X are distribut, ia dată de formula P {X = k}=Ckn (0.25)k (0.75)15−k ,
k = 1, 15. Atunci evenimentul A={ cel put, in 3 din 15 absolvent, i vor fi
angajat, i din sectorul public}= {X ≥ 3}, iar P (A)=1 − P (A)=1 − P (X < 3).
Dar,
P (X < 3) = P ({X = 0} ∪ {X = 1} ∪ {X = 2}) =
P ({X = 0} ∪ {X = 1} ∪ {X = 2}) =
3
X
P {X = 0} + P {X = 1} + P {X = 2} = Ckn (0.25)k (0.75)15−k = 0.236088.
k=0
Or, P (X ≤ 3) = 1 − 0.236088 = 0.763 91.

Modelul (distribut, ia) probabilistă dată de formula
P {X = k} = Ckn (0.25)k (0.75)15−k , k = 1, 15
reprezintă un caz particular al distribut, iei numite binomială.
Probleme propuse.
1. O unitate medicală specializată tratează 10 pacient, i afectat, i de o
infect, ie bacterială letală. Acestora li se aplică un antibiotic, eficient, a căruia
este confirmată experimental, ca fiind egală cu 95% din cazuri favorabile
raportat la numărul total de cazuri. Dacă tratamentul nu este eficient, atunci
pacientul decedează.
a) Identificat, i v.a. ce descrie numărul de pacient, i care au supraviet, uit
infect, iei în urma aplicării antibioticului. Descriet, i mult, imea de valori posibile
a acestei variabile. Ce reprezintă câmpul de evenimente aleatoare corespun-
zător acestei v.a.?
b) Prin analogie cu Exemplul 1 din p.2.3., asociat, i repartit, ia (modelul)
ce descrie comportamentul probabilist al v.a. întroduse.
c) Calculat, i probabilitatea că vor supraviet, ui tot, i cei 10 pacient, i supus, i
tratamentului.
d) Dar cu ce este egală probabilitatea că vor deceda, cel mult, 2 pacient, i.
e) În cazul decedării, să zicem, a 5 pacient, i, Ministerul Ocrotirii Sănătăt, ii
declans, ează o investigat, ie privind corectitudinea practicilor unităt, ii medicale.
Ce argumente de ordin probabilist pot fi aduse în favoarea acestei investigat, ii
guvernamentale?
f) Aflat, i f.d. a v.a. cercetate s, i trasat, i graficul ei.

2. Magazinul "Torrent Computers" specializat în vânzarea calculatoa-
relor a stabilit, în baza activităt, ii sale de lungă durată, că numărul X de
calculatoare vândute zilnic este guvernată de distribut, ia

0 1 2 3 4 5 6
X: .
0.05 0.1 0.2 0.2 0.2 0.15 0.1
Calculat, i următoarele probabilităt, i: a) P (3 ≤ X ≤ 6); b) P (X > 3); c)
P (X ≤ 4); d) P (2 < X ≤ 5).
3. V.a. X reprezintă suma punctelor apărute la aruncarea unui zar
"perfect" de două ori succesiv. Aflat, i distribut, ia probabilistă a v.a. X s, i
calculat, i probabilitatea că X va lua valori din intervalul [−1, 4).
4. V.a. X reprezintă produsul punctelor apărute la aruncarea unui zar
"perfect" de două ori succesiv. Aflat, i distribut, ia probabilistă a v.a. X s, i
calculat, i probabilitatea că X va lua valori din intervalul [−1, 0).
5. V.a. X reprezintă numărul minim din cele două numere de puncte
apărute la aruncarea unui zar "perfect" de două ori succesiv.Aflat, i distribut, ia
probabilistă a v.a. X s, i calculat, i probabilitatea că X va lua valori din inter-
valul [−1, 5).
6. V.a. X reprezintă numărul maxim din cele două numere de puncte
apărute la aruncarea unui zar "perfect" de două ori succesiv. Aflat, i distribut, ia
probabilistă a v.a. X s, i calculat, i probabilitatea că X va lua valori din inter-
valul [−1, 5).
7. Monetăria statului utilizează o mas, ină de s, tant, at monede. La fiecare
s, tant, are se produc 10 monede. Numărul de ordine a s, tant, ării de la care
mas, ina se defectează s, i incepe să producă monede rebutate poate fi privit
ca o v.a. X a cărei distribut, ie probabilistă are forma P (X = k)=q(1 −
p)k−1 I{1,2,3,...} (k), unde p ∈ (0, 1).
a) Exista vre-o restrict, ie la alegerea constantei q? Dacă da, precizat, i care
anume? b) Este oare v.a. X de tip discret sau de tip (absolut) continuu?
De ce? c) Dacă se s, tie că probabilitatea defectării mas, inii chiar de la prima
s, tant, are este este egală cu 0.5, concretizat, i cum arată ditribut, ia probabbi-
listă. Calculat, i probabilitatea că mas, ina se va defecta la s, tant, area a 10-a. d)
Deducet, i formula de calcul pentru valorile f.d. F (x)=P (X ≤ x) s, i calculat, i
cu ajutorul ei probabilitatea că mas, ina va efectua fără defecte cel put, in 10
s, tant, ări. e) Calculat, i probablitatea că mas, ina va efectua fără defecte cel
put, in 20 de s, tant, ări dacă se s, tie că aceasta a efectuat fără defecte cel put, in
10 s, tant, ări.
2.4. Variabile aleatoare de tip (absolut) continue, densităt, i de

distribut, ie (repartit, ie)
Pentru început vom relua Exemplul 3 din p.1.5 în care experimentul alea-
tor considerat rezidă în aruncarea / alegerea la întâmplare a unui punct din
intervalul [0, 1] . Din punct de vedere matematic acest experiment se des-
crie, cum am vazut, de câmpul de probabilitate geometrică (Ω, F, P ), unde
Ω=[0, 1], F = {A ⊆ Ω : există mesA}, iar P (A) = mesA mesΩ
. Dacă vom nota prin
X coordonata unui punct aruncat la întâmplare pe intervalul [0, 1], atunci X
devine v.a. definită pe câmpul de probabilitate (Ω, F, P ), unde X(ω) = ω,
pentru orice ω ∈ Ω. Mai mult ca atât, dat fiind specificul câmpului de
probabilitate geometrică, funct, ia ei de distribut, ie

0, dacă x < 0,
mes(Ω ∩ (−∞, x)) 
F (x) = P (X ≤ x) = = x, dacă x ∈ [0, 1],
mesΩ
1, dacă x > 1.

Observăm că f.d. F (x) este nu numai continuă, dar si derivabilă aproape

pentru orice x ∈ R, mai exact, cu except, ia punctelor x ∈ {0, 1} s, i derivata ei

dF (x) 0, dacă x ∈
/ [0,1],
f (x) = = ≥ 0, pentru orice x ∈ R.
dx 1, dacă x ∈ [0, 1],
În plus,
Zx
F (x) = f (u)du.
−∞
Faptul că v.a. X din exemplul nostru ia valori dintr-o multime infinită

nenumărabilă (de putere continuum) cu f.d. continuă s, i pentru care există
o funct, ie nenegativă f : R −→ [0, +∞) cu proprietatea de mai sus face ca
toate v.a. cu proprietăt, i similare să scoată în evident, ă un tip aparte de v.a.
marcat de următoarea
Definit, ie. Vom spune că v.a. X este o v.a. de tip (absolut) continuă
dacă pentru funct, ia ei de distribut, ie F (x) = P (X ≤ x) există o funct, ie
f (x) ≥ 0, ∀x ∈ R, astfel încât
Zx
F (x) = f (u)du.
−∞
Funct, ia f (x) cu aceste două proprietăt, i se numes, te densitate de distribut, ie

(repartit, ie) a probabilităt, ilor, pe scurt, (d.d).
Remarca 1. F.d., dar si d.d. analizate în exemplul de mai sus poartă de-
numirea de distribut, ie uniformă pe [0, 1], iar experimentul (imaginar) descris
mai sus poate fi simulat (imitat) pe calculator, folosind orice limbaj de pro-
gramare evoluat (C++, Java, etc.) in baza funct, iei program random float,
accesarea căreia conduce la generarea unei valori a unei v.a. X uniform
distribuite pe acest interval. Dealtfel această funct, ie program, împreună cu
varianta ei discretă stau la baza algoritmilor de simulare (generare) a valori-
lor v.a. X cu distribut, ia probabilistă arbitrară. Cu alte cuvinte, cu ajutorul
calculatorului putem simula orice fenomen aleator, deîndată ce este
cunoscută legitatea probabilistă sub forma ei de f.d., distribut, ie sau d.d.
Drept alte exemple de v.a. de tip (absolut) continue putem lua durata
viet, ii unui dispozitiv electronic, durata dintre doua apeluri telefonice succe-
sive înregistrate la un post telefonic, durata dintre două despăgubiri succesive
acordate de o companie de asigurări, eroarea de măsurare cu ajutorul unui
indstrument de măsurare, înălt, imea unui barbat (femeie) ales (aleasă) la în-
tâmplare dintr-o populat, ie a unei t, ări anume, etc., toate acestea fiind exem-
ple de v.a. ale căror valori posibile formează o mult, ime infinită nenumărabilă.
Remarca 2. Cuvântul "absolut" din Definit, ie nu este luat întâmplător

în paranteze, deoarece in Teoria probabiltăt, ilor se regăsesc exemple de v.a.
ale căror f.d. este continuă, dar care nu satisfac condit, iilor suplimentare
impuse asupra f.d. pentru ca v.a. corespunzătoare să fie v.a. de tip (absolut)
continuă. Este vorba de v.a. de tip singular care în acest curs nu vor fi
abordate, datorită faptului ca acestea nu au o aplicat, ie practică evidentă.
Folosirea cuvântului "densitate", la fel, nu apare întâmplător în denumirea
de densitate de repartit, ie a probabilităt, ilor, deoarece acesta ne amintes, te de
sensul fizic al densităt, ii. Intr-adevar, orice v.a. X de tip absolut continuă cu
f.d. F (x), are d.d. f (x) ce posedă proprietatea că pentru o valoare △x > 0,
oricât de mică ar fi ea,
x+△x
Z Zx
P (x < X ≤ x + △x) = F (x + △x) − F (x) = f (u)du − f (u)du =
−∞ −∞
x+△x
Z
f (u)du ≃ f (x)△x.
x
În plus, toate v.a. X de tip (absolut) continue, dat fiind faptul că acestea
au functii de distribut, ie continue, au proprietatea că pentru orice număr real
a
P (X = a) = F (a) − F (a − 0) = F (a) − F (a) = 0.
Din acelas, i motiv au loc următoarele formule de calcul ale probabilităt, ilor în
baza f.d. sau a d.d.
P (a < X ≤ b) = P (a ≤ X ≤ b) = P (a < X < b) = P (a ≤ X < b) =
Zb
= F (b) − F (a) = f (u)du,
a
iar
+∞
Z
P (X > a) = P (X ≥ a) = 1 − F (a) = f (u)du.
a
Similar cu cazul discret, s, i în cazul (absolut) continuu d.d. f (x) este

o alternativă la f.d. F (x) a v.a. privită ca model matematic ce descrie
comportamentul probabilist al v.a. X. Concluzia aceasta se poate trage din
urmatoarea
Propozit, ie (Legatura dintre d.d. s, i f.d., proprietăt, ile d.d). Dacă
X este o v.a. de tip (absolut) continuă , atunci f.d. F (x) = P (X ≤ x) s, i
d.d. corespunzătoare f (x) au proprietăt, ile
1o . Cunoscând f.d. F (x) = P (X ≤ x) a v.a. X putem restabili d.d.
corspunzătoare F (x), conform relat, iei
dF (x)
f (x) = ;
dx
2o . Cunoscând d.d. f (x) a v.a. X putem restabili f.d. corspunzătoare
F (x), conform relat, iei
Zx
F (x) = f (u)du;
−∞
o
3 .Orice funct, ie f (x) nenegativă, integrabilă Riemann pe R s, i pentru care
+∞
Z
f (x)dx = 1
−∞
reprezintă o d.d. probabilistă a unei v.a. X de tip (absolut) continuă.

Remarca 3. Multimea X ={x ∈ R : d.d. f (x) a v.a. X are proprietatea
că f (x) > 0} arată că valorile posibile ale v.a. X sunt concentrate pe X .
Într-adevar:
+∞
Z Z Z Z Z Z
1= f (x)dx = f (x)dx + f (x)dx = f (x)dx + 0dx = f (x)dx.
−∞ X R∖X X R∖X X
Exemplul 1. Multe modele legate de cercetarea unor fenomene alea-

toare ce apar în domeniile tehnicii, asigurărilor, demografiei, finant, elor, etc.,
vizează v.a. de tip (absolut) continuu ale căror comportament probabilist
este descris prin intermediul densităt, ii de distribut, ie de forma

0, dacă x < 0,
f (x) = = λe−λx · I[0,+∞) (x)
λe−λx ,dacă x ≥ 0.
unde parametrul λ > 0.

Cum f (x) ≥ 0 s, i
+∞
Z Z0 +∞
Z
f (x)dx = 0dx + λe−λx dx = (1 − e−λx ) |+∞
0 = (1 − 0) − (1 − 1) = 1,
−∞ −∞ 0
din proprietatea 3o formulată în propozitia anterioară, conchidem că f (x)

reprezintă un model matematic a unei v.a. Echivalentul acestui model este
f.d. corespunzătoare d.d. f (x), adică
Zx
0, dacă x < 0,
F (x) = f (u)du = = (1 − e−λx ) · I[0,+∞) (x).
1 − e−λx ,dacă x ≥ 0.
−∞
Acest model poartă denumirea de distribut, ie probabilistă exponent, ială cu pa-

rametrul λ > 0 (a se vedea exemplele 9, din p.1.3 s, i 3, din p.2.2.).
Probleme propuse.
1. Care din următoarele funct, ii pot fi considerate ca fiind d.d. (modele
probabiliste) ale unor v.a.:
a) f (x) = e−0.25x I[0,+∞) (x); b) f (x) = 0.25e−0.25x I[0,+∞) (x); c) f (x) = x,

pentru orice x ∈ R;
d) f (x)=2xI[0,1] (x). În acele cazuri în care f (x) este d.d. trasat, i graficul
ei, determinat, i f.d. corespunzătoare s, i trasat, i graficul ei.
2. Pentru fiecare din următoarele exemple să se determine valoarea con-
stantei k astfel încât funct, ia f (x) să fie o d.d., după care determinat, i f.d.
F (x) corespunzătoare d.d. f (x) s, i trasat, i graficele lor:
a) f (x)=k(x − 1)I[1,3] (x); b) f (x)=kxI[0,3] (x); c) f (x)=kx3√ I[0,2] (x); d)
f (x)=k(sin x)I[0,π/2] (x); e) f (x)=k(cos x)I[−π/2,π/2] (x); f) f (x)=k xI[0,4] (x).
3. Pentru fiecare din următoarele exemple de f.d. F (x) să se deter-
mine d.d. f (x) corespunzătoare: a) F (x)=[1 − e−λx (1 + x)]I[0,+∞) (x); b)
Rx − t2
1
F (x)= 2π e 2 dt; c) F (x)= (x+2)
4
I[−2,2] (x).
−∞
4. Pentru estimarea cantităt, ii zilnice Q de combustibil, solicitate unei
firme de aprovizionare cu combustibil auto, firma în cauză foloses, te formula
Q=100 − 10p + E, unde p ∈ [0, 8]. E reprezentând eroarea de estimare,
aceasta este o v.a. dată de d.d. f (x) = I[−20,20] (x).Cantitatea Q solicitată se
masoară în mii de galoane, iar pret, ul p este exprimat în dolari per galon.
a) Cu ce este egală probabilitatea că va fi solicitată o cantitate de combus-
tibil mai mare decât 70000 de galoane, dacă pret, ul este egal cu 3$ galonul?
Dar pentru pret, ul de 4$ per galon? b) Dacă s, tim costul mediu √ variabil de
furnizare a benzinei fără plumb, că este dat de formula C(Q)= Q/2, ce v.a.
poate fi utilizată pentru a reprezenta profitul zilnic în funct, ie de pret, ul vari-
abil p ? c) Cu ce este egală probabilitatea că profitul zilnic va fi unul pozitiv
dacă pret, ul de vânzare este stabilit să fie 4$ per galon? Dar daca pret, ul este
egal cu 5$? Dar 3$?
2.5. Variabile aleatoare mixate discrete-continue
Multitudinea de modele probabiliste ale v.a. des întâlnite în cercetarea

fenomenelor aleatore din lumea înconjurătoare cuprinde, în afară de v.a. de
tip discret s, i de tip (absolut) continue, v.a. distribut, iile probabiliste ale că-
rora întrunesc proprietăt, i ale ambelor tipuri de v.a. Este vorba de variabilele
aleatoare mixate discrete-continue.
Exemplu. Considerăm v.a. X ce reprezintă durata viet, ii, masurată în
mii de ore, a memoriei hard a unui laptop marca HP. În Exemplul 9 din
p.1.3. distribut, ia probabilistă propusă corespundea unei v.a. aleatoare de
−6
tip (absolut) continue cu f.d. F (x)=(1 − e−10 x )I[0,+∞) (x). Prin urmare
probabilitatea evenimentului A ={unui laptop nou nout, îi va pica memoria
hard chiar la prima lui pornire}={X = 0} este egală cu zero (a se vedea
Remarca 2 din paragraful anterior). În realitate, însă, aceasta probabilitate
chiar dacă este mică este, totus, i, nenulă. Următorul exemplu de f.d. a
duratei viet, ii memoriei hard a unui laptop marca HP ia în calcul o astfel de
posibilitate. Să zicem, că
−6 x
F (x) = 0.05 · I[0+∞) (x) + 0.95 · (1 − e−10 )I(0,+∞) (x).
Proprietăt, ile caracteristice f.d. fiind respectate, rezultă că funct, ia F (x) poate
fi luată în calitate de model matematic ce descrie mai adecvat comportamen-
tul probabilist al v.a. X în cazul că serviciul cu controlul calităt, ii constată
că la 5% din astfel de calculatoare hardul a picat chiar de la prima pornire.
Într-adevăr, P (X = 0) = 0.05, iar probabilitattea că memoria hard va avea
o durată de viat, ă mai mare decât T este egalaă cu P (X > T ) = 1 − P (X ≤
−6
T ) = 1 − [0.05 · I[0+∞) (T ) +0.95 · (1 − e−10 T )I(0,+∞) (T )]. Astfel, pentru
T = 0, P (X > 0) = 1 − 0.05 = 0.95, iar pentru T = 43800 ore, adicaă pentru
aproximativ 5 ani, P (X > 43800) = 1 − P (X ≤ 43800). Dar
P (X ≤ 43800) = P (X = 0)+P (0 < X ≤ 43800) = 0.05+(F (43800)−F (0)) =

−6 ·43800
0.05 + [0.05 + 0.95(1 − e−10 ) − 0.05] =
−6 ·43800
0.05 + 0.95 · (1 − e−10 ) = 9. 071 2 × 10−2 .
Prin urmare, P (X > 43800) = 1 − 9. 071 2 × 10−2 = 0.909 29.
Comparând probabilitatea P (X > 43800) = 0.957 15, că durata viet, ii
memoriei hardului va fi mai mare de 5 ani, în cazul în care nu este luat în
calcul faptul că serviciul cu controlul calităt, ii constată că în 5% din astfel de
calculatoare hardul a picat chiar de la prima pornire, cu aceeas, i probabilitate
în caz că informat, ia în cauză este surprinsă în model, probabilitate care este
egală cu 0.909 29, deducem ca în ultimul caz s, ansele de supraviet, uire a unui
astfel de calculator mai mult de 5 ani s-au diminuat cu peste 4%.
Funct, ia de distribut, ie anlizată în exemplul de mai sus se încadrează în
următoarea
Definit, ie. Vom numi v.a. mixată discretă-continuă orice v.a. X pentru
care funct, ia ei de distribut, ie F (x) are forma
F (x) = pFd (x) + (1 − p)Fac (x),

unde 0 ≤ p ≤ 1, Fd (x) reprezentând o f.d. de tip discret iar Fac (x) o f.d. de
tip (absolut) continuă.
Astfel, în exemplul de mai sus avem că p = 0.05,

0, dacă x ⋖ 0,
Fd (x) = I[0+∞) (x) =
1, dacă x ⩾ 0,
iar

−10−6 x 0, dacă x ⩽ 0,
Fac (x) = (1 − e )I(0,+∞) (x) = −10−6 x
(1 − e ), dacă x ⋗ 0.
Remarcă. Apelând la forma specifică de scriere a f.d. in cazurile discret

s, i absolut continuu, deducem că
X
Fd (x) = pi I[xi ≤+∞] (x),
i≥1
s, i corespunde unei v.a. discrete X1 date de distribut, ia

x1 x2 ... xn ... X
X1 : , unde pi = P (X = xi ) ≥ 0, i ≥ 1, pi = 1,
p1 p2 ... pn ...
i≥1
iar
Zx
Fac (x) = f (u)du
−∞
s, i corespunde unei v.a. (absolut) continue X2 cu d.d. f (x). În acest sens,

v.a. X dată de f.d.
X Zx
F (x) = p · pi I[xi ≤+∞] (x) + (1 − p) · f (u)du
i≥1 −∞
prezintă un amestec (mixaj) de proprietăt, i ale v.a. discrete, dar s, i a v.a.

(absolut) continue.
Probleme propuse.
1. Dacă presupunem că autobusul de ruta dată circulă la intervale de
timp egale cu T0 , T0 > 0, atunci în calitate de model matematic ce descrie
timpul de as, teptare X a unui pasager sosirea în stat, ie a acestui autobus,
putem lua v.a. X de tip (absolut) continuă cu d.d. f (x) = 1

I
T0 [0,T0 ]
(x). Cu
alte cuvinte f.d. a timpului X de as, teptare este dată de
Zx
1
F (x) = P (X ≤ x) = I[0,T0 ] (t)dt,
T0
−∞
adică v.a. T este uniform distribuită pe intervalul închis [0, T0 ]. Conform

acestui model, avem că probabilităt, ile P (X = 0)=P (X = T0 )=0. În rea-
litate, însă, se poate întâmpla (cei drept cu o probabilitate foarte mică) că
pasagerul să prindă autobusul chiar odată cu sosirea sa în stat, ie atunci du-
rata lui de as, teptare X ∗ =0 sau, dimpotrivă, ca pasagerul să sosească chiar în
momentul când autobusul a inchis us, ile s, i pleacă, atunci acesta va trebui sa
as, tepte autobusul o durată de timp X ∗ =T0 . Să zicem că aceste probabilităti
sunt egale, respectiv cu P (X ∗ =0)=P (X ∗ =T0 )=0.025, în rest comportamen-
tul probabilist al v.a. X ∗ , fiind descris de modelul de mai sus pentru v.a.
X.
a) Arătat, i că, în realitate, tumpul de as, teptare este o v.a. X ∗ dată de
f.d.
Zx
1
F ∗ (x) = 0.025[I[0,+∞) (x) + I[T0 ,+∞) (x)] + 0.95 · I[0,T0 ] (t)dt;
T0
−∞
b) Trasat, i grafic, funct, iile F (x) s, i F ∗ (x);

c) Calculat, i s, i comparat, i perechile de probabilităt, i P (0 < X ≤ T0 ),
P (0 < X ∗ ≤ T0 ) s, i P (0 < X ≤ T0 /2), P (0 < X ∗ ≤ T0 /2).
2.6. Variabilă aleatoare multidimensională (vectorială), funct, ia

ei de distribut, ie, funct, ii de distribut, ie marginale
În paragrafele anterioare din acest capitol am introdus conceptul de varia-

bilă aleatoare, ca fiind o singură aplicat, ie⧸funct, ie cu valori numerice definită
pe mult, imea evenimentelor elementare ce pot fi observate într-un experiment
aleator, dar problemele practice vizează s, i cazuri când interes prezintă com-
portamentul probabilistic a două sau chiar mai multe astfel de v.a. sau
aplicat, ii⧸funct, ii legate de unul s, i acelas, i experiment aleator (câmp de pro-
babilitate). De exemplu, din punctul de vedere al unei cercetări statistice,
interes prezintă comportamentul probabilistic al unei perechi de variabile
aleatoare (X1 , X2 ), unde X1 reprezintă nivelul de studii, iar X2 - venitul
anual al unui IT-ist, angajat în câmpul muncii, ales la întâmplare din Re-
publica Moldova. Dealtfel, orice cercetare bazată pe un sondaj statistic, ce
implică un es, antion (x1 , x2 , ..., xn ) de observat, ii făcute asupra unei v.a. X,
pentru a aplica Statistica Matematică, se admite punctul de vedere al ma-
tematicianului, conform căruia (x1 , x2 , ..., xn ) pot fi privite, ca fiind n v.a.
independente, identic distribuite ca s, i v.a. X s, i aceasta, spre deosebire de
punctul de vedere al statisticianului, care a înregistrat (colectat) nis, te valori
numerice concrete x1 , x2 , ..., xn . Toate aceste exemple conduc la not, iunea
de v.a. multidimensionale sau vectoriale.
Definit, ia 1. Vom numi variabilă aleatoare n−dimensionala (vectorială)
orice vector X=(X1 , X2 , ..., Xn ), unde X1 , X2 , ..., Xn sunt v.a. definite pe
unul s, i acelas, i câmp de probabilitate (Ω, F, P ).
Următoarea Teoremă ne arată că putem formula o definit, ie echivalentă a
not, inii de v.a. multidimensională.
Teorema 1. Vectorul X = (X1 , X2 , ..., Xn ) este o v.a. n-dimensională
definită pe câmpul de probabilitate (Ω, F, P ) dacă s, i numai dacă mult, imea
{ω ∈ Ω : X1 (ω) ≤ x1 , X2 (ω) ≤ x2 , ..., Xn (ω) ≤ xn } ∈ F, ∀(x1 , x2 , ..., xn ) ∈ Rn .
Remarca 1. Aceasta teoremă garantează, de fapt, că pentru orice v.a.

X = (X1 , X2 , ..., Xn ) mult, imile invocate sunt evenimente aleatoare s, i prin
urmare putem calcula probabilităt, ile lor, care, pe scurt, pot fi scrise ca fiind
P (X ≤ x) = P (X1 ≤ x1 , X2 ≤ x2 , ..., Xn ≤ xn ), unde x = (x1 , x2 , ..., xn ) ∈ Rn .

Mai mult, drept consecint, ă, se poate arăta că evenimente aleatoare sunt s, i

mult, imile, de exemplu, de forma
(a1 < X1 ≤ b1 , a2 < X2 ≤ b2 , ..., an < Xn ≤ bn ),
(a1 < X1 , a2 < X2 , ..., an < Xn ),
pentru orice (a1 , a2 , ..., an ),(b1 , b2 , ..., bn ) ∈ Rn , ai ≤ bi , i = 1, n, etc. Dar
anume astfel de mult, imi s, i prezintă interes din punct de vedere practic. Mai
observăm că not, iunea de v.a. multidimensională generalizează not, iunea de
v.a. studiată anterior s, i care poate fi privită ca v.a. unidimensională.
Ca s, i pentru v.a. unidimensionale, drept alternativă la not, iunile de vector
aleator X = (X1 , X2 , ..., Xn ) s, i de câmp de probabilitate (Ω, F, P ) pe care
este definit acesta, în ansamblu, privite ca model matematic ce descrie com-
portamentul probabilist al v.a. X, se foloses, te pe larg, inclusiv în Statistica
Matematică, not, iunea de funct, ie de distribut, ie a unei v.a. multidimensionale
X.
Definit, ia 2. Fie (Ω, F, P ) un câmp de probabilitate s, i X = (X1 , X2 , ...,
Xn ) : Ω −→ Rn o variabilă aleatoare n-dimensională definită pe el. Atunci
funct, ia F : Rn −→ R definită prin relat, ia
F (x) = P (X ≤ x) = F (x1 , x2 , ..., xn ) =

= P (X1 ≤ x1 , X2 ≤ x2 , ..., Xn ≤ xn ), ∀x = (x1 , x2 , ..., xn ) ∈ Rn
se numes, te funct, ie de distribut, ie (f.d.) a v.a. n- dimensionale X sau funct, ie
de distribut, ie (în ansamblu) a v.a. X1 , X2 , ..., Xn .
Exemplul 1. În legătură cu experimentul aleator ce constă în aruncarea
unei perechi de zaruri "perfecte" considerăm v.a. X s, i Y , ce coincid, res-
pectiv, cu indicatorul evenimentului A={suma punctelor apărute va fi pară}
s, i B={produsul punctelor apărute va fi par }. Să se determine funct, ia de
distribut, ie a v.a. bidimensionale (X, Y ).
Solut, ie. Deoarece mult, imea de valori posibile ale v.a. X sau ale v.a.
Y este mult, imea {0, 1}, rezultă că v.a. bidimensională (X, Y ) ia valori din
mult, imea {(0, 0), (0,1), (1, 0), (1, 1)}. Folosind definit, ia clasică aflăm că
P (X = 0, Y = 0)=P (A B) = 0, P (X = 0, Y = 1)=P (A B) = 1/2, P (X =
1, Y = 0)=P (AB) = 1/4, P (X = 1, Y = 1)=P (AB) = 1/4. F.d. F (x, y) a
v.a. (X, Y ) este o funct, ie definită pentru orice (x, y) ∈ R2 . Dar, t, inând cont
de probabilităt, ile anterioare, deducem că P (X ≤ x, Y ≤ y)=0, pentru orice
(x, y) ∈ (−∞, 0) × (−∞, +∞) ∪ [0, 1) × (−∞, 1) ∪ [1, +∞) × (−∞, +0),
P (X ≤ x, Y ≤ y) = 1/2, pentru orice (x, y) ∈ [0, 1) × [1, +∞), P (X ≤ x,

Y ≤ y)=1/4, pentru orice (x, y) ∈ [1, +∞) × [0, 1), P (X ≤ x, Y ≤ y)=1,
pentru orice (x, y) ∈ [1, +∞) × [1, +∞). Cu alte cuvinte, am definit f.d.
F (x, y) pe intreg spat, iul R2 .
Teorema 2 (Proprietăt, ile caracteristice ale f.d. a v.a. multidi-
mensionale ). O funct, ie de n- variabile F (x1 , x2 , ..., xn ) definită pe Rn
cu valori în R poate fi considerată f.d. a unui vector aleator n-dimensional
dacă s, i numai dacă aceasta posedă urmatoarele proprietăt, i
1 1 1
10 . ... (−1)ε1 +ε2 +...+εn F (ε1 a1 + (1 − ε1 )b1 , ε2 a2 + (1 − ε2 )b2 ,
P P P
ε1 =0 ε2 =0 εn =0
..., εn an + (1 − εn )bn ) ≥ 0 deîndată ce (a1 , a2 , ..., an ), (b1 , b2 , ..., bn ) ∈ Rn ,
a1 ≤ b1 , a2 ≤ b2 , ..., an ≤ bn ;
20 . F (x1 , x2 , ..., xn ) este continuă la dreapta pentru fiecare variabilă xi
în parte, adică,
lim F (x1 , x2 , ..., ak , ..., xn ) = F (x1 , x2 , ..., xi , ..., xn )

ak ↓xi
pentru orice s, ir monoton descrescator de valori ak care tinde la xi , atunci

când k tinde la +∞, fapt ce se noteaza, pe scurt,
F (x1 , x2 , ..., xi + 0, ..., xn ) = F (x1 , x2 , ..., xi , ..., xn );
30 . lim F (x1 , x2 , ..., xn ) = F (x1 , x2 , ..., −∞, ..., xn ) = 0 pentru ∀i =

xi −→−∞
1, n s, i F (+∞, +∞, ..., +∞) = lim F (x1 , x2 , ..., xn ) = 1.
xi −→+∞,i=1,n
Remarca 2. Ca s, i în cazul f.d. ale v.a. unidimensionale, pentru f.d. ale
v.a. multidimensionale este valabilă Remarca 3, p.2.2., ceea ce arată că orice
functie de n variabile care satisface proprietat, ile 10 − 30 de mai sus poate fi
considerată un model probabilist, adică f.d. a unei v.a. multidimensionale.
Mai mult, are loc următoarea
Propozit, ie. Dacă v.a. X = (X1 , X2 , ..., Xn ) este dată de f.d. F (x1 , x2 ,
..., xn ), atunci:
a)
P (a1 < X1 ≤ b1 , a2 < X2 ≤ b2 , ..., an < Xn ≤ bn ) =
1 X
X 1 1
X
... (−1)ε1 +ε2 +...+εn F (ε1 a1 +(1−ε1 )b1 , ε2 a2 +(1−ε2 )b2 , ..., εn an +(1−εn )bn ),
ε1 =0ε2 =0 εn =0
(a1 , a2 , ..., an ), ∈ Rn , a1 ≤ b1 , a2 ≤ b2 , ..., an ≤ bn ;

b) f.d. Fi (x) a fiecărei v.a. Xi în parte poate fi refăcută din f.d. în

ansamblu a v.a. (X1 , X2 , ..., Xn ) după formula
Fi (x) = F (+∞, +∞, ..., x, ..., +∞).
Consecint, ă. Dacă v.a. X = (X1 , X2 ) este dată de f.d. F (x1 , x2 ),

atunci:
P (a1 < X1 ≤ b1 , a2 < X2 ≤ b2 ) = F (b1 , b2 ) + F (a1 , a2 ) − F (a1 , b2 ) − F (b1 , a2 ),
deîndată ce a1 ≤ b1 , a2 ≤ b2 .
Definit, ia 3. Funct, iile de distribut, ie determinate conform p.b) din pro-
pozitia anterioară se numesc f.d. marginale ale v.a. Xi , i = 1, n.
Exemplul 2. Considerăm următoarea funct, ie de doua variabile

 0, dacă min(x, y) < 0,
F (x, y) = min(x, y), dacă 0 ≤ min(x, y) < 1,
1, dacă 1 ≤ min(x, y).

Să se arate ca F (x, y) este o f.d. a unei v.a. bidimensionale (X, Y ) s, i să

se afle f.d. a fiecărei v.a.
Solut, ie. Proprietăt, ile 10 − 30 caracteristice f.d. de mai multe variabile
se verifică cu us, urint, a, t, inând cont s, i de faptul că min(x, y) este o funct, ie
continuă ca funct, ie de două variabile x, y, deoarece min(x, y) = (x + y −
|x − y|)/2. Prin urmare F (x, y) poate fi privită ca fiind o f.d. a unei v.a.
(X, Y ). Atunci, conform punctului b) din propozit, ia de mai sus distribut, iile
(marginale) a fiecărei v.a. în parte sunt egale, respectiv, cu

 0, dacă x < 0,
FX (x) = F (x, +∞) = x, dacă 0 ≤ x ≤ 1,
1, dacă 1 < x,


0, dacă y < 0,

FY (y) = F (+∞, ) = y, dacă 0 ≤ y ≤ 1,
1, dacă 1 < y.

Concluzie: ambele v.a. X s, i Y sunt (a se vedea remarca 1 din p.2.4.) uniform,

identic distribuite pe segmentul [0, 1].
2.7. Tipurile de variabile aleatoare multidimensionale

(bidimensionale), distribut, ii, densităt, i de distribut, ie,
independent, a v.a.
Pentru simplitate, fără a afecta cazul general, vorbind despe vari-

abile aleatore vectoriale de dimensiunea n, vom considera cazul n = 2,
adică vom considera cazul v.a. bidimensionale. As, adar, fie (X, Y ) o v.a.
bidimensională definită pe câmpul de probabilitate (Ω, F, P ) sau, ceea ce
este echivalent, dată (guvernată) de funct, ia de distribut, ie F (x.y), pe scurt,
(X, Y ) ∼ (Ω, F, P ) sau (X, Y ) ∼ f.d. F (x, y). Ca s, i în cazul v.a. unidi-
mensionale, din punct de vedere al aplicat, iilor lor practice, cel mai des sunt
întâlnite v.a. multidimensionale de tip discret s, i de tip (absolut) continue,
inclusiv în varianta lor mixată discret-continue.
Dacă o v.a. este de tip discret se poate afla folosind
Definit, ia 1. Vom spune ca v.a. (X, Y ) este o v.a. de tip discret dacă
fiecare din v.a. (unidimensionale) X, Y este v.a de tip discret.
Din definit, ie rezultă că v.a. (X, Y ) este o v.a. de tip discret dacă
mult, imile de valori posibile X , Y ale v.a. X, Y au formele X ={x1 ,x2 , ...,
xn } sau X ={x1 ,x2 , ..., xn ,...} s, i respectiv Y={y1 ,y2 , ..., yn } sau Y={y1 ,y2 ,
..., yn ,...}, cu proprietatea P ((X, Y ) ∈ X × Y) = 1, unde x1 <x2 < ...< xn <...
iar y1 <y2 < ...< yn <..., X × Y fiind produsul cartezian ale mult, imilor X , Y.
Definit, ia 2. Vom numi distribut, ie probabilistă a v.a. bidimensionale
de tip discret (X, Y ) orice set de forma {(xi , yj ), pij }i,j≥1 sau orice tabel de
forma
X\Y y1 y2 ... yj ...
x1 p11 p12 ... p1j ...
x2 p21 p22 ... p2j ...
... ... ... ... ... ...
xi pi1 pi2 ... pij ...
... ... ... ... .... ...
unde pij = P (X = xi , Y = yj ) ≥ 0,
P
pij = 1.
i,j≥1
Tabelul det mai sus este, din cate vedem, un exemplu de repartit, ie pro-
babilistă, iar scrierea f.d. F (x, y) arată că, s, tiind distribut, ia v.a. (X, Y )
putem scrie f.d., folosind formula
X
F (x, y) = pij .
i,j:xi ≤x,yj ≤y
Mai mult, s, tiind distribut, ia probabilista a v.a. (X, Y ), putem afla distribu-
t, ia probabilistă a fiecărei dintre v.a. X, Y . Astfel,
P (X = xi ) = P ({X = xi } ∩ Ω) = P ({X = xi } ∩ ∪ {Y = yj }) =
j≥1
P ( ∪ ({X = xi } ∩ {Y = yj })) = P ( ∪ {X = xi , Y = yj }) =
j≥1 j≥1
X X
= P (X = xi , Y = yj ) = pij = pi· , pentru orice i ≥ 1.
j≥1 j≥1
Analogic, P (Y = yj ) = pij =p·j , pentru orice j ≥ 1. Aceste două

P
i≥1
distribut, ii poartă denumirea de distribut, ii marginale, prin analogie cu not, iu-
nea de f.d. marginală.
Exemplul 1 (Continuare). În condit, iile Exemplului 1 din paragraful
anterior să se determine distribut, ia v.a. (X, Y ), unde X, Y reprezintă indi-
catorii parităt, ii sumei si respectiv produsului punctelor apărute. Să se afle
distribut, ia fiecărei v.a. X, Y în parte.
Solut, ie. As, a cum am văzut, v.a.
(X, Y ) ∈ X × Y = {0, 1} × {0, 1} = {(0, 0)(0, 1), (1, 0), (1, 1)}
s, i P ((X, Y ) ∈ X × Y)=1. iar valorile pij =P (X = i, Y = j), i,j =0, 1, valori

care au stat la baza aflării f.d. F (x, y), reprezintă distribut, ia centralizată in
următorul tabel
X\Y 0 1
0 0 0.5 ,
1 0.25 0.25
după care scrierea f.d. F (x, y) a v.a.(X, Y ) devine simplă
F (x, y) = P (X ≤ x, Y ≤ y) =


 0, dacă (x, y) ∈ (−∞, 0) × (−∞, +∞)∪
∪ [0, 1) × (−∞, 1) ∪ [1, +∞) × (−∞, +0),



0.5, dacă (x, y) ∈ [0, 1) × [1, +∞),
0.25, dacă (x, y) ∈ [1, +∞) × [0, 1),




1, dacă (x, y) ∈ [1, +∞) × [1, +∞).

Acest exemplu sugerează, că s, i în cazul v.a. multidimensionale de tip dis-

cret, ca s, i în cazul v.a. unidimensionale de tip discret, o alternativă la f.d., în
calitate de model probabilist, poate servi not, iunea de distribut, ie probabilistă.
Având distribut, ia (în ansamblu) a v.a. X s, i Y scrisă mai sus s, i folosind
formulele pentru aflarea distribut, iilor marginale, gasim că indicatorul X a
parităt, ii sumei punctelor apărute la aruncarea a două zaruri perfecte are
distribut, ia
0 1
X: ,
0.5 0.5
iar indicatorul Y a parităt, ii produsului punctelor apărute la aruncarea a două
zaruri perfecte are distribut, ia următoare

0 1
Y : ,
0.25 0.75
fapt ce coincide s, i cu rezultatele calculelor directe.

Un alt experiment aleator (fie s, i imaginar) care conduce la identificarea
unui nou tip de v.a. este descris ìn
Exemplul 2. Considerăm aruncarea (sau alegerea) unui punct la întâm-
plare în patratul de latură 1, adică în domeniul [0, 1] × [0, 1] ⊂ R2 .
Notăm prin (X, Y ) coordonatele acestui punct. Date fiind condit, iile ex-
perimentului, acest vector este un v.a. bidimensional definit pe câmpul de
probabilitate geometrică (Ω, F, P ), unde Ω=[0, 1] × [0, 1], F = {A ⊆ Ω :
există mesA} iar P (A)= mesA mesΩ
=mesA, pentru orice eveniment A ∈ F, de-
oarece mesΩ=mes([0, 1] × [0, 1]=1. Observăm că aplicat, ia (X, Y ) este o
aplicat, ie definită pe Ω=[0, 1] × [0, 1] cu valori in (X, Y ) conform regulii
(X, Y ) : (ω1 , ω2 ) −→ (X(ω1 , ω2 ), Y (ω1 , ω2 )) = (ω1 , ω2 )
pentru orice (ω1 , ω2 ) ∈ [0, 1] × [0, 1]. Evenimentul aleator
A = {(ω1 , ω2 ) ∈ [0, 1] × [0, 1] : X(ω1 , ω2 ) ≤ x, Y (ω1 , ω2 ) ≤ y} =
{(ω1 , ω2 ) ∈ [0, 1] × [0, 1] : X(ω1 , ω2 ) ≤ x, Y (ω1 , ω2 ) ≤ y} =

{(ω1 , ω2 ) ∈ [0, 1] × [0, 1] : ω1 ≤ x, ω2 ≤ y},
iar
mesA = mes([0, 1] × [0, 1] ∩ (−∞, x] × (−∞, y]).
Putem, as, adar, determina f.d. F (x, y) a v.a. bidimensionale (X, Y ):


 0,
 dacă x ⋖ 0 sau y ⋖ 0,
x, dacă 0 ≤ x ≤ 1, y > 1,


mesA 
F (x, y) = P (X ≤ x, Y ≤ y) = = y, dacă x > 1, 0 ≤ y ≤ 1,
mesΩ  

 xy, dacă 0 ≤ x ≤ 1, 0 ≤ y ≤ 1,
1, dacă x > 1, y > 1.

Pentru noi acest exemplu este remarcabil prin faptul că funct, ia de distribu-
t, ie obt, inută are proprietatea că există o funct, ie f (x, y) ≥ 0, pentriu orice
(x, y) ∈ R2 , integrabilă, astfel încât
Zx Zy
F (x, y) = f (x, y)dudv,
−∞−∞
unde
0, dacă (x, y) ∈
/ [0, 1] × [0, 1],
f (x, y) = I[0,1]×[0,1] (x) =
1, dacă (x, y) ∈ [0, 1] × [0, 1].
Această proprietate este în consens cu
Definit, ia 3. Vom spune că v.a. bidimensionala (X, Y ) este de tip (ab-
solut) continuă daca funct, ia ei de distribut, ie are proprietatea că există o
funct, ie f (x, y) ≥ 0, pentriu orice (x, y) ∈ R2 , integrabilă, astfel încât
Zx Zy
F (x, y) = f (u, v)dudv.
−∞−∞
Funct, ia f (x, y) cu aceste proprietăt, i se numes, te densitate de distribut, ie (d.d.)

a v.a. (X, Y ).
Propozit, ia 1. Dacă (X, Y ) este o v.a de tip (absolut) continuă, atunci
f.d. F (x, y) s, i d.d f (x, y) a acestei variabile au următoarele proprietăt, i:
1. f (x, y) ≥ 0, pentru orice (x, y) ∈ R2 ;
Rx Ry
2. F (x, y) = f (u, v)dudv, pentru orice (x, y) ∈ R2 ;
−∞−∞
3. Cu except, ia unei mult, imi A de puncte din R2 , aria (măsura) căreia
2 F (x,y)
mesA = 0, există ∂ ∂x∂y s, i
∂ 2 F (x, y)
= f (x, y);
∂x∂y
+∞
R +∞
4.
R
f (x, y)dxdy = 1;
−∞−∞
Rb1 Rb2
5. P (a1 < X1 ≤ b1 , a2 < X2 ≤ b2 ) = f (x, y)dxdy, pentru orice
a1 a2
(a1 , b1 ), (a2 , b2 ) ∈ R2 , a1 ≤ b1 , a2 ≤ b2 );
6. D.d. f1 (x) a v.a. X s, i d.d. f2 (y) a v.a. Y pot fi aflate, s, tiind, d.d.
f (x, y) a v.a. (X, Y ) din formulele respective,
+∞
Z +∞
Z
f1 (x) = f (x, y)dy, f2 (y) = f (x, y)dx.
−∞ −∞
Definit, ia 4. D.d. f1 (x), f2 (y) determinate prin formulele de la p.6. al

Propozit, iei anterioare se numesc d.d. marginale.
Remarcă. Din pp. 2-3 a propozit, iei 1 rezultă ca f.d. F (x, y) s, i d.d.
f (x, y) ale v.a. bidimensionale, privite ca modele matematice ce descriu com-
portamentul probabilist al v.a. (X, Y ), sunt echivalente în sens că, s, tiind f.d.
putem restabili d.d. s, i viceversa. Proprietatea 2 arată că în caz (absolut)
continuu f.d. F (x, y) este continuă ca funct, ie de doua variabile. Reciproca
nu este valabila, adică se poate aduce un exemplu de f.d. F (x, y) continuă
ca funct, ie de doua variabile, dar nu si (absolut) continuă ca f.d..
Exemplul 3. Intr-adevăr, f.d.

 0, dacă min(x, y) < 0,
F (x, y) = min(x, y), dacă 0 ≤ min(x, y) < 1,
1, dacă 1 ≤ min(x, y),

adusă drept exemplu în paragraful precedent, este continuă, dar nu există

nicio funct, ie cu proprietăt, ile 1 − 4 ale d.d. prezentate in propozitia anteri-
oară. Dealtfel, acesta este un exemplu tipic de f.d. a unei v.a. (X, Y ) de
tip singular, acest tip de v.a. nefiind abordat in cursul nostru. Mai mult,
observăm ca f.d. marginale F1 (x), F2 (y) ce corespund acesteia reprezintă f.d.
ale unor v.a. uniform distribuite, mai exact
 
 0, dacă x < 0,  0, dacă y < 0,
F1 (x) = x, dacă x ∈ [0, 1], , F2 (y) = y, dacă y ∈ [0, 1],
1, dacă x > 1, 1, dacă y > 1.
 
Surprinzător, dar aceleas, i f.d. marginale corespund s, i f.d. F (x, y) din Exem-
plul 2 de mai sus. Mai mult, în Exemplul 2, f.d. F (x, y) = F1 (x)· F2 (y), pe
când în exemplul nostru f.d. F (x, y) ̸= F1 (x)· F2 (y). Explicat, ia vine din
Definit, ia 5. Vom spune ca v.a. X1 , X2 , ..., Xn definite pe unul s, i
acelas, i câmp de probabilitate sunt independente dacă f.d. F (x1 , x2 , ..., xn )
a vectorului aleator (X1 , X2 , ..., Xn ) are proprietatea că
F (x1 , x2 , ..., xn ) = F1 (x1 ) · F2 (x2 ) · ... · Fn (xn ),
unde F1 (x1 ), F2 (x2 ), ..., Fn (xn ) reprezintă f.d. marginale ce corespund v.a.
X1 , X2 , ..., Xn . În caz contrar vom spune că X1 , X2 , ..., Xn sunt dependente.
Or, explicat, ia promisă rezidă în faptul ca v.a. X, Y ce reprezintă coor-
donatele unui punct aruncat la întâmplare în patratul [0, 1] × [0, 1] sunt,
conform definit, iei 5, v.a. independente. În schimb v.a. X, Y ce au f.d. in-
vocată in exemplul din paragraful anterior sunt dependente. De remarcat că
aplicarea directă a definit, iei 5 este greoaie, deaceea, putem aplica variantele
ei echivalente ce t, in cont de specificul tipului de v.a. s, i ce rezultă din
Propozit, ia 2. V.a. (X, Y ) sunt independente atunci s, i numai atunci
când
a) în caz discret: distribut, ia lor în ansamblu {P (X = xi ,Y = yj )}i,j≥1
are proprietatea că P (X = xi ,Y = yj )=P (X = xi ) · P (Y = yj ) pentru orice
i, j ≥ 1;
b) în caz (absolut) continuu: densitatea ei de distribut, ie f (x, y) s, i densităt, ile
marginale f1 (x), f2 (y) au proprietatea că f (x, y) = f1 (x) · f2 (y) pentru orice
x, y ∈ R.
Exemplul 1. (Continuare). Pentru a verifica dacă v.a. X, Y analizate
în acest exemplu sunt sau nu independente putem aplica afirmat, ia a) din
Propozit, ia 2. Constatăm cu us, urint, ă, de exemplu, că P (X = 0, Y = 0) =
0 ̸= P (X = 0)P (Y = 0) = 0.5 · 0.25, ceea ce este suficient să afirmăm că v.a.
X s, i Y sunt dependente.
Exemplul 3. Compania Ocean Fish are deschise ȷ̂n Republica Moldova
două întreprinderi de procesare a pes, telui despre care se s, tie că proport, iile
de procesare a acestora, raportate la întreaga capacitate de procesare zilnică
a companiei, reprezintă o v.a. bidimensională (X, Y ) cu d.d. f (x, y)=(x +
y)I[0,1] (x)I[0,1] (y). a) Să se calculeze P (X ≤ 0.5, Y ≤ 0.5). b) Să se afle
d.d. a proport, iei capacităt, ii de procesare zilnică la care operează fiecare
întreprindere în parte. c) Să se calculeze P (X ≤ 0.5), P (Y ≤ 0.5). d) Sunt
oare proport, iile X s, i Y independente?
Solut, ie. a) Din definit, ia f.d. a v.a. de tip (absolut) continuu deducem
că
0.5 Z
Z 0.5
P (X ≤ 0.5, Y ≤ 0.5) = F (0.5, 0.5) = f (x, y)dxdy =

−∞−∞
0.5 Z
Z 0.5
(x + y)I[0,1] (x)I[0,1] (y)dxdy =

−∞−∞
0.5
 0.5  0.5 0.5
2
Z Z Z Z
x 1 y 2
 (x + y)dx dy = ( + xy) |0.5
0 dy = ( + )dy = = 0.125.
2 8 2 16
0 0 0 0
b) Folosind formula 6 din Propozit, ia 1 aflam d.d. marginală f1 (x) a v.a.

X:
+∞
Z Z1
1
f1 (x) = f (x, y)dy = (x + y)I[0,1] (x)dy = x + I[0,1] (x).
2
−∞ 0
Din considerente de simetrie, observăm că d.d. marginală f2 (y) a v.a. Y este

dată de egalitatea f2 (y) = y + 12 I[0,1] (y). Prin urmare, răspunsul la p. c)

este dat de egalităt, ile
0.5
Z 0.5
Z
1 1 1 1
P (X ≤ 0.5) = (x + )dx = P (Y ≤ 0.5) = (y + )dy = + = 0.375.
2 2 8 4
0 0
d) Apelând la Definit, ia 3 a independent, ei v.a. multidimensionale, dedu-

cem că v.a. X s, i Y sunt dependente deoarece
F (0.5, 0.5) = P (X ≤ 0.5, Y ≤ 0.5) = 0.125 ̸= F1 (0.5)F2 (0.5) =

P (X ≤ 0.5)P (Y ≤ 0.5) = 0.3752 = 0.14063.
Probleme propuse.
1. Care din următoarele tabele reprezintă o distribut, ie probabilistă a

unui vector aleator?
X\Y −1 0 1 X\Y −1 0 1 X\Y −1 0 1
1) 0 1/8 0 1/8 , 2) 0 1/8 0 1/4 , 3) 0 1/8 0 1/8 .
1 1/4 1/8 1/4 1 1/4 1/8 1/4 1 1/4 1/2 1/4
În caz că avem de-a face cu o distribut, ie probabilistă aflat, i: a) P (X <

1, −1 ≤ Y < 1); b) distribut, ia fiecărei v.a. în parte; c) daca v.a. X,Y sunt
sau nu independente.
2. O pepinieră funct, ionează în baza unei echipe de 7 angajat, i din care
3 răspund de sectorul vânzări, iar ceilalti 4 sunt responsabili de sectorul
grădinărit. Evident, numărul, relativ mic, de angajat, i poate crea dificultăt, i
legate de absenteism. Numărul de persoane absente în ziua dată din sectorul
vânzări, dar s, i a celor absente din sectorul grădinărit reprezintă un vector
aleator (X, Y ) distribuit conform cu tabelul urmator:
X⧹Y 0 1 2 3 4
0 0.75 0.025 0.01 0.01 0.03
1 0.06 0.03 0.01 0.01 0.003 .
2 0.025 0.01 0.005 0.005 0.002
3 0.005 0.004 0.003 0.002 0.001
a) Calculat, i probabilitatea că în ziua dată vor absenta mai mult de doi

angajat, i (indiferent de profilul lor); b) Aflat, i distribut, ia absentării angajat, ilor
din sectorul grădinărit. Calculat, i probabilitatea că în ziua dată vor absenta
mai mult de doi angajat, i din sectorul grădinărit. c) Sunt oare v.a. X,Y
independente?
3. Considerăm doua v.a. bidimensionale (X, Y ) s, i (U, V ) independente.
Sunt oare v.a. Y s, i U independente? Argumentat, i de ce sau de ce nu.
4. F.d. F (x, y) a v.a. bidimensionale (X, Y ) este dată de formula
F (x, y) = (1 − e−x/10 − e−y/2 + e−(x+5y)/10 )I[0,+∞) (x)I[0,+∞) (y).
Aflat, i: a) d.d. a v.a. (X, Y ), folosind formula 3 din Propozit, ia 1 anterioară;

b) d.d. marginală a v.a. X; c) f.d. a v.a. X; d) dacă v.a. X s, i Y sunt
independente?
A te simt, i în medie bine înseamnă a sta

cu picioarele într-o căldare cu jăratec s, i
cu capul într-un congelator.
Din folclorul probabilis, tilor
Capitolul 3. Caracteristici numerice ale variabilelor

aleatoare
▲ Introducerea s, i valorificarea celor mai important, i parametri de pozit, ie:

valoarea medie, moda, mediana, cuantile.
▲ Completarea listei caracteristicelor numerice ale variabileloraleatoare
cu parametri de împrăs, tiere (dispersia (variant, a), abaterea standard), dar
s, i cu parametri utilizat, i la caracterizarea gradului de legătură dintre două
variabile aleatoare (covariant, a s, i coeficientul de corelat, ie).
▲ Introducerea s, i valorificarea not, iunilor de momente init, iale s, i centrale
la calcularea coeficient, ilor ce caracterizează forma distribut, iei probabiliste
(asimetria, aplatizarea sau boltirea).
să cunoască cele mai importante caracteristici numerice ale v.a. în

calitate de prototip al indicatorilor statistici;
să cunoască tipurile de probleme, cu aplicarea indicatorilor de variat, ie;
să fie capabil să estimeze caracteristicile variat, iei;
să det, ină abilităt, i de a aplica practic parametrii de variat, ie pentru

analiza indicatorilor interdependent, i.
Cuvinte-cheie:
Valoarea medie, moda, mediana, cuantile, procentile, dispersia (variant, a),

abaterea standard, covariant, a, coeficientul de corelat, ie, momente init, iale s, i
centrale de ordinul k, coeficientul de asimetrie, coeficientul de aplatizare
(boltire).
94 Caracteristici numerice ale variabilelor aleatoare
3.1. Parametri de pozit, ie: valoarea medie, moda, mediana,

cuantile
În directă legătură cu cercetarea comportamentului probabilist al unei
v.a. (caracteristici statistice) X nu întotdeauna prezintă interes modelul
matematic exhaustiv, fie sub formă de câmp de probabilitate (Ω, F, P ) pe
care este definită X, fie sub forma de f.d. F (x) a acestei v.a., fie sub forma
de distribut, ie, dacă X este o v.a. de tip discret, fie sub forma de d.d. f (x),
dacă X este o v.a. de tip (absolut) continue, ci doar unele caracteristici
numerice sumare, numite s, i parametri. Printre ei se află s, i parametrii numit, i
parametri de pozitie sau parametri ai tendint, ei centrale s, i care reprezintă
nis, te valori numerice sumare, de referint, ă cu care putem compara valorile
(posibile) individuale ale v.a X . Sa luăm un exemplu concret de experiment
aleator care ne va conduce la not, iunea de valoare medie, pe scurt, medie.
Exemplul 1. Este vorba de o loterie în care sunt emise s, i vândute, să
zicem, 10000 de bilete s, i în care un participant cu un singur bilet de loterie
poate câstiga una din sumele bănes, ti x1 , x2 , ..., xk , unde x1 < x2 < ... < xk .
Evident, suma totală acordată biletelor câs, tigătoare nu poate fi mai mare
decât costul tuturor biletelor. Dacă vom considera "câs, tig" s, i valoarea x0
ce coincide cu pret, ul unui bilet luat cu semnul minus, chiar si atunci când
acesta este necâs, tigător, atunci câs, tigul X a unui jucător, ce a cumpărat un
singur bilet de loterie, este o v.a. de tip discret ale cărei valori posibile fac
parte din mult, imea X ={x0 , x1 , x2 , ..., xk }. Participând de n ori la această
loterie, cumpărând de fiecare dată un singur bilet de loterie s, i câs, tigând de
ni ori valoarea xi , i=0, 1, ..., k, n0 + n1 + ... + nk =n, putem calcula media
câs, tigului după formula de calcul, cunoscută în Statistica Descriptivă sub
denumirea de medie de select, ie:
k k k
1X X ni X
x= n i · xi = · xi = fn (X = xi ) · xi ,
n i=0 i=0
n i=0
unde fn (X = xi ) este frecvent, a relativă a încasării câs, tigului xi jucând de n

ori, de fiecare dată cu un singur bilet de loterie. Dar, conform Principiului
Regularităt, ii Statistice, frecvent, a relativă fn (X = xi ) se apropie, odată cu
cres, terea lui n, tot mai mult s, i mai mult de probabilitatea (teoretică) P (X =
xi ), i=1, k, ceea ce înseamnă că pentru n suficient de mare:
k
X k
X
x= fn (X = xi ) · xi ≃ P (X = xi ) · xi .
i=0 i=0
Dar, {P (X = xi )}i=1,k reprezintă distribut, ia probabilistă a v.a. X. Prin

urmare, dacă am cunoas, te, apriori, această distribut, ie, am putea evalua o
medie a câs, tigului nostru, pentru a decide, de exemplu, dacă merită sau nu
să participăm la această loterie. Considerentele de mai sus reprezintă unul
din motivele pentru care putem da
Definit, ia 1. Vom numi valoare medie a v.a. X numărul EX calculat
dupa formula
 P


 xi P (X = xi ), în caz discret,
i≥1
EX = +∞
R


 xf (x)dx, în caz (absolut) continuu,
−∞
considerând că valoarea medie există, dacă în caz discret

X
|xi | P (X = xi ) < +∞,
i≥1
iar în caz (absolut) continuu

+∞
Z
|x| f (x)dx < +∞,
−∞
cu alte cuvinte, daca suma sau integrala Riemann respectivă converge absolut.
Remarca 1. Din Definit, ia 1 deducem că, atunci când v.a. (în caz dis-
cret) ia valori dintr-o mult, ime finită de valori sau (în caz (absolut) continuu)
d.d. f (x) este nenulă pe un numar finit de intervale de lungimi finite din R,
valoarea medie există întotdeauna.
Exemplul 1 (Continuare). Dacă se s, tie că X este o v.a. de tip discret
cu valori dintr-o mult, ime finită de valori s, i care are distribut, ia {(xi ,pi )}i=1,k
k
, pi = P (X = xi ) ≥ 0, pi = 1, atunci valoarea medie exista întotdeauna s, i
P
i≥1
este egală cu
k
X
EX = xi p i .
i=1
Pe de altă parte, convergent, a absolută, nu este o condit, ie de prisos impusă

pentru a garanta existent, a valorii medii. Aceasta o demonstrează
Exemplul 2 (O v.a. de tip discret care nu posedă valoare medie).

Considerăm v.a. X dată de distribut, ia P (X = (−1)n+1 · 2n ) = 21n , n = 1,
2,... .
Observăm că seria (suma)
+∞ +∞ +∞
X X
n+1 1
n
X
xn P (X = xn ) = (−1) ·2 · n = (−1)n+1
n=1 n=1
2 n=1
asociată cu valoarea medie EX, evident, nu converge absolut, prin urmare

nu există valoarea medie a acestei v.a.
Exemplul 3. Considerăm v.a. X ce corespunde coordonatei unui punct

ales la întâmplare din intervalul [0, 1], adică v.a. dată de d.d. f (x) = I[0,1] (x).
Atunci valoarea ei medie EX există s, i
+∞
Z +∞
Z Z0 Z1 +∞
Z
1
EX = xf (x)dx = xI[0,1] (x)dx = 0dx + xdx + 0dx = .
2
−∞ −∞ −∞ 0 1
Concluzie: Coordonata unui punct ales la întâmplare din intervalul [0, 1]

va coincide, în medie, cu mijlocul acestui interval.
Propozit, ia 1. (Proprietăt, ile valorii medii). Valoarea medie a unei
v.a. posedă următoarele proprietăt, i:
a) Dacă v.a. X este nenegativă cu probabilitatea 1 s, i există valoarea ei
medie EX, atunci EX ≥ 0 iar EX = 0 dacă s, i numai dacă P (X = 0)=1;
b) Dacă valoarea medie a v.a. X există, atunci există valoarea medie a
v.a. aX + b s, i E(aX + b) = aEX + b, pentru orice a, b ∈ R;
c) Dacă valoarea medie a v.a. X există, atunci există valoarea medie a
v.a. |X| s, i |EX| ≤ E |X|;
d) Dacă valoarea medie a v.a. X s, i Y există, atunci există s, i valoarea
medie a v.a. X + Y s, i E(X + Y ) = EX + EY ;
e) Dacă v.a. X s, i Y sunt independente s, i există valorile lor medii EX,
EY , atunci există s, i valoarea medie a v.a. XY s, i E(X · Y )=EX · EY .
Exemplul 4. Considerăm două v.a. independente X s, i Y pentru care
EX = 1, EY = 2. Să se calculeze valoarea medie a v.a. 3(X + 1)Y + 5.
Solut, ie. Folosind proprietăt, ile valorii medii găsim că
E[3(X + 1)Y + 5] = E(3XY + 3Y ) + 5] = 3EXY + 3EY + 5 =

3EXEY + 3EY + 5 = 3 · 1 · 2 + 3 · 2 + 5 = 17.

Propozit, ia 2. (Formula de transport). a) Dacă g : R −→ R este o
funct, ie reală de o singură variabilă s, i X o v.a., astfel încât g(X) este o v.a
pentru care există Eg(X), atunci are loc următoarea formulă de calcul
 P


 g(xi )P (X = xi ), în caz discret,
i≥1
Eg(X) = +∞
R


 g(x)f (x)dx, în caz (absolut) continuu;
−∞
b) Dacă g : R2 −→ R este o funct, ie reală de două variabile s, i (X, Y ) o v.a.

bidimensională, astfel încât g(X, Y ) este o v.a. pentru care există Eg(X, Y ),
atunci are loc următoarea formulă de calcul
 PP


 g(xi , yj )P (X = xi , Y = yj ), în caz discret,
i≥1j≥1
Eg(X, Y ) = +∞
R +∞
R


 g(x, y)f (x, y)dxdy, în caz (absolut) continuu.
−∞−∞
Din această propozit, ie, drept caz particular al proprietăt, ii b), rezultă
următoarea
Consecint, ă. Daca v.a. bidimensională este dată de distribut, ia ei (în
caz discret) sau densitatea ei de distribut, ie (în caz absolut continuu), atunci
putem calcula valorile medii EX s, i EY conform formulelor:
 PP
 i≥1j≥1xi P (X = xi , Y = yj ), în caz discret,


EX = +∞
R +∞
R


 xf (x, y)dxdy, în caz (absolut) continuu;
−∞−∞
 PP


 yj P (X = xi , Y = yj ), în caz discret,
i≥1j≥1
EY = +∞
R +∞
R


 yf (x, y)dxdy, în caz (absolut) continuu;
−∞−∞
Remarca 2. Sensul s, i utilitatea formulei de transport rezidă în faptul

că, atunci când avem de-a face cu o v.a. privită ca o funct, ie g(X) de v.a.
X, indiferent de dimensionalitatea v.a. X, pentru calcularea valorii medii a
v.a. compuse g(X) nu este obligatorie cunoas, terea distribut, iei sau densităt, ii
ei de distribut, ie.
În plus, dacă v.a. X este de tip discret, atunci s, i v.a. g(X) va fi de tip
discret, dar dacă v.a. X este de tip (absolut) continuu, atunci v.a. g(X)
poate fi sau de tip discret sau de tip (absolut) continuu sau una de tip mixat
discret-continuu, aceasta în dependent, ă de specificul funct, iei g(·).
Exemplul 5. Considerăm o v.a. X dată de distribut, ia P (X = 0) = 1−p,
P (x = 1) = p, 0 < p < 1. Atunci, folosind formula de transport pentru
g(X) = X r , r ≥ 1, găsim că EX r = 0r · (1 − p) + 1r · p = p. Dealtfel,
anticipând, valorile de tipul EX r , dacă acestea există, se numesc momente
de ordinul r, valoarea medie EX devenind un caz particular pentru r = 1.
Exemlpul 6. Considerăm v.a. bidimensională (X, Y ) analizată în exem-
plul 2, p. 2.7., iar pentru g(x, y) = min(x, y), v.a. Z = min(X, Y ). Observăm
că v.a. (X, Y ) are d.d. f (x, y) = I[0,1]×[0,1] (x), prin urmare, folosind formula
de transport, găsim că
+∞
Z +∞
Z
EZ = E min(X, Y ) = min(x, y)f (x, y)dxdy =
−∞−∞
+∞
Z +∞
Z Z1 Z1
min(x, y)I[0,1]×[0,1] (x)dxdy = min(x, y)dxdy = 1/3.
−∞−∞ 0 0
Un alt parametru de pozit, ie utilizat este moda sau modul, acesta nefiind
un parametru care face parte din categoria parametrilor de tip momente.
Definit, ia 2. Vom numi modă a v.a. X numărul
xi0 : maxP (X = xi ) = P (X = xi0 ), în caz discret,

(
i≥1
mod(X) =
x0 :maxf (x) = f (x0 ), în caz (absolut) continuu .
x∈R
dacă acesta există, iar în cazul când mod(X) există s, i este unic, atunci spu-
nem ca distribut, ia {P (X = xi )}i≥1 sau d.d. f (x) a v.a. X este unimodală,
altfel, dacă mod(X) există s, i nu este unic, atunci spunem ca distribut, ia sau
d.d. a v.a. X este multimodală.
Exemplul 7. (Exemplu de d.d. unimodală). Considerăm v.a. X
dată de d.d. f (x) = √12π e−x /2 , pentru orice x ∈ R. Graficul d.d. f (x) din Fi-
2
gura 3 arată în mod evident că f (x) posedă o singură valoare a argumentului

x, x = 0 pentru care d.d să ia valoare maximală. Prin urmare mod(X) = 0.
Exemplul 8. (Exemplu de distribut, ie multimodală). Considerăm

v.a. X dată de distribut, ia P (X = 0) = P (X = 1) = 1/2. Conform definit, iei,
mod(X) ∈ {0, 1}, cu alte cuvinte distribut, ia în cauză este bimodală.
Un alt parametru de pozit, ie care nu face parte din categoria parametrilor
de tip momente de ordinul r este prezentat în
Definit, ia 3. Vom numi mediană a v.a. X numărul a determinat din
condit, ia că P (X ≤ a) ≥ 1/2 s, i totodată P (X ≥ a) ≥ 1/2. Mediana se
notează M ed(X).
Remarca 3. Spre deosebire de valoarea medie, mediana există întotdea-
una s, i, în caz discret, M ed(X) coincide cu acea valoare reală a pentru care
distribut, ia {P (X = xi )}i≥1 a v.a. X are proprietatea că
X X
P (X = xi ) ≥ 1/2 s, i P (X = xi ) ≥ 1/2,
i:x, ≤a i:xi ≥a
iar în caz (absolut) continuu, cu valoarea a pentru care d.d. f (x) a v.a. X
are proprietatea
Za +∞
Z
f (x)dx = 1/2, f (x)dx = 1/2.
−∞ a
Mai mult, în caz (absolut) continuu solut, ia este unică, deoarece f.d.
Zx
F (x) = f (u)du
−∞
este continuă s, i strict monoton crescătoare. Această proprietate arată că

valorile posibile ale v.a. X, pozit, ionate la stânga s, i la dreapta de mediana
ei, au aceeas, i masă (pondere) probabilistă. Dealtfel, folosind interpretarea

geometrică a integralei s, i faptul că în caz (absolut) continuu d.d. f (x) a v.a.
X posedă proprietatea
+∞
Z
f (x)dx = 1,
−∞
rezultă că aria figurii cuprinse între graficul d.d. f (x) s, i axa Ox de la −∞

până la M ed(X) coincide cu aria figurii cuprinse între graficul d.d. f (x)
s, i axa Ox de la M ed(X) până la +∞, ambele fiind egale cu 1/2. A se
vedea, în acest sens, v.a. X din exemplul 7 de mai sus, exemplu pentru
care M ed(X) = M od(X) = 0, graficul d.d f (x) = √12π e−x /2 confirmând
2
interpretarea noastră.
Exemplul 9 (O v.a. X pentru care mediana nu este unică).
Considerăm v.a. X ce coincide cu numărul de puncte apărute la aruncarea
unui zar "perfect" o singură dată. Atunci distribut, ia v.a. X fiind P (X =
i) = 1/6, i = 1, 6, rezultă că M ed(X) nu este unică deoarece inegalitile
X1 X1
≥ 1/2 s, i ≥ 1/2
i:i≤a
6 i:i≥a
6
au loc pentru orice 3 ≤ a ≤ 4.

Mediana reprezintă, la rândul ei, un caz particular a unei not, iuni mai
generale numite quantilă.
Definit, ia 4. Vom numi quantilă de ordinul α, pe scurt, α−quantilă a
v.a. X (sau α · 100% procentilă a distributiei/d.d. a v.a. X) acea valoare b
pentru care P (X ≤ b) ≥ α s, i totodată P (X ≥ b) ≥ 1 − α, unde 0 < α < 1.
Or, vedem că mediana coincide cu 0.5−quantila v.a. X (50% procentilă
a distribut, iei/d.d. a v.a. X). Ca s, i mediana, α−quantila întotdeauna există,
dar nu pentru orice v.a. este unică. s, i aici except, ie fac v.a. de tip absolut
continuu.
Probleme propuse.
1. Considerăm în calitate de v.a. X numărul de steme apărute la arun-
carea unei monede "imperfecte" pentru care probabilitatea aparit, iei stemei
este egală cu p, 0 < p < 1. Aflat, i valoarea ei medie.
2. Fie X o v.a. dată de distribut, ia P (X = k) = p(1−p)k−1 , k = 1, 2, 3, ...,
unde 0 < p < 1. Dealtfel, această distribut, ie descrie comportamentul pro-
babilist al numărului de aruncări a unei monede "imperfecte" (pentru care
probabilitatea aparit, iei stemei este egală cu p, 0 < p < 1) până la prima
aparit, ie a stemei. Aflat, i valoarea medie a v.a. X.
3. La Las Vegas, roata de ruletă are un 0 s, i un 00 s, i apoi numerele de la
1 până la 36 marcate la distant, e egale; roata este rotită s, i o bilă se opres, te
la întâmplare în dreptul unui număr. Când un jucător pariază 1 dolar pe un
anumit număr, el primes, te 36 de dolari dacă bila se opres, te la acest număr,
având, astfel, un câs, tig net de 35 de dolari; in caz contrar, el îs, i pierde pariul
în dolari. Aflat, i valoarea medie pentru câs, tigul său.
4. Íntr-o a doua versiune de ruletă la Las Vegas, un jucător pariază pe
ros, u sau negru. Jumătate din numerele de la 1 la 36 sunt ros, ii, iar jumătate
sunt negre. Dacă un jucător pariază un dolar pe negru s, i dacă bila se opres, te
pe un număr negru, atunci acesta îs, i primes, te dolarul înapoi s, i încă un dolar.
Dacă bila se opres, te pe un număr ros, u sau pe 0 sau 00, el îs, i pierde dolarul.
Găsit, i valoarea medie a câs, tigului jucătorului în această versiune a jocului.
5. În legătură cu aruncarea unui zar "perfect" de două ori succesiv con-
siderăm v.a. bi-dimensională (X, Y ), unde X reprezintă suma punctelor
apărute iar Y diferent, a lor (numărul de puncte apărute la primul zar mi-
nus numărul de puncte apărute la al doilea). Arătat, i că EXY = EXEY
s, i că X, Y sunt dependente. Cu alte cuvinte, reciproca proprietăt, ii e) din
Propozit, ia 1 nu este valabilă.
6. O companie de asigurare de viat, ă oferă unui bărbat în vârstă de 50 de
ani o valoare nominală de 1000 USD, pentru o polit, ă de asigurare de viat, ă
pe un an pentru o primă de 14 dolari. Tabelele de mortalitate standard
indică faptul că probabilitatea că un bărbat din această categorie de vârstă
să moară în cursul anului este egală cu 0.006. Care este valoarea as, teptată
(medie) a câs, tigului pentru fiecare polit, ă vândută de către această companie
de asigurări de viat, ă bărbat, ilor în vârstă de 50 de ani ?
7. Un mare producător auto efectuează sondaje trimestriale privind
satisfact, ia client, ilor care au achizit, ionat automobile noi în ultimii trei ani.
Proport, ia celor care nu au dat raspuns într-un trimestru dat este privită, din
punct de vedere matematic, ca fiind un rezultat al unei v.a. X cu densitatea
de distributie f (x) = 3x2 I[0,1] (x). Cu ce este egală, în medie, proport, ia celor
care nu au dat răspuns într-un trimestru dat? Dar mediana acestei proport, ii,
cu ce este egală?
8. Profitul unei firme este o v.a. de forma Π(X) = pq(X)−rX, unde X e o
v.a. ale carei valori posibile reprezintă cantitatea zilnică de marfă (exprimată
în kg), sub formă de produs agricol perisabil, furnizată firmei spre procesare,
unde p = 5 reprezintă pret, ul produsului procesat per kg, r = 2 este pret, ul
de cumpărare per kg de către firmă a mărfii, iar funct, ia q(x) = x0.9 arată
care este cantitatea de produs, rezultat în urma procesării unei cantităt, i x de
marfă. În presupunerea că X este o v.a. a carui comportament probabilist
este guvernat de densitatea de distribut, ie f (x) = 1+2x I
110 [0,10]
(x), aflat, i valoarea
medie a profitului zilnic.
9. O firmă producătoare de calculatoare vinde calculatoare cu o garant, ie
de 3 ani, ce constă în înlocuirea calculatorului cu unul nou dacă în acest
rastimp iese din funct, iune memoria hard. Presupunem că durata viet, ii me-
moriei hard, exprimată în ani, este o v.a. X cu densitatea de distribut, ie
f (x) = 0.005e−0.005x I[0,+∞) (x). a) Cu ce este egală probabilitatea că memo-
ria hard a unui astfel de calculator va avea o durată de viat, a de cel mult 3 ani;
b) Calculat, i durata medie a funt, ionalităt, ii memoriei hard pentru un astfel
de calculator; c) Calculat, i mediana v.a. X; d) Este oare v.a. X unimodală
sau multimodală?
10. Presupunem că durata viet, ii unui bec electric de tip Super Light este
o v.a. X dată de densitatea de distribut, ie f (x) = λ2 xe−λx I[0,+∞) (x) cu λ =
0.05. Aflat, i durata medie a viet, ii a acestui tip de bec electric.
11. Dealerul unei firme de vânzare a autoturismelor este specializat în
vânzarea a două mărci de mas, ini de teren: Range Rover si Dacia Duster.
Numărul de autoturisme vândute săptămânal, corespunzător acestor mărci,
reprezintă o realizare a unei v.a. bidimensionale (X, Y ) guvernată de urmă-
toarea distribut, ie probabilistă în ansamblu:
X/Y 0 1 2 3 4
0 0.20 0.15 0.075 0.05 0.03
1 0.10 0.075 0.04 0.03 0.02
2 0.05 0.03 0.02 0.01 0.01
3 0.04 0.03 0.02 0.01 0.01
La salariul sau de 100 USD săptămânal dealerul mai încasează prime a

câte 200 USD pentru fiecare mas, ină Range Rover vândută s, i 100 USD pentru
fiecare mas, ină Dacia Duster vândută.
a) Sunt oare v.a. X s, i Y independente?
b) Aflati valoarea medie a comisionului săptămânal încasat de dealer pen-
tru vânzarea autoturismelor. Dar valoarea totală a plat, ii incasate de dealer
saptămânal pentru activitatea sa de vânzător auto cu ce este egală?
c) Aflati valoarea medie a comisionului săptămânal încasat de dealer pen-
tru vânzarea autoturismelor Range Rover. Dar valoarea medie a comisionului
săptămânal încasat de dealer pentru vânzarea autoturismelor Dacia Duster

cu ce este egală?
3.2. Dispersia (variant, a), abaterea standard, covariant, a,

coeficientul de corelat, ie, regresie liniară
Vom începe cu un exemplu care demonstrează necesitatea întroducerii

unui parametru sau a unei caracteristici numerice a v.a. X pentru a măsura
gradul de împrăs, tiere a valorilor ei individuale în jurul unui parametru de
pozit, ie cum ar fi, de exemplu, valoarea medie a v.a. X.
Exemplul 1. Din câte se s, tie, nu există aparate de măsurare absolut
exacte, rezultatele măsurărilor fiind influient, ate de o mult, ime de factori (tem-
peratura, umiditatea mediului înconjurător, materialul din care este produs
aparatul, cine este producătorul, etc.). Or, modelele matematice corespun-
zătoare sunt de natură probabilistă. Considerăm, de pildă, că v.a. X, ce
reprezinta rezultatul unei măsurări executate cu un aparat de măsurare, este
dată de distribut, ia

a−ε a a+ε
X: , 0 < p < 1,
(1 − p)/2 p (1 − p)/2
a fiind valoarea exactă a mărimii măsurate, iar ε > 0, eroarea de măsurare.
Valoarea medie a v.a. X este egală cu
1−p 1−p
EX = (a − ε) · + a · p + (a + ε) · = a.
2 2
Cu alte cuvinte, un astfel de aparat ne arată "în medie" valoarea exactă a
mărimii măsurate, dar această constatare nu ne ajută cu nimic la caracte-
rizarea calităt, ii aparatului nostru de măsurat. Not, iunea următoare vine să
compenseze această lacună.
Definit, ia 1. Vom numi dispersie sau variant, ă a v.a. X numărul DX =
E(X − EX)2 , dacă această valoare medie există, bineînt, eles.
Exemplul 1 (Continuare). În exemplul nostru pentru a calcula
dispersia v.a. X putem folosi Formula de transport din p.3.1 s, i faptul că
DX = Eg(X), unde g(x) = (x − EX)2 = (x − a)2 . Prin urmare
1−p 1−p
DX = (a − ε − a)2 · + (a − a)2 · p + (a + ε − a)2 · = ε2 · (1 − p).
2 2
Distribut, ia v.a. X arată că instrumentul corespunzător de măsurare este

cu atât mai bun cu cât valoarea erorii de măsurare ε este mai mică, iar
probabilitatea p = P (X = a) este mai aproape de 1, dar aceasta are loc
atunci s, i numai atunci când valoarea dispersiei este mai aproape de 0. Cu
alte cuvinte, cu cât dispersia este mai mică, cu atât este mai mic gradul
de împrăs, tiere a valorilor individuale ale v.a. X fat, ă de valoarea ei medie
EX = a.
Pentru a simplifica, uneori, calculul dispersiei este utilă
Propozit, ia 1. Dispersia v.a. X poate fi calculată după formula
DX = EX 2 − (EX)2 .
Exemplul 2. Calculat, i dispersia v.a. X dată de d.d. f (x) = I[0,1] (x),

adică X fiind uniform distribuită pe [0, 1].
Solut, ie. Deoarece,
Z1 Z1
2
EX = xdx = 1/2, EX = x2 dx = 1/3,
0 0
rezultă DX = EX 2 − (EX)2 = 1/3 − (1/2)2 = 1/12.

Remarca 1. Din definit, ia dispersiei v.a. X desprindem, că dispersia nu
are aceeas, i unitate de masură ca s, i v.a. X sau valoarea ei medie. Astfel, în
exemplul 1, dacă X se masoară în cm valoarea ei medie se masoară, la fel,
în cm, dar dispersia ei se masoară în cm2 . Not, iunea introdusă în definit, ia
următoare păstrează calităt, ile dispersiei ca masură a gradului de împrăs, tiere,
dar este, în schimb, exprimată în aceeas, i unitate de măsură ca s, i v.a.√X.
Definit, ia 2. Vom numi abatere standard a v.a. X numărul σ = DX.
La calcularea dispersiei, prin urmare si a abaterii standard, sunt utile
proprietăt, ile dispersiei centralizate in
Propozit, ia 2. Dispersia posedă următoarele proprietăt, i:
a) DX ≥ 0, iar DX = 0, atunci s, i numai atunci, cănd P (X = EX) = 1;
b) Dacă există dispersia DX a v.a., atunci pentru orice a,b ∈ R există
dispersia v.a. aX ± b s, i D(aX ± b) = a2 DX;
c) Dacă există dispersiile DX s, i DY ale v.a. X s, i Y , atunci există
dispersia v.a. X ± Y s, i
D(X ± Y ) = DX + DY ± 2 · E(X − EX)(Y − EY );

d) Dacă v.a. X s, i Y sunt independente s, i există dispersiile lor DX s, i

DY , atunci există dispersia v.a. X ± Y s, i
D(X ± Y ) = DX + DY .
Definit, ia 3. Vom numi covariant, ă a două v.a. X s, i Y numărul Cov(X, Y )

= E(X − EX)(Y − EY ). Dacă această valoare medie există, atunci din For-
mula de Transport rezultă ca ea poate fi calculată după formula
PP
(xi − EX)(yj − EY )P (X = xi , Y = yj ), în caz


i≥1j≥1



 discret, {P (X = xi , Y = yj )}i,j≥1 fiind distrib. v.a. (X, Y );

Cov(X, Y ) == +∞
R +∞R


 (x − EX)(y − EY )f (x, y)dxdu, în caz (absolut)
 −∞−∞


continuu, f (x, y) fiind d.d. a v.a. (X, Y ).
Din definit, ia covariant, ei, dar s, i din pp. c)-d) ale Propozit, iei 2, deducem
următoarea
Consecint, ă. a) Dacă există Cov(X, Y ), atunci aceasta poate fi calculată
după formula
Cov(X, Y ) = EXY − EXEY ;
b) Dacă v.a. X s, i Y sunt independente atunci Cov(X, Y ) = 0.
Remarca 2. Reciproca afirmat, iei b) din Consecint, ă nu are loc, as, a cum
arată s, i următorul
Contraexemplu (Două v.a. de covarint, ă nula, dar dependente).
Considerăm v.a. X, Y independente cu valorile medii EX=EY =0 s, i pentru
care există EX 2 .
Atunci v.a. Z = XY , fiind dependentă de v.a. X, va avea EZ = EXY =
EXEY = 0, dar aceste două v.a. X s, i Z au, totus, i,
Cov(X, Z) = E(X−EX)(Z−EZ) = EXZ = EX 2 Y = EX 2 EY = EX 2 ·0 = 0.
Concluzie. Consecint, a formulată mai sus, împreună cu contraexemplul

nostru, arată, de fapt, că orice două v.a. X, Y care au Cov(X, Y ) ̸= 0 sunt
dependente.
Propozit, ia 3 (Inegalitatea Cauchy-Buniakovschi ). Dacă există dis-
persiile DX s, i DY ale v.a. X s, i Y , atunci există Cov(X, Y ) s, i are loc
inegalitatea √
|Cov(X, Y )| ≤ DXDY .
Exemplul 1, p.2.6 (Continuare). As, a cum am văzut, v.a. (X, Y ),

unde X reprezintă indicatorul parităt, ii sumei punctelor apărute, iar Y - indi-
catorul parităt, ii produsului punctelor apărute la aruncarea unui zar "perfect"
de două ori succesiv, are distribut, ia (în ansamblu)
X\Y 0 1
0 0 1/2
1 1/4 1/4
cu distribut, iile marginale

0 1 0 1
X: ,Y : .
1/2 1/2 1/4 3/4
Atunci,
√
EX = 1/2, DX = 1/4, σX = 1/2, EY = 3/4, DY = 3/16, σY = 3/4,
iar
EXY = 0 · 0 · P (X = 0, Y = 0) + 0 · 1 · P (X = 0, Y = 1) +
+1 · 0 · P (X = 1, Y = 0) + 1 · 1 · P (X = 1, Y = 1) = 1/4
Cov(X, Y ) = EXY − EXEY = 1/4 − (1/2)(3/4) = −1/8.

Inegalitatea Cauchy-Buniakovschi se verifică cu us, urint, ă:
√
|Cov(X, Y )| = 1/8 = 0.125 ≤ σX σY = 3/8 = 0.216 51.
În altă ordine de idei, la sfârs, itul p.2.7, am arătat, reies, ind din definit, ia
independent, ei (dependent, ei) v.a., ca v.a. X, Y din exemplul de mai sus
sunt dependente, dar acelas, i lucru rezultă s, i din faptul că Cov(X, Y ) ̸=
0. Într-adevar, presupunem contrariul, că X, Y sunt independente. Atunci,
drept consecint, ă, Cov(X, Y ) = 0. Dar în exemplul nostru Cov(X, Y ) =
−1/8. Contradict, ie, ce arată că nenulitatea covariant, ei a două v.a. poate
fi considerată o condit, ie suficientă, dar nu s, i necesară (vezi contraexemplul
de mai sus) ca acestea să fie dependente. Doar atât, nu putem, însă, spune
nimic despre gradul lor de dependent, ă sau asociere. În acest scop serves, te
not, iunea din
Definit, ia 4. Vom numi coeficient de corelat, ie a două v.a. X s, i Y

numărul
Cov(X, Y ) Cov(X, Y )
ρ(X, Y ) = √ = .
DXDY σX σY
.
As, a cum arată Inegalitatea Cauchy-Buniakovschi, coeficientul de corelat, ie
există, deîndată ce există dispersiile DX, DY . Mai mult, din acees, i inegalitate
s, i consecint, a de mai sus rezultă
Propozit, ia 4. Coeficientul de corelat, ie ρ(X, Y ) a două v.a. X s, i Y are
proprietăt, ile:
a) Dacă v.a. X s, i Y sunt independente, atunci ρ(X, Y ) = 0;
b) −1 ≤ ρ(X, Y ) ≤ 1.
−1/8
În exemplul de mai sus ρ(X, Y ) = Cov(X,Y
√
DXDY
)
= √ 3/8
= −0.577 35. Despre
ce fel de dependent, ă s, i în ce grad putem vorbi în baza valorii acestea? Pen-
tru a putea răspunde la această întrebare luăm, pentru comparat, ie, cazul
dependent, ei liniare: Y = aX + b, care se mai numes, te regresie liniară, unde
a, b ∈ R, a ̸= 0. Cum DY = a2 DX,
Cov(X, Y ) = EXY − EXEY = EX(aX + b) −

−EX(aEX + b) = a[EX 2 − (EX)2 ] = aDX,
rezultă că

Cov(X, Y ) aDX a 1, dacă a > 0,
ρ(X, Y ) = √ =p = =
DXDY a2 (DX)2 |a| −1, dacă a < 0.
As, adar, dacă v.a. Y depinde liniar de v.a. X, atunci |ρ(X, Y )| = 1. Impor-
tant e că are loc s, i reciproca acestei afirmat, ii. Ma exact, are loc
Propozit, ia 5. Coeficientul de corelat, ie |ρ(X, Y )| = 1, atunci s, i numai
atunci când există a, b ∈ R, a ̸= 0, astfel încât probabilitatea P (Y = aX+b) =
1.
Remarca 3. Dacă ρ(X, Y ) = 1, atunci regresia liniară este pozitivă,
deoarece în acest caz coeficientul a > 0, ceea ce atrage după sine cres, terea
lui Y odată cu cresterea lui X s, i invers, dacă ρ(X, Y ) = −1, atunci regresia
liniară este negativă, deoarece în acest caz coeficientul a < 0, ceea ce atrage
dupa sine descres, terea lui Y odată cu cresterea lui X.
În concluzie, dacă revenim la exemplul nostru de mai sus, faptul ca
ρ(X, Y ) = −0.577 35 arată, că regresia dintre Y s, i X este neliniară.
Are loc următoarea
Teoremă (Predict, ia liniară cea mai bună pentru valoarea posibilă

a v.a. Y ). Dacă v.a. X s, i Y posedă, cel put, in, momentele init, iale de ordinul
2, atunci există două valori a, b ∈ R, a = cov(X, Y )/DX, b = EY − aEX,
pentru care valoarea medie a patratului distant, ei dintre Y s, i Yb = aX + b,
fiind egală cu E(Y − Yb )2 = E[Y − (aX + b)]2 , ia valoarea cea mai mică.
Exemplu 3. Pret, ul X în Euro per litru al combustibilului s, i al cantităt, ii
Y de combustibil exprimat în mii de tone vândute de către o companie de
carburant, i într-o zi pot fi modelate, din punct de vedere matematic ca fiind
o v.a. (X, Y ) guvernată de o legitate probabilistă dată de densitatea de
distribut, ie
f (x, y) = 2xe−xy I[0.5,1] (x)I(0,+∞) (y).
a) Determinat, i predict, ia liniară cea mai bună pentru cantitatea Y în
funct, ie de pret, ul X;
b) Cu ce va fi egală cantitatea medie de combustibil vândut dacă pret, ul
combustibilului este dat de valoarea x = 0.95 Euro?
c) Care va fi suma medie în euro a încasării zilnice pentru combustibilul
vândut?
Solut, ie. Calculăm, mai întâi, valorile necesare pentru a determina
coeficien-t, ii a, b care definesc predict, ia liniară cea mai buna.
+∞
Z +∞
Z Z1 +∞
Z
EX = xf (x, y)dxdy= x · 2xe−xy dxdy =
−∞−∞ 0.5 0
Z1 Z1
−1
2x ( e−xy |+∞
2
0 )dx = 2xdx = x2 |10.5 = 1 − 0.25 = 0.75.
x
0.5 0.5
+∞
Z +∞
Z Z1 +∞
Z
EX = 2 2
x f (x, y)dxdy= x2 · 2xe−xy dxdy = 0.583333.
−∞−∞ 0.5 0
DX = EX − (EX) = 0.583333 − 0.752 ≃ 0.021.

2 2
+∞
Z +∞
Z Z1 +∞
Z
EY = yf (x, y)dxdy= y · 2xe−xy dxdy =
−∞−∞ 0.5 0
+∞
 
Z Z1 +∞
Z
2y  xe−xy dx dy = 2y(1 − e−xy ) |1x=0.5 dy ≃ 1.39
0 0.5 0
+∞
Z +∞
Z Z1 +∞
Z
EXY = xyf (x, y)dxdy= xy · 2xe−xy dxdy = 1
−∞−∞ 0.5 0
Cov(X, Y ) = EXY − EXEY ≃ 1 − 0.75 · 1.39 = −0.0425

Prin urmare:
a) Din Teorema anterioară deducem ca a=cov(X, Y )/DX=−0.0425/0.021=
−2. 023 8, iar b=EY − aEX ≃ 1.39 − ((−0.0425)/0.021) × 0.75=2. 907 9. Prin
urmare cea mai bună predict, ie liniară pentru v.a. Y în funct, ie de X este v.a.
Yb = aX + b = −2.0238X + 2.9079.
b) Atunci când pret, ul X = 0.95 Euro/litru predict, ia cantităt, ii zilnice
de combustibil vândut Yb = −2.0238 × 0.95 + 2.9079 = 0.985 29 mii tone de
combustibil;
c) Suma medie în euro a încasării zilnice pentru combustibilul vândut
conform predict, iei va fi egală cu
E(X × (1000)2 Yb ) = (1000)2 EX Yb = (1000)2 E(2.9079X − 2.0238X 2 ) =
(1000)2 ×(2.9079EX − 2.0238EX 2 ) =
(1000)2 ×(2.9079 × 0.75 − 2.0238×0.583333) = 1. 000 4 × 106 Euro.
Probleme propuse.
1. În condit, iile problemelor 1 − 4, 6 − 10 din lista de Probleme propuse în
paragraful anterior, calculat, i s, i dispersia v.a. abordate la calcularea valorii
medii.
2. Un joc de noroc este considerat ca fiind unul "echitabil" sau "corect"
daca valoarea medie a sumei câs, tigate de către jucător este nulă. Să se
verifice dacă următorul joc este "echitabil" s, i să se calculeze dispersia sumei
câs, tigate. Jocul constă în următoarele: jucătorul aruncă o perche de zaruri
"perfecte", plătind suma de N unităt, i monetare (u.m.). Dacă suma punctelor
apărute este egală cu 7 sau 11, atunci jucătorului i se returnează suma egală
cu N u.m., plus o suma în valoare de 2N u.m., în caz contrar jucătorul pierde
suma introdusă.
3. Fie X un număr ales la întâmplare din mult, imea de numere {−1, 0, 1}.
Calculat, i valorea medie, dispersia s, i abaterea standard a v.a. X.
4. Considerăm v.a. X pentru care valorea medie EX = 100 s, i abaterea

standard σ = 15. Aflat, i cu ce sunt egale valorile: a) EX 2 ; b) E(3X + 10);
c) E(−X); d) DX; e) D(3X + 10); f) D(−3X − 10); g) D(3X − 10).
5. Un sondaj statistic organizat de către guvern interoga populat, ia pri-
vind proiectul de construire a unei stat, ii electrice atomice, având la bază un
es, antion ce includea 2400 de persoane alese la întâmplare. Drept rezultat au
fost înregistrate 40% de raspunsuri favorabile, restul fiind nefavorabile. Aflat, i
dispersia si abaterea standard pentru numarul S2400 ce coincide cu numărul
persoanelor incluse în es, antion care s-au exprimat in favoarea construirii unei
stat, ii atomice.
√ 5. Este dată o v.a. X cu valorea medie EX = µ s, i abaterea standard
DX = σ. Construim o nouă v.a. Y = (X − µ)/σ numită normare sau
standardizare a v.a. X. Arătat, i că EY = 0 iar DY = 1.
6. Considerăm două v.a. X, Y independente, identic distribuite cu d.d.
f (x) = I[0,1] (x). Introducem v.a. Z = X + Y s, i W = X − Y . Calculat, i
coeficient, ii de corelat, ie: a) ρ(X, Y ); b) ρ(X, Z); c) ρ(Y, W ); d) ρ(Z, W ).
7. Pret, ul estimativ X exprimat in USD s, i cantitatea totală Y de pi-
xuri de o anumită marcă realizată într-o ret, ea de magazine de speciali-
tate, având ca unitate de măsură 10000 de pixuri, pe durata unei anu-
mite perioade de vânzare, reprezintă o v.a. bidimensională (X, Y ) cu d.d.
f (x, y)=10xe−ps I[0.20,20] (x)I[0,+∞] (y).
a) Determinat, i cea mai buna predict, ie liniară Yb pentru cantitatea Y în
funct, ie de pret, ul X;
b) Cu ce va fi egală cantitatea medie de pixuri vândute daca pret, ul unui
pix este dat de valoarea x = 0.12 USD?
c) Cu ce va fi egală valoarea medie în USD a încasării totale pentru
vânzările de pixuri pentru perioada dată, i.e., valoarea E(10000X Yb ) USD.
3.3. Momente ale variabilei aleatoare (init, iale, centrale),

asimetria, boltirea (aplatizarea)
Atunci când sunt puse în discut, ie astfel de aspecte ca tendint, a centrală,

gradul de împrăs, tiere a unei v.a. X , forma distribut, iei sau d.d. a acestei
v.a., dar s, i în cadrul aplicării unor proceduri statistice, sunt utile nu numai
valoarea medie s, i dispersia, dar s, i valorile medii ale v.a. X r sau (X − EX)r ,
calculate s, i pentru valori ale lui r diferite de 1 sau de 2. Toate aceste valori
medii poartă denumirea de momente, cu ele întâlnindu-ne în exemplul 5,
p.3.1. După cum vom vedea, deosebim momente init, iale s, i momente centrale
conform cu
Definit, ia 1. Vom numi moment init, ial de ordinul r ≥ 0 a v.a. X
numărul αr = EX r , dacă această valoare medie există, bineînt, eles.
Definit, ia 2. Vom numi moment central de ordinul r ≥ 0 a v.a. X
numărul µr = E(X − EX)r , dacă această valoare medie există, bineînt, eles.
Observăm ca α0 = µ0 = 1, iar α1 = EX, µ1 = 0, µ2 = DX. În plus, atunci
când αr , µr există, aplicarea Formulei de transport conduce la următoarele
formule de calcul direct, care în cazul discret, adică în cazul când v.a. este
dată de distribut, ia {P (X = xi )}i≥1 , sunt formulele
X X
αr = xri P (X = xi ), µr = (xi − EX)r P (X = xi ),
i≥1 i≥1
iar în cazul (absolut) continuu, adică în cazul când v.a. este dată de d.d.
f (x), sunt formulele
+∞
Z +∞
Z
r
αr = x f (x)dx, µr = (x − EX)r f (x)dx.
−∞ −∞
În loc de formula directă, la calcularea momentelor centrale, devine utilă

formula ce exprimă legătura dintre momentele init, iale s, i cele centrale din
Propozit, ia 1 (Momentele centrale ca funct, ie de momentele init, iale).
Dacă pentru valoarea r ∈ {1, 2, ..., n, ...} există momentul central µr de or-
dinul r al v.a. X , atunci
r
X
µr = (−1)i Cir αi αr−i .
i=0
Privitor la existent, a momentelor este utilă s, i

Propozit, ia 2. Dacă, pentru r > 0, există momentul init, ial EX r , res-
pectiv, momentul central E(X − EX)r , atunci pentru orice s ∈ [0, r] există
momentul init, ial EX s , respectiv, momentul central E(X − EX)s .
Exemplul 1. Presupunem că pentru v.a. X există momentul central de
ordinul r = 4 . Atunci, din propozit, iile 1,2 rezultă că există s, i momentele
init, iale s, i centrale de ordinele 1, 2, 3 s, i
µ1 = α1 ,
µ2 = α2 − α12 ,
µ3 = α3 − 3α1 α2 + 2α13 ,
µ4 = α4 − 4α1 α3 + 6α12 α2 − 3α14 .
Aceste din urmă formule sunt cele care se aplică cel mai des în Statistică,
mai ales în Statistica Descriptivă, pentru a calcula, în baza datelor statistice
cei doi parametri ce descriu forma distributiei sau d.d. a v.a. (caracteristicii
statistice) X: coeficientul de asimetrie si coeficientul de aplatizare (boltire).
Definit, ia 3. Vom numi coeficient de asimetrie a distribut, iei/d.d. a v.a.
X numărul As(X) = µ3 /σ 3 , unde µ3 este momentul central de ordinul 3, iar
σ abaterea standard a v.a. X, dacă µ3 există, bineînt, eles. Vom spune că
distribut, ia/d.d. v.a. X este: simetrica dacă As(X) = 0 sau (µ3 = 0), positiv
asimetrică dacă As(X) > 0 sau (µ3 > 0), negativ asimetrică dacă As(X) < 0
sau (µ3 < 0).
Exemplul 2 (O v.a. cu d.d. simetrică). Astfel, v.a. X (standard
x 2
normal distribuită) cu d.d. f (x) = √1 e− 2
2π
este simetrică. A se vedea gfafi-
x2 x2
cul acestei d.d. în exemplul 8, p.3.1. Mai mult, funct, iile √1 e− 2
2π
, √1 x3 e− 2
2π
fiind funct, ii impare pe domeniul (−∞, +∞), rezultă că
+∞
Z +∞
Z
1 x2 1 x2
EX = x √ e− 2 dx = 0, µ3 = √ x3 e− 2 dx = 0,
2π 2π
−∞ −∞
ceea ce înseamnă că As(X) = 0. Apropo, în acest exemplu EX = M ed(X) =

M od(X) = 0.
Pentru caracterizarea formei distribut, ii/d.d. a unei v.a., în afară de coe-
ficientul de asimetrie, se mai foloses, te si coeficientul de boltire (aplatizare).
Definit, ia 4. Vom numi coeficient de boltire (aplatizare) a distribut, iei /
d.d. a v.a. X numărul Ap(X) = µ4 /σ 4 , unde µ4 este momentul central de
ordinul 4, iar σ abaterea standard a v.a. X, dacă µ4 există, bineînt, eles.
Exemplul 2 (Continuare). Pentru v.a. X (standard normal distribu-
ită), folosind formula integrării prin părt, i, găsim că momentele centrale de
ordinele 2 s, i 4 sunt egale, respectiv, cu
+∞
Z +∞
Z
1 x2 1 x2
µ2 = DX = √ x2 e− 2 dx = 1, µ4 = √ x4 e− 2 dx = 3.
2π 2π
−∞ −∞
Prin urmare abaterea standard a v.a. X (acum putem spune, a v.a. standard
normal distribuită cu media 0 s, i dispersia 1) este egală cu 1, iar coeficientul
de aplatizare Ap(X) =µ4 /σ 4 = 3.
Remarca 1. Comparând definit, ia coeficientului de boltire s, i faptul, că
pentru distribut, ia normală cu media 0 s, i dispersia 1, acesta este egală cu 3,
deacum înainte gradul de boltire a distribut, iei/d.d. se va compara cu gradul
de boltire a d.d. a unei v.a. standard normal distribuite, spunând ca boltirea
unei d.d. e negativă, dacă µ4 /σ 4 < 3, adică boltirea ei e mai mică (graficul ei
este mai plat) decât boltirea d.d. a v.a. standard normal distribuite cu media
0 s, i dispersia 1,ori că boltirea unei d.d. e pozitivă, dacă µ4 /σ 4 > 3, adică
boltirea ei e mai mare (graficul ei este mai ascut, it) decât boltirea d.d. a v.a.
standard normal distribuite cu media 0 s, i dispersia 1.
Exemplul 3 (V.a. cu d.d. pozitiv asimetrică în diverse variante
de boltire (aplatizare). Considerăm v.a. X cu d.d.
x(n−2)/2 exp(−x/2)
fχ2 (n) (x) = n · I[0,+∞) (x),
2 2 Γ( n2 )
+∞
unde Γ(u) = xu−1 e−x dx este funct, ia gamma.
R
0
Modelul acesta, adică d.d., coincide cu d.d. a v.a. X12 + X22 + ... + Xn2 ,
unde X1 , X2 , ..., Xn sunt variabile aleatoare, independente, identic distribuite
(v.a.i.i.d.) normal, cu media 0 s, i dispersia 1, d.d. ce poartă denumirea de
distribut, ie Hi-patrat cu n grade de libertate ( χ2 (n)). Conform cărt, ii Forbes
C., Evans M., et alls, Statistical Distributions, Ed. John Willey&Sons, USA,
2010, EX = n, DX = 2n, M ed(X) ≃ n − 32 , M od(X) = n − 2, pentru
3/2
n ≥ 2, coeficientul de asimetrie As(X)= 2√n , coeficientul de aplatizare Ap(X)
=3 + 12/n. Iată cum arată pe unul s, i acelas, i grafic d.d. Hi-patrat pentru
valorile parametrului n=4, 10, 20.
Or, din grafice se vede cum arată d.d. pozitiv asimetrică. Cum 0 <
3/2
As(X)= 2√n −→ 0, Ap(X) =3 + 12/n −→ 3, se vede cum graficul d.d. tinde
n→∞ n→∞
să devină simetric, gradul de aplatizare apropiindu-se de cel al d.d. normale.
Cu alte cuvinte, odată cu cres, terea numărului gradelor de libertate ν d.d.
Hi-patrat se aproape de d.d. normală, lucru folosit pe larg in Statistica
Matematică.
În opozit, ie cu asimetria pozitivă, devine clar cum arată grafic o distribut, ie
/d.d. negativ asimetrică.
Remarca 2. Exemplele aduse mai scot în evident, ă următoarele situat, ii:
a) dacă distribut, ia/d.d. este simetrică (As(X) = 0), atunci M od(X) =

M ed(X) = EX;
b) dacă distribut, ia/d.d. este pozitiv asimetrică (As(X)>0), atunci M od(X)
< M ed(X) < EX;
c) dacă distribut, ia/d.d. este negativ asimetrică (As(X)<0), atunci EX
< M ed(X) < M od(X).
Probleme propuse.
1. Pentru următoarele v.a. date de distribut, ia probabilistă sau d.d.
determinat, i dacă există valoarea medie, dispersia. În plus, aflat, i modul,
mediana s, i stabilit, i care distribut, ie este simetrică:
a) P (X = x) = Cx4 (0.2)x (0.8)4−x I{0,1,2,3,4} (x);
b) f (x) = 3x2 I[0,1] (x);
c) f (x) = 2x−3 I[1,+∞) (x);
d) f (x) = [π(1 + x2 )]−1 I(−∞,+∞) (x).
2. Primele trei momente init, iale ale v.a. X sunt egale cu α1 = 0.5,
α12 = 0.5, α3 = 0.75.
a) Determinat, i primele trei momente centrale µi , i = 1, 3, ale v.a X;
b) Stabilit, i dacă distributia/d.d. este asimetrică. De ce da sau de ce nu?
116 Modele (distribut, ii, d.d.) probabiliste uzuale. . .
Matematica este arta de a da lucru-

rilor diferite unul s, i acelas, i nume.
Henri Poincare (1854-1912)
Capitolul 4. Modele (distribut, ii, d.d.) probabiliste

uzuale, inegalităt, i, Legea Numerelor Mari, Teorema
Limită Centrală
▲ Descrierea celor mai des utilizate modele probabiliste atât în caz discret
cât s, i în caz (absolut) continue.
▲ Expunerea s, i folosirea inegalităt, ilor Markov s, i Cebyshev la evaluarea
probabilităt, ilor, apelând doar la valoarea medie s, i dispersie.
▲ Expunerea Legii Numerilor Mari în variantele ei uzuale, formularea
Teoremei Limite Centrale s, i a consecint, elor ei.
să s, tie cele mai relevante modele probabiliste discrete s, i continue.
să fie capabil să folosească inegalităt, ile Markov s, i Cebyshev la evaluarea

probabilităt, ilor;
să det, ină abilităt, i de aplicare a Legii Numerelor Mari s, i a Teoremei

Limite Centrale in prelucrarea datelor statistice.
Cuvinte-cheie:
Distribut, iile Uniformă discretă, Bernoulli, Binomială, Geometrică, Po-

isson, Multinomială, Hypergeometrică, Hipergeometrică Multivariată, Uni-
formă continuă, Exponent, ială, Normală, Hi-patrat (χ2 ), T -Student, Inegalită-
t, ile Markov, Chebyshev, Legea Numerelor Mari (formele Cebyshev, Berno-
ulli, Hincin), Teorema Limită Centrală.
4.1. Distribut, ii probabiliste uzuale in caz discret (Uniformă,

Bernoulli, Binomială, Geometrică, Poisson, Multinomială, Hyper-
geometrică, Hipergeometrică Multivariată)
Deoarece distribut, ia în caz discret sau d.d. a v.a. în caz (absolut) con-
tinuu reprezintă, de fapt, adevărate modele matematice ale unor variabile
aleatoare ce prezintă interes din punct de vedere practic noi vom scoate în
evident, ă câteva dintre cele mai răspândite modele probabiliste.
Distribut, ia Uniformă (caz discret).
Definit, ia 1. Vom spune că v.a. X este distribuită uniform pe mult, imea

de valori posibile {0,1, 2, ..., N }, pe scurt X ∼ U {0,1, 2, ..., N }, dacă
probabilităt, ile
1
P (X = k) = , k = 0, 1, ..., N,
N +1
numărul N având rol de parametru, unde N este un număr întreg nenegativ.
Se arată că dacă X ∼ U {0,1, 2, ..., N }, atunci EX=N/2, DX=(N 2 −
1)/12, µ3 =0.
Analogic, vom spune că X ∼ U {1, 2, ..., N }, dacă P (X = k) = N1 , k = 1,
..., N sau X ∼ U {a1 , a2 , ..., aN }, P (X = ak ) = N1 , k = 1, ..., N , unde a1 , a2 ,
..., aN ∈ R, a1 < a2 < ...< aN , iar parametrul N este un număr întreg pozitiv.
Remarca 1. Din punct de vedere matematic distribut, ia uniformă mo-
delează, de exemplu, alegerea la întâmplare a unui element din multimea de
N elemente diferite. Experimentele aleatoare de acest gen pot fi simulate s, i
pe calculator deoarece orice limbaj de programare evoluat (C++ , Java, etc.)
are în biblioteca sa de funct, ii program funct, ia random, corespunzătoare ca-
zului discret, accesarea căreia are drept rezultat generarea unui număr ales
la întâmplare din mult, imea {0,1, 2, ..., N }. Acest model este utilizat s, i în
Sondajele Statistice, atunci când se urmăres, te ca valoarea inclusă în es, antion
dintr-o Populat, ie Statistică să fie aleasă aleator.
Exemplul 1. Presupunem ca un PC constă din N blocuri, calculatorul
ies, ind din funct, iune deîndată ce iese din funct, iune unul din blocuri, ies, irea
simultană din funct, iune a două sau mai multe calculatoare fiind exclusă. De-
panatorul de calculatoare verifică, luând la intâmplare, unul după altul, câte
un bloc, pană când va depista blocul defectat. Cu ce este egală probabilitatea
că depanatorul va depista blocul defectat la încercarea cu numărul de ordine
k, k = 1, 2, ..., N.
Solut, ie. Întroducem evenimentele aleatoare Ak = {depanatorul va de-

pista blocul defectat la încercarea cu numărul de ordine k}, k = 1, 2, ..., N .
Considerăm v.a. X=numărul de ordine al încercării la care va fi depistat
blocul defect, unde X ∈ {1, 2, ..., N }. Atunci,
P (X=1)=P (A1 )= N1 ,
P (X=2)=P (A1 A2 )=P (A1 )P (A1 /A2 )= NN−1 N1−1 = N1 ,
...,
P (X=N )=P (A1 A2 ...AN −1 AN ) )=
=P (A1 )P (A2 / A1 )P (A3 / A1 A2 )...P (AN / A1 A2 ...AN −1 ) =
= NN−1 N −2 N −3
N −1 N −2
... N −(N
1
=1.
−1) N
În concluzie, v.a. X ∼ U {1, 2, ..., N }.
Distribut, ia Bernoulli.
Definit, ia 2. Vom spune că v.a. X este distribuită Bernoulli cu parame-

trul p, 0 ≤ p ≤ 1, pe scurt X ∼ Bernoulli(p), dacă mult, imea ei de valori
posibile este {0,1}, iar probabilităt, ile
P (X = 0) = 1 − p, P (X = 1) = p.
Caracteristicele numerice de bază ale acestei v.a. sunt EX=p, DX=p(1 − p),
µ3 =2p3 − 3p2 + p.
Remarca 2. Din punct de vedere matematic distribut, ia Bernoulli mo-
delează comportamentul probabilist al numărului de "succese" într-o singură
probă Bernoulli, aceasta din urmă not, iune fiind introdusă în
Definit, ia 3. Vom numi probă Bernoulli orice experiment aleator ce
posedă proprietăt, ile:
1. Spat, iul de evenimente elementare Ω = {"succes", "insucces"};
2. Probabilitatea p = P {"succes"}, 0 ≤ p ≤ 1, nu variază de la probă la
probă;
3. Rezultatele unei probe nu influient, ează rezultatele celorlalte probe
(independent, a probelor).
Drept exemplu de probă Bernoulli poate servi aruncarea unei monede o
singură dată, "succes" considerând {aparit, ia stemei }. În genere, orice expe-
riment aleator poate fi considerat probă Bernoulli deîndată ce acesta poate
fi repetat de fiecare dată independent de celelalte repetări, iar "succes" fiind
considerat orice eveniment A asociat experimentului, unde p=P {"succes"}

=P (A). Observăm, astfel, că numărul X de "succese" într-o singură probă
Bernoulli are distribut, ia Bernoulli. Dealtfel, obsevăm că pentru p = 12
distribut, ia aceasta coincide cu distribut, ia U {0, 1}.
Exemplul 2. Pe raftul unui magazin de calculatoare sunt expuse spre
vânzare 100 de laptopuri de acelas, i model, din care 3 laptopuri au defecte a
ascunse, dar care nimeresc sub incident, a garant, iei. Un client cumpără, ale-
gând la întâmplare, unul din laptopuri. Codificăm rezultatul alegerii cumpă-
rătorului prin X, unde X = 0 dacă laptopul va fi returnat în urma depistării
unui defect ascuns s, i X = 1 în caz contrar. Atunci v.a. X ∼ Bernoulli(p),
unde parametrul p=P {laptopul cumpărat nu va avea defecte ascunse}=0.97.
Distribut, ia Binomială.
Definit, ia 4. Vom spune că v.a. X este distribuită Binomial cu parame-

trii n, p, n ∈ {1, 2, ...}, 0 ≤ p ≤ 1, pe scurt X ∼ Bi(n; p), dacă mult, imea ei
de valori posibile este {0,1, 2, ..., n}, iar probabilităt, ile
Pn (k) = P (X = k) = Ckn pk (1 − p)n−k , k = 0, 1, 2, ..., n.
Caracteristicele numerice de bază ale acestei v.a. sunt EX=np, DX=np(1−

p), µ3 =np(1 − p)(1 − 2p).
Pentru n = 1 avem că Bi(1; p) ≡ Bernoulli(p).
Remarca 3. Din punct de vedere matematic distribut, ia binomială mo-
delează comportamentul probabilist al numarului total de "succese" în n
probe Bernoulli deoarece este valabilă
Propozit, ia 1. Numărul total de "succese" în n probe Bernoulli cu
probabilitatea "succesului" p în fiecare probă este o v.a. X ∼ Bi(n; p).
Exemplul 3. În baza înregistrărilor de la casele de marcaj ale centrului
comercial Mall-Dova s-a constatat că doar 30% din cumpărători îs, i achită
cumpărăturile cu cardul bancar, restul sub formă de cash. Cu ce este egală
probabilitatea că din următorii 5 cumparători 3 îs, i vor achita cumpărăturile
cu cardul bancar.
Solut, ie. Modul de plată al fiecărui cumpărător poate fi interpretat ca re-
zultat al unei probe Bernoulli: plata cu cardul="succes", plata cash="insuc-
ces", unde probabilitatea p=P {”succes”}=30/100=0.3.Prin urmare numă-
rul plătitorilor cu cardul din numărul total de n = 5 cumpărători este o
v.a. X ∼ Bi(5; 0.3). Deci P {din următorii 5 cumpărători 3 îs, i vor achita
cumpărăturile cu cardul bancar }=P (X = 3)=C35 (0.3)3 (1 − 0.3)5−3 =0.1323.
Distribut, ia Geometrică.
Definit, ia 5. Vom spune că v.a. X este distribuită Geometric cu para-

metrul p, 0 < p < 1, pe scurt X ∼ Geom(p), dacă mult, imea ei de valori
posibile este {0,1, 2, ..., n, ...}, iar probabilităt, ile
pk = P (X = k) = p(1 − p)k , k = 0, 1, 2, ...
sau dacă mult, imea ei de valori posibile este {1, 2, ..., n, ...}, iar probabilităt, ile
P (X = k) = p(1 − p)k−1 , k = 1, 2, ...,
ultima fiind numită s, i distribut, ie geometrică trunchiată în zero.

Dealtfel, dacă v.a. X ∼ Geom(p) trunchiată în zero, atunci v.a. X − 1
∼ Geom(p).
Caracteristicele numerice de bază ale v.a. X ∼ Geom(p) trunchiată în
zero sunt EX=1/p, DX=(1 − p)/p2 , µ3 =(1 − p)(2 − p)/p3 .
Distribut, ia geometrică (trunchiată în zero) este unica v.a. de tip discret
ce posedă proprietatea remarcabilă enunt, ată în
Propozit, ia 2 (Proprietatea "lipsei memoriei" a distribut, iei geo-
metrice). V.a. X de tip discret, pentru care mult, imea de valori posibile este
multimea numerelor naturale, este distribuită geometric trunchiată în zero,
adică
P (X = k) = p(1 − p)k−1 , k = 1, 2, ...,
dacă s, i numai dacă aceasta posedă proprietatea "lipsei memoriei":
P (X = n + k/X > n) = P (X = k), pentru orice n, k ≥ 1.
Consecint, ă. Dacă v.a. X ∼ Geom(p) trunchiată în zero, atunci
P (X > n + k/X > n) = P (X > k), pentru orice n, k ≥ 1.
Remarca 4. Din punct de vedere matematic distribut, ia Geometrică

apare în contextul experimentului aleator ce constă în repetarea unei probe
Bernoulli cu probabilitatea "succesului" p până la prima aparit, ie a "succe-
sului" as, a cum se vede din
Propozit, ia 3. Numărul total de probe Bernoulli, cu probabilitatea
"succesului" p în fiecare probă, efectuate până la prima aparit, ie a "succesu-
lui" este o v.a. X ∼ Geom(p) trunchiată în zero, iar numărul total de
"insuccese" înregistrate în acelas, i experiment este o v.a. Y ∼ Geom(p) ,

unde 0 < p < 1.
Exemplul 4 (Continuare la exemplul 3 ). În condit, iile enunt, ate
anterior, ne interesează cu ce este egală probabilitatea că de la începutul
următoarei zile de lucru a centrului comercial până la prima aparit, ie a unui
cumpărător plătitor cu cardul bancar va fi inregistrat un număr mai mare
decât 10 cumparători ce-s, i vor face cumpărături? Dar probabilitatea că,
s, tiind că primii, cel put, in, 10 cumpărători s, i-au achitat cumpăturile cash,
după aceasta, pâna la prima aparit, ie a unui cumpărător plătitor cu cardul
bancar, cel put, in, încă 10 cumpărători îs, i vor achita cumpărăturile cash?
Solut, ie. De această dată, conform Propozit, iei 3, numărul de cumpărători
înregistrat, i până la aparit, ia primului cumparător platitor cu cardul este o v.a.
X ∼ Geom(0.3) trunchiată în zero, iar raspunsul la prima întrebare se reduce
la calcularea
P (X > 10) = P (X = 11) + P (X = 12) + ... = 0.3(0.7)10 + 0.3(0.7)11 + ... =

1
0.3 · 0.710 [1 + 0.7 + 0.72 + ...] = 0.3 · 0.710 · = 0.02 824 8.
1 − 0.7
Răspunsul la cea de a doua întrebare vizează calcularea probabilităt, ii condit, io-
nate P (X > 10 + 10 / X > 10)=P (X > 20 / X > 10). Dar, conform
consecint, ei de mai sus P (X > 20 / X > 10)=P (X > 10)=0.02 824 8.
Distribut, ia Poisson.
Definit, ia 6. Vom spune că v.a. X este distribuită Poisson cu parametrul

λ, λ > 0, pe scurt X ∼ P oisson(λ), dacă mult, imea ei de valori posibile este
{0,1, 2, ..., n, ...}, iar probabilităt, ile
λk −λ
pk = P (X = k) = e , k = 0, 1, 2, ...
k!
Caracteristicele numerice de bază ale v.a. X ∼ P oisson(λ) EX=DX=
µ3 =λ. Dacă λ este număr întreg, atunci pk îs, i atinge valoarea maximă pentru
k0 = λ s, i k0 = λ + 1. Dacă λ este fract, ionar, atunci M od(X)=[λ] + 1.
Un context aparte în care apare distribut, ia Poisson este legat de not, iunea
dată de
Definit, ia 7. Vom numi flux de evenimente un s, ir de evenimente alea-
toare, care se produc în momente aleatoare de timp. Un flux de evenimente
se numes, te flux Poisson dacă el are proprietăt, ile:
a) Este stat, ionar, adică probabilitatea că într-un anume interval de timp

se vor realiza exact k evenimente depinde numai de numărul k s, i de lungimea
(durata) intervalului de timp s, i nu depinde de începutul lui;
b) Probabilitatea realizării a k evenimente într-un anume interval de timp
nu depinde de numărul de evenimente care s-au realizat înainte de începerea
acestui interval;
c) Realizarea a două sau mai multe evenimente într-un interval mic de
timp are, practic, probabilitate nulă.
Numărul mediu de evenimente dintr-un flux Poisson care se realizează
într-o unitate de timp se numes, te intensitate a fluxului. Vom nota intensita-
tea fluxului cu λ. Atunci are loc
Propozit, ia 4. Numărul total de evenimente produse pe un interval de
timp de durată t într-un flux Poisson de intensitate λ, λ > 0, este o v.a.
X(t) distribuită Poisson cu parametrul
(λt)k −λt
pk (t) = P (X(t) = k) = e , k = 0, 1, 2, ... .
k!
Remarca 5. Mult, imea de v.a. {X(t), t ≥ 0}, unde X(t) reprezintă
numărul total de evenimente produse pe un interval de timp de durată t într-
un flux Poisson de intensitate λ, λ > 0 este un proces aleator ce numes, te
proces Poisson cu parametrul λ.
Drept exemple de v.a. X(t) ce apar în contextul fluxului Poisson putem,
cu o anumită doză de exactitate, considera:
1. Numărul de cutremure de pământ care au loc într-o regiune seismică
într-un interval de timp;
2. Numărul de accidente rutiere produse într-un oras, , într-un interval de
timp;
3. Numărul de decese printre asigurat, ii unei companii de asigurare într-un
interval de timp;
4. Numărul de particule α emise de o substant, ă radioactivă intr-un anu-
mit interval de timp;
5. Numărul de automobile care vin la o stat, ie de alimentare cu benzină
într-un interval de timp;
6. Numărul de client, i care se adresează la un oficiu pos, tal într-o zi;
7. Numărul de apeluri la un post telefonic într-un interval de timp, etc.,
etc.
Remarca 6. Din punct de vedere matematic distribut, ia Poisson mai
modelează, de exemplu, comportamentul probabilistic ale unor astfel de v.a.

ca:
1. Numărul de erori de programare comise de un programator intr-un
soft de o anumită lungime;
2. Numărul de bacterii descoperite intr-o picătură de apă;
3. Numărul de erori de tipar care se cont, in pe o pagină (sau un grup de
pagini) dintr-o carte;
4. Numărul de 3 gemeni noi născut, i în decurs de un an într-o t, ară anume;
5. Numărul de oameni dintr-o anumită t, ară care au depăs, it vârsta de 100
de ani, etc.
Printre exemplele enumerate sunt s, i exemple ce nimeresc sub incident, a
distribut, iei Binomiale, dar care poate fi aproximată cu distribut, ia Poisson
conform
Propozit, ia 5 (Teorema Limită Poisson). Dacă v.a. X ∼ Bi(n; p)
s, i np −→ λ, λ > 0, deîndată ce p → 0, atunci probablităt, ile
n→+∞
(λ)k −λ
Pn (k) = P (X = k) = Ckn pk (1 − p)n−k −→ e , k = 0, 1, 2, ... .
n→+∞ k!
Exemplul 5. Conform normelor tehnologice la 1000 de cozonaci cu

stafide sunt prevăzute 10000 de stafide. Cu ce este egală probabilitatea ca
într-un cozonac ales la întâmplare nu vom descoperi nicio stafidă? Dar care
este numărul cel mai probabil de stafide care vor nimeri în cozonacul ales?
Solut, ie. Dacă sunt respectate normele tehnologice, atunci pentru fiecare
din cele 10000 stafide probabilitatea de a nimeri în cozonacul ales ("succes")
este egală cu p = 1/1000, astfel, avem de-a face cu n = 10000 de probe Berno-
ulli cu probabilitatea succesului 1/1000 în fiecare probă. prin urmare Numă-
rul stafidelor numerite în cozonacul ales este o v.a. X ∼ Bi(10000; 1/1000).
Cum n este suficient de mare, iar p suficient de mic, putem aplica propozitia
5, considerând că λ = np = 10000 · 1/1000 = 10. Prin urmare probabilitatea,
de exemplu, că într-un cozonac ales la întâmplare nu vom descoperi nicio
stafidă este egală cu
P10000 (0) = P (X = 0) = C010000 (1/1000)0 (1 − 1/1000)10000−0 =
λk −λ 100 −10
= (999/1000)10000 ≃ e = e = 4. 54 × 10−5 ≃ 0.
k! 0!
Or, dacă în urma unui control de rutină, se constată că într-un cozonac

ales la întâmplare nu a fost descoperită nicio stafidă, atunci ipoteza cea mai
verosimilă e că... au fost încălcate normele tehnologice anunt, ate mai sus. În
plus, deoarece λ=10, acesta fiind un număr întreg, rezultă că pentru k0 = λ
s, i k0 = λ + 1, probabilităt, ile P (X = 10)=P (X = 11) au valoarea cea mai
10
mai mare, egală cu 1010! e−10 = 1. 251 1 × 10−11 .
Distribut, ia Multinomială.
Este vorba despre distribut, ia unei v.a. n−dimensionale, n ≥ 2, dar care

pentru n = 2 coincide cu distribut, ia Bi(n; , p).
Definit, ia 8. Vom spune că v.a. X=(X1 , X2 , ..., Xn ) este multinomial
distribuită cu parametrii m s, i p1 , p2 , ..., pn > 0, p1 + p2 + ...+ pn =1, pe scurt
X ∼ M ulti(m; p1 , p2 , ..., pn ), dacă mult, imea de valori posibile a vectorului
X este X = {(m1 , m2 , ...,mn ) : mi =0, m, i=1, n, m1 + m2 + ...+ mn =m},
iar
p(m1 , m2 , ..., mn ) = P (X1 = m1 , X2 = mn , ..., Xn = mn ) =
m!
= pm1 pm2 ...pm n
m1 !m2 !...mn ! 1 2 n
pentru orice mi =0, m, i=1, n, m1 + m2 + ...+ mn =m.

Caracteristicile numerice marginale pentru fiecare v.a. Xi , i=1, n, sunt
EXi =mpi , DXi =mpi (1 − pi ), µ3,i =mpi (1 − pi )(1 − 2pi ), analogia cu cazul
distribut, iei binomiale fiind concludentă.
Remarca 7. Este util să s, tim că fiecare v.a. în parte Xi ∼ Bi(m; pi ),
i=1, n. Mai mult, pentru orice subset de indici 1≤ i1 <i2 <...<ik , 1≤ k ≤ n
vectorul aleator (Xi1 , Xi2 , ..., Xik ) ∼ M ulti(m; pi1 , pi2 , ..., pik ). Din punct de
vedere matematic distribut, ia multinomiala descrie toate situat, iile conforme
cu
Propozit, ia 6. Fie Xi numarul de înregistrări a evenimentului Ai i =
1, n, în urma a m repetări independente a experimentului aleator E în care se
n
poate produce de fiecare dată doar unul din evenimentele Ai , unde ∪ Ai =Ω,
i=1
Ai ∩ Aj =∅, pentru orice i ̸= j, i, j=1, n, iar probabilităt, ile pi = P (Ai )>0,
p1 +p2 +...+pn =1 sunt cunoscute. Atunci X=(X1 , X2 , ..., Xn ) este o v.a.
n-dimensională s, i X ∼ M ulti(m; p1 , p2 , ..., pn ).
Exemplul 6. Presupunem ca în finala campionatului mondial la s, ah au
ajuns doi s, ahis, ti, din care primul este campionul mondial en titre, despre care
se mai s, tie că, în baza partidelor de s, ah jucate anterior între aces, tia, 20% din
partide le-a câs, tigat primul, 20% al doilea s, ahist, iar restul partidelor s-au
terminat la egalitate. Meciul pentru titlul de campion constă din 12 partide,
care, în caz de acumulare a unui număr egal de puncte la sfârs, it campionul
en titre îs, i păstrează titlul. Cu ce este egală probabilitatea că primul jucător
va câs, tiga 4 partide, al doilea 5, restul partidelor terminându-se la egalitate?
Dar probabilitatea că cel de al doilea jucător va deveni campion mondial?
Solut, ie. Putem considera fiecare partidă de s, ah un experiment alea-
tor E în care se poate produce de fiecare dată doar unul din evenimentele
A1 = {partida dată va fi câs, tigată de primul jucător }, A2 = {partida dată
va fi câs, tigată de al doilea jucător },A3 = {partida dată se va termina la
3
egalitate}, unde ∪ Ai =Ω, Ai ∩ Aj =∅, pentru orice i ̸= j, i, j=1, 3, iar
i=1
probabilităt, ile p1 =P (A1 )=p2 =P (A2 )=0.2, p3 =P (A3 )=0.6. Atunci, fiind apli-
cabilă propozitia 6, deducem: probabilitatea că primul jucător va câs, tiga 4
partide, al doilea 5, resul partidelor terminându-se la egalitate este egală cu
12!
p(4, 5, 3) = 0.24 0.24 0.63 = 0.015328.
4!5!3!
Ambii jucători, având aceeas, i putere de joc, pentru a-s, i păstra titlul de cam-
pion mondial, primul jucător este avantajat, totus, i, de un meci terminat la
egalitate. Dar probabilitatea că meciul se va termina la egalitate este egală
cu
p(6, 6, 0)+p(5, 5, 2)+p(4, 4, 4)+p(3, 3, 6)+p(2, 2, 8)+p(1, 1, 10)+p(0, 0, 12) =
12! 12! 12! 12!

0.26 0.26 0.60 + 0.25 0.25 0.62 + 0.24 0.24 0.64 + 0.23 0.23 0.66 +
6!6!0! 5!5!2! 4!4!4! 3!3!6!
12! 12! 12!
0.22 0.22 0.68 + 0.21 0.21 0.610 + 0.20 0.20 0.612 = 0.18121.
2!2!8! 1!1!10! 0!0!12!
Or, probabilitatea că cel de al doilea jucator va deveni noul campion mondial
este egală cu (1 − 0.18121)/2 = 0.409 40, fapt ce i-a determinat pe organiza-
torii campionatelor mondiale la s, ah să renunt, e la condit, ia enunt, ată în pro-
blemă, înlocuind-o cu condit, ia că in caz că cele 12 partide nu vor desemna
un câs, tigător net, atunci meciul continuă pâna la prima partidă câs, tigată de
unul din jucători, acesta s, i fiind declarat învingător.
Distribut, ia Hipergeometrică.
Definit, ia 9. Vom spune că v.a. X este hipergeometric distribuită cu

parametrii N, M, n, pe scurt X ∼ Hypergeom(N, M, n), unde (N, M, n):
N =1, 2,...; M =0, 1,..., N ; n=1, 2, ..., N , dacă mult, imea de valori posibile a
v.a. X este X = {k : min[0, n − (N − M )] ≤ k ≤ min(n, M )}, iar
n−k
CkM CN −M
PN,M,n (k) = P (X = k) = ,
CnN
min[0, n − (N − M )] ≤ k ≤ min(n, M ).
Caracteristicile numerice de bază ale v.a. X sunt: EX=n M N
, DX=n M N
·
N −M N −n
N
· N −1
, µ 3 =n M N M N −2M N −n N −2n
N
· N
· N
· N −1
· N −2
.
Remarca 8. Din punct de vedere matematic distribut, ia hipergeometrică
descrie extragerea la întãmplare, fără întoarcere/repetare a n elemente dintr-
o mult, ime de N elemente, din care M elemente sunt de tipul 1, restul N − M
elemente fiind de tipul 2. Atunci, folosind definit, ia clasică a probabilităt, ii,
se arată că numărul de elemente de tipul 1 care se vor regăsi printre cele
n elemente extrase este o v.a. X ∼ Hypergeom(N, M, n), (N, M, n) ∈
{(N, M, n): N =1, 2,...; M =0, 1,..., N ; n=1, 2, ..., M }. Ment, ionăm că
modul de extragere, fară întoarcere sau cu întoarcere, este principial. Astfel,
dacă extragerea succesivă a n bile este cu întoarcere, atunci, folosind definit, ia
clasică a probabilităt, ii, se demonstrează că numărul de elemente de tipul 1
care se vor regăsi printre cele n elemente extrase este o v.a. X ∼ Bi(n; p),
unde p = P {”succes”}=P {elementul extras la extragerea i va fi unul de ti-
pul 1} = M/N, pentru orice i=1, n. Aceasta este esent, ial, de exemplu, la
modelarea matematică a es, antionării aleatoare în funct, ie de tipul de selecta-
re/extragere (cu întoarcere sau fără întoarcere) a elementelor din populat, ia
statistică.
Exemplul 7 (Loto 6 din 49 ). În România se bucură de popularitate
printre amatorii de jocuri de noroc Loteria Nat, ională 6 din 49. Interes pre-
zintă probabilitatea că, jucând cu o singură variantă, vom încasa câs, tigul
maxim, adică vom ghici X = 6 numere câs, tigătoare. Deoarece ne aflăm în
situat, ia aplicării distribut, iei X ∼ Hypergeom(N, M, n), unde N =49, M =6,
n=6, deducem ca
6−6
C6k
6 C49−6 1 1
P (X = 6) = P49,6,6 (6) = 6
= 6 = .
C49 C49 13 983 816
Distribut, ia Hipergeometrică Multivariată.
Distribut, ia Hipergeometrică Multivariată generalizează distribut, ia Hiper-

geometrică definită anterior.
Definit, ia 10. Vom spune că v.a. X = (X1 , X2 , ..., Xk ) este hipergeome-
tric multivariată distribuită cu parametrii (N , M1 , M2 , ..., Mk , n), pe scurt
X ∼ Hypergeom(N , M1 , M2 , ..., Mk , n), unde N ∈ {1, 2, ...}, Mi ∈ {0,
k
1, ..., N }, i=1, k, Mi =N , n ∈ {1, 2, ..., N }, dacă mult, imea de valori
P
i=1
k
posibile a v.a. X este X = {(x1 , x2 , ..., xk ) : xi ∈ {0, 1, ..., N }, i=1, k,
P
i=1
xi =N }, iar
PN,M1 ,M2 ,...,Mk ,n (x1 , x2 , ..., xk ) =
QkQ xi
CMi
i=1
= P (X1 = x1 , X2 = x2 , ..., Xk = xk ) = .
CnN
Caracteristicile numerice marginale pentru fiecare v.a. Xi , i=1, k, sunt

EX=n M N
i
, DX=n MN
i
· N −M
N
i
·N −n
N −1
, µ3 =n M
N
i
· NNMi · N −2M
N
i
·N
N −1
· N −2 .
−n N −2n
Remarca 9. Este util să s, tim că fiecare v.a. în parte Xi ∼ Hypergeom(N ,

Mi , n), i=1, k. Mai mult, pentru orice subset de indici 1 ≤ i1 <i2 <...<ij ,
1 ≤ j ≤ k vectorul aleator (Xi1 , Xi2 , ..., Xij ) ∼ Hypergeom(N , Mi1 , Mi2 ,
..., Mij , n).
Remarca 10. Din punct de vedere matematic distribut, ia hipergeome-
trică Multivariată descrie extragerea la întâmplare, fără întoarcere/repetare
a n elemente dintr-o mult, ime de N elemente, din care Mi elemente sunt de
k
tipul i, i=1, k, Mi =N . Atunci, folosind definit, ia clasică a probabilităt, ii,
P
i=1
se arată că numărul de elemente xi de tipul i care se vor regăsi printre
k
cele n elemente extrase, i=1, k, xi =N este o v.a. k-dimensionala X ∼
P
i=1
Hypergeom(N , M1 , M2 , ..., Mk , n).
Exemplul 8. Dintr-o cutie în care se află 30 de mingi de tenis, din care
5 de culoare ros, ie, 10 de culoare galbenă s, i 15 de culoare albastră au fost
extrase la întâmplare, fără întoarcere 9 mingi. Calculat, i probabilitatea că
printre mingile extrase se vor afla câte 3 mingi de fiecare culoare.
Solut, ie. În conformitate cu ultima Remarcă această probabilitate este

egală cu
C3 · C3 · C315
P30,5,10,15:,9 (3, 3, 3) = 5 10 ≃ 0.0381627
C930
Probleme propuse.
Acolo unde e cazul, în problemele următoare să se folosească, pentru
calcule numerice, facilităt, ile site-ului wolframalpha.com.
1. Presupunem că probabilitatea statistică că un copil nou născut va
fi băiat este egala cu 0.51. Se cere: 1) să se determine distribut, ia v.a. X
care reprezintă numărul de băiet, i printre 10000 de copii noi născut, i; 2) să
se calculeze probabilitatea că printre 10000 de copii noi născut, i numărul
băiet, ilor va fi cuprims între 4500 s, i 5500.
2. Un t, intas, trage în t, inta până când va nimeri ín ea, probabilitatea de a
nimeri fiind egală cu 0.1. Se cere: 1) să se determine distribut, ia v.a. X care
reprezintă numărul total de trageri in t, intă; 2) să se calculeze probabilitatea
că v.a. X va depas, i valoarea 15 .
3. Considerăm în calitate de v.a. X numărul de bile ros, ii înregistrate
printre 10 bile extrase la întamplare, una câte una, cu întoarcere, dintr-o
cutie cu 2 bile albe si 3 bile ros, ii. Se cere: 1) să se determine distribut, ia v.a.
X ; 2) să se calculeze probabilitatea că v.a. X va depăs, i valoarea 1 .
4. Considerăm în calitate de v.a. X numărul de bile ros, ii înregistrate
printre 10 bile extrase la întamplare, una câte una, fără întoarcere, dintr-o
cutie cu 200 bile albe s, i 300 bile ros, ii. Se cere: 1) să se determine repartit, ia
v.a. X ; 2) să se calculeze probabilitatea că v.a. X va depăs, i valoarea 1.
5. Presupunem că avem o sală de laborator în care avem 30 de calcula-
toare, din care 5 sunt nefunct, ionale, în care fiecare student, al unei grupe de
20 de student, i, ocupă la înâmplare câte un calculator. Considerăm in calitate
de v.a. X numărul student, ilor care vor ocupa calculatoare nefunct, ionale. Se
cere: 1) să se determine distribut, ia v.a. X ; 2) să se calculeze probabilitatea
că v.a. X va varia inte valorile 1 si 4.
6. Considerăm aruncarea unui zar "perfect" de 10000 de ori succesiv, în
calitate de v.a. X luând numărul de câte ori apare fat, a 6. Se cere: 1) să se
determine distribut, ia v.a. X ; 2) să se calculeze probabilitatea că v.a. X va
varia între valoarile 100 si 300.
7. Considerăm in calitate de v.a. X numărul de aruncări nereus, ite ale
unui zar "perfect" pană la prima aparit, ie a unui număr de puncte multiplu
lui 3. Se cere: 1) să se determine distribut, ia v.a. X ; 2) să se calculeze
probabilitatea că v.a. X va varia între valorile 100 si 300.

8. Considerăm în calitate de v.a. X numărul de pes, tis, ori ros, ii înregistrat, i
printre cei 100 de pes, tis, ori scos, i la intâmplare, fără întoarcere, dintr-un ac-
variu enorm cu 1000 de pes, tis, ori, din care doar 10 sunt de culoare ros, ie. Se
cere: 1) să se determine distribut, ia v.a. X ; 2) să se calculeze probabilitatea
că v.a. X va depăs, i valoarea 2.
9. Considerăm în calitate de v.a. X numărul de PC-uri de acelas, i tip
supuse unui control, unul câte unul, controlul terminându-se în momentul
depistării unui calculator defect. s, tiind probabilitatea că un PC ales la in-
tâmplare va fi defect este egalē cu p = 0.05, se cere: 1) să se determine
distribut, ia v.a. X ; 2) să se calculeze probabilitatea că v.a. X va depas, i
valoarea 1.
10. Considerăm in calitate de v.a. X numărul de numere ghicite, jucând
cu o singură variantă la "LOTOSPORT 5 din 35". Scriet, i distribut, ia v.a.
X.Care este probabilitatea că, jucând cu o singură variantă la LOTOSPORT
"5 din 35", nu vom fi în pierdere, adică vom cas, tiga ceva?
11. Considerăm în calitate de v.a. X numărul format în felul următor:
dintr-o cutie cu 9 bile numerotate de la 1 la 9 sunt extrase la întâmplare,
succesiv, cu întoarcere, 2 bile, formând astfel un număr din două cifre, prima
cifră find numărul primei bile, iar cea de a două cifră, fiind numărul celei de
a doua bile extrase. 1) Determinat, i repartit, ia v.a. X; 2) Calculat, i probabi-
litatea că numărul X nu va întrece valoarea 50.
12. Un dispozitiv electronic constă din 1000 de elemente, astfel încât
fiecare element poate ies, i din funct, iune, independent unul de celelalte, pe o
durată de timp T, cu una si aceeas, i probabilitate p = 5 · 10−4 . Notăm prin
X numărul total de elemente ies, ite din funct, iune pe durata de timp T . 1)
Aflat, i repartit, ia v.a. X; 2) Calculat, i probabilitatea că pe durata T va iesi
din funct, iune, cel put, in, un element.
13. Considerăm în calitate de v.a. X numărul format in felul următor:
dintr-o cutie cu 9 bile numerotate de la 1 la 9 sunt extrase la întâmplare,
succesiv, fară întoarcere, 2 bile, formând astfel un număr din două cifre,
prima cifră find numărul primei bile, iar cea de a doua cifră, fiind numărul
celei de a doua bile extrase. 1) Determinat, i distribut, ia v.a. X; 2) Calculat, i
probabilitatea că numărul X nu va întrece valoarea 90.
14. Considerăm în calitate de v.a. X numărul total de aruncări a două
zaruri "perfecte " până când, prima dată, suma punctelor apărute va fi un
număr multiplu lui 3. 1) Aflat, i distribut, ia v.a. X; 2) Calculat, i probabilitatea
că valoarea lui X va depăs, i 1000.
15. Considerăm în calitate de v.a. X numărul total de "succese" la

aruncarea a două zaruri "perfecte " de 5000 de ori, considerând "succes" la
fiecare aruncare faptul că produsul punctelor apărute va fi un număr multiplu
lui 3. 1) Aflat, i distribut, ia v.a. X; 2) Calculati probabilitatea că valoarea lui
X va depăs, i 1000.
16. Considerăm în calitate de v.a. X numărul total de aruncări a două
zaruri "perfecte " până când, prima dată, minimul punctelor apărute va fi un
număr multiplu lui 3. 1) Aflat, i distribut, ia v.a. X; 2) Calculat, i probabilitatea
că valoarea lui X va depăs, i 1000.
17. Considerăm in calitate de v.a. X numărul total de "succese" la
aruncarea a două zaruri "perfecte " de 5000 de ori, considerând "succes" la
fiecare aruncare faptul că maximul punctelor apărute va fi un număr multiplu
lui 3. 1) Aflat, i distribut, ia v.a. X; 2) Calculat, i probabilitatea că valoarea lui
X va depăsi 1000.
18. Considerăm în calitate de v.a. X numărul total de elevi care au fost
depistat, i ca fiind infectat, i TBC, dintr-un număr total de 1000 de elevi supus, i
controluli medical, dacă se s, tie că de această infect, ie este afectată 0.1% din
populat, ie. 1) Aflat, i repartit, ia v.a. X; 2) Calculat, i probabilitatea că valoarea
lui X va depas, i 100.
19. Presupunem că un an va fi secetos, independent de anii precedent, i,
cu probabilitatea 0.05. Notăm prin X numărul de ani nesecetos, i înregistrat, i
pană la înregistrarea pentru prima dată a unui an secetos. 1) Aflat distribut, ia
v.a. X; 2) Calculat, i probabilitatea că valoarea lui X va depăs, i 100.
20. O companie de asigurări are încheiate 10000 de polit, e de asigurare
anuală de tip RCA. Considerăm în calitate de v.a. X numărul total de
despăgubiri pe care le va plăti compania pe parcursul unui an. s, tiind că
probabilitatea unei avarii auto este egală cu p = 0.001 : 1) Aflat, i distribut, ia
v.a. X; 2) Calculat, i probabilitatea că valoarea lui X va depăs, i 100.
21. Numărul X de particule α emise de un gram de substant, ă radioactivă
într-o secundă este o v.a. cu distribut, ia Poisson cu parametrul a, unde a
este numărul mediu de particule alfa emise într-o secundă. Să se calculeze
probabilităt, ile evenimentelor: A = {într-o secundă vor fi emise nu mai mult
de două particule alfa} s, i B = {într-o secundă vor fi emise cinci particule
alfa}, C = {într-o secundă vor fi emise mai mult de zece particule alfa}. Care
este numărul de particule α care corespunde celei mai mari probabilităt, i? Să
se considere că a = 0, 25.
22. Numărul X de apeluri telefonice înregistrate la Urgent, a Medicală
în 24 de ore este o v.a. cu distribut, ia Poisson cu parametrul a, unde a este
numărul mediu de apeluri telefonice înregistrate în 24 de ore. Să se calculeze

probabilităt, ile evenimentelor: A = {în 24 de ore fi inregistrate cel mult 100
de apeluri telefonice} s, i B = {în 24 de ore vor fi inregistrate exact 100 de
apeluri telefonice}, C = {în 24 de ore vor fi înregistrate mai mult de 1000 de
apeluri telefonice}. Aflat, i numărul de apeluri telefonice înregistrate in 24 de
ore, care corespunde celei mai mari probabilităt, i? Să se considere că a = 100.
23. Numărul X de pene de curent înregistrate la un Centru de Calcul pe
parcursul unui an este o v.a. cu distribut, ia Poisson cu parametrul a, unde
a este numărul mediu de pene de curent electric înregistrate pe parcursul
uni an. Să se calculeze probabilităt, ile evenimentelor: A = {într-un an vor fi
înregistrate cel mult 10 pene de curent} s, i B = {într-un an vor fi înregistrate
exact 10 pene de curent}, C = {într-un an vor fi înregistrate mai mult de 100
de pene de curent}. Aflat, i numărul de pene de curent înregistrate într-un
an, care corespunde celei mai mari probabilităt, i? Să se considere că a = 10.
24. Numărul X de erori de programare comise de un programator la
elaborarea unui soft de proport, ii este o v.a. cu distribut, ia Poisson cu pa-
rametrul a, unde a este numărul mediu de erori de programare comise de
programator la elaborarea unui astfel de soft. Să se calculeze probabilităt, ile
evenimentelor: A = { vor fi comise cel mult 10 erori de programare} s, i B =
{vor fi comise exact 10 erori de programare}, C = {numarul de erori de
programare comise va varia intre 100 s, i 500}. Aflat, i numărul de erori de
programare comise la elaborarea unui soft de proport, ii, care corespunde celei
mai mari probabilităt, i? Să se considere că a = 50.
25. Numărul X de bacterii descoperite într-o picatură de apă luată
dintr-un lac este o v.a. cu distribut, ia Poisson cu parametrul a, unde a este
numărul mediu de bacterii descoperite într-o picătură de apa. Să se calculeze
probabilităt, ile evenimentelor: A = { vor fi descoperite cel mult 10 bacterii} s, i
B = {vor fi descoperite exact 10 bacterii }, C = {numărul de bacterii va varia
între 500 s, i 5000}. Aflat, i numărul de bacterii descoperite într-o picatură de
apă luată dintr-un lac, care corespunde celei mai mari probabilităt, i? Să se
considere că a = 1000.
26. Numărul de accidente aviatice înregistrate anual la o anumită com-
panie aviatică este o v.a. cu distribut, ia Poisson cu parametrul a, unde a
este numărul mediu de accidente aviatice înregistrate anual. Să se calculeze
probabilităt, ile evenimentelor: A = { într-un an vor fi înregistrate cel mult
5 accidente} s, i B = {într-un an vor fi înregistrate exact 5 accidente}, C =
{numărul de accidente înregistrate într-un an va varia între 10 s, i 20 acci-
dente}. Aflat, i numărul de accidente înregistrate într-un an, care corespunde
celei mai mari probabilităt, i? Să se considere că a = 0.1.

27. Numărul de stafide descoperite într-un cozonac cu stafide ales la în-
tâmplare dintr-o partidă de astfel de cozonaci este o v.a. cu repartit, ia Poisson
cu parametrul a, unde a este numărul mediu de stafide care pot fi descoperite
într-un astfel de cozonac. Să se calculeze probabilităt, ile evenimentelor: A =
{ vor fi descoperite cel mult 10 stafide} s, i B = {vor fi descoperite exact 10
stafide}, C = {numărul de stafide va varia între 500 si 1000}. Aflat, i numă-
rul de stafide descoperite într-un cozonac cu stafide ales la întâmplare, care
corespunde celei mai mari probabilităt, i? Să se considere că a = 10.
28. Numărul de grindine înregistrate per m2 în timpul unei ploi cu grin-
dină este o v.a. cu distribut, ia Poisson cu parametrul a , unde a este numărul
mediu de grindine înregistrate pe m2 . Să se calculeze probabilităt, ile eveni-
mentelor: A = { pe o suprafat, a de 1 m2 vor fi înregistrate cel mult 50 de
grindine} s, i B = {vor fi descoperite exact 50 de grindine}, C = {numărul de
grindine va varia între 100 s, i 200}. Aflat, i numărul de grindine descoperite
pe o suprafat, ă de 1m2 aleasă la întâmplare, număr care corespunde celei mai
mari probabilităt, i? Să se considere că a = 30.
29. Numărul de accidente auto înregistrate în mun. Chis, inău în 24 de ore
este o v.a. cu distribut, ia Poisson cu parametrul a, unde a este numărul mediu
de accidente auto in acest interval de timp. Să se calculeze probabilităt, ile
evenimentelor: A = { X ≤ 5} s, i B = { X = 5}, C = { 5 ≤ X ≤ 10}. Aflat, i
numărul de accidente auto, care corespunde celei mai mari probabilităt, i? Să
se considere că a = 0.5.
30. Numărul anual de decese printre asigurat, ii unei companii de asigurare
este o v.a. cu distribut, ia Poisson cu parametrul a, unde a este numărul
mediu de decese anual. Să se calculeze probabilităt, ile evenimentelor: A = {
X ≤ 10} s, i B = { X = 10}, C = { 10 ≤ X ≤ 20}. Aflati numărul anual
de decese printre asigurat, ii unei companii de asigurare, care corespunde celei
mai mari probabilităt, i? Să se considere că a = 3.
4.2. Distribut, ii probabiliste uzuale in caz (absolut) continuu

(Uniformă, Exponent, ială, Normală, Hi-pătrat (χ2 ), T -Student)
Distribut, ia Uniformă (caz (absolut) continuu).
Definit, ia 1. Vom spune că v.a. X este distribuită uniform pe segmentul
[a, b], pe scurt X ∼ U [a, b], a,b ∈ R, a < b, dacă densitatea ei de distribut, ie
1
f (x) = b−a · I[a,b] (x).
2
Caracteristicile numerice de bază ale v.a. X sunt: EX= a+b 2
, DX= (b−a)
12
,
µ3 =0.
Remarca 1. Din punct de vedere matematic distribut, ia uniformă mo-
delează, de exemplu, alegerea la întâmplare a unui punct de pe segmentul
[a, b]. Experimentele aleatoare de acest gen pot fi simulate s, i pe calculator
deoarece orice limbaj de programare evoluat (C++ , Java, etc.) are in bi-
blioteca sa de programe funct, ii s, i funct, ia Random, corespunzătoare cazului
(absolut) continue, accesarea căreia are drept rezultat generarea unui număr
ales la întâmplare din mult, imea [0, 1]. Dat fiind faptul că in memoria calcu-
latorului numerele irat, ionale, de exemplu, sunt, din cauza lungimii limitate a
cuvântului de calculator (32, 64 bit, i, etc.), aproximate de numere rat, ionale,
generatorul corespunzător poartă denumirea de Generator de Numere Pse-
udoaleatoare. Acest generator in ambele sale ipostaze (discretă s, i (absolut)
continue) se află la baza simularii pe calculator a oricărei legităt, i probabiliste.
De exemplu, având la bază generatorul de valori ale v.a. X ∼ U [0, 1], putem
simula valori ale v.a. Y ∼ U [a, b] s, i viceversa. Algoritmul se desprinde din
Propozit, ia 1. Dacă v.a. X ∼ U [0, 1] , atunci v.a. Y =(b − a)X + a
∼ U [a, b] pentru orice a,b ∈ R, a < b. Dimpotrivă, dacă v.a. Y ∼ U [a, b] ,
atunci v.a. X = (Y − a)/(b − a) ∼ U [0, 1].
Are loc s, i
Propozit, ia 2. Dacă v.a. X ∼ U [0, b] , atunci s, i v.a. Y =b−X ∼ U [0, b].
Exemplul 1. Un troleibuz soses, te în stat, ie din 5 în 5 minute. Care este
probabilitatea că un pasager, care vine in stat, ie într-un moment aleator de
timp, va as, tepta troleibzul cel mult 2 minute?
Solut, ie. Din faptul că momentul de sosire în stat, ie este unul aleator,
rezultă ca acest moment X este, de fapt, rezultatul alegerii la întâmplare a
unui punct de pe un segment de lungime 5, cu alte cuvinte, X ∼ U [0, 5].
Timpul de as, teptare a următorului troleibus coincide cu v.a. Y = b − X,
prin urmare, conform Propozit, iei 2, Y ∼ U [0, 5], ceea ce înseamnă că proba-
bilitatea că un pasager, care vine în stat, ie într-un moment aleator de timp,
va as, tepta troleibuzul cel mult 2 minute coincide cu
Z2
1 2
P (0 ≤ Y ≤ 2) = dx = = 0.4.
5 5
0
Distribut, ia exponent, ială.
Definit, ia 2. Vom spune că v.a. X este distribuită exponent, ial cu para-

metrul λ, λ > 0, pe scurt X ∼ exp{λ}, dacă mult, imea ei de valori posibile
coincide cu [0, +∞), iar f (x)=λe−λx · I[0,+∞) (x).
Caracteristicile numerice de bază ale v.a. X sunt: EX= λ1 , DX= λ12 ,
µ3 = λ23 . t, inând cont de legătura dintre f.d. s, i d.d. a v.a. X, găsim că
f.r. a unei v.a. X ∼ exp{λ} este egală cu F (x)=(1 − e−λx ) · I[0,+∞) (x).
Această distribut, ie apare în directă legatură cu fluxurile (procesele Pois-
son), legatură evident, iată în
Propozit, ia 3. Durata intervalului de timp dintre două momente succe-
sive în care se produc două evenimente într-un flux Poisson cu intensitatea
λ > 0 este o v.a. X ∼ exp{λ}.
Prin urmare, în toate exemplele de flux Poisson enumărate în paragraful
anterior putem invoca s, i distribut, ia exponent, ială.
Remarca 2. Dacă în caz discret singura distribut, ie care posedă pro-
prietatea "lipsei memoriei" este distribut, ia geometrică, apoi în caz (absolut)
continuu singura v.a. ce posedă această proprietate este v.a. X ∼ exp{λ}.
Într-adevăr, are loc
Propozit, ia 4 (Proprietatea "lipsei memoriei" a distribut, iei expo-
nent, iale). V.a. X de tip (absolut) continuu, pentru care mult, imea de valori
posibile coincide [0, +∞),este o v.a. distribuită exponent, ial, adică
F (x) = (1 − e−λx ) · I[0,+∞) (x),
dacă s, i numai dacă aceasta posedă proprietatea "lipsei memoriei":
P (X ≤ x + h/X > x) = P (X ≤ h), pentru orice h ≥ 0.
Consecint, ă. Dacă v.a. X ∼ exp{λ}, atunci
P (X > x + h/X > x) = P (X > h), pentru orice h ≥ 0.
Proprietatea "lipsei memoriei" numită si "proprietate markoviană" face

ca această distribut, ie sa fie folosită pe larg acolo unde apare not, iunea de
durată (a viet, ii): în Demografie, Teoria Fiabilităt, ii, Teoria As, teptării, Actu-
ariat, etc. A se vedea, în acest sens, exemplele 9 din p.1.3 s, i 2 din p.2.2.
Exemplul 2. Timpul de as, teptare la o stat, ie de alimentare cu carburant, i
este o v.a. X exponent, ial distribuită cu o durată medie de as, teptare egală cu
T0 . Să se afle probabilităt, ile următoarelor evenimente: A={ 12 T0 < X ≤ 23 T0 },

B={X > 2T0 }.
Solut, ie. Cum X ∼ exp{λ} iar EX= λ1 = T0 , rezultă că X ∼ exp{ T10 }.
Prin urmare
1 3 1 1
P (A) = (1 − exp{− · T0 }) − (1 − exp{− · T0 }) =
T0 2 T0 2
1 3
exp{− } − exp{− } = 0.383 4,
2 2
1
P (B) = 1 − (1 − exp{− · 2T0 }) = exp{−2} = 0.135 34.
T0
Distribut, ia normală.
Definit, ia 3. Vom spune că v.a. X este distribuită normal cu parametrul

m s, i σ, m ∈ R, σ > 0, pe scurt X ∼ N (m; σ), dacă mult, imea ei de valori
(x−m)2
posibile coincide cu (−∞, +∞) iar f (x)= σ√12π e− 2σ2 . Atunci când m=0,
σ=1 vom spune că X este standard normal distribuită sau Gauss distribuită,
pe scurt, X ∼ N (0; 1) (vezi exemplul 7, p.3.1.)
Caracteristicile numerice de bază ale v.a. X sunt: EX=m, DX=σ 2 ,
µ3 =0. Putem, astfel, vorbi că X ∼ N (m; σ) este o v.a. normal distribuită
cu media m s, i abaterea standard σ.
Rx (u−m)2
F.d. a v.a. X ∼ N (m; σ) este funct, ia F (x) = σ√12π e− 2σ2 du iar în
−∞
Rx u2
cazul când X este standard normal distribuită f.d. este Φ(x)= √12π e− 2 du
−∞
x 2
s, i d.d. φ(x) = √1 e− 2
2π
. De remarcat faptul, ca valorile f.d. Φ(x), deci si
F (x) nu pot fi determinate decât prin metode numerice aproximative deoa-
Rx u2
rece integrala √12π e− 2 du nu se calculează exact, dar în cadrul aplicat, iilor
−∞
concrete putem utiliza Tabelul valorilor f.d. Φ(x) (Vezi Anexa 1) sau cal-
culatorul online pentru distribut, ia normală cu media s, i abaterea standard
cunoscute, ce poate fi accesat la adresa, de exemplu,
http : //onlinestatbook.com/2/calculators/normal_dist.html .
Important e că Tabelul valorilor f.d. Φ(x) poate fi utilizat s, i la calcularea

valorilor f.d. F (x), conform formulei F (x)=Φ( x−mσ
), dacă F (x) corespunde
distributiei N (m; σ). Aceasta din urmă rezultă din
Propozit, ia 5. Dacă v.a. X ∼ N (0; 1), atunci v.a. Y = σX + m ∼
N (m; σ). Invers, dacă v.a. Y ∼ N (m; σ), atunci v.a. X = Y −m σ
∼ N (0; 1).
Transformarea v.a. Y ∼ N (m; σ) în v.a. σ se numes, te standardizare
Y −m
sau normare.
Propozit, ia 6. F.d. Φ(x) a v.a.X ∼ N (0; 1) posedă următoarele proprietăt, i:
a) Φ(−x) + Φ(x)=1 pentru orice x ∈ R; b) P (−3 ≤ X ≤ 3)=Φ(3) −
Φ(−3)=0.9973; c) dacă v.a.Y ∼ N (m; σ), atunci P (α ≤ Y ≤ β)=P ( α−m σ
≤
Y −m β−m β−m α−m
σ
≤ σ )=Φ( σ ) − Φ( σ ) pentru orice α, β ∈ R, α ≤ β.
Proprietatea a) arată că Tabelul valorilor f.d. Φ(x) poate fi definit doar
pentru valorile argumentului x ≥ 0, iar proprietatea b) justifică de ce Tabelul
din Anexa 1 este dat doar pentru valorile −3.99 < x < 3.99. Mai mult, din
proprietatea c) deducem următoarea
Consecint, ă (Regula "3σ"). Pentru orice v.a.Y ∼ N (m; σ), indiferent
de valoarea ei medie m s, i abaterea ei standard σ, probabilitatea
P (m − 3σ ≤ Y ≤ m + 3σ) = 0.9973.
Cu alte cuvinte, în peste 99% din cazuri, valorile v.a. Y ∼ N (m; σ) se

vor situa în jurul valorii ei medii la o distant, ă de 3σ.
O altă proprietate utilă ne-o oferă
Propozit, ia 7. Dacă X1 , X2 , ..., Xn sunt v.a.i.i.d. Normal cu valoarea
√ k =m s, i dispersia DXk =σ , atunci v.a. Y =X1 +X2 + ...+ Xn ∼
2
medie EX
N (nm; nσ).
Remarca 3. Exemple de v.a. distribuite normal sunt: cantitatea anuală
de precipitat, ii atmosferice dintr-o anumită regiune, eroarea care se obt, ine în
urma măsurării unei mărimi cu un aparat de măsurat, înălt, imea unui bărbat
luat la întâmplare, etc. Mai mult, în anumite condit, ii, sume de v.a. într-un
număr suficient de mare pot fi considerate, cu o anumită doză de aproximare,
ca fiind v.a. normal distribuite, ceea ce simplifică esent, ial analiza statistică
a datelor.
Exemplul 3. În cadrul planificării product, iei de costume pentru bărbat, i
destinate comercializării în Republica Moldova, Fabrica de Confect, ii "Ionel"
din Chis, inău urmează să determine cota parte de costume produse pentru
bărbat, ii ce au înălt, imea ce variază între 164 s, i 170 cm., s, tiind doar faptul
că înălt, imea unui bărbat ales la întâmplare din regiunea dată este o v.a.
X normal distribuită cu media m=170cm s, i abaterea standard σ = 5cm.

Evident că această cotă exprimată în procente este egală cu P (164 ≤ X ≤
170) · 100%. Dar
170 − 170 164 − 170
P (164 ≤ X ≤ 170) = Φ( ) − Φ( )=
5 5
Φ(0) − Φ(−1.2) = 0.5 − 0.11505 = 0.38495.
Prin urmare, cota parte în cauză este egală cu aproximativ 38.5%.
Distribut, ia Hi-pătrat (χ2 ).
Definit, ia 4. Vom spune că variabila v.a.χ2 (n) este repartizată hi-patrat

cu n grade de libertate dacă aceasta are aceeas, i d.r. ca s, i v.a. X12 +X22 +...+Xn2 ,
unde X1 , X2 , ..., Xn sunt variabile aleatoare independente, identic standard
normal distribuite, sau ceea ce este echivalent, dacă aceasta are d.d.
x(n−2)/2 exp(−x/2)
fχ2 (n) (x) = n · I[0,+∞) (x),
2 2 Γ( n2 )
+∞
unde Γ(u) = xu−1 e−x dx. Distribut, ia hi-patrat este tabelată s, i în funct, ie
R
0
de n si x, s, i astfel putem afla valoarea probabilităt, ii P (χ2 (n) ≤ x). Aceasta
din urma poate fi calculată s, i online la adresa
https://www.di-mgt.com.au/chisquare-calculator.html
Din exemplul 3, p. 3.3. putem vedea cum variază grafic forma d.r. a v.a.χ2 (n)
în funct, ie de valoarea parametrului n.
Caracteristicile numerice de bază ale v.a. χ2 (n) sunt: Eχ2 (n)=n, Dχ2 (n)=2n,
µ3 =8n.
Remarca 4. Această distribut, ie este utilizată în calitate de model ma-
tematic pentru diverse proceduri de estimare de interval sau de verificare a
ipotezelor în Statistica Matematică.
Exemplul 4. Considerăm două v.a. independente X ∼ χ2 (15) s, i Y ∼
χ (5). Să se determine valorile medie s, i dispersia v.a. U = X + Y , dar s, i
2
valorile u0.05 s, i u0.95 pentru care P (U ⩽ u0.05 ) = 0.05, P (U ⩽ u0.95 ) = 0.95.

Solut, ie. Din definit, ia distribut, iei χ2 (n) deducem că X ∼ X12 +X22 +...+X15 2
iar Y ∼ X16 2
+X17 2
+...+X20
2
, unde X1 , X2 , ..., X15 , X16 , X17 , ..., X20 sunt
v.a.i.i.d. standard normal distribuite. Prin urmare U =X+Y ∼ X12 +X22 +...
+X15 2
+X162
+X17
2
+...+X20
2
∼ χ2 (20). Or, E(X + Y ) = Eχ2 (20)=20, D(X +
Y ) = Dχ2 (20)=40.
Cum U ∼ χ2 (20), din tabelul prezentat in Anexa 2, vedem că P (U ⩽
uα ) = P (χ2 (20) ≤ Q(α, 20)) = α, 0 < α < 1. Cu alte cuvinte u0.05 = 10.851,
iar u0.95 = 31.41.
Distribut, ia T -Student.
Definit, ia 5. Vom spune că variabila v.a. T (n) este Student repartizată
cu n grade de libertate, pe scurt, T (n) ∼ Student(n), daca aceasta are d.d.
ce coincide cu d.d. a v.a. √ 2X , unde X, χ2 (n) sunt variabile aleatoare
χ (n)/n
independente respectiv, standard normal distriuită s, i hi-pătrat distribuită cu
n grade de libertate.
Caracteristicile numerice de bază ale v.a. T (n) sunt: ET (n) = 0, DT (n)
= n/(n − 2) pentru n > 2, µ3 =0
La fel, această distribut, ie se foloseste pe larg în Statistica Matematică
la construirea unor estimatori de interval, dar s, i la verificarea ipotezelor
statistice.
Pentru calculul probabilităt, ilor de forma P (T (n) ≤ x) se folosesc tabele
care iau în calcul doar cazurile când numărul de grade de libertate nu întrece
120, deoarece odată cu cres, terea lui n această distribut, ie se apropie de cea
normală standard, ceea ce se vede s, i din graficele densităt, ii de distribut, ie
Student fT (n) (x) în funct, ie de n (graficul cu valoarea maximală cea mai mică
pentru n = 1, apoi n = 5, 100):
Probleme propuse.
1. Înălt, imea unui bărbat este o v.a. cu distribut, ia normală. Presupunem
că această distribut, ia are parametrii m = 175 cm s, i σ = 6 cm. Să se for-
meze programul de confect, ionare a costumelor bărbătes, ti pentru o fabrică de
confect, ii care se referă la asigurarea cu costume a bărbat, ilor, înălt, imile cărora
apart, in intervalelor: [150, 155), [155, 160), [160, 165), [165, 170), [170, 175),
[175, 180), [180, 185), [185, 190), [190, 195), [195, 200].
2. Presupunem că o convorbire telefonică durează în medie 5 minute s, i
este o v.a. de distribut, ie exponent, ială. 1) Să se scrie f.d. s, i să se traseze
graficul ei. 2) Dacă vă apropriat, i de o cabină telefonică imediat după ce o
persoană a întrat în ea atunci care este probabilitatea că o să as, teptat, i nu
mai mult de 2 minute?
3. Un autobus circulă regulat cu intervalul 30 minute. 1) Să se scrie d.d.
a v.a. care reprezintă durata as, teptării autobusului de către un pasager care
soseste în stat, ie într-un moment aleator de timp. 2) Să se traseze graficul d.d.
3) Să se determine f.d. s, i să se traseze graficul ei. 4) Care este probabilitatea
că, sosind în stat, ie, pasagerul va as, tepta autobusul nu mai mult de 10 minute.
4. Cantitatea anuală de precipitat, ii atmosferice are distribut, ia normală.
Presupunem că anual, cantitatea de precipitat, ii într-o anumită regiune este
o v.a. aleatoare de repartit, ie normală de parametrii m = 500 mm s, i σ = 150
mm. Care este probabilitatea că în anul viitor cantitatea de precipitat, ii va
fi cuprinsă între 400 si 500 mm. Considerând că un an este secetos când
cantitatea de precipitat, ii nu depăs, es, te 300 mm, aflat, i probabilitatea că doi
din viitorii zece ani vor fi secetos, i?
5. Fie X o v.a. care urmează o distribut, ie normală cu media m = −2 s, i
abaterea standard σ = 3.
a) Calculat, i P (−2.5 < X < 1.5);
b) Calculat, i P (−7 < X < −3.2);
c) Calculat, i P (X > 1.9);
d) Identificat, i valoarea x0.25 astfel încât P (X ⩽ x0.25 ) = 0, 25.
6. Diametrul mingilor de Ping-Pong (notat cu X) fabricate în serie este de
as, teptat să fie normal distribuit cu o medie de 3, 3 cm s, i o abatere standard
de 0, 6 cm.
Care este probabilitatea ca o minge de Ping-Pong aleasă la întâmplare va
avea un diametru
a) Mai mic de 3, 25 cm?
b) Între 3.25 cm s, i 3.35 cm?
c) Să se determine cele două valori ale extremităt, ilor intervalului cu cen-

trul în valoarea medie pentru care 60% din diametrele mingilor de Ping-Pong
vor nimeri în acesta?
Dacă sunt selectate multe es, antioane aleatoare de 25 de mingi Ping-Pong
(d) Ce distribut, ie va urma media es, antionul?
(e) Ce proport, ie din es, antioane vor avea o medie mai mică de 3, 25 cm?
(f) Ce proport, ie din es, antioane vor avea o medie între 3.25 cm s, i 3.35
cm?
(g) Să se determine cele două valori ale extremităt, ilor intervalului cu
centrul în valoarea medie a mediei diametrelor mingilor incluse în es, antion
pentru care 60% din mediile diametrelor mingilor incluse în es, antion vor
nimeri în acest interval?
(h) Ce este mai probabil: să apară o minge luată aparte cu diametrul
între 3, 25 cm s, i 3, 35 cm sau un es, antion cu o medie intre 3, 25 cm s, i 3, 35
cm? Explicat, i.
4.3. Inegalităt, ile Markov s, i Chebyshev, Legea Numerelor Mari

(în formele Cebyshev, Bernoulli, Hincin), Teorema Limită
Centrală
Modelele matematice ce-s, i găsesc aplicare în Statistica Matematică vi-

zează, de fapt, v.a. n-dimensionale X= (X1 , X2 , ..., Xn ) sau funct, ii de
forma g(X1 , X2 , ..., Xn ) privite ca v.a., interes prezentând comportamentul
lor probabilist atunci când n −→ ∞. În acest scop sunt utile inegalităt, i
de tip Inegalitatea Chebyshev, care scot în evident, a faptul că, în anumite
condit, ii, cunoas, terea doar a unor caracteristici sumare ale v.a. X, cum ar fi
valoarea medie, momentul central de ordinul 2 sau dispersia, sunt suficiente
pentru a evalua probabilităt, i legate de această v.a.
Propzit, ia 1 (Inegalitatea Markov ). Dacă pentru v.a. X există
E |X|, atunci are loc inegalitatea
E |X|
P (|X| ≥ ε) ≤ , ∀ε > 0.
ε
Consecint, a 1. Dacă v.a. X ≥ 0 s, i există EX, atunci are loc inegalita-
tea
EX
P (X ≥ ε) ≤ , ∀ε > 0.
ε
Consecint, a 2 (Inegalitatea Chebyshev ). Dacă pentru v.a. X există

momentul init, ial EX 2 , atunci are loc inegalitatea Chebyshev în formele
EX 2
P (|X| ≥ ε) ≤ 2 , ∀ε > 0.
ε
s, i
DX
P (|X − EX| ≥ ε) ≤ , ∀ε > 0.
ε2
Consecint, a 2 (Regula "k σ"). Dacă pentru v.a. X există momentul
init, ial EX 2 , atunci pentru k=2, 3, 4
1
P (EX − kσ < X < EX + kσ) > 1 − ,.
k2
Această consecint, ă arată, de exemplu, pentru k = 3, că în cel put, in
(1 − 312 )100% ≃ 89% din cazuri, valorile v.a. X se vor situa în intervalul
(EX − 3σ, EX + 3σ). As, a cum arată regula 3σ, formulată drept consecint, ă
din Propozit, ia 6, p.4.2. pentru distribut, ia normală cu media m s, i abaterea
standard σ, aceeas, i regulă dedusă din inegalitatea Chebyshev este mai put, in
exactă decât prima, dar aceasta din urmă având avantajul de a fi aplicabilă,
în general, pentru toate v.a. pentru care există media s, i dispersia.
Exemplul 1. În presupunerea că v.a. X are valoarea medie EX = 1 s, i
abaterea standard σ = 0.2 putem evalua probabilităt, ile (granit, ele lor de jos)
evenimentelor
A = {0.5 < X < 1.5}, B = {0.75 < X < 1.35}, C = {X < 2}.
Într-adevăr, A = {1 − 0.5 < X < 1 + 0.5} = {|X − EX| < 0.5}. Dar
σ2 0.22
P (A) = P (|X − EX| ≥ 0.5) ≤ = = 0.16.
0.52 0.52
Prin urmare P (A) = 1 − P (A) ≥ 1 − 0.16 = 0.84. Analogic, deoarece
B ⊇ {0.75 < X < 1.25} = {|X − EX| < 0.25}, avem
0.22
P (B) = 1 − P (B) ≥ 1 − P (|X − EX| < 0.25 ≥ = 0.64.
0.252
Cum C ⊇ {0 < X < 2} = {|X − EX| < 1}, avem că
0.22
P (C) = 1 − P (C) ≥ 1 − P (|X − EX| < 1) ≥ 1 − = 1 − 0.04 = 0.96.
12
Exemplul 2. Viteza vântului în km/oră în orice punct al Pământului

este o v.a. X. Să se evalueze granit, a de sus a probabilităt, ii evenimentului
{X ≥ 80 km/ora} în fiecare din următoarele cazuri: a) în urma unor mă-
surări facute mai mult, i ani la rând s-a stabilit că EX = 16 km/oră; b) în
urma unor măsurări facute suplimentar s-a stabilit că abaterea standard a
v.a. X este egală cu σ = 4 km/oră.
Solut, ie. a) Deoarece X este o v.a. nenegativă, putem aplica Inegalitatea
Markov:
16km/ora
P {X ≥ 80km/ora} ≤ = 0.2.
80km/ora
b) În acest caz, înainte să aplicăm Inegalitatea Cebyshev, observăm că
{X ≥ 80} = {X − EX ≥ 80 − EX} = {X − EX ≥ 64} ⊆ {|X − EX| ≥ 64}.
Prin urmare
DX 42
P {X ≥ 80} ≤ P {|X − EX| ≥ 64} ≤ = ≃ 0.004.
642 642
Remarca 1. Exemplul 2 este sugesitiv, în sensul că arată foarte clar
efectul cunoas, terii suplimentare a dispersiei v.a. X asupra măririi exactităt, ii
estimării probabilităt, ii necunoscute.
Definit, ia 1. Vom spune că s, irul de v.a. X1 , X2 , ..., Xn , ... este guvernat
de Legea Numerelor Mari (LNM) dacă
 n n

1 X 1 X
lim P  Xk − EXk < ε = 1, ∀ε > 0.
n−→∞ n n
k=1 k=1
Teorema 1 (LNM în forma Cebyshev ). Dacă X1 , X2 , ..., Xn , ...

este un s, ir de v.a. necorelate două câte douâ pentru care există dispersia
fiecărei v.a. s, i o constantă c astfel încât dispersiile DXk ≤ c, k = 0,1,2, ...,
atunci s, irul acesta este guvernat de Legea Numerelor Mari.
Consecint, a 1. Dacă X1 , X2 , ..., Xn , ... este un s, ir de v.a. independente
pentru care există dispersia fiecărei v.a. s, i o constantă c astfel încât dispersiile
DXk ≤ c, k = 0,1,2, ..., atunci s, irul acesta este guvernat de Legea Numerelor
Mari.
Consecint, a 2 (LNM în forma Bernoulli ). Dacă X1 , X2 , ..., Xn , ...
este un s, ir de v.a. i.i.d. Bernoulli cu parametrul p, 0 < p < 1, atunci s, irul
acesta este guvernat de Legea Numerelor Mari, care în acest caz ia forma
 n 
1X
lim P  Xk − p < ε = 1, ∀ε > 0.
n−→∞ n
k=1
Remarca 2. LNM în forma Bernoulli serves, te în calitate de fundament

matematic pentru Principiul Regularităt, ii (Stabilităt, ii) Statistice. Într-adevăr,
cum orice experiment aleator E, care poate fi repetat independent unul de
altul în aceleas, i condit, ii, pentru fiecare eveniment aleator A de probabilitate
nenulă p = P (A), poate fi transformat în probă Bernoulli cu probabilitaea
"succesului" p, rezultă că v.a.

1, dacă în proba cu nr. k se produce A,
Xk = k =, 1, 2, ...
0, în caz contrar,
sunt guvernate de LNM în forma Bernoulli. Dar frecvent, a relativă
n
1X
fn (A) = Xk .
n
k=1
Prin urmare pentru astfel de experimente aleatoare LNM ia forma

lim P (|fn (A) − P (A)| < ε) = 1, ∀ε > 0,
n−→∞
care devine, din punct de vedere matematic, o expresie riguroasă a Principiul

Regularităt, ii Statistice.
De remarcat că LNM expusă mai sus în diverse forme este, totus, i, condit, io-
nată de existent, a valorii medii s, i a dispersiei, dar în anumite condit, ii existent, a
dispersiei nu este obligatorie, as, a cum se vede din
Teorema 2 (LNM în forma Hincin). Dacă X1 , X2 , ..., Xn , ... este
un s, ir de v.a.i.i.d. s, i pentru care există valoarea medie EXk =m, k=1, 2, ...,
atunci s, irul acesta este guvernat de Legea Numerelor Mari, care în acest caz
ia forma !
n
1X
lim P Xk − m < ε = 1, ∀ε > 0.
n−→∞ n k=1
Exemplul 3. În Statistică, atunci când avem de a face cu valorile (X1 ,
X2 , ..., Xn ) unei v.a. X, valori obt, inute în urma unor observat, ii indepen-
n
dente asupra acestei v.a., media aritmetica X= n1 Xk serves, te în calitate
P
k=1
de estimator pentru valoarea medie (teoretică) EX =m, m find necunoscut.

LNM în forma Hincin garantează că, odată cu cresterea lui n, aceast apro-
ximare devine tot mai bună pentru m. Din păcate, însă, LNM nu ne spune
nimic despre viteza cu care acest estimator se apropie de valoarea estimată
m. Aceasta lacună vine să o înlăture
Teorema 3 (Teorema Limită Centrală pentru v.a.i.i.d.). Dacă
X1 , X2 , ..., Xn , ... este un s, ir de v.a.i.i.d. s, i pentru care există valoarea
medie EXk =m s, i dispersia DXk =σ 2 , k=1, 2, ..., atunci
P n 
X − nm Zx
 k=1 k  1 − u2
2
lim P  √ ≤ x  = Φ(x) = √ e du, ∀x ∈ R.
n−→∞  σ n  2π
−∞
Consecint, a 1. (Teorema Limită Centrală în forma Moivre-La-

place).Dacă X1 , X2 , ..., Xn , ... este un s, ir de v.a. i.i.d. Bernoulli cu
parametrul p, 0 < p < 1, atunci
P n 
Xk − np Zx
 k=1 
 = Φ(x) = √ 1 − u2
2
lim P  p ≤ x e du, ∀x ∈ R.
n−→∞  np(1 − p)  2π
−∞
n
Următoarea afirmat, ie vine să ilustreze modul în care 1
Xk converge
P
n
k=1
către valoarea medie.
Consecint, a 2. Dacă X1 , X2 , ..., Xn , ... este un s, ir de v.a.i.i.d. s, i
pentru care există valoarea medie EXk =m s, i dispersia DXk =σ 2 , k=1, 2,
..., atunci:
a) pentru ε > 0 dat s, i n suficient de mare probabilitatea
n
! √
1X ε n
P Xk − m ≤ ε ≃ 2Φ( ) − 1.
n k=1 σ
b) pentru orice ε > 0 s, i 0 < α < 1 probabilitatea

n
!
1X
P Xk − m ≤ ε ≥ 1 − α
n k=1
h i
σx1−α/2 2
deîndată ce n ≥ n0 = ε
+ 1, unde [a] este partea întreagă a
numărului a, iar x1−α/2 este 1 − α/2 - quantila v.a. standard distribuită,
adică
x1−α/2 : Φ(x1−α/2 ) = 1 − α/2.
Remarca 2. Important, a Teoremei Limită Centrală rezidă, mai ales,
n
în faptul că aceasta arată că, în anumite condit, ii, o sumă Sn = Xk de
P
k=1
v.a.independente, luate într-un număr suficient de mare, indiferent care este
distribut, ia lor, se comportă din punct de vedere probabilist ca s, i cum aceasta
ar fi o v.a. normal distribuită. Mai exact, avem
Consecint, a 3. Dacă X1 , X2 , ..., Xn , ... este un s, ir de v.a.i.i.d. s, i pentru
care există valoarea medie EXk =m s, i dispersia DXk =σ 2 , k=1, 2, ..., atunci
pentru n suficient de mare
n
!
X x − nm
P Xk ≤ x ≈ Φ( √ ),
k=1
σ n
n
P √
sau cu alte cuvinte Sn = Xk ≃ N (nm; σ n).
k=1
Exemplul 4. O companie de asigurări are asigurate 10000 de automobile.
Probabilitatea unei avarieri, ce intră sub incident, a polit, ei de asigurare, fiind
egală cu p=0.006. Fiecare proprietar de automobil asigurat plătes, te o polit, ă
de asigurare anuală de 50 de euro, primind, în caz de avariere o sumă de
4000 de euro. Să se calculeze probabilităt, ile următoarelor evenimente: A={la
sfârs, it de an compania va fi în pierdere}, Bm ={la sfârs, it de an compania va
avea un profit de, cel put, in, m euro}, m=160000, 240000, 320000.
Solut, ie. Considerăm v.a.

1, dacă automobilul cu nr. k va fi avariat,
Xk =
0, în caz contrar,
k = 1, 2, ..., 10000 . Atunci evenimentul

10000
X 10000
X
A ≡ {4000 · Xk ≥ 500000} = { Xk ≥ 125}.
k=1 k=1
Deoarece v.a. Xk ∼ Bernoulli(0.006), k=1, 2, ..., 10000, n=10000 fiind

suficient de mare, putem aplica Teorema limită Centrală în forma Moivre-
Laplace s, i Consecint, a 3:
10000
! !
X 125 − 10000 · 0.006
P (A) = P Xk ≥ 125} ≈1−Φ p =
k=1
10000 · 0.006 · (1 − 0.006)
= 1 − Φ(8. 416 8) = 1 − 1 = 0.
Analogic,
10000
X 10000
X
B160000 ≡ {4000 · Xk ≤ 500000 − 160000} = { Xk ≤ 85},
k=1 k=1
prin urmare
10000
!
X 85 − 10000 · 0.006
P (B160000 ) = P { Xk ≤ 85} ≈ Φ p =
k=1
10000 · 0.006 · (1 − 0.006)
= Φ (3. 237 2) = 0.9987.

Cititorul poate verifica, în mod similar, că P (B240000 ) ≈ 0.7413
s, i P (B320000 ) ≈ 0.1587.
Probleme propuse.
1. Pret, ul de vânzare al unui anumit produs agricol la Piat, a Centrală
variază de la zi, fiind o v.a. X cu valooare medie egala cu 2 lei/kg. Un
cumpărător afirmă că probablitatea că în ziua următoare pret, ul la acest
produs va fi mai mare sau egală cu 10 lei/kg este mai mică sau egală cu 0.2.
Este oare această afirmat, ie fondată?
2. Producatorul de automobile Mitsubishi Colt garantează, conform cărt, ii
tehnice a acestui autoturism, un consum mediu de benzină în afara oras, ului
egal cu 5 l/100km cu o abatere standard egală cu 0.25 l/100km. Să se
estimeze valoarea probabilităt, ii că proprietarul unui atare autoturism va în-
registra un consum real de benzină în afara oras, ului cuprins între 4.5 si 5.5
l/100km.
3. Presupunem că durata viet, ii măsurată în sute de ore a memoriei hard
produs pentru un anumit tip de laptop este o v.a. măsurată în sute de ore
s, i definită de d.d. f (x) = λe−λx I[0,+∞) (x). Considerăm că v.a. X1 , X2 , ...,
n
Xn sunt v.a.i.i.d. cu d.d. f (x). Pentru v.a. X= n1 Xk , luând n=100 si
P
k=1
λ=1/10, calculat, i cu aproximare probabilitatea P (X ≥ 15).
Scopul suprem al Matematicii rezidă...în

a descoperi ordinea ascunsă în haosul care
ne înconjoară.
Norbert Wiener (1894–1964)
Capitolul 5. Elemente de Teoria Informat, iei

▲ Descrierea obiectului de studiu al Teoriei Informat, iei.

▲ Introducerea unităt, ii de măsură s, i a formulei de calcul pentru cantitatea
de informat, ie, dar s, i a Entropiei ca masură a nedeterminării/cantităt, ii de
informat, ie.
▲ Expunerea rezultatelor principale privind codificarea informat, iei folo-
site la transmiterea informat, iei.
să cunoască formula de calcul a cantităt, ii de informat, ie s, i unităt, ile ei

de măsură;
să fie capabil să interpreteze entropia;
să det, ină abilităt, i de aplicare a codificării informat, iei.
Cuvinte-cheie
Bit, entropie, codificare.

148 Elemente de Teoria Informat, iei
5.1. Obiectul de studiu al Teoriei Informat, iei
Teoria Informat, iei (TI) studiază modele matematice (preponderent statis-

tico-probabiliste) ale fenomenelor legate de recept, ionarea, stocarea s, i trans-
miterea informat, iei. Părintele TI este Claude Shannon, anul 1948 fiind con-
siderat anul aparit, iei acestei teorii.
Not, iunea de informat, ie este o not, iune primară, adică imposibil de în-
cadrat într-o definit, ie strictă, la fel ca not, iunea de punct în geometrie sau
not, iunea de mult, ime din Teoria Mult, imilor. Încercând, totus, i, să o explicăm,
am putea spune că informat, ia pentru un sistem oarecare, biologic sau tehnic,
este un mesaj despre evenimente care au sau au avut sau vor avea loc atât
în exteriorul sistemului cât s, i în interiorul lui.
Ment, ionăm că între informat, ie s, i nedeterminare există o legătură strânsă.
O informat, ie este informat, ie, în sensul adevărat al cuvântului, dacă s, i numai
dacă ea înlătură o anumită nedeterminare.
Într-un experiment se obt, ine o informat, ie numai atunci când nu cunoas, tem
rezultatul său înainte de efectuarea experimentului, adică numai atunci când
rezultatul înlătură nedeterminarea care exista la început.Mai mult, cu cât
nedeterminarea de la începutul experimentului este mai mare, cu atât mai
mare va fi cantitatea de informat, ie pe care o obt, inem atunci când aflăm
rezultatul experimentului.
5.2. Entropia ca masură a nedeterminării/cantităt, ii de

informat, ie
În cazul unui eveniment aleator A asociat experimentului aleator E s, i

pentru care probabilitaea sa P (A) > 0, Claude Shannon defineste cantitatea
de informat, ie ce se cont, ine în mesajul “s-a produs evenimentul A” ca fiind nu-
mărul I(A) = −log2 P (A) . Cea mai mică unitate a cantităt, ii de infornmat, ie
se numes, te bit, unde I(A) = 1 bit atunci când P (A) = 1/2.
Evident, I(A) poate fi interpretată s, i ca, măsura nedeterminării legate
de producerea evenimentului A. această nedeterminare fiind cu atât mai
mare cu cât probabilitatea P (A) va fi mai mică. În extremis, gradul de
nedeterminare este egal cu 0 dacă P (A) = 1.
Ne interesează măsura nedeterminării înlăturate sau cantitatea de informa-
t, ie furnizată de realizarea unui experiment aleator E. Pentru aceasta presu-
punem că în acest experiment observatorul înregistrează producerea unuia
din evenimentele A1 ,A2 ,. . . , An care alcătuiesc un grup complet de eveni-

mente, adică acestea sunt disjuncte doua cate doua si suma lor coincide cu
evenimentul sigur. Realizarea efectivă a experimentului E, înregistrarea unui
anumit eveniment dintre evenimentele A1 , A2 ,. . . , An , ca rezultat a experi-
mentului, înlătură nedeterminarea pe care am avut-o la început.
Exemplu. Fie 2 experimente aleatoare:
E1 - aruncarea unei monede “perfecte” s, i grupul complet de evenimente
A1 ={aparit, ia stemei}={S }, A2 ={aparit, ia banului}={B }
E2 - aruncarea unei monede deformate, astfel încât P {S} = 0.9, P {B} =
0.1.
Avem, astfel, repartit, iile corespunzătoare:

S B S B
E1 : , E2 : .
0.5 0.5 0.9 0.1
Evident, E1 cont, ine mai multă nedeterminare decât E2 , fapt care poate fi
confirmat folosind not, iunea de entropie definite în continuare.
Fie un experiment aleator E în care putem observa, în urma efectuării
lui, unul din evenimentele A1 , A2 , . . . , An care alcătuiesc un grup complet
de evenimente. Presupunem că pi =P (Ai ) > 0, i = 1, . . . , n.
Cantitatea de informat, ie I furnizată în urma efectuării experimentului E
depinde de evenimentul Ai care se va produce, prin urmare aceasta este o
v.a. dată de repartit, ia,
n
I(A1 ) I(A2 ) . . . I(An )
pi = 1 (1)
P
I: , pi > 0, i = 1, . . . , n,
p1 p2 ... pn i=1
Anume valoarea medie EI a acestei v.a. poate fi luată în calitate de

măsurător al cantităt, ii de informat, ie / gradului de nedeterminare furnizat de
experimentul E. Mai exact, putem da următoarea
Definit, ie. Vom numi entropie sau măsură a nedeterminării sau cantitate
de informat, ie a experimentului E numărul
XnX
H(p1 , p2 , . . . , pn ) = − pi · log2 pi ,
i=1
considerând că p · log2 p = 0 dacă p = 0.

Revenind la exemplul de mai sus, constatăm că entropiile lor sunt egale
cu H(E1 ) = 1bit , H(E2 ) = −(0.9log2 0.9 + 0.1log2 0.1) < H(E1 ) deoarece
funct, ia H(p) = −(plog2p + (1 − p)log2(1 − p) are valoare maximală, egală

cu 1, pentru p = 0.5. Cantitatea de informat, ie I furnizată în urma efectuării
experimentului E depinde de evenimentul Ai care se va produce, prin urmare
aceasta este o v.a. dată de repartit, ia , pi > 0, i = 1, . . . , n,
5.3. Proprietăt, ile entropiei
Entropia posedă un s, ir de proprietăt, i, cele mai importante fiind prezentate

în următoarele teoreme.
Teorema 1. Entropia H(p1 , p2 , . . . , pn ) ce corespunde experimentului E
cu repartit, ia (1) posedă următoarele proprietăt, i :
a) H(p1 , p2 , . . . , pn ) ≥ 0;
b) H(p1 , p2 , . . . , pn ) = 0 dacă s, i numai dacă există un indice i0 astfel
încât pi0 = 1;
c) H(p1 , p2 , . . . , pn ) ≤ H(1/n, 1/n, . . . 1/n) pentru orice (p1 , p2 , . . . , pn ),
pi ≥ 0, i = 1, . . . , n;
d) H(p1 , p2 , . . . , pn , 0) = H(p1 , p2 , . . . , pn ).
Având două experimente E1 s, i E2 independente putem defini entropia
experimentului E = (E1 , E2 ) ce constă în efectuarea lor simultană. Notăm
entropia experimentului cu H(E). Are loc
Teorema 2.H(E) = H(E1 , E2 ) = H(E1 ) + H(E2 ).
Exemplu. Consideram în calitate de experiment aleator E = (E1 , E2 )
aruncarea simultană a două monede perfecte, E1 fiind aruncarea primei mo-
nede, iar E2 - aruncarea celei de a doua monede. Evident, H(E1 ) = H(E2 ) =
1bit, dar cantitatea de informat, ie I(E) furnizată de rezultatul efectuării ex-
perimentului E este o v.a. cu repartit, ia

I(SS) I(SB) I(BS) I(BB)
I: 1 1 1 1 .
4 4 4 4
Prin urmare H(E) = H(E1 , E2 ) = H(E1 ) + H(E2 ).
5.4. Transmiterea informat, iei. Codificarea. Teoreme de

codificare
Orice sistem de transmitere a informat, iei se încadrează în una din urmă-

toarele scheme generale ilustrate în figura 6:
Figura 6. Sisteme de transmitere a informat, iei
Pentru a înt, elege rolul not, iunii de entropie în Teoria Informat, iei ne vom
referi în continuare, drept exemplu, la schema c) de transmitere a informat, iei
cu codificare/decodificare, dar fără bruiaj. Dar pentru început vom vedea
ce reprezintă codificarea/decodificarea în sistemele de comunicat, ie de orice
natură, pornind de la următorul
Exemplu. Consideram trimiterea unui mesaj prin SMS (sistemul de me-
saje scurte) al unui telefon mobil. Pentru aceasta folosim, init, ial, în calitate
de semnale caracterele tastaturii QWERTY, numărul lor total fiind notat cu
N . Cu alte cuvinte aceste caractere formează o mult, ime X = {x1 , x2 , . . . , xN }
de semnale. În momentul trimiterii lui (apăsării butonului “send”) fiecare
semnal/caracter x ∈ X este codificat digital, adică cu ajutorul unei mult, imi
de semnale simple Y = {y1 , y2 , . . . , yQ } = {0, 1}.
Definit, ie. Vom numi codificare (codare) asocierea la un anumit sistem de
semnale care poartă o informat, ie (mesaj) a unor succesiuni/s, iruri de semnale
a unui alt sistem de semnale. Primele se numesc semnale init, iale, cele de a
doua se numesc semnale simple.
Este firesc ca multimea Y de semnale simple să cont, ină mai put, ine sem-
nale decât mult, imea X cea ce se s, i întâmplă în exemplul nostru, Q < N .
În Teoria Informat, iei se folosesc, în funct, ie de rezultatele scontate, diferit, i
algoritmi de codare/decodare.
Motivele care ne conduc la necesitatea codarii informatiei sunt multiple.
Iata câteva dintre ele:
a) Natura sistemului concret de transmitere a informat, iei (telegraf, tele-
fon mobil, sistemul Morse, etc.) implică un anumit mod de codare;

b) Prezent, a bruiajelor (perturbat, iilor) canalelor de transmitere a informat, iei
implică utilizarea codării pentru a diminua efectul nociv asupra corectitudinii
informat, iei recept, ionate;
c) La fel, caracterul intim, secret al informat, iei implică codarea ei.
Observat, ie. Motive de tipul c) pot avea drept consecintă faptul că,
uneori, card Y ≥ card X.
Fie X = {x1 , x2 , . . . , xN } mult, imea de semnale init, iale, iar Y = {y1 , y2 ,. . .
,yQ } mult, imea de semnale simple. În procesul alcătuirii / trimiterii unui
mesaj (unei informat, ii), folosind semnalele din X, fiecare xi ∈ X, i = 1, N ,
are o anumită probabilitate (frecvent, a relativă) p(xi ) cu care se intâlnes, te în
acest mesaj. Să luăm, drept exemplu, mesajul “mâine_va_ploua”. Acesta
are lungimea 14, incluzând simbolul “pauză" - “_”, iar semnalele “m”, “a”
s, i “b”, de exemplu, au frecvent, a relativă egală, respectiv, cu p(m) = 1/14,
p(a) = 1/7, p(b) = 0. Prin urmare, transmiterii unui mesaj E i se poate
asocia cantitatea de informat, ie H(E). Cum în procesul codării (criptării)
fiecărui semnal xi i se asociază un s, ir de semnale simple din Y , s, irul având
lungimea ni , i = 1, 2, . . . , N , atunci putem calcula lungimea medie L a unui
s, ir de semnale simple folosite în procesul de codare:
Acum putem formula, drept exemplu, două rezultate teoretice ce vizează
procesul de codificare a semnalelor transmise prin intermediul unui sistem /
canal de transmitere a informat, iei fără bruiaj, rezultate care arată care sunt
limitele s, i posibilităt, ile codificării.
Propozit, ie. Pentru ca să fie posibilă codificarea prin intermediul s, irurilor
de semnale simple de lungimea ni , i = 1, 2, . . . , N , care să fie atas, ate sem-
nalelor init, iale x1 , x2 , . . . , xN , este necesar s, i suficient să fie îndeplinită in-
egalitatea
XNX
Q−ni < 1.
i=1
Teorema codificării. Ca să putem efectua o codificare, folosind Q sem-

nale simple, pentru a transmite o cantitate de informat, ie H(E), este nece-
sar ca lungimea medie L a s, irurilor de codificare, atas, ate semnalelor init, iale
din mult, imea X, purtătoare de informat, ie, să nu fie inferioară numărului
H(E) · log2 Q, adică L ≥ H(E) · log2 Q.
Exemplu (continuare). În directă legatură cu trimiterea mesajului
“mâine_va_ploua”, respectiv, experimentul E , cantitatea de informat, ie

I va fi o v.a. cu repartitia
I(â) I(a) I(e) I(0) I(u) I(i) I(m) I(n) ... I(v) I(_)
I:
1/14 2/14 1/14 1/14 1/14 1/14 1/14 1/14 ... 1/14 2/14
Prin urmare H(E) = 2[−(2/14) · log2 (2/14)] + 10[−(1/14) · log2 (1/14)] ≈

3.5216.
În cazul codificării digitale Y = {0, 1}, Q = 2. Prin urmare ca acest
mesaj să poată fi codificat digital este necesar ca lungimea medie a s, irurilor
de codificare să fie mai mare sau egală cu H(E) · log2 Q = 3.5216.
154 Teste Autoevaluare
TEST AUTOEVALUARE
TEST(Multiple choise)
Remarcă: Răspunsul la fiecare subiect / intrebare este considerat corect

dacă au fost incercuite numai s, i numai afirmat, iile / raspunsurile corecte
asociate subiectului.
1. Presupunem că în legatură cu o cercetare statistică a unei populat, ii,

ce constă din 10000 de persoane, a fost realizat un es, antion de volum n =
1000. Atunci numarul total de es, antioane de acest volum este egal cu: a)
10000 în cazul es, antionării fără repetare; b) C10000 în cazul es, antionării fără
A1000 1000
repetare; c) 100001000 în cazul es, antionării cu repetare; d) 100010000 în cazul

es, antionării cu repetare.
2. Considerăm aruncarea unui zar de 10 ori succesiv cu spat, iul de eveni-

mente elementare Ω s, i evenimentul aleator A = { de 2 ori va apare fat, a 2,
de 3 ori va apare fat, a 3, de 5 ori va apare fat, a 5}. Atunci: a) Card Ω =
610 ; b) Card Ω = 106 ; c) Card A = A210 A38 A55 ; d) Card A = C210 C38 C55 .
3. Considerăm mult, imea Ω = {pix, creion, riglă, caiet}. Atunci mult, imea
A = {creion, riglă} reprezintă: a) Un aranjament din 4 elemente a mult, imii
Ω luate câte 2; b) O combinare din 4 elemente ale mult, imii Ω luate câte 2;
c) O combinare din 2 elemente a mult, imii Ω luate câte 2; d) O permutare
din 4 elemente a mult, imii Ω.
4. Considerăm un experiment aleator căruia îi corespunde spat, iul de

evenimente elementare Ω pentru care Card Ω ⩾ 2. Atunci familia tuturor
evenimentelor aleatoare al acestui experiment F ={A : A ⊆ Ω} are Card F :
a) egal cu un număr impar; b) egal cu un număr par; c) egal cu un divizibil
cu 3; d) egal cu un număr divizibil cu 4.
5. Marcati formulele de calcul corecte: a) Akn = n(n − 1)...(n − k + 1);

k
b) Akn = n!/(n − k)!; c) Ckn = (n−k)!k!
n!
; d) Ckn = Ak!n .
6. Care din următoarele exemple de experimente / fenomene reprezinta

experimente aleatoare ce posedă proprietatea regularităt, ii statistice: a) Nota
la examenul de Probabilităt, i si Statistica Matematică acordată unui student
concret de la universitatea dată; b) Nota la examenul de Probabilităt, i si
Statistica Matematică acordată unui student ales la întâmplare de la univer-

sitatea dată; c) Accelerat, ia unui corp in cădere liberă de la inălt, imea de 10
m; d) Distant, a parcursă de un autoturism pe durata unei ore, dacă acesta
se mis, că cu o viteză constantă de 50 km/oră.
7. Considerăm alegerea la întâmplare a unui student de la universitatea

dată, înregistrând calitatea lui de a fi sau nu fumător. Atunci spat, iul de
evenimente aleator corespunzător este: a) Ω = {fumător, nefumător }; b)
Ω = {0, 1}, 0 = nefumător, 1 = fumător; c) Ω = {ω1 ,ω2 }, ω1 = nefumător,
ω2 = fumător; d) Ω = {1, 2}, 1 = nefumător, 2 = fumător.
8. Fie A, B două evenimente asociate experimentului aleator E ce posedă

proprietatea regularităt, ii statistice. Atunci frecvent, a relativă fn (· ) în n
probe E posedă următoarele proprietăt, i: a) fn (A) ⩾ 0; b) fn (Ω) = 1; c)
fn (A ∪ B) = fn (A) + fn (A) dacă A s, i B sunt independente; d) fn (A ∪ B) =
fn (A) + fn (A) dacă A s, i B sunt incompatibile.
9. Fie A un eveniment asociat experimentului aleator E ce posedă propri-

etatea regularităt, ii statistice. Atunci numărul P (A) ∈ [0, 1], în jurul căruia
oscilează frecvent, a relativă fn (A) odată cu cres, terea numărului n de probe
E se numes, te: a) Probablitate statistică; b) Probabilitate subiectivă; c) Pro-
babilitate axiomatică; d) Probabilitate frecvent, ială.
10. Considerăm alegerea prin sondaj a unui abonat la telefonie mobilă

"Orange", acesta fiind rugat să marcheze unul din răspunsurile posibile la
întrebarea "Suntet, i mult, umit de serviciile operatorului": 1. DA; 2. NU; 3.
NU s, TIU. Atunci spat, iul de evenimente elementare Ω corespunzător acestui
experiment aleator: a) Este o mult, ime de tip discret; b) Este o mult, ime de
tip continue; c) Familia de evenimente aleatoare F ={A : A ⊆ Ω} are Card
F =3; d) Familia de evenimente aleatoare F ={A : A ⊆ Ω} are Card F =8.
11. Fie A, B două evenimente aleatoare legate de unul si acelas, i experi-

ment aleator. Atunci suma acestor evenimente aleatoare se produce: a) Dacă
se produce sau evenimentul A sau B sau A s, i B concomitent; b) Dacă se
produce cel put, in unul din evenimentele A sau B; c) Daca se produc eveni-
mentele A s, i B concomitent; d) Dacă nu se produce niciunul din evenimentele
A sau B.
12. Fie A, B două evenimente aleatoare legate de unul si acelas, i expe-

riment aleator. Atunci produsul acestor evenimente aleatoare are loc dacă:
a) Se produce sau evenimentul A sau B sau A s, i B concomitent; b) Se
produce cel put, in unul din evenimentele A sau B; c) Se produc evenimentele
A s, i B concomitent; d) Nu se produce niciunul din evenimentele A sau B.
13. Fie A, B două evenimente aleatoare legate de unul s, i acelas, i expe-

riment aleator. Atunci spunem că evenimentul A implică evenimentul B
dacă:
a) B ⊆ A; b) A ⊆ B; c) A ∩ B = ∅; d) A ∪ B = Ω.
14. Fie A un eveniment aleator legat de experimentul aleator E, căruia îi

corespunde spat, iul de evenimente elementare Ω. Atunci: a) A ∪ A = Ω; b)
A ∩ A = ∅; c) A ∩ Ω = Ω; d) A ∪ Ω = A.
15. Fie (Ω, F, P ) un spat, iu de probabilitate. Atunci evenimentul imposi-

bil este evenimentul: a) A cărei probabilitate este nulă; b) Care corespunde
mult, imii ∅; c) Opusul căruia coincide cu evenimentul sigur; d) Care cores-
punde mult, imii Ω.
16. Fie (Ω, F, P ) un spat, iu de probabilitate. Atunci evenimentul sigur

este evenimentul: a) A cărei probabilitate este egală cu 1; b) Care corespunde
mult, imii Ω; c) Opusul căruia coincide cu evenimentul imposibil; d) Care
corespunde mult, imii ∅.
17. Dacă F ={A : A ⊆ Ω} este o familie de evenimente aleatoare, atunci

pentru orice doua evenimente A, B ∈ F formulele de dualitate ale lui de
Morgan reprezintă următoarele egalităt, i: a) A ∪ B = A ∪ B; b) A ∪ B = A
∩ B; c) A ∩ B = A ∩ B; d) A ∩ B = A ∪ B.
18. Fie (Ω, F, P ) un spat, iu de probabilitate s, i A, B ∈ F. Atunci au

loc următoarele proprietăt, i: a) P (A) = 1 − P (A), ∀A ∈ F; b) P (AB) ≤
P (A) ≤ P (A ∪ B) ≤ P (A)+P (B); c) P (A) = P (B), dacă A ⊆ B; d)
P (A ∪ B) = P (A) + P (B).
19. Fie (Ω, F, P ) un spat, iu de probabilitate s, i A, B ∈ F. Atunci au

loc următoarele proprietăt, i: a) P (∅) = 0; b) P (AB) = P (A)P (B); c)
0 ⩽ P (A) ⩽ 1; d) P (AB) ≤ P (B).
20. Fie (Ω, F, P ) un spat, iu de probabilitate. Atunci evenimentele A, B, C ∈

F sunt independente în totalitate dacă: a) P (ABC) = P (A)P (B)P C);
b) P (AB) = P (A)P (B), P (BC) = P (B)P C), P (AC) = P (A)P C); c)
P (AB) = P (A)P (B), P (BC) = P (B)P C), P (AC) = P (A)P C), P (ABC)
= P (A)P (B)P C); d) P (A) = P (B) = P C).
21. Fie (Ω, F, P ) un spat, iu de probabilitate. Atunci: a) P (A ∪ B) =

P (A) + P (B) − P (AB), ∀A, B ∈ F; b) P (ABC) = P (A)P (A/B)P (C/AB),
∀A, B, C ∈ F pentru care P (AB) > 0; c) P (ABC) = P (A)P (A/B)P (C/AB),
∀A, B, C ∈ F; d) P (ABC) = P (A), ∀A, B, C ∈ F pentru care A ⊆ B ⊆ C.
22. Marcat, i afirmat, iile corecte: a) Probabilitatea clasică este un caz

particular a probabilităt, ii axiomatice; b) Probabilitatea clasică este un caz
particular a probabilităt, ii discrete; c) Probabilitatea geometrică este un caz
particular a probabilităt, ii axiomatice; d) Pentru probabilitatea statistica /
frecvent, ială au loc toate proprietatile probabilităt, ilor axiomatice.
23. Dacă spat, iul de evenimente elementare este finit s, i toate evenimentele
elementare sunt echiprobabile, atunci se aplică definit, ia probabilităt, ii: a)
Clasice; b) Discrete; c) Axiomatice; d) Geometrice.
24. Fie (Ω, F, P ) un spat, iu de probabilitate s, i evenimentele indepen-

dente în totalitate A1 , A2 , ..., An ∈ F. Atunci: a) P (A1 ∪ A2 ∪...∪An ) =
P (A1 )+P (A2 )+...+P (An ); b) P (A1 ∪A2 ∪...∪An ) = P (A1 )·P (A2 )·...·P (An );
c) P (A1 ∪ A2 ∪...∪An ) = P (A1 ) + P (A2 )+...+P (An ); d) P (A1 ∪ A2 ∪...∪An )
= 1 − [1 − P (A1 )][1 − P (A2 )]...[1 − P (An )].
25. Fie (Ω, F, P ) un spat, iu de probabilitate s, i evenimentele A1 , A2 , ...,

An ∈ F. Atunci aceste evenimente sunt: a) Independente două câte două,
dacă ele sunt independente în totalitate; b) Independente în totalitate, dacă
ele sunt independente doua câte două; c) Incompatibile două câte două, dacă
ele sunt independente în totalitate; d) Independente în totalitate, dacă ele
sunt incompatibile două câte două.
26. Fie (Ω, F, P ) un spat, iu de probabilitate. Atunci probabilitatea

condit, ionată P (A/B) este definită: a) Pentru orice doua evenimente A, B ∈
F; b) Numai pentru acele evenimente A, B ∈ F pentru care P (A) > 0; c)
Numai pentru acele evenimente A, B ∈ F pentru care P (B) > 0; d) Numai
pentru acele evenimente A, B ∈ F pentru care s, i P (A) > 0 s, i P (B) > 0.
27. O cutie cont, ine doua bile colorate în alb sau negru, dar pentru care
sunt echiprobabile oricare dintre ipotezele H1 : ambele bile sunt albe; H2 :
ambele bile sunt negre; H3 : o bila este alba, cealalta este neagra. Adăugăm
în cutie o bilă albă, după care extragem la întâmplare o bilă. Atunci proba-
bilitatea ipotezei H3 , dacă se s, tie că bila extrasă este albă este egală cu: a)
1
6
; b) 13 ; c) 12 ; d) 23 .
28. O cutie cont, ine 10 bile, din care 4 bile ros, ii, 3 bile galbene s, i 3 bile
albastre. Extragem la întâmplare, fără întoarcere, 6 bile. Atunci probabili-
tatea ca printre bilele extrase vom avea 2 bile ros, ii, 2 bile galbene si 2 bile
2 32 32 A24 A23 A23 C2 C2 C2
albastre este egala cu: a) 4 10 6 ; b) A6
; c) 4C63 3 ; d) 2!2!2!
10!
;
10 10
29. Presupunem că într-un dulap avem 4 perechi diferite de pantofi.

Alegem la întâmplare 2 pantofi. Atunci probabilitatea că aces, tia vor forma
o pereche este egală cu: a) A22 ; b) 842 ; c) C48 ; d) 14 .
8
30. Considerăm (Ω, F, P ) un câmp de probabilitate. Atunci: a) Se

numes, te variabilă aleatoare (v.a.) orice funct, ie X : Ω −→ R; b) Dacă Ω
este o mult, ime de tip discret, atunci orice funct, ie X : Ω −→ R devine v.a.;
c) Se numes, te variabilă aleatoare (v.a.) orice funct, ie X : Ω −→ R dacă
mult, imea {ω : X(ω) ≤x} ∈ F, ∀x ∈ R; d) Funct, ia X : Ω −→ R este v.a.
0, pentru ω ∈
/ A,
dacă X(ω) = IA (ω) = deîndată ce A ∈ F.
1, pentru ω ∈ A,
31. Considerăm o v.a. X definită pe câmpul de probabilitate (Ω, F, P ).
Atunci funct, ia F (x) = P (X ≤ x) definită pentru orice x ∈ R: a) Se numes, te
densitate de distribut, ie a v.a. X; b) Este continuă la dreapta; c) Este
monoton nedescrescătoare; d) Are proprietatea că F (−∞) = 1 s, i F (+∞) =
0.
32. Considerăm (Ω, F, P ) un câmp de probabilitate. Atunci următoarele

funct, ii sunt v.a.: a) X : Ω −→ X , unde X = {x1 , x2 , ...} ⊂ R, x1 < x2 < ...
s, i P (X ∈ X ) = 1; b) X(ω) = const pentru orice ω ∈ Ω; c) X : Ω −→ [0, 1],
unde X(ω) = ω,pentru orice ω ∈ Ω = [0, 1]; d) X : Ω −→ [0, 1], unde
0, pentru ω ∈
/ A,
X(ω) = IA (ω) = deîndată ce Ω = [0, 1] si A = [0, 1/2].
1, pentru ω ∈ A,
33. Care dintre următoarele

tablouri
reprezintă distributii
probabiliste

0 1 0 1
ale unor v.a.: a) X : , ∀p ∈ R; b) X : ; c)
p 1−p 1/2 1/3

0 1 0 1
X: ; d) X : .
0.49 0.51 0.51 0.49
34. În legatură cu experimentul aleator ce constă în aruncarea unei mo-

nede "perfecte" de trei ori succesiv considerăm în calitate de v.a. funct, ia
1, daca de trei ori apare aceeasi fata ,

X(ω) = IA (ω) =
0, in caz contrar .

0 1
Atunci distribut, ia acestei v.a. este: a) X : ; b) X :
1/2 1/2
0 1 0 1 0 1
; c) X : ; d) X : .
2/3 1/3 2/3 1/4 3/4 1/4
35. Considerăm v.a. X cu funct, ia de distribut, ie F (x) = 61 I[0,1) (x) +

2
I (x) +I[2,+∞) (x). Atunci distribut,
3 [1,2)
ia probabilistă a acestei
v.a este:
0 1 2 0 1 2
a) X : ; b) X : ;
1/6 2/6 1/2 1/2 1/4 1/4
0 1 2 0 1 2
c) X : ; d) X : .
1/6 1/2 1/3 1/6 1/2 1/2
36. Considerăm v.a. X dată de distribut, ia probablistă

0 1 2
X: .
1/6 1/2 1/3
Atunci funct, ia ei de distribut, ie este: a) F (x) = 61 I[0,1) (x) + 21 I[1,2) (x) +
1
I
3 [2,+∞)
(x); b) F (x) = 16 I[0,1) (x) + 32 I[1,2) (x) + I[2,+∞) (x); c) F (x) = 61 I[0,1) (x)
+ 31 I[1,2) (x) + I[2,+∞) (x); d) F (x) = 16 I[0,1) (x) + 46 I[1,2) (x) + 13 I[2,+∞) (x);
37. Considerăm v.a. X cu funct, ia de distribut, ie F (x) = x−a I (x) +

b−a [a,b]
I(b,+∞) (x), unde a < b, a, b ∈ R. Atunci : a) V.a. X este de tip dis-
cret;b) V.a. X este de tip (absolut)
continuă; c) V.a. are distribut, ia
0 1
X : ; d) V.a. X are densitatea de distribut, ie
1/(b − a) 1 − 1/(b − a)
1
f (x) = b−a I[a,b] (x).
38. Considerăm v.a. X cu distribut, ia

2 22 23 ... 2n ...
X: .
1/2 1/22 1/23 ... 1/2n ...
Atunci valoarea ei medie EX este egală cu: a) 1; b) 1/2; c) 2; d) Nu există.
39. Considerăm v.a. X cu densitatea de distribut, ie f (x) = 12 I[−1,1] (x).

Atunci funct, ia ei de distribut, ie: a) Este discontinuă; b) Este continuă; c)
EX = 0; d) DX = 1/3.
40. Considerăm v.a. X cu densitatea de distribut, ie f (x) = I[0,1] (x).

Atunci v.a. 2X+1 are: a) d.d. f (x) = 21 I[1,3] (x); b) f.d. F (x)= x−1
2
I[1,3] (x)
+ I(3,+∞) (x); c) EX = 2; d) DX = 1/3.
41 Considerăm v.a. Y cu densitatea de distributie f (x) = 21 I[1,3] (x).

Atunci v.a. X = (Y −1)/2 are: a) d.d. f (x) = I[0,1] (x); b) f.d. F (x)=xI[0,1] (x)
+ I(1,+∞) (x); c) EX = 1/2; d) DX = 1/12.

0 1 2
X: .
1/3 1/2 1/6
Atunci: a) P (X = 3) = 1/6; b) P (0 < X < 1) = 0; c) P (0 < X ≤ 1) = 0;

d) P (0 < X ≤ 1) = 1/2.

0 1 2
X: .
1/3 1/2 1/6
Atunci: a) Distribut, ia probabilistă a v.a. Y = X 2 +1 este

0 1 2
Y : ;
1/32 1/22 1/62
b) Distribut, ia probabilistă a v.a. Y = X 2 +1 este

1 2 5
X: ;
1/3 1/2 1/6
c) P (0 < X ≤ 1) = 1/3; d) P (0 < X ≤ 1) = 1/22 .
44. Considerăm v.a. X cu densitatea de distribut, ie f (x) = 2xI[0,1] (x).

Atunci: a) F.d. a v.a. X coincide cu F (x)=x2 I[0,1] (x); b) F.d. a v.a. X
coincide cu F (x) = x2 I[0,1] (x) + I(1,+∞) (x); c) P (0 < X ≤ 1/2) = 1/4; d)

P (0 < X < 1/2) = 1/4.
45. Care din următoarele experimente aleatoare reprezintă probe Berno-

ulli? a) Aruncarea zarului o singură dată, dacă ne interesează doar aparit, ia
fet, ei 6; b) Rezultatul unui Test PCR la Covid-19; c) Alegerea la intâmplare
a unei piese dintr-un lot de piese de acelas, i fel, dacă ne interesează faptul că
piesa este sau nu fără defecte; d) Alegerea la intâmplare a unui număr din
mult, imea de cifre {0,1}.
46. Care din următoarele repartit, ii probabliste reprezintă repartit, ia uni-

formă pe mult, imea {0, 1, 2, ..., n}? a) P (x = k) = Ckn ( 31 )k ( 32 )n−k , k = 0, n;
−1
b) P (x = k) = ek! , k = 0, 1, 2, ...; c) P (x = k) = n+1 1
, k = 0, n; d)
P (x = k) = 3 ( 3 ) , k = 0, 1, 2, ... .
1 2 k
47. Care din următoarele repartit, ii probabliste reprezintă repartit, ia Bi-

−1
nomiala? a) P (x = k) = Ckn ( 13 )k ( 32 )n−k , k = 0, n; b) P (x = k) = ek! ,
k = 0, 1, 2, ...; c) P (x = k) = n+1 1
, k = 0, n; d) P (x = k) = 31 ( 23 )k ,
k = 0, 1, 2, ... .
48. Care din următoarele repartit, ii probabliste reprezintă repartit, ia Po-

−1
isson? a) P (x = k) = Ckn ( 31 )k ( 23 )n−k , k = 0, n; b) P (x = k) = ek! ,
k = 0, 1, 2, ...; c) P (x = k) = n+1 1
, k = 0, n; d) P (x = k) = 31 ( 23 )k ,
k = 0, 1, 2, ... .
49. Care din următoarele repartit, ii probabliste reprezintă repartit, ia Ge-

−1
ometrica? a) P (x = k) = Ckn ( 13 )k ( 32 )n−k , k = 0, n; b) P (x = k) = ek! ,
k = 0, 1, 2, ...; c) P (x = k) = n+1 1
, k = 0, n; d) P (x = k) = 31 ( 23 )k ,
k = 0, 1, 2, ... .
50. Care din următoarele densităt, i de repartit, ie probabiliste reprezintă

repartit, ia uniformă în caz absolut continuu: a) f (x) = λe−λx I[0,+∞) (x), λ >
2
0; b) f (x) = 21 I[0,2] (x); c) f (x)= √12π e − x2 ; d) f (x) = I[0,1] (x).

repartit, ia exponentială: a) f (x) = λe−λx I[0,+∞) (x), λ > 0; b) f (x) =
2
1
I (x); c) f (x)= √12π e − x2 ; d) f (x) = 3e−3x I[0,+∞) (x).
2 [0,2]

2
repartit, ia normală: a) f (x) = √2πσ
1
e − (x−m)
2σ 2
, m ∈ R, σ > 0; b) f (x) =
x2
1
I (x);
2 [0,2]
c) f (x)= √12π e − 2
; d) f (x) = 3e−3x I[0,+∞) (x).
53. Considerăm v.a. X ∼ U {0, 1, ..., N }. Atunci: a) EX = N/2; d)

E(X + 1) = (N + 2)/2; c) DX = (N 2 − 1)/12; d) D(X + 1) = (N 2 − 1)/12.
54. Dacă X coincide cu numărul total de "succese" in n probe Bernoulli

cu probabilitatea "succesului" p, 0 < p < 1, în fiecare probă, atunci X este o
v.a. distribuită: a) Binomial cu parametrii n, p; b) Geometric cu parametrul
p; c) Poisson cu parametrul p; d) Geometric cu parametrul p trunchiată în
zero.
55. Dacă X coincide cu numărul total de probe Bernoulli cu probabilita-

tea "succesului" p, 0 < p < 1, în fiecare probă, efectuate pană la înregistrarea
primului "succes", atunci X este o v.a. distribuită: a) Binomial cu parame-
trii n, p; b) Geometric cu parametrul p; c) Poisson cu parametrul p; d)
Geometric cu parametrul p trunchiată în zero.
56. Dacă X coincide cu numărul total de "insuccese" in probe Bernoulli

cu probabilitatea "succesului" p, 0 < p < 1, în fiecare probă, efectuate
pană la înregistrarea primului "succes", atunci X este o v.a. distribuită: a)
Binomial cu parametrii n, p; b) Geometric cu parametrul p; c) Poisson cu
parametrul p; d) Geometric cu parametrul p trunchiată în zero.
57. Dacă v.a. X ∼ U {0, 1, 2, ..., N }, atunci v.a. Y = X + 1 este:

a) Uniform distribuită pe aceeas, i mult, ime {0, 1, 2, ..., N }; b) Uniform dis-
tribuită pe mult, imea {1, 2, ..., N + 1}; c) Binomial distribuită pe aceeasi
mult, ime{0, 1, 2, ..., N }; d) Binomial distribuită pe mult, imea {1, 2, ..., N + 1}.
58. Dacă v.a. X ∼ U [0, 1], atunci v.a. Y = X − 2 e ste: a) Uniform

distribuită pe mult, imea [0, 2]; b) Uniform distribuită pe multimea [−2, −1];
c) Uniform distribuită pe aceeas, i mult, ime [0, 1]; d) Uniform distribuită pe
mult, imea [−2, 0].
59. Dacă v.a. X ∼ U [−1, 1], atunci v.a. Y = (X + 1)/2 este: a) Uniform
distribuita pe mult, imea [0, 2]; b) Uniform distribuită pe mult, imea [−2, −1];
c) Uniform distribuită pe aceeas, i mult, ime[0, 1]; d) Uniform distribuită pe

mult, imea [−2, 0].
60. Dacă v.a. X ∼ N (0, 1), unde EX = 0, DX = 1 atunci v.a. Y = 2x+1

este normal distribuită cu: a) media 0 s, i dispersia 1; b) media 1 s, i dispersia
2; c) media 1 s, i dispersia 4; d) media 1 s, i dispersia 1.
61. Notăm prin X numărul bilelor ros, ii inregistrate în urma extragerii

la intâmplare, fară repetare a 4 bile dintr-o cutie cu 5 bile albe si 5 bile
ros, ii. Atunci: a) V.a. X ∼ Geom(1/2); b) X ∼ Bi(4; 1/2); c) X ∼
Hypergeom(10, 5; 4); c) X ∼ Hypergeom(5, 5; 4).
62. Notăm prin X numărul bilelor ros, ii înregistrate în urma extra-

gerii la întâmplare, cu repetare a 4 bile dintr-o cutie cu 5 bile albe si 5
bile ros, ii. Atunci: a) V.a. X ∼ Geom(1/2); b) X ∼ Bi(4; 1/2); c)
X ∼ Hypergeom(10, 5; 4); c) X ∼ Hypergeom(5, 5; 4).
63. Notăm prin X numărul bilelor albe inregistrate în urma extragerii

la întâmplare, cu repetare a câte o bila dintr-o cutie cu 5 bile albe s, i 5
bile ros, ii, extragerea terminându-se în momentul aparit, iei prima dată a unei
bile ros, ii. Atunci: a) V.a. X ∼ Geom(1/2); b) X ∼ Bi(4; 1/2); c) X ∼
Hypergeom(10, 5; 4); c) X ∼ Hypergeom(5, 5; 4).
64. Notăm prin X numărul tuturor bilelor extrase in urma extragerii la

intâmplare, cu repetare a câte o bilă dintr-o cutie cu 5 bile albe si 5 bile ros, ii,
extragerea terminându-se in momentul aparit, iei prima dată a unei bile ros, ii.
Atunci: a) V.a. X ∼ Geom(1/2) trunchiată în zero; b) X ∼ Bi(4; 1/2); c)
X ∼ Hypergeom(10, 5; 4); c) X ∼ Hypergeom(5, 5; 4).
65. Considerăm v.a. X s, i Y pentru care EX = 1, E(X + Y ) = 3. Atunci

valoarea medie E(3X + 2Y ) este egală cu: a) 3; b) 2; c) 5; d) 7.
66. Considerăm două v.a. independente X s, i Y pentru care DX =

1, D(X + Y ) = 3. Atunci dispersia D(3X + 2Y ) este egală cu: a) 3; b) 2; c)
5; d) 7.
67. Considerăm două v.a. independente X s, i Y pentru care DX = DY =

1. Atunci dispersia D(X − 2Y ) este egală cu: a) −1; b) 2; c) 5; d) 7.
68. Fie v.a. X cu EX = 0, DX = 1. Atunci valoarea medie EX 2 este

egală cu: a) −1; b) 2; c) 1; d) 7.
69. Considerăm două v.a. X si Y pentru care DX = DY = 1, iar

D(X + Y ) = 4. Atunci: a) Covariant, a Cov(X,Y ) = 1; b) Coeficientul de
corelat, ie ρ(X, Y ) = 1; c) Există doua numere reale a ̸= 0 s, i b astfel încât
P (Y = aX + b) = 1; d) X s, i Y sunt v.a. dependente.
70. Considerăm distribut, ia în ansamblu a vectorului aleator
X⧹Y −1 1
−1 c 1/3
1 1/6 1/6
Atunci: a) c = 1/3; b) P (X = −1) = 2/3, P (X = 1) = 1/3, P (X =

−1) = 1/2, P (X = 1) = 1/2; c) V.a. X, Y sunt independente; d) Coefi-
cientul de corelat, ie ρ(X, Y ) = 1.
71. Fie X o v.a. de tip absolut continue cu f.d. F (x) = P (X ≤ x).

Atunci pentru orice număr real a: a) P (X = a) = F (a) − F (a − 0), unde
F (a−0) este limita la stânga a f.d. F (x) în punctul x = a; b) P (X = a) = 0;
c) P (X = a) = 1 − F (a); d) P (X = a) = F (a).
72. Fie X o v.a. de tip discret cu f.d. F (x) = P (X ≤ x). Atunci pentru
orice numere reale a, b, a ≤ b: a) P (a < X ≤ b) = F (b) − F (a − 0), unde
F (a − 0) este limita la stânga a f.d. F (x) în punctul x = a; b) P (a <
X ≤ b) = F (b − 0) − F (a − 0); c) P (a < X ≤ b) = F (b) − F (a); d)
P (a < X ≤ b) = F (b − 0) − F (a).
73. Fie X o v.a. de tip discret cu f.d. F (x) = P (X ≤ x). Atunci pentru
orice numere reale a, b, a ≤ b: a) P (a ≤ X ≤ b) = F (b) − F (a − 0), unde
F (a − 0) este limita la stânga a f.d. F (x) în punctul x = a; b) P (a ≤
X ≤ b) = F (b − 0) − F (a − 0); c) P (a ≤ X ≤ b) = F (b) − F (a); d)
P (a ≤ X ≤ b) = F (b − 0) − F (a).
74. Fie X o v.a. de tip absolut continue cu f.d. F (x) = P (X ≤ x) s, i d.d.

f (x). Atunci pentru orice
+∞ Rx
număr real a: a) dFdx(x) = f (x); b) f (x)dx = 1; c) F (x) =
R
f (u)du;
−∞ −∞
d) P (X = 0) = 0.
75. Presupunem ca în urma aruncării unei monede perfecte de 8 ori

succesiv de fiecare dată a apărut Stema. Atunci cantitatea de informat, ie
cont, inută în mesajul că s-a produs acest eveniment cont, ine o cantitate de
informat, ie egală cu: a) 4bit; b) 8bit; c) 0.5bit; d) 1byte.
76. Presupunem ca în urma aruncării unui tetraedru perfect de 8 ori

succesiv de fiecare dată a apărut fat, a 1. Atunci cantitatea de informat, ie
cont, inută în mesajul că s-a produs acest eveniment cont, ine o cantitate de
informat, ie egală cu: a) 16bit; b) 8bit; c) 1byte; d) 2byte.
77. Mesajul că s-a produs un eveniment a cărui probabilitate este egală

cu p, p ∈ [0, 1] cont, ine o cantitate de informat, ie: a) Cu atât mai mare cu cât
p este mai mic; b) Cu atât mai mare cu cât p este mai mare; c) Egală cu 1
bit dacă p = 1; c) Egală cu 0 bit dacă p = 1.
78. Entropia sau cantitatea medie de informat, ie sau gradul de incertitu-

dine eliminată de efectuareaunui experiment aleator E ce constă în aruncarea
unui tetraedru ia valoarea: a) Cea mai mare atunci când tetraedrul este im-
perfect; b) Cea mai mare atunci când tetraedrul este perfect; c) Egală cu 1
bit dacă teraedrul este perfect; c) Egală cu 2 bit dacă tetraedrul este perfect.
79. Dacă v.a. X este nenegativă cu probabilitatea 1 s, i posedă valoare

medie, atunci pentru orice ε > 0 putem estima: a) De jos probabilitatea
P (X ≥ ε); b) De sus probabilitatea P (X ≥ ε); c) De jos probabilitatea
P (X ≤ ε); c) De sus probabilitatea P (X ≤ ε).
80. Conform datelor statistice, nota unui student luat la întâmplare

care este supus examenului la Matematică este o v.a. X cu valoarea me-
die EX = 7.15 s, i abaterea standard egală cu σ = 1. Atunci probabilita-
tea: a) P (|X − 7.15| ≥ 2) ≤ 0.25; b) P (5.15 ≤ X ≤ 9.15) ≥ 0.75; c)
P (|X − 7.15| ≥ 3) ≤ 0.111 11; c) P (4.15 ≤ X ≤ 10) ≥ 0.888 89.
81. Considerăm o v.a. X cu valoarea medie EX s, i abaterea standard

egală cu σ. Atunci pentru orice ε > 0 inegalitatea Cebyshev poate fi scrisă
2 2
în forma:a) P (|X| ≥ ε) ≤ EXε2
; b) P (|X − EX| ≥ ε) ≤ DX
ε2
; c) P (|X| <
EX 2 DX 2
ε) > 1 − ε2 ; c) P (|X − EX| < ε) > 1 − ε2 .
82. Presupunem că rata de promovabilitate la examenul de Probabilităt, i,

Statistică este egală cu p = 0.85. Notăm prin Sn total de student, i promovat, i,
s, tiind că la examen s-au prezentat n = 1000 de student, i. Atunci probabili-

tatea că numărul student, ilor promovat, i nu va întrece 850 este egală, aproxi-
mativ, cu: a) 0; b) 0.25; c) 0.50; c) 1.
83. Considerăm aruncarea unei monede perfecte de 10000 succesiv. Atunci

probabilitatea P {numărul stemelor apărute va varia intre 4000 s, i 6000} este
egală, aproximativ, cu: a) 0; b) 0.25; c) 0.50; c) 1.
84. Care din următoarele afirmat, ii sunt corecte: a) Din Legea Numerelor
Mari (LNM) rezultă Teorema Limită Centrală (TLC) ; b) Din TLC rezultă
LNM; c) Din LNM în forma Cebyshev rezultă LNM în forma Bernoulli; d)
Din LNM în forma Bernoulli rezultă LNM în forma Cebyshev.
BIBLIOGRAFIE
1. Feller W., An Introduction to Probability Theory and its Applications,

Volume I, 3rd edition, N.-Y., London, John Wiley & Sons Inc., 1968.
2. Feller W., An Introduction to Probability Theory and its Applications,

Volume II, 2nd edition, N.-Y., London, John Wiley & Sons Inc., 1971.
3. Guias, u S., Theodorescu R., Matematica si Informat, ia, Edit. Stiintifica,

Bucuresti, 1967.
4. Iosifescu M., Mihoc Gh., Theodorescu R., Teoria probabilităt, ilor si sta-
tistica matematică, Ed. Tehnică, Bucures, ti, 1966.
5. Jay L. Devore, Probability&Statistics (for Enginering and the Sciences),

8th edition, BROOKS ⧸COLE, Chicago, 2009
6. Kolmogorov A. N., Not, iunile de bază ale teoriei probabilităt, ilor, M.,
Nauka, 1975 (l.rusă).
7. Leahu A., Probabilităt, i, Edit. OVIDIUS University Press, Constant, a,

2000, 174 p., ISBN 973-9367-61-5.
8. Leahu A., Andrievschi-Bagrin V., Ciorbă D., Fiodorov I., Once again
about the reliability of serial-parallel networks vs parallel-serial networks,
în: The 11-th International Conferince" Electronics, Communications and
Computing" IC ECCO-2021, Chis, inău, Moldova, UTM, 21-22 octombrie,
2021, pp170-173, https://doi.org/10.52326/ic-ecco.2021/CS.02
9. Leahu A., Chircu P., Agafit, ă V., Metode probabilistico-statistice aplica-

te în Economia Cunoas, terii: posibilităt, i, limite s, i capcane, în: 25 de ani de
reformă economică în Republica Moldova: prin inovare s, i competitivitate
spre progres economic. Vol.6, 23-24 septembrie 2016,Chis, inău: DEP
ASEM, 2016, pp. 155-158. ISBN 978-9975-75-842-0.
10. Mittelhammer R. C., Mathematical statistics for economics and busi-

ness, Ed. Springer-Verlag, N.-Y. Inc., 1996.
168 Bibliografie
11. Pârt, achi I., Leahu A., Statistica s, i locul ei în economia cunoas, terii ca
instrument de gândire. În: Competitivitatea s, i inovarea în economia cu-
noas, terii. Vol.5, 22-23 septembrie 2017, Chis, inău: DEP al ASEM, 2017,
pp. 89-92. ISBN 978-9975-75-892-5.
ANEXA 1
Tabelul de valori a distribut, iei normale standard:

Rx u2
Φ(x) = √12π e− 2 du
−∞
x .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
-3.9 .00005 .00005 .00004 .00004 .00004 .00004 .00004 .00004 .00003 .00003
-3.8 .00007 .00007 .00007 .00006 .00006 .00006 .00006 .00005 .00005 .00005
-3.7 .00011 .00010 .00010 .00010 .00009 .00009 .00008 .00008 .00008 .00008
-3.6 .00016 .00015 .00015 .00014 .00014 .00013 .00013 .00012 .00012 .00011
-3.5 .00023 .00022 .00022 .00021 .00020 .00019 .00019 .00018 .00017 .00017
-3.4 .00034 .00032 .00031 .00030 .00029 .00028 .00027 .00026 .00025 .00024
-3.3 .00048 .00047 .00045 .00043 .00042 .00040 .00039 .00038 .00036 .00035
-3.2 .00069 .00066 .00064 .00062 .00060 .00058 .00056 .00054 .00052 .00050
-3.1 .00097 .00094 .00090 .00087 .00084 .00082 .00079 .00076 .00074 .00071
-3.0 .00135 .00131 .00126 .00122 .00118 .00114 .00111 .00107 .00104 .00100
-2.9 .00187 .00181 .00175 .00169 .00164 .00159 .00154 .00149 .00144 .00139
-2.8 .00256 .00248 .00240 .00233 .00226 .00219 .00212 .00205 .00199 .00193
-2.7 .00347 .00336 .00326 .00317 .00307 .00298 .00289 .00280 .00272 .00264
-2.6 .00466 .00453 .00440 .00427 .00415 .00402 .00391 .00379 .00368 .00357
-2.5 .00621 .00604 .00587 .00570 .00554 .00539 .00523 .00508 .00494 .00480
-2.4 .00820 .00798 .00776 .00755 .00734 .00714 .00695 .00676 .00657 .00639
-2.3 .01072 .01044 .01017 .00990 .00964 .00939 .00914 .00889 .00866 .00842
-2.2 .01390 .01355 .01321 .01287 .01255 .01222 .01191 .01160 .01130 .01101
-2.1 .01786 .01743 .01700 .01659 .01618 .01578 .01539 .01500 .01463 .01426
-2.0 .02275 .02222 .02169 .02118 .02068 .02018 .01970 .01923 .01876 .01831
-1.9 .02872 .02807 .02743 .02680 .02619 .02559 .02500 .02442 .02385 .02330
-1.8 .03593 .03515 .03438 .03362 .03288 .03216 .03144 .03074 .03005 .02938
-1.7 .04457 .04363 .04272 .04182 .04093 .04006 .03920 .03836 .03754 .03673
-1.6 .05480 .05370 .05262 .05155 .05050 .04947 .04846 .04746 .04648 .04551
-1.5 .06681 .06552 .06426 .06301 .06178 .06057 .05938 .05821 .05705 .05592
-1.4 .08076 .07927 .07780 .07636 .07493 .07353 .07215 .07078 .06944 .06811
-1.3 .09680 .09510 .09342 .09176 .09012 .08851 .08691 .08534 .08379 .08226
-1.2 .11507 .11314 .11123 .10935 .10749 .10565 .10383 .10204 .10027 .09853
-1.1 .13567 .13350 .13136 .12924 .12714 .12507 .12302 .12100 .11900 .11702
-1.0 .15866 .15625 .15386 .15151 .14917 .14686 .14457 .14231 .14007 .13786
-0.9 .18406 .18141 .17879 .17619 .17361 .17106 .16853 .16602 .16354 .16109
-0.8 .21186 .20897 .20611 .20327 .20045 .19766 .19489 .19215 .18943 .18673
-0.7 .24196 .23885 .23576 .23270 .22965 .22663 .22363 .22065 .21770 .21476
-0.6 .27425 .27093 .26763 .26435 .26109 .25785 .25463 .25143 .24825 .24510
-0.5 .30854 .30503 .30153 .29806 .29460 .29116 .28774 .28434 .28096 .27760
-0.4 .34458 .34090 .33724 .33360 .32997 .32636 .32276 .31918 .31561 .31207
-0.3 .38209 .37828 .37448 .37070 .36693 .36317 .35942 .35569 .35197 .34827
-0.2 .42074 .41683 .41294 .40905 .40517 .40129 .39743 .39358 .38974 .38591
-0.1 .46017 .45620 .45224 .44828 .44433 .44038 .43644 .43251 .42858 .42465
-0.0 .50000 .49601 .49202 .48803 .48405 .48006 .47608 .47210 .46812 .46414
0.0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
0.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
0.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
0.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
0.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
0.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
170 ANEXA 1
x .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
0.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
0.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
0.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 .87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
1.4 .91924 .92073 .92220 .92364 .92507 .92647 .92785 .92922 .93056 .93189
1.5 .93319 .93448 .93574 .93699 .93822 .93943 .94062 .94179 .94295 .94408
1.6 .94520 .94630 .94738 .94845 .94950 .95053 .95154 .95254 .95352 .95449
1.7 .95543 .95637 .95728 .95818 .95907 .95994 .96080 .96164 .96246 .96327
1.8 .96407 .96485 .96562 .96638 .96712 .96784 .96856 .96926 .96995 .97062
1.9 .97128 .97193 .97257 .97320 .97381 .97441 .97500 .97558 .97615 .97670
2.0 .97725 .97778 .97831 .97882 .97932 .97982 .98030 .98077 .98124 .98169
2.1 .98214 .98257 .98300 .98341 .98382 .98422 .98461 .98500 .98537 .98574
2.2 .98610 .98645 .98679 .98713 .98745 .98778 .98809 .98840 .98870 .98899
2.3 .98928 .98956 .98983 .99010 .99036 .99061 .99086 .99111 .99134 .99158
2.4 .99180 .99202 .99224 .99245 .99266 .99286 .99305 .99324 .99343 .99361
2.5 .99379 .99396 .99413 .99430 .99446 .99461 .99477 .99492 .99506 .99520
2.6 .99534 .99547 .99560 .99573 .99585 .99598 .99609 .99621 .99632 .99643
2.7 .99653 .99664 .99674 .99683 .99693 .99702 .99711 .99720 .99728 .99736
2.8 .99744 .99752 .99760 .99767 .99774 .99781 .99788 .99795 .99801 .99807
2.9 .99813 .99819 .99825 .99831 .99836 .99841 .99846 .99851 .99856 .99861
3.0 .99865 .99869 .99874 .99878 .99882 .99886 .99889 .99893 .99896 .99900
3.1 .99903 .99906 .99910 .99913 .99916 .99918 .99921 .99924 .99926 .99929
3.2 .99931 .99934 .99936 .99938 .99940 .99942 .99944 .99946 .99948 .99950
3.3 .99952 .99953 .99955 .99957 .99958 .99960 .99961 .99962 .99964 .99965
3.4 .99966 .99968 .99969 .99970 .99971 .99972 .99973 .99974 .99975 .99976
3.5 .99977 .99978 .99978 .99979 .99980 .99981 .99981 .99982 .99983 .99983
3.6 .99984 .99985 .99985 .99986 .99986 .99987 .99987 .99988 .99988 .99989
3.7 .99989 .99990 .99990 .99990 .99991 .99991 .99992 .99992 .99992 .99992
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997
ANEXA 2
Tabel pentru α−cuantilele uzuale Q(α), α ∈ (0, 1) ale v.a. χ2 (ν) distribuite
Hi-pătrat cu ν grade de libertate:

P (χ (ν) ≤ Q(α, ν)) = α, unde pentru ν ≥ 40 quantilele Q(α, ν) ≈ Q(α, 40)
2
ν Q(.005) Q(.01) Q(.025) Q(.05) Q(.1) Q(.9) Q(.95) Q(.975) Q(.99) Q(.995)
1 0.00004 0.00016 0.00098 0.00393 0.01579 2.70554 3.84000 5.02389 6.63490 7.87944
2 0.01003 0.02010 0.05064 0.10259 0.21072 4.60517 5.99146 7.37776 9.21034 10.59663
3 0.07172 0.11483 0.21580 0.35185 0.58437 6.25139 7.81473 9.34840 11.34487 12.83816
4 0.20699 0.29711 0.48442 0.71072 1.06362 7.77944 9.48773 11.14329 13.27670 14.86026
5 0.41174 0.55430 0.83121 1.14548 1.61031 9.23636 11.07050 12.83250 15.08627 16.74960
6 0.67573 0.87209 1.23734 1.63538 2.20413 10.64464 12.59159 14.44938 16.81189 18.54758
7 0.98926 1.23904 1.68987 2.16735 2.83311 12.01704 14.06714 16.01276 18.47531 20.27774
8 1.34441 1.64650 2.17973 2.73264 3.48954 13.36157 15.50731 17.53455 20.09024 21.95495
9 1.73493 2.08790 2.70039 3.32511 4.16816 14.68366 16.91898 19.02277 21.66599 23.58935
10 2.15586 2.55821 3.24697 3.94030 4.86518 15.98718 18.30704 20.48318 23.20925 25.18818
11 2.60322 3.05348 3.81575 4.57481 5.57778 17.27501 19.67514 21.92005 24.72497 26.75685
12 3.07382 3.57057 4.40379 5.22603 6.30380 18.54935 21.02607 23.33666 26.21697 28.29952
13 3.56503 4.10692 5.00875 5.89186 7.04150 19.81193 22.36203 24.73560 27.68825 29.81947
14 4.07467 4.66043 5.62873 6.57063 7.78953 21.06414 23.68479 26.11895 29.14124 31.31935
15 4.60092 5.22935 6.26124 7.26094 8.54676 22.30713 24.99579 27.48839 30.57791 32.80132
16 5.14221 5.81221 6.90766 7.96165 9.31224 23.54183 26.29623 28.84535 31.99993 34.26719
17 5.69722 6.40776 7.56419 8.67176 10.08519 24.76904 27.58711 30.19101 33.40866 35.71847
18 6.26480 7.01491 8.23075 9.39046 10.86494 25.98942 28.86930 31.52638 34.80531 37.15645
19 6.84397 7.63273 8.90652 10.11701 11.65091 27.20357 30.14353 32.85233 36.19087 38.58226
20 7.43384 8.26040 9.59078 10.85081 12.44261 28.41198 31.41043 34.16961 37.56623 39.99685
21 8.03365 8.89720 10.28290 11.59131 13.23960 29.61509 32.67057 35.47888 38.93217 41.40106
22 8.64262 9.54249 10.98232 12.33801 14.04149 30.81328 33.92444 36.78071 40.28936 42.79565
23 9.26042 10.19572 11.68855 13.09051 14.84796 32.00690 35.17246 38.07563 41.63840 44.18128
24 9.88623 10.85636 12.40115 13.84843 15.65868 33.19624 36.41503 39.36408 42.97982 45.55851
25 10.51965 11.52398 13.11972 14.61141 16.47341 34.38159 37.65248 40.64647 44.31400 46.92789
26 11.16024 12.19815 13.84390 15.37916 17.29188 35.56317 38.88514 41.92317 45.64168 48.28998
27 11.80759 12.87850 14.57388 16.15140 18.11390 36.74122 40.11327 43.19451 46.96294 49.64492
28 12.46134 13.56471 15.30786 16.92788 18.93924 37.91592 41.33714 44.46079 48.27824 50.99338
29 13.12115 14.25645 16.04707 17.70837 19.76774 39.08747 42.55697 45.72229 49.58788 52.33562
30 13.78672 14.95346 16.79077 18.49266 20.59923 40.25602 43.77297 46.97924 50.89218 53.67196
În redact, ia autorilor
Semnat pentru tipar 07.09.2022

Coli editoriale 6,35 Coli de autor 6,30 Coli de tipar 21,00
Comanda 27. Tirajul 50 ex.
. .
Tipografia Serviciului Editorial-Poligrafic al ASEM
Chis, inău, str. Mitropolit G. Bănulescu-Bodoni 59, MD 2005
Telefon: (022) 402-936, 402-910

Probabilitati Leahu Partachi UTM ASEM 2022

Încărcat de

Informații document

Titlu original

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

Probabilitati Leahu Partachi UTM ASEM 2022

Încărcat de

Drepturi de autor:

Formate disponibile

Alexei LEAHU, Ion PÂRT, ACHI

Manualul a fost discutat s, i aprobat pentru publicare în cadrul s, edint, ei

Referent, i: Prof.univ.dr. Ion Grama,

DESCRIEREA CIP A CAMEREI NAT

DIN REPUBLICA MOLDOVA

Probabilităt, i s, i statistică matematică : (Prin exemple s, i probleme

Partea 1-a : Probabilităt, i. – 2022. – 170 p. – Bibliogr.: p. 168 (11

© Serviciul Editorial-Poligrafic al ASEM

1. Calculul Probabilităt, ilor 7

1.1. Obiectul de studiu al Teoriei Probabilităt, ilor s, i locul ei în Statistica Mate-

3. Caracteristici numerice ale variabilelor aleatoare 93

4.1. Distribut, ii probabiliste uzuale în caz discret (Uniformă, Bernoulli, Binomi-

5. Elemente de Teoria Informat, iei 147

5.1. Obiectul de studiu al Teoriei Informat, iei 148

TEST AUTOEVALUARE 154

ANEXA 1. Tabelul de valori a distribut, iei normale standard 168

Teoria Probabilităt, ilor nu este altceva

Capitolul 1. Calculul Probabilităt, ilor

▲ Descrierea obiectului de studiu al Teoriei Probabilităt, ilor s, i locului ei

să aplice metode cantitative s, i calitative de instrumentare în analiză

să identifice corect locul s, i rolul Teoriei Probabilităt, ilor s, i Statisticii

Experiment aleator, principiul regularităt, ii statistice, probabilitate frec-

1.1. Obiectul de studiu al Teoriei Probabilităt, ilor s, i locul ei în

Not, iunea de statistică se nas, te odată cu aparit, ia s, i dezvoltarea relat, iilor

multe fenomene diferite în esent, ă. De exemplu, formula de mai sus poate

numărul de probe în care s-a produs A n(A)

frecvent, ială) a evenimentului A. Aceasta din urmă afirmat, ie/proprietate este

suficient de mare. de respondent, i, atunci compania va putea identifica cotele

Nivelul de studii Frecvent, a

titudine în producerea evenimentelor aleatoare date, definit, ia axiomatică a

Evaluat, i probabilitatea că un cititor luat la întâmplare din lista celor

1.2. Not, iuni s, i rezultate auxiliare din Combinatorică

Analiza Combinatorie sau Combinatorica este acea disciplină matematică

Principiul adunării (caz general). Dacă A s, i B sunt mult, imi finite,

Conform principiului adunării în cazul disjunct obt, inem:

cardA= card(A ∩ B) + card(A∩B),

card(B)= card(A ∩ B) + card(A∩B),

card(A ∪ B) = card(A ∩ B) + card(A∩B) + card(A∩B) + card(A ∩ B)

−card(A ∩ B) = card(A) + card(B) − card(A ∩ B) = n + m − k.

Exemplul 1. Considerăm o grupă de student, i despre care s, tim că fiecare

card(E ∪ F ∪ G) = card(E) + card(F ) + card(G) − card(E ∩ F )−

Principiul înmult, irii (în limbajul produsului cartezian). Dacă A s, i

Demonstrat, ie (opt, ional). Este evident ca dacă

A = {a1 , a2 , ..., an } , B = {b1 , b2 , ..., bm } ,

atunci mult, imile A× B s, i { (i, j) i = 1, n, j = 1, m} au acelas, i număr de elemente.

Demonstrat, ia ei se bazează esent, ial pe faptul că are loc egalitatea A1 × A2 ×

Ω = (i1 , i2 , ..., i6 ) | ik ∈ {0, 1, 2, ..., 9} , k = 1, 6 .

Acesta are, conform Principiului înmult, irii în limbajul produsului cartezian,

cea de a doua în 9 modalităt, i, etc., ultima (a s, asea) în 10 − (6 − 1) = 5

Akn = (ai1 , ai2 , · · · , aik ) | i1 ̸= i2 ̸= · · · ̸= ik , aij ∈ A, ij = 1, n, j = 1, k .

Definit, ia 2. Orice submult, ime de forma {ai1 , ai2 , · · · , aik }, i1 ̸= i2 ̸=

Cnk = {ai1 , ai2 , · · · , aik } | i1 ̸= i2 ̸= · · · ̸= ik , aij ∈ A, ij = 1, n, j = 1, k .

Cardinalul acestei mult, imi îl vom nota cu Ckn .

1. Alegem o combinare din n elemente luate câte k, etapă pentru care

2. Din această combinare, formăm un aranjament din n elemente luate

Rezultă că Akn = k! · Ckn , adică

Exemplul 3. Considerăm că avem o mult, ime de n elemente astfel încât

Etapa k: Din cele n − n1 − n2 − · · · − nk−1 = nk locuri, disponibile după

Ultima mai poartă denumirea de formula permutărilor cu repetare .

Exemplul 5. Presupunem că dispunem de n cutii s, i r bile identice.

ca numărul combinărilor din n elemente luate câte r cu repetare.

s, i 4 culori vopsea pentru exterior. Câte versiuni autoturism în total trebuie

1.3. Spat, ii de evenimente elementare, evenimente aleatoare s, i