Seminar TP

Cuprins
1 C amp nit de probabilitate 5

1.1 Formule de calcul ntr-un c amp de probabilitate . . . . . . . . . . 5
1.2 Formule de calcul ntr-un c amp de probabilitate . . . . . . . . . . 10
1.3 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . 17
1.4 C amp innit de evenimente. . . . . . . . . . . . . . . . . . . . . 19
1.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6 Solut ii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2 Variabile aleatoare 35
2.1 Variabile aleatoare discrete . . . . . . . . . . . . . . . . . . . . . 35
2.2 Momente ale variabilelor discrete . . . . . . . . . . . . . . . . . . 42
2.3 Variabile aleatoare continue . . . . . . . . . . . . . . . . . . . . . 60
2.4 Momente ale variabilelor continue . . . . . . . . . . . . . . . . . 65
2.5 Fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.7 Solut ii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3 Variabile aleatoare multidimensionale 97
3.1 Variabile aleatoare bidimensionale . . . . . . . . . . . . . . . . . 97
3.2 Densit at i condit ionate . . . . . . . . . . . . . . . . . . . . . . . . 104
3.3 Transform ari de variabile aleatoare . . . . . . . . . . . . . . . . . 116
4 Procese stochastice 135
4.1 Lant uri Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.2 Procese Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.3 Procese stochastice stat ionare . . . . . . . . . . . . . . . . . . . . 152
4.5 Solut ii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
1
2 CUPRINS
5 Statistica matematica 169
5.1 Variabile de select ie . . . . . . . . . . . . . . . . . . . . . . . . . 169
5.2 Teoria estimat iei . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.3 Teste de concordant a . . . . . . . . . . . . . . . . . . . . . . . . 182
5.4 Metoda celor mai mici p atrate . . . . . . . . . . . . . . . . . . . 184
5.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.6 Solut ii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6 Anexe 199
6.1 Repartit ii uzuale . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
6.2 Funct iile lui Euler . . . . . . . . . . . . . . . . . . . . . . . . . . 208
Bibliograe
Prefat a
Folosirea metodelor probabilistice este un fenomen tot mai r asp andit n inginerie,
economie, stiint e medicale etc. Aceste metode sunt folosite, de exemplu n teoria
transmiterii informat iei, n teoria semnalelor, modelarea fenomenelor de zgomot,
abilitatea sistemelor, teoria astept arii, matematici nanciare, pentru a enumera
doar c ateva dintre ramuri.
Datele experimentale analizate cu metode statistice fac aplicabil a teoria gene-
ral a a probabilit at ilor si ofer a posibilitatea de a aproxima comportarea aleatoare a
diferitelor fenomene importante, mai ales dac a nu avem suciente informat ii.
Cartea se adreseaz a n primul r and student ilor din nv at am antul tehnic si nt elegerea
materialului presupune cunoasterea unor capitole de matematic a, dup a cumurmea-
z a : combinatoric a, calcul matriceal, calcul diferent ial si integral, transformata
Fourier, ecuat ii diferent iale ordinare.
Pentru nt elegerea cont inutului acestei c art i, recomand am cititorilor s a parcurg a
mai nt ai primele 2 capitole, care sintetizeaz a principalele aspecte ale teoriei pro-
babilit at ilor. Celelalte trei capitole sunt independente, dar se bazeaz a pe materialul
din capitolele enunt ate.
C amp nit de probabilitate
Este introdus a not iunea de probabilitate n sens clasic, apoi axiomatic si sunt
enunt ate principalele formule de calcul cu probabilit at i. Aici sunt prezentate
schemele clasice de probabilitate si un num ar variat de exemple si probleme care
ilustreaz a multitudinea domeniilor n care apar fenomene aleatoare ale c aror sanse
de producere pot apreciate. Se insist a pe nt elegerea independent ei si a condit io-
n arii evenimentelor si sunt prezentate primele aspecte ale analizei Bayesiane.
Variabile aleatoare
Materialul din acest capitol prezint a pentru nceput variabile discrete, pun and ac-
cent deosebit pe variabila Bernoulli si pe cazurile ei limit a: legea numerelor mari
si legea normal a. Alte variabile cu innitate num arabil a de valori sunt prezentate
si exemplicate: variabila geometric a si variabila Pascal.
Partea a doua cuprinde cazul continuu. Aici sunt prezentate variabilele continue,
cu leg aturi si aplicat ii. Numeroase exemple indic a rolul important jucat de vari-
3
4 CUPRINS
abila normal a. Caracterul de lege limit a este ilustrat prin aplicat ii ale teoremei
limit a central a. Printre cele mai importante aplicat ii ment ion am pe cele din teoria
abilit at ii.
Not iunea de valoare medie a unei variabile joac a un rol important, deoarece din
acestea decurg si alte valori caracteristice, care completeaz a informat iile asupra
teoriei.
Urm atoarele capitole pot citite independent unul de cel alalt.
Variabile aleatoare multidimensionale
In acest capitol se prezint a principalele aspecte teoretice ale variabilelor bidimen-

sionale, probleme de condit ionare si, ca o consecint a, apar operat iile cu variabile
continue. Cunoasterea modului n care se transform a, prin diferite operat ii, den-
sit at ile de probabilitate este important a, deoarece acestea sunt folosite n analiza
calit at ii, stiut ind c a proprietatea de funct ionare a unui sistem este exprimat a prin
anumite operat ii cu componentele sale.
Procese stochastice
Procesele de num arare: binomiale sau Poisson reprezint a o component a a oric arui
studiu de inginerie electric a modern a sau a teoriei astept arii. Sunt date numeroase
exemple n aceste sens. Lant urile Markov sunt de asemenea deosebit de impor-
tante n teoria transmiterii informat iilor. Evolut ia n timp a unor sisteme care
se pot aa n diferite st ari, n mod aleator, duce la studiul matricelor stochastice
atasate.
Statistica matematica
Ultimul capitol este justicat de toate aspectele teoretice precedente. Date -
ind determin ari experimentale apar o serie de probleme interesante. Dac a este
cunoscut a legea teoretic a, prin metode statistice, se pot determina parametrii ei
necunoscut i, se pot estima media, dispersia sau se pot g asi intervale c arora acestea
le apart in cu o anumit a probabilitate. Dac a legea nu este cunoscut a, prin aplicarea
testelor de concordant a, se poate motiva alegerea unei anumite legi.
Aducem mult umiri domnilor profesori care au citit atent si constructiv aceast a
carte: prof. dr. Nicoleta Negoescu si prof. dr. Eugen Popa, recomand and-o spre
publicare. Mult umim anticipat tuturor celor care vor face observat ii si sugestii pe
marginea acestui material.
Capitolul 1
C amp nit de probabilitate
1.1 Formule de calcul ntr-un c amp de probabilitate
Fie E = {e
1
, , e
n
} o mult ime nit a ale c arei elemente le numim cazuri posi-
bile (sau evenimente elementare) si P(E) mult imea submult imilor ei ( E).
Exemplul 1.1.1 1. La aruncarea unui zar omogen pe o suprafat a plan a se obt in
cazurile posibile
E = {e
1
, e
2
, , e
6
}
unde prin evenimentul elementar e
i
, i = 1, , 6 nt elegem c a la o aruncare se
obt ine fat a cu num arul i.
2. La aruncarea a dou a zaruri simultan sunt 36 de cazuri posibile, iar mult imea
lor este
E = {(e
i
, e
j
), i, j = 1, , 6}
3. Dac a trebuie s a transmitem 3 semnale diferite pe un canal, iar transmisia
se poate face ntr-o ordine aleatoare, atunci avem 6! moduri, iar mult imea E este
mult imea tuturor tripletelor ordonate (permut ari), care se pot forma cu elementele
mult imii {1, 2, 3} . 4. Dac a trebuie s a transmitem 3 semnale diferite pe 3 canale
de transmisie n mod aleator, atunci avem 3
3
cazuri posibile.
Dac a A E, A = {e
1
, , e
k
}, numim elementele ei cazuri favorabile.
Exemplul 1.1.2 1. La aruncarea unui zar un eveniment poate A obt inerea
unui num ar par, deci are 3 cazuri favorabile
5
6 CAPITOLUL 1. C

AMP FINIT DE PROBABILITATE
A = {e
2
, e
4
, e
6
}
2. La aruncarea a dou a zaruri evenimentul A obt inerea unei duble are 6
cazuri favorabile
A = { (e
1
, e
1
), (e
2
, e
2
), (e
3
, e
3
), (e
4
, e
4
), (e
5
, e
5
), (e
6
, e
6
) }
Operatii cu evenimente
Evenimentele A si B coincid sau sunt egale si not am A = B, dac a se realizeaz a
simultan. Aceasta revine la existent a acelorasi cazuri favorabile.
Dac a A este un eveniment,

A se numeste eveniment contrar si este acel eveni-
ment, care se realizeaz a atunci c and Anu se produce; n limbajul teoriei mult imilor,
acesta reprezint a complementara mult imii A, deci

A = E \ A = C
E
A.
Exemplul 1.1.3 La aruncarea unui zar, dac a A a fost obt inerea unui num ar
par, atunci A reprezint a obt inerea unui num ar impar.
Dac a A si B sunt dou a evenimente, spunem c a A implic a B si not am A B,
dac a realizarea lui A antreneaz a realizarea lui B, sau echivalent toate cazurile
favorabile lui A sunt favorabile si lui B.
Intersectia evenimentelor
Date A si B dou a evenimente, numim intersectia lor, evenimentul notat A
B
care se realizeaz a atunci c and A si B se produc simultan. Dac a A
B = ,
evenimentele se numesc incompatibile.
Mai general, dac a avem o familie cel mult num arabil a de evenimente (A
i
)
iI
, I
N, evenimentul
iI
A
i
se realizeaz a atunci c and toate evenimentele A
i
se produc.
Reuniunea evenimentelor
Dac a A, B sunt dou a evenimente, reuniunea lor este evenimentul notat AB care
se realizeaz a dac a cel put in unul dintre evenimentele A sau B se produce. Dac a
avem o mult ime cel mult num arabil a de evenimente A
i
, i I, I N reuniunea
este evenimentul notat
1.1. FORMULE DE CALCUL

INTR-UN C

AMP DE PROBABILITATE 7
_
iI
A
i
se realizeaz a dac a cel put in unul dintre A
i
se produce.
Au loc urm atoarele propriet at i ale operat iilor cu mult imi:
1. comutativitatea
A B = B A A B = B A
2. asociativitatea
(A B) C = A (B C)
(A B) C = A (B C)
3. distributivitatea
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Semnal am relat iile lui de Morgan
A B = A B A B = A
B
care se generalizeaz a
_
iI
A
i
=
iI
A
i
iI
A
i
=
_
iI
A
i
Exemplul 1.1.4 Dac a A, B, C sunt 3 evenimente s a exprim am cu ajutorul lor
urm atoarele evenimente.
1. Faptul c a toate trei se realizeaz a se exprim a prin A B C.
2. Cel put in unul se realizeaz a nseamn a A B C.
3. A sau B se realizeaz a si C nu are loc, se exprim a prin (A B) C.
4. Exact unul se realizeaz a nseamn a (ABC)(ABC)(ABC).
Numim probabilitate n sens clasic funct ia P : P(E) [0, 1] denit a prin
8 CAPITOLUL 1. C

P(A) =
nr.cazurilor favorabile
nr.cazuri posibile
=
k
n
(1.1)
Se observ a c a aceast a not iune satisface urm atoarele propriet at i:
P(A) [0, 1], A P(E) (1.2)
P(E) = 1 (1.3)
P(A B) = P(A) + P(B) A, B P(E), A B = (1.4)
S a mai observ am c a proprietatea (1.4) se extinde imediat la o familie nit a de
evenimente. Dac a (A
i
), i {1, , n}, A
i
A
j
= , i = j atunci
P
_
n
_
i=1
A
i
_
=
n
i=1
P(A
i
)
Tripletul (E, P(E), P) se numeste c amp nit de probabilitate. Deoarece cal-
culul probabilit at ilor revine ntr-un c amp nit la num ararea unor cazuri, d am n
continuare c ateva reguli.
Reguli de num arare
Principiul multiplic arii. Presupunem c a dou a evenimente A si B, se pot realiza
n m respectiv k moduri, independent unul de cel alalt. Num arul de moduri n care
se poate realiza A si B este mk.
Permut ari. Num arul tuturor aplicat iilor bijective (permut ari) de la o mult ime de
n elemente la ea ns asi este n! = 1 2 n.
Aranjamente. Num arul submult imilor ordonate cu k elemente ale unei mult imi
cu n elemente, 0 k n, se numeste aranjamente de n luate c ate k si este
A
k
n
= n(n 1) . . . (n k + 1).
Combin ari. Num arul submult imilor cu k elemente ale unei mult imi cu n ele-
mente, 0 k n, se numeste combin ari de n luate c ate k si este C
k
n
=
A
k
n
k!
.
Exemplul 1.1.5 1. C ate parole cu c ate 5 litere se pot forma pentru un computer,
dac a literele nu se pot repeta ? Dar dac a se pot repeta ? (Folosim 26 de litere).
2. C ate coduri de trei cifre se pot forma cu cifrele 0, 1, . . . 9?
3.

In c ate moduri 10 student i pot ocupa 10 b anci? Dar 12 b anci?

INTR-UN C

1. Pentru primul caz se folosesc submult imi ordonate A
5
26
, deoarece putem in-
terpreta ca prima liter a poate aleas a n 26 de moduri, a doua n 25 de moduri
etc, deci o parola este o submult ime ordonat a cu 5 elemente.

In al doilea caz din
principiul multiplic arii 26
5
, deoarece ecare pozit ie poate sa e ocupat a de oricare
dintre cele 26 de litere, independent de celelalte.
2. Din principiul multiplic arii rezult a 10
3
de cazuri.
3. Evident c a 10 student i pot ocupa 10 b anci n 10! moduri. Apoi 10 b anci pot
alese n C
10
12
, iar pentru 10 b anci xate avem 10! moduri, dup a care folosim
principiul multiplic arii si obt inem C
10
12
10! = A
10
12
.
Exemplul 1.1.6 Dintr-o urn a cu 3 bile albe si 2 bile negre extragem 2 bile astfel:
1. simultan
2. c ate una f ar a repunere
3. cu repunere
Indicat i toate cazurile posibile.
Numerot am bilele a
1
, a
2
, a
3
, n
1
, n
2
.
In cazul 1. se formeaz a submult imi de 2 elemente dintr-o mult ime cu 5 , deci C

2
5
.
E
1
= {(a
1
, a
2
), (a
1
, a
3
), (a
1
, n
1
), (a
1
, n
2
), (a
2
, a
3
), (a
2
, n
1
)
(a
2
, n
3
), (a
3
, n
1
), (a
3
, n
2
), (n
1
, n
2
).}
In al doilea caz intervine si ordinea deci A

2
5
si
E
2
= E
1
{(a
2
, a
1
), (a
3
, a
1
), (n
1
, a
1
), (n
2
, a
1
), (a
3
, a
2
)
(n
1
, a
2
), (n
3
, a
2
), (n
1
, a
3
), (n
2
, a
3
), (n
2
, n
1
), }
3. Dup a principiul multiplic arii rezult a 5 5 moduri
E
3
= E
1
E
2
{(a
1
, a
1
), (a
2
, a
2
), (a
3
, a
3
), (n
1
, n
1
), (n
2
, n
2
).}
10 CAPITOLUL 1. C

1.2 Formule de calcul ntr-un c amp de probabilitate
Fiind dat a o mult ime nit a E si o aplicat ie P : P(E) [0, 1] satisf ac and a-
xiomele (1.3) si (1.4) spunem c a avem un c amp nit de probabilitate.
Evenimentul sigur, E, este acela care se realizeaz a cu certitudine la orice prob a,
iar evenimentul imposibil, , este acela care nu se poate realiza n nici o efectuare
a experient ei. Are loc:
P() = 0
Probabilitatea evenimentului contrar. Evenimentul a c arui realizare const a n
nerealizarea evenimentului A se numeste non A, se noteaz a cu

A si are proba-
bilitatea:
P(

A) = 1 P(A) (1.5)
Urm atorul exemplu de aplicare a probabilit at ii unei diferent e este una din primele
probleme de calcul al probabilit at ilor cunoscut a din istoria matematicii si a fost
rezolvat a de Blaise Pascal n secolul 17.
Exemplul 1.2.1 S a ar at am c a probabilitatea de a obt ine cel put in un 6 c and se
arunc a un zar de patru ori este mai mare dec at probabilitatea de a obt ine cel
put in o dubl a (6,6), dac a se arunc a 2 zaruri de 24 de ori.
Not am cu
A evenimentul de a obt ine cel put in un 6 c and se arunc a un zar de patru ori
B evenimentul de a obt ine cel put in un (6, 6) c and se arunc a dou a zaruri de
24 ori
Constat am c a A si B reprezint a reuniuni de evenimente. Este mult mai comod s a
trecem la evenimentele contrare
A evenimentul de a nu obt ine nici un 6 c and se arunc a un zar de patru ori
B evenimentul de a nu obt ine nici un(6, 6) c and se arunc a dou a zaruri de 24
ori
Dac a arunc am un zar avem 6 cazuri posibile la o aruncare, iar la 4 arunc ari 6
4
;
pentru A avem 5
4
cazuri deci P(A) = (
5
6
)
4
, iar folosind (1.5) P(A) = 1
(
5
6
)
4
= 0, 5177. Deoarece la o aruncare a dou a zaruri exist a, conform principiului
multiplic arii, 6 6 cazuri, iar la 24 de arunc ari 6 6
24
.
P(B) =
_
35
36
_
24
.

INTR-UN C

Probabilitatea unei diferente
P(A \ B) = P(A) P(A B) (1.6)
Consecint a. Dac a A B rezult a P(A) P(B). Aceasta deoarece dac a A B,
avem A = A B si P(B) P(A) = P(B \ A) 0.
Probabilitatea unei reuniuni
P(
n
_
i=1
A
i
) =
n
i=1
P(A
i
)
1i<j=n
P(A
i
A
j
) +
1i<j<kn
P(A
i
A
j
A
k
)+
+. . . + (1)
n1
P(
n
i=1
A
i
) (1.7)
Exemplul 1.2.2 Rezistorii circuitului din gura (1.1) R
i
, i = 1, 4 funct ioneaz a
independent si au aceleasi sanse de a se arde. S a calcul am probabiliatea ca prin
circuit s a circule curentul.
Figura 1.1:
Fie R
i
, i = 1, 4, evenimentul c a rezistorul R
i
funct ioneaz a si A faptul c a circul a
curentul. Avem
A = (R
1
R
2
R
3
) R
4
= (R
1
R
4
) (R
2
R
4
) (R
3
R
4
)
12 CAPITOLUL 1. C

P(A) = P(R
1
R
4
) + P(R
2
R
4
) + P(R
3
R
4
)
Dac a aplic am probabilitatea
P(R
1
R
2
R
4
) P(R
1
R
3
R
4
) P(R
2
R
3
R
4
)+
+P(R
1
R
2
R
3
R
4
)
Cazurile posibile sunt 2
4
, deorece orice rezistor poate n dou a situat ii, indepen-
dent de celelalte. Doi rezistori funct ioneaz a n 2
2
cazuri favorabile,trei rezistori n
2 cazuri favorabile, iar toate patru ntr-un singur caz. Deci
P(A) = 3
2
2
2
4
3
2
2
4
+
1
2
4
Inegalitatea lui Boole
P
_
n
i=1
A
i
_
k=1
P(A
i
) (n 1) (1.8)
Exemplul 1.2.3 Un dispozitiv corespunde cerint elor dac a satisface propriet at ile
a, b, c.

Intr-un lot de dispozitive exist a 95% de dispozitive ce satisfac a, 90% ce
satisfac b si 92% ce satisfac c. S a determin am o limit a inferioar a a probabilit at ii
ca aleg and la nt amplare un dispozitiv, acesta s a corespund a.
Not am cu A, B, C, faptul c a dispozitivul satisface propriet at ile a, b, c. Atunci
faptul c a acesta corespunde, reprezint a evenimentul
A B C
Deoarece nu avem informat ii despre dispozitivele ce satisfac simultan dou a sau
toate propriet at ile folosim inegalitatea lui Boole si avem
P(ABC) 13+P(A)+P(B)+ P(C) = 0, 95+0, 90+0, 922 = 0, 77.
Inegalitatea lui Boole este util a deoarece d a o margine inferioar a a probabilit at ii
unei intersect ii.

INTR-UN C

Conditionare si independent a
Dac a A E, satisface P(A) = 0, atunci probabilitatea de realizare a evenimen-
tului B n ipoteza c a evenimentul A s-a realizat, se numeste probabilitatea lui B,
conditionat a de A si este denit a prin:
P(B|A) = P
A
(B) =
P(A B)
P(A)
. (1.9)
Evenimentele A si B se numesc independente dac a are loc P(A B) = P(A)
P(B).
Exemplul 1.2.4 O urn a contine 6 bile albe si patru bile negre. Extragem o bila si
constat am c a este alb a. Mai extragem o bil a; cu ce probabilitate a doua este tot
alb a. Vom considera situat iile:
a. prima bila este repus a
b. prima bila nu este repus a.
Consider am evenimentele A prima bil a este alb a si B a doua bil a este alb a.
Dac a suntem n situat ia a., atunci A condit ioneaz a pe B si prin urmare
P
A
(B) =
5
9
Dac a suntem n cazul b., faptul ca s-a produs A nu inuent eaz a pe B. Atunci
P(B) =
6
10
.
Punctul b. ne conduce la ideea de independent a a dou a evenimente.
Exemplul 1.2.5 Dac a A, B P(E) si P(A) P(B) = 0, atunci urm atoarele
armat ii sunt echivalente
1. A, B sunt independente
2. P(A|B) = P(A)
3. P(B|A) = P(B).
Armat iile rezult a imediat; noi vom exemplica doar implicat ia 1 2
Ar at am mai int ai 1 2. Calcul am probabilitatea condit ionat a, folosind indepen-
dent a si avem
P(A|B) =
P(A B)
P(B)
=
P(A)P(B)
P(B)
= P(A)
Pentru 2 1, din
14 CAPITOLUL 1. C

P(A|B) =
P(A B)
P(B)
= P(A)
rezult a P(A B) = P(A)P(B), deci independent a evenimentelor.
Exemplul 1.2.6 Urm atoarele armat ii sunt echivalente pentru dou a evenimente
A, B oarecare
4. A, B sunt independente.
Demonstr am doar 2 4. Dac a 2 este adev arat a, atunci
P(A B) = P(A)P(B)
Primul membru este probabilitatea unei diferent e
P(A B) = P(A) P(A B)
dar folosind de Morgan si probabilitatea unei diferent e
P(A \ B) = P(A) 1 + P(A B) = P(B) P(A B)
Din P(A)P(B) = P(B) P(A B) rezult a independent a evenimentelor A, B.
4 2 rezult a asem an ator.
(A
i
), i {1, , n} P(E) se numesc global independente dac a pentru orice
I {1, 2, , n} are loc
P
_
iI
A
i
_
=
iI
P(A
i
)
Exemplul lui Bernstein arat a c a exist a 3 evenimente independente dou a c ate dou a,
dar care nu sunt global independente.
Exemplul 1.2.7 Un tetraedru regulat si omogen are fet ele colorate astfel: o fat a
complet alb a, o fat a complet rosie, o fat a complet neagr a si a patra fat a cont ine
toate cele trei culori. Arunc am tetraedrul pe o suprafat a plan a si e evenimentele
A
1
tetradedrul se aseaz a pe fat a ce cont ine culoarea alb a

INTR-UN C

A
2
tetradedrul se aseaz a pe fat a ce cont ine culoarea rosie
A
3
tetradedrul se aseaz a pe fat a ce cont ine culoarea neagr a. Avem atunci
P(A
1
A
2
) = P(A
1
A
3
) = P(A
2
A
3
) =
1
4
iar
P(A
1
)P(A
2
) = P(A
1
)P(A
3
) = P(A
2
)P(A
3
) =
1
2

1
2
de unde deducem independent a cate dou a; n timp ce
P(A
1
A
2
A
3
) =
1
4
=
1
2

1
2

1
2
ceea ce arat a c a nu sunt global independente.
Probabilitatea unei intersectii
P
_
n
i=1
A
i
_
=
= P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
) P(A
n
|A
1
A
n1
) (1.10)
Exemplul 1.2.8 Un lot de 100 de diode cont ine 5% rebuturi. Se face um atorul
control de calitate: se aleg (f ar a repunere) 5 diode si dac a cel put in una este
defect a, lotul se respinge. S a calcul am probabilitatea de a respinge lotul.
Not am cu A
i
faptul c a la extragerea i se obt ine o diod a corespunz atoare. Lotul
este respins dac a se produce
5
_
i=1
A
i
Calcul am probabilitatea trec and la evenimentul contrar
P
_
5
_
i=1
A
i
_
= 1 P(
5
i=1
A
i
) = 1
P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
)P(A
4
|A
1
A
2
A
3
)P(A
5
|A
1
A
2
A
3
A
4
) =
16 CAPITOLUL 1. C

= 1
95
100

94
99

93
98

92
97

91
96
.
Evenimentele A
i
, i = 1, , n cu propriet at ile
1. P(A
i
) > 0, i = 1, , n
2. A
i
A
j
= , i = j
3. E =
n
_
i=1
A
i
formeaz a un sistem complet de evenimente.
Exemplul 1.2.9 1. Dac a E = {e
1
, , e
n
} este nit a, mult imea evenimentelor
elementare e
i
formeaz a un sistem complet de evenimente.
2. Dac a A este un eveniment, atunci A si A formeaz a un sistem complet de
evenimente.
Dac a A
i
, i = 1, , n este un sistem complet de evenimente au loc urm atoarele
dou a formule.
Formula probabilit atii totale
P(B) =
n
i=1
P(A
i
)P(B|A
i
) (1.11)
Formula lui Bayes
P(A
i
|B) =
P(B|A
i
)P(A
i
)
n
j=1
P(A
j
)P(B|A
j
)
, i = 1, , n (1.12)
Exemplul 1.2.10

Intr-un canal de comunicat ii se transmite 0 sau 1 cu proba-
bilit at ile
1
3
si respectiv
2
3
. Recept ionerul face erori de decizie cu probabili-
tatea p = 0, 1. S a determin am probabilitatea de a recept iona 1. Dac a semnalul
recept ionat este 1, cu ce probabilitate a fost transmis 0?
1.3. SCHEME CLASICE DE PROBABILITATE 17
Consider am evenimentele A
i
, i = 0, 1 cu semnicat ia
A
0
s-a transmis 0
A
1
s-a transmis 1
Evident c a {A
0
, A
1
} formeaz a un sistem complet de evenimente. Fie A faptul c a
s-a recept ionat 1. Pentru prima ntrebare folosim (1.11). Avem
P(A) = P(A
0
) P(A|A
0
) + P(A
1
) P(A|A
1
) =
1
3
0, 1 +
2
3
0, 9 = 0, 633.
Dac a s-a recept ionat 1, atunci folosim formula (1.12)
P(A
0
|A) =
P(A
0
)P(A|A
0
)
P(A)
=
1
3
0, 1
0, 633
= 0, 0526.
1.3 Scheme clasice de probabilitate
Schema lui Poisson Urnele U
i
, i = 1, n cont in bile albe si negre n proport ii
cunoscute; e p
i
, respectiv q
i
probabilit at ile de a extrage o bil a alb a respectiv
neagr a din urna U
i
; extragem c ate o bil a din ecare urn a; probabilitatea de a obt ine
k bile albe este coecientul lui x
k
din polinomul
n
i=1
(p
i
x + q
i
) (1.13)
Exemplul 1.3.1 Trei semnale sunt receptionate corect cu probabilit at ile 0, 8; 0, 7
si 0, 9. S a determin am cu ce probabilitate dou a semnale sunt recept ionate corect.
Ne a amn cazul schemei Poisson, iar probabilit at ile de a extrage bile albe sunt
cele din enunt . Atunci probabilitatea c autat a este coecientul lui x
2
din polinomul
(0, 8 x + 0, 2)(0, 7 x + 0, 3)(0, 9 x + 0, 1)
Rezult a p = 0, 398.
Schema lui Bernoulli (a bilei revenite) Dintr-o urn a cu a bile albe si b bile negre,
extragem cu repunere n bile; probabilitatea ca s a avem k bile albe, 0 k n
este
p
n;k
= C
k
n
p
k
q
nk
, p =
a
a + b
, q =
b
a + b
(1.14)
18 CAPITOLUL 1. C

Exemplul 1.3.2 Se arunc a dou a zaruri de 10 ori. Care este probabilitatea ca de
4 ori s a apar a suma 7?
La o efectuare a experient ei evenimentul aparit ia sumei 7 are probabilitatea 1/6
(6 cazuri favorabile din 36 posibile). Deci
p =
1
6
, q =
5
6
, n = 10, k = 4
iar probabilitatea cerut a este C
4
10
(
1
6
)
4
(
5
6
)
6
.
Generalizare Intr-o urn a cu bile de s N culori, extragem cu repunere n bile;
probabilitatea de a extrage k
i
bile de culoare i, i = 1, , s este
p
n;k
1
, ,k
s
=
n!
k
1
! k
s
!
p
k
1
1
p
k
s
s
, k
1
+ +k
s
= n, p
1
+ +p
s
= 1 (1.15)
unde p
i
este probabilitatea de a extrage o bil a de culoare i
Exemplul 1.3.3 Se arunc a un zar de 10 ori. Care este probabilitatea ca exact de
2 ori s a apar a fat a cu un punct si exact de 3 ori s a apar a fat a cu dou a puncte?
Avem:
n = 5, n
1
= 2, n
2
= 3, n
3
= 5, p
1
=
1
6
, p
2
=
1
6
, p
3
=
2
3
,
iar probabilitatea cerut a este:
10!
2! 3! 5!
(
1
6
)
2
(
1
6
)
3
(
2
3
)
5
.
Schema geometric a (a bilei nentoarse) Dintr-o urn a cu a bile albe si b bile
negre, extragem f ar a repunere n bile n a +b ; probabilitatea ca s a avem k bile
albe k a este
p
k,nk
a,b
=
C
k
a
C
nk
b
C
n
a+b
(1.16)
Generalizare Intr-o urn a sunt a
i
bile de culoarea i, i = 1 s, s N; extragem
n f ar a repunere; probabilitatea de e extrage k
i
, k
1
+ +k
s
= n bile de culoarea
i este
p
k
1
,k
s
a
1
, ,a
s
=
C
k
1
a
1
C
k
s
a
s
C
k
1
++k
s
n
(1.17)
1.4. C

AMP INFINIT DE EVENIMENTE. 19
Exemplul 1.3.4

Intr-un lot de 100 de articole se a a 80 corespunz atoare, 15 cu
defect iuni remediabile si 5 rebuturi. Alegem 6 articole. Cu ce probabilitate 3 sunt
bune, 2 cu defect iuni remediabile si 1este rebut ?
Vom presupune pentru nceput c a extragerile se fac cu repunere. Atunci ne a am
n cazul schemei Bernoulli generalizat a si aplic am (1.15).
p
6;3,2,1
=
6!
3!2!1!
_
80
100
_
3
_
15
100
_
2
_
5
100
_
1
Dac a extragerile se fac f ar a repunere atunci folosim (1.17) si obt inem
p
3,2,1
80,15,5
=
C
3
80
C
2
15
C
1
5
C
6
100
.
1.4 C amp innit de evenimente.
Fie E o mult ime oarecare si K P(E), K = . K se numeste -algebr a dac a
satisface
1. A K A K
2. A
n
K , n N avem
_
nN
A
n
K
Punem n evident a propriet at i imediate
1. E, K
Intr-adev ar, deoarece K = exist a A K, iar din prima axiom a A K; din a

doua axiom a A A = E K. Folosind prima axiom a, = E K .
2. A
n
K n N avem
nN
A
n
K
Intr-adev ar, din A

n
K rezult a A
n
K, iar din a doua axiom a
nN
A
n
=
_
nN
A
n
K
deci si complementara este din K.
20 CAPITOLUL 1. C

3. A, B K A \ B K.
Aceasta rezult a din relat ia A\B = AB si axiomele structurii.

In acest cadru
Kolmogorov a introdus axiomatic, not iunea de probabilitate.
Fie E o mult ime si K o -algebr a. Funct ia
P : K [0, 1]
cu propriet at ile
1. P(E) = 1
2. A
n
K , n N, A
n
A
m
= , n = m
P
_
_
nN
A
n
_
=
nN
P(A
n
)
se numeste probabilitate.
Tripletul (E, K, P) se numeste c amp innit de probabilitate.
Exemplul 1.4.1 -algebra Borelian a. Fie E = (0, 1) si consider am mult imea
D = {
_
iI
(a
i
, b
i
), I N, (a
i
, b
i
) (a
j
, b
j
) = , i = j}
Elementele lui D se numesc mult imi deschise.
Se poate demonstra c a exist a o cea mai mic a -algebr a, care cont ine pe D(aceasta
se construieste lu and intersect ia tuturor -algebrelor care cont in pe D). -algebra
astfel obt inut a se numeste - algebra Borelian a si o not am K.
Denim m asura (lungimea ) unui element din D prin P
0
: D [0, 1] denit a
P
0
(a, b) = b a
P
0
(
_
iI
(a
i
, b
i
)) =
iI
(b
i
a
i
)
Seria din membrul al doilea este convergent a. Funct ia P
0
se poate extinde pe K cu
ndeplinirea celor dou a propriet at i ale not iunii de probabilitate. Aceast a prelungire
o numim m asur a Lebesgue. Construct ii asem an atoare se pot face n R
2
sau R
3
.
Se pot acum rezolva probleme n care factorul aleator depinde de m arimea unui
domeniu care se a a pe dreapt a, n plan sau spat iu. Se obt in astfel probabilit at i
geometrice.
1.4. C

AMP INFINIT DE EVENIMENTE. 21
Figura 1.2:
Probabilit ati geometrice
Presupunem c a un punct aleator se a a ntr-un domeniu posibil E R
n
, iar
probabilitatea ca acesta s a se ae ntr-un anumit domeniu, depinde de m arimea
(m asura) acestui domeniu; m arimea este o lungime (n = 1), o arie (n = 2), sau
un volum (n = 3). Probabilitatea ca punctul aleator s a se ae ntr-un domeniu
favorabil D E este
P(D) =
(D)
(E)
(1.18)
Exemplul 1.4.2 Pe cadranul unui osciloscop, care este un p atrat cu latura a > 0
apare aleator un semnal luminos. Cu ce probabilitate acesta apare la o distant a
d <
a
2
?
Domeniul posibil este interiorul p atratului cu aria a
2
. Domeniul favorabil este in-
teriorul cercului cu centrul 0 si raza
a
2
, al c arui centru coincide cu centrul p atratului.
Deci
P =
_
a
2
_
2
a
2
=

4
.
Exemplul 1.4.3 O band a magnetic a are lungimea de 200 m si cont ine dou a me-
saje nregistrate pe dou a piste; pe prima pist a se a a un mesaj de 30 m, iar pe a
doua de 50 m, a c aror pozit ie nu se cunoaste precis. Din cauza unei defect iuni
trebuie ndep artat i 10 m de band a, dup a primii 80 m. G asit i probabilit at ile eveni-
mentelor:
22 CAPITOLUL 1. C

Figura 1.3:
A nici o nregistrare nu este afectat a
B prima nregistrare este afectat a si a doua nu
C a doua nregistrare este afectat a si prima nu
D ambele sunt afectate.
Fie x, y coordonata la care poate ncepe prima respectiv a doua nregistrare; x
[0, 170], y [0, 150]. Pentru ca prima s a nu e afectat a, trebuie ca x [0, 50]
[90, 170], iar a doua y [0, 30] [90, 150]. Probabilit at ile sunt date f acnd raportul
ariilor din gur a si aria domeniului total posibil (vezi gura (1.2)).
Exemplul 1.4.4 Dou a semnale de lungime <
1
2
sunt transmise n intervalul de
timp (0, 1); ecare poate s a nceap a n orice moment al intervalului (0, 1 ).
Dac a semnalele se suprapun, chiar si part ial se distorsioneaz a si nu pot re-
ceptate. G asit i probabilitatea ca semnalele s a e recept ionate f ar a distorsion ari.
(vezi gura (1.3)).
Domeniul posibil este un p atrat de latur a 1 , iar domeniul favorabil este A =
{(x, y)||x y| > }. deci probabilitatea este
(1 2)
2
(1 )
2
.
1.5. PROBLEME PROPUSE 23
1.5 Probleme propuse
1. C ate numere de telefon cu 7 cifre sunt posibile, dac a primele dou a cifre nu
pot 0 sau 1 ?
2. a.

In c ate moduri putem monta 5 becuri de culori diferite n serie ?
b. Din 5 rezistent e numerotate, alegem la nt amplare 2; n c ate moduri e
posibil ?
3.

In c ate moduri 3 semnale diferite se pot transmite aleator pe un canal de
transmisie ? Dar pe 3 canale diferite ?
4. 3 rezistori sunt montat i ntr-un circuit si consider am A
i
evenimentul c a
rezistorul i funct ioneaz a. Exprimat i faptul ca funct ioneaz a:
1. numai primul
2. numai unul
3. cel put in unul
4. cel mult unul
5. toate
6. nici unul
5. C ate cazuri posibile se obt in la aruncarea simultan a a dou a zaruri ? Dar a 3
monede ?
6. 12 semnale de intensit at i diferite se transmit aleator pe 12 canale. Cu ce
probabilitate pe ecare canal s-a transmis c ate un semnal ?
7. 12 semnale de intensit at i diferite se transmit aleator pe 8 canale. Cu ce
probabilitate pe primul canal s-au transmis 3 semnale oarecare ?
8. Un calculator este format din n componente ce se pot defecta independent
cu probabilitat ile 1 p
i
cu i = 1, . . . n ntr-un anumit interval de timp. Cu
ce probabilitate calculatorul nu mai funct ioneaz a, stiind c a defectarea unei
componente atrage acest lucru ?
9. O urn a cont ine n bile numerotate cu 1, 2, . . . n. Se extrage o bil a. Con-
sider am evenimentele:
A : bila extras a are num ar p atrat perfect si
B : bila extras a are num ar care m arit cu 1 este multiplu de 3.
Cele dou a evenimente sunt compatibile? Calculat i P(A B).
24 CAPITOLUL 1. C

10. O urn a cont ine n bile numerotate cu 1, 2, . . . n. Not am M{a} evenimentul
ca la o extragere s a obt inem o bil a numerotat a cu un multiplu de a. S a se
calculeze probabilitatea acestui eveniment. Dac a n este multiplu de a, s a se
calculeze probabilitatea obt inerii unui num ar care nu se divide la a.
11. (Problema concordantelor) Un student are de r aspuns la nntreb ari, c arora
trebuie s a le asocieze r aspunsul corect dintre n r aspunsuri indicate. Pre-
supun and c a studentul asociaz a la nt amplare r aspunsurile, stabilit i proba-
bilitatea ca acesta s a r aspund a corect la:
a) prima ntrebare;
b) primele dou a ntreb ari;
c) cel put in o ntrebare.
12. Un circuit electric are patru relee a c aror funct ionare este egal probabil a
(funct ioneaz a si se pot defecta independent unul de cel alalt), montate dup a
ca n gura (1.4)). Calculat i probabilit atea ca ntre punctele A si B s a nu
circule curentul.
Figura 1.4:
13. Rezistorii R
i
sunt legat i ca n schema din gura (1.5) si se pot arde indepen-
dent unul de altul cu aceeasi probabilitate p (0, 1). Cu ce probabilitate
prin circuit circul a curentul ?
14.

In dou a urne se g asesc bile diferit colorate, astfel:
U
1
: 5 albe, 11 negre, 8 rosii
U
2
: 10 albe, 8 negre, 6 rosii.
Din ecare urn a se extrage la nt amplare c ate o bil a. Care este probabilitatea
ca ambele bile s a e de aceeasi culoare?
Figura 1.5:
15. O urn a cont ine 3 bile albe si 4 bile negre. Din aceast a urn a se extrage o bil a.
In locul ei se introduce o bil a de cealalt a culoare si se face o nou a extragere.

a) Care este probabilitatea ca a doua bil a extras a s a e neagr a, stiind c a
prima a fost alb a?
b) Care este probabilitatea ca a doua bil a extras a s a e neagr a?
c) Care este probabilitatea s a obt inem bile de culori diferite?
Figura 1.6:
16.

Intr-un canal de comunicat ie se introduc 0 sau 1 cu probabilitatea 1 p
respectiv p.
Recept ionerul face erori de decizie cu probabilitatea . Fie evenimentele A
i
intrarea a fost i si B
j
iesirea a fost j. Calculat i P(A
i
B
j
) i = 0, 1, j =
0, 1. Determinat i probabilitatea de a recept iona 1 (gura (1.6)) .
17. 10 aparate de acelasi tip sunt supuse unei probe de vericare; se stie
3 provin de la fabrica A si trec probele n 90 % din cazuri
2 provin de la fabrica B si trec probele n 75 % din cazuri
26 CAPITOLUL 1. C

5 provin de la fabrica C si trec probele n 85 % din cazuri
Se alege la nt amplare un aparat. Cu ce probabilitate trece probele ? Aparatul
ales trece probele. Cu ce probabilitate provine de la A sau B?
18.

Intr-un lot de 100 de becuri 5 sunt rebuturi; la controlul de calitate alegem
la nt amplare un bec, pe care din greseal a l spargem. Alegemnc a unul. Cu
ce probabilitate becul este bun ?
19. Se dau sase urne cu urm atoarele structuri:
1. U
1
si U
2
cont in c ate 4 bile albe si 2 negre,
2. U
3
, U
4
si U
5
cont in c ate 3 bile albe si 5 negre,
3. U
6
cont ine 6 bile albe si 4 negre.
Se extrage la nt amplare o bil a dintr-o urn a. Cu ce probabilitate bila extras a
este neagr a. S tiind c a s-a extras o bil a alb a, cu ce probabilitate aceasta
provine dintr-o urn a cu structura 2?
20. Un lot de 50 de cipuri (circuite integrate) cont ine 3 defecte. Alegem la
nt amplare 10, simultan si le veric am. Cu ce probabilitate 2 sunt defecte ?
21. a. Un semnal este transmis pe trei canale diferite, iar probabilit at ile de re-
cept ionare corect a sunt 0,9; 0,8 si 0,7. Cu ce probabilitate unul dintre ele se
recept ioneaz a corect ?
b. Dar dac a semnalul este trimis pe un canal ales la nt amplare si pre-
supunem c a orice canal poate ales cu aceeasi probabilitate ?
22. O urn a cont ine 2 bile albe si 3 bile negre. Alegem la nt amplare 2 bile, f ar a
repunere. Cu ce probabilitate sunt negre? Dar dac a repunem bila ?
23. Se testeaz a cinci dispozitive ce funct ioneaz a n condit ii identice, indepen-
dent si cu randamentul 0,9. Se cere probabilitatea ca exact dou a s a funct io-
neze.
24. Se consider a trei urne : U
1
cu 5 bile albe si 5 negre, U
2
cu 4 albe si 6 negre,
iar U
3
cu 4 bile albe si 5 negre. Din ecare urn a se extrag cu repunere c ate
5 bile. Care este probabilitatea ca din dou a urne s a obt inem c ate 2 bile albe
si 3 negre iar din cea de-a treia urn a s a obt inem o alt a combinat ie?
25. Se consider a urnele din problema precedent a. Din ecare urn a se extrage
c ate o bil a. Dac a se repet a experient a de 5 ori, care este probabilitatea ca de
trei ori s a obt inem o bil a alb a si 2 bile negre?
26. O persoan a cump ar a dou a cutii de chibrituri cu c ate n bet e ecare. Apoi, de
ecare dat a c and are nevoie, scoate la nt amplare una sau alta dintre cutii.
a) Care este probabilitatea ca n momentul n care constat a c a una din cutii
este goal a, cealalt a cutie s a mai cont in a k bet e? (Problema lui Banach)
b) Utiliz and rezultatul obt inut s a se arate c a:
C
n
2n
+ 2C
n
2n1
+ 2
2
C
n
2n2
+ . . . + 2
n
C
n
n
= 2
2n
.
27.

Intr-un lot de 100 de articole exist a 90 bune, 6 cu defect iuni remediabile si
4 rebuturi. Alegem 3 cu repunere. Cu ce probabilitate se obt ine cel mult
un articol bun si cel mult unul remediabil ? Dar dac a extragerile se fac f ar a
repunere ?
28. Trei mesaje sunt transmise pe un canal de comunicat e.
In funct ie de exacti-
tatea transmisiunii avem evenimentele:
A
1
mesajul este transmis ntr-o form a corect a
A
2
mesajul este part ial eronat
A
3
mesajul este complet eronat.
Probabilit at ile evenimentelor A
1
, A
2
, A
3
sunt p
1
, p
2
si p
3
, (p
1
+ p
2
+ p
3
=
1). Consider and c a transmiterea corect a sau eronat a a unui mesaj nu este
inuent at a de modul de transmitere a celorlalte (independent a evenimente-
lor), s a se g aseasc a probabilit at le urm atoarelor evenimente:
A toate mesajele sunt transmise corect
B cel put in un mesaj s a e complet eronat
C cel put in dou a mesaje sunt part ial sau complet eronate .
29. Un mesaj important este transmis simultan pe n canale de comunicat ie si
repetat pe ecare canal de k ori pentru a usura recept ionarea sa corect a.
Probabilitatea ca n timpul transmisiei unui mesaj acesta s a e eronat este
p si nu depinde de transmiterea altor mesaje. Fiecare canal de comunicat ie
poate blocat cu zgomote cu probabilitatea q; un canal blocat nu poate
transmite nici-un fel de mesaje. S a se calculeze probabilitatea evenimentu-
lui A mesajul este transmis sub form a corect a m acar o dat a
30. Un mesaj este format din n cifre 0 si 1 . Fiecare simbol poate transmis
eronat cu probabilitatea p (este schimbat n contrarul s au cu probabilitatea
q). Pentru sigurant a, mesajul este transmis de dou a ori; informat ia este con-
siderat a corect a dac a ambele mesaje coincid. S a se calculeze probabilitatea
ca mesajul s a nu e corect, n ciuda faptului c a cele dou a mesaje transmise
sunt identice.
28 CAPITOLUL 1. C

31. Fie opt canale de transmitere a informat iei care funct ioneaz a independent.
Presupunem c a un canal este activ cu probabilitatea 1/3. S a se calculeze
probabilitatea ca la un moment dat s a e mai mult de sase canale active.
32. Un asamblor de calculatoare foloseste circuite din trei surse: A
1
, i = 1, 2.3.
Ele pot defecte cu probabilit at ile de respectiv 0,001, 0,005 si 0,01. Dac a
se ia un circuit la ntmplare si se constat a c a este defect, care este probabi-
litatea ca el s a provin a de la sursa A
1
sau A
2
.
33. Un sistem de comunicat ii transmite informat ie binar a, care introduce erori
aleatoare cu p = 10
3
. Emit atorul transmite ecare bit de 3 ori, iar de-
codorul decide asupra bitului transmis n funct ie de num arul majoritar al
bit ilor recept ionat i. Recept ionerul ia o decizie gresit a, dac a se introduc 2
sau mai multe erori. Cu ce probabilitate se ia o decizie gresit a ?
34. 6 mesaje sunt trimise printr-un canal de comunicat ie; ecare poate distor-
sionat independent de celelalte cu probabilitatea 0,2. G asit i probabilitatea
evenimentelor D exact 2 mesaje sunt perturbate, C cel mult 2 mesaje
sunt perturbate.
35. Un sistem este format din n unit at i; ecare se poate aa n una din urm a-
toarele st ari:
s
1
unitatea funct ioneaz a
s
2
unitatea trebuie reglat a
s
3
unitatea trebuie reparat a
s
4
unitatea nu poate funct iona,
cu probabilit at ile p
i
si
n
i=1
p
i
= 1. St arile s
i
sunt independente. G asit i
probabilitatea evenimentelor:
A toate unit at ile sunt n stare de funct iune
B toate unit at ile trebuie reparate
C o unitate aleas a la nt amplare trebuie reparat a si celelalte reglate
D cel put in o unitate nu funct ioneaz a
E 2 unit at i trebuie reglate, una reparat a si celelalte funct ioneaz a.
36. Un sistem const a din 5 unit at i; ecare se poate defecta cu probabilitatea
p = 0, 4, independent de celelalte. Dac a una sau dou a unit at i s-au defectat,
sistemul funct ioneaz a cu ecient a redus a; dac a cel put in trei unit at i s-au de-
fectat, sistemul nu poate funct iona. Calculat i probabilitatea evenimentelor:
1.6. SOLUT II 29
A nici o unitate nu se defecteaz a
B sistemul nu funct ioneaz a
C sistemul funct ioneaz a cu ecient a redus a
D exact o unitate se defecteaz a
E exact dou a unit at i se defecteaz a.
1.6 Solutii
1. Primele dou a cifre pot ocupate n 8
2
moduri, iar restul n 10
5
. Deci 8
2
10
5
.
2. a. 5!, b. C
2
5
.
3. Evident 3! pe un acelasi canal; dac a canalele sunt diferite, ecare semnal
poate transmis n 3 moduri, deci dup a principiul multiplic arii 3
3
. (Dac a
conteaz a si ordinea lor mai nmult im cu 3!.
4. 1. A
1
A
2
A
3
2. B = (A
1
A
2
A
3
) (A
1
A
2
A
3
) (A
1
A
2
A
3
)
3. A
1
A
2
A
3
4. nici unul sau exact unul (A
1
A
2
A
3
) B
5. A
1
A
2
A
3
6. A
1
A
2
A
3
= A
1
A
2
A
3
.
5. 6 6, 2 2 2.
6. Exist a 12
12
cazuri posibile, deoarece pentru ecare semnal avem 12 posi-
bilit at i, dup a care folosim principiul multiplic arii. Cazurile favorabile sunt
date de permut ari, deci p =
12!
12
12
.
7. Fiecare semnal are 8 posibilit at i de a transmis, deci cazurile posibile sunt
8
12
; 3 semnale sunt alese la n tmplare n C
3
12
moduri, iar restul semnalelor
sunt transmise n 7
9
moduri, deci probabilitatea este
C
3
12
7
9
8
12
.
8. Calcul am probabilitatea evenimentului contrar, adic a n acel interval de
timp toate componentele s a funct ioneze, deci
n
i=1
p
i
. Probabilitatea c autat a
va 1
n
i=1
p
i
.
30 CAPITOLUL 1. C

9. A si B sunt incompatibile. P(A) = [
n]/n iar P(B) = [(n+1)/3]/n, (am

notat [x] partea ntreag a a num arului x).
10. Fie k num arul multiplilor de a, care se g asesc printre numerele 1, 2, . . . n.
Acesti multipli sunt a, 2a, 3a, . . . ka. Rezult a c a n = ka + r, 0 < r < a.
Atunci num arul cazurilor favorabile primului eveniment este k si avem k =
[n/a]. Probabilitatea cerut a este [n/a]/n. Dac a n este multiplu de a atunci
n = ka iar probabilitatea obt inerii unui multiplu de a este k/ka = 1/a.
11. a) num atul cazurilor posibile: n!, num arul cazurilor favorabile (n 1)!,
probabilitatea c autat a: 1/n;
b) 1/(n2)!; c) dac a not am cu A
i
evenimentul c a studentul r aspunde corect
la ntrebarea i, evenimentul c autat este A
1
A
2
. . . A
n
. Aplic am pro-
babilitatea unei reuniuni si g asim: 1 1/2! + 1/3! . . . + (1)
n1
1/n!.
12. Not am cu A
i
evenimentul releul R
i
funct ioneaz a.. Curentul circul a dac a
((A
1
A
2
) A
4
) A
3
= (A
1
A
4
) (A
2
A
4
) A
3
. Cum orice releu
poate n dou a pozit ii, nchis sau deschis, rezult a c a num arul cazurilor
posibile este 2
4
= 16. Probabilitatea s a funct ioneze este P(A
1
A
4
) +
P(A
2
A
4
) + P(A
3
) P(A
1
A
2
A
4
) P(A
1
A
3
A
4
) P(A
2
A
4
A
3
) + P(A
1
A
2
A
3
A
4
) Un releu funct ioneaz a n 2
3
cazurile
favorabile (deoarece au r amas 3 relee ce pot n 2
3
cazuri), dou a n 2
2
cazuri, trei relee n 2
1
cazuri, iar toate ntr-un caz. Probabilitatea c autat a
este 1 (2 4/16 + 8/16 3 2/16 + 1/16) = 0, 3125.
13. (A
1
A
2
) (A
1
A
3
A
5
) (A
4
A
3
A
2
) (A
4
A
5
).
14. Consider am evenimentele A
1
: ambele bile extrase sunt albe, A
2
: am-
bele bile extrase sunt negre si A
3
: ambele bile extrase sunt rosii. Se cere
probabilitatea evenimentului A = A
1
A
2
A
3
. P(A) = 5/24 10/24 +
11/24 8/24 + 8/24 6/24 = 0, 32.
15. Fie A =prima bil a este alb a si B =a doua bil a este alb a. P(A) = 3/7
a) P(B|A) = 5/7 (prima bil a a fost alb a, deci s-a ad augat una neagr a);
b) F = (A B) (A B) si P(F) = 3/7 5/7 + 4/7 3/7 = 0, 55;
c) G = (A B) (A B) si P(G) = 3/7 5/7 + 4/7 4/7 = 0, 63.
16. P(A
0
B
0
) = (1 p)(1 ); P(A
0
B
1
) = (1 p); P(A
1
B
0
) =
p; P(A
1
B
1
) = p(1 ).
Din formula probabilit at ii totale avem
P(B
1
) = P(A
0
)P(B
1
|A
0
) + P(A
1
)P(B
1
|A
1
).
1.6. SOLUT II 31
17. Din formula probabilit at ii totale, aparatul ales trece probele cu probabili-
tatea: P(M) =
3
10
0, 9+
2
10
0, 75+
5
10
0, 85 = 0, 845. Apoi, evenimentul
contrar este c a nu provine de la C, iar acesta, dup a formula lui Bayes, are
probabilitatea:
5
10
0, 85
P(M)
= 0, 503.
18. Consider am evenimentele A
1
primul bec a fost bun, A
2
al doilea bec a
fost bun. A
1
si A
1
formeaz a un sistemcomplet de evenimente. Din formula
probabilit at ii totale rezult a: P(A
2
) = 0, 95
94
99
+ 0, 05
95
99
= 0, 94.
19. Not am A
i
, i = 1, 2, . . . 6 evenimentul bila extras a provine din urna U
i
,
si cu X evenimentul bila extras a este neagr a. Din formula probabilit at ii
totale rezult a: P(X) =
1
6
(2
1
3
+ 3
5
8
+
2
5
) = 0, 49. Apoi, din formula lui
Bayes, avem:
P(A
3
A
4
A
5
|X) = 3
P(A
3
) P(X|A
3
)
P(X)
= 3
1
6

3
8
1 0, 49
= 0, 36
20. Schema geometric a
C
8
47
C
2
3
C
3
50
21. a. Schema lui Poisson cu probabilit at ile p
1
= 0, 9, q
1
= 0, 1, p
2
= 0, 8, q
2
=
0, 2, p
3
= 0, 7, q
3
= 0, 3. Probabilitate c autat a este coecientul lui x din
polinomul P(x) = (0, 9x+0, 1)(0, 8x+0, 2)(0, 7x+0, 3), adic a 0, 9 0, 2
0, 3 + 0, 8 0, 1 0, 2 + 0, 7 0, 1 0, 2 = 0, 092.
b. Formula probabilit at ii totale 1/3 0, 9 + 1/3 0, 8 + 1/3 0, 7 = 0, 8.
22. F ar a repunere este schema geometric a
C
0
2
C
2
3
C
2
5
, iar cu repunere schema lui
Bernoulli C
2
5
(3/5)
2
(2/5)
0
.
23. Schema lui Bernoulli C
2
5
(0, 9)
2
(0, 1)
3
.
24. Fie A evenimentul cerut. Dup a schema lui Poisson P(A) este coecientul
lui X
2
din polinomul (p
1
x + q
1
)(p
2
x + q
2
)(p
3
x + q
3
), unde p
i
este pro-
babilitatea evenimentului A
i
=din urna U
i
se obt in 2 bile albe si 3 negre,
q
i
= 1 p
i
, i = 1, 2, 3. Dup a schema lui Bernoulli avem
p
1
= C
2
5
(5/10)
2
(5/10)
3
, p
2
= C
2
5
(4/10)
2
(6/10)
3
, p
3
= C
2
5
(4/9)
2
(5/9)
3
.
25. Fie A evenimentul evenimentul la o extragere obt inem 1 bil a alb a si 2
bile negre. Conform schemei lui Poisson P(A) este coecientul lui X
1
32 CAPITOLUL 1. C

din polinomul (p
1
x + q
1
)(p
2
x + q
2
)(p
3
x + q
3
), unde p
1
= 5/10, p
2
=
4/10, p
3
= 4/9 iar q
i
= 1 p
i
i = 1, 2, 3. Probabilitatea cerut a este
C
3
5
(P(A))
3
(1 P(A))
2
.
26. a) S a numim cele dou a cutii (i) si (ii). Pentru a ajunge n situat ia dat a per-
soana a scos de 2n k + 1 ori o cutie din buzunar (de n ori o cutie pentru
a o goli, de n k ori cealalt a cutie pentru a-i r am ane k bet e si din nou
prima cutie, pentru a constata c a este goal a). Deci are loc evenimentul A
n 2n k cazuri apare de n ori cutia (i) si de n k ori cutia (ii), iar n al
2n k + 1-lea caz apare cutia (i) sau evenimentul B n 2n k cazuri
apare de n ori cutia (ii) si de n k ori cutia (i), iar n al 2n k + 1-lea caz
apare cutia (ii). Cele dou a evenimente au evident probabilit at i egale. S a
consider am evenimentul A. Probabilitatea ca n 2n k extrageri s a apar a
de n ori cutia (i) si de n k ori cutia (ii) este (schema binomial a)
C
n
2nk
(
1
2
)
k
(
1
2
)
nk
.
Probabilitatea ca n a 2n k + 1-a extragere s a apar a (i) este 1/2. Astfel
P(A) = 1/2 C
n
2nk
(
1
2
)
k
(
1
2
)
nk
, iar probabilitatea cerut a este
p
k
= C
n
2nk
(
1
2
)
2nk
b) Se t ine cont de
n
_
k=0
p
k
= E si deci
n
k=0
p
k
= 1.
27. Cu repunere (schema binomial a generalizat a)
3!
1!1!1!
(90/100)
1
(6/100)
1
(4/100)
1
+
3!
0!1!2!
(90/100)
0
(6/100)
1
(4/100)
2
+
+
3!
1!0!2!
(90/100)
1
(6/100)
0
(4/100)
2
+
3!
0!0!3!
(90/100)
0
(6/100)
0
(4/100)
3
iar f ar a repunere (schema geometric a generalizat a
C
1
90
C
1
6
C
1
4
C
3
100
+
C
0
90
C
1
6
C
2
4
C
3
100
+
C
1
90
C
0
6
C
2
4
C
3
100
+
C
0
90
C
0
6
C
3
4
C
3
100
.
28. Not am cu
A
1i
, i = 1, 2, 3 mesajul i este transmis corect
A
2i
, i = 1, 2, 3 mesajul i este transmis part ial eronat
1.6. SOLUT II 33
A
3i
, i = 1, 2, 3 mesajul i este transmis complet eronat
Avem P(A
1i
) = p
1
, P(A
2i
) = p
2
, P(A
3i
) = p
3
i = 1, 2, 3.
A = A
11
A
12
A
13
si P(A) = p
3
1
.
Complementarul evenimentului B este: toate mesajele sunt sau corecte sau
part ial eronate, deci B = (A
11
A
21
) (A
12
A
22
) (A
13
A
23
). Proba-
bilitatea acestui eveniment este (p
1
+p
2
)
3
, iar P(B) = 1 (p
1
+ p
2
)
3
.
C = [A
11
(A
22
A
32
) (A
23
A
33
)]
[(A
21
A
31
) A
12
(A
23
A
33
)]
[(A
21
A
31
) (A
22
A
32
) A
13
)]
[A
21
A
31
) (A
22
A
32
) (A
23
A
33
)]
Probabilitatea acestui eveniment este P(C) = 3(p
2
+ p
3
)
2
p
1
+ (p
2
+ p
3
)
3
.
29. Fie B un mesaj este transmis pe un canal de comunicat ie f ar a nici o eroare
m acar o dat a.
Pentru ca s a aib a loc evenimentul B mai nt ai canalul nu trebuie s a e blo-
cat cu zgomote si apoi m acar unul din cele k mesaje transmise nu trebuie
s a e eronat (contrar evenimentului c a toate cele k mesaje transmise sunt
eronate). Obt inem P(B) = (1 q)(1 p
k
). Probabilitatea evenimentului
A, eveniment care nseamn a c a evenimentul B s-a produs m acar o dat a pe
un canal, este P(A) = 1 (1 P(B))
n
= 1 (1 (1 q)(1 p
k
))
n
.
30. Evenimentul ca mesajul s a nu e corect este contrar evenimentului c a am-
bele mesaje sunt corecte. Probabilitatea ca un mesaj transmis s a e corect
este (1 p)
n
, probabilitatea ca ambele mesaje s a e corecte este (1 p)
2n
,
iar probabilitatea c autat a este 1 (1 p)
2n
.
31. Bernoulli C
7
8
(1/3)
7
(2/3) + C
8
8
(1/3)
8
= 0, 0024 + 0, 00015 = 0, 00259.
32. Fie A
i
evenimentul ca circuitul s a provin a de la sursa A
i
. Fie D evenimentul
ca circuitul folosit s a e defect, iar D|A
i
, i = 1, 2, 3 evenimentul ca circuitul
folosit s a e defect stiind c a el provine de la sursa A
i
. Avem P(D|A
1
) =
0, 001, P(D|A
2
) = 0, 005, P(D|A
3
) = 0, 01. Din formula probabilit at ii
totale rezult a P(D) = 1/3 (0, 001+0, 005+0, 01) = 1/3 0, 016. Folosind
formula lui Bayes obt inem P(A
1
|D) = 1/16, P(A
2
|D) = 5/16. Deoarece
evenimentele A
1
|D si A
2
|D sunt incompatible, rezult a P(A
1
A
2
|D) =
P(A
1
|D) + P(A
2
|D) = 6/16 = 0, 375.
33. C
2
3
(0, 001)
2
0, 999 + C
3
3
(0, 001)
3
.
34 CAPITOLUL 1. C

34. P(D) = C
2
6
(0, 2)
2
(0, 8)
4
, iar
P(C) = C
0
6
(0, 2)
0
(0, 8)
6
+ C
2
6
(0, 2)
2
(0, 8)
4
+ C
1
6
(0, 2)
1
(0, 8)
5
.
35. P(A) = p
n
1
, P(B) = p
n
3
, P(C) = C
1
n
p
3
p
n1
2
, P(D) = 1 (1 p
4
)
n
,
P(E) = C
2
n
C
1
n2
p
2
2
p
n3
1
p
3
.
36.
P(A) = (1 0, 4)
5
P(B) = C
5
5
(0, 4)
5
(0, 6)
0
+C
4
5
(0, 4)
4
(0, 6)
1
+ C
3
5
(0, 4)
3
(0, 6)
2
P(C) = C
1
5
(0, 4)
1
(0, 6)
4
+ C
2
5
(0, 4)
2
(0, 6)
3
P(D) = C
1
5
(o, 4)(0, 6)
4
P(E) = C
2
5
(0, 4)
2
(0, 6)
3
.
Capitolul 2
Variabile aleatoare
2.1 Variabile aleatoare discrete
In viat a de toate zilele int alnim la tot pasul m arimi care iau valori ce se schimb a
sub inuent a unor factori int ampl atori. Asa sunt, de exemplu num arul de zile
dintr-un an n care cade ploaia peste o anumit a regiune, rezultatul obt inut n urma
m asur arii unei m arimi zice, viteza unei molecule de gaz, num arul de apeluri zil-
nice primite la o central a telefonic a, num arul de bile albe care apar n n extrageri
dintr-o urn a ce cont ine bile de diferite culori, num arul de puncte care apar la arun-
carea unui zar etc.
In capitolul de fat a studiem acele m arimi care iau un num ar nit sau cel mult
num arabil de valori. Fiecare din m arimi poate lua diferite valori n diversele
efectu ari ale unei experient e, chiar dac a toate condit iile r am an neschimbate la
ecare efectuare a experient ei. Modicarea valorilor are la baz a factori nt am-
pl atori. De aceea vom numi aceste m arimi variabile aleatoare (nt ampl atoare).
Pentru cunoasterea unei variabile aleatoare trebuie s a cunoastem n, primul r and,
valorile pe care le poate lua. Ins a unele valori pot ap area mult mai des dec at altele.
Variabila aleatoare va precizat a dac a vom cunoaste si probabilitatea cu care este
luat a ecare valoare.
Dac a E este nit a sau cel mult num arabil a, P(E) mult imea tuturor submult i-
milor lui E o funct ie
X : E {x
1
, x
2
, . . . x
n
, . . .}, x
1
, , x
n
, R
se numeste variabil a aleatoare discret a. Tabelul
X :
_
x
i
p
i
_
, i = 1, 2, . . . (2.1)
35
36 CAPITOLUL 2. VARIABILE ALEATOARE
unde
p
i
= P{X = x
i
} = P{ e E | X(e) = x
i
}, i = 1, 2, . . . (2.2)
se numeste repartitia variabilei X. Are loc
i=1
p
i
= 1 (2.3)
Exemplul 2.1.1 Dou a aparate de acelasi tip funct ioneaz a independent unul de
cel alalt si se pot defecta cu probabilitatea p (0, 1). S a analiz am num arul de
aparate ce funct ioneaz a la un moment dat si cu ce probabilitate acestea funct io-
neaz a.
Not am cu A
i
, i = 1, 2 evenimentul c a aparatul i funct ioneaz a. Atunci, dac a
urm arim starea n care se a a cele dou a aparate avem urm atoarele situat ii care
constituie mult imea cazurilor posibile
E = {(A
1
, A
2
), (A
1
, A
2
), ( A
1
, A
2
), (A
1
, A
2
)}.
Am convenit s a not am cu A
i
faptul c a aparatul i funct ioneaz a, iar cu A
i
, faptul c a
acesta nu funct ioneaz a.
Fie X num arul de aparate care funct ioneaz a. Evident
X : E {0, 1, 2}.
Probabilit at ile cu care se iau aceste valori sunt
P{X = 0} = P(A
1
A
2
) = (1 p)
2
P{X = 1} = P
_
(A
1
A
2
) ( A
1
A
2
)
_
= P(A
1
A
2
) + P( A
1
A
2
) =
= P(A
1
)P(A
2
) + P(A
1
)P(A
2
) = 2p(1 p).
P{X = 2} = P(A
1
A
2
) = p
2
Se obt ine astfel repartit ia
X :
_
0 1 2
(1 p)
2
2p(1 p) p
2
_
.
Date variabilele X :
_
x
i
p
i
_
, i = 1, 2, . . . si Y :
_
y
j
q
i
_
, j = 1, 2, . . ., denim
p
ij
= P{X = x
i
, Y = y
j
}, i = 1, 2, . . . , j = 1, 2, . . . (2.4)
2.1. VARIABILE ALEATOARE DISCRETE 37
Exemplul 2.1.2 Urm atoarele formule sunt adev arate.
p
i
=
jN
p
ij
q
j
=
iN
p
ij
iN,jN
p
ij
= 1
(2.5)
S a ar at am de exemplu prima formul a.
p
i
= P{X = x
i
} = P({X = x
i
} E) = P
_
{X = x
i
} (
_
jN
{Y = y
j
})
_
=
= P
_
_
jN
({X = x
i
} {Y = y
j
}
_
=
jN
p
ij
.
Variabilele se numesc independente, dac a
p
ij
= p
i
q
j
, i = 1, 2, . . . , j = 1, 2, . . . (2.6)
Suma variabilelor are repartit ia
X +Y :
_
x
i
+ y
j
p
ij
_
, i = 1, 2, . . . , j = 1, 2, . . . (2.7)
Suma X + , R are repartit ia
X + :
_
x
i
+
p
i
_
, i = 1, 2, . . . (2.8)
Produsul variabilelor XY are repartit ia
_
x
i
y
j
p
ij
_
, i = 1, 2, . . . , j = 1, 2, . . . (2.9)
Produsul X are repartit ia
X :
_
x
i
p
i
_
, i = 1, 2, . . . (2.10)
Puterea X
2
are repartit ia
X
2
:
_
x
2
i
p
i
_
, i = 1, 2, . . . (2.11)
Exemplul 2.1.3 Se dau variabilele independente:
X :
_
0 1 2
0, 2 0.4 0, 4
_
, Y :
_
1 2
0, 6 0, 4
_
Determinat i repartit iile variabilelor X + Y, XY, 2 + X, X
2
, 3Y .
Folosimformulele precedente si independent a variabilelor. Convenims a punem
pe prima linie toate rezultate n ordine cresc atoare. De exemplu suma X+Y poate
lua doar valorile 1, 2, 3, 4.

Inlocuim apoi probabilit at ile si folosind independent a
avem
P{X + Y = 1} = P({X = 0} {Y = 1}) = P{X = 0} P{Y = 1} = 0.12
Dac a unele valori sunt luate n mai multe moduri, folosim probabilitatea unei
reuniuni, observ and c a evenimentele sunt incompatibile; de exemplu
P{X + Y = 2} = P (({X = 0} {Y = 2}) ({X = 1} {Y = 1})) =
= P({X = 0}{Y = 2})+P({X = 1}{Y = 1}) = 0, 20.4+0, 40, 6 = 0, 32.
X + Y :
_
1 2 3 4
0, 12 0, 32 0, 4 0, 16
_
, XY :
_
0 1 2 4
0, 2 0, 24 0, 4 0, 6
_
2 + X :
_
2 3 4
0, 2 0.4 0, 4
_
, X
2
:
_
0 1 4
0, 2 0.4 0, 4
_
, 3Y :
_
3 6
0, 6 0, 4
_
Exemplul 2.1.4 Ce distribut ie are suma variabilelor independente:
X :
_
1 0 1
p
2
5
3
p
1
3
_
, Y :
_
1 0 1 2
q
2
8
5
q
1
6
1
30
_
?
Dar produsul lor?
Punem condit iile ca aceste tabele s a reprezinte repartit ii de variabile aleatoare.
Adic a pe linia a doua s a avem numere subunitare si suma lor s a e 1. Obt inem
pentru prima
p
2
+
5
3
p +
1
3
= 1 si p [0, 3/5]
de unde la p =
1
3
. Analog
q
2
+
8
5
q +
1
6
+
1
30
= 1 si q [0, 5/8]
de unde q =
2
5
. Rezult a
X+Y :
_
2 1 0 1 2 3
4
225
36
225
577
1350
209
675
2
27
1
90
_
, XY :
_
2 1 0 1 2
1
270
97
1350
189
225
11
150
1
90
_
Fie X o variabil a aleatoare discret a.
Functia de repartitie a lui X este denit a prin F : R [0, 1],
F(x) = P{X x} (2.12)
Dac a variabila X are un num ar nit de valori, atunci expresia ei este
F(x) =
_
_
0 x < x
1
p
1
x
1
x < x
2
. . .
i
j=1
p
j
x
i1
x < x
i
. . .
1 x x
n
, (2.13)
Dac a X este o variabil a discret a, funct ia de repartit ie poate scris a sub forma
F(x) =
i=1
p
i
u(x x
i
) (2.14)
Mai observ am c a funct ia de repartit ie este continu a la dreapta, iar saltul ei ntr-un
punct este probabilitatea de a lua aceast a valoare
p
i
= P{X = x
i
} = F(x
i
) F(x
i
0).
Derivata n sensul distribut iilor este
f(x) =
i=1
(x x
i
)(F(x
i
) F(x
i
0)) =
i=1
(x x
i
)p
i
(2.15)
Funct ia f se mai numeste densitate de probabilitate si considerarea ei n cazul
discret asigur a tratarea unitar a cu cazul continuu.
In relat iile de mai sus prin funct ia u s-a nt eles funct ia unitate:
u(x) =
_
0 x < 0
1 x 0
(2.16)
Prin (x x
i
) s-a notat distribut ia Dirac.
Exemplul 2.1.5 Determinat i funct ia de repartit ie a variabilei:
X :
_
1 2 3 4 5 6
0, 1 0, 2 0, 3 0.1 0, 2 0, 1
_
F(x) =
_
_
0 x < 1
0, 1 1 x < 2
0, 3 2 x < 3
0, 6 3 x < 4
0, 7 4 x < 5
0, 9 5 x < 6
1 6 x
Are loc
F(x) = 0, 1u(x 1) + 0, 2u(x 2) + 0, 3u(x 3) + 0, 1u(x 4)+
+0, 2u(x 5) + 0, 1u(x 6).
1
0,8
0,6
0,4
0,2
0
x
8 6 4 2 0
Figura 2.1: Funct ia de repartit ie
Funct ia de repartit ie este reprezentat a n gura (2.1). Iar densitatea de probabili-
tate, reprezentat a n gura (2.2), are expresia analitic a
f(x) = 0, 1(x 1) + 0, 2(x 2) + 0, 3(x 3) + 0, 1(x 4)+
+0, 2(x 5) + 0, 1(x 6).
Se observ a c a deriv and n sens distribut ional F obt inem f, deoarece derivata
0,3
0,25
6
0,2
0,15
5
0,1
0,05
4
0
3 2 1
Figura 2.2: Densitatea de probabilitate
distribut iei Heaviside, u este distribut ia Dirac, .
2.2 Momente ale variabilelor discrete
O variabil a aleatoare poate caracterizat a prin funct ia sa de repartit ie.

In multe
situat ii aceasta din urm a nu este cunoscut a si se pune problema introducerii unor
parametri (caracteristici numerice) care s a permit a caracterizarea variabilei alea-
toare respective. Printre aceste caracteristici numerice, un rol important l ocup a
valoarea medie (sperant a matematic a), dispersia (variant a), momentele de diferite
ordine.
Denit iile urm atoare au fost date pentru cazul n care variabila are o innitate
num arabil a de valori, de aceea pentru existent a valorilor caracteristice de mai jos,
trebuie studiat a convergent a seriilor.
Momentul initial de ordinul r
m
r
= M[X
r
] =
i=1
x
r
i
p
i
(2.17)
Media sau speranta este
M[X] = m
1
=
i=1
x
i
p
i
(2.18)
Propriet ati ale mediei
1. M[X] = M[X], R
2. M[ + X] = + M[X], R
3. M[X + Y ] = M[X] + M[Y ]
4. |M[XY ]|
_
M[X
2
]M[Y
2
].
Exemplul 2.2.1 Dac a variabilele X, Y sunt independente atunci
M[X Y ] = M[X] M[Y ] (2.19)
Calcul am media produsului
M[X Y ] =
j
(x
i
y
j
)p
ij
2.2. MOMENTE ALE VARIABILELOR DISCRETE 43
care datorit a independent ei se scrie mai departe
j
(x
i
y
j
)p
i
p
j
= M[X] M[Y ].
Vom da un exemplu de variabil a care nu admite medie.
Exemplul 2.2.2 Variabil a aleatoare
X :
_
_
n
1
n(n + 1)
_
_
, n N
nu are medie.
Pentru nceput observ am c a are loc
n=1
1
n(n + 1)
= 1
deci funct ia din exemplu este o variabil a aleatoare. Deoarece seria
M[X] =
n=1
n
n(n + 1)
este divergent a, urmeaz a c a nu exist a medie.
Mediana este acea valoare notat a m
e
cu proprietatea
P{X m
e
} = P{X m
e
}.
Dac a variabila are un num ar nit de valori si anume n , atunci se obisnuieste
m
e
=
_
x
k+1
n = 2k + 1
x
k
sau x
k+1
n = 2k
. (2.20)
Moda este valoarea cu frecvent a maxim a. Evident este posibil ca s a nu existe
moda, de exemplu n cazul uniform, sau dac a exist a, aceasta s a nu e unic a.
Momentul centrat de ordin r este
r
= M[(X M[X])
r
] =
i=1
(x
i
M[X])
r
p
i
(2.21)
Dispersia este momentul centrat de ordin 2, adic a
D
2
[X] =
2
=
i=1
(x
i
M[X])
2
(2.22)
Exemplul 2.2.3 Dac a variabila aleatoare X are medie si dispersie, atunci are
loc
D
2
[X] = M[X
2
] (M[X])
2
. (2.23)
Intr-adev ar, dac a not am media cu m

D
2
[X] =
i=1
p
i
(x
i
m)
2
=
=
i=1
p
i
x
i
2m
i=1
p
i
x
i
+ m
2
= M[X
2
] 2m
2
+m
2
= M[X
2
] (M[X])
2
.
Dipersia mai este cunoscut a si sub numele de variant a.
Propriet ati ale dispersiei
1. D
2
[] = 0, R
2. D
2
[X + ] = D
2
[X], R
3. D
2
[X] =
2
D
2
[X], R
4. Dac a variabilele aleatoare X, Y sunt independente, atunci
D
2
[X Y ] = D
2
[X] + D
2
[Y ].
Covarianta variabilelor X si Y este denit a prin:
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] (2.24)
si are loc
D
2
[X Y ] = D
2
[X] + D
2
[Y ] 2Cov[X, Y ] (2.25)
Abaterea medie p atratic a notat a D[X] este denit a prin relat ia
= D[X] =
_
D
2
[X]. (2.26)
Propriet ati ale abaterii medii p atratice.
1. D[] = 0, R
2. D[ + X] = D[X], R
3. D[X] =| | D[X], R.
Functia caracteristic a este funct ia
: R C
prin relat ia
(t) =
i=1
e
jtx
i
p
i
(2.27)
Vom nota uneori
X
, pentru a pune n evident a variabila c areia i se asociaz a.
Remarc am urm atoarele dou a propriet at i ale funct iei caracteristice.
Dac a variabilele X si Y sunt independente, atunci
X+Y
(t) =
X
(t)
Y
(t). (2.28)
Momentele init iale se obt in cu ajutorul funct iei caracteristice, dup a formula:
m
r
=

(r)
(0)
j
r
(2.29)
Variabila aleatoare binomial a (Bernoulli) cu parametrii n si p (n N \ 0, p
(0, 1)) are repartit ia:
X :
_
k
C
k
n
p
k
q
nk
_
k=0,n
unde q = 1 p. Distribut ia binomial a este de o mare important a n teoria a-
bilit at ii si intervine n cazul n care se presupune c a se efectueaz a o serie de n
ncerc ari independente, n ecare ncercare un eveniment A put andu-se realiza cu
probabilitatea p. Probabilitatea ca evenimentul A s a se produc a de k ori si s a nu
se realizeze n celelalte n k ncerc ari este C
k
n
p
k
q
nk
.
V.a. X cu distribut ie binomial a se poate scrie ca suma a n v.a. independente
X
1
, X
2
, . . . X
n
denite astfel: X
i
= 1 dac a la ncercarea i s-a produs evenimentul
A si X
i
= 0 n caz contrar: X = X
1
+ X
2
+. . . +X
n
.
Media v.a. binomiale este M[X] = n p, dispersia ei este D
2
[X] = n p q,
iar funct ia caracteristic a este (t) = (pe
jt
+ q)
n
.
Intr-adev ar
M[X] =
n
k=1
kC
k
n
p
k
q
nk
.
Din identitatea:
(pt + q)
n
=
n
k=0
C
k
n
p
k
t
k
q
nk
prin derivare membru cu membru, n raport cu t, obt inem :
np(pt + q)
n1
=
n
k=1
kC
k
n
p
k
t
k1
q
nk
.
F ac and aici t = 1 si t in and seama c a p + q = 1 deducem
np =
n
k=1
kC
k
n
p
k
q
nk
.
Pentru calculul dispersiei D
2
[X] = M[X
2
] (M[X])
2
, trebuie s a calcul am mo-
mentul init ial de ordinul 2. Vom folosi pentru aceasta funct ia caracteristic a a v.a.
X, care este:
(t) =
n
k=0
C
k
n
p
k
q
nk
e
jtk
=
n
k=0
C
k
n
(pe
jt
)
k
q
nk
= (pe
jt
+ q)
n
.
Avem
4 3
0,4
0,3
2
0,2
0,1
1
0
0
Figura 2.3: Repartit ia Bernoulli pentru n = 4, p = 0, 7
M[X
2
] =

(0)
j
2
= n
2
p
2
+ np np
2
si prin urmare
D
2
[X] = np np
2
= np(1 p) = npq.
Repartitia Poisson.
In cazul unui experiment se pot produce evenimentele A

1
, A
2
, , A
n
cu proba-
bilit at ile p
1
, p
2
, , p
n
. Facem ipoteza c a evenimentele sunt independente. Fie X
num arul de evenimente care se produc la o repetare n condit ii identice ale experi-
mentului si e q
i
= 1p
i
. Fie X
i
, i = 1, n, variabilele aleatoare care iau valoarea
1 dac a s-a produs A
i
si 0 n caz contrar. Acestea au repartit ia
X
i
:
_
0 1
q
i
p
i
_
, i = 1, n,
Observ am c a
X = X
1
+ X
2
+ . . . + X
n
=
n
i=1
X
i
.
S a calcul am media si dispersia. Mai nt ai pentru X
i
avem
M[X
i
] = p
i
.
Pentru dispersie vom folosi
D
2
[X
i
] = M[X
2
i
] (M[X
i
])
2
.
Deoarece
X
2
i
:
_
0 1
q
i
p
i
_
,
avem
M[X
2
i
] = p
i
,
deci
D
2
[X
i
] = p
i
p
2
i
= p
i
q
i
si D
2
[X] =
n
i=1
p
i
q
i
.
Pentru variabila X rezult a acum din propriet at ile mediei si ale dispersiei:
M[X] = M[
n
i=1
X
i
] =
n
i=1
M[X
i
] =
n
i=1
p
i
,
D
2
[X] = D
2
[
n
i=1
X
i
] =
n
i=1
D
2
[X
i
],
deoarece variabilele aleatoare X
i
, i = 1, n, sunt independente.
Repartitia hipergeometric a.
Fie X variabila aleatoare care ia ca valori num arul de bile albe care se obt in ex-
tr ag and n bile dintr-o urn a care cont ine a bile albe si b bile negre (n a + b).
Tabloul de repartit ie al variabilei aleatoare X este
_
_
0 1 2 . . . k . . . min{n, a}
C
0
a
C
n
b
C
n
a+b
C
1
a
C
n1
b
C
n
a+b
C
2
a
C
n2
b
C
n
a+b
. . .
C
k
a
C
nk
b
C
n
a+b
. . .
C
min{n,a}
a
C
nmin{n,a}
b
C
n
a+b
_
_
.
Calcul am caracteristicile numerice ale variabilei aleatoare X. Avem
M[X] =
min{a,n}
k=1
k
C
k
a
C
nk
b
C
n
a+b
=
1
C
n
a+b
k
kC
k
a
C
nk
b
= =
1
C
n
a+b
k
aC
k1
a1
C
nk
b
=
=
a
C
n
a+b
C
n1
a+b1
= a
n!(a +b n)!
(a + b)!
(a + b 1)!
(n 1)!(a + b n)!
=
an
a + b
.
Pentru calculul dispersiei utiliz am formula
D
2
[X] = M[X
2
] (M[X])
2
.
Calcul am mai nt ai
M[X
2
] =
k
k
2
C
k
a
C
nk
b
C
n
a+b
=
k
k(k 1)
C
k
a
C
nk
b
C
n
a+b
+
k
k
C
k
a
C
nk
b
C
n
a+b
;
k
k(k 1)
C
k
a
C
nk
b
C
n
a+b
=
1
C
n
a+b
k
a(a 1)C
k2
a2
C
nk
b
=
a(a 1)
C
n
a+b
C
n2
a+b2
=
= a(a 1)
n!(a + b n)!(a + b 2)!
(a +b)!(n 2)!(a + b n)!
=
a(a 1)n(n 1)
(a + b)(a +b 1)
.
De aici rezult a c a
M[X
2
] =
a(a 1)n(n 1)
(a + b)(a +b 1)
+
an
a + b
=
an
a + b
_
(a 1)(n 1)
a + b 1
+ 1
_
,
D
2
[X] =
an(an n + b)
(a + b)(a + b 1)

a
2
n
2
(a + b)
2
=
abn(a + b n)
(a + b)
2
(a +b 1)
.
Repartitia Poisson cu innitate num arabil a de valori se mai numeste si legea
evenimentelor rare este de forma
X :
_
_
0 1 2 . . . k . . .
e

1!
e

2
2!
e
. . .

k
k!
e
. . .
_
_
. (2.30)
Folosim notat ia
P{X = k} =

k
k!
e
.
Evident
k=0
k
k!
e
= e
k=0
k
k!
= e
= 1,
deci (2.30) este o repartit ie bine denit a.
Ar at am c a media repartit iei Poisson este aceeasi cu dispersia repartit iei si egal a cu
.
Intr-adev ar,
M[X] =
k=0
k
k
k!
e
k=1
k

k1
(k 1)!
e
= .
Pentru calculul dispersiei folosim formula
M[X
2
] =
k=1
k
2
k
k!
e
k=2
(k
2
k)
k
k!
e
k=1
k
2
k
k!
e
=
=
2
k=2
k
2

k2
(k 2)!
e
+ =
2
+
D
2
[X] =
2
+ = .
0,2
0,15
0,1
6
0,05
0
4 2 0
Figura 2.4: Repartit ia Poisson pentru = 3
Funct ia caracteristic a este
(t) = e
(1e
jt
)
.
Intr-adev ar
(t) =
k=0
e
jtk
k
k!
e
= e
k=0
(e
jt
)
k
k!
= e
(1e
jt
)
.
Repartit ia Poisson este intim legat a de distribut ia binomial a, obt in andu-se ca un
caz limit a al acesteia din urm a, c and n si p scade astfel nc at np = =
const. Avem
C
k
n
p
k
q
nk
=
n(n 1) . . . (n k + 1)
k!
(
n
)
k
(1

n
)
nk
=
k
k!
n(n 1) . . . (n k + 1)
n
k
(1

n
)
nk
si deoarece
lim
n
n(n 1) . . . (n k + 1)
n
k
= 1, lim
n
(1

n
)
nk
= e
se deduce aproximarea, pentru n :

C
k
n
p
k
q
nk

k
k!
e
.
Exemplul 2.2.4 Un generator de particule emite particule n unitatea de timp.
Care este probabilitatea ca n intervalul t s a apar a k impulsuri ?
Pentru n sucient de mare mp art im [0, t] n intervale de lungime
t
n
, nc at n
ecare interval s a existe cel mult un impuls. Probabilitatea ca ntr-un interval de
timp de lungime
t
n
s a e nregistrat un impuls este w
t
n
= p (se observ a c a
wt
n
0, pentru n , ceea ce justic a nc a o dat a denumirea de eveniment
rar). Probabilitatea ca n intervalul [0, t] s a e nregistrate k impulsuri este dat a de
schema lui Bernoulli
C
k
n
_
wt
n
_
k
_
1
wt
n
_
nk
(wt)
k
k!
e
wt
pentru n cu = wt.
Exemplul 2.2.5 O stat ie de recept ie primeste n medie 16 impulsuri pe minut si
poate prelucra cel mult 24 pe minut. Cu ce probabilitate stat ia devine saturat a?
Suntem n condit iile repartit iei Poisson, cu a = 16, t = 1. Dac a X este
num arul de semnale care ajung la stat ie ntr-un minut, atunci stat ia devine saturat a
dac a {X > 24}, iar probabilitatea este
P{X > 24} =
k=25
16
k
k!
e
16
= 1
24
k=0
16
k
k!
e
16
= 0, 0017.
Repartitia binomial a cu exponent negativ (Pascal)
Intr-un experiment un eveniment se poate produce cu probabilitatea p (0, 1).

Denim variabila X care ia valoarea k, dac a la repetarea k a experimentului s-a
produs a m-a aparit ie a evenimentului A, unde k m. Deci evenimentul {X =
k} se produce n urm atoarele situat ii
1. evenimentul A se produce la repetarea k cu probabilitatea p
2. n cele k 1 repet ari anterioare au loc m1 produceri ale evenimentului,
n condit iile legii Bernoulli, adic a C
m1
k1
p
m
q
km
.
Deoarece cele dou a situat ii sunt independente urmeaz a
P{X = k} = C
m1
k1
p
m
q
km
, q = 1 p.
Observ am c a denirea acestei variabile aleatoare este corect a deoarece P{X =
k} > 0 si
k=m
C
m1
k1
p
m
q
km
= 1.
Numele acestei repartit ii provine din faptul c a probabilitatea c autat a este coe-
cient n dezvoltarea n serie a lui
_
1
p

q
p
_
m
= p
m
(1 q)
m
= p
m
k=m
C
m1
k1
q
km
=
k=m
C
m1
k1
p
m
q
km
.
Pentru a calcula media t inem seama c a (1 x)
m
=
k=m
C
m1
k1
x
km
si deci
x
m
(1 x)
m
=
k=m
C
m1
k1
x
k
dac a |x| < 1, (2.31)
k=m
C
m1
k1
x
k1
=
d
dx
_
x
m
(1 x)
m
_
=
mx
m1
(1 x)
m+1
dac a |x| < 1,
adic a
M[X] =
k=m
kC
m1
k1
p
m
q
km
=
= p
m
q
m+1
k=m
kC
m1
k1
q
k1
= p
m
q
m+1
mq
m1
p
m+1
=
m
p
.
Deci media este
M[X] =
m
p
.
Pentru calculul dispersiei folosim
M[X
2
] =
k=m
k
2
C
m1
k1
p
m
q
km
= p
m
q
m+1
k=m
k
2
q
k1
.
Pentru a calcula ultima sum a nmult im (2.31) cu x si deriv am
k=m
k
2
C
m1
k1
x
k1
=
d
dx
_
mx
m
(1 x)
m+1
_
=
mx
m1
(m + x)
(1 x)
m+2
,
deci
M[X
2
] =
m(m + q)
p
2
,
iar
D
2
[X] =
mq
p
2
.
Exemplul 2.2.6 Se transmit aleator semnalele 0 si 1, cu aceeasi probabilitate.
Cu ce probabilitate cel de-al cincilea semnal este al doilea 0 ?
Ne a am n condit iile variabilei Pascal, unde m = 2, k = 5 si p =
1
2
, deci
C
1
4
_
1
2
_
2
_
1
2
_
52
.
Repartitia geometric a.
Un eveniment A se poate produce n cadrul unui experiment cu probabilitatea
p (0, 1). Fie X num arul de repet ari n condit ii identice ale experimentului
p an a la producerea evenimentului. Teoretic variabila aleatoare X ia o innitate de
valori X = k, k = 1, 2, . . . , m, . . . iar probabilit at ile cu care sunt luate sunt
P{X = k} = pq
k1
, q = 1 p, k = 1, 2, 3, . . . ,
deorece evenimentul {X = k} nseamn a faptul c a n k1 repet ari ale experimen-
tului A nu s-a produs. Avem, evident
k=1
P{X = k} =
k=1
pq
k1
= p
1
1 q
= 1.
deci repartit ia este bine denit a
X :
_
k
pq
k1
_
, k = 1, 2, . (2.32)
Funct ia de repartit ie este
F(k) = P{X k} =
k
j=1
pq
j1
= p
1 g
k1
1 q
= 1 q
k
.
Calcul am media si dispersia variabilei aleatoare.
M[X] =
k=1
kpq
k1
= p
k=1
kq
k1
= p
d
dq
_

k=1
q
k
_
=
= p
d
dq
_
q
1 q
_
=
p
(1 q)
2
=
1
p
,
t in and seama de propriet at ile seriilor de puteri pentru |q| < 1.
D
2
[X] = M[X
2
] (M[X])
2
,
M[X
2
] =
k=1
k
2
pq
k1
= p
k=1
k
2
q
k1
= p
d
dq
k=1
kq
k
=
= p
d
dq
_
q
(1 q)
2
_
= p
2 p
p
3
=
2 p
p
2
,
si deci
D
2
[X] =
2 p
p
2

1
p
2
=
q
p
2
.
Exemplul 2.2.7 Determinat i funct ia de repartit ie a variabilei:
X :
_
0 1 2
0, 2 0.4 0, 4
_
F(x) =
_
_
0 x < 0
0, 2 0 x < 1
0, 6 1 x < 2
1 2 x
Are loc
F(x) = 0, 2u(x) + 0, 4u(x 1) + 0, 4u(x 2).
Funct ia este reprezentat a n gura (2.5).
Iar densitatea de probabilitate este
f(x) = 0, 2(x) + 0, 4(x 1) + 0, 4(x 2).
Se observ a c a deriv and n sens distribut ional F obt inem f, deoarece derivata
distribut iei Heaviside, u este distribut ia Dirac, .
2 1
0,8
-2
0,6
0
0,4
-1
0
x
3
1
0,2
-3
Figura 2.5: Funct ia de repartit ie
Exemplul 2.2.8 Se transmit independent trei semnale diferite. Probabilit at ile ca
ele s a e corect recept ionate sunt 0,8/ 0,9/ 0,7. Determinat i repartit ia variabilei
aleatoare care d a num arul de semnale corect recept ionate. Cu ce probabilitate se
recept ioneaz a cel put in 2 semnale; dar cel mult un semnal ?
2 1,5 1 0,5 0
0,6
0,5
0,4
0,3
0,2
0,1
0
Figura 2.6: Densitatea de probabilitate
X urmeaz a schema Poisson. Asociem polinomul
(0, 8x + 0, 2)(0, 9x + 0, 1)(0, 7x + 0, 3).
Variabila aleatoare X are repartit ia:
X :
_
0 1 2 3
0, 006 0, 092 0, 398 0, 504
_
.
Probabilitatea de a recept iona corect cel put in 2 semnale este
P{X 2} = P{X = 2} {X = 3} = 0, 902
iar cel mult un semnal,
P{X 1} = P({X = 0} {X = 1}) = 0, 098.
Exemplul 2.2.9 Fie X o variabil a aleatoare repartizat a binomial. Determinat i
valoarea lui X care are probabilitate maxim a.
Facem raportul a dou a probabilit at i consecutive.
p
k
p
k1
=
(n k + 1)p
kq
= 1 +
(n + 1)p k
kq
iar prin comparat ia cu 1, P{X = k} este maxim a pentru k
max
= [(n +1)p], unde
[x] este partea ntreag a a lui x; (dac a (n+1)p este un ntreg, atunci maximum este
atins n k
max
si k
max
1.
Exemplul 2.2.10

Intr-o hal a funct ioneaz a 30 de becuri, care se pot arde cu pro-
babilitatea 0,8. Care este num arul cel mai probabil de becuri care se ard la un
moment dat ? Dar dac a sunt 4 becuri ?
Aplic am exemplul precedent cu n = 30 si p = 0, 8. Avem
[(30 + 1)0, 8] = 24, [(4 + 1)0, 8] = 4
deci n primul caz 27 de becuri, iar n al doilea 3 si 4.
Exemplul 2.2.11 Calculatorul A transmite mesaje pentru calculatorul B pe o
linie telefonic a neabil a. Mesajul este codicat si B poate detecta dac a au ap arut
erori n timpul transmisiei. Probabilitatea de transmisie reusit a este p. Cu ce
probabilitate este necesar s a transmitem un mesaj mai mult de dou a ori ?
Folosim v.a. distribuit a geometric, cu repartit ia:
X :
_
k
(1 p)
k1
p
_
k=1,2...
Probabilitatea este atunci P{X 3} =
+
k=3
(1 p)
k1
p = (1 p)
2
.
Exemplul 2.2.12 Fie X o variabil a aleatoare repartizat a geometric. S a se cal-
culeze P{X > k} si P{Xeste un num ar par}.
Folosim probabilitatea evenimetului contrar si avem pentru prima cerint a
P{X > k} = 1 P{X k} = 1 p
1 q
k
1 q
= q
k
.
Pentru a doua cerint a oberv amc a problema revine la calculul unei serii geometrice
cu rat ia q
2
.
P
_

k=1
{X = 2k}
_
=
k=1
P{X = 2k} =
k=1
pq
2k1
=
pq
1 q
2
=
q
1 + q
.
Exemplul 2.2.13 Probabilitatea unei erori de bit ntr-o linie de comunicat ie este
0,001. G asit i probabilitatea ca un bloc de 1000 de bit i s a aib a 5 sau mai multe
erori.
Folosim v.a Bernoulli
1000
k=5
C
k
1000
(0, 001)
k
(0, 999)
100k
.
Este posibil a si o alt a abordare. Pentru a aproxima combin arile folosim v.a. Pois-
son , deoarece n este foarte mare; parametrul = 1000 0, 001 = 1 si obt inem
+
k=5
1
k
e
1
k!
= 1
4
k=0
e
1
k!
.
Exemplul 2.2.14 Un generator de particule emite n condit iile distribut iei Pois-
son. Stiind c a ntr-un interval de timp xat, probabilitatea de a nu apare nici o
particul a este 1/4, cu ce probabilitate n acelasi interval apar 2 particule ?
A am parametrul din condit ia P{X = 0} = 1/4. Deci
0
e
0!
= 1/4
si nlocuim n P{X = 2} =

2
e
2!
.
Exemplul 2.2.15 O echip a de intervent ii ntr-un anumit sector de product ie este
solicitat a de 600 de ori, n timp de 300 de zile lucr atoare, pentru lucrul n dou a
schimburi de c ate 8 ore. Care este probabilitatea ca echipa s a e solicitat a de 3
ori ntr-un schimb ?
Folosimv.a. Poisson cu = a t, iar densitatea a =
600
300 2 8
si t = 8, k = 3.
Exemplul 2.2.16 Ar atat i c a suma a dou a variabile aleatoare Poisson indepen-
dente de parametri
1
,
2
este o variabil a aleatoare Poisson, cu parametrul
1
+
2
.
P{X
1
+X
2
= n} = P
_
n
_
k=0
(P{X
1
= k} P{X
2
= n k})
_
=
n
k=0
k
1
e
1
k!
nk
2
e
2
(n k)!
=
(
1
+
2
)
n
e
(
1
+
2
)
n!
.
O alt a metod a utilizeaz a funct ia caracteristic a
i
(t) = e
i
(1e
jt
)
, i = 1, 2
si folosind independent a obt inem funct ia caracteristic a
X
1
+X
2
(t) =
1
(t)
2
(t) = e
(
1
+
2
)(1e
jt
)
.
Recunoastem funct ia caracteristic a a unei variabile Poisson cu parametrul
1
+
2
.
Exemplul 2.2.17 Se dau variabilele aleatoare independente
X :
_
a 1 2
1
3
p q
_
Y :
_
a + 1 1 2
1
3
2
3
q p
_
.
S a se calculeze a astfel nc at variabila X Y s a aib a dispersia egal a cu
4
9
.
Avem 1/3 + p +q = 1, 1/3 + 2/3 q + p = 1 si deci p = q = 1/3. Apoi
D
2
[X Y ] = D
2
[X] + D
2
[Y ]
si obt inem a = 1.
Exemplul 2.2.18 S a se calculeze valorile medii ale variabilelor:
X :
_
0 2 3 4 . . . n
1
2
n1
1
2
1
4
1
8
. . .
1
2
n1
_
Y :
_
_
_
1
1 2
1
2 3
. . .
1
n(n + 1)
1
n
1
n
. . .
1
n
_
_
_
.
Prin derivare n raport cu t, n relat ia evident a
n
k=1
t
k
=
t t
n+1
1 t
,
obt inem
n
k=1
kt
k1
=
1 (n + 1)t
n
+ nt
n+1
(1 t)
2
.
De aici, pentru t = 1/2 rezult a:
n
k=1
k
1
2
k1
= 4
n + 2
2
n1
iar, apoi
M[X] =
n
k=2
k
1
2
k1
= 3
n + 2
2
n1
.
Pentru variabila Y avem:
M[Y ] =
n
k=1
1
n(n + 1)

1
n
=
1
n
(1
1
n + 1
) =
1
n + 1
.
2.3 Variabile aleatoare continue
Anumite situat ii din practica tehnologic a, economie si alte sectoare de activitate
conduc la considerarea unor variabile aleatoare care au ca valori o mult ime innit a
dar nenum arabil a.

In aceste situat ii probabilitatea de a luat a o anumit a valoare
este nul a, dar prezint a interes s a calcul am probabilitatea ca m arimea aleatoare sa
ia valori ntr-un interval; de exemplu
- timpul de funct ionare a unui dispozitiv s a e cuprins ntre dou a valori
- durata de viata a unui sistem format din mai multe dispozitive s a dep aseasc a
o anumit a perioada de timp
- erorile de m asurare printr-o anumit a metod a s a e mai mici dec at o valoare
dat a
- variat iile de tensiune datorit a zgomotului de pe o linie de transmisie s a se
ncadreze ntre anumite limite
2.3. VARIABILE ALEATOARE CONTINUE 61
- cantitatea dintr-o anumit a materie prim a s a ajung a, dac a din ea se consum a
zilnic m arimi aleatoare
- deservirea unui client la o stat ie s a se ncadreze ntr-un anumit interval de
timp.
In acest caz denit ia unei variabile aleatoare este mai general a si se face relativ la
un c amp de probabiliatte oarecare. Fie {E, K, P} un c amp borelian de probabili-
tate. O funct ie
X : E R
este o variabil a aleatoare dac a
{X < x} = {e E | X(e) < x} K, x R. (2.33)
Condit ia (2.33) este echivalent a cu oricare din condit iile de mai jos
{X x} K, {X > x} K, {X x} K
{x
1
< X < x
2
} K, {x
1
X < x
2
} K,
{x
1
< X x
2
} K, {x
1
X x
2
} K.
Aceasta nseamn a c a putem calcula probabilit at ile oric aror evenimente de forma
precedent a.
Dac a X este o variabil a aleatoare, atunci X + , X, X
2
,
1
X
, R sunt
variabile aleatoare.
Dac a X si Y sunt variabile aleatoare, atunci XY, X + Y,
X
Y
, max(X, Y ),
min(X, Y ) sunt variabile aleatoare.
Funct ia de repartit ie, F, este dat a de denit ia general a (2.12), dar n cazul continuu
aceast a funct ie este legat a de densitatea de probabilitate. Dac a exist a o funct ie
f : R R
+
, cu o mult ime cel mult num arabil a de puncte de discontinuitate de
prima spet a, astfel ca
F(x) =
_
x
f(t)dt, x R (2.34)
atunci f se numeste densitate de probabilitate. Dac a F este o funct ie continu a
vom spune c a X este o variabil a aleatoare continu a. Au loc:
F
(x) = f(x) (2.35)

n toate punctele de continuitate ale lui f, iar ca distribut ie totdeauna.
O funct ie f : R R
+
este densitate de probabilitate pentru o variabil a aleatoare
dac a si numai dac a
_
+
f(x)dx = 1. (2.36)
Pentru o variabil a aleatoare oarecare au loc formulele
P{x
1
< X x
2
} =
_
x
2
x
1
f(x)dx = F(x
2
) F(x
1
) (2.37)
P{X = x} = F(x) F(x 0). (2.38)
Dac a variabila este continu a atunci are loc urm atoarea formul a de calcul
P{x
1
< X x
2
} = P{x
1
X x
2
} = P{x
1
< X < x
2
} =
P{x
1
X < x
2
} =
_
x
2
x
1
f(x)dx = F(x
2
) F(x
1
). (2.39)
Functia de repartitie conditionat a.
In c ampul de probabiliatate {E, K, P} consider amA K, cu proprietatea P(A) =

0.
Dat a o variabil a aleatoare X, numim functie de repartitie conditionat a de eveni-
mentul A, funct ia dat a de
F(x|A) = P({X < x}|A) =
P({X < x} A)
P(A)
.
Toate propriet at ile funct iei de repartit ie se p astreaz a; ment ion am
F(+|A) = 1; F(|A) = 0.
Exemplul 2.3.1 S a demonstr am urm atoarea formul a
P({a X < b}|A) = F(b|A) F(a|A). (2.40)
Intr-adev ar, dac a a < b avem {X < a} {X < b} si

P({a X < b}|A) =
P({a X < b} A)
P(A)
=
2.3. VARIABILE ALEATOARE CONTINUE 63
Figura 2.7: Funct ia de repartit ie condit ionat a
=
P (({X < b} A) \ ({X < a} A))
P(A)
=
=
P({X < b} A) P({X < a} A)
P(A)
= F(b|A) F(a|A).
Ne intereseaz a n continuare, pentru numeroasele aplicat ii practice, unele cazuri
particulare ale evenimentului A.
1. Dac a A = {X < a} si F(a) = P({X < a}) = 0, atunci
F(x|A) =
P({X < x} {X < a})
P{X < a}
=
_
_
_
F(x)
F(a)
dac a x a
1 dac a x > a.
Deci obt inem
F(x | {X < a}) =
_
_
_
F(x)
F(a)
dac a x a
1 dac a x > a.
(2.41)
In gura (2.7) sunt ilustrate cele dou a funct ii.

2. Fie A = {a X < b} astfel ca P(A) = F(b) F(a) = 0. Deducem
imediat c a
F(x | {a X < b}) =
_
_
0 dac a x a
F(x) F(a)
F(b) F(a)
dac a a < x b
1 dac a x > b.
(2.42)
Exemplul 2.3.2 Urm atoarea formul a de calcul este adev arat a.
P(A | {a X < b}) =
( F(b|A) F(a|A) )P(A)
F(b) F(a)
. (2.43)
Aceasta rezult a imediat
P(A | {a X < b}) =
P(A {a X < b})
P{a X < b}
=
=
P({a X < b} | A)P(A)
F(b) F(a)
=
(F(b|A) F(a|A))P(A)
F(b) F(a)
.
In ultima relat ie s-a folosit (2.40).

Densit ati de probabilitate conditionate. Fie X o variabil a aleatoare continu a si
A K, cu probabilitatea P(A) = 0. Presupunem c a X are densitatea de pro-
babilitate f. Atunci densitatea de probabilitate a lui X, conditionat a de A este
dat a, n punctele ei de continuitate, de derivata funct iei de repartit ie condit ionat a
f(x|A) = F
(x|A).
1. Dac a A = {X < a}, prin derivarea formulei (2.41) se obt ine
f(x|A) =
_
_
_
f(x)
F(a)
dac a x a
0 dac a x > a.
(2.44)
2. Dac a A = {a X < b} prin derivarea relat iei (2.42) g asim
f(x | {a X < b} =
_
_
_
f(x)
F(b) F(a)
dac a a < x b
0 n rest.
(2.45)
2.4. MOMENTE ALE VARIABILELOR CONTINUE 65
Formula probabilit atii totale. Formula lui Bayes.
Denim probabilitatea condit ionat a P(A|{X = x})
P(A | {X = x}) = lim
x0
P(A | {x X < x + x}) =
= lim
x0
(F(x + x|A) F(x|A))P(A)
F(x + x) F(x)
=
f(x|A)P(A)
f(x)
.
In sirul de egalit at i s-a folosit formula (2.43). Dac a integr am pe R relat ia

P(A | {X = x})f(x) = f(x|A)P(A)
obt inem
_
+
P(A | {X = x})f(x)dx =
_
+
f(x|A)P(A)dx =
= P(A)(F(+|A) F(|A)) = P(A).
Relat ia obt inut a se numeste formula probabilit at ii totale n cazul continuu si
este
P(A) =
_
+
P(A | {X = x})f(x)dx. (2.46)

Formula lui Bayes n cazul continuu este
f(x|A) =
P(A | {X = x})f(x)
_
+
P(A | {X = x})f(x)dx
.
2.4 Momente ale variabilelor continue
Ca si n cazul variabilei discrete putem deni caracteristicele numerice ale unei
variabile continue.
Media unei variabile aleatoare continue este:
m = M[X] =
_
+
xf(x)dx (2.47)
(dac a exist a) si satisface proprietatea:
M[X +Y ] = M[X] + M[Y ], (2.48)
iar, dac a X, Y sunt independente, atunci are loc si proprietatea:
M[X Y ] = M[X] M[Y ] (2.49)
Momentul initial de ordin r este:
m
r
= M[X
r
] =
_
+
x
r
f(x)dx (2.50)
Momentul centrat de ordin r este:
r
= M[(X M[X])
r
] =
_
+
(x m)
r
f(x)dx (2.51)
Dispersia este momentul centrat de ordinul 2
2
= D
2
[X] =
2
=
_
+
(x m)
2
f(x)dx = m
2
m
2
(2.52)
iar abaterea medie p atratic a este
= D[X] =
_
D
2
[X].
Dac a X, Y sunt independente, are loc proprietatea:
D
2
[X Y ] = D
2
[X] + D
2
[Y ] (2.53)
S a remarc am c a propriet at ile medii si dispersiei unei variabile aleatoare discrete se
ment in si n cazul variabilei aleatoare continue, dispersia d and o indicat ie asupra
gradului de concentrare a valorilor variabilei n jurul valorii medii.
Covarianta variabilelor X si Y este denit a prin:
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] (2.54)
si are loc
D
2
[X + Y ] = D
2
[X] + D
2
[Y ] + 2Cov[X, Y ] (2.55)
Dac a X este o variabil a aleatoare si Y = g(X) este o variabil a obt inut a printr-o
transformare cu ajutorul funct iei g : R R, continu a, inversabil a, atunci media
transform arii este
M[Y ] =
_
+
g(x)f(x)dx (2.56)
Dac a X este o variabil a cu media m si dispersia
2
, are loc inegalitatea lui
Ceb asev
P{|X m| < } 1

2
2
(2.57)
Un instrument comod de studiu al unei variabile aleatoare l reprezint a functia
caracteristic a : R C, denit a prin:
(t) = M[e
jtX
] =
_
+
e
jtx
f(x)dx, j
2
= 1 (2.58)
S a remarc am faptul c a funct ia caracteristic a a unei v.a. continue este transfor-
mata Fourier a densit at ii de probabilitate f (care este funct ie absolut integrabil a).
Din formula de inversiune a transformatei Fourier deducem si relat ia:
f(x) =
1
2
_
+
e
jtx
(t)dt (2.59)
Momentele init iale se obt in cu ajutorul funct iei caracteristice, dup a formula:
m
r
=

(r)
(0)
j
r
(2.60)
Repartitia normal a. Aceast a repartit ie este una din cele mai importante din teo-
ria probabilit at ilor, apare cel mai frecvent n practic a, st a la baza metodelor de
prelucrare a datelor de m asurare juc and un rol important n statistica matematic a
si este n acelasi timp legea limit a c atre care tind alte legi. Spunem c a o variabil a
aleatoare este distribuit a normal cu media m si dispersia
2
, si not am acasta prin
X : N(m,
2
), dac a are densitatea de probabilitate:
f(x) =
1
2
e
(x m)
2
2
2
, x R. (2.61)
Functia lui Laplace se deneste prin
(z) =
1
2
_
z
0
e
x
2
2
dx, z R
si are propriet at ile
(z) = (z)
si
0,2
0,05
0,15
0,1
0
x
10 -10 5 -5 0
Figura 2.8: Repartit ia normal a
lim
z
1
2
_
z
0
e
x
2
2
dx =
1
2
. (2.62)
In integrala F(x) =
_
x
f(t)dt facem schimbarea de variabil a

t m
= u si
obt inem
F(x) =
1
2
_
xm
u
2
2
du =
=
1
2
_
_
0
u
2
2
du +
_ xm
0
e
u
2
2
du
_
=
1
2
+
_
x m
_
.
In ultima egalitate s-a folosit relat ia (2.62). Se obt ine astfel formula funct iei de
repartit ie a variabilei aleatoare normale
F(x) =
1
2
+
_
x m
_
. (2.63)
Deducem formula
P{a X < b} =
_
b m
_
a m
_
.
Probabilitatea ca abaterea fat a de m, notat a |X m| s a nu dep aseasc a > 0, este
dat a de
P{|X m| < } = 2
_
_
Exemplul 2.4.1 Regula celor 3. O variabil a normal repartizat a X : N(m,
2
)
ia valori semnicative n intervalul (m3, m + 3).
Intr-adev ar, P{|X m| 3} = 1 P{|X m| < 3} = 1 2(3) =

0, 0027, valoare care n unele situat ii poate neglijat a.
Exemplul 2.4.2 Funct ia caracteristic a a repartit iei normale este
(t) = e
jmt
t
2
2
2
. (2.64)
Reamintim c a densitatea de probabilitate a repartit iei normale este
f(x) =
1
2
e
(xm)
2
2
2
pe care o nlocuim n expresia funct iei caracteristice. Facem schimbarea de vari-
abil a x m =
2y si obt inem
(t) =
1
2
_

e
jtx
e
(xm)
2
2
2
dx =
1
e
jtmy
2
+jty
2
dy =
=
e
jtm
t
2
2
2
e
(y
t
2
j)
2
dy = e
jmt
t
2
2
2
.
Exemplul 2.4.3 Dac a X
k
: N(m
k
,
2
k
), k = 1, . . . n, sunt variabile aleatoare in-
dependente, atunci variabila aleatoare X
1
+. . . +X
n
este repartizat a normal de
forma N(
n
k=1
m
k
,
n
k=1
2
k
).
Funct ia caracteristic a a sumei este produsul funct iilor caracteristice
X
1
+...+X
n
(t) =
n
k=1
e
im
k
t
t
2
2
k
2
=
= e
it
n
k=1
_
_
_
_
_
_
m
k
t
2
n
k=1
2
k
2
_
_
_
_
_
_
,
care corespunde n mod unic variabilei repartizate N(
n
k=1
m
k
,
n
k=1
2
k
).
Exemplul 2.4.4 Dac a X
k
, k = 1, . . . n, sunt variabile aleatoare independente
repartizate normal N(m,
2
), atunci media lor aritmetic a
1
n
n
k=1
X
k
este repartizat a N(m,

2
n
).
Din exemplul precedent suma este repartizat a N(nm, n
2
). S a calcul am func-
t ia de repartit ie a variabilei aleatoare notat a
X =
1
n
n
k=1
X
k
.
Avem
F
X
= P{X < x} = P{
n
k=1
X
k
< nx}.
Prin derivare g asim densitatea de probabilitate
f
X
(x) =
1
2n
e
(nxnm)
2
2n
2
n =
1
n
e
(xm)
2
2
2
n
,
de unde armat ia.
Teorema limit a central a arm a c a, dac a variabilele X
i
, i = 1, 2, . . . n au aceeasi
repartit ie si sunt independente dou a c ate dou a, atunci variabila aleatoare
n
i=1
X
i
M
_
n
i=1
X
i
_
D
_
n
i=1
X
i
_
urmeaz a, pentru n sucient de mare, legea normal distribuit a N(0, 1).
Dac a X este o variabil a repartizat a Bernoulli, atunci conform teoremei Moivre
Laplace, variabila
X np
npq
, p + q = 1
urmeaz a, pentru n sucient de mare, legea normal a N(0, 1).
Exemplul 2.4.5 Intr-o fabric a se produc rezistori cu rezistent a R. Un rezistor
este considerat bun dac a R este cuprins a ntre 4, 99 k si 5, 01 k. Dac a R este
o variabil a aleatoare normal distribuit a cu media m = 5, 002 k si abatera me-
die p atratic a = 0, 005 k s a determin am probabilitatea ca un rezistor s a e
considerat rebut.
Avem R : N(5, 002; 0, 005
2
). Probabilitatea ca un rezistor s a e bun este:
P{4, 99 R 5, 01} =
_
5, 01 5, 002
0, 005
_
_
4, 99 5, 002
0, 005
_
=
= (1, 6) (2, 4) = (1, 6) + (2, 4) = 0, 4452 + 0, 4918 = 0, 937
iar probabilitatea de rebut este 1 0, 937 = 0, 063, ceea ce nseamn a c a se produc
6, 3% rebuturi.
Exemplul 2.4.6 O variabil a aleatoare X este distribuit a normal N(0,
2
). Dat
un interval (, ), cu > 0, > 0, s a determin am valoarea , astfel ca proba-
bilitatea P{X (, )} s a e maxim a.
Are loc evident
P{ < X < } =
_
_
=
1
2
_
_
0
e
t
2
2
dt
_
0
e
t
2
2
dt
_
.
Anul am derivata n raport cu a integralei cu parametru si g asim
1
2
_
e

2
2
2
(
2
) e

2
2
2
(

2
2
2
)
_
= 0.
Deducem
=
2
2(ln ln ||)
.
Exemplul 2.4.7 Variabila aleatoare X este distribuit a N(m,
2
). Determinat i
densitatea de probabilitate a variabilei Y = aX + b.
Pentru a > 0 avem:
F
Y
(x) = P{aX + b x} = P
_
X
x b
a
_
= F
X
_
x b
a
_
iar pentru a < 0 avem:
F
Y
(x) = P{aX + b x} = P
_
X
x b
a
_
= 1 F
X
_
x b
a
_
.
Prin derivare g asim
f
Y
(x) =
1
|a|
f
X
_
x b
a
_
.
rezult a c a variabila este normal repartizat a cu parametrii N(am + b, |a|).
Exemplul 2.4.8 Fie X : N(m,
2
). S a determin am f(x | {|X m| k}).
S a not am A = {a X b}. Are loc
F(x|A) = P({X x|A}) =
P({X x} A
P(A)
.
F(x|A) =
_
_
0 dac a x < a
F(x) F(a)
F(b) F(a)
dac a x [a, b]
1 dac a x > b.
Prin derivare obt inem:
f(x|A) =
_
_
_
f(x)
F(b) F(a)
dac a x [a, b]
0 n rest.
Pentru a = mk si b = m + k rezult a:
f(x | {|X m| k}) =
_
_
1
22(k)
e
(x m)
2
2
2
dac a |x m| k
0 n rest
Exemplul 2.4.9 S a calcul ammomentele centrate ale repartit iei normale N(m,
2
).
Avem
k
=
1
2
_

(x m)
k
e
(xm)
2
2
2
dx,
n care facem schimbarea de variabil a x m =
2y , deci
k
=
(
2)
k
y
k
e
y
2
dy.
Dac a integr am prin p art i obt inem
k
=
(
2)
k
1
2
e
y
2
y
k1
+
k 1
2
_

y
k2
e
y
2
dy
_
=
=
(k 1)(
2)
k
2
y
k2
e
y
2
dy = (k 1)
2
k2
,
deoarece prima expresie se anuleaz a la limit a. Deducem din relat ia de recurent a
precedent a
_

2k+1
= 0
2k
= (2k 1)!!
2k
In particular, pentru k = 2, obt inem D

2
[X] =
2
.
Exemplul 2.4.10 Se arunc a un zar de 500 de ori. Cu ce probabilitate putem
arma c a obt inem fat a 6 de cel mult 50 de ori?
Fie X variabila aleatoare care d a frecvent a de aparit ie a fet ei cu 6 puncte. Avem
p =
1
6
, q =
5
6
, n = 500. Utiliz am teorema lui Moivre-Laplace si avem
P{X 90} = P
_
X np
npq

90 np
npq
_

_
90 np
npq
_
= (0, 8) = 0, 788.
Exemplul 2.4.11 Densitatea de probabilitate a defect arii unei valve radio n mo-
mentul deschiderii este q(v). Voltajul V este aleator si are repartit ie N(m,
2
).
S a g asim probabilitatea evenimentului A, care semnic a faptul c a la momentul
deschiderii valva s-a defectat.
Vom folosi formula (2.46)
P(A) =
_
+
q(v)f(v)dv =
1
2
_
+
q(v)e
(vm)
2
2
2
dv.
Repartitia uniform a. Variabila aleatoare X se numeste uniform a pe [a, b] si vom
nota aceasta prin X : U(a, b), dac a densitatea ei de probabilitate este:
f(x) =
_
1
b a
dac a x [a, b]
0 n rest.
(2.65)
Mai nt ai observ am c a aceast a funct ie este o densitate de probabilitate. Este evi-
dent pozitiv a si dac a o integr am pe R obt inem valoarea 1. (vezi gura (2.9)).
Se deduce cu usurint a c a funct ia de repartit ie uniform a, reprezentat a grac n
gura (2.10 ) este:
F(x) =
_
_
0 dac a x a
x a
b a
dac a a < x b
1 dac a x > b.
0,5
0,3
0,4
0,2
0
0,1
x
2 1 0 -1 -2
Figura 2.9: Densitatea repartit iei uniforme
1
0,8
0,6
0,4
0,2
0
x
2 1 0 -1 -2
Figura 2.10: Funct ia de repartit ie uniform a
Exemplul 2.4.12 Timpul de asteptare ntr-o stat ie de tramvai este o o variabil a
aleatoare repartizat a uniform n intervalul [0, 10] minute. Cu ce probabilitate
astept am cel put in 6 minute ?
Putem presupune c a n orice moment din intervalul de timp [0, 6] poate s a
apar a un tramvai, deci legea timpului de asteptare, X, este uniform a si are densi-
tatea
f(x) =
_
1
10
dac a x [0, 10]
0 n rest.
Probabilitatea este dat a de
P{X 6} =
_
10
6
1
10
dx =
4
10
.
Valoarea medie este
M[X] =
_
b
a
x
b a
dx =
a + b
2
dispersia
D
2
[X] =
_
b
a
_
x
a + b
2
_
2
b a
dx =
(b a)
2
12
iar funct ia caracteristic a este
(t) =
_
b
a
e
itx
b a
dx =
e
jbt
e
jat
jt(b a)
.
Exemplul 2.4.13 Fie X o variabil a distribuit a uniform U(1, 1) si Y = e
X
. S a
determin am densitatea de probabilitate a variabilei Y, media si dispersia ei.
A am funct ia de repartit ie . Pentru x > 0
F
Y
(x) = P{Y x} = P{e
X
x} = P{X ln x} = F
X
(ln x).
Prin derivare g asim f
Y
(x) = f
X
(ln x)
1
x
, adic a
f
Y
(x) =
_
1
2x
dac a x [e
1
, e]
0 n rest.
Media este
M[Y ] =
_
1
1
1
2
e
x
dx =
1
2
(e e
1
)
S a calcul am momentul init ial de ordin 2.
m
2
[Y ] =
_
e
e
1
x
2
1
2x
dx =
1
4
(e
2
e
2
).
Dispersia va atunci
D
2
[Y ] = m
2
[Y ] (M[Y ])
2
=
1
2
Repartitia exponential a. O variabil a aleatoare are o distribut ie exponent ial a, cu
parametrul dac a densitatea sa de probabilitate este:
2.5. FIABILITATE 77
2
1,5
1
0
0,5
x
4 2 3 1 -1 0
Figura 2.11: Repartit ia exponent ial a
f(x) =
_
e
x
dac a x 0
0 dac a x < 0
(2.66)
iar gracul este reprezentat n gura (2.12).
Pentru o astfel de variabil a X se determin a cu usurint a valorile sale caracteristice:
M[X] =
1
, D
2
[X] =
1
2
,
precum si funct ia de repartit ie si cea caracteristic a:
F(x) = 1 e
x
si respectiv, (t) =

jt
.
Distribut ia exponent ial a joac a un rol important n teoria abilit at ii, n multe cazuri,
intervalul de timp dintre dou a defect iuni ale unui sistem ind o astfel de variabil a
aleatoare.
2.5 Fiabilitate
Teoria abilit at ii are ca scop principal determinarea legilor de aparit ie a defect i-
unilor sistemelor, echipamentelor. In sensul cel mai larg, abilitatea unui sistem
reprezint a proprietatea acestuia de a-si ndeplini funct iile specice cu anumite
performant e si f ar a defect iuni, ntr-un anumit interval de timp si n condit ii de
exploatare date.
0,6
0,2
x
4 3 2 1 -1 -2 0
1
0,8
0,4
0
Figura 2.12: Funct ia de repartit ie exponent ial a
S a consider am momentul init ial de timp, momentul n care un anumit element,
sistem este pus n stare de funct ionare. Dac a not am cu T variabila aleatoare ce
reprezint a timpul de funct ionare p an a la prima defectare, denim functia de a-
bilitate (funct ia de sigurant a) prin
R(t) = P{T > t} = 1 F(t), t 0 (2.67)
Din propriet at ile generale ale funct iilor de repartit ie le deducem, cu usurint a, pe
cele ale funct iei de abilitate:
R(0) = 1,
lim
t
R(t) = 0,
t
1
< t
2
R(t
1
) > R(t
2
)
f(t) = R
(t)
R(t) =
_

t
f(s)ds,
unde am notat f densitatea de probabilitate a variabilei T.
S a admitem c a exist a o funct ie r cu proprietatea c a r(t) t reprezint a probabili-
tatea ca n intervalul de timp (t, t +t) s a apar a prima defect iune (consider and c a
p an a la momentul t, dispozitivul a funct ionat). Aceast a funct ie se numeste rat a
de defectare si este legat a de funct ia de abilitate prin relat ia:
2.5. FIABILITATE 79
r(t) =
R
(t)
R(t)
(2.68)
Intr-adev ar, din denit ia probabilit at ii condit ionate avem:
r(t) t = P({t T < t + t}|{T t}) =
P{t T < t + t}
P{T t}
=
=
F(t + t) F(t)
R(t)
=
R(t + t) R(t)
R(t)
.
Imp art im ultima relat ie prin t si trecem la limit a pentru t 0 g asim relat ia
(2.68). Rezolv and acest a ecuat ie diferent ial a, cu condit ia init ial a R(0) = 1 g asim
solut ia:
R(t) = e
_
t
0
r(s)ds
. (2.69)
Exemplul 2.5.1 Dac a rata de defectare este constant a r(t) = atunci funct ia de
abilitate este R(t) = e
t
iar funct ia de repartit ie este F(t) = 1 e
t
, t > 0,
adic a durata de viat a este o distribut ie exponent ial a cu parametrul .
1
0,2
0,6
0
x
5 4 3 2 0
1,4
1,2
0,8
0,4
1
Figura 2.13: Repartit ia Weibull
Exemplul 2.5.2 O lege de probabilitate care apare frecvent n teoria abilit at ii
este repartitia Weibull. Densitatea ei de probabilitate este:
f(t) =
_
t
1
e
t
dac a t 0
0 dac a t < 0,
(2.70)
, R
+
si este reprezentat a n gura (2.13).
Funct ia de abilitate este:
R(t) = e
t
,
iar rata de defectare este:
r(t) = t
1
.
Dac a = 1, reg asim repartit ia exponent ial a, iar pentru = 2 obt inem repartit ia
Rayleigh.
Dac a rata de defectare este proport ional a cu timpul r(t) = t, > 0, atunci
R(t) = e
2
t
2
si deci suntemn cazul repartit iei Weibull cu parametrii

2
si = 2.
Exemplul 2.5.3 Legare n serie. S a determin am sigurant a sistemelor cu ele-
mentele legate n serie. Spunem c a un dispozitiv are n componente legate n serie,
dac a defectarea uneia, atrage nefunct ionarea ntregului sistem.
Presupunem c a ecare component a C
i
, i = 1, . . . n, se poate defecta indiferent
de celelalte, cu rata de defectare r
i
si funct ia de abilitate R
i
. Dac a T, respec-
tiv T
i
, i = 1, . . . , n semnic a timpul de funct ionare p an a la prima defectare a
sistemului, respectiv a componentei C
i
, atunci evident
{T t} =
n
i=1
{T
i
t}
si aplic and probabilitatea pentru evenimente independente g asim
R(t) =
n
i=1
R
i
(t) =
n
i=1
e
_
t
0
n
i=1
r
i
(s)ds
=
= e
_
t
0
n
i=1
r
i
(s)ds
.
Deci rata de defectare este
r(t) =
n
i=1
r
i
(t).
Observ am c a T = min{T
1
, . . . , T
n
}.
Exemplul 2.5.4 Legare n paralel. In cazul sistemelor legate n paralel , acesta
poate funct iona, chiar dac a una din componente se defecteaz a. S a determin am
funct ia de abilitate.
Sistemul nu funct ioneaz a dac a ecare din componente nu funct ioneaz a; pre-
supunem c a acestea se pot defecta independent una de alta. Atunci obt inem
{T < t} =
n
i=1
{T
i
< t}
si dac a aplic am probabilitatea
1 R(t) =
n
i=1
(1 R
i
(t)) .
Observ am c a T = max{T
1
, . . . , T
n
}.
In acest caz nu putem g asi o expresie simpl a

a ratei de defectare a sistemului.
In practic a aceste moduri de alc atuire apar combinat.

1. Ar atat i c a urm atoarele funct ii sunt densit at i de probabilitate:
a. variabila aleatoare Gama
f(x) =
1
()
(x)
1
e
x
, x 0, > 0, > 0;
b. variabila aleatoare Erlang
f(x) =
e
x
(x)
n1
(n1)!
, x > 0;
c. variabila aleatoare hi p atrat
f(x) =
1
2
n/2
(n/2)
x
n/21
e
x/2
, x 0, n N;
d. variabila aleatoare Rayleigh
f(r) =
r
2
e
r
2
2
2
, r > 0, > 0;
e. variabila aleatoare Cauchy
f(x) =

(
2
+ x
2
)
, x R, > 0;
f. variabila aleatoare Laplace
f(x) =

2
e
|x|
, x R, > 0;
g. variabila aleatoare Weibull
f(t) = t
1
e
t
, t 0, > 0, > 0;
h. variabila aleatoare Beta
f(x) =
x
m1
(1 x)
n1
B(m, n)
x [0, 1], m > 0, n > 0;
i. variabila aleatoare Student
f(x) =
_
n+1
2
_
n(
n
2
)
_
1 +
x
2
n
_
n+1
2
, x R;
j. variabila aleatoare Snedecor
f(x) =
_
n
1
n
2
_
n
1
2
_
n
1
+n
2
2
_
_
n
1
2
_
_
n
2
2
_x
n
1
2
1
_
1 +
n
1
n
2
x
_
n
1
+n
2
2
, x 0.
2. Dac a efectu am m asur atori de precizie, iar rezultatul este cuprins ntre k si
k + 1 unit at i, convenind s a-l aproxim am cu k + 1/2, comitem o eroare
care poate presupus a uniform distribuit a pe intervalul (1/2, 1/2). Cu ce
probabilitate facem o eroare mai mare ca 1/4 ?
3. Variabila aleatoare X este distribuit a uniform pe (-1,1). Determinat i den-
sit at ile de probabilitate, mediile si dispersiile variabilelor:
1. Y = 2X + 1
2. Z = 2X
2
+ 1.
4. Durata de funct ionare a unei baterii este o variabil a aleatoare, notat a X,
repartizat a normal N(m,
2
), unde m = 120 zile reprezint a timpul mediu de
funct ionare, iar = 10 zile reprezint a abaterea fat a de medie . Determinat i
a. probabilitatea ca bateria s a funct ioneze cel put in 100 de zile;
b. probabilitatea ca bateria s a funct ioneze ntre 100 si 150 de zile;
c. intervalul de timp n care se poate presupune c a bateria funct ioneaz a
aproape sigur.
5. Viteza unei particule dup a o direct ie este o variabil a aleatoare distribuit a
V : N(0,
2
). Determinat i densitatea de probabilitate a energiei cinetice
K =
mV
2
2
.
6. Determinat i parametrii variabilei X : N(m,
2
), stiind c a n 15 % din cazuri
X nu a dep asit valoarea 30, iar n 5 % din cazuri X a fost mai mic a dac at
20.
7. Un canal de comunicat ie accept a un voltaj pozitiv V la intrare si la iesire
voltajul Y = V + N, unde = 0, 01, iar N este o variabil a normal a
N(0, 4). Ce valoare trebuie s a aib a V astfel ca P{Y < 0} = 10
6
( voltajul
la iesire s a e pozitiv aproape sigur).
8. Un semnal electric binar este transmis ntre A si B, astfel: dac a vrem s a
comunic am 1 emitem un semnal de intensitate 2 , dac a vrem s a comu-
nic am 0 emitem un semnal de intensitate -2. Datorit a perturbat iilor, va-
loarea nregistrat a n B este R = X + N, unde X = 2, iar N este o
variabil a aleatoare cu parametrii (0,
2
). Decodajul se face astfel: dac a
R 0, 5, se interpreteaz a 1 , dac a R < 0, 5 , se interpreteaz a 0. Calculat i
probabilitatea de a face erori.
9. Fie X o variabil a aleatoare discret a care are distribut ia
X :
_
x
i
p
i
_
, i = 1, . . . n
si Y o variabil a aleatoare continu a care are densitatea de probabilitate f(x).
S a determin am densitatea de probabilitate a variabilei aleatoare Z = X+Y ,
dac a X, Y sunt independente.
10. O variabil a aleatoare continu a are densitatea de probabilitate f
1
(x) cu pro-
babilitatea p
1
si densitatea de probabilitate f
2
(x) cu probabilitatea p
2
, cu
p
1
+ p
2
= 1. G asit i expresia densit at ii de probabilitate si a funct iei de
repartit ie a variabilei X.
11. O variabil a aleatoare X : N(m,
2
) poate avea parametrii m = 2, = 2
cu probabilitatea 0,4 sau m = 2, = 1 cu probabilitatea 0,6. Determinat i
densitatea de probabilitate.
12. Timpul de asteptare a unui client la o coad a este 0, dac a sistemul este inactiv
si este distribuit exponent ial cu parametrul , n caz contrar. Probabilit at ile
de a g asi sistemul inactiv sau ocupat sunt p, 1p. G asit i funct ia de repartit ie
a timpului de asteptare T.
13. Un sistem este format din 4 componente ce funct ioneaz a independent si au
densitatea timpului de funct ionare p an a la prima defectare de tip Weibull.
Sistemul funct ioneaz a n urm atoarele dou a situat ii
- componenta 1 si oricare dintre 3 si 4 funct oneaz a
-componenta 2 si oricare dintre 3 si 4 funct ionez a
Determinat i funct ia de abilitate a sistemului.
14. Aceeasi problem a pentru sistemul al aturat, ale c arui componente au rata de
defectare constant a.
15. Fie T variabila aleatoare care d a timpul de funct ionare p an a la prima de-
fectare. S a determin am F(x | {T t}) si f(x | {T t}) (dispozitivul s a
funct ioneze p an a la momentul x, dac a a funct ionat p an a la momentul t).
16. Se produc circuite integrate a c aror durat a de viat a urmeaz a o lege exponen-
t ial a:
1. circuite n stare de funct ionare cu rata de defectare
2. circuite rebut cu rata de defectare 1000.
Probabilitatea de a alege un rebut este p (0, 1). G asit i probabilitatea
ca aleg and la nt amplare un circuit, acesta s a funct ioneze dup a t secunde.
Fiecare dispozitiv este testat t secunde, iar cele care nu se defecteaz a sunt
trimise la consumatori. G asit i timpul t, astfel ca n proport ie de 99 % dis-
pozitivele s a e n stare de funct ionare.
17. Fie , a > 0 si n N. Determinat i a si astfel ca funct ia
f
n
(x) = ax
n
e
2
x
2
, x > 0
s a e o densitate de probabilitate pentru o variabil a aleatoare cu media m.
18. Se dau densit ait ile de probabilitate:
a. f(x) =
_
2x dac a 0 < x < 1
0 n rest;
b. f(x) =
_
|x| dac a |x| < 1
0 n rest.
S a se calculeze pentru ecare densitate valoarea medie si dispersia.
19. Fie X o variabil a aleatoare a c arei densitate de probabilitate este:
f(x) =
_
c ln
_
a
x
_
dac a 0 < x < a
0 n rest.
S a se determine constanta c si s a se calculeze valoarea medie si dispersia
variabilei X.
20. S a se determine funct ia caracteristic a a variabilei aleatoare X care are den-
sitatea de probabilitate:
f(x) =
_
_
_
1
2
_
1
|x|
2
_
dac a |x| 2
0 dac a |x| > 2.
21. S a se ae densitatea de probabilitate corespunz atoare funct iei caracteristice:
(t) = e
|t|
.
22. Timpul mediu de r aspuns al unui calculator este 15 secunde, abaterea medie
p atratic a de 3 secunde si facem ipoteza c a acesta este modelat de o variabil a
aleatoare normal distribuit a. Estimat i probabilitatea ca timpul s a se abat a cu
mai mult de 5 secunde fat a de medie. Dar dac a variabila este oarecare ?
23. O eroare de m asurare printr-o metod a este T = 2X, unde X : N(0, 5). Prin
alt a metod a, eroarea este Z = U
1
+ U
2
unde U
i
: N(0, 5), i = 1, 2 sunt
independente. Care metod a este de preferat ? ( Evaluat i dispersiile).
24. Aat i modul si mediana variabilei aleatoare X care are densitatea
f(x) =
ak(x x
0
)
a1
(1 + k(x x
0
)
a
)
2
, x x
0
, k > 0, a > 1.
25. Modulul vectorului vitez a a unei particule este o variabil a aleatoare reparti-
zat a dup a legea Maxwell
f(v) =
4h
2
v
2
e
h
2
v
2
, v > 0.
Aat i media si dispersia vitezei.
26. N mesaje sunt trimise printr-un canal de comunicat ie. Lungimile lor sunt
aleatoare, dar au media m, iar dispersia
2
. G asit i media timpului total T
necesar transmiterii celor N mesaje; dac a acestea sunt transmise indepen-
dent, aat i dispersia; aceeasi problem a dac a mesajele nu sunt independente
si se cunosc Cov(T
i
, T
j
), i, j = 1 . . . N.
27. Un voltmetru nregistreaz a cea mai mare dintre dou a tensiuni, V
1
, V
2
. Vari-
abilele aleatoare V
1
, V
2
sunt independente si au aceeasi densitate f(v). G asit i
media variabilei aleatoare V = max{V
1
, V
2
}.
28. Un mesaj este trimis printr-un canal de comunicat ie ntr-un cod binar si
acesta const a n n simboluri 0 sau 1. Fiecare este egal probabil si indepen-
dent de celelalte. G asit i media si dispersia variabilei aleatoare X care d a
num arul de schimb ari de simboluri.
29. Repet am transmiterea unui mesaj, n condit ii identice, p an a ce acesta este
recept ionat corect. Probabilitatea de transmitere corect a este 0,8. Fie X
num arul de repet ari necesare. G asit i media lui X.
30. Variabilele X, Y sunt n relat ia Y = 2 3X. Calculat i media, dispersia lui
Y , corelat ia si coecientul de corelat ie, dac a m
X
= 1, D
2
X
= 4.
31. Variabilele aleatoare X, Y, Z au mediile m
X
, m
Y
, m
Z
si matricea de cova-
riant a
_
_
D
2
(X) Cov(X, Y ) Cov(X, Z)
Cov(X, Y ) D
2
(Y ) Cov(Y, Z)
Cov(X, Z) Cov(Y, Z) D
2
(Z)
_
_
Calculat i media si dispersia variabilei aleatoare U = aX bY + cZ d,
a, b, c, d R.
32. X, Y sunt variabile aleatoare independente X : N(1, 4), Y : U(0, 2).
G asit i M(X + Y ), M(XY ), M(X
2
), M(X Y
2
), D
2
(X + Y ) si
D
2
(X Y ).
33. Determinat i, folosind metoda celor mai mici p atrate, leg atura dintre vari-
abilele X, Y , dac a se cunosc urm atoarele date
(3; 4, 1), (4; 3, 9), (5; 6, 2), (1; 2, 1), (2; 3, 3), (6; 6, 8), (7; 8, 2).
34. Funct ia caracteristic a a unei variabile aleatoare este (t) = e
10tj2t
2
. G asit i
media si dispersia.
35. Un voltaj V este constant, dar necunoscut. Fiecare m asurare a lui, X
j
,
este suma dintre V si un voltaj zgomot N
j
cu media m = 0, = 1
microvolt. Presupunem N
j
independente. C ate m asur atori trebuie f acute
astfel ca media aritmetic a

X s a difere de media teoretic a cu mai put in de
= 1, cu sigurant a 0,99 ?
36. La o casierie se fac pl at i pentru un anumit serviciu, cu media 80 $ si abaterea
medie p atratic a 2 0$. Estimat i probabilitatea ca primii 100 de client i s a
necesite mai mult de 8400 $.
b. ca suma s a e ntre 7800 si 8400 $.
c. C at i client i ar necesita n total mai mult de 10000 $, cu sigurant a 0,9 ?
37. Timpul mediu ntre dou a evenimente aleatoare ale unui experiment este dis-
tribuit exponent ial cu media m. G asit i probabilitatea ca evenimentul 1000
s a se produc a n intervalul (1000 50)m.
38.

Intr-un service exist a un stoc de 1600 m cablu de rezerv a. S tiind c a zilnic se
folosesc n medie 13,33 m, iar = 1, 2, cu ce probabilitate aceast a cantitate
ajunge 4 luni?
39. Emisia aleatoare de particule este modelat a de legea Poisson cu = 30
part./or a. Cu ce probabilitate n 10 minute sunt emise cel mult 20 de partic-
ule ?
40. Probabilitatea ca un articol s a nu corespund a normelor este p = 0, 2. Se
face o select ie de n= 400. Presupun and select ia cu repunere (aceasta se
poate presupune dac a volumul total este foarte mare), s a se determine pro-
babilitatea ca ntre 70 si 100 articole s a e necorespunz atoare.
2.7 Solutii
1. Se veric a cu usurint a faptul c a funct iile date satisfac cele dou a condit ii
f 0 si
_

f(x)dx = 1.
i. Prin substitut ia y =
x
2
2
integrala
_

0
f(x)dx se reduce la 2
n
2
n
(
n
2
).
j. Observ am c a din paritatea funct iei
_

f(x)dx = 2
_

0
f(x)dx.
Facem schimbarea de variabil a x =
ny, dup a care g asim

_

0
_
1 +
x
2
n
_
n+1
2
dx =
n
_

0
(1 + y
2
)
n+1
2
dy.
In ultima integral a substitut ia

y
2
1 + y
2
= t, ne duce la funct ia Beta.

Intr-a-
dev ar, dy =
1
2
t
1
2
(1 t)
3
2
dt, si
_

f(x)dx =
2(
n+1
2
)
n(
n
2
)
n
_
1
0
(1 t)
n+1
2
1
2
t
1
2
(1 t)
3
2
dt =
=
(
n+1
2
)
(
1
2
)(
n
2
)
B(
n
2
, 1) = 1.
2. P{|X| > 1/4} = 1
_
1/4
1/4
dx = 0, 5.
3. 1. A am funct ia de repartit ie a variabilei Y , notat a F
Y
(x) =.
P{Y x} = P{2X + 1 x} = P
_
X
x 1
2
_
= F
X
_
x 1
2
_
.
Prin derivare g asim f
Y
(x) =
1
2
f
X
_
x 1
2
_
, adic a
2.7. SOLUT II 89
f
Y
(x) =
_
1
4
dac a 1 x 3
0 n rest.
Media este M[Y ] = 1 iar dispersia D
2
[Y ] = 4/3.
2. Analog F
Z
(x) = P{Z x} =
P{2X
2
+ 1 x} = P
_
_
x 1
2
_
1/2
X
_
x 1
2
_
1/2
_
=
= F
X
_
_
x 1
2
_
F
X
_
_
x 1
2
_
Dac a x 1. Prin derivare g asim
f
Z
(x) =
1
4
_
2
x 1
_
f
X
(
_
x 1
2
) + f
X
(
_
x 1
2
)
_
,
adic a
f
Z
(x) =
_
_
_
1
8
_
2
x 1
dac a 1 x 3
0 n rest.
4. Folosind faptul c a F este continu a, au loc:
a. P{X 100} = 1 P{X < 100} = 1 F(100) =
1
_
1
2
+
_
100 120
10
__
=
1
2
+ (2) = 0, 97725;
b. P{100 X 150} =
_
150 120
10
_

_
100 120
10
_
= (3) +
(2) = 0, 9759;
c. Aplicnd regula celor 3, g asim intervalul c autat de forma |Xm| < 3,
deci bateria funct ioneaz a aproape sigur ntre 90 si 150 zile.
5. F
K
(x) = P
_
mV
2
2
x
_
= P
_
_
x
m
V
_
x
m
_
= F
V
__
x
m
_
F
V
_
_
x
m
_
pentru x 0. Prin derivare obt inem densitatea care este un
caz particular al repartit iei hi p atrat.
6. Punem condit iile P{X < 30} = 0, 15, P{X < 20} = 0, 05 care conduc
la ecuat ii n m si .
7. Punem condit ia ca P{Y < 0} = 10
6
si avem
P{Y < 0} = P{V + N < 0} = P{N < V } =
1
2

_
V
_
.
De aici g asim c a V = 950, 6.
8. Probabilitatea de a face erori este dat a de
P{2 + N < 0, 5} + P{2 + N 0, 5}.
9. Consider am sistemul complet de evenimente A
i
= {X = x
i
}, i = 1, . . . n
si s a exprim am funct ia de repartit ie a variabilei aleatoare Z.
F
Z
(x) = P{X + Y x} = P
_
n
_
i=1
({X + Y x} A
i
)
_
=
=
n
i=1
P{Y +x
i
x}P(A
i
) =
n
i=1
p
i
P{Y x x
i
}.
f
Z
(x) =
n
i=1
p
i
f
Y
(x x
i
).
10. Consider am sistemul complet de evenimente A
i
, i = 1, 2, unde evenimentul
A
i
reprezint a faptul c a X are densitatea de probabilitate f
i
. Atunci funct ia
de repartit ie este dat a de
F(x) = P{X x} = P(A
1
)P({X x}|A
1
) +P(A
2
)P({X x}|A
2
) =
= p
1
F
1
(x) + p
2
F
2
(x).
Funct ia de densitate este atunci
f(x) = p
1
f
1
(x) + p
2
f
2
(x).
2.7. SOLUT II 91
11. Folosim problema anterioar a. Avem
f(x) =
0, 4
2
2
e
(x 2)
2
8
+
0, 6
2
e
(x 2)
2
2
.
12.
F(x) = pP({T x| sistem inactiv}) + (1 p)P({T x| sistem activ })
Apoi
P({T x| sistem inactiv}) =
_
1 x > 0
0 x 0
F(x) =
_
0 x < 0
p + (1 p)(1 e
x
) x 0
.
13. S a determin am funct ia de abilitate a sistemului. Dispozitivul funct ioneaz a
la momentul t, dac a
{T > t} = ({T
1
> t} {T
3
> t}) ({T
1
> t} {T
4
> t})
({T
2
> t} {T
4
> t}) ({T
2
> t} {T
3
> t}) .
Calcul am acum probabilitatea acestei reuniuni, folosind independent a
R(t) = R
1
(t)R
3
(t) + R
1
R
4
(t) + R
2
(t)R
4
(t) + R
2
(t)R
3
(t)
R
1
(t)R
3
(t)R
4
(t) R
1
(t)R
2
(t)R
3
(t) R
1
(t)R
2
(t)R
4
(t)
R
2
(t)R
3
(t)R
4
(t) 2R
1
(t)R
2
(t)R
3
(t)R
4
(t)+
4R
1
(t)R
2
(t)R
3
(t)R
4
(t) R
1
(t)R
2
(t)R
3
(t)R
4
(t) =
4R
2
1
(t) 4R
3
1
(t) + R
4
1
(t).
Urmeaz a s a nlocuim R
i
(t) = e
t
, i = 1, 4.
14.
R(t) = (R
1
(t)R
2
(t) + R
3
(t) R
1
(t)R
2
(t)R
3
(t)) R
4
(t)R
5
(t),
unde R
i
(t) = e
t
, i = 1, 5.
15. Observ am c a P{T t} = 1 F(t), G asim
F(x | {T t}) =
_
_
F(x) F(t)
1 F(t)
dac a x t
0 dac a x < t.
f(x | {T t}) =
f(x)
1 F(t)
=
f(x)
_
+
t
f(x)dx
, x t.
16. Fie C dispozitivul funt ioneaz a dup a t secunde, B dispozitivul este de
tipul 1 si R dispozitivul este de tipul 2. Din formula probabilit at ii totale
avem
P(C) = P(B)P(C|B) + P(R)P(C|R) = (1 p)e
t
+ pe
1000t
.
Punem condi t ia ca P(B|C) 0, 99
P(B|C) =
P(B)P(C|B)
P(B)P(C|B) + P(R)P(C|R)
si g asim t
1
999
ln
(1 p)99
p
.
17. Punem condit iile
_
+
0
ax
n
e
2
x
2
dx = 1,
_
+
0
ax
n+1
e
2
x
2
dx = m
si g asim
a =
2
n+1
(
n+1
2
)
, =
1
m
(
n+2
2
)
(
n+1
2
)
.
18. a. 2/3, 1/18; b. 0, 1/2.
19. Condit ia
_
a
0
f(x) dx = 1 conduce la c = a
1
iar prin calcul direct g asim
M[X] = a/2, D
2
[X] = a
2
/4.
20.
(t) =
1
2
_
2
2
_
1
|x|
2
_
e
jtx
dx =
1 cos 2t
2t
2
=
sin
2
t
t
2
.
2.7. SOLUT II 93
21. Din formula de inversiune avem:
f(x) =
1
2
_
+
(t)e
jtx
dt =
1
(1 + x
2
)
x R.
22. Vom folosi inegalitatea lui Ceb asev. Avem
P{|X 15| 5}
9
25
= 0, 36.
23. Alegem metoda cu dispersie minim a.
D
2
[T] = 4D
2
[X] = 20, D
2
[Z] = D
2
[U
1
] + D
2
[U
2
] = 10.
24. Modul variabilei X este abscisa punctului de maxim a funct iei f si acesta
se obt ine ca solut ie a ecuat iei f
(x) = 0, adic a:
x
max
= x
0
+
_
a 1
(a + 1)
k
_
1/a
.
Mediana este solut ia ecuat iei F(x) =
1
2
adic a:
_
x
x
0
f(t) dt =
1
2
.
Se obt ine x
med
= x
0
+ k
1/a
.
25.
M[V ] =
4h
2
_
+
0
v
3
e
h
2
v
2
dv.
Substitut ia h
2
v
2
= t urmat a de o integrare prin p art i conduce la M[V ] =
2
h
2
. Momentul init ial de ordin 2 este:
M[V
2
] =
4h
2
_
+
0
v
4
e
h
2
v
2
dv.
Utiliz and aceeasi substitut ie ca mai sus obt inem
M[V
2
] =
2
h
3
(
5
2
) =
3
2h
3
.
Apoi D
2
[V ] = M[V
2
] (M[V ])
2
.
26. M(T) = Nm, D
2
(T) = N
2
.
27. m =
_
+
x
1
dv
1
_
v
1
f(v
2
)dv
2
+
_
+
v
2
f(v
2
)dv
2
_
v
2
f(v
1
)dx
1
.
28. Sunt posibile n 1 schimb ari; media este (n 1)p.
29. Media variabilei geometrice.
30. M[Y ] = M[2 3X] = 2 3(1) = 5; D
2
[Y ] = (3)
2
4 = 36. Din
M[X
2
] = D
2
[X] + M
2
[X], deducem M[X
2
] = 5 iar apoi Cov[X, Y ] =
M[X(2 3X]) + 1 5 = 12; [X, Y ] =
12
D[X]D[Y ]
= 1.
31. M[U] = a m
x
b m
y
+ c m
z
d, D
2
[U] = a
2
D
2
[X] + b
2
D
2
[Y ] +
c
2
D
2
[Z] 2 a b Cov[X, Y ] + 2 a c Cov[X, Z] 2 b c Cov[Y, Z].
32. M[X +Y ] = 2, M[XY ] = M[X]M[Y ] = 1, M[X
2
] = 5, M[X Y
2
] =
1
3
, D
2
[(X + Y )] = D
2
[(X Y )] =
13
3
.
33.
x
i
3 4 5 1 2 6 7
y
i
4, 1 3, 9 6, 2 2, 1 3, 3 6, 8 8, 2
Aleg and leg atura de forma Y = aX + b, parametrii a, b se determin a din
condit ia ca funct ia Q(a, b) =
7
i=1
(y
i
ax
i
b)
2
s a admit a un minim.
Obt inem:
a =
7
i=1
(x
i
x)(y
i
y)
7
i=1
(x
i
x)
2
; b = y a x,
unde x =
7
i=1
x
i
7
si y =
7
i=1
y
i
7
.
34. m =

(0)
j
= 10, M[X
2
] =

(0)
j
2
iar dispersia D
2
= M[X
2
] m
2
= 4.
2.7. SOLUT II 95
35. Fiecare m asur atoare X
j
are v si dispersia 1, astfel nc at folosind legea nu-
merelor mari obt inem:
1
1
n
2
= 1
1
n
0, 99.
Aceasta implic a n = 100. Astfel dac a repet am m asur atorarea de 100 de
ori si calcul am media n mod normal n 99% din situat ii media obt inut a va
diferi cu cel mult 1 microvolt de valoarea exact a.
36. Fie X
i
plata aleatoare pentru clientul i.
a. P{
100
i=1
X
i
> 8400} = P
_
_
100
i=1
X
i
100 80
100 400
>
8400 8000
10 20
_
_
=
= 1 F(2) = 1 (1/2 + (2)) = 1/2 (2).
b. P
_
7800 <
100
i=1
X
i
< 8400
_
= (2) + (1).
c. Determin am n din condit ia
1 F
_
10000 n 80
n 400
_
= 0, 1.
37. Fie X
i
timpul dintre evenimente, atunci X =
X
i
are media n m si
dispersia n
2
. Avem
P{950m X 1050m} =
P
_
950m1000m
m
1000
X M(X)
D(X)

1050m1000m
m
1000
_
=
_
10
2
_
10
2
_
= 2
_
10
2
_
.
38. Not am cu X
i
variabila aleatoare care ia ca valori consumul zilei i, i =
1, 120. Avem
M[X
i
] = 13, 33, D[X
i
] = 1, 2.
In 120 de zile se consum a X =

120
i1
X
i
. Ne a amn cazul general n care nu
se cunoaste repartit ia variabilei aleatoare X
i
. S a determin am probabilitatea
P{X < 1660}.
M[X] = nm = 120 13, 33 = 1599, 6, D[X] =
n
2
=
n = 13, 1,
P{X < 1660} = P
_
X 1599, 6
13, 1
<
1660 1599, 6
13, 1
_
=
0, 5 + (4, 6) = 0, 999.
39. Not am X =
10
i=1
X
i
, unde X
i
sunt variabile aleatoare repartizate Poisson si
independente. Din condit iile
= M[X] =
10
i=1
M[X
i
] = nM[X
i
]
si deci M[X
i
] =

n
si
= D
2
[X] =
10
i=1
D
2
[X
i
] = nD
2
[X
i
],
adic a D
2
[X
i
] =

n
, unde este parametrul repartit iei Poisson ce trebuie
determinat din condit ia = 30
1
6
= 5 particule/10 minute.
P{X 10}) = P
_
_
_
X n
n
_
10
_
_
_
=
= 0, 5 +
_
10 5
5
_
= 0, 98713.
40. Aplic am Moivre-Laplace cu m = 400 0, 2, =
400 0, 2 0, 8.
Capitolul 3
Variabile aleatoare
multidimensionale
3.1 Variabile aleatoare bidimensionale
Variabil a aleatoare bidimensional a este o funct ie
(X, Y ) : E R
2
unde X, Y sunt variabile aleatoare pe un c amp de probabilitate (E, K, P).
Variabile discrete
Repartit ia unei variabile discrete este tabelul
X/Y y
1
y
2
y
n
x
1
p
11
p
12
p
1n
x
2
p
21
p
22
p
2n

x
m
p
m1
p
m2
p
mn
(3.1)
unde
p
ij
= P{X = x
i
, Y = y
j
}, i = 1, , m, j = 1, , n. (3.2)
O variabil a aleatoare mai poate scris a sub forma
f(x, y) =
m
i=1
n
j=1
x
i
y
j
xx
i
yy
j
(3.3)
97
98 CAPITOLUL 3. VARIABILE ALEATOARE MULTIDIMENSIONALE
unde reprezint a distribut ia Dirac. Prin denit ie distribut ia Dirac este denit a
prin
x
() = (x),
pentru orice funct ie test (derivabil a de o innitate de ori si cu suport compact).
Probabilit ati marginale sunt date de
p
i
=
n
j=1
p
ij
, p
j
=
m
i=1
p
ij
(3.4)
Variabile marginale sunt variabilele X si Y cu repartit iile
X :
_
x
i
p
i
_
Y :
_
y
j
p
j
_
(3.5)
Variabilele X, Y sunt independente dac a
p
ij
= p
j
p
i
(3.6)
Exemplul 3.1.1 Variabila binomial a bidimensional a.

Intr-un experiment eveni-
mentul A se poate produce cu probabilitatea p
1
, B cu probabilitatea p
2
iar AB
cu probabilitatea p
11
. S a determin am probabilitatea ca n n experimente A s a se
produc a de k ori, iar B de l ori (k + l n).
Fie q
i
= 1 p
i
, i = 1, 2. Se obt ine variabila bidimensional a
B B
A p
11
p
10
p
1
A p
01
p
00
q
1
p
2
q
2
Repet and experimentul de n ori, evenimentul A B se poate produce de i ori,
1 i min(k, l), iar A B de n (k + l i) ori. Pentru i xat, ne plas am n
cazul schemei lui Bernoulli polinomial a si dac a i variaz a, obt inem
min(k,l)
i=1
n!
i!(k i)!(l i)!(n k l +i)!
p
i
11
p
ki
10
p
li
01
p
n+ikl
00
3.1. VARIABILE ALEATOARE BIDIMENSIONALE 99
Exemplul 3.1.2

Intr-un depozit se aduc articole produse la 3 rme, n num ar de
2000, 1800 si 1200 respectiv. Stiind c a cele trei rme produc 0,2%, 1% respectiv
0,5% rebut determinat i repartit ia variabile aleatoare bidimensionale (X, Y ) unde
X reprezint a rma, iar Y calitatea de a articol corespunzator, respectiv rebut.
S a determin am variabilele marginale si s a studiem independent a lor.
Not am cu X num arul rmei; X ia valorile 1, 2,3. Variabila Y ia valoarea 0,
dac a articolul este rebut si 1 dac a este corespunz ator. Repartit ia variabilei bidi-
mensionale este
X/Y 0 1
1 0,0008 0,3992 0,4
2 0,0036 0,3564 0,36
3 0,0012 0,2388 0,24
0,0056 0,9944 1
Variabilele marginale X si Y sunt
X :
_
1 2 3
2000/5000 1800/5000 1200/5000
_
si
Y :
_
0 1
28/5000 4792/5000
_
si nu sunt independente, deoarece nu are loc condit ia (3.6). Acest lucru poate
constatat din faptul c a proprietatea de a rebut de exemplu, depinde de rma de
la care s-a ales produsul.
Exemplul 3.1.3 Variabilele aleatoare X si Y sunt independente si au distribut iile
X :
_
1 2 3
0, 3 0, 1 0, 6
_
Y :
_
2 3
0, 4 0, 6
_
Care este distribut ia variabilei aleatoare (X, Y ) ?
Variabila bidimensionala are ca valori produsele valorilor celor dou a variabile,
iar datorit a independent ei probabilit at ile se nmult esc, deci se obt ine repartit ia
_
_
0, 3 0, 4 0, 3 0, 6
0, 1 0, 4 0, 1 0, 6
0, 6 0.4 0, 6 0, 6
_
_
.
Exemplul 3.1.4 O variabil a aleatoare are densitatea
f
XY
(x, y) =
1
3
y1
+
1
3
x1
y
+
1
3
x1
y1
1. Calculat i F
XY
(0, 5, 1, 5).
2. Sunt X si Y independente ?
3. Calculat i M[X], M[Y ], M[XY ].
Forma sub care este dat a f
XY
(x, y) semnic a faptul c a este 0 cu except ia
punctelor (0, 1), (1, 0), (1, 1), iar n aceste puncte funct ia are un salt la infnit. Vari-
abila are repartit ia
X/Y 0 1
0
1
3
0
1
3
1
1
3
1
3
2
3
2
3
1
3
1
iar variabilele marginale sunt
X :
_
0 1
1
3
2
3
_
Y :
_
0 1
2
3
1
3
_
Se observ a c a X si Y nu sunt independente. Avem
M[X] = M[Y ] =
2
3
, M[XY ] =
j
x
i
y
j
p
ij
=
1
3
.
Valoarea funct iei de repartit ie este
F(0, 5, 1, 5) = P{X 0, 5, Y 1, 5} =
1
3
.
Exemplul 3.1.5 Fie X respectiv Y numere aleatoare de fotoelectroni care se
nregistreaz a la dou a fotodetectoare. Ar atat i c a probabilit at ile de a obt ine k foto-
electroni de la primul fotodetector, respectiv m de la al doilea, sunt date de
P(X = k, Y = m) = (1 p
1
)(1 p
2
)p
k
1
p
m
2
,
unde k, m N, p
1
, p
2
(0, 1).
Modelarea se face cu ajutorul seriei geometrice si anume
k=0
m=0
(1 p
1
)(1 p
2
)p
k
1
p
m
2
= (1 p
1
)
1
1 p
1
(1 p
2
)
1
1 p
2
= 1.
Variabilele marginale sunt denite de probabilit at ile
P{X = k} =
m=0
(1 p
1
)(1 p
2
)p
k
1
p
m
2
= (1 p
1
)p
k
1
P{X = m} =
k=0
(1 p
1
)(1 p
2
)p
k
1
p
m
2
= (1 p
2
)p
m
2
care se observ a a variabilele geometrice unidimensionale.
Observ am c a variabilele sunt independente. Pentru ultimul calculul
P{X + Y < p} =
p
k=0
pk
m=0
(1 p
1
)(1 p
2
)p
k
1
p
m
2
=
=
p
k=0
(1 p
1
)p
k
1
(1 p
pk+1
2
) = 1 p
p+1
1
(1 p
1
)p
p+1
2
p
k=0
(
p
1
p
2
)
k
=
= 1 p
p+1
1
(1 p
1
)p
p+1
2
_
1 (
p
1
p
2
)
p+1
1 (
p
1
p
2
)
_
=
= 1
_
1 p
1
p
2
p
1
_
p
p+2
2
+
_
1 p
2
p
2
p
1
_
p
p+2
1
.
denesc o variabil a bidimensional a. Determinat i variabilele marginale si calculat i
n ipoteza p
1
= p
2
,
P{X +Y p}, p N.
Exemplul 3.1.6

In cazul problemei de mai sus, aat i repartit ia variabile (X, Y ),
condit ionat a de faptul c a {X +Y p}.
Aplic am denit ia probabilit at ilor condit ionate si obt inem urm atoarea formul a.
P{X = k, Y = m|X + Y p} =
_
_
(1 p
1
)(1 p
2
)p
k
1
p
m
2
1
_
1p
1
p
2
p
1
_
p
p+2
2
+
_
1p
2
p
2
p
1
_
p
p+2
1
k + m p, k 0, m 0
0 n rest.
Variabile aleatoare continue
Functia de repartitie este
F(x, y) = P{X x, Y y} (3.7)
iar densitatea de probabilitate este denit a f : R
2
R
+
, cu proprietatea
F(x, y) =
_
x
_
y
f(u, v)dudv. (3.8)

Are loc
f(x, y) =

2
F(x, y)
xy
(3.9)
eventual n sensul teoriei distribut iilor. Densitatea de probabilitate este caracterizat a
de condit ia
_
+
_
+
f(x, y)dxdy = 1. (3.10)

Vom mai nota densitatea de probabilitate f(x, y) = f
XY
(x, y).
Functiile de repartitie marginal a sunt date de
F
Y
(x) = P{X < , Y y} =
_
y
_
+
f(u, v)dudv (3.11)

F
X
(x) = P{X x, Y < } =
_
x
f(u, v)dudv. (3.12)

Densit atile marginale sunt date de
f
X
(x) =
_
+
f(x, v)dv = F
X
(x) (3.13)
f
Y
(y) =
_
+
f(u, y)du = F
Y
(y). (3.14)
X, Y sunt independente dac a
f(x, y) = f
X
(x)f
Y
(y). (3.15)
Condit ia (3.15) este echivalent a cu
F(x, y) = F
X
(x)F
Y
(y). (3.16)
Dac a D R
2
are loc urm atoarea formul a
P{(X, Y ) D} =
_ _
D
f(x, y)dxdy. (3.17)
Exemplul 3.1.7 Determinat i A astfel ca funct ia
f(x, y) =
_
A(x +y) 0 x 2, 0 y 2
0 n rest
s a e o densitate de probabilitate bidimensional a (X, Y ). Determinat i variabilele
marginale si studiat i independent a lor. Calculat i P{|X Y | > 1}.
Pentru a densitate trebuie s a avem A > 0 si din condit ia
_ _
R
2
f(x, y)dxdy = 1
g asim A =
1
8
.
Variabilele marginale sunt
f
X
(x) =
_
2
0
1
8
(x + y)dy =
_
1
4
(x + 1) 0 x 2
0 n rest
f
Y
(y) =
_
2
0
1
8
(x + y)dx =
_
1
4
(y + 1) 0 y 2
0 n rest.
2
2
1,5
1,5
1
0,5
1
0
0,5 0
Figura 3.1: Domeniul D
Probabilitatea P{|X Y | > 1} este dat a de integrala lui f(x, y) pe domeniul
D = {|x y| > 1}, care reprezint a interioarele celor dou a triunghiuri din gura
(3.1).
P{|X Y | > 1} = 2
_
2
0
_
x1
0
f(x, y)dydx =
1
4
.
Observ am c a f(x, y) = f
X
(x)f
Y
(y), deci variabilele nu sunt independente.
3.2 Densit ati conditionate
Dac a variabila aleatoare (X, Y ) are densitatea f
XY
, densitatea de probabilitate
condit ionat a de faptul c a (X, Y ) ia valori n mult imea D R
2
este
f
XY
(x, y | (X, Y ) D) =
_
_
_
0 (x, y) / D
f
XY
(x, y)
_ _
D
f
XY
(x, y)dxdy
(x, y) D
(3.18)
Densit atile marginale conditionate sunt date de
f
X
(x | (X, Y ) D)) =
_

f
XY
(x, y |(X, Y ) D)dy (3.19)
3.2. DENSIT

AT I CONDIT IONATE 105
f
Y
(y | (X, Y ) D)) =
_

f
XY
(x, y | (X, Y ) D)dx (3.20)
Exemplul 3.2.1 Fie variabila bidimensional a (X, Y ) cu repartit ia
f
X,Y
(x, y) =
1
2
2
e
x
2
+y
2
2
2
, (x, y) R
2
.
S a determin am repartit ia condit ionat a
f
XY
(x, y | X
2
+ Y
2
< b
2
).
Evenimentul care condit ioneaz a are probabilitatea
P{X
2
+Y
2
< b
2
} =
1
2
2
_ _
x
2
+y
2
<b
2
e
x
2
+y
2
2
2
dxdy.
Prin trecere la coordonate polare se obt ine
P{X
2
+ Y
2
< b
2
} =
1
2
2
_
b
0
rdr
_
2
0
e
r
2
2
2
d = 1 e
b
2
2
2
Deci densitatea c autat a este dac a folosim formula (3.18)
f
X,Y
(x, y | X
2
+Y
2
< b
2
) =
_
_
0 x
2
+ y
2
b
2
1
2
2
e
x
2
+ y
2
2
2
_
1 e
b
2
2
2
_
, x
2
+ y
2
< b
2
Densit ati marginale conditionate
f
X
(x | {Y = y}) = f
X
(x | y) =
f
XY
(x, y)
f
Y
(y)
=
f
XY
(x, y)
_
f
XY
(x
, y)dx
(3.21)
f
Y
(y | {X = x}) = f
Y
(y | x) =
f
XY
(x, y)
f
X
(x)
=
f
XY
(x, y)
_
f
XY
(x, y
)dy
(3.22)
Repartitiile marginale conditionate
F
X
(x | y) =
_
x
f
X
(x
| y)dx
(3.23)
F
Y
(y | x) =
_
y
f
Y
(y
| x)dy
(3.24)
Formula lui Bayes
f
Y
(y | x) =
f
X
(x | y)f
Y
(y)
f
X
(x)
(3.25)
Exemplul 3.2.2 Variabila aleatoare (X, Y ) are densitatea
f
XY
= 6(1 x y), (x, y) D
unde D este interiorul triunghiului din gura (3.2). Determinat i funct ia de repar-
tit ie a variabilei, variabilele marginale, densit at ile condit ionate f
Y
(x|y), f
X
(y|x)
si funct ia F
Y
(y|x).
Funct ia de repartit ie este pentru
_
_
_
0 < x < 1
0 < y < 1
0 < x + y < 1
F
XY
(x, y) = 6
_
x
0
dx
_
y
0
(1 x
)dy
.
Dac a
_
0 < y < 1
1 y x < 1
funct ia este
F
XY
(x, y) = 6
_
1x
0
dy
_
x
0
(1 x
)dx
+ 6
_
y
1x
dy
_
1y
0
(1 x
)dx
.
Dac a
_
x > 1
0 < y < 1
atunci
F
XY
(x, y) = 6
_
y
0
dy
_
1y
0
(1 x
)dx
iar pentru
_
y > 1
0 < x < 1
avem
F
XY
(x, y) = 6
_
x
0
dx
_
1x
0
(1 x
)dy
.
3.2. DENSIT

y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Figura 3.2: Domeniul D
Dac a x > 1, y > 1 atunci F
XY
(x, y) = 1
Variabilele marginale sunt
f
X
(x) =
_
_
_
6
_
1x
0
(1 x y)dy = 3(1 x)
2
0 x < 1
0 x < 0, x 1
f
Y
(y) =
_
3(1 y)
2
0 y < 1
0 y < 0, y 1
.
Se observ a ca variabilele marginale nu sunt independente.
Variabilele marginale condit ionate sunt
f
Y
(y|x) =
_
_
_
2(1 x y)
(1 x)
2
0 < y < 1 x
0 y < 0, y > 1 x
f
X
(x|y) =
_
_
_
2(1 x y)
(1 y)
2
0 < x < 1 y
0 x < 0, x < 1 y
.
Funct ia de repartit ie condit ionat a F
Y
(y|x) este
F
Y
(y|x) =
_
_
2
(1 x)
2
_
y
0
(1 x y
)dy
0 < y < 1 x
0 y < 0
1 y > 1 x
-3
-2
-1
-3
-2
-1
y
0
00
1
2
3
1
0,04
x
2
0,08
3
0,12
0,16
Figura 3.3: Variabila normala bidimensional a
Exemplul 3.2.3 Variabila normal a bidimensional a Fie funct ia
f(x, y) =
1
2
x
1 r
2
e
1
2(1 r
2
)
_
(x m
x
)
2
2
x
2r(x m
x
)((y m
y
))
y
+
(y m
y
)
2
2
y
_
,
(gura (3.3)), unde r este coecientul de corelat ie al variabilelor X, Y . S a deter-
min am densit at ile variabilelor marginale si densit at ile condit ionate .
Prin transform ari simple se poate presupune c a m
X
= m
Y
= 0 si
X
=
Y
=
1, iar densitatea este de forma
f(x, y) =
1
2
1 r
2
e
x
2
2rxy + y
2
2(1 r
2
)
si scriem exponentul de forma
3.2. DENSIT

x
2
2rxy + y
2
= (y rx)
2
+ (1 r
2
)x
2
.
Dac a aplic am formulele (3.13) si (3.14) obt inem
f
X
(x) =
1
2
1 r
2
_

(y rx)
2
+ (1 r
2
)x
2
2(1 r
2
)
dy =
2e
x
2
2
.
Densitatea condit ionat a este, dac a folosim (3.22)
f
Y
(y|x) =
1
_
2(1 r
2
)
e
(y rx)
2
2(1 r
2
)
.
Observ am c a dac a r = 0, atunci f
Y
(y|x) = f
Y
(y) si variabilele marginale sunt
independente.
Figura 3.4: Funct ia de repartit ie bidimensional a
Exemplul 3.2.4 Ar atat i c a dac a (X, Y ) este o variabil a aleatoare cu funct ia de
repartit ie F , atunci
P({a
1
< X
1
< b
1
, a
2
< X
2
b
2
}) =
= F(b
1
, b
2
) F(a
1
, b
2
) F(b
1
, a
2
) + F(a
1
, a
2
).
Folosim gura (3.4) si exprim am probabilitatea cerut a cu ajutorul funct iei de
repartit ie. Observ am c a au loc
P({a
1
< X
1
b
1
, a
2
< X
2
b
2
}) = P({X
1
b
1
, X
2
b
2
})
P({X
1
a
1
, X
2
b
2
})P({X
1
b
1
, X
2
a
2
})+P({X
1
a
1
, X
2
a
2
}) =
= F(b
1
, b
2
) F(a
1
, b
2
) F(b
1
, a
2
) + F(a
1
, a
2
).
Exemplul 3.2.5 Fie funct ia
F(x
1
, x
2
) =
_
0 dac a x
1
0 sau x
1
+ x
2
1 sau x
2
0
1 , n rest.
Ar atat i c a aceasta satisface propriet at ile:
1. F este nedescresc atoare n ecare argument;
2. F este continu a la st anga n ecare argument;
3. F(+, +) = 1;
4. F(, x
2
) = F(x
1
, +) = 0.
Lu and un domeniu de forma D = [1/2, 1] [1/2, 1], deducet i c a F nu poate
o funct ie de repartit ie.
Acest exemplu arat a c a propriet at ile enunt ate nu mai caracterizeaz a o funct ie
de repartit ie, asa cum se nt ampl a n cazul unidimensional. E sucient s a g asim
un dreptunghi, pentru care, din exemplul precedent probabilitatea ca variabila s a
ia valori n acest domeniu este F(1, 1) F(1,
1
2
) F(
1
2
, 1) + F(
1
2
,
1
2
). Dar cum
num arul precedent este negativ, nu poate probabilitatea unui eveniment.
3.2. DENSIT

-1
-0,5
-1
-0,5
0
00
y
0,5
0,5
1
x
0,5
1
1,5
1
2
Figura 3.5: Variabila uniform a bidimensional a
Exemplul 3.2.6 Ar atat i c a funct ia
f(x, y) =
_
_
_
1
(b a)(d c)
dac a (x, y) [a, b] [c, d]
0 n rest
este o densitate de probabilitate. Determinat i densit at ile marginale. Sunt vari-
abilele X, Y independente ? (gura(3.5)).
Este usor de v azut c a f este o densitate de probabilitate, deoarece este o funct ie
pozitiv a si integrala pe R
2
este 1. Densit at ile marginale sunt
f
X
(x) =
_

f(x, v)dv =
_
d
c
1
(b a)(d c)
dv =
_
1
b a
x [a, b]
0 n rest
si analog,
f
Y
(y) =
_
_
1
d c
x [c, d],
0 n rest
Deci variabilele aleatoare marginale X si Y cu densit at ile marginale f
X
, respectiv
f
Y
sunt independente.
Exemplul 3.2.7 Variabila aleatoare (X, Y ) are densitatea de probabilitate f
XY
.
Exprimat i probabilit at ile urm atoarelor evenimente:
{X > Y }, {X > |Y |}, {|X| > Y }, {Y X > 1}.
Deoarece probabilitatea ca o variabil a s a ia valori ntr-un domeniu este in-
tegrala densit at ii de probabilitate pe acest domeniu, vom integra densitatea de
probabilitate pe domeniile din gura (3.6).
y
x
4
4
2
0
2
-2
-4
0 -2 -4
y
x
4
4
2
0
2
-2
-4
0 -2 -4
y
x
3
3
2
1
2
0
-1
1
-2
-3
0 -1 -2 -3
x
3
3
2
1
2
0
-1
1
-2
-3
0 -1 -2 -3
Figura 3.6:
1.P({X > Y }) =
_
+
dy
_
+
y
f(x, y)dx;
2. P({X > |Y |}) =
_
+
0
dx
_
x
x
f(x, y)dy;
3. P({|X| > Y }) =
_
0
dx
_
x
f(x, y)dy +
_
+
0
dx
_
x
f(x, y)dy;
3.2. DENSIT

4. P({Y X > 1}) =
_
+
dx
_
+
x+1
f(x, y)dxdy.
Exemplul 3.2.8 Repartitia normal a n-dimensional a. Fie funct ia denit a de
f(x
1
, . . . , x
n
) =
det A
(2)
n/2
e
1/2(XM)
t
A(XM)
, (3.26)
unde A = (a
ij
)
i,j=1...n
este o matrice simetric a, deci A = A
t
si care are propri-
etatea c a forma p atratic a
(X M)
t
A(X M) =
j
a
ij
(x
i
m
i
)(x
j
m
j
)
este pozitiv denit a. f este o densitate de probabilitate. X si M reprezint a:
X =
_
_
_
x
1
.
.
.
x
n
_
_
_
, M =
_
_
_
m
1
.
.
.
m
n
_
_
_
.
Presupunempentru nceput c a m
1
= . . . = m
n
= 0. Reamintimc a n acest caz
exist a o matrice ortogonal a H (cu proprietatea HH
t
= I
n
, unde I
n
este matricea
unitate), pentru care forma p atratic a are forma canonic a
X
t
AX =
n
i=1
i
y
2
i
,
unde
i
sunt valorile proprii ale lui A, care n cazul nostru sunt strict pozitive.
Dup a cum stim det A =
1
. . .
n
. Facem schimbarea de variabile X = HY si
observ am c a determinantul funct ional
D(x
1
, . . . , x
n
)
D(y
1
, . . . , y
n
)
= det H = 1
deoarece H este o matrice ortogonal a. Avem atunci
_
. . .
_
R
n
e
1
2
n
i=1
a
ij
x
i
x
j
dx
1
. . . dx
n
=
=
_
. . .
_
R
n
e
1
2
n
i=1
i
y
2
i
det Hdy
1
. . . dy
n
=
n
i=1
_

1
2
i
y
2
i
dy
i
.
Facem n ultima integral a substitut ia y
i
=
z
i
i
si g asim
_

1
2
i
y
2
i
dy
i
=
1
i
_

z
2
i
2
dz
i
=
i
.
Efectu and calculele obt inem
n
i=1
_
2
i
=
(2)
n
2
1
. . .
n
=
(2)
n
2
det A
.
Dac a revenim la cazul general, prin substitut ia X M = Y , situat ia se reduce la
satisfacerea condit iei m
1
= . . . = m
n
= 0.
Exemplul 3.2.9 Fie funct ia
f(x, y) =
1
2
x
y
e
1
2
_
(x m
x
)
2
2
x
+
(y m
y
)
2
2
y
_
.
Calculat i P{(X, Y ) [a, b] [c, d] si P{(X, Y ) D
k
} unde D
k
este domeniul
delimitat de
(x m
x
)
2
2
x
+
(y m
y
)
2
2
y
= k
2
( elipsa de egal a probabilitate) gura
(3.7).
6 4 2 0 -2 -4
6
4
2
0
-2
Figura 3.7:
3.2. DENSIT

Dac a D = [a, b] [c, d] R
2
, atunci
P({(X, Y ) D}) =
_
(
b m
x
x
) (
a m
x
x
)
__
(
d m
y
y
) (
c m
y
y
)
_
.
Aceasta deoarece variabilele marginale sunt independente iar integrala pe un drep-
tunghi este un produs din probalit at ile ca variabilele marginale s a ia valori ntr-un
segment.
S a consider am un domeniu D
k
delimitat de elipsa de egal a probabilitate, adic a
elipsa n ale c arei puncte densitatea de probabilitate este constanta k > 0. Elipsa
are ecuat ia
(x m
x
)
2
2
x
+
(y m
y
)
2
2
y
= k
2
. Observ am c a semiaxele elipsei sunt
a = k
x
, b = k
y
. Atunci are loc
P({(X, Y ) D
k
}) = 1 e
k
2
2
Aceasta rezult a imediat dac a facem n integrala dubl a schimbarea de variabile de
forma
_
x m
x
=
x
cos
y m
y
=
y
sin
0 < k, [0, 2).
Dup a efectuarea calculelor obt inem
_ _
D
k
f(x, y)dxdy =

x
y
2
x
y
_
2
0
d
_
k
0
e
2
2
d.
Exemplul 3.2.10 Ar atat i c a funct ia
f(x, y, z) =
1
(2)
3
2
z
e
1
2
_
(x m
x
)
2
2
x
+
(y m
y
)
2
2
y
+
(z m
z
)
2
2
z
_
.
este o densitate de probabilitate, iar variabilele marginale X, Y, Z sunt indepen-
dente. Deducet i probabilitatea ca variabila s a ia valori n elipsoidul de egal a
probabilitate gura (3.8).
Exprim and integralele care dau probabilitatea cerut a avem, dac a facem schim-
barea de variabile P{(X, Y, Z) D
K
} =
_
2
_
1 e
k
2
2
_
.
4
y
-4 2
-2
-2
-1
0
0
0
z
1
2
2
3
-2
4
x
6 -4
8
Figura 3.8:
3.3 Transform ari de variabile aleatoare
Dac a variabila (U, V ) se obt ine din (X, Y ) printr-o transformare
T : D, , D R
2
prin
T(u, v) = (x, y)
unde
_
x = (u, v)
y = (u, v)
iar funct iile , sunt de clas a C
1
() si au proprietatea
D(x, y)
D(u, v)
= 0, (u, v) .
Densit at ile sunt legate prin formula
f
UV
(u, v) = f
XY
((u, v), (u, v))
D(x, y)
D(u, v)
. (3.27)
3.3. TRANSFORM

ARI DE VARIABILE ALEATOARE 117
Exemplul 3.3.1 Ar atat i ca dac a X si Y sunt variabile independente, cu den-
sit at ile f
X
, f
Y
atunci suma si diferent a variabilelor au densit at ile
f
X+Y
(x) =
_

f
X
(y)f
Y
(x y)dy (3.28)
f
XY
(x) =
_

f
X
(y)f
Y
(y x)dy. (3.29)
Pentru prima formul a, alegem transformarea
_
u = x + y
v = x
cu inversa
_
x = v
y = u v
si iacobianul 1. Armat ia rezult a dac a nlocuim n (3.27). Pentru cea de a doua
formul a alegem transformarea
_
u = x y
v = x
cu inversa
_
x = v
y = v u.
Exemplul 3.3.2 Un dispozitiv are dou a componente ce funct ioneaz a independent
si au ca durate de viat a variabilele X si Y cu densit at ile
f
X
(x) =
_
1
x
2
x 1
0 n rest
, f
Y
(y) =
_
_
_
1
y
2
y 1
0 n rest
O m asur a a calit at ii funct ion arii este dat a de
U(x, y) =
XY .
S a determin am densitatea de probabilitate a calit at ii.
Consider amvariabila aleatoare bidimensional a (X, Y ) care are ca densitate funct ia
f
XY
= f
X
(x)f
Y
(y), deoarece variabilele sunt independente, deci
f
XY
(x, y) =
_
_
_
1
x
2
y
2
, y 1, x 1
0, n rest
Domeniul pe care f
XY
nu se anuleaz a este D = {(x, y) R
2
|x 1, y 1}.
Consider am = {(u, v) R
2
|v 1, u
2
v}, domenii reprezentate n gura
(3.9) si transformarea U(x, y) = (u, v) unde
U(x, y) =
xy
care admite inversa
T(u, v) = (v,
u
2
v
)
cu iacobianul
D(x, y)
D(u, v)
=
2u
v
.
Folosind (3.27) avem
f
UV
(u, v) =
1
v
2
1
u
4
v
2
2u
v
=
2
u
3
v
.
Densitatea calit at ii este densitatea marginal a
f
U
(u) =
_

f
UV
(u, v)dv =
_
u
2
1
2
u
3
v
=
4 ln u
u
3
.
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
v
u
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Figura 3.9: Domeniile D si
3.3. TRANSFORM

Corelatia unei variabile bidimensionale
Dac a variabila aleatoare (X, Y ) are densitatea f
XY
atunci corelatia este
R
XY
= M[XY ] =
_

xyf
XY
(x, y)dxdy. (3.30)
Covariant a este dat a de formula
Cov[X, Y ] = M[(X M[X])(Y M[Y ])] = R
XY
M[X]M[Y ]. (3.31)
Exemplul 3.3.3 Densitatea de probabilitate a unei variabile aleatoare bidimen-
sionale normale este
f(x, y) =
1
1, 6
e
1
1.28
_
(x 2)
2
1, 2(x 2)(y + 3) + (y + 3)
2
_
.
Calculat i corelat ia variabilelor marginale.
Dac a t inem seama de expresia variabilei bidimensionale normale descris a n
exemplul (3.2.3) deducem c a Cov[X, Y ] = 0, 6.
Exemplul 3.3.4

Intr-un canal de comunicat ie intrarea este o variabil a X, care
poate lua valorile +1 volt , 1 volt cu aceeasi probabilitate. Iesirea Y = X +N
unde N este zgomotul ce poate considerat o variabil a aleatoare repartizat a
uniform pe intervalul (2, 2). S a determin am probabilitatea P({X = 1, Y <
0}).
Folosind formula probabilit at ilor condit ionate,avem
P({X = 1, Y < y}) = P({Y < y}|{X = 1})P({X = 1}) =
= F
Y
(y|1)P({X = 1}).
Funct ia de repartit ie a lui Y condit ionat a de {X = 1} este
F
Y
(y|1) = P({N + 1 < y}) = P({N < y 1}) = F
N
(y 1),
unde F
N
este funct ia de repartit ie a variabilei uniforme, care are expresia
F
N
(x) =
_
_
0 x 2
x + 2
4
2 x 2,
1 2 < x.
Deci F
Y
(y|1) = P({Y < y|X = 1}) =
y + 1
4
, 1 y 3, iar probabilitatea
c autat a este astfel P({X = 1}|{Y < 0)}) =
1
4
1
2
=
1
8
.
Exemplul 3.3.5 Variabila (X, Y ) are distribut ie constant a n p atratul de latur a
a. G asit i f(x, y), F(x, y), f
X
, f
Y
. Considerat i mai nt ai p atratul cu laturile pa-
ralele cu axele, apoi cu diagonalele date de axe (vezi gura (3.10)).
1
1
0,5
0
0,5
-0,5
-1
0 -0,5 -1
y
x
1
1
0,5
0
0,5
-0,5
-1
0 -0,5 -1
y
x
Figura 3.10:
Ne vom ocupa de primul caz. Acesta este un caz particular al variabilei uniforme
pe un domeniu.
f(x, y) =
_
_
1
a
2
(x, y) D
0 (x, y) / D.
Folosind denit ia funct ie de repartit ie bidimensional a deducem urm atoarea expre-
sie
3.3. TRANSFORM

F(x, y) =
_
_
0 x 0 sau y 0,
xy
a
2
0 x a, si 0 y a,
y
a
x > a si 0 < y a,
x
a
0 < x a si y > a,
1 x > 0 si y > a;
f
X
(x) =
_
_
1
a
x (0, a)
0 x / (0, a)
f
Y
(y) =
_
_
1
a
y (0, a)
0 y / (0, a).
Exemplul 3.3.6 Fie variabila aleatoare (X, Y ) cu densitatea
f
XY
(x, y) =
_
2e
x
e
y
, 0 y x < +,
0, n rest.
Determinat i densit at ile de probabilitate condit ionat a.
Pentru nceput a am densit at ile marginale
f
X
(x) =
_
x
0
2e
x
e
y
dy = 2e
x
(1 e
x
), 0 x < +
si
f
Y
(y) =
_
+
y
2e
x
e
y
dx = 2e
2y
, 0 y < +.
Folosind formulele precedente, avem
f
X
(x|y) =
2e
x
e
y
2e
2y
= e
(xy)
, y x
si
f
Y
(y|x) =
2e
x
e
y
2e
x
(1 e
x
)
=
e
y
1 e
x
, 0 y x.
Exemplul 3.3.7 Densitatea de probabilitate a variabilei (X, Y ) reprezint a grac
un cilindru circular drept de n alt ime h. Aat i f
X
, f
Y
, f
X
(x|y), f
Y
(y|x). Cal-
culat i Cov(X, Y ) (gura (3.11)).
-1 -1
-0,5 -0,5
0 0
0
0,5 0,5
0,5
1 1
1
1,5
2
Figura 3.11:
Dac a cilindrul are raza r > 0 si n at imea h > 0, atunci pentru a o densitate
de probabilitate, trebuie ca h =
1
r
2
. Deci
f
XY
(x, y) =
_
1
r
2
(x, y) D
0 n rest.
.
Densit at ile marginale sunt
f
X
(x) =
2
r
2
x
2
r
2
, dac a |x| r
f
Y
(y) =
2
_
r
2
y
2
r
2
, dac a |y| r.
Densit at ile condit ionate sunt
3.3. TRANSFORM

f
X
(x|y) =
1
2
_
r
2
y
2
, |y| r, |x|
_
r
2
y
2
.
f
Y
(y|x) =
1
2
r
2
x
2
, |x| r, |y|
r
2
x
2
.
Exemplul 3.3.8 Variabilele X, Y au distribut ii exponent iale cu parametrii ,
si sunt independente. Determinat i f
XY
, F
XY
.
3
y
2,5
2
1,5
1
0,5
0
0 0
0,2
0,5
0,4
0,6
1
0,8
1
1,5
2
2,5 x
3
3
2,5
y
2
1,5
1
0,5
0
0
0
0,5
0,2
1 1,5
0,4
x
2 2,5
0,6
3
0,8
1
Figura 3.12: Densitatea exponent ial a bidimensional a
Din condit ia de independent a, densitatea bidimensional a este dat a de funct ia
f(x, y) =
_
_
_
0 x 0 sau y 0
e
(x+y)
x > 0 si y > 0;
Folosind funct ia de repartit ie exponent ial a si condit ia de independent a obt inem
urm atoarea expresie pentru funct ia de repartit ie:
F(x, y) =
_
_
_
0 x 0 sau y 0
(1 e
x
)(1 e
y
) x > 0 si y > 0.
3
y
2,5
2
1,5
1
0,5
0
0 0
0,2
0,5
0,4
0,6
1
0,8
1,5
2
x 2,5
3
0
0 0
0,5
0,5
0,2
1
1,5
0,4
1
x
2
0,6
2,5
1,5
3
0,8
2 y
2,5
3
Figura 3.13: Funct ia de repartit ie exponent ial a bidimensional a
Exemplul 3.3.9 Determinat i repartit ia distant ei Ra unui punct aleator (X, Y )
la origine (repartit ia Rayleigh).
In densitatea variabilei normale lu am

x
=
y
= si m
x
= m
y
= 0 si facem
schimbarea de variabile
_
x = r cos
y = r sin
r > 0, [0, 2).
Densitatea de probabilitate a variabilei bidimensionale (R, ) este
f
R
(r, ) =
r
2
2
e
r
2
2
2
,
iar densitatea marginal a a variabilei R este
f(r) =
r
2
e
r
2
2
2
.
3.3. TRANSFORM

Exemplul 3.3.10 Erorile de m asurare pentru dou a m arimi sunt X, Y indepen-
dente si repartizate uniform pe [0, 1]. Determinat i densit at ile marginale ale sumei
si diferent ei erorilor.
Fie U = X + Y, V = X Y Inversa transform arii este
x =
1
(u, v) =
1
2
(u +v)
y =
2
(u, v) =
1
2
(u v)
iar iacobianul J(u, v) =
1
2
; Din ipoteza de independent a rezult a
f
XY
(x, y) = f
X
(x)f
Y
(y).
Deci f
UV
(u, v) = 1| 1/2|, dac a (u, v) si 0 n rest. Densitatea marginal a
este dat a de
f
U
(u) =
_

f
UV
(u, v)dv.
Exemplul 3.3.11 Determinat i suma de variabile aleatoare independente reparti-
zate uniform pe intervalul (a, b). (repartit ia Simpson)
Densitatea de probabilitate are valoarea
1
b a
pe intervalul [a, b] si 0 n rest.
f
X+Y
(x) =
_
+
f(y)f(x y)dy =
1
b a
_
xb
xa
f(x y)dy.
In ultima integral a facem schimbarea de variabil a x y = t, si obt inem
f
X+Y
(x) =
1
b a
_
xa
xb
f(t)dt.
Compar and x a si x b cu a si b obt inem
f
X+Y
(x) =
_
_
0 x < 2a
x 2a
(b a)
2
2a x < a +b
2b x
(b a)
2
a + b x < 2b
0 x 2b.
Exemplul 3.3.12 Aceeasi caracteristic a numeric a m asurat a la dou a loturi diferite
este distribuit a normal cu m = 30, = 2 . Care este procentul articolelor ce
provin de la ambele loturi, cu o valoare inferioar a lui 50 ?
Problema revine la a considera suma celor dou a variabile, care este tot o lege
normal a X+Y : N(60, 4) . Procentul c autat este de fapt urm atoarea probabilitate
P{X + Y < 50}, care este F(50) = 0, 5 + (
50 60
2
) = 0, 5 (5), iar din
propriet at ile funct iei Laplace rezult a c a este o m arime neglijabil a.
Exemplul 3.3.13 Variabilele X, Y sunt independente si au densit at ile de proba-
bilitate
f
X
(x) =
_
e
x
x > 0
0 x 0
f
Y
(y) =
_
1
2
x [0, 2]
0 x / [0, 1]
Ar atat i c a U, V date prin
_
U =
X cos Y
V =
X sin Y
sunt independente.
Folosind condit ia de independent a deducemc a densitatea de probabilitate trans-
format a este f
UV
(u, v) =
1
e
(u
2
+v
2
)
. Densit at ile marginale sunt f
U
(u) =
_
e
u
2
si f
V
(v) =
_
e
v
2
de unde rezult a independent a.
Exemplul 3.3.14 Ar atat i c a repartit iile produsului si c atului de variabile inde-
pendente, X, Y sunt date de formulele
f
XY
(u) =
_

f
X
(v)f
Y
(
u
v
)
1
|v|
dv (3.32)
f
X
Y
(u) =
_

f
X
(uv)f
Y
(v)|v|dv. (3.33)
3.3. TRANSFORM

Presupunem c a variabilele X si Y au densit at ile de preobabilitate f
X
respectiv
f
Y
. Pentru produs facem schimbarea si folosim (3.27)
_
u = xy
v = x
cu inversa
_
x = v
y =
u
v
si obt inem densitatea marginal a
f
XY
(u) =
_

f
X
(v)f
Y
(
u
v
)
1
|v|
dv.
Pentru c at facem transformarea
_
u =
x
y
v = y
cu inversa
_
x = uv
y = v
.
Obt inem
f
X
Y
(u) =
_

f
X
(uv)f
Y
(v)|v|dv.
Exemplul 3.3.15 Determinat i densitatea c atului de variabile aleatoare indepen-
dente cu repartit ie exponent ial a.
Inlocuim n formula de calcul a densit at ii unui c at si g asim

F
X
Y
(x) =

(x + )
2
, x > 0.
Exemplul 3.3.16 Fie X, Y distribuite Cauchy independente. Determinat i distri-
but ia sumei.
Folosim faptul c a variabilele sunt independente. Calcul am produsul funct iilor
caracteristice.
X+Y
(t) = e|t|e
|t|
= e
(+)|t|
. Constat am c a funct ia carac-
teristic a corespunde unei variabile Cauchy, av and ca parametru suma parametrilor.
Exemplul 3.3.17 Variabilele X si Y sunt independente si repartizate N(0,
2
).
Ar atat i c a variabila aleatoare Z = a
X
Y
, a R urmeaz a lege Cauchy, adic a are
densitatea
f
Z
(z) =
a
(z
2
+ a
2
)
.
Densit at ile variabilelor sunt
f
X
(x) =
1
2
e
x
2
2
2
f
Y
(y) =
1
2
e
y
2
2
2
.
Determin am mai nt adensitatea c atului
X
Y
, folosind (3.33).
f
X
Y
(u) =
1
2
2
_

u
2
v
2
+ v
2
2
2
dv =
1
2
.
Iar pentru variabila din enunt determin am funct ia de repartit ie.
F
a
X
Y
(u) = P
_
a
X
Y
u
_
= F
X
Y
_
u
a
_
.
Prin derivare
f
a
X
Y
(u) =
a
(u
2
+ a
2
)
.
3.3. TRANSFORM

Exemplul 3.3.18 Fie X si Y variabile aleatoare independente repartizate
N(0,
2
) si
2
(n, ) respectiv. Ar atat i c a variabila aleatoare
X
_
Y
n
este repartizat a Student cu n grade de libertate.
Variabila aleatoare bidimensionl a (X, Y ) are densitatea
f(x, y) =
1
2
n+1
2

n+1
(
n
2
)
y
n
2
1
e
x
2
+y
2
2
< x < , 0 y < .
Facem schimbarea
_
_
u(x, y) =
x
_
y
n
v(x, y) = y
.
Atunci densitatea de probabilitate a variabilei (U, V ) devine
g(u, v) =
1
n2
n+1
2

n+1
(
n
2
)
v
n1
2
e
(
u
2
n
+1)v
2
2
.
Densitatea marginal a a lui U este
_

0
g(u, v)dv =
1
n2
n + 1
2

n+1
(
n
2
)
_

0
v
n 1
2
e
(
u
2
n
+1)v
2
2
dv =
1
n2
n + 1
2

n+1
(
n
2
)
(
n + 1
2
)
_
_
_
1 +
u
2
n
2
2
_
_
_
n + 1
2
=
(
n + 1
2
)
n(
n
2
)
_
1 +
u
2
n
_
n + 1
2
,
aceasta datorit a schimb arii de variabil a
(
u
2
n
+ 1)v
2
2
= t.
Exemplul 3.3.19 Variabila aleatoare are densitatea constant a n p atratul D :
|x y| = 1. G asit i f
XY
, f
X
, f
Y
, f
X
(x|y), f
Y
(y|x). Sunt variabilele marginale
X, Y independente ? Dar corelate ? Determinat i covariant a variabilelor.
Folosim desenul din dreapta, gura (3.10). Densit at ile marginale sunt
f
X
(x) =
_
_
_
x + 1 1 < x 0
x + 1 0 < x 1
0 n rest
f
Y
(y) =
_
_
_
y + 1 1 < y 0
y + 1 0 < y 1
0 n rest
Deci variabilele nu sunt independente, deoarece f(x, y) = f
X
(x)f
Y
(y).
Densit at ile condit ionate sunt
f
X
(x|y) =
_
_
1
2(y + 1)
1 < y < 0, 1 < x < 1
1
2(y + 1)
0 < y < 1, 1 < x < 1
0 1 < y < 1, x / (1, 1)
f
Y
(y|x) =
_
_
1
2(x + 1)
1 < x < 0, 1 < y < 1
1
2(x + 1)
0 < x < 1, 1 < y < 1
0 1 < x < 1, y / (1, 1)
.
Calcul am corelat ia si avem
R
XY
= MXY =
1
2
_ _
D
xy =
1
2
_
0
1
dx
_
x+1
x1
xydy+
_
1
0
dx
_
x+1
x1
xydy = 0.
Deorece M[X] = M[Y ] =
1
3
rezult a
Cov[X, Y ] = M[XY ]
1
9
=
1
9
.
3.3. TRANSFORM

Exemplul 3.3.20 O variabil a aleatoare (X, Y ) este uniform distribuit a ntr-un
p atrat de latur a 1, cu laturile paralele cu axele de coordonate . G asit i media si
dispersia variabilei XY .
Pentru c a X si Y sunt independente M[XY ] = M(X)M(Y ) =
1
4
. D
2
[XY ] =
1
144
.
Exemplul 3.3.21 Variabila aleatoare (X, Y ) este uniform distribuit a n interi-
orul unui cerc de raz a r = 1. G asit i media si dispersia variabilei Z = XY .
M[XY ] =
1
_ _
D
xydxdy = 0. D
2
[XY ] =
1
_ _
D
x
2
y
2
dxdy =
1
8
.
Exemplul 3.3.22 Ar atat i c a dac a X si Y sunt variabile aleatoare continue,care
admit medie, atunci are loc
M[X +Y ] = M[X] + M[Y ].
Presupunemc a cele dou a variabile au densit at ile f
X
si f
Y
. Atunci media sumei
este
M[X + Y ] =
_

zf
X+Y
(z)dz =
_

z
_

f
XY
(x, z x)dx.
Facem schimbarea de variabil a z x = y si obt inem
M[X + Y ] =
_

dy
_

(x + y)f
XY
(x, y)dx =
=
_

x
_

f
XY
(x, y)dy +
_

y
_

f
XY
(x, y)dx =
=
_

xf
X
(x)dx +
_

yf
Y
(y)dy = M[X] + M[Y ].
Exemplul 3.3.23 Ar atat i c a dac a variabilele marginale ale variabilei bidimen-
sionale (X, Y ) sunt independente, atunci R
XY
= M[X]M[Y ].
Are loc
R
XY
=
_

xyf
XY
(x, y)dxdy =
=
_

xf
X
(x)
_

yf
Y
(y)dy = M[X]M[Y ].
Exemplul 3.3.24 Fie variabilele aleatoare X si Y care au [X, Y ] = 0, 5 si
M[X] = 1, D
2
[X] = 2
M[Y ] = 3, D
2
[Y ] = 4.
Determinat i corelat ia variabilelor.
Avem R
XY
= Cov[X, Y ] +M[X]M[Y ] si din formula coecientului de corelat ie
R
XY
= D[X]D[Y ] + M[X]M[Y ] = 0, 5
22 + (1)(3) = 4, 414.
Exemplul 3.3.25 Variabilele X si Y au dispersiile 7,05 si 5,36, iar coecientul
de corelat ie [X, Y ] = 0.48. Se fac transform arile
U = 2X + Y
V = X + 2Y.
S a se determine Cov[U, V ] si coecientul de corelat ie [U, V ].
Calcul am covariant a variabilelor U si V .
Cov[U, V ] = M[(U M[U])(V M[V ]).
3.3. TRANSFORM

Au loc
M[U] = 2M[X] + M[Y ]
M[Y ] = M[X] + 2M[Y ].
Atunci
Cov[U, V ] = M[(2X + Y 2M[X] M[Y ])(X + 2Y M[X] 2M[Y ])] =
= 2M[(X M[X])
2
] + 5M[(X M[X])(Y M[Y ]) + 2M[(Y M[Y ])
2
.
Ultima relat ie poate scris a
Cov[U, V ] = 2D
2
[X] + 5Cov[X, Y ] + 2D
2
[Y ].
Facem nlocuirile
Cov[U, V ] = 2(7, 05) 5(0, 48)
_
(97, 05)(5, 36) + 2(5, 36) = 10, 07.
Folosind metode similare se poate calcula
D
2
[U] = 21, 76, D
2
[V ] = 16, 69.
Coecientul de corelat ie este atunci
[U, V ] =
10, 07
21, 76
16, 69
.
Capitolul 4
Procese stochastice
4.1 Lanturi Markov
Fie {E, K, P} un c amp borelian de probabilitate. Familia de variabile aleatoare
X(t) : E R, unde t T R, se numeste proces stochastic. Dac a T =
{t
1
, t
2
, , t
n
, }, n N procesul se numeste lant. Mult imea valorilor unui
proces, notat a S se numeste multimea st arilor.
Presupunemc a S este o mult ime nit a si T = {t
1
, t
2
, , t
n
, }, n N. Not am
X(n) = X
t
n
. (4.1)
Probabilit at ile
p
i
= P{X
0
= i}, i S (4.2)
se numesc probabilit ati initiale ale lant ului si satisfac
iS
p
i
= 1. (4.3)
Lant ul {X
n
}, n N se numeste lant Markov dac a are loc
P({X
n+1
= i
n+1
}|{X
n
= i
n
, . . . , X
0
= i
0
}) = P({X
n+1
= i
n+1
}|{X
n
= i
n
}).
(4.4)
cunoscut a sub numele de proprietatea Markov (lant ul p astreaz a asupra trecutului
amintirea cea mai recent a). Condit ia (4.4) este echivalent a cu
135
136 CAPITOLUL 4. PROCESE STOCHASTICE
P({X
t
n+1
= i
n+1
}|{X
t
n
= i
n
, . . . , X
t
0
= i
0
}) = P({X
t
n+1
= i
n+1
}|{X
t
n
= i
n
}).
(4.5)
t
0
< t
1
< . . . t
n
< t
n+1
T,
(schimbarea st arilor nu se face la momente echidistante de timp.)
Dac a {X
n
}, n N este un lant Markov, are loc urm atoarea formul a de calcul:
P{X
n
= i
n
, . . . , X
0
= i
0
} = p
i
0
n
t=1
P({X
t
= i
t
}|{X
t1
= i
t1
}). (4.6)
Probabilit at ile date de formula
p(t, i
t1
, i
t
) = P({X
t
= i
t
}|{X
t1
= i
t1
}), t = 1, . . . n,
se numesc probabilit ati de trecere.
Un lant Markov se numeste omogen dac a p(t, i
t1
, i
t
) nu depinde explicit de t,
deci are loc
p(t, i
t1
, i
t
) = p(i
t1
, i
t
)
Vom nota aceste probabilit at i cu p
i
t1
,i
t
. Pentru un lant Markov omogen, relat ia
(4.6) devine
P{X
t
= i
t
, . . . X
0
= i
0
} = p
i
0
n
t=1
p
i
t1
,i
t
. (4.7)
In cazul unui lant Markov omogen, vom introduce notat ia
p
ij
= P({X
t+1
= j}|{X
t
= i}), i, j S. (4.8)
Matricea P = (p
i,j
) se numeste matrice de trecere.
Matricea de trecere a unui lant Markov omogen satisface relat iile :
_
_
_
p
ij
0, i, j S
jS
p
ij
= 1, i S
. (4.9)
O matrice ce satisface aceste dou a propriet at i se numeste stochastic a . Produsul
a dou a matrice stochastice este o matrice stochastic a.
4.1. LANT URI MARKOV 137
Exemplul 4.1.1 Dou a urne au urm atoarea component a :
U
a
are 4 bile albe si 6 bile negre
U
n
are 5 bile albe si 5 bile negre
Alegem la nt amplare o urn a si din ea o bil a, pe care o punem napoi n urn a;
dac a bila este alb a extragem urm atoarea bil a din U
a
, iar dac a e neagr a din U
n
si
continu am procedeul.
Figura 4.1:
Este un exemplu de lant Markov omogen, cu probabilit at ile init iale p
1
= p
2
=
1
2
,
deoarece alegerea urnelor este egal probabil a; denim st arile
S
1
se extrage o bil a din urna U
a
S
2
se extrage o bil a din urna U
n
si ilustr am prin urm atoarea diagram a:
Matricea de trecere este
P =
_
0, 4 0, 6
0, 5 0, 5
_
.
Exemplul 4.1.2 Intr-o urn a sunt a bile albe si b bile negre. Se efectueaz a un sir
innit de extrageri astfel nc at dup a ecare extragere se pun napoi dou a bile de
aceeasi culoare cu cea extras a. Fie X
k
num arul de bile la momentul k.
Denim probabilit at ile de trecere
P({X
k+1
= j}|{X
k
= i}) =
_
_
1
i
a + b +k
, dac a j = i,
i
a + b + k
, dac a j = i + 1,
0, dac a j = i, i + 1.
Num arul de bile din urn a la momentul k + 1 depinde numai de num arul de bile
din urn a aate la momentul k, neind necesar ntreg istoricul. Probabilit at ile de
trecere depind efectiv de momentul n care s-a desf asurat extract ia, deci e un lant
Markov neomogen.
Probabilit at ile
P({X
n+m
= j}|{X
m
= i}), n N (4.10)
pe care le numim probabilit ati de trecere dup a n pasi. Denim prin recurent a
p
(n)
ij
, dup a formulele
_
_
_
p
(1)
ij
= p
ij
p
(n+1)
ij
=
kS
p
(n)
ik
p
(1)
kj
n N
.
(4.11)
Sub form a matriceal a, relat iile (4.11) devin:
P
(n)
= P . . . P = P
n
. (4.12)
Pentru orice n N are loc
p
(n)
ij
= P({X
n+m
= j}|{X
m
= i}), m N. (4.13)
Intr-un lant Markov omogen probabilitatea ca la momentul n N sistemul s a se

ae n starea i, i S, probabilitate pe care o vom nota p
i
(n), este dat a de formula
p
i
(n) =
jS
p
j
(n 1)p
ji
. (4.14)
Exemplul 4.1.3 Un calculator poate privit ca un sistem S care se poate aa
ntr-una din urm atoarele st ari:
S
1
calculatorul funct ioneaz a normal;
S
2
calculatorul prezint a unele deregl ari, dar poate executa programe;
S
3
calculatorul prezint a unele deregl ari si rezolv a un num ar limitat de proble-
me;
S
4
calculatorul nu funct ioneaz a.
La momentul init ial calculatorul funct ioneaz a, deci se a a n starea S
1
cu pro-
babilitatea 1 si se poate presupune c a el trece n celelalte st ari cu probabilit at ile
indicate de urm atoarea schem a
Figura 4.2:
Deci matricea de trecere este
P =
_
_
_
_
0, 3 0, 4 0, 1 0, 2
0 0, 2 0, 5 0, 3
0 0 0, 4 0, 6
0 0 0 1
_
_
_
_
.
S a determin am probabilit at ile st arilor la momentul n = 2. Deoarece la momentul
init ial calculatorul funct ioneaz a, probabilit at ile init iale sunt
p
1
= 1, p
2
= p
3
= p
4
= 0.
Folosind (4.14) g asim
p
1
(1) = 0, 3; p
2
(1) = 0, 4; p
3
(1) = 0, 1; p
4
(1) = 0, 2
si
p
1
(2) = 0, 09; p
2
(2) = 0, 2; p
3
(2) = 0, 27; p
4
(2) = 0, 44.
Pentru orice m, n N are loc
p
(m+n)
ij
=
kS
p
(n)
ik
p
(m)
kj
. (4.15)
Relat ia (4.15) se numeste relat ia Chapman-Kolmogorov. Matriceal ea se scrie
P
(m+n)
= P
(m)
P
(n)
.
Exemplul 4.1.4 Dac a avem un lant Markov omogen cu matricea de trecere P, s a
determin am
P({X
10
= l, X
8
= k, X
5
= j}|{X
1
= i}).
Folosind formula probabilit at ii unei intersect ii si proprietatea Markov, avem
P{X
10
= l, X
8
= k, X
5
= j, X
1
= i}
P({X
1
= i})
=
= p
(4)
ij
p
(3)
jk
p
(2)
kl
.
Deoarece num ar atorul devine
P{X
10
= l, X
8
= k, X
5
= j, X
1
= i} = P{X
1
= i}
P({X
5
= j}|{X
1
= i})P({X
8
= k}|{X
5
= j})P({X
10
= l}|{X
8
= k}).
Exemplul 4.1.5 Mers la nt amplare pe segmentul [0, l] .
Figura 4.3: Bariere absorbante
a. Cu bariere absorbante. O particul a se deplaseaz a pe o ax a orientat a
ocup and doar punctele de abscis a 0, 1, . . . l. La ecare moment particula r am ane
imobil a dac a se a a ntr-unul din punctele 0 sau l si face un pas la dreapta cu
probabilitatea p sau la st anga cu probabilitatea q (vezi gura (4.3)). Matricea de
trecere este
P =
_
_
_
_
_
_
1 0 0 . . . 0 0 0
q 0 p . . . 0 0 0
. . . . . . . . . . . . . . . . . . . . .
0 0 0 . . . q 0 p
0 0 0 . . . 0 0 1
_
_
_
_
_
_
.
b. Cu bariere reectante. Dac a particula ajunge n 0 sau l, este reectat a
n 1, respectiv l 1 (vezi gura (4.4)). Matricea de trecere este
P =
_
_
_
_
_
_
0 1 0 . . . 0 0 0
q 0 p . . . 0 0 0
. . . . . . . . . . . . . . . . . . . . .
0 0 0 . . . q 0 p
0 0 0 . . . 0 1 0
_
_
_
_
_
_
.
Figura 4.4: Bariere reectante
Exemplul 4.1.6 Un model din teoria astept arii .
O stat ie de deservire poate servi client ii la momentele 0, 1, 2, . . .. Num arul de
client i care sosesc n intervalul (n, n + 1) este o variabil a aleatoare notat a X
n
.
Presupunem c a X
n
sunt variabile aleatoare independente si identic repartizate
X
n
:
_
k
p
k
_
k=0,
,
k=0
p
k
= 1
si c a exist a un loc de asteptare pentru cel mult m client i, num ar n care se include
si clientul care este servit. Client ii care ajung n stat ie si g asesc m client i, pleac a
f ar a a servit i.
Fie Y
n
num arul de client i prezent i la momentul n, n care se include si clientul
care este servit. S a determin am matricea de trecere pentru procesul Y
n
.
Y
n
este un lant Markov cu st arile 0, 1, . . . m. Y
n+1
este egal cu num arul client ilor
la momentul n, mai put in cel servit la momentul n (dac a exist a) plus num arul
client ilor care sosesc n intervalul (n, n + 1), dac a rezultatul nu dep aseste m si
este egal cu m n caz contrar. Deci
Y
n+1
=
_
_
_
Y
n
1 + X
n
, dac a 1 Y
n
m, 0 X
n
m + 1 Y
n
,
X
n
, dac a Y
n
= 0, 0 X
n
m1,
m, n rest.
Deoarece Y
n+1
depinde doar de Y
n
, iar variabilele aleatoare X
n
si Y
n
sunt inde-
pendente, rezult a c a Y
n
este un lant Markov. S a determin am matricea de trecere.
Not am cu p
m
= p
m
+ p
m1
+ . . .
p
0j
= P({Y
n+1
= j}|{Y
n
= 0)}
=
_
P({X
n
= j}) = p
j
, dac a 0 j m1,
P({X
n
m}) = p
m
, dac a j = m;
p
ij
= P({Y
n+1
= j}|{Y
n
= i}) =
=
_
_
_
P({X
n
= j + 1 i}) = p
ji+1
, dac a i 1 j m1,
P({X
n
m + 1 i}) = p
m+1i
, dac a j = m,
0, n rest.
Rezult a matricea
_
_
_
_
_
_
_
_
_
p
0
p
1
p
2
. . . p
m1
p
m
p
0
p
1
p
2
. . . p
m1
p
m
0 p
0
p
1
. . . p
m2
p
m1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . p
1
p
2
0 0 0 . . . p
0
p
1
_
_
_
_
_
_
_
_
_
.
Exemplul 4.1.7 Un model din teoria stocurilor.
Omarf a este stocat a pentru a putea satisface cererile nt ampl atoare. Completarea
eventual a a stocului se face la momentele 0, 1, 2, . . ., iar cererea n intervalul
(n, n + 1) este o variabil a aleatoare X
n
, cu repartit ia
X
n
:
_
k
p
k
_
k=0, ,
,
k=0
p
k
= 1.
Presupunem c a X
n
sunt independente. Dac a la un moment oarecare n 0 can-
titatea de marf a stocat a nu este mai mare dec at m unit at i, atunci se procur a in-
stantaneu o cantitate de marf a care ridic a stocul la M unit at i, M N. Dac a ns a
cantitatea de marf a dep aseste m unit at i, atunci nu se ntreprinde nimic. Fie Y
n
stocul imediat nainte de remprosp atarea eventual a de la momentul n. Observ am
c a
Y
n+1
=
_
max{Y
n
X
n
, 0}, dac a m < Y
n
M,
max{M X
n
, 0}, dac a Y
n
m.
Se arat a c a Y
n
este un lant Markov cu matricea de trecere
_
_
_
_
_
_
_
_
_
_
_
_
_
p
M
p
M1
. . . p
Mm
p
Mm1
p
Mm2
. . . p
0
p
M
p
M1
. . . p
Mm
p
Mm1
p
Mm2
. . . p
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
M
p
M1
. . . p
Mm
p
Mm1
p
Mm2
. . . p
0
p
m+1
p
m
. . . p
1
p
0
0 . . . 0
p
m+2
p
m+1
. . . p
2
p
1
p
0
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p
M
p
M1
. . . p
Mm
p
Mm1
p
Mm2
. . . p
0
_
_
_
_
_
_
_
_
_
_
_
_
_
.
Matricea are primele m linii identice. S-a folosit notat ia p
l
= p
l
+ p
l+1
+ . . . ,
dac a m < l M.
Dac a pentru orice i, j S sirul p
(n)
ij
, n N este convergent independent de i,
lant ul X
n
se numeste ergodic.
Teorem a de ergodicitate Fie (X
n
), n N, un lant Markov cu matricea de
trecere P = (p
ij
), i, j S. Urm atoarele armat ii sunt echivalente:
1. exist a s N
si o stare j
0
S astfel nc at p
(s)
ij
0
> 0 i S;
2. exist a lim
n
p
(n)
ij
= p
j
, j S, i S.
Figura 4.5:
Exemplul 4.1.8 Fie un lant Markov cu dou a st ari si diagrama asociat a n gura
(4.5).
S a studiem comportarea la limit a a matricei de trecere.
Obsev am c a matricea de trecere este de forma
_
1
1
_
.
Putem scrie
P =
1
+
_

_
+
1
+
_

_
.
Se constat a usor c a
P
n
=
1
+
_

_
+
(1 )
n
+
_

_
.
Matricea de trecere dup a n pasi tinde pentru n +la
1
+
_

_
.
Dac a cele dou a st ari sunt luate init ial cu probabilit at ile p
0
, 1 p
0
, se constat a c a
pentru n +probabilit at ile de stare sunt

+
,

+
. Deci dup a un num ar
foarte mare de pasi probabilit at ile nu depind de starea init ial a.
Dac a analiz am mersul la nt amplare cu bariere absorbante, pentru l = 2, g asim
P =
_
_
1 0 0
q 0 p
0 0 1
_
_
iar P
n
= P, n N. Observ am c a nu este n deplinit a condit ia de ergodicitate; se
poate totusi aprecia c a la un num ar foarte mare de pasi particula r am ane imobil a,
ind absorbit a de bariere.
Exemplul 4.1.9 Un calculator este inspectat la momentele t
1
, t
2
, t
3
, t
4
si se poate
aa n una din urm atoarele st ari:
s
1
funct ioneaz a normal;
s
2
are un num ar neglijabil de erori, care nu impiedic a calculatorul s a funct i-
oneze;
s
3
are erori considerabile, dar rezolv a limitat probleme;
s
4
nu funct ioneaz a. La momentul init ial calculatorul este n starea s
1
iar
Figura 4.6:
matricea de tranzit ie este
P =
_
_
_
_
0, 5 0, 3 0, 2 0
0 0, 4 0, 4 0, 2
0 0 0, 3 0, 7
0 0 0 1
_
_
_
_
.
Asociat i diagrama si aat i probabilit at ile de stare dup a ecare din cele trei ins-
pect ii.
Probabilit at ile de stare init ial a sunt (1, 0, 0, 0), deoarece init ial calculatorul func-
t ioneaz a. Apoi
p
1
(1) = 0, 5, p
2
(1) = 0, 3, p
3
(1) = 0, 2, p
4
(1) = 0
p
1
(2) = 0, 25, p
2
(2) = 0, 27, p
3
(2) = 0, 28, p
4
(2) = 0, 2
p
1
(3) = 0, 125, p
2
(3) = 0, 183, p
3
(3) = 0, 242, p
4
(3) = 0, 450.
Diagrama este urm atoare
Exemplul 4.1.10

In ziua 0 exist a 2 becuri noi de rezerv a. Probabilitatea de a
schimba un bec este p, iar probabilitatea de a nu schimba este q = 1 p. Fie Y
n
num arul de becuri necesar la sf arsitul zilei n. Determinat i matricea de tranzit ie
dup a un pas si dup a n pasi, probabilit at ile de stare la momentul n si comportarea
lor la limit a.
St arile procesului sunt 2,1,0, iar diagrama corespunz atoare este dat a n gura
(4.7).
Figura 4.7:
Matricea de tranzit ie cu un pas poate usor determinat a:
P =
_
_
1 0 0
p 1 p 0
0 p 1 p
_
_
iar probabilit at ile de stare la momentul init ial sunt 0, 0, 1. Dup a n pasi
p
22
(n) = P({ nici un bec nou nu e necesar n n zile}) = q
n
;
p
21
(n) = P({ un bec nou este necesar n n zile}) = C
1
n
pq
n1
;
p
20
(n) = 1 p
22
(n) p
21
(n);
Matricea de tranzit ie dup a n pasi este
P
n
=
_
_
1 0 0
1 q
n
q
n
0
1 q
n
npq
n1
npq
n1
q
n
_
_
.
4.2. PROCESE POISSON 147
Trecnd la limit a pe ecare element al matricei g asim matricea
_
_
1 0 0
1 0 0
1 0 0
_
_
.
Probabilit at ile de stare la momentul n sunt date de produsul
(0 0 1)
_
_
1 0 0
1 q
n
q
n
0
1 q
n
npq
n1
npq
n1
q
n
_
_
iar la limit a se obt ine (1 0 0). Interpretarea evident a este c a dup a un num ar foarte
mare de pasi procesul devine stat ionar si r am an 0 becuri de rezerv a.
4.2 Procese Poisson
Pentru orice t R, not am cu X(t) num arul de produceri ale evenimentului n
intervalul (0, t) (variabila aleatoare X(t) ia valori n N). Facem urm atoarele pre-
supuneri:
1. X(0) = 0 (observat iile ncep la momentul init ial t = 0)
2. pentru orice momente de timp 0 < t
1
< t
2
< t
3
< t
4
, variabilele aleatoare
X(t
2
) X(t
1
) si X(t
4
) X(t
3
) sunt independente (proces cu cresteri indepen-
dente);
3. repartit ia variabilei aleatoare X(t +s) X(t), t > 0, s > 0, depinde doar
de s, lungimea intervalului si nu de t;
4. probabilitatea ca un singur eveniment s a se produc a n intervalul (t, t +t),
pentru t sucient de mic este aproximativ proport ional a cu lungimea intervalu-
lui, deci de forma t + o(t). Probabilitatea ca mai mult de un eveniment s a
se produc a n intervalul (t, t + t) este o(t).(Prin o(t)s-a notat o cantitate ce
depinde doar de t ce satisface lim
t0
o(t)
t
= 0.) Not am
p
k
(t) = P{X(t) = k}. (4.16)
Condit iile 1,2,3 si 4 conduc la ecuat iile diferent iale ale procesului:
p
k
(t) = p
k
(t) + p
k1
(t), k = 0, 1, . (4.17)
cu solut ia
p
k
(t) =
(t)
k
k!
e
t
, k = 0, 1, 2. . . . .
Matricea de trecere cu un pas.
Probabilit at ile de trecere sunt:
p
ij
(t) = P{j i evenimente au loc n t secunde} =
(t)
ji
(j i)!
e
t
, j i.
Matricea P este
P(t) =
_
_
_
_
e
t
te
t
(t)
2
e
t
2!
. . .
0 e
t
te
t
. . .
. . . . . . . . . . . .
_
_
_
_
.
Intervalul aleator dintre dou a evenimente succesive ntr-un proces
Poisson.
Dac a n cadrul unui proces Poisson un eveniment se produce la momentul t, iar
urm atorul la momentul t + , este o variabil a aleatoare repartizat a exponent ial
cu densitatea
f
=
_
e
> 0
0 0
Exemplul 4.2.1 Impulsurile care se recept ioneaz a la o stat ie se primesc cu rata
de 15 pe minut. S a determin am probabilitatea ca ntr-un minut s a se recept ioneze
5 impulsuri astfel: 3 impulsuri s a ajung a n primele 10 secunde si 2 impulsuri n
ultimile 15 secunde.
Obt inem =
15
60
=
1
4
si
P{X(10) = 3, X(60) X(45) = 2} =
= P{X(10) = 3}P{X(60) X(45) = 2} =
= P{X(10) = 3}P{X(60 45) = 2} =
10
4
3
e
10
4
3!
15
4
2
e
15
4
2!
.
Momentul de producere al unui eveniment ntr-un proces Poisson.
Intr-un proces Poisson s-a produs exact un eveniment n intervalul (0, t) , iar mo-
mentul de producere este repartizat dup a o lege uniform a cu densitatea
g(s) =
1
t
, 0 s t.
Exemplul 4.2.2 Doi client i ajung la o stat ie ntr-o perioad a de dou a minute. S a
determin am probabilitatea ca ambii s a ajung a n primul minut.
Timpii ind repartizat i uniform si independent, rezult a c a probabilitatea este
1
4
.
Timpul la care s-a produs evenimentul n ntr-un proces Poisson.
Aparit ia unui client la o stat ie de deservire este supus legii Poisson cu para-
metrul . Dac a stat ia se nchide dup a aparit ia clientului n, densitatea de pro-
babilitate pentru timpul T n care stat ia r am ane deschis a este repartizat a Erlang,
adic a are repartit ia Erlang
f(t) =
_
_
_
(t)
n1
(n 1)!
e
t
, t > 0
0, t 0
Exemplul 4.2.3 Semnalul telegrac aleator. Fie T(t) un proces care ia st arile
1 cu aceeasi probabilitate la momentul init ial. T(t) si schimb a polaritatea
odat a cu sosirea unui semnal dintr-un proces Poisson cu parametrul . Reprezen-
t am o traiectorie n Figura (4.8).
S a calcul am probabilit at ile evenimentelor {T(t) = 1}.
Ne ocup am pentru nceput de evenimentul {T(t) = 1}. Folosind formula proba-
bilit at ii totale avem
P{T(t) = 1} = P({T(t) = 1}|{T(0) = 1})P({T(0) = 1})+
+P({T(t) = 1}|{T(0) = 1})P({T(0) = 1}).
Calcul am probabilit at ile condit ionate. Not am cu A = { n intervalul (0, t) se
produce un num ar par de schimb ari } si cu B = { n intervalul (0, t) se produce
un num ar impar de schimb ari }
Figura 4.8:
P({T(t) = 1}|{T(0) = 1}) = P(A) =
+
j=0
(t)
2j
(2j)!
e
t
=
e
t
2
(e
t
+ e
t
) =
=
1
2
(1 + e
2t
).
P({T(t) = 1}|{T(0) = 1}) = P(B) =
1
2
(1 e
2t
).
Deoarece P({T(0) = 1}) = P({T(0) = 1}) =
1
2
, rezult a dup a nlocuiri c a
evenimentele {T(t) = 1} au probabilitatea
1
2
.
Procese de nastere-moarte.
Un r de asteptare este format din n client i si o persoan a care serveste.
Spunem c a sistemul se a a n starea S
n
dac a sunt n client i la coad a, inclusiv
cel servit (dac a exist a). Din starea S
n
sunt posibile doar dou a tranzit ii:
- la starea S
n1
dac a un client a fost servit si p ar aseste coada;
- la starea S
n+1
dac a un client este nc a servit n timp ce un nou client se aseaz a
la coad a.
Consider am procesul care descrie comportarea cozii n timp. Facem urm atoarele
ipoteze:
1. Dac a sistemul este n starea S
n
, poate realiza tranzit ii la S
n1
sau la S
n+1
,
n 1 (de la S
0
este posibil a doar S
1
).
2. Probabilitatea unei tranzit ii S
n
S
n+1
ntr-un interval scurt t este
n
t
parametrul
n
se numeste parametru de nasteresi facem ipoteza c a depinde de
starea S
n
.
3. Probabilitatea unei tranzit ii S
n
S
n1
ntr-un interval de lungime t este
n
t parametru
n
se numeste parametru de moarte.
Not am P
n
(t) = P({ X(t) se a a n starea S
n
}). P
n
(t) satisface ecuat iile
diferent iale:
P
n
(t) = (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t), n 1
P
0
(t) =
0
P
0
(t) +
1
P
1
(t)
(4.18)
Aceste ecuat ii diferent iale n cazul n care P
n
(t) nu depinde de t devin
_
(
n
+
n
)P
n
=
n1
P
n1
+
n+1
P
n+1
, n 1,
0
P
0
=
1
P
1
,
si au solut ia
P
1
=

0
1
P
0
P
2
=

0

1
1

2
P
0
.
.
.
P
n
=

0

1
. . .
n1
1

2
. . .
n
P
0
(4.19)
Deoarece sistemul trebuie s a se ae ntr-o stare, suma probabilit at ilor precedente
trebuie s a e 1, deci
P
0
_
1 +

0
1
+

0
2
+ . . .
_
= 1.
Exemplul 4.2.4 Intr-o stat ie sosesc client i dup a legea Poisson cu parame-
trul , iar timpul de servire este o lege exponent ial a cu parametrul pozitiv , 0 <
< . Dac a este aglomerat ie se formeaz a o coad a, iar starea sistemului la
momentul X(t) este un proces de nastere -moarte cu parametrii
n
= si
n
= .
Particulariz and ecuat iile precedente si not and =

g asim
P
1
=

P
0
P
2
=
_
_
2
P
0
=
2
P
0
.
.
.
P
n
=
_
_
n
P
0
=
n
P
0
.
Punem condit ia
P
0
(1 + +
2
+ . . .) = P
0
1
1
= 1, < 1.
De aici rezult a P
0
= 1 . Deducem P
n
= (1 )
n
, pentru n = 0, 1, . . .,
care este repartit ia geometric a. S a particulariz am aceast a situat ie. Pentru a evita
aglomerat ia dintr-o stat ie de deservire, client ii asezat i la coad a ar trebui s a nu
dep aseasc a num arul 5, cu probabilitatea 0,99. Sosirile au loc dup a o lege Poisson
cu parametrul = 1, 5 client i pe minut. Dac a deservirea se face dup a o lege
exponent ial a, c at de repede trebuiesc acestia servit i ? S a determin am deci .
Probabilitatea ca cel put in 5 client i s a e la coad a este
p =
n=5
(1 )
n
=
5
; =

.
Pentru ca aceast a probabilitate s a e 1-0,99 =0,01, punem condit ia
5
0, 1
de unde g asim > 9, 12. Deci ar trebui servit i cel put in 10 client i n medie pe
minut pentru a evita aglomerat ia.
4.3 Procese stochastice stationare
Fie {X(t)}, t 0, un proces stochastic.
Functia de repartitie ndimensional a este dat a prin formula
F(x
1
, . . . , x
n
, t
1
, . . . , t
n
) = P{X(t
1
) < x
1
, . . . , X(t
n
) < x
n
} (4.20)
pentru orice t
1
, . . . , t
n
, n N
Presupunem c a funct ia de repartit ie n-dimensional a satisface urm atoarele dou a
condit ii:
-condit ia de simetrie
F(x
i
1
, . . . , x
i
n
, t
i
1
, . . . , t
i
n
) = F(x
1
, . . . , x
n
, t
1
, . . . , t
n
), (4.21)
pentru orice permutare i
1
, . . . , i
n
a mult imii 1, . . . , n,
4.3. PROCESE STOCHASTICE STAT IONARE 153
-condit ia de compatibilitate: dac a m < n
F(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
) =
= F(x
1
, . . . , x
m
, , . . . , , t
1
, . . . , t
m
, t
m+1
, . . . , t
n
), m + 1 j n. (4.22)
Densitatea de probabilitate care se va nota f(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
). Dac a
procesul este cu valori discrete, analogul l constituie
p(x
1
, . . . , x
m
, t
1
, t
2
, . . . , t
m
) = P{X
1
(t
1
) = x
1
, X
2
(t
2
) = x
2
, . . . , X
n
(t
n
) = x
n
}
Exemplul 4.3.1 Fie X
n
un lant de variabile aleatoare identic, independent repar-
tizate, cu p =
1
2
, atunci
P({X
1
(t
1
) = x
1
, X
2
(t
2
) = x
2
, . . . , X
n
(t
n
) = x
n
}) = 2
n
.
Valori caracteristice ale unui proces.
Fie X(t) un proces aleator.
Media m
X
(t) este denit a prin
m
X
(t) = M[X(t)] =
_
+
xf(x, t)dx, (4.23)

unde f(x, t) este densitatea de probabilitate a variabilei X(t).
Autocorelatia R
X
(t
1
, t
2
) este denit a prin
R
X
(t
1
, t
2
) = M[X(t
1
)X(t
2
)] =
_
+
_
+
x
1
x
2
f
X(t
1
)X(t
2
)
(x
1
, x
2
)dx
1
dx
2
,
(4.24)
unde f
X(t
1
)X(t
2
)
(x
1
, x
2
) este densitatea de probabilitate de dimensiune doi a pro-
cesului.
Folosind media condit ionat a are loc
M[X(t
1
)X(t
2
)] = M[X(t
1
)M[X(t
2
) |X(t
1
)]] = M[X(t
2
)M[X(t
1
) |X(t
2
)]]
(4.25)
Autocovarianta Cov
X
(t
1
, t
2
) este denit a drept covariant a variabilelor X(t
1
) si
X(t
2
),
Cov
X
(t
1
, t
2
) = M[(X(t
1
) m
X
(t
1
))(X(t
2
) m
X
(t
2
))].
Leg atura dintre cele dou a funct ii este imediat a si const a n
Cov
X
(t
1
, t
2
) = R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
). (4.26)
Dispersia (varianta) lui X(t) este dat a de formula
D
2
[X(t)] = M[(X(t) m
X
(t))
2
] = Cov
X
(t, t). (4.27)
Coecientul de corelatie este denit de
X
(t
1
, t
2
) =
Cov
X
(t
1
, t
2
)
_
Cov
X
(t
1
, t
1
)
_
Cov
X
(t
2
, t
2
)
.
Exemplul 4.3.2 Fie X(t) = Acos 2t, unde A este o variabil a aleatoare. S a
determin am valorile caracteristice.
m
X
(t) = M[Acos 2t] = M[A] cos 2t;
R
X
(t
1
, t
2
) = M[Acos 2t
1
Acos 2t
2
] = M[A
2
] cos 2t
1
cos 2t
2
;
Cov
X
(t
1
, t
2
) =
= R
X
(t
1
, t
2
) m
X
(t
1
)m
X
(t
2
) = (M[A
2
] M
2
[A]) cos 2t
1
cos 2t
2
=
= D
2
[A] cos 2t
1
cos 2t
2
.
Procese multiple.
Dou a procese X(t), Y (t) se numesc independente dac a k, j si orice alegere
t
1
, . . . , t
k
si t
1
, . . . t
j
, variabilele aleatoare multidimensionale (X(t
1
), . . . , X(t
k
))
si (Y (t
1
), . . . Y (t
j
)) sunt independente.
Corelatia ncrucisat a R
XY
(t
1
, t
2
) este denit a prin
R
XY
(t
1
, t
2
) = M[X(t
1
)Y (t
2
)]. (4.28)
Procesele X(t) si Y (t) se numesc ortogonale dac a
R
XY
(t
1
, t
2
) = 0, t
1
, t
2
. (4.29)
4.3. PROCESE STOCHASTICE STAT IONARE 155
Covarianta ncrucisat a Cov
XY
(t
1
, t
2
) este denit a prin
Cov
XY
(t
1
, t
2
) = M[(X(t
1
) m
X
(t
1
))(Y (t
2
) m
Y
(t
2
))] =
= R
XY
(t
1
, t
2
) m
X
(t
1
)m
Y
(t
2
). (4.30)
Procesele se numesc necorelate dac a
Cov
XY
(t
1
, t
2
) = 0, t
1
, t
2
. (4.31)
Exemplul 4.3.3 Fie X(t) = cos(t + ) si Y (t) = sin(t + ) unde este o
variabil a aleatoare repartizat a uniform pe [, +]. S a determin am covariant a
ncrucisat a.
Ar at am c a media procesului X(t) este 0.
m
X
(t) = M[cos(t + )] =
1
2
_

cos(t + x)dx = 0.
Analog rezult a c a media procesului Y (t) este 0.
R
XY
(t
1
, t
2
) = M[cos(t
1
+ ) sin(t
2
+ )] =
= M[
1
2
sin((t
1
t
2
)) +
1
2
sin((t
1
+ t
2
) + 2)] =
1
2
sin((t
1
t
2
))
deoarece M[sin((t
1
+ t
2
) + 2)] = 0.
Procesul X(t) se numeste stationar n sens restr ans dac a t
1
, . . . , t
n
R
+
, n N, u R
+
are loc
F(x
1
, . . . x
n
, t
1
+ u, . . . , t
n
+u) = F(x
1
, . . . , x
n
, t
1
, . . . , t
n
). (4.32)
Dac a X(t) are dispersie nit a si X(t) este stat ionar n sens restr ans g asim:
1. M[X(t + u)] = M[X(t)] = M[X(0 + t)] = M[X(0)] = m;
2. D
2
[X(t + u)] = D
2
[X(t)] = D
2
[X(0)] =
2
;
3. M[(X(t +u)X(t))] = M[(X(u)X(0))].
O consecint a n cazul proceselor stat ionare este c a putem presupune m = 0 si
= 1.
Procesul X(t) este stationar n sens larg dac a au loc condit iile 1-3.
Functie de corelatie a unui proces stat ionar n sens larg este coecientul de
corelat ie al variabilelor aleatoare X(t) si X(t +u).
R(u) =
M[X(t + u) M[X(t + u)]]M[X(t) M[X(t)]]
_
D
2
[X(t)]D
2
[X(t + u)]
. (4.33)
Funct ia de corelat ie depinde doar de u si are expresia
R(u) = M[(X(u)X(0))]. (4.34)
Un proces stat ionar se numeste continuu dac a are loc
M(X(t +u) X(t))
2
0, pentru u 0.
Dac a X(t) este un proces continuu, atunci au loc:
1. P{ |X(t + u) X(t) | } 0, dac a u 0;
2. lim
u0
R(u) = 1;
3. R(u) este continu a.
Exemplul 4.3.4 Consider am procesul de forma
Z(t) = X(t) cos t + Y (t) sin t, R,
unde X(t), Y (t) sunt procese necorelate, deci M[XY ] = M[X]M[Y ] ce satisfac
M[X] = M[Y ] = 0, D
2
[X] = D
2
[Y ] = 1.
S a ar at am c a Z(t) este un proces stat ionar.
Pentru aceasta s a calcul am funct ia de corelat ie
R(u) = M[X(t +u)X(t)] =
= M[X cos (t + u) + Y sin (t + u))(X cos t + Y sin t)] =
= M[(X
2
cos t cos (t + u) + XY (sin (t +u) cos t + cos (t +u) sin t)+
+Y
2
sin t sin (t +u)] = cos (t + u) cos t + sin t sin (t + u) = cos u.
Alegem
f(x) =
_
_
_
0, x
1
2
, < x
1, x >
.
Avem atunci
cos u =
_

cos uxdF(x) =
_

cos uxdF(x),
de unde n virtutea teoremei rezult a c a procesul este stat ionar.
Exemplul 4.3.5 Consider am procesul
X(t) =
n
k=1
b
k
Z
k
(t),
unde
n
k=1
b
2
k
= 1, iar Z
k
(t) = X
k
(t) cos
k
t + Y
k
sin
k
t,
k
R. X
k
(t), Y
k
(t)
sunt procese ce satisfac
M[X
k
] = M[Y
k
] = 0, D
2
[X
k
] = D
2
[Y
k
] = 1, k = 1, n
M[X
i
X
j
] = M[Y
i
Y
j
] = 0, i = j, M[X
i
Y
j
] = 0, i, j = 1, n.
Calcul and funct ia de corelat ie, g asim
R(u) =
n
k=1
b
2
k
cos
k
u,
de unde rezult a c a procesul este stat ionar, asociat funct iei de repartit ie F care are
salturi de m arimea
1
2
b
2
k
n punctele
k
.
In literatura de specialitate F se numeste spectru; dac a F este funct ie de salturi,
procesul se numeste spectru discret.
1. Fie I
n
procesul Bernoulli identic si independent repartizat. Calculat i
P{I
1
= 1, I
2
= 0, I
3
= 0, I
4
= 1}.
2. Fie D
n
= 2I
n
1 unde I
n
este procesul din problema precedent a. Calculat i
media si dispersia.
3. Fie X un num ar ales la ntmplare din [0, 1] si e dezvoltarea lui n baza
2, x =
+
n=1
b
n
2
n
, b
n
{0, 1}. Denim X
n
= b
n
, n N. Calculat i
P{X
1
= 0} si P{X
1
= 0, X
2
= 1}.
Figura 4.9: Mers aleator pe o dreapta
4. O particul a se deplaseaz a aleator, s arind c ate o unitate la dreapta cu proba-
bilitatea 0,3 la st anga cu probabilitatea 0,2 si r am ane pe loc cu probabilitatea
0,5. G asit i probabilitatea ca dup a patru pasi particula s a nu e mai dep artat a
cu o unitate fat a de origine. Init ial particula se a a n origine.
5. Ar atat i c a un proces Poisson este un proces Markov, adic a pentru t
1
< t
2
<
t
3
are loc
P{X(t
3
) = k
3
| X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
3
) = k
3
| X(t
1
) = k
1
}.
6. Dac a X este un proces Poisson, calculat i urm atoarele probabilit at i:
P{X(t
1
) = k
1
, X(t
2
) = k
2
},
P{X(t
1
) = k
1
, X(t
2
) = k
2
, X(t
3
) = k
3
}.
7. Calculat i autocorelat ia si autocovariant a unui proces Poisson.
8. Deducet i folosind axiomatica unui proces Poisson, c a probabilit at ile de tre-
cere (4.16) satisfac ecuat ia diferent ial a (4.17).
9. Determinat i expresia probabilit at ilor de trecere (4.16) ale unui proces Pois-
son.
10. Deducet i c a intervalul de timp aleator dintre doua evenimente Poisson este
repartizat exponent ial.
11. S a determin am densitatea de probabilitate a momentului de producere a
unui eveniment n cadrul unui proces Poisson.
12. La o stat ie sosesc client i dup a o lege Poisson. Presupunem c a aceasta se
nchide dup a aparit ia clientului n s a determin am repartit ia timpului T, c at
stat ia r am ane deschis a.
13. Cu ce probabilitate al cincilea client al unui proces Poisson cu parametru
= 2 este deservit n primele 20 de minute de la deschiderea stat iei ?
14. Consider am urm atorul proces Markov: mult imea st arilor are 3 elemente si
dac a la un moment dat este luat a o anumit a stare, la momentul urm ator se
trece n oricare din celelalte dou a cu aceeasi probabilitate. S a se studieze
ergodicitatea.
15. Num arul de semnale emise de un radar este un proces Poisson cu parametrul
. Dac a n semnale au fost observate n intervalul (0, t) s a determin am pro-
babilitatea evenimentului {k particule au fost emise n (0, )} cu < t.
16. Num arul de client i care ajung la o stat ie ntr-un interval de timp este o vari-
abil a Poisson cu parametru , iar num arul de client i deservit i este o variabil a
Poisson cu parametru . S a se determine repartit ia variabilei aleatoare N
care d a num arul de client i care ajung n timpul deservirii unui client.
17. Ar atat i c a n cazul unui proces Poisson de nastere- moarte probabilit at ile
P
n
(t) satisfac ecuat iile diferent iale:
P
n
(t) = (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t), n 1,
P
0
(t) =
0
P
0
(t) +
1
P
1
(t).
18. Fie X(t) = cos(t + ) unde este repartizat a uniform pe (, +). S a
determin am media, autocorelat ia si autovariant a.
19. Fie X
n
un lant de variabile normale independente, identic repartizate, cu
media m si dispersia
2
. Determinat i matricea de covariant a la momentele
t
1
, . . . , t
k
si densitatea de probabilitate.
20. Un proces Y (t) const a dintr-un semnal dorit X(t) la care se adaug a zgomo-
tul N(t), deci Y (t) = X(t) + N(t). G asit i corelat ia ncrucisat a dintre cele
dou a procese, presupunnd c a X(t), N(t) sunt independente.
4.5 Solutii
1. p
2
(1 p)
2
.
2. m
X
(n) = M[2I
n
1] = 2M[I
n
] 1 = 2p 1 D
2
[D
n
] = D
2
[2I
n
1] =
2
2
D
2
[I
n
] = 4p(1 p). Procesul reprezint a de fapt schimbarea pozit iei unei
particule care se misc a n linie dreapt a f acnd salturi de 1 la ecare unitate
de timp.
3. X
1
= 0, dac a 0 X
1
2
, deci cu probabilitatea
1
2
. Iar P{X
1
= 0, X
2
= 1}
este
1
4
, deoarece
1
4
X
1
2
.
4.

Insum am probabilit at ile, ca la momentul 4, particula s a se ae n st arile
S
1
, S
0
, sau S
1
si g asim 0,693.
5. Ar at am c a pentru t
1
< t
2
< t
3
si k
1
< k
2
< k
3
are loc
P{X(t
3
) = k
3
| X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
3
) = k
3
| X(t
2
) = k
2
}
ceea ce semnic a faptul c a procesul Poisson este un proces Markov. Primul
membru este
P{X(t
3
) = k
3
, X(t
1
) = k
1
, X(t
2
) = k
2
}
P{X(t
1
) = k
1
, X(t
2
) = k
2
Calcul am expresia de la num arator
P{X(t
3
) = k
3
, X(t
1
) = k
1
, X(t
2
) = k
2
}
4.5. SOLUT II 161
= P{X(t
1
) = k
1
}P{X(t
2
t
1
) = k
2
k
1
}P{X(t
3
t
2
) = k
3
k
2
}
iar cea de la numitor
P{X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
1
) = k
1
}P{X(t
2
t
1
) = k
2
k
1
}.
Deci
P{X(t
3
) = k
3
, X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
3
t
2
) = k
3
k
2
}.
Membrul al doilea este
P{X(t
3
) = k
3
| X(t
2
) = k
2
} =
P{X(t
3
) = k
3
, X(t
2
) = k
2
}
P{X(t
2
) = k
2
}
=
P{X(t
3
t
2
) = k
3
k
2
}.
6. Folosind axiomele unui proces Poisson avem pentru t
1
< t
2
si k
1
< k
2
P{X(t
1
) = k
1
, X(t
2
) = k
2
} = P{X(t
1
) = k
1
}P{X(t
2
t
1
) = k
2
k
1
} =
=
(t
1
)
k
1
((t
2
t
1
))
k
2
k
1
e
t
2
k
1
!(k
2
k
1
)!
.
Dac a k
2
< k
1
atunci probabilitatea este 0.
Pentru a doua obt inem
P{X(t
1
) = k
1
, X(t
2
) = k
2
, X(t
3
) = k
3
} =
=
(t
1
)
k
1
((t
2
t
1
))
k
2
k
1
((t
3
t
2
))
k
3
k
2
e
t
3
k
1
!(k
2
k
1
)!(k
3
k
2
)!
.
7. De la variabila Poisson avem
M[X(t)] = t.
Pentru calculul autocovariant ei
R(t
1
, t
2
) = M[X(t
1
)X(t
2
)]
folosim (4.25) si avem
M[X(t
1
)X(t
2
)] = M[X(t
1
)M[X(t
2
)|X(t
1
) = k
1
]] =
= M[X(t
1
)(k
1
+(t
2
t
1
)] =
= M[X
2
(t
1
) + (t
2
t
1
)X(t
1
)] = t
1
+
2
t
1
t
2
.
Mai sus am folosit faptul c a M[X
2
(t
1
)] = t
1
+
2
t
2
1
. Iar autocovariant a
este
Cov(t
1
, t
2
) = R(t
1
, t
2
) M[X(t
1
)]M[X(t
2
)] = t
1
.
Lu and si t
2
< t
1
deducem
Cov(t
1
, t
2
) = min(t
1
, t
2
).
8. Fie t sucient de mic; la momentul t + t, X(t) ia valoarea k n urm a-
toarele dou a moduri:
a. X(t) = k si nici un eveniment nu se produce n intervalul (t, t + t);
b. X(t) = k 1 si un eveniment se produce n (t, t + t).
Din condit iile din denit ia unui proces Poisson variabilele aleatoare X(t +
t) X(t) si X(t) sunt independente, iar probabilitatea evenimentului dat
de a. este p
k
(t)(1t), iar cea a evenimentului dat de b. este p
k1
(t)t
si cum evenimentele de la a si b sunt independente
p
k
(t + t) = p
k
(t)(1 t) + p
k1
(t)t.
Relat ia se scrie sub forma echivalent a
p
k
(t + t) p
k
(t)
t
= p
k
(t) + p
k1
(t) k = 1, 2, 3 . . .
C and t 0, g asim ecuat ia diferent ial a (4.17).
9.
p
0
(t) = p
0
(t)
cu solut ia evident a p
0
(t) = Ae
t
. Din ipoteza 1 avem condit ia init ial a
X(0) = 0, care determin a n mod unic solut ia
p
0
(t) = e
t
.
Pentru k = 1, ecuat ia (4.17) devine
p
1
(t) = p
1
(t) + e
t
,
4.5. SOLUT II 163
care este o ecuat ie liniar a cu solut ia
p
1
(t) = te
t
.
Proced and recursiv n acest mod, g asim
p
k
(t) =
(t)
k
k!
e
t
, k = 0, 1, 2. . . .
Constat am c a pentru ecare t R, X(t) este o variabil a aleatoare reparti-
zat a Poisson cu parametru t.
10. Funct ia de repartit ie
F
(x) = P{ x} = 1 P{ > x} = 1 e
x
.
{ > x} exprim a faptul c a nici un eveniment nu are loc n intervalul (t, t +
x). Deci funct ia de repartit ie este 1e
x
, x 0, iar prin derivare g asim
f(x) = e
x
, x 0, care este repartit ia exponent ial a.
11. S a determin am funct ia de repartit ie.
F
S
(s) = P({X(s) = 1}|{X(t) = 1}) =
P({X(s) = 1, X(t) = 1})
P({X(t) = 1})
=
P({X(s) = 1, X(t) X(s) = 0})
P{X(t) = 1}
=
P({X(s) = 1, X(t s) = 0}
P{X(t) = 1})
=
=
e
s
se
(ts)
e
t
(t)
=
s
t
.
Densitatea de probabilitate este atunci
g(s) =
1
t
, 0 s t,
care este densitatea de probabilitate a repartit iei uniforme; deci producerea
n intervalul (0, t) a unui singur eveniment se face dup a legea uniform a.
12. Fie T
i
timpul dintre sosirea clientului i 1 si a clientului i (T
1
este timpul
de la deschidere p an a la sosirea primului client). S a determin am repartit ia
variabilei T = T
1
+ . . . + T
n
. Observ am c a {T < t} semnic a faptul c a
stat ia s-a nchis p an a la momentul t, deci au ap arut cel put in n client i, iar
probabilitatea este dat a de legea Poisson cu parametrul t
P{T < t} =
k=n
(t)
k
k!
e
t
.
f
T
(t) =
k=n
_
k
(t)
k1
k!

(t)
k
k!
_
e
t
=
(t)
n1
(n 1)!
e
t
care este o densitate de probabilitate pentru variabila Erlang.
13. Folosim problema precedent a si avem faptul c a variabila aleatore T care d a
timpul la care este deservit cel de al cincilea client este repartizat Erlang.
Adic a
f
T
(t) =
2(2t)
4
4!
e
2t
si probabilitatea este
_
5
0
2(2t)
4
4!
e
2t
dt.
14. Matricea de trecere este evident
P =
_
_
_
_
_
_
0
1
2
1
2
1
2
0
1
2
1
2
1
2
0
_
_
_
_
_
_
.
Observ am c a
P
2
=
_
_
_
_
_
_
1
2
1
4
1
4
1
4
1
2
1
4
1
4
1
4
1
2
_
_
_
_
_
_
4.5. SOLUT II 165
satisface condit ia 1 din teorema precedent a, pe care o vom numi condit ie de
ergodicitate. Fiind matrice simetric a ea admite valorile proprii reale
1
=
1,
2,3
=
1
2
si forma diagonal a
D =
_
_
1 0 0
0
1
2
0
0 0
1
2
_
_
.
Fie S matricea ortogonal a de schimbare de baz a, care are forma
S =
_
_
_
_
_
_
_
1
3
1
2
1
6
1
3

1
2
1
6
1
3
0
2
6
_
_
_
_
_
_
_
.
Ridic and la puterea n matricea P = SDS
t
, rezult a
lim
n
P
n
=
_
_
_
_
_
_
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
_
_
_
_
_
_
.
Mai sus s-a folosit faptul c a D
n
are pe diagonal a puterea a n -a a elementelor
de pe diagonala lui D. Deci dup a un num ar foarte mare de pasi se poate
presupune c a ecare stare este luat a cu aceleasi sanse.
15. Au loc
P{k semnale emise n (0, ) | n semnale emise n (0, t)} =
=
P{k semnale emise n (0, ) si n k semnale emise n (, t)}
P{n semnale emise n (0, t)}
=
=
e
()
k
k!
e
(t)
((t))
nk
(nk)!
e
t
(t)
n
n!
= C
k
n
_
t
_
k
_
1

t
_
nk
.
Se observ a c a se obt ine variabila binomial a.
16. Folosim formula probabilit at ii totale n cazul continuu si not am cu T timpul
de deservire a unui client, care este o variabil a exponent ial a cu parametrul
.
P{N = k} =
_

P({N = k} | t)f
T
(t)dt =
=
_

0
(t)
k
k!
e
t
e
t
dt =

k
k!
_

0
t
k
e
(+)t
dt =
=

k
k!
_

0
(
x
+
)
k
e
x
dx
+
=

k
k!( + )
k+1
(k + 1) =
=

+
_

+
_
k
care este o variabil a geometric a.
17. La momentul t, dac a sistemul precedent se a a n starea S
n
, vom nota
X(t) = n. Se obt ine astfel un proces Markov. Probabilitatea ca n in-
tervalul (t, t + t) s a aib a loc mai mult de o tranzit ie este 0. Sistemul se
a a n starea S
n
la momentul t + t n urm atoarele situat ii:
a. La momentul t se a a n starea S
n
si nici o tranzit ie nu are loc n intervalul
(t, t+t) cu probabilitatea (1
n
t)(1
n
t), care poate aproximat a
cu 1
n
t
n
t.
b. Fiind n starea S
n1
la momentul t are loc o tranzit ie la starea S
n
n
intervalul (t, t + t) cu probabilitatea
n1
t.
c. La momentul t sistemul se a a n starea S
n+1
si o tranzit ie la starea S
n
are loc n (t, t + t) cu probabilitatea
n+1
t.
Not am P
n
(t) = P({ X(t) se a a n starea S
n
}) si facem ipoteza c a c a
P
n
(t) este o funct ie derivabil a cu derivat a continu a. Atunci pentru n 1
P
n
(t+t) = P
n
(t)(1
n
t
n
t)+
n1
tP
n1
(t)+
n+1
tP
n+1
(t),
P
0
(t + t) = P
0
(t)(1
0
t) +
1
tP
1
(t).
Imp art ind prin t
4.5. SOLUT II 167
P
n
(t + t) P
n
(t)
t
=
= (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t), n 1,
P
0
(t + t) P
0
t
t =
0
P
0
(t) +
1
P
1
(t).
Dac a t 0, obt inem
P
n
(t) = (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t), n 1,
P
0
(t) =
0
P
0
(t) +
1
P
1
(t).
18. m
X
(t) = M[cos(t + )] =
1
2
_
+
cos(t + x)dx = 0;
Cov
X
(t
1
, t
2
) = R
X
(t
1
, t
2
) = M[cos(t
1
+) cos(t
2
+ )] =
1
2
_
+
1
2
(cos((t
1
t
2
)) + cos((t
1
+ t
2
) + 2x)) dx =
1
2
cos((t
1
t
2
)).
19. C
X
(t
i
, t
j
) =
2
ij
unde
ij
=
_
1 i = j
0 i = j
f(x
1
, . . . , x
k
, X
1
, . . . , X
k
) = f
X
(x
1
)f
X
(x
2
) . . . f
X
(x
k
) =
=
1
(2
2
)
k/2
e
k
i=1
(x
i
m)
2
2
2
.
20. Folosind independent a variabilelor X(t) si N(t), g asim
R
XY
(t
1
, t
2
) = M[X(t
1
)Y (t
2
)] = M [X(t
1
)(X(t
2
) + N(t
2
))] =
= M[X(t
1
)X(t
2
)] + M[X(t
1
)N(t
2
)] =
= R
XY
(t
1
, t
2
) + M[X(t
1
)]M[N(t
2
)] = R
XY
(t
1
, t
2
) + m
X
(t
1
)m
N
(t
2
).
Capitolul 5
Statistica matematica
5.1 Variabile de selectie
Colectivitate statistic a este o multime de obiecte (indivizi) la care se studiaz a o
caracteristic a ce poate evaluat a numeric. Aceast a m arime supus a nt amplarii
este o variabila aleatoare notat a X pe care o vom numi variabila teoretic a.
Select ia (esantion, sondaj) este o colectivitate part ial a. Num arul de elemente ale
select iei se numeste volumul select iei.
Select ia repetat a ( cu repunere) presupune repunerea ec arui individ in colectivi-
tate, nainte de extragerea urm atorului; select ia nerepetat a in caz contrar.
Mult imea datelor de select ie
x
1
, x
2
, x
3
, , x
n
formeaz a o serie statistic a. Acestor date li se asociaz a variabilele aleatoare, notate
X
i
, cu aceasi repartit ie dat a de variabila aleatoare teoretic a. Dac a select ia este
repetat a atunci variabilele asociate sunt independente. Rezultatele experientelor
sunt considerate ca repetate, deci variabilele X
i
sunt independente si presupuse cu
aceeasi repartit ie.
Fie k num arul datelor distincte ale select iei. Not am cu n
i
frecvent a absolut a a
datei .
x
i
, i = 1, k (n =
k
i=1
n
i
).
Num arul
f
i
=
n
i
n
, (
k
i=1
f
i
= 1)
169
170 CAPITOLUL 5. STATISTICA MATEMATICA
se numeste frecvent a relativ a.
Variabil a aleatore de selectie are repartit ia
X
s
:
_
x
i
f
i
_
, i = 1, 2, . . . k. (5.1)
Aceasta se mai numeste variabil a simpl a. Dac a volumul select iei este mare se aleg
k intervale
(l
0
, l
1
], (l
1
, l
2
], , (l
k1
, l
k
]
n care se repartizeaz a datele. Se alege de obicei
x
i
=
l
i
+ l
i1
2
, i = 1, , k (5.2)
iar frecvent a relativ a este num arul de date cuprinse n interval.
Functia frecventelor cumulate atasat a repartit iei (5.1) are expresia analitic a
F
s
(x) =
_
_
0, x < x
1
. . .
i
j=1
f
j
, x
i1
x < x
i
. . .
1, x x
k
, i = 1, 2, . . . k. (5.3)
Funct ia frecvent elor cumulate atasat a repartit iei (5.1) unde valorile variabilei sunt
date de (5.2) este
F(x) =
_
_
0, x < l
0
. . .
i
j=1
f
j
+
x l
i
l
i+1
l
i
f
i+1
, l
i
x < l
i+1
. . .
1, x l
k
, i = 1, 2, . . . k 1. (5.4)
Valorile caracteristice se grupeaz a n
Parametrii tendint ei centrale: media, momentul centrat de ordin r, mediana, moda
5.1. VARIABILE DE SELECT IE 171
1
0,8
0,6
0,4
0,2
0
x
6 4 2 0
Figura 5.1: Funct ia frecvent elor cumulate
Parametrii variabilit at ii: momentul centrat de select ie de ordin r, dispersia de
select ie, dispersia modicat a, asimetria, excesul.
Momentul initial de selectie de ordinul r
m
r
= M[X
r
s
] =
1
n
k
i=1
n
i
x
r
i
=
k
i=1
f
i
x
r
i
(5.5)
Media de selectie este
x = m
1
=
1
n
k
i=1
n
i
x
i
=
k
i=1
f
i
x
i
(5.6)
Mediana mparte volumul de select ie n dou a part i egale. Se obisnuieste
m
e
=
_
x
k+1
n = 2k + 1
x
k
sau x
k+1
n = 2k
. (5.7)
Moda este valoarea cu frecvent a maxim a.
Momentul centrat de selectie de ordin r este
r
= M[(X
s
M[X
s
])
r
] =
1
n
k
i=1
n
i
(x
i
x)
r
=
k
i=1
f
i
(x
i
x)
r
(5.8)
Dispersia de selectie este
s
2
=
2
=
1
n
k
i=1
n
i
(x
i
x)
2
=
k
i=1
f
i
(x
i
x)
2
(5.9)
Dispersia modicat a este
(s
)
2
=
1
n 1
k
i=1
n
i
(x
i
x)
2
(5.10)
Intre cele dou a dispersii are loc

(n 1)(s
)
2
= ns
2
. (5.11)
Excesul este dat de formula
E =

4
s
4
3. (5.12)
- Dac a E > 0 poligonul frecvent elor este mai ascut it dec at cel corespunz ator
repartit iei normale.
- Dac a E < 0, curba este mai turtit a dec at cea normal a.
- Dac a E = 0 curba poate considerat a norma a.
Asimetria este dat a de
A =

3
s
3
. (5.13)
- Dac a A > 0 repartit ia are asimetrie pozitiv a.
- Dac a A < 0 repartit ia are asimetrie negativ a.
Reprezent ari grace.
- Reprezentarea n batoane: Dac a variabila este dat a sub forma (5.1) atunci
aceasta se reprezint a grac ca n desenul de mai jos, unde verticalele reprezint a
frecvent ele absolute sau relative. Un exemplu este dat de gura (5.2).
- Histograma se foloseste atunci c and valorile se grupeaz a n date. Un exem-
plu este dat n gura (5.3).
4
8
2
0
6 4 2
10
8
6
Figura 5.2: Reprezentare in batoane
Exemplul 5.1.1 La un examen 200 de student i au obt inut urm atoarele note:
Nota 1 2 3 4 5 6 7 8 9 10
Num ar de studentt i 1 7 15 18 24 50 35 30 17 3
Determinat i variabila aleatoare de select ie cu reprezentare grac a n batoane,
funct ia de repartit ie de select ie cu reprezentare grac a, asimetria si excesul.
Variabila aleatoare asociat a este
X
s
=
_
1 2 3 4 5 6
1/200 7/200 15/200 18/200 24/200 50/200
7 8 9 10
35/200 30/200 17/200 3/200
_
Gracul este dat n gura (5.4).
Valorile caracteristice sunt x = 6, 1, s
2
= 2, 91,
3
= 2, 23,
4
= 33, 75, E =
0, 98, A = 0, 4. Determin am expresia analitic a a funct iei de repartit ie.
2 10
10
8
8
6
4
6
2
0
4
Figura 5.3: Histograma
F
s
(x) =
_
_
0 x < 1
1/200 1 x2
8/200 2 x < 3
23/200 3 x < 4
41/200 4 x < 5
65/200 5 x < 6
115/200 6 x < 7
150/200 7 x < 8
180/200 8 x < 9
197/200 0 x < 10
1 x 10
si gracul este dat de gura (5.5).
Exemplul 5.1.2 O caracteristic a numeric a este m asurat a printr-o metoda de pre-
cizie. Abaterile de la valoarea nominal a sunt
1, 75/1, 1/1, 3/ 0, 2/ 1, 7/ 0, 75/0, 77/0, 9/ 0, 8/ 0, 9/
0/0, 3/ 0, 3/ 0, 4/0, 4/ 0, 3/0, 1/0, 75/0, 8/1, 2
1, 7/0, 9/1/ 0, 6/ 1, 4/ 1/1, 6/1, 8/0, 25/0, 3/.
Format i variabila de select ie prin mp art irea datelor n 5 clase
(2, 5; 1, 5], (1, 5; 0, 5], (0, 5; 0, 5], (0, 5; 1, 5], (1, 5; 2, 5].
2 10
50
40
8
30
20
6
10
0
4
Figura 5.4: Reprezentare n batoane
si reprezentat i histograma. Calculat i media, mediana, dispersia de select ie, mo-
mentele centrate de ordin 3 si 4, asimetria si excesul. Reprezentat i funct ia frec-
vent elor cumulate.
Variabila de select ie este
X
s
=
_
2 1 0 1 2
2/30 7/30 10/30 8/30 3/30
_
Obt inem urm atoarele valori x = 0, 1, s
2
= 1, 02,
3
= 0, 39,
4
= 2, 31
Pentru funct ia frecvent elor cumulate folosim formula (5.4), care aproximeaz a mai
bine repartit ia teoretic a si al c arei grac este dat de (5.6) iar histograma este dat a
de gura (5.7).
F
s
(x) =
_
_
0 x < 2, 5
(x + 2, 5)2/30 2, 5 x < 1, 5
2/30 + (x + 1.5)7/30 1, 5 x < 0, 5
9/30 + (x + 0, 5)10/30 0, 5 x < 0, 5
19/30 + (x 0, 5)8/30 0, 5 x < 1, 5
27/30 + (x 1, 5)3/30 1, 5 x < 2, 5
1 x 2, 5
x
2 10 8
0,8
0,6
0,4
4 12
1
6
0
0,2
0
5.2 Teoria estimatiei
Fie x
1
, x
2
, , x
n
o select ie repetat a; o funct ie = (x
1
, x
2
, , x
n
) se numeste
functie de selectie sau statistic a.
Presupunem c a variabila aleatoare teoretic a are repartit ie cunoscut a, dar depinde
de un parametru necunoscut, pe care l not am .
Aproximarea
= (x
1
, x
2
, , x
n
) (5.14)
se numeste estimare punctual a.
Estimarea este absolut corect a dac a au loc condit iile
M((x
1
, x
2
, , x
n
)) = (5.15)
D
2
((x
1
, x
2
, , x
n
)) 0, n . (5.16)
Dac a estimarea satisface condit ia (5.15) se mai numeste estimare nedeplasat a.
5.2. TEORIA ESTIMAT IEI 177
x
3 2
1
1
0,8
0,6
0
0,4
0,2
-1
0
-2 -3
METODA MOMENTELOR.
Dac a variabila aleatoare are densitatea de probabilitate
f(x,
1
, ,
s
)
cu
1
, ,
s
parametrii necunoscut i, facem select ia repetat a x
1
, x
2
, , x
n
. Fie
X
s
variabila de select ie. Solut ia sistemului
M[X
r
] = M[X
r
s
], r = 1, , s (5.17)
este o estimare absolut corect a a parametrilor.
Exemplul 5.2.1 Estimat i parametrii variabilei uniform distribuite pe intervalul
(a, b) folosind statistica 3,1; 0,2; 1,6; 5,2; 2,1.
S tim c a media teoretic a a variabilei X este
M(X) =
a + b
2
iar momentul init ial de ordin 2
M(X
2
) =
a
2
+ ab + b
2
3
.
Momentele de select ie sunt M[X
s
] = 2, 44 si M[X
2
s
] = 8, 73. Form am sistemul
_
_
a + b
2
= 2, 44
a
2
+ ab + b
2
3
= 8, 73
3 2 1
10
8
0
6
4
-1
2
0
-2 -3
Figura 5.7: Histograma
care are solut ia a = 0, 44 si b = 5.33.
METODA VEROSIMILITAT II MAXIME
Dac a variabila aleatoare are densitatea de probabilitate f(x,
1
, ,
s
), cu
i
parametri necunoscut i, facem select ia repetat a x
1
, x
2
, , x
n
si e X
s
variabila
de select ie.
Functia de verosimilitate este dat a de
V (x
1
, , x
n
,
1
, ,
s
) = f(x
1
,
1
, ,
s
). f(x
n
,
1
, ,
s
)). (5.18)
Oestimare este dat a de solut ia care maximizeaz a sistemul, adic a solut ia sistemului
ln V (x
1
, , x
n
,
1
, ,
s
)
i
= 0, i = 1, , s (5.19)
pentru care matricea
_
ln V (x
1
, , x
n
,
1
, ,
s
)
j
_
, i, j = 1, , s
este negativ denit a.
Exemplul 5.2.2 S a estim am m, dac a variabila aleatoare X este repartizat a nor-
mal N(m,
2
).
Funct ia de verosimilitate este, dac a presupunem cunoscut
V (m, x
1
, , x
n
) =
n
i=1
1
2
e
(x
i
m)
2
2
2
.
ln V =
1
2
2
n
i=1
(x
i
m)
2
nln(
2)
Prin anularea derivatei logaritmului, n raport cu m obt inem m =
1
2
n
i=1
x
i
.
Intr-o select ie repetat a media de select ie x si dispersia modicat a sunt estim ari
absolut corecte ale mediei si dispersiei teoretice.
INTERVALE DE

INCREDERE
Variabila teoretic a este presupus a cunoscut a, dar expresia ei depinde de para-
metrul necunoscut. Dat a statistica x
1
, x
2
, , x
n
consider am dou a funct ii de
select ie
1
(x
1
, x
2
, , x
n
) si
2
(x
1
, x
2
, , x
n
) ce satisfac condit ia
1
(x
1
, x
2
, , x
n
)
2
(x
1
, x
2
, , x
n
).
Dac a
P (
1
(x
1
, x
2
, , x
n
) < <
2
(x
1
, x
2
, , x
n
)) = , (0, 1)
spunem c a intervalul
(
1
(x
1
, x
2
, , x
n
),
1
(x
1
, x
2
, , x
n
))
este interval de incredere pentru cu nivelul de ncredere .
Intervale de ncredere pentru medie.
1. Variabila teoretica este distribuit a N(m,
2
), iar este cunoscut. Vom folosi
faptul c a variabila
X m
n
urmeaz a lege N(0, 1). Punem condit ia
P
_
X m
< t
_
= .
Condit ia revine la
2(t
) = . (5.20)
Din tabelele funct ie Laplace determin am t
, iar intervalul de ncredere este

X t
n
< m < X + t
n
. (5.21)
2. Variabila X este oarecare, dar n > 30. Din teorema limit a central a, inter-
valul se determin a cu aceleasi condit ii (5.20) si (5.21).
3. Variabila teoretica este distribuit a N(m,
2
), iar este necunoscut. Atunci
variabila
X m
s
n
urmeaz a lege Student cu n 1 grade de libertate. Punem condit ia
P
_
X m
s
< t
_
= .
Cu t
determinat din tabelele legii Student, obt inem intervalul

X t
n
< m < X + t
n
. (5.22)
INTERVAL DE

INCREDERE PENTRU MEDIA TEORETIC
A
1. Date de intrare x
i
, i = 1, , n, , p
i
, (dac a se cunoaste)
2. Calcul am media de selectie X; dac a nu se cunoaste dispersia, calcul am
dispersia de selectie s
2
sau dispersia modicat a (s
)
2
.
3. Din tabelele functiei Laplace sau din tabelele functiei Student cu n1
grade de libertate a am pentru nivelul valoarea t
.
4. Forma intervalului de ncredere este
X t
n
< m < X + t
n
Exemplul 5.2.3 Se m asoar a capacitatea a 20 de condensatori si se obt in datele,
m asurate n picofarazi:
4,4/ 4,31/ 4,4/ 4,4/ 4,65/ 4,56/ 4,71/ 4,54/ 4,36/ 4,56/
4,31/ 4,42/ 4,6/ 4,35/ 4,5/ 4,4/ 4,43/ 4,48/ 4,42/ 4,45.
Presupun and c a X, capacitatea este repartizat a normal N(m, 0, 09) s a deter-
min am un interval de ncredere pentru medie cu nivelul 0,99.
Calcul am x = 4, 4625, (s
)
2
= 0, 01221. Din condit ia 2(t
) = 0, 99 obt inem
t
= 1, 96 si intervalul de ncredere 4, 331 < m < 4, 5940.

Intervale de incredere pentru dispersie Dac a variabila teoretic a este normal
distribuit a atunci variabila
ns
2
2
urmeaz a lege
2
cu n 1 grade de libertate. Determin am
2
1
si
2
2
astfel ca
P(
2
1
<
ns
2
2
<
2
2
) = .
Punem condit iile
_
_
P(
ns
2
2
>
2
1
) =
1 +
2
P(
ns
2
2
>
2
2
) =
1
2
(5.23)
Intervalul de ncredere are forma
ns
2
2
2
<
2
<
ns
2
2
1
. (5.24)
INTERVAL DE

INCREDERE PENTRU DISPERSIA TEORETIC
A
i
, i = 1, , n, , p
i
.
2. Calcul am dispersia, calcul am dispersia de selectie s
2
sau dispersia mo-
dicat a (s
)
2
.
3. Determin am
2
1
si
2
2
din tabelele legii
2
cu n-1 grade de libertate.
4. Intervalul este de forma
ns
2
2
2
<
2
<
ns
2
2
1
.
sau
(n 1)(s
)
2
2
2
<
2
<
(n 1)(s
)
2
2
1
.
5.3 Teste de concordant a
Variabila teoretic a X cu repartit ie cunoscut a are funct ia de repartit ie notat a F.
Facem o select ie repetat a x
1
, , x
n
si e F
s
funct ia de repartit ie de select ie.
Veric am ipoteza
(H
0
) : F = F
s
(5.25)
cu pragul de semnicatie (0, 1). reprezint a probabilitatea de a respinge o
ipotez a adev arat a (eroare I). Num arul = 1 se numeste nivel de ncredere.
Puterea unui test (0, 1) este probabilitatea de a accepta o ipotez a fals a
(eroare II).
H
0
adev arat a H
1
adev arat a
H
0
acceptat a eroare II
H
1
acceptat a eroare I
Testul
2
Presupunem c a variabila aleatoare teoretic a are repartit ie necunoscut a; not am cu
F funct ia de repartit ie.
Fie x
1
, , x
n
o select ie f ar a ntoarcere si e F
s
funct ia de repartit ie de select ie.
Test am ipoteza (5.25) cu pragul de semnicat ie .
Cazul 1. Repartit ia teoretic a este discret a
X =
_
x
i
p
i
_
.
Repartit ia de select ie are forma
X
s
=
_
x
i
f
i
_
.
5.3. TESTE DE CONCORDANT

A 183
Condit ia (5.25) devine
p
i
= f
i
. (5.26)
Cazul 2. Repartit ia teoretic a are densitatea de probabilitate f. Presupunem datele
de select ie grupate n intervalele
(l
0
, l
1
], (l
1
, l
2
], , (l
k1
, l
k
]
si e
(H) p
i
= P{l
i1
< X < l
i
} = F(l
i
) F(l
i1
), i = 1, , n (5.27)
Fie
U(n) =
k
i=1
(n
i
np
i
)
2
np
i
(5.28)
Variabila U(n) are urm atoarea comportare limit a
1. Dac a F are parametri cunoscut i, atunci dac a pentru n
U(n)
2
, cu k 1 grade de libertate (5.29)
2. Dac a F are r parametrii necunoscut i
U(n)
2
, cu k r 1 grade de libertate (5.30)
Punem condit ia
P{U(n) >
2
} = (5.31)
si din tabele determin am .
TESTUL
2
i
, i = 1, , n, , p
i
2. Estim am cei r parametri necunoscuti ai variabilei aleatoare teoretice.
3. Calcul am U(n) cu formula (5.28).
4. Din tabelele legii
2
cu k r 1 grade de libertate determin am
2
5. Testare.
1. Dac a U(n)
2
, acceptam ipoteza (H).

2. Dac a U(n)
2
, respingem ipoteza (H).

Exemplul 5.3.1 Olinie tehnologic a foloseste 4 dispozitive de acelasi tip si folosite
n aceleasi condit ii. Urm arind defect iunile de-a lungul unei perioade de timp
obt inem
dispozitiv 1 2 3 4 Total
num ar defect iuni n
i
46 33 39 50 168
S a se decid a cu nivelul de ncredere = 0, 05 dac a diferent ele dintre numerele
de defect iuni este nt ampl atoare sau exprim a prezent a unor defect iuni sistematice
care trebuie remediate.
Variabila de select ie este
X
s
=
_
1 2 3 4
46
168
33
168
39
168
50
168
_
iar variabila teoretic a este
X
s
=
_
1 2 3 4
1
4
1
4
1
4
1
4
_
Veric am ipoteza
(H) p
i
= f
i
Inlocuim n (5.28) si obt inem

U(n) =
k
i=1
(n
i
168
1
4
)
2
168
1
4
=
=
(46 42)
2
+ (33 42)
2
+ (39 42)
2
+ (50 42)
2
42
= 4.04
Determin am
2
din tabelul H(3, 1) si obt inem

2
= 7.8. Deoarece 4.04 < 7.8,

acceptam ipoteza H, deci defect iunile sunt nt ampl atoare.
5.4. METODA CELOR MAI MICI P

ATRATE 185
5.4 Metoda celor mai mici p atrate
Presupunem c a n urma efectu arii a n experimente obt inem datele
(x
i
, y
i
), i = 1, , n.
Dac a coecientul de corelat ie are modulul apropiat de 1, sau reprezent and grac
datele observ am c a acestea se aranjeaz a n jurul unei drepte y = ax + b atunci
ntre variabile exist a o leg atur a liniar a.
Funct ia de dou a variabile (care d a p atratul distant ei dintre ordonatele teoretice si
cele experimentale)
Q(a, b) =
n
i=1
(y
i
ax
i
b)
2
(5.32)
admite punct de minim de coordonate care este solut ia sistemului obt inut prin
anularea derivatelor part iale de ordinul I
_
_
nb + a
n
i=1
=
n
i=1
y
i
b
n
i=1
x
i
+ a
n
i=1
x
2
i
=
n
i=1
x
i
y
i
(5.33)
si are forma
a =
n
i=1
(x
i
x)(y
i
y)
n
i=1
(x
i
x)
2
b = y ax
(5.34)
Intre variabilele aleatoare exist a aproape sigur o relat ie liniar a de forma

Y = aX + b, a, b R
Covarianta de selectie este dat a de formula
c
XY
=
1
n 1
n
i=1
(x
i
x)(y
i
y). (5.35)
care poate pus a sub forma
c
XY
=
n
n
i=1
(x
i
y
i
) (
n
i=1
x
i
) (
n
i=1
y
i
)
n(n 1)
. (5.36)
Coecientul statistic de corelatie este
r
XY
=
c
XY
s
X
s
Y
. (5.37)
Dreapta de regresie este
y y
s
Y
= r
XY
x x
s
X
. (5.38)
Exemplul 5.4.1 Se cunosc datele de select ie
x
i
2 6 8 10 14 16 18 20 22 24
y
i
5 13 16 24 27 31 35 41 43 49
S a determin am legatura liniar a dintre variabilele X si Y .
Inlocuim n sistemul (5.33) si obt inem

_
10b + 140a = 284
140b + 2440a = 4902
de unde g asim relat ia liniar a
Y = 1, 3912 + 1, 929X.
1. 10 rezistent e au urm atoarele valori in ohmi: 900/ 1012/ 939/ 1062/ 1017/
996/ 970/ 1079/ 1065/ 1049. Determinat i media, dispersia de select ie si
dispersia modicat a.
2. Pe o populat ie de 100 de arz atoare de cuart de 250 W pentru l ampi uores-
cente numerotate de la 1 la 100 s-a masurat tensiunea U n arc, n volt i.
nr. U nr. U nr. U nr. U nr. U
1 134 21 134 41 125 61 144 81 134
2 133 22 135 42 136 62 146 82 132
3 136 23 136 43 133 63 134 83 130
4 133 24 138 44 139 64 142 84 132
5 135 25 131 45 131 65 146 85 138
6 140 26 137 46 141 66 133 86 137
7 141 27 123 47 128 67 135 87 133
8 138 28 129 48 137 68 126 88 137
9 132 29 137 49 128 69 134 89 130
10 130 30 135 50 127 70 127 90 139
11 135 31 140 51 136 71 138 91 131
12 144 32 134 52 136 72 132 92 138
13 136 33 130 53 130 73 126 93 139
14 129 34 135 54 135 74 135 94 141
15 122 35 144 55 147 75 143 95 135
16 124 36 148 56 134 76 142 96 142
17 135 37 140 57 142 77 134 97 138
18 139 38 135 58 148 78 143 98 128
19 145 39 131 59 133 79 140 99 138
20 137 40 123 60 135 80 140 100 137
Determinat i variabila de select ie atasat a, apoi cea prin gruparea datelor.
3. Urm atoarele date provin din m asurarea a 20 de rezistori, ecare ind nregis-
trat din fabricat ie cu 1000:
980/ 986/ 1007/ 1005, 4/ 1015/ 998, 7/ 1002, 5/ 999/ 1020/ 1005/
1076, 3/ 998/ 1001, 5/ 1004/ 988/ 1006, 8/ 1000/ 1008, 5/ 1100/ 985.
Determinat i media de select ie, dispersia modicat a, excesul, mediana, asi-
metria.
4. Se cunosc 12 m asur atori (n ohmi) ale rezistent elor de intrare pentru o an-
ten a.
69, 71 71,56
77,31 73,33
69,05 66,98
68,66 71,72
72,84 70,77
75,32 71,36
Calculat i media si dispersia de select ie si determinat i c ate un interval de
ncredere pentru media teoretic a cu nivelul de ncredere 0,95 , presupun and
ca abaterea nominal a este 3, 6 .
Determinat i un interval de ncredere pentru dispersie, cu acelasi nivel de
ncredere.
5. Ar atat i c a ntr-o select ie repetat a (f ar a ntoarcere) x
i
, i = 1, , n media de
select ie este un estimator absolut corect al mediei teoretice m. Presupunem
c a variabila teoretic a are dispersia
2
.
6. La o unitate de product ie sunt procesate loturi care cont in c ate 25 de cipuri.
Pentru 20 de loturi succesive se cunoaste num arul de cipuri defecte.
Lot nr. defect iuni Lot defect iuni
1 0 11 3
2 1 12 1
3 2 13 4
4 1 14 2
5 2 15 0
6 2 16 1
7 1 17 4
8 1 18 2
9 1 19 0
10 2 20 1
Estimat i probabilitatea p, ca un singur cip din totalitatea lor, s a e defect.
7. Ar atat i c a dispersia modicat a poate pus a sub forma
(s
)
2
=
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
n(n 1)
.
8. Se cunoaste faptul c a 30 de date de select ie au
30
i=1
x
i
= 3001607 si abaterea
medie p atratic a s = 120. Aat i media de select ie si intervale de ncredere
cu nivelul 0,9 respectiv 0,98 pentru media teoretic a.
9. 17 date de select ie au abaterea s
= 92. Determinat i un interval de incredere

pentru abaterea medie p atratic a cu nivelul 0,99.
10. Se fac urm atoarele m asur ari
848, 3/1131, 2/980, 4/949, 1/990/1044, 9/898, 1/1056, 6/923, 7/1002, 3.
Determinat i media de select ie, abaterea standard si intervalele lor conden-
t iale cu nivelul 0,95.
11. Ar atat i folosind metoda verosimilit at ii maxime, c a parametrul al vari-
abilei exponent iale poate estimat prin
=
n
n
i=1
x
i
=
1
x
.
12. Ar atat i folosind metoda verosimilit at ii maxime, c a parametrul
2
al vari-
abilei repartizate Rayleigh poate estimat prin
2
=
1
2n
n
i=1
x
2
i
.
13. Se dau perechile de date
x
i
0,68
y
i
12,45
0,72 1,27 2,01 2,63 3,06 3,15 4 4,03 4,50
9,93 6,64 10,14 8,93 13,34 11,56 16,72 19,62 15,03
Determinat i coecientul de corelat ie si dreapta de regresie.
14. Un radar emite semnale ntr-un interval de timp mp art it n 100 de intervale
de c ate 10 secunde. Se obt in urm atoarele frecvent e
Num ar de semnal 0 1 2 3 4 5
Num ar de intervale 11 30 25 20 10 4
Se poate accepta cu pragul de semnicat ie = 0, 01 c a num arul de semnale
urmeaz a o lege Poisson ? Dar cu = 0, 05 ?
15. Se consider a urm atoarea serie statistic a 66, 64, 59, 65, 81, 82, 64, 60, 78,
62, 65, 67, 67, 80, 63, 61, 62, 83, 78, 65, 66, 58, 74, 65, 80. Decidet i cu
nivelul de incredere 0,99 dac a se poate presupune c a select ia provine de la
o populat ie normal a.
16. S-au f acut urm atoarele m asur atori ale perechilor de date (x
i
, y
i
)
i x
i
y
i
i x
i
y
i
1 -19,8 -18,9 11 -12,3 -7,9
2 15,6 -0,9 12 -12,8 13,5
3 44,8 45,5 13 40,7 17,2
4 -20,6 1,7 14 -9,2 -30,1
5 5.6 1.7 15 36,5 57,7
6 -12,3 -22 16 -23,4 -43,1
7 48,2 51,8 17 -9 -34,3
8 -11,7 -26,7 18 41,1 65,8
9 50 41,4 19 -8,5 51,9
10 37,4 15,5 20 11,2 41,4
Determinat i dispersiile modicate (s
X
)
2
, (s
Y
)
2
, corelat ia statistic a, coe-
cientul de corelat ie statistic a. Analizat i existent a unei legaturi liniare ntre
variabile.
17. Ce devine sistemul (5.33) dac a aproximarea n sensul celor mai mici p atrate
se face cu curbele indicate mai jos ?
1. y = ax
2. y = ax
2
+ bx + c
3. y = b +
k
x
4. y = ke
x
+ b
5.6. SOLUT II 191
5. y = k ln x + b
6. y = ax
5.6 Solutii
1. x = 1009 , s
2
= (s
)
2
= 58, 7
2. Grup and datele se obt ine tabelul
Tensiunea U n
i
Tensiunea U n
i
122 1 135 12
123 2 136 6
124 1 137 7
125 1 138 7
126 2 139 4
127 2 140 5
128 3 141 3
129 2 142 4
130 5 143 2
131 4 144 3
132 4 145 1
133 6 146 2
134 8 147 1
148 2
Acestui tabel i se asociaz a imediat o variabila discret a. E mai comod s a
grup am n clase de lungime 3
(122, 125], 9125, 128], (128, 131], (134, 137], (140, 143],
(143, 146], (146, 149].
Variabila este
_
123, 5 126, 5 129, 5 132, 5 135, 5 138, 3
4/100 5/100 10/100 14/100 26/100 18/100
141, 5 144, 5 147, 5
12/100 6/100 5/100
_
.
3.

Inlocuind n formule obt inem x = 1009, 32 , (s
)
2
= 794, 079 mediana
1003,25, asimetria este pozitiv a si este 2,18, iar excesul 4,06, arat a c a datele
de select ie se reprezint a grac printr-o curb a mai ascut it a dec at cea normal a.
Putem reprezenta o histograma, grup and datele n subintervalele:
(970, 980], (980, 990], (990, 1000], (1000, 1101], (1010, 1020], (1020, 1100]
4. G asim media de select ie x = 71, 55, iar din tabelul funct iei Laplace, g asim
t
= 1, 96 iar forma intervalului pentru media teoretic a este

_
71, 55
1, 96 3, 6
12
, 71, 55 +
1, 96 3, 6
12
_
.
Mai nt ai calcul am s
2
= 10, 05. Folosind tabele legii
2
obt inem intervalul
de incredere pentru dispersie
_
12 10, 05
23, 337
,
12 10, 05
4, 404
_
.
5. Deoarece select ia este repetat a putem presupune c a variabilele aleatoare
x
i
, i = 1, , n sunt independente. Atunci media de select ie este
x =
n
i=1
x
i
n
.
Veric am condit ia (5.15).
M
_
n
i=1
x
i
n
_
=
1
n
n
i=1
M[x
i
]
Dar datele de select ie sunt presupuse cu aceeasi repartit ie, deci toate au
media teoretic a m si deci
M[x] =
1
n
n
i=1
M[x
i
] =
1
n
nm = m
Veric am condit ia (5.16) folosind independent a variabilelor.
5.6. SOLUT II 193
D
2
[x] = D
2
_
n
i=1
x
i
n
_
=
1
n
2
n
i=1
D
2
[x
i
] =
=
1
n
2
n
i=1
2
=

2
n
.
Prin trecere la limit a obt inem armat ia.
6. Fie X variabila care d a num arul de cipuri defecte; observ am c a este o vari-
abila Bernoulli. Fiec arui lot i corespunde o variabil a X
i
, i = 1, , 20,
iar ecare X si X
i
sunt repartizate Bernoulli cu n = 25 si p care trebuie
determinat. Are loc X =
20
i=1
X
i
. Media teoretic a este M[X] = np. Din
exercit iul precedent
np = x =
20
i=1
n
i
20
.
Deci
p =
28
20 25
= 0, 056.
7. Putem scrie dispersia modicat a sub forma
(s
)
2
=
1
n 1
n
i=1
(x
i
x)
2
=
1
n 1
n
i=1
(x
2
i
2xx
i
+x
2
) =
=
1
n 1
_
n
i=1
x
2
i
2x
n
i=1
x
i
+ nx
2
_
.
Folosind faptul c a
n
i=1
x
i
= nx deducem
(s
)
2
=
1
n 1
_
n
i=1
x
2
i

2
n
(
n
i=1
x
i
)
2
+
1
n
(
n
i=1
x
i
)
2
_
=
=
1
n 1
_
n
i=1
x
2
i

1
n
(
n
i=1
x
i
)
2
_
=
=
n
n
i=1
x
2
i
(
n
i=1
x
i
)
2
n(n 1)
.
8. Media este 100054, iar intervalele sunt (96450, 103658) si
respectiv (94958, 105150).
9. Se obt ine 63, 47 < s
< 158, 9.
10. 982,49; 82,77; (923, 26, 1042, 72) si (56, 93, 151, 12).
11. Funct ie de verosimiliate este
V (x
1
, , x
n
, ) =
n
i=1
e
x
i
=
n
e
n
i=1
x
i
.
Deriv am ln V si obt inem ecuat ia
n
i=1
x
i
= 0.
12. Funct ie de verosimiliate este
V (x
1
, , x
n
, ) =
x
1
x
n
2n
e
n
i=1
x
2
i
2
2
Prin derivarea funct iei ln V si anularea derivatei g asim
2
=
n
i=1
x
2
i
2n
.
Estimarea este nedeplasat a deoarece
M[
2
] =
n
i=1
M[x
2
i
]
2n
iar momentul init ial de ordin 2 este 2
2
.
13. = 0, 71, x = 2, 6, y = 12, 44, s
X
= 1, 39, s
Y
= 3, 88, iar dreapta de
regresie este
y 12, 44
3, 88
= 0, 71
x 2, 6
1, 39
.
5.6. SOLUT II 195
14. Variabila aleatoare teoretic a are parametrul necunoscut, pe care l estim am
cu media de select ie
= 2.
Calcul am probabilit at ile teoretice
p
0
= P{X = 0} = 0, 135
p
1
= P{X = 1} = 0, 27
p
2
= P{X = 2} = 0, 27
p
3
= P{X = 3} = 0, 18
p
4
= P{X = 4} = 0, 09
p
5
= P{X = 5} = 0, 055
Variabila
U(n) =
(11 13, 5)
2
15, 5
+
(30 27)
2
27
= +
(25 27)
2
27
+
(20 18)
2
18
+
(10 9)
2
9
+
(4 5, 5)
2
5, 5
= 1, 687
Din tabele
2
0,01
= 13, 277 si
2
0,05
= 9, 487.

In ambele cazuri accept am
ipoteza.
15. Estim am media cu m = x = 69 si dispersia cu = s
= 8.

Imp art im datele
n intervalele (, 62], (62, 67], (67, 71], (71, 76], (76, +) astfel ca pro-
babilitatea ca variabila
X m
s a ia valori in aceste intervale s a e 0,2. Se

obt ine variabila de select ie
X
s
=
_
60 64, 5 69 73, 5 78
6/25 11/25 0 1/25 7/25
_
Calcul am
U(25) =
(6 5)
2
5
+
(11 5)
2
5
+
(0 5)
2
5
+
(1 5)
2
5
+
(7 5)
2
5
= 16, 4.
Din tabelele
2
cu 2 grade de libertate avem
2
0,01
= 9, 21. Respingem
ipoteza.
16. Mediile de select ie sunt x = 9, 575, y = 5.82. Abaterile medie p atratic a
s
X
= 26, 82, s
Y
= 35, 57
(s
X
)
2
= 719, (s
Y
)
2
= 1265, 69, c
XY
= 783, r
XY
= 0, 82 Putem
presupune o leg atur a liniar a, deoarece coecientul de corelat ie este apropiat
de 1, iar dreapta este
Y 5, 82
35, 57
= 0, 82
X 9, 57
26, 82
.
17. 1.
n
i=1
x
i
y
i
= a
n
i=1
x
2
i
2.
n
i=1
y
i
= a
n
i=1
x
2
i
+ b
n
i=1
x
i
+ nc
n
i=1
x
i
y
i
= a
n
i=1
x
3
i
+ b
n
i=1
x
2
i
+ c
n
i=1
x
i
n
i=1
x
2
i
y
i
= a
n
i=1
x
4
i
+ b
n
i=1
x
3
i
+ c
n
i=1
x
2
i
3. Facem transformarea u =
1
x
, v = y si obt inem
n
i=1
y
i
= k
n
i=1
1
x
i
+ nb
n
i=1
y
i
x
i
= k
n
i=1
1
x
2
i
+ b
n
i=1
1
x
i
4. Facem transformarea u = e
x
, v = y si obt inem
n
i=1
y
i
= k
n
i=1
e
x
i
+nb
n
i=1
y
i
e
x
i
= k
n
i=1
e
2x
i
+ b
n
i=1
e
x
i
5.Facem transformarea u = ln x, v = y si obt inem
n
i=1
y
i
= k
n
i=1
ln x
i
+ nb
n
i=1
y
i
ln x
i
= k
n
i=1
ln
2
x
i
+b
n
i=1
ln x
i
5.6. SOLUT II 197
6. Facem transformarea u = ln x, v = ln y si obt inem
n
i=1
ln y
i
=
n
i=1
ln x
i
+ nln a
n
i=1
ln y
i
ln x
i
=
n
i=1
ln
3
x
i
+ ln
n
i=1
ln x
i
Capitolul 6
Anexe
6.1 Repartitii uzuale
Repartitia Bernoulli
P{X = k} = C
k
n
p
k
q
nk
,
0 k n
p + q = 1
M[X] = np; D
2
[X] = npq; (t) = (q +p e
j t
)
n
0,3
0,25
6
0,2
0,15
5
0,1
0,05
4
0
3 2 1
1
0,8
0,6
0,4
0,2
0
x
8 6 4 2 0
Densitatea de probabilitate Funct ia de repartit ie
Figura 6.1: Repartit ia Bernoulli
Repartitia Poisson
P{X = k} = coecientul lui x
k
din
n
i=1
(q
i
+p
i
x), p
i
+ q
i
= 1
M[X] =
n
i=1
p
i
; D
2
[X] =
n
i=1
p
i
q
i
; (t) =
n
i=1
(q
i
+ p
i
e
j t
)
199
200 CAPITOLUL 6. ANEXE
Repartitia geometric a
P{X = k} = pq
k1
,
1 k < +
p + q = 1
M[X] =
1
p
; D
2
[X] =
q
p
2
; (t) =
p e
j t
1 q e
j t
Repartitia Poisson (cu o innitate num arabil a de valori)
P{X = k} =

k
k!
e
, k = 0, 1, 2, . . .
M[X] = ; D
2
[X] = ; (t) = e
(e
j t
1)
Repartitia hipergeometric a
P{X = k} =
C
k
a
C
nk
b
C
n
a+b
,
0 n a + b,
k a
M[X] =
an
a +b
; D
2
[X] =
abn(a + b n)
(a + b)
2
(a + b 1)
Repartitia Pascal (binomial a cu exponent negativ)
P{X = k} = C
m1
k1
p
m
q
km
,
m 1,
k m
M[X] =
m
p
; D
2
[X] =
mq
p
2
; (t) = (
p e
j t
1 q e
j t
)
m
6.1. REPARTIT II UZUALE 201
Repartitia uniform a X : U(a, b)
f(x) =
_
1
b a
, a < x < b,
0, x / (a, b)
M[X] =
a + b
2
; D
2
[X] =
(b a)
2
12
; (t) =
e
j t b
e
j t a
j t (b a)
0,5
0,3
0,4
0,2
0
0,1
x
2 1 0 -1 -2
1
0,8
0,6
0,2
0
0,4
x
5 4 3 1 0 -1 2
Densitatea uniform a Funct ia de repartit ie uniform a
Figura 6.2: Repartit ia uniform a
Repartitia exponential a
f(t) =
_
e
t
, dac a t 0,
0 , dac a t < 0, > 0
M[X] =
1
; D
2
[X] =
1
2
; (t) =

j t
2
1,5
1
0
0,5
x
4 2 3 1 -1 0
0,6
0,2
x
4 3 2 1 -1 -2 0
1
0,8
0,4
0
Densitatea exponet ial a Funct ia de repartit ie exponet ial a
Figura 6.3: Repartit ia exponet ial a
Repartitia normal a X : N(m,
2
)
f(x) =
1
2
e
(xm)
2
2
2
, x R
M[X] = m; D
2
[X] =
2
; (t) = e
j m t
2
t
2
/2
0,2
0,15
0,1
0,05
0
x
8 6 4 0 -2 -4 2
1
0,8
x
0,6
0,4
8
0,2
6 4 2 0
Densitatea normal a Funct ia de repartit ie normal a
Figura 6.4: Repartit ia normal a
Repartitia Gama
f(x) =
_
_
_
1
()
(x)
1
e
x
, x 0
0, x < 0
> 0 > 0
M[X] =

; D
2
[X] =

2
; (t) =
_

1 j t
_
0,7
0,6
0,5
0,1
x
0,3
6 4 2 0 -2
0,2
0,4
0
x
4 3 2
0,8
1
0,6
0,4
0
0,2
-1
0
-2
Repartit ia Gama Funct ia de repartit ie Gama
Figura 6.5: Repartit ia Gama
Repartitia Erlang
f(x) =
_
_
_
e
x
(x)
n1
(n 1)!
, x 0
0, x < 0
, > 0
M[X] =
n
; D
2
[X] =
n
2
;
n
(t) =
_

j t
_
n
Repartitia Rayleigh
f(r) =
_
r
2
e
r
2
2
2
, r 0
0, x < 0
> 0
M[X] =
_
/2; D
2
[X] = (2 /2)
2
Repartitia hi p atrat
f(x) =
_
_
_
1
2
n/2
(n/2)
n
x
n/21
e
x/2
2
, x 0
0, x < 0
, n N
M[X] = n
2
; D
2
[X] = 2n
4
; (t) = (1 2
2
t j)
n
2
3 2 1 0
0,25
0,2
0,15
x
0,1
0,05
5
0
4
1
0,8
0,6
0,4
0,2
0
x
4 3 2 1 0
Densitatea
2
Funct ia de repartit ie
2
Figura 6.6: Repartit ia
2
Repartitia Cauchy
f(x) =

(
2
+ x
2
)
, x R, > 0
(t) = e
|t|
0,14
0,1
0,06
0,02
x
10 5 0 -5 -10
0,16
0,12
0,08
0,04
0,6
0,2
0,8
0,4
x
10 5 -5 0 -10
Repartit ia Cauchy Funct ia de repartit ie
Figura 6.7: Repartit ia Cauchy
Repartitia Laplace
f(t) =

2
e
|x|
x R, > 0)
M[X] = 0; D
2
[X] =
2
2
; (t) =

2
t
2
+
2
0,12
0,08
0,04
0,16
x
4 8 0 -8 -4
x
-1 2 1
1
0
0,4
0,2
-2
0,8
3
0,6
-3
Repartit ia Laplace Funct ia de repartit ie Laplace
Figura 6.8: Repartit ia Laplace
Repartitia Beta
f(x) =
_
_
_
x
m1
(1 x)
n1
B(m, n)
, 0 x 1
0, x / (0, 1)
, m > 0, n > 0
M[X] =
m
m + n
; D
2
[X] =
mn
(m + n)
2
(m + n + 1)
0,8
0,6
0,4
0
0,4 0,2 0
x
1
1,6
0,8
1,2
0,6 0,4
0,8
0,2
x
0
1
1
0,4
0
0,2
0,8
0,6
Repartit ia Beta Funct ia de repartit ie Beta
Figura 6.9: Repartit ia Beta
Repartitia Student
f(x) =
(
n+1
2
)
n(
n
2
)
_
1 +
x
2
n
_
n+1
2
, x R
M[X] = 0; D
2
[X] =
n
n 2
x
2 1 0 -1 -2
0,35
0,3
0,25
0,2
0,15
0,1
0,05
1
0,8
x
0,6
0,4
4
0,2
2 0 -2 -4
Repartit ia Student Funct ia de repartit ie Student
Figura 6.10: Repartit ia Student
Repartitia Weibull
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
1
0,8
0,6
0,4
0,2
0
x
2 1,5 1 0,5 0
Repartit ia Weibull Funct ia de repartit ie Weibull
Figura 6.11: Repartit ia Weibull
f(t) =
_
t
1
e
t
, t 0,
0, t < 0
(, R
+
).
M[X] =
_
1 +
1
__
1
_1
D
2
[X] =
_
1
_2
_
1 +
2
2
_
1 +
1
__
y
x
4
2
3
2
1,5
1
0
1 0,5 0
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Repartit ia Weibull Funct ia de repartit ie Weibull
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
y
x
2
2
1,5
1
1,5
0,5
0
1 0,5 0
Funct ii de abilitatea Weibull Rate Weibull
rosu = 3, = 2
albastru = 1, = 1
negru = 1, =
2
6.2 Functiile lui Euler
Functia gama ( integrala eulerian a de spet a a doua) este denit a prin:
(x) =
_
+
0
t
x1
e
t
dt (6.1)
este convergent a pentru x > 0.
Folosind de exemplu relat ia de recurent a, funct ia gama poate prelungit a analitic
n domeniul C \ {0, 1, 2, . . . , n, . . .}; funct ia admite poli simpli punctele
{0, 1, 2, . . . , n, . . .}.
Teorem a Au loc urm atoarele relat ii:
(z + 1) = z(z) (formula de recurent a) (6.2)
(z)(1 z) =

sin z
, z / Z (formula complementelor) (6.3)
(
1
2
+ z)(
1
z
z) =

cos z
, z / {
2k + 1
2
; k Z} (6.4)
(z)(z) =

z sin z
, z / Z (6.5)
(1 z) = z(z). (6.6)
Valori particulare
(1) = 1, (n + 1) = n! (6.7)
(
1
2
) =
(6.8)
(n +
1
2
) =
1 3 5 (2n 1)
2
n
=
(2n 1)!!
2
n
, n N (6.9)
(n +
1
2
) =
(1)
n
2
n
(2n 1)!!
, n N. (6.10)
Functia beta (integrala eulerian a de spet a nt ai) este denit a prin:
(p, q) =
_
1
0
x
p1
(1 x)
q1
dx, Re p > 0, Re q > 0 (6.11)
6.2. FUNCT IILE LUI EULER 209
Teorem a Au loc reprezent arile integrale:
(z) = 2
_
1
0
e
t
2
t
2z1
dt, Re z > 0 (6.12)
(z) =
_

0
_
ln
1
t
_
z1
dt, Re z > 0 (6.13)
(p, q) =
_

0
t
p1
(1 + t)
p+q
dt, Re p > 0, Re q > 0 (6.14)
(p, q) = 2
_
2
0
sin
2p1
cos
2q1
, Re p > 0, Re q > 0. (6.15)
Teorem a Se veric a urm atoarele identit at i:
(p, q) =
(p)(q)
(p + q)
(6.16)
(p, q) = (q, p) (6.17)
(p, q + 1) =
q
p + q
(p, q) =
q
p
(p + 1, q) (6.18)
(p, q) =
q 1
p
(p + 1, q 1) (6.19)
(p, n + 1) =
n!
p(p + 1) (p + n)
, n N. (6.20)
Din (6.12) deducem:
_

0
e
x
2
dx =
2
. (6.21)
Index
-algebr a, 17
abaterea medie p atratic a, 64
aranjamente, 6
asimetria, 170
autocorelat ia, 151
autocovariant a, 151
batoane, 170
c amp innit de probabilitate, 18
c amp nit de probabilitate, 6
cazuri favorabile, 3
cazuri posibile, 3
Chapman-Kolmogorov, 138
coecientul de corelat ie, 152
coecientul statistic de corelat ie, 184
combin ari, 6
corelat ia ncrucisat a, 152
corelat ia, 117
Corelat ia unei variabile bidimensionale,
117
covariant a ncrucisat a, 153
covariant a, 43, 64
covariant a de select ie, 184
denit ia axiomatic a a probabilit at ii, 18
densit at i marginale condit ionate, 102
104
densit at ile marginale, 101
densitate de probabilitate, 38, 59
densitatea exponent ial a , 121
densitatea de probabilitate a unei trans-
form ari, 114
densitatea de probabilitate bidimensional a,
100
densitatea de probabilitate condit ionat a,
62
dispersia, 42, 64
dispersia de select ie, 170
dispersia modicat a, 170
dispersia unui proces, 152
distribut ia Dirac, 38, 96
dreapta de regresie, 184
elipsa de egal a probabilitate, 112
elipsoidul de egal a probabilitate, 113
ergodicitate, 141
estimare absolut corect a, 174
estimare nedeplasat a, 174
estimare punctual a, 174
eveniment contrar, 4
evenimente elemenatre, 3
evenimente global independente, 12
evenimente incompatibile, 4
evenimente independente, 11
evenimentul contrar, 8
evenimentul imposibil, 8
evenimentul sigur, 8
excesul, 170
formula lui Bayes, 63, 104
formula probabilitat ii totale, 63
frecvent a relativ a, 168
frecvent a absolut a, 167
funct ia caracteristic a a repartit iei normale,
67
funct ie de corelat ie, 153
210
INDEX 211
funct ie de repartit ie ndimensional a, 150
funct ie de repartit ie condit ionat a, 60
funct iei lui Laplace, 65
funct ia de abilitate, 76
funct ia de repartit ie, 37
funct ia de repartit ie bidimensional a, 100
funct ia de verosimilitate, 176
funct ia frecvent elor cumulate, 168
funct ia unitate, 38
funct ii de repartit ie marginal a, 100
functia caracteristic a, 43
histograma, 170
inegalitatea lui Boole, 10
inegalitatea lui Ceb asev, 65
intersect ia evenimentelor, 4
interval aleator ntr-un proces Poisson,
146
interval de ncredere, 177
lant Markov omogen, 134
lant , 133
lant Markov, 133
legare n paralel, 79
legare n serie, 78
legea evenimentelor rare, 47
m asur a Lebesgue, 18
matrice de trecere, 134
matrice stochastic a, 134
media , 40
media de select ie, 169
media unei transform ari, 64
media unei variabile bidimensionale, 117
media unei variabile continue, 63
media unui proces, 151
mediana, 41, 169
moda, 41, 169
momentul centrat de ordin r, 41
momentul centrat de ordin r, 64
momentul centrat de select ie de ordin r,
169
momentul de producere a unui eveni-
ment, 146
momentul init ial de ordin r, 64
momentul init ial de ordinul r, 40
momentul init ial de select ie de ordinul
r, 169
nivelul de ncredere, 177
permut ari, 6
prag de semnicat ie, 180
principiul multiplic arii, 6
probabilit at i condit ionate, 11
probabilit at i de trecere, 134
probabilit at i marginale, 96
probabilit at i de trecere, 134
probabilit at i de trecere dup a n pasi, 136
probabilit at i init iale, 133
probabilitate n sens clasic, 5
probabilitatea unei diferent e, 9
probabilitatea unei intersect ii, 13
probabilitatea unei reuniuni, 9
proces continuu, 154
proces cu cresteri independente, 145
proces cu spectru discret, 155
proces de nastere moarte, 148
proces stat ionar n sens restr ans, 153
procese independente, 152
procese necorelate, 153
procese ortogonale, 152
proprietatea Markov, 133
puterea unui test, 180
rat a de defectare, 76
regula celor 3, 67
relat ia de implicat ie, 4
reparti t ii marginale condit ionate, 104
repartit ia binomial a cu exponent nega-
tiv (Pascal), 50
repartit ia exponent ial a, 74, 78
212 INDEX
repartit ia geometric a, 51
repartit ia normal a n-dimensional a, 111
repartit ia Poisson, 45
repartit ia Poisson , 47
repartit ia Rayleigh, 78, 122
repartit ia Weibull, 78
repartit ia binomial a, 43
repartit ia Bernoulli, 44
repartit ia Cauchy, 80, 126
repartit ia Erlang, 79
repartit ia exponent ial a, 146
repartit ia Gamma, 79
repartit ia hi patrat, 80
repartit ia Laplace, 80
repartit ia normal a n-dimensional a, 111
repartit ia produsului, 36
repartit ia Rayleigh, 80
repartit ia Simpson, 123
repartit ia Snedecor, 80
repartit ia Student, 80, 127
repartit ia sumei, 35
repartit ia unei variabile, 34
repartit ia uniform a, 72, 147
repartit ia Weibull, 80
repartitia Beta, 80
reuniunea evenimentelor, 4
select ie, 167
select ie repetat a, 167
serie statistic a, 167
sistem complet de evenimente, 14
spectru, 155
sperant a, 40
st ari, 133
statistic a, 173
teorema limit a central a, 68
teorema Moivre Laplace, 69
transformata Fourier, 65
variabiabile Cauchy, 126
variabil a aleatoare continu a, 59
variabil a aleatoare discret a, 33
variabil a aleatoare., 59
variabil a cu datele grupate, 168
variabil a de select ie simpl a, 168
variabila teoretic a, 167
variabila binomial a bidimensional a, 96
variabila exponent ial a bidimensional a, 122
variabila geometric a, 164
variabila normal a bidimensional a, 106
variabila uniforma bidimensional a, 109
variabile discrete independente, 35
variabile independente, 96, 101
variabile marginale, 96
variant a, 42
Bibliograe
[1] Ian Blake: An Introduction to Applied Probability, 1980
[2] G.Ciucu, V. Craiu: Introducere n teoria probabilit at ilor si statistic a
matematic a, Editura Didactic a si Pedagogic a, Bucuresti, l971
[3] G.Ciucu, V. Craiu, I.S acuiu: Probleme de teoria probabilit at ilor, Editura
Tehnic a, Bucuresti, l974
[4] G.Ciucu, V. Craiu, I.S acuiu: Probleme de statistic a matematic a, Editura
Tehnic a, Bucuresti, l974
[5] A.Corduneanu: Matematici speciale vol II , Institutul Politehnic Iasi, 1979
[6] Kai Lai Chung: Lectures from Markov Processes to Brownian Motion,
Springer Verlag, 1982
[7] Kai Lai Chung: Elementary Probability Theory with Stochastic Process
Springer Verlag, 1974
[8] B.V.Gnedenko: The theory of Probability, MIR, Moscow, 1969
[9] C.Helstrom: Probability and Stochastic Processes for Engineers, Macmil-
lan Publishing Company, New York, 1984
[10] C.Iacob, A.Cr aciunescu: Matematici clasice si moderne, Bucuresti, 1979
[11] M.Iosifescu, Gh.Mihoc, R.Theodorescu: Teoria probabilit at ilor si statis-
tic a ma te ma tic a, Editura tehnic a, Bucuresti, 1966
[12] M.Iosifescu: Lant uri Markov nite si aplicat ii, Editura Tehnic a Bucuresti,
1977
[13] A. Leon-Garcia: Probability and Random Processes for Electrical Engi-
neering, Addison-Wesley Publishing Company, 1989
213
214 Bibliograe
[14] Gh.Mihoc, G.Ciucu, V.Craiu: Teoria probabilit at ilor si statistic a matem-
atic a, Editura Didactic a si Pedagogic a, Bucuresti, 1970
[15] Gh.Mihoc, N.Micu: Teoria probabilit at ilor si statistic a matematic a, Edi-
tura Didactic a si Pedagogic a, Bucuresti, 1980
[16] Gh. Mihoc, A.Muja, E.Diata: Bazele matematice ale teoriei abilit at ii ,
Cluj, 1976
[17] E.Nenciu: Lect ii de statistic a matematic a, Universitatea A.I.Cuza, Iasi,
1976
[18] A.Papoulis: Probability Random Variables and Stochastic Processes,
McGraw-Hill Book Company, New York 1965
[19] A.Pletea, L.Popa : Teoria probabilitatilor, Universitatea Tehnica
Gh.Asachi, Iasi, 1999
[20] C.Reischer, G.S amboan: Teoria probabilit at ilor, Editura Didactic a si ped-
agogic a, Bucuresti, 1967
[21] A.Sp ataru: Fondaments de la theorie de la transmission de linformation,
Bucuresti, 1991
[22] I.Gh.S abac, P.Coc arlan, O.St an asil a, A.Topal a: Matematici speciale, Edi-
tura didactic a si pedagogic a, Bucuresti, 1983
[23] P.Talpalaru, Gh.S ufaru: Matematici speciale (Elemente de teoria proba-
bilit at ilor si statistic a matematic a), Institutul Politehnic Iasi , 1979
[24] P.Talpalaru, L.Popa, E.Popovici: Probleme de teoria probabilit at ilor si sta-
tistic a matematic a, Universitatea tehnic a Gh.Asachi, Iasi, 1995
[25] E.Wentzel, L.Ovcharov: Applied Problems in Probability Theory, MIR,
Moscow, 1973

Variabila normala N(0,1)

z .00 .01 .02 .03 .04 . 05 .06 .07 .08 .09
.0 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 .1443 .1480 .1517
.4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
.7 .2580 .2611 .2642 .2673 .2704 .2734 .2764 .2794 .2823 .2852
.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .401 ~
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .417
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4319
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4552 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .454 -
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .463'"
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4761 .4767
2.0 .4772 .4778 .4783 .4788 .4793 .4798 .4803 .4808 .4812 .481,
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .485,
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .49 -:
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .49~
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .49 ~
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .498:
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .49 C
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .499C
Tabelul da probabilitatea P (0 < Z < z) pentru variabila normala Z
De exemplu : P (0 < Z < .43) = .1664 .

V
a
r
i
a
b
i
l
a

h
i
-

p
a
t
r
a
t

n

0
.
9
9
5

0
.
9
9
0

0
.
9
7
5

0
.
9
5
0

0
.
9
0
0

0
.
7
5
0

0
.
5
0
0

0
.
2
5
0

0
.
1
0
0

0
.
0
5
0

0
.
0
2
5

0
.
0
1
0

0
.
0
0
5

0
;
0
0
1

1

0
.
0
0
0

0
.
0
0
0

0
.
0
0
1

0
.
0
0
4

0
.
0
1
6

0
.
1
0
2

0
.
4
5
5

1
.
3
2
3

2
.
7
0
6

3
.
8
4
1

5
.
0
2
4

6
.
6
3
5

7
.
8
7
9

1
0
.
8
2
8

2

0
.
0
1
0

0
.
0
2
0

0
.
0
5
1

0
.
1
0
3

0
.
2
1
1

0
.
5
7
5

1
.
3
8
6

2
.
7
7
3

4
.
6
0
5

5
.
9
9
1

7
.
3
7
8

9
.
2
1
0

1
0
.
5
9
7

1
3
.
8
1

3

0
.
0
7
2

0
.
1
1
5

0
.
2
1
6

0
.
3
5
2

0
.
5
8
4

1
.
2
1
3

2
.
3
6
6

4
.
1
0
8

6
.
2
5
1

7
.
8
1
5

9
.
3
4
8

1
1
.
3
4
5

1
2
.
8
3
8

1
6
.
2
6

4

0
.
2
0
7

0
.
2
9
7

0
.
4
8
4

0
.
7
1
1

1
.
0
6
4

1
.
9
2
3

3
.
3
5
7

5
.
3
8
5

7
.
7
7
9

9
.
4
8
8

1
1
.
1
4
3

1
3
.
2
7
7

1
4
.
8
6
0

1
8
.
4
6

5

0
.
4
1
2

0
.
5
5
4

0
.
8
3
1

1
.
1
4
5

1
.
6
1
0

2
.
6
7
5

4
.
3
5
1

6
.
6
2
6

9
.
2
3
6

1
1
.
0
7
1

1
2
.
8
3
3

1
5
.
0
8
6

1
6
.
7
5
0

2
0
.
5
1
5

6

0
.
6
7
6

0
.
8
7
2

1
.
2
3
7

1
.
6
3
5

2
.
2
0
4

3
.
4
5
5

5
.
3
4
8

7
.
8
4
1

1
0
.
6
4
5

1
2
.
5
9
2

1
4
.
4
4
9

1
6
.
8
1
2

1
8
.
5
4
8

2
2
.
4
5
8

7

0
.
9
8
9

1
.
2
3
9

1
.
6
9
0

2
.
1
6
7

2
.
8
3
3

4
.
2
5
5

6
.
3
4
6

9
.
0
3
7

1
2
.
0
1
7

1
4
.
0
6
7

1
6
.
0
1
3

1
8
.
4
7
5

2
0
.
2
7
8

2
4
.
3
2

8

1
.
3
4
4

1
.
6
4
6

2
.
1
8
0

2
.
7
3
3

3
.
4
9
0

5
.
0
7
1

7
.
3
4
4

1
0
.
2
1
9

1
3
.
3
6
2

1
5
.
5
0
7

1
7
.
5
3
5

2
0
.
0
9
0

2
1
.
9
5
5

2
6
.
1
2

9

1
.
7
3
5

2
.
0
8
8

2
.
7
0
0

3
.
3
2
5

4
.
1
6
8

5
.
8
9
9

8
.
3
4
3

1
1
.
3
8
9

1
4
.
6
8
4

1
6
.
9
1
9

1
9
.
0
2
3

2
1
.
6
6
6

2
3
.
5
8
9

2
7
.
8
7

1
0

2
.
1
5
6

2
.
5
5
8

3
.
2
4
7

3
.
9
4
0

4
.
8
6
5

6
.
7
3
7

9
.
3
4
2

1
2
.
5
4
9

1
5
.
9
8
7

1
8
.
3
0
7

2
0
.
4
8
3

2
3
.
2
0
9

2
5
.
1
8
8

2
9
.
5
8
8

1
1

2
.
6
0
3

3
.
0
5
3

3
.
8
1
6

4
.
5
7
5

5
.
5
7
8

7
.
5
8
4

1
0
.
3
4
1

1
3
.
7
0
1

1
7
.
2
7
5

1
9
.
6
7
5

2
1
.
9
2
0

2
4
.
7
2
5

2
6
.
7
5
7

3
1
.
2
6
4

1
2

3
.
0
7
3

3
.
5
7
0

4
.
4
0
4

5
.
2
2
6

6
.
3
0
4

8
.
4
3
8

1
1
.
3
4
0

1
4
.
8
4
5

1
8
.
5
4
9

2
1
.
0
2
6

2
3
.
3
3
7

2
6
.
2
1
7

2
8
.
3
0
0

3
2
.
9
1

1
3

3
.
5
6
5

4
.
1
0
7

5
.
0
0
9

5
.
8
9
2

7
.
0
4
1

9
.
2
9
9

1
2
.
3
4
0

1
5
.
9
8
4

1
9
.
8
1
2

2
2
.
3
6
2

2
4
.
7
3
6

2
7
.
6
8
8

2
9
.
8
2
0

3
4
.
5
2

1
4

4
.
0
7
4

4
.
6
6
0

5
.
6
2
9

6
.
5
7
1

7
.
7
8
9

1
0
.
1
6
5

1
3
.
3
3
9

1
7
.
1
1
7

2
1
.
0
6
4

2
3
.
6
8
5

2
6
.
1
1
9

2
9
.
1
4
1

3
1
.
3
1
9

3
6
.
1
2

1
5

4
.
6
0
1

5
.
2
2
9

6
.
2
6
2

7
.
2
6
1

8
.
5
4
7

1
1
.
0
3
7

1
4
.
3
3
9

1
8
.
2
4
5

2
2
.
3
0
7

2
4
.
9
9
6

2
7
.
4
8
8

3
0
.
5
7
8

3
2
.
8
0
1

3
7
.
6
9
7

1
6

5
.
1
4
2

5
.
8
1
2

6
.
9
0
8

7
.
9
6
2

9
.
3
1
2

1
1
.
9
1
2

1
5
.
3
3
9

1
9
.
3
6
9

2
3
.
5
4
2

2
6
.
2
9
6

2
8
.
8
4
5

3
2
.
0
0
0

3
4
.
2
6
7

3
9
.
2
5
2

1
7

5
.
6
9
7

6
.
4
0
8

7
.
5
6
4

8
.
6
7
1

1
0
.
0
8
1
2
.
7
9
2

1
6
.
3
3
8

2
0
.
4
8
9

2
4
.
7
6
9

2
7
.
5
8
7

3
0
.
1
9
1

3
3
.
4
0
9

3
5
.
7
1
.
9

4
0
.
7
9

1
8

6
.
2
6
5

7
.
0
1
5

8
.
2
3
1

9
.
3
9
0

1
0
.
8
6
1
3
.
6
7
5

1
7
.
3
3
8

2
1
.
6
0
5

2
5
.
9
8
9

2
8
.
8
6
9

3
1
.
5
2
6

3
4
.
8
0
5

3
7
.
1
5
6

4
2
.
3
1

1
9

6
.
8
4
3

7
.
6
3
2

8
.
9
0
6

1
0
.
1
1
7

1
1
.
6
5
1
4
.
5
6
2

1
8
.
3
3
8

2
2
.
7
1
8

2
7
.
2
0
4

3
0
.
1
4
4

3
2
.
8
5
3

3
6
.
1
9
1

3
8
.
5
8
2

4
3
.
8
2

2
0

7
.
4
3
4

8
.
2
6
0

9
.
5
9
1

1
0
.
8
5
1

1
2
.
4
4 3
1
5
.
4
5
2

1
9
.
3
3
7

2
3
.
8
2
8

2
8
.
4
1
2

3
1
.
4
1
0

3
4
.
1
7
0

3
7
.
5
6
6

3
9
.
9
9
7

4
5
.
3
1
5

2
1

8
.
0
3
3

8
.
8
9
7

1
0
.
2
8
3

1
1
.
5
9
1

1
3
.
2
3 9
1
6
.
3
4
4

2
0
.
3
3
7

2
4
.
9
3
5

2
9
.
6
1
5

3
2
.
6
7
1

3
5
.
4
7
9

3
8
.
9
3
2

4
1
.
4
0
1

4
6
.
7
9
7

2
2

8
.
6
4
2

9
.
5
4
2

1
0
.
9
8
2

1
2
.
3
3
8

1
4
.
0
4
1
7
.
2
4
0

2
1
.
3
3
7

2
6
.
0
3
9

3
0
.
8
1
3

3
3
.
9
2
5

3
6
.
7
8
1

4
0
.
2
8
9

4
2
.
7
9
6

4
8
.
2
6

2
3

9
.
2
6
0

1
0
.
1
9
6

1
1
.
6
8
8

1
3
.
0
9
0

1
4
.
8
4
1
8
.
1
3
7

2
2
.
3
3
7

2
7
.
1
4
1

3
2
.
0
0
7

3
5
.
1
7
3

3
8
.
0
7
6

4
1
.
6
3
9

4
4
.
1
8
1

4
9
.
7
2

2
4

9
.
8
8
6

1
0
.
8
5
6

1
2
.
4
0
1

1
3
.
8
4
8

1
5
.
6
5
1
9
.
0
3
7

2
3
.
3
3
7

2
8
.
2
4
1

3
3
.
1
9
6

3
6
.
4
1
5

3
9
.
3
6
4

4
2
.
9
8
0

4
5
.
5
5
9

5
1
.
1
7

2
5

1
0
.
5
1
9

1
1
.
5
2
4

1
3
.
1
1
9

1
4
.
6
1
1

1
6
.
4
7 3
1
9
.
9
3
9

2
4
.
3
3
7

2
9
.
3
3
9

3
4
.
3
8
2

3
7
.
6
5
3

4
0
.
6
4
7

4
4
.
3
1
4

4
6
.
9
2
8

5
2
.
6
2
0

2
6

1
1
.
1
6
0

1
2
.
1
9
8

1
3
.
8
4
3

1
5
.
3
7
9

1
7
.
2
9 2
2
0
.
8
4
3

2
5
.
3
3
6

3
0
.
4
3
5

3
5
.
5
6
3

3
8
.
8
8
5

4
1
.
9
2
3

4
5
.
6
4
2

4
8
.
2
9
0

5
4
.
0
5
2

2
7

1
1
.
8
0
7

1
2
.
8
7
8

1
4
.
5
7
3

1
6
.
1
5
1

1
8
.
1
1
2
1
.
7
4
9

2
6
.
3
3
6

3
1
.
5
2
8

3
6
.
7
4
1

4
0
.
1
1
3

4
3
.
1
9
5

4
6
.
9
6
3

4
9
.
6
4
5

5
5
.
4
7

2
8

1
2
.
4
6
1

1
3
.
5
6
4

1
5
.
3
0
8

1
6
.
9
2
8

1
8
.
9
3
2
2
.
6
5
7

2
7
.
3
3
6

3
2
.
6
2
1

3
7
.
9
1
6

4
1
.
3
3
7

4
4
.
4
6
1

4
8
.
2
7
8

5
0
.
9
9
3

5
6
.
8
9

2
9

1
3
.
1
2
1

1
4
.
2
5
6

1
6
.
0
4
7

1
7
.
7
0
8

1
9
.
7
6
2
3
.
5
6
6

2
8
.
3
3
6

3
3
.
7
1
1

3
9
.
0
8
8

4
2
.
5
5
7

4
5
.
7
2
2

4
9
.
5
8
8

5
2
.
3
3
6

5
8
.
3
0

3
0

1
3
.
7
8
7

1
4
.
9
5
3

1
6
.
7
9
1

1
8
.
4
9
3

2
0
.
5
9 9
2
4
.
4
7
8

2
9
.
3
3
6

3
4
.
8
0
0

4
0
.
2
5
6

4
3
.
7
7
3

4
6
.
9
7
9

5
0
.
8
9
2

5
3
.
6
7
2

5
9
.
7
0
3

E
x
e
m
p
l
u

:

D
a
c
a

a
l
e
g
e
m

o

v
a
r
i
a
b
i
l
a

h
i
-
p
a
t
r
a
t

c
u

n

=

1
7

g
r
a
d
e

d
e

l
i
b
e
r
t
a
t
e

s
i

s
e

d
a

P
(
V

>

v
)

=

0
.
2
5
0
,
a
t
u
n
c
i

v
a
l
o
a
r
e
a

a
b
s
c
i
s
e
i

v

e
s
t
e

v

=

2
0
.
4
8
9

n

e
s
t
e

n
u
m
a
r
u
l

d
e

g
r
a
d
e

d
e

l
i
b
e
r
t
a
t
e

Variabila Student

n 0.1 0.05 0.025 0.01 0.005
1 3.078 6.314 12.706 31.821 63.657
2 1.886 2.920 4.303 6.965 9.925
3 1.638 2.353 3.180 4.525 5.797
4 1.533 2.132 2.777 3.744 4.596
5 2.571 3.365 4.030
6 1.440 1.944 2.448 3.143 3.707
7 1.415 1.895 2.365 2.999 3.500
8 1.397 1.860 2.307 2.897 3.356
9 1.383 1.834' 2.263 2.822 3.250
10 1.372 1.813 2.229 2.764 3.170
11 1.364 1.796 2.202 2.719 3.106
12 1.356 1.783 2.179 2.682 3.055
13 1.350 1.771 2.161 2.651 3.013
14 1.345 1.762 2.145 2.625 2.977
15 1.341 1.753 2.132 2.603 2.947
16 1.337 1.746 2.120 2.584 2.921
17 1.334 1.740 2.110 2.567 2.899
18 1.331 1.734 2.101 2.553 2.879
19 1.328 1.730 2.094 2.540 2.861
20 1.326 1.725 2.086 2.529 2.846
21 1.323 1.721 2.080 2.518 2.832
22 1.321 1.718 2.074 2.509 2.819
23 1.320 1.714 2.069 2.500 2.808
24 1.318 1.711 2.064 2.493 2.797
25 1.317 1.709 2.060 2.486 2.788
26 1.315 1.706 2.056 2.479 2.779
27 1.314 1.704 2.052 2.473 2.771
28 1.313 1.702 2.049 2.468 2.764
29 1.312 1.700 2.046 2.463 2.757
INF 1.282 1.645 1.960 2.327 2.576
Examplu: Daca variabila Student are n = 13 grade de libertate si
Se da P(T > t) = 0.05, atunci t = 1.771 .

Examplu: Densitatea Student este simetrica. Daca alegem variabila Student
cu n = 13 grade de libertate si P(T> t) = 0.95, atunci t = -1.771

n reprezinta numarul de grade de libertate

Seminar TP

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

Seminar TP

Încărcat de

Drepturi de autor:

Formate disponibile

Cuprins

1 C amp nit de probabilitate 5

In acest capitol se prezint a principalele aspecte teoretice ale variabilelor bidimen-

In cazul 1. se formeaz a submult imi de 2 elemente dintr-o mult ime cu 5 , deci C

In al doilea caz intervine si ordinea deci A

Intr-adev ar, deoarece K = exist a A K, iar din prima axiom a A K; din a

Intr-adev ar, din A

In locul ei se introduce o bil a de cealalt a culoare si se face o nou a extragere.

n]/n iar P(B) = [(n+1)/3]/n, (am

Intr-adev ar, dac a not am media cu m

In cazul unui experiment se pot produce evenimentele A

se deduce aproximarea, pentru n :

Intr-un experiment un eveniment se poate produce cu probabilitatea p (0, 1).

(x) = f(x) (2.35)

In c ampul de probabiliatate {E, K, P} consider amA K, cu proprietatea P(A) =

Intr-adev ar, dac a a < b avem {X < a} {X < b} si

In gura (2.7) sunt ilustrate cele dou a funct ii.

In ultima relat ie s-a folosit (2.40).

In sirul de egalit at i s-a folosit formula (2.43). Dac a integr am pe R relat ia

P(A | {X = x})f(x)dx. (2.46)

f(t)dt facem schimbarea de variabil a

Intr-adev ar, P{|X m| 3} = 1 P{|X m| < 3} = 1 2(3) =

In particular, pentru k = 2, obt inem D

In acest caz nu putem g asi o expresie simpl a

In practic a aceste moduri de alc atuire apar combinat.

ny, dup a care g asim

In ultima integral a substitut ia

In 120 de zile se consum a X =

f(u, v)dudv. (3.8)

f(x, y)dxdy = 1. (3.10)

f(u, v)dudv (3.11)

f(u, v)dudv. (3.12)

In densitatea variabilei normale lu am

Inlocuim n formula de calcul a densit at ii unui c at si g asim

Intr-un lant Markov omogen probabilitatea ca la momentul n N sistemul s a se

xf(x, t)dx, (4.23)

Intre cele dou a dispersii are loc

, iar intervalul de ncredere este

determinat din tabelele legii Student, obt inem intervalul

= 1, 96 si intervalul de ncredere 4, 331 < m < 4, 5940.

, acceptam ipoteza (H).

, respingem ipoteza (H).

Inlocuim n (5.28) si obt inem

din tabelul H(3, 1) si obt inem

= 7.8. Deoarece 4.04 < 7.8,

Intre variabilele aleatoare exist a aproape sigur o relat ie liniar a de forma

Inlocuim n sistemul (5.33) si obt inem

= 92. Determinat i un interval de incredere

= 1, 96 iar forma intervalului pentru media teoretic a este

s a ia valori in aceste intervale s a e 0,2. Se

S-ar putea să vă placă și