1

PROBABILIT

ATI SI STATISTIC

A
Eugen Paltanea
Curs ID - 2013
Universitatea Transilvania din Brasov
2
Cuprins
0.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.1.1 Date istorice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.1.2 Descrierea cursului . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.1.3 Principiile de baz a. Limbaj . . . . . . . . . . . . . . . . . . . . . . 5
1 Spat ii masurabile. Campuri de probabilitate. Scheme clasice de proba-
bilitate 7
1.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Corpuri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Spat ii m asurabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Funct ii masurabile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 C ampuri de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Evenimente independente, evenimente condit ionate . . . . . . . . . . . . . 13
1.7 Scheme clasice de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . 14
1.8 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.9 Test 1 de evaluare/autoevaluare . . . . . . . . . . . . . . . . . . . . . . . . 22
1.10 Competent e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 Variabile aleatoare. Caracteristici numerice 25
2.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Funct ia de repartit ie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Variabile aleatoare discrete. Exemple clasice . . . . . . . . . . . . . . . . . 28
2.5 Variabile aleatoare continue. Exemple clasice . . . . . . . . . . . . . . . . . 29
2.6 Media. Medii de ordin superior . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7 Dispersia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Corelat ia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.9 Funct ia caracteristica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.11 Test 2 de evaluare/autoevaluare . . . . . . . . . . . . . . . . . . . . . . . . 45
2.12 Competent e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 Convergent a sirurilor de variabile aleatoare 47
3.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Inegalit at i fundamentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Tipuri de convergent a. Relat ii . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4 Legile numerelor mari . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5 Teorema limita central a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3
4
3.6 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.7 Test 3 de evaluare/autoevaluare . . . . . . . . . . . . . . . . . . . . . . . . 55
3.8 Competent e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4 Elemente de statistica matematica 57
4.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Not iuni de baza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 Estimatori. Propriet at i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.4 Estimatori bayesieni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.5 Rezumat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.6 Test 4 de evaluare/autoevaluare . . . . . . . . . . . . . . . . . . . . . . . . 64
4.7 Competent e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5
0.1 Introducere
0.1.1 Date istorice
Teoria probabilit at ilor
1
si statistica matematica studiaza fenomenele aleatoare, n scopul
predict iei sanselor de realizare a unor rezultate asteptate. Studiul se bazeaza pe modelare
matematic a si rat ionamente deductive.
Bazele teoriei probabilit at ilor si statisticii (studiului matematic al hazardului) au fost
puse n secolele XVI-XVII. Astfel, Gerolamo Cardano scria n 1526 prima carte dedicat a
unor concepte probabiliste: Liber de ludo aleae (Cartea jocurilor de noroc), publicat a
n 1663. Contribut ii majore la punerea bazelor teoriei probabilit at ilor au avut matemati-
cienii francezi Blaise Pascal si Pierre de Fermat (nceputul sec. al XVII-lea).

In 1657,
Cristiaan Huygens publica lucrarea De ratiociniis in ludo aleae (Asupra rat ionamentelor
n jocurile de noroc). Doctrina probabilit at ilor se contureaza n sec. al XVIII-lea prin
lucr arile fundementale Ars conjectandi, publicata n 1713 de Jacob Bernoulli si The Doc-
trine of Chances, publicata n 1718 de Abraham de Moivre. Un secol mai t arziu, Pierre
Simon Laplace public a lucrarea Theorie analytique des probabilitees, n care evident iaz a
legea erorilor (convergent a la legea normala). Teoria modern a a probabilitat ilor (incluz and
formalizarea axiomatic a) este datorat a n buna m asur a matematicianului rus Andrei Niko-
laevici Kolmogorov, autorul c art ii Foundation of the Theory of Probability, publicat a n
1950. Printre lucr arile de referint a n domeniu ale secolului XX trebuiesc amintite The
Theory of Stochastic Processes (D.R Cox, H.D. Miller, 1965), An Introduction to Proba-
bility Theory (W. Feller, 1968) si Probability and Measure (P. Billingsley, 1979). In ul-
timii 60 de ani, studiul proceselor aleatoare cunoaste o dezvoltare si diversicare teoretica
exponent ial a, dar si un camp foarte larg de aplicabilitate.
Scoala romaneasc a de probabilit at i se remarca prin numeroase contribut ii originale.
Bazele acestei scoli se datoreaza n principal matematicienilor C. T. Ionescu-Tulcea, Ghe-
orghe Mihoc, Octav Onicescu, Ion Cuculescu, Marius Iosifescu si Constantin Tudor.
0.1.2 Descrierea cursului
Prezentul curs reprezinta o introducere n teoria probabilitat ilor si statisticii matematice.
Sunt descrise si caracterizate concepte de baza ale domeniului: c ampuri de probabilitate,
variabile aleatoare si convergent a sirurilor de variabile aleatoare, esantioane, estimatori
statistici etc. Pentru studiul acestor not iuni sunt necesare cunostint e elementare de analiza
matematic a si teoria masurii. Cunostint ele teoretice sunt exemplicate si aplicate n prob-
leme si lucr ari de laborator, menite s a familiarizeze cursantul cu rat ionamentele specice
domeniului si cu utilizarea unor softuri informatice.
0.1.3 Principiile de baza. Limbaj
Teoria probabilit at ilor analizeaz a sansele de realizare a unor evenimente n urma unei
experient e si este fundamentat a pe urm atoarele trei principii:
1. Fiec arui eveniment rezultat n urma unei experient e i se atribuie un num ar real din
intervalul [0, 1] numit probabilitatea evenimentului.
1
Etimologie: probabilitas (lat.) = credibilitate
6
2. Oricare dou a evenimente contrare au suma probabilitat ilor egal a cu 1.
3. Probabilitatea de realizare simultana a dou a evenimente este egal a cu produsul dinte
probabilitatea realiz arii unuia dintre evenimente si probabilitatea realiz arii celuilalt
eveniment, condit ionata de realizarea primului eveniment.
In formalizarea matematic a, evenimentele care pot rezultan urma efectuarii unei experient e
reprezint a submult imi ale unei mult imi (interpretata ca evenimentul sigur). Aceste
evenimente au o probabilitate de aparit ie (sans a de realizare). Matematic, probabilitatea
este o masura nita, denit a pe mult imea evenimentelor. Astfel, limbajului probabilistic
i corespunde limbajul mult imilor.
Urm atoarea schem a evident iaz a dualitatea de limbaj (relativ la o anumit a experient a):
evenimentul sigur = mult imea total a (de referint a): ;
evenimentul imposibil = mult imea vida: ;
evemiment = submult ime a mult imii totale: A ;
realizarea unui eveniment asigura realizarea unui alt eveniment (implicat ia eveni-
mentelor) = incluziunea mult imilor: A B;
evenimentul contrar (unui eveniment) = complementara unei submult imi a mult imii
totale: A
c
= \ A;
evenimentul realizarii a cel put in unuia dintre doua evenimente (disjunct ia eveni-
mentelor) = reuniunea mult imilor: A B;
evenimentul realizarii simultane a doua evenimente (conjunct ia evenimentelor) =
intersect ia mult imilor: A B;
Unitatea de nvat are 1
Spat ii masurabile. Campuri de
probabilitate. Scheme clasice de
probabilitate
1.1 Introducere
Vom deni si caracterizan continuare not iunea de spat iu masurabil (camp de evenimente)
si funct iile m asurabile, denite ntre spat ii m asurabile. Not iunile respective modeleaz a
matematic rezultatele posibile ale unei experient e (evenimentele posibile) si corespondent ele
specice asociate unor experient e. Astfel, denim not iunile: corp, -corp, borelianul unui
spat iu topologic, spat iu masurabil, funct ie masurabil a si evident iem proprietat ile lor de
baz a. Se introduce not iunea de camp de probabilitate si se preg ateste denirea conceptu-
lui de variabila aleatoare. Sunt evident iate propriet at ile probabilitat ii, denit a ca m asura
nit a pe spat iul evenimentelor (-corpul evenimentelor). Este discutat a independent a
evenimentelor si not iunea de probabilitate condit ionat a. Exemplele elementare de c ampuri
de probabilitate discrete sunt particularizate n modelele clasice (scheme de probabilitate),
adaptate studiului unor fenomene aleatoare.
1.2 Corpuri
Not iune de corp (de mult imi) reprezint a cadrul minimal de modelare matematic a a setului
evenimentelor posibile rezultate n urma unei experient e cu rezultate aleatoare.
Denit ia 1.2.1. Fie o mult ime nevida. O familie nevida C de submult imi ale lui
(C P()) se numeste corp a lui daca satisface proprietat ile:
C
1
. A
c
C, A C;
C
2
. A B C, A, B C.
Denit ia de mai sus are o serie de consecint e imediate.
Propozit ia 1.2.1. Fie C un corp a lui . Au loc proprietat ile urmatoare:
C
3
.
n
i=1
A
i
C, A
i
C, i = 1, n, n 2;
7
8
C
4
.
n
i=1
A
i
C, A
i
C, i = 1, n, n 2;
C
5
. , C;
C
6
. A \ B C, A, B C.
Demonstrat ie. C
3
se verica prin induct ie. C
4
rezult a din urmatoarea relat ie (De Mor-
gan):
n
i=1
A
i
= (
n
i=1
A
c
i
)
c
si propriet at ile C
1
si C
3
. Pentru C
5
, consider am A C; avem
= A A
c
C si = A A
c
C. C
6
se obt ine din relat ia: A \ B = A B
c
si C
4
.
Vom considera n continuare intersect ii de corpuri ale unei mult imi xate.
Propozit ia 1.2.2. O intersect ie de corpuri ale unei mult imi date este un corp al acelei
mult imi.
Demonstrat ie. Fie {C
i
: i I} o familie de corpuri ale mult imii . Not am C =

iI
C
i
P(). Evident, C (cf. P
3
), deci C = . Dac a A C, atunci A C
i
, i I,
de unde A
c
C
i
, i I (cf. C
1
), deci A
c
C. Similar se veric a AB C, A, B C.
Rezult a c a C este un corp a lui .
Rezultatul de mai sus este util n studiul corpurilor generate de familii de p art i ale
multimii totale considerate.
Denit ia 1.2.2. Fie = si M P(), M = . Fie P = {C corp a lui | M C}.
Atunci mult imea
C(M) =

CP
C
se numeste corpul generat de M.
Vom observa la C(M) este cel mai mic corp a lui care include familia de p art i M a
lui . Ne vom referi acum la cazul corpurilor nite.
Propozit ia 1.2.3. Fie = .
1. Daca M P(), M = , este o mult ime nita, atunci corpul C(M) este nit.
2. Daca C este un corp nit a lui , atunci exista o partit ie nita = {A
1
, A
2
, , A
n
}
a lui astfel ca
C = {
iI
A
i
: I {1, 2, , n}}.
Demonstrat ie.
1. Fie mult imile nite M
c
= {A
c
: A M}, M
1
= M M
c
, M
2
= {
AH
A : H M
1
}
si M
3
= {
AG
: G M
2
}. Atunci C(M) = M
3
, deci este nit.
2. Partit ia este formata din mult imile nevide A C, av and proprietatea urm atoare
B A B = A sau B = , B C.
9
1.3 Spat ii masurabile
Not iunea de corp (de mult imi), denita n paragraful enterior, va extins a n cele ce
urmeaz a la cea de corp. Aceasta va permite introducerea not iunii de spat iu masurabil
(c amp de evenimente).
Denit ia 1.3.1. Fie o mult ime nevida. O mult ime nevida F se numeste corp
a lui daca satisface urmatoarele condit ii:

1
. A
c
F, A F;

2
. daca A
n
F, n N

atunci

n=1
A
n
F.
Perechea (, F) se numeste spat iu masurabil sau camp de evenimente.
Vom observa ca orice corp F a lui este un corp a lui . Astfel, pentru A, B F
consider am sirul (A
n
)
n1
denit prin A
1
= A si A
n
= B, n 1. Conform
1
, avem
AB =

n=1
A
n
F. Deducem c a -corpul F este corp. Ca urmare, propriet at ile C
3
C
6
r aman valabile ntr-un -corp. Alte proprietat i sunt descrise n propozit ia urm atoare.
Propozit ia 1.3.1. Fie (, F) un spat iu masurabil. Au loc urmatoarele proprietat i:

3
. A
n
F, n N

n=1
A
n
F;

4
. A
n
F, n N

limsup
n
A
n
F, liminf
n
A
n
F,
unde limsup
n
A
n
=

n=1

k=n
A
k
si liminf
n
A
n
=

n=1

k=n
A
k
.
Demonstrat ie.
3
. Conform relat iilor lui De Morgan si Denit iei 1.3.1, avem:

n=1
A
n
=
(

n=1
A
c
n
)
c
F.

4
. Se aplica
2
si P
5
.
Remarc am ca familiile F
1
= P() si F
2
= {, } reprezint a -corpuri (deci si corpuri)
elementare ale lui .
Intersect ia unor -corpuri ale unei mult imi este de asemenea un -corp al mult imii
respective, demonstrat ia ind similara celei din Propozit ia 1.2.2.
Propozit ia 1.3.2. Daca F
i
, i I, reprezinta o familie oarecare de corpuri ale mult imii
, atunci
iI
F
i
reprezinta de asemenea un corp al mult imii .
Proprietatea de mai sus permite denirea not iunii de -corp generat de o mult ime de
p art i (submult imi) ale unei mult imi .
Denit ia 1.3.2. Fie o mult ime nevida si M P(). Intersect ia tuturor corpurilor
lui care includ mult imea M se numeste corpul generat de M si se noteaza B(M).
Mult imea B(M) este cel mai mic -corp a lui care include pe M. Un caz particular
foarte important este cel n care mult imea M este o topologie pe spat iul .
10
Denit ia 1.3.3. Fie (, O) un spat iu topologic, unde O reprezinta topologia lui (familia
mult imilor deschise). Atunci corpul generat de mult imea O se numeste borelianul
spat iului topologic (, O) si se noteaza (atunci cand nu este pericol de confuzie) prin B

.
Topologia O
R
a mult imii numerelor reale R este familia reuniunilor cel mult numarabile
de intervale deschise disjuncte. Se poate demonstra ca borelianul B
R
al spat iului topologic
(R, O
R
) cont ine toate tipurile de intervale si reuniunile cel mult numarabile ale acestora.
Reciproc, B
R
coincide cu - corpul generat de oricare tip de intervale reale.
1.4 Funct ii masurabile
Descriem n continuare funct iile specice spat iilor masurabile.
Denit ia 1.4.1. Fie (, F) si (

, F

) o pereche de spat ii masurabile (campuri de eveni-

mente). O funct ie f :

se numeste funct ie masurabila daca

f
1
(A) F, A F

,
unde f
1
(A) = { | f( A}.

In particular, dac a

= R si F

= B
R
, funct ia f se va numi funct ie reala masurabila.
De remarcat faptul c a, pentru o funct ie reala m asurabila f : R, avem:
{f a} := f
1
((, a]) F, a R
{f > a} := f
1
((a, )) F, a R
{a f b} := f
1
([a, b]) F, a, b R, a < b.
Conservarea m asurabilitat ii prin operat ii algebrice este stabilit a de propozit ia urm atoare.
Propozit ia 1.4.1. Fie (, F) un spat iu masurabil. Daca f, g : R sunt funct ii reale
masurabile si a R atunci funct iile reale f +a, af, |f|, f +g, fg, min{f, g} si max{f, g}
sunt masurabile.
Funct iie continue sunt masurabile. Astfel, are loc:
Propozit ia 1.4.2. Daca (, B

) este un spat iu masurabil, cu B

reprezentand borelianul
denit de o topologie pe , iar f : R este o funct ie continua, atunci f este o funct ie
reala masurabila.
Not iunea de funct ie reala masurabila serveste denirii not iunii de variabila aleatoare.
11
1.5 Campuri de probabilitate
Not iunea de camp de probabilitate este fundamentala n teoria probabilitat ilor. Un c amp
de probabilitate este un spat iu m asurabil dotat cu o masur a nit a numit a probabilitate.
Denit ia 1.5.1. Fie (, F) un spat iu masurabil, cu corpul F denumit mult imea
evenimentelor. O funct ie P : F R se numeste probabilitate daca satisface urmatoarele
axiome:
P1. P(A) 0, A F;
P2. P() = 1;
P3. Pentru oricare sir de evenimente (A
n
)
nN
, cu A
n
A
m
= , n = m, are loc relat ia
P(

n=1
A
n
) =

n=1
P(A
n
).
Tripletul (, F, P) se numeste camp de probabilitate.
Ultima proprietate a denit iei de mai sus se refera la siruri de evenimente.

In contin-
uare, ne vom referi la sirurile monotone de evenimente si limitele de siruri de evenimente.
Denit ia 1.5.2. Fie (A
n
)
nN
un sir de evenimente din campul de probabilitate (, F, P).
1. Sirul (A
n
)
nN
se numeste monoton crescator daca A
n
A
n+1
, n 1. Fie
A =

n=1
A
n
F. Notam lim
n
A
n
= A si A A.
2. Sirul (A
n
)
nN
se numeste monoton descrescator daca A
n+1
A
n
, n 1. Fie
A =

n=1
A
n
F. Notam lim
n
A
n
= A si A A.
3. Limita superioara a sirului (A
n
)
nN
se deneste prin
limsup
n
A
n
=

n=1

k=n
A
k
F.
4. Limita inferioara a sirului (A
n
)
nN
se deneste prin
liminf
n
A
n
=

n=1

k=n
A
k
F.
Probabilitatea are o serie de propriet at i fundamentale care decurg din Denit ia 1.5.1.
Aceste proprietat i caracterizeaza n fapt o masura nita.
Propozit ia 1.5.1. Fie (, F, P) un camp de probabilitate. Au loc urmatoarele proprietat i
P4. P() = 0;
P5. P(A B) = P(A) +P(B), A, B F, A B = ;
P6. P(A
c
) = 1 P(A), A F;
12
P7. P(A \ B) = P(A) P(B), A, B F, B A;
P8. P(A) P(B), A, B F, A B;
P9. P(A) [0, 1], A F;
P10. (Formula lui Poincare)
P(
n
i=1
A
i
) =
n

k=1
(1)
k+1

1i
1
<i
2
<<i
k
n
P(
k
j=1
A
i
j
);
P11. Daca (A
n
)
n1
este un sir monoton (crescator sau descrescator) de evenimente, cu
lim
n
A
n
= A, atunci lim
n
P(A
n
) = P(A).
P12. Pentru oricare sir de evenimente (A
n
)
nN
avem
P(

n=1
A
n
)

n=1
P(A
n
).
Demonstrat ie.
P4. Presupunem, prin absurd, c a P() = p > 0. Consider am sirul A
n
= , n N

.
Conform [P3], P() = P(

n=1
(A
n
) =

n=1
P(A
n
) = . Contradict ie.
P5. Alegem sirul A
n
= , n 3, A
1
= A si A
2
= B si aplic am [P3], [P4].
P6. Relat ia rezulta din A
c
A = si proprietat ile [P2], [P5].
P7. Se obt ine din A = B (A \ B) si [P5].
P8. Rezult a din proprietatea anterioar a, [P7].
P9. Consecint a a propriet at ilor [P1], [P2] si [P8].
P10. Formula se demonstreaz a prin induct ie matematic a.
P11. Presupunem A
n
. Avem A
1
=

n=1
(A
n
\ A
n+1
), cu (A
i
\ A
i+1
) (A
j
\ A
j+1
) =
, i = j. Atunci P(A
1
) =

n=1
P(A
n
\ A
n+1
). Rezult a lim
n

k=n
P(A
k
\ A
k+1
) = 0.
Dar

k=n
P(A
k
\ A
k+1
) = P(

n=1
(A
n
\ A
n+1
)) = P(A
n
). Deci lim
n
P(A
n
) = 0 =
P().
Presupunem A
n
A. Atunci (A
n
\ A) , de unde lim
n
P(A
n
\ A) = 0 si obt inem
lim
n
P(A
n
) = P(A).
Presupunem A A. Atunci A
c
A
c
. Rezult a lim
n
P(A
c
n
) = P(A
c
), de unde obt inem
lim
n
P(A
n
) = P(A).
P12. Denim sirul de evenimente (B
n
)
n1
, B
1
= A
1
, B
n
= A
n
\
_

n1
k=1
A
k
_
A
n
, n > 1.
Avem
n
k=1
B
k
=
n
k=1
A
k
, n 1 si B
i
B
j
= , i = j. Ca urmare, conform
propriet at ilor [P3] si [P8], avem
P(

n=1
A
n
) = P(

n=1
B
n
) =

n=1
P(B
n
)

n=1
P(A
n
),
ceea ce trebuia demonstrat.
13
1.6 Evenimente independente, evenimente condit ionate
Un fenomen important studiat de teoria probabilitat ilor este cel al dependent ei (respectiv
independent ei) evenimentelor.
Denit ia 1.6.1. Fie (, F, P) un camp de probabilitate. Consideram un eveniment A F,
cu P(A) > 0. Pentru oricare eveniment B F numim probabilitatea lui B condit ionata
de (realizarea evenimentului) A marimea:
P(B|A) :=
P(B A)
P(A)
.
Evenimentele A si B se numesc independente daca P(B|A) = P(B), adica P(A B) =
P(A)P(B).
Mai general, G F se numeste familie de evenimente independente daca pentru oricare
evenimente distincte A
1
, A
2
, , A
n
G avem
P(
n
i=1
A
i
) =
n

i=1
P(A
i
).
Se constat a astfel c a doua evenimente sunt independente daca probabilitatea realizarii
unuia dintre acestea nu este inuient at a de realizarea celuilalt. Se arata cu usurint a c a
evenimentele contrare ale unor evenimente independente sunt de asemenea independente.
Pe de alt a parte, conceptul de evenimente condit ionate permite considerarea sistemelor
complete de evenimente.
Denit ia 1.6.2. Evenimentele A
i
, i I, unde I este o mult ime cel mult numrabila de
indici, formeaza un sistem complet de evenimente n campul de probabilitate (, F, P)
daca:
1. A
i
A
j
= , i = j
2.
iI
A
i
=
3. P(A
i
) > 0, i I
Propozit ia 1.6.1. Fie (, F, P) un camp de probabilitate, iar A
i
, i I, un sistem complet
de evenimente. Daca A este un eveniment cu probabilitate nenula, atunci loc:
1. Formula probabilitat ii totale
P(A) =

iI
P(A|A
i
)P(A
i
)
2. Formula lui Bayes
P(A
k
|A) =
P(A|A
k
)P(A
k
)

iI
P(A|A
i
)P(A
i
)
, k I.
14
Demonstrat ie.
1. Avem
A = A = A (
iI
A
i
) =
iI
(A A
i
) .
Deoarece evenimentele A A
i
, i I sunt incompatibile doua c ate dou a, obt inem
P(A) =

iI
P(A A
i
) =

iI
P(A|A
i
) P(A
i
) ,
deci formula probabilitat ii totale este demonstrat a.
2. Fie k I. Conform Denit iei 1.6.1 si formulei probabilit at ii totale, obt inem
P(A
k
|A) =
P(A A
k
)
P(A)
=
P(A|A
k
)P(A
k
)

iI
P(A|A
i
)P(A
i
)
,
deci formula lui Bayes este demonstrat a.
1.7 Scheme clasice de probabilitate
Prezent am n continuare modelele de baz a de c mpuri de probabilitate (discrete).
1. Campul lui Laplace.
Spat iul este considerat o mult ime nita, iar corpul F este considerat mult imea
P() (mult imea submult imilor lui ). Probabilitatea unui eveniment A se
deneste prin:
P(A) =
|A|
||
,
unde |M| reprezint anum arul elementelor unei mult imi nite M. Elementele lui
determin a evenimentele elementare, echiprobabile. Astfel, pentru , avem
P({}) =
1
n
,
unde n = ||.
2. Camp discret de evenimente.
Consider am = {
i
: i I}, unde mult imea de indici I este cel mult num arabila.
Denim F = P(). Consideram o masur a de probabilitate (p
i
)
iI
pe mult imea ,
unde p
i
0, i I si

I
p
i
= 1. Probabilitatea unui eveniment A = {
j
: j J},
cu J I, se deneste prin
P(A) =

jJ
p
j
.
Modelele de mai sus se materializeaz a concret n scheme de probabilitate. Este vorba
exemple cu un grad mare de generalitate si utilizare frecvent a n calculul probabilitat ilor.
Prezent am n continuare cele mai cunoscute scheme de probabilitate.
15
1. Schema lui Bernoulli.
Este un exemplu de camp Laplace. Schema modeleaz a urm atoarea experient a:
O urn a cont ine c bile, dintre care a sunt albe si b sunt negre (a+b=c). Se extrage
o bil a, i se nregistreaz a culoarea, iar apoi se reintroduce n urn a. Se repet a aceast a
experient a de n ori. Se studiaza probabilitatea evenimentului A
k|n
al aparit iei bilei
albe de k ori n cele n extrageri (cu repunerea bilei n urn a).
Not am P
k|n
= P
_
A
k|n
_
probabilitatea evenimentului ment ionat. Un rat ionament
elementar ne conduce la formula de calcul
P
k|n
= C
k
n
p
k
q
nk
, k = 0, 1, , n,
unde p = a/c este probabilitatea aparit iei unei bile la o extragere, iar q = b/c = 1p
este probabilitatea evenimentului contrar (aparit ia unei bile negre).
Modelul este echivalent cu repetarea unei experient e (n condit ii identice) de n ori
si studiul probabilitat ii realiz arii unui anumit eveniment de k ori (din totalul de n
experient e).
Remarc am
n

k=0
P
_
A
k|n
_
=
n

k=0
P
k|n
=
n

k=0
C
k
n
p
k
q
nk
= (q +p)
n
= 1,
deci evenimentele A
k|n
, k = 0, 1, , n, reprezint a un sistem complet.
2. Schema multinomiala.
Este o extindere a schemei lui Bernoulli.
Se considera o urn a cont in and bile de s culori, cate a
i
bile din culoarea i {1, 2, , s}.
Not am
p
i
=
a
i

s
j=1
a
j
probabilitatea extragerii unei bile de culoarea i {1, 2, , s}. Se fac n extrageri, cu
repunerea bilei n urn a dupa ecare extragere. Fie (k
i
)
i=1,s
un vector de dimensiune
s, cu componente naturale, av and proprietatea

s
i=1
k
i
= n. Notam
P
(k
i
)
i=1,s
|n
probabilitatea evenimentului A
(k
i
)
i=1,s
|n
de extragere a exact k
i
bile de culoarea i,
unde i = 1, 2, , s, din totalul de n bile extrase. Se constat a ca
P
(k
i
)
i=1,s
|n
=
_
n
k
1
, k
2
, , k
s
_
p
k
1
1
p
k
2
2
p
k
s
s
,
unde
_
n
k
1
, k
2
, , k
s
_
=
n!
k
1
!k
2
! k
s
!
reprezint a combin arile multinomiale de n luate cate k
1
, k
2
, , k
s
.
Avem

(k
i
)N
s
;

s
i=1
k
i
=n
P
(k
i
)
i=1,s
|n
=

(k
i
)N
s
;

s
i=1
k
i
=n
_
n
k
1
, k
2
, , k
s
_
p
k
1
1
p
k
2
2
p
k
s
s
=
16
= (p
1
+p
2
+ +p
s
)
n
= 1,
deci A
(k
i
)
i=1,s
|n
, cu (k
i
) N
s
, astfel ca

s
i=1
k
i
= n, formeaz a un sistem complet de
evenimente.
3. Schema lui Poisson.
Reprezint a o generalizare a schemei lui Bernoulli. Se considera n urne cu bile albe si
negre, dar n proport ii diferite. Fie p
i
probabilitatea extragerii unei bile albe din urna
i. Probabilitatea extragerii unei bile negre din urna i va q
i
= 1p
i
, i = 1, 2, , n.
Se extrage cate o bil a din ecare urn a. Se analizeaz a probabilitatea evenimentului
A
k|n
de a obt ine exact k bile albe din cele n extrase. Not am N
n
= {1, 2, , n}.
Avem
P
k|n
= P
_
A
k|n
_
=

IN
n
; |I|=k

iI
p
i

jN
n
\I
q
j
.
Observ am c a P
k|n
reprezint a coecientul lui x
k
al polinomului
f(x) = (p
1
x +q
1
) (p
2
x +q
2
) (p
n
x +q
n
) .
Evident,
n

k=0
P
k|n
= f(1) = 1,
deci evenimentele A
k|n
, k = 0, 1, , n, reprezint a un sistem complet.
4. Schema geometrica.
Schema este un exemplu de c amp discret de evenimente. Astfel, se repet a continuu o
experient a, n condit ii identice, urm arindu-se de ecare dat a realizarea unui anumit
eveniment A. Fie P(A) = p. Consider am momentul n care evenimentul A se
realizeaz a pentru prima dat a. Fie n N

. Probabilitatea ca evenimentul A s a se
realizeze pentru prima dat a n cea de a n-a experient a este
p
n
= pq
n1
,
unde q = 1 p. Avem

n=1
p
n
=

n=1
pq
n1
= p

k=0
q
k
=
p
1 q
= 1.
5. Schema hipergeometrica.
Se consider a o urn a cu N bile, dintre care a bile sunt albe iar restul de b bile sunt
negre (a+b = N). Se extrag n bile (far a a le repune n urma dup a ecare extragere).
Not am p
k|n
probabilitatea evenimentului A
k|n
de a avea exact k bile albe ntre cele
n bile extrase. Presupunem n N, k a si n k b. Atunci
p
k|n
=
C
k
a
C
nk
b
C
n
N
.
Conform unei formule combinatoriale binecunoscute, obt inem
min{a,n}

k=max{0,nb}
p
k|n
=
min{a,n}

k=max{0,nb}
C
k
a
C
nk
b
C
n
N
= 1,
17
deci A
k|n
, max{0, n b} k min{a, n}, formeaz a un sistem complet de eveni-
mente.
6. Schema hipergeometrica generalizata.
Se consider a o urna cu N bile de s culori. Fie a
i
num arul de bile de culoarea i, i =
1, 2, , s. Avem deci

s
i=1
a
i
= N. Se extrag, f ara repunere, n bile. Consider am
vectorul (k
i
) N
s
, cu

s
i=1
k
i
= n, astfel nc at k
i
a
i
, i = 1, 2, , s. Atunci
probabilitatea extragerii a k
i
bile din culoarea i, pentru ecare i {1, 2, , s}, este
p
(k
i
)
=
C
k
1
a
1
C
k
2
a
2
C
k
s
a
s
C
n
N
.
18
1.8 Rezumat

In teoria probabilit at ilor, evenimentele rezultate n urma unei experient e sunt interpretate
ca o familie de submult imi ale evenimentului sigur, mult imea . Mult imea evenimentelor
formeaz a un corp (borelian).
O mult ime nevid a F se numeste corp a lui daca satisface urmatoarele
condit ii:

1
. A
c
F, A F;

2
. dac a A
n
F, n N

atunci

n=1
A
n
F.
Perechea (, F) se numeste spat iu m asurabil sau c amp de evenimente.
Borelianul lui = R, notat B
R
este corpul generat de mult imile deschise (topologia
lui R), adic a cel mai mic corp a lui R care include mult imile deschise. B
R
cont ine
toate tipurile de intervale si este generat de oricare tip de intervale reale.
Fie (, F) si (

, F

) o pereche de spat ii masurabile (c ampuri de evenimente). O funct ie

f :

se numeste funct ie masurabila dac a

f
1
(A) F, A F

,
unde f
1
(A) = { | f( A}.

In particular, daca

= R si F

= B
R
, funct ia f se va numi funct ie reala masurabila.
Pentru o funct ie reala m asurabila f : R, avem:
{f a} := f
1
((, a]) F, a R
{f > a} := f
1
((a, )) F, a R
{a f b} := f
1
([a, b]) F, a, b R, a < b.
Dac a f, g : R sunt funct ii reale m asurabile si a R atunci funct iile reale f +
a, af, |f|, f +g, fg, min{f, g} si max{f, g} sunt m asurabile.
Fie (, F) un spat iu m asurabil, cu corpul F denumit mult imea evenimentelor.
O funct ie P : F R se numeste probabilitate daca satisface urmatoarele axiome:
P1. P(A) 0, A F;
P2. P() = 1;
P3. Pentru oricare sir de evenimente (A
n
)
nN
, cu A
n
A
m
= , n = m, are loc relat ia
P(

n=1
A
n
) =

n=1
P(A
n
).
Tripletul (, F, P) se numeste c amp de probabilitate.
Probabilitatea are proprietat ile:
P4. P() = 0;
P5. P(A B) = P(A) +P(B), A, B F, A B = ;
19
P6. P(A
c
) = 1 P(A), A F;
P7. P(A \ B) = P(A) P(B), A, B F, B A;
P8. P(A) P(B), A, B F, A B;
P9. P(A) [0, 1], A F;
P10. (Formula lui Poincare)
P(
n
i=1
A
i
) =
n

k=1
(1)
k+1

1i
1
<i
2
<<i
k
n
P(
k
j=1
A
i
j
);
P11. Daca (A
n
)
n1
este un sir monoton (cresc ator sau descrescator) de evenimente, cu
lim
n
A
n
= A, atunci lim
n
P(A
n
) = P(A).
P12. Pentru oricare sir de evenimente (A
n
)
nN
avem
P(

n=1
A
n
)

n=1
P(A
n
).
Consider am un eveniment A F, cu P(A) > 0. Pentru oricare eveniment B F,
numim probabilitatea lui B condit ionat a de (realizarea evenimentului) A m arimea:
P(B|A) :=
P(B A)
P(A)
.
Evenimentele A si B se numesc independente dac a P(B|A) = P(B), adic a P(A B) =
P(A)P(B).
Mai general, G F se numeste familie de evenimente independente dac a pentru oricare
evenimente distincte A
1
, A
2
, , A
n
G avem
P(
n
i=1
A
i
) =
n

i=1
P(A
i
).
Astfel, dou a evenimente sunt independente dac a probabilitatea realizarii unuia dintre aces-
tea nu este inuient ata de realizarea celuilalt.
Evenimentele A
i
, i I, unde I este o mult ime cel mult numrabil a de indici, formeaz a
un sistem complet de evenimente n c ampul de probabilitate (, F, P) daca:
1. A
i
A
j
= , i = j
2.
iI
A
i
=
3. P(A
i
) > 0, i I
Dac a A este un eveniment cu probabilitate nenul a (neneglijabil), atunci loc:
1. Formula probabilit at ii totale
P(A) =

iI
P(A|A
i
)P(A
i
)
20
2. Formula lui Bayes
P(A
k
|A) =
P(A|A
k
)P(A
k
)

iI
P(A|A
i
)P(A
i
)
, k I.
Modelele de baz a de c mpuri de probabilitate discrete:
1. Campul lui Laplace.
Spat iul este considerat o mult ime nita, iar corpul F este considerat mult imea
P() (mult imea submult imilor lui ). Probabilitatea unui eveniment A se
deneste prin:
P(A) =
|A|
||
,
unde |M| reprezint anum arul elementelor unei mult imi nite M. Elementele lui
determin a evenimentele elementare, echiprobabile. Astfel, pentru , avem
P({}) =
1
n
,
unde n = ||.
2. Camp discret de evenimente.
Consider am = {
i
: i I}, unde mult imea de indici I este cel mult num arabila.
Denim F = P(). Consideram o masur a de probabilitate (p
i
)
iI
pe mult imea ,
unde p
i
0, i I si

I
p
i
= 1. Probabilitatea unui eveniment A = {
j
: j J},
cu J I, se deneste prin
P(A) =

jJ
p
j
.
Schemele de probabilitate reprezint a modele/exemple cu un grad mare de generalitate
n calculul probabilitat ilor.
1. Schema lui Bernoulli.
Este un exemplu de camp Laplace. Schema modeleaz a urm atoarea experient a:
O urn a cont ine c bile, dintre care a sunt albe si b sunt negre (a+b=c). Se extrage
o bil a, i se nregistreaz a culoarea, iar apoi se reintroduce n urn a. Se repet a aceast a
experient a de n ori. Se studiaza probabilitatea evenimentului A
k|n
al aparit iei bilei
albe de k ori din cele n extrageri (cu repunerea bilei n urn a).
Not am P
k|n
= P
_
A
k|n
_
probabilitatea evenimentului ment ionat. Avem
P
k|n
= C
k
n
p
k
q
nk
, k = 0, 1, , n,
unde p = a/c este probabilitatea aparit iei unei bile la o extragere, iar q = b/c = 1p
este probabilitatea evenimentului contrar (aparit ia unei bile negre).
2. Schema multinomiala.
Este o extindere a schemei lui Bernoulli.
Se considera o urn a cont in and bile de s culori, cate a
i
bile din culoarea i {1, 2, , s}.
Not am
p
i
=
a
i

s
j=1
a
j
21
probabilitatea extragerii unei bile de culoarea i {1, 2, , s}. Se fac n extrageri, cu
repunerea bilei n urn a dupa ecare extragere. Fie (k
i
)
i=1,s
un vector de dimensiune
s, cu componente naturale, av and proprietatea

s
i=1
k
i
= n. Notam
P
(k
i
)
i=1,s
|n
probabilitatea evenimentului A
(k
i
)
i=1,s
|n
de extragere a exact k
i
bile de culoarea i,
unde i = 1, 2, , s, din totalul de n bile extrase. Avem
P
(k
i
)
i=1,s
|n
=
_
n
k
1
, k
2
, , k
s
_
p
k
1
1
p
k
2
2
p
k
s
s
,
unde
_
n
k
1
, k
2
, , k
s
_
=
n!
k
1
!k
2
! k
s
!
reprezint a combin arile multinomiale de n luate cate k
1
, k
2
, , k
s
.
3. Schema lui Poisson.
Reprezint a o generalizare a schemei lui Bernoulli. Se considera n urne cu bile albe si
negre, dar n proport ii diferite. Fie p
i
probabilitatea extragerii unei bile albe din urna
i. Probabilitatea extragerii unei bile negre din urna i va q
i
= 1p
i
, i = 1, 2, , n.
Se extrage cate o bil a din ecare urn a. Se analizeaz a probabilitatea evenimentului
A
k|n
de a obt ine exact k bile albe din cele n extrase. Not am N
n
= {1, 2, , n}.
Avem
P
k|n
= P
_
A
k|n
_
=

IN
n
; |I|=k

iI
p
i

jN
n
\I
q
j
.
Observ am c a P
k|n
reprezint a coecientul lui x
k
al polinomului
f(x) = (p
1
x +q
1
) (p
2
x +q
2
) (p
n
x +q
n
) .
4. Schema geometrica.
Schema este un exemplu de c amp discret de evenimente. Astfel, se repet a continuu o
experient a, n condit ii identice, urm arindu-se de ecare dat a realizarea unui anumit
eveniment A. Fie P(A) = p. Consider am momentul n care evenimentul A se
realizeaz a pentru prima dat a. Fie n N

. Probabilitatea ca evenimentul A s a se
realizeze pentru prima dat a n cea de a n-a experient a este
p
n
= pq
n1
,
unde q = 1 p.
5. Schema hipergeometrica.
Se consider a o urn a cu N bile, dintre care a bile sunt albe iar restul de b bile sunt
negre (a+b = N). Se extrag n bile (far a a le repune n urma dup a ecare extragere).
Not am p
k|n
probabilitatea evenimentului A
k|n
de a avea exact k bile albe ntre cele
n bile extrase. Presupunem n N, k a si n k b. Atunci
p
k|n
=
C
k
a
C
nk
b
C
n
N
.
22
1.9 Test 1 de evaluare/autoevaluare
1. Denit i not iunea de evenimente condit ionate. Enunt ati si demonstrat i formula prob-
abilit at ii totale.
2. Aplicat i formula lui Poincare pentru n evenimente independente, echiprobabile, de
probabilitate p (0, 1).
3. Fie (, F, P) un camp de probabilitate si evenimentele A, B F. Stiind c a P(A) =
1/5, P(B) = 3/5 si P(A B) = 1/10, sa se calculeze probabilit at ile:
(a) P(A B);
(b) P(A B);
(c) P(A|B) = P
B
(A).
4. Un sportiv trage la o t int a cu 5 pusti diferite, cu probabilitat ile respective de ochire:
p
1
= 0, 8, p
2
= 0, 7, p
3
= 0, 4, p
4
= 0, 9 si p
5
= 0, 5. Sa se calculeze:
(a) probabilitatea ca t inta s a e nimerit a de exact 3 ori;
(b) probabilitatea ca t inta s a nimerit a cel put in o data.
5. Un portar apar a o lovitur a de la 11 metri cu probabilitatea p = 0, 3. La nalul unui
meci, se execut a 5 lovituri de la 11 metri.
(a) Care este probabilitatea ca portarul respectiv s a apere exact 2 lovituri?
(b) Care este cel mai probabil num ar de goluri primite?
6. Care este probabilitatea de a nimeri exact doua numere la jocul Loto 6 din 49, daca
se joaca o singura varianta?
7. Un baschetbalist executa aruncari de la distant a la un panou de baschet, pana la
prima reusita. Stiind ca sansa de reusit a a ecarei arunc ari este de 20%, sa se
determine probabilitatea ca sportivul s a nscrie primul cos din a patra aruncare.
Care este cel mai probabil numar de aruncari p ana la prima reusita?
23
1.10 Competent e
Utilizarea limbajului specic teoriei matematice a probabilit at ilor.
Utilizarea calculului probabilit at ilor evenimentelor, cu aplicarea propriet at ilor speci-
ce si a formulelor de calcul adecvate.
Utilizarea conceptului de evenimente condit ionate, proprietat ilor acestuia si for-
mulelor specice.
Utilizarea conceptului de evenimente independente, proprietat ilor acestuia si for-
mulelor specice.
Formalizarea matematic a a unor probleme concrete privind studiul unor evenimente
aleatoare, ncadrarea lor n scheme de probabilitate (dac a este cazul) si rezolvarea
lor n limbajul specic teoriei probabilit at ilor.
24
Unitatea de nvat are 2
Variabile aleatoare. Caracteristici
numerice
2.1 Introducere
2.2 Variabile aleatoare
Variabilele aleatoare se interpreteaza ca o enumerare a rezultatelor (masurabile) potent iale
ale unui anumit experiment. Fiecare din aceste rezultate posibile are o probabilitate de re-
alizare. Denit ia de mai jos formalizeaza matematic un experiment cu rezultate aleatoare,
predictibile.
Denit ia 2.2.1. Fie (, F, P) un camp de probabilitate. O funct ie masurabila reala
X : R se numeste variabila aleatoare (reala).
Conform denit iei, pentru o variabil a aleatoare X denit a pe c ampul de probabilitate
(, F, P), avem
{X I} F,
pentru orice interval real I. In particular,
{X (, a]} = {X a} F, a R.
Probabilit at ile evenimentelor descrise mai sus ofer a o informat ie fundamental a privind
variabila aleatoare.

In fapt, cunoasterea probabilitat ile evenimentelor {X a}, a R,
ofer a o informat ie precis a privind distribut ia valorilor variabilei aleatore X.

In sect iunea
urm atoare, va introdus a si caracterizat a funct ia de repartit ie a a unei variabile aleatoare,
construit a pe baza probabilitat ilor ment ionate.
O mult ime nita de variabile aleatoare denite pe acelasi c amp de probabilitate va
determina un vector aleator. Mai precis, avem urm atoarea denit ie.
Denit ia 2.2.2. Fie d > 1 un numar ntreg si (, F, P) un camp de probabilitate. Con-
sideram borelianul B
R
d spat iului R
d
( corpul generat de topologia lui R
d
). O funct ie
X : R
d
, (F, B
R
d) masurabila, se numeste vector aleator.
Fie X
i
, i = 1, 2, , d, componentele scalare ale funct iei X, deci X = (X
1
, X
2
, , X
d
).
Conform denit iei de mai sus,
{X
1
a
1
, X
2
a
2
, , X
d
a
d
} F, (a
1
, a
2
, , a
d
) R
d
.
25
26
2.3 Funct ia de repartit ie
Distribut ia valorilor unei variabile aleatoare reale este caracterizata prin not iunea de
funct ie de repartit ie. De regul a, campul de probabilitate pe care este denit a variabila
aleatoare nu este ment ionat n mod explicit.
Denit ia 2.3.1. Fie (, F, P) un camp de probabilitate si X : R o variabila aleatoare.
Funct ia reala F : R [0, 1], denita prin
F(x) = P{X x} = P({ : X() x}), x R,
se numeste funct ia de repartit ie a variabilei aleatoare X.
Propozit ia urmatoare grupeaz a proprietat ile de baza ale unei funct ii de repartit ie.
Propozit ia 2.3.1. Fie F : R [0, 1] funct ia de repartit ie a unei variabilei aleatoare X.
Au loc urmatoarele proprietat i cu caracter general.
1. F este monoton crescatoare pe R;
2. F este continua la dreapta pe mult imea R (F(x + 0) := lim
tx
F(t) = F(x), x R);
3. lim
x
F(x) = 0; lim
x
F(x) = 1;
4. F(x 0) := lim
tx
F(t) = P{X < x}, x R;
5. P{X = x} = F(x) F(x 0), x R;
6. P{a < X b} = F(b) F(a), a, b R, cu a < b;
7. P{X > x} = 1 F(x), x R.
Demonstrat ie. Fie (, F, P) un campul de probabilitate pe care este denitavariabila
aleatoare X.
1. Fie x
1
, x
2
R, cu x
1
< x
2
. Avem {X x
1
} {X x
2
}, de unde P{X x
1
}
P{X x
2
}, sau F(x
1
) F(x
2
).
2. Fiind monoton cresc atoare pe R, funct ia F admite limite laterale nite pe R. Mai
precis, pentru x R, limita la stanga n x este F(x 0) = sup
t<x
F(t), iar limita la
dreapta n x este F(x + 0) = inf
t>x
F(t). Evident,
F(x 0) F(x) F(x + 0), x R.
Fix am x R, arbitrar. Not am A
n
=
_
X x +
1
n
_
F, N N

. Fie A = {X x}. Avem

A =

n=1
A
n
si A
n
A. Conform Propozit iei 1.5.1, avem lim
n
P(A
n
) = P(A). Dar,
P(A) = F(x) si lim
n
P(A
n
) = lim
n
F
_
x +
1
n
_
= F(x+0). Obt inem F(x+0) = F(x),
deci F este continu a la dreapta n x.
3. Conform monotoniei, F admite limite nite la si . Astfel, lim
x
F(x) =
inf
xR
F(x) 0 si lim
x
F(x) = sup
xR
F(x) 1. Fie B
n
= {X n}, C
n
{X n}, n N

.
Avem B
n
, respectiv C
n
. Ca urmare,
lim
x
F(x) = lim
n
F(n) = lim
n
P(B
n
) = P() = 0,
27
respectiv
lim
x
F(x) = lim
n
F(n) = lim
n
P(C
n
) = P() = 1.
4. Fie x R, arbitrar, xat. Conform proprietat ilor unei funct ii monoton crescatoare si
Propozit iei 1.5.1, avem
F(x 0) = lim
tx
F(t) = lim
n
F
_
x
1
n
_
= lim
n
P
_
X x
1
n
_
= P{X < x}.
5. Pentru x R, avem
P{X = x} = P({X x} \ {X < x}) = P{X x} P{X < x} = F(x) F(x 0).
6. Fie a, b R, a < b. Avem {a < X b} = {X b} \ {X a} si {X a} {X b}.
Atunci, conform Propozit iei 1.5.1,
P{a < X b} = P{X b} P{X a} = F(b) F(a).
7. Fie x R. Avem P{X > x} = P{X x}
c
= 1 P{X x} = 1 F(x).
Din propozit ia de mai sus rezult a c a, dac a F este continua n x
0
R, atunci P{X =
x
0
} = 0. Ment ion am c a, reciproc, orice funct ie F : R [0, 1] care satisface proprietat ile
1-3 din Propozit ia 2.3.1 este funct ia de repartit ie a unei anumite variabile aleatoare. Dou a
sau mai multe variabile aleatore care admit o funct ie de repartit ie comuna vor denumite
identic distribuite.
De asemenea, putem deni funct ia de repartit ie a unui vector aleator, av and propriet at i
generale apropiate de cele ale funct iei de repartit ie a unei variabile aleatoare.
Denit ia 2.3.2. Fie X = (X
1
, X
2
, , X
d
) un vector aleator. Denim funct ia sa de
repartit ie prin F : R
d
[0, 1],
F(x1, x
2
, , x
d
) = P{X
1
x
1
, X
2
x
2
, , X
d
x
d
}, (x
1
, x
2
, , x
d
) R
d
.
.
O not iune importanta este independent a variabilelor aleatoare, denita mai jos.
Denit ia 2.3.3. Variabilele aleatoare X
i
, i I, denite pe un camp de probabilitate
(, F, P), se numesc independente daca, pentru oricare oricare indici distinct i i
1
, i
2
, , i
n
din mult imea I si oricare A
1
, A
2
, , A
n
B
R
are loc
P{X
i
1
A
1
, X
i
2
A
2
, , X
i
n
A
n
} = P{X
i
1
A
1
}P{X
i
2
A
2
} P{X
i
n
A
n
}.

In particular, daca variabilele aleatoare X

1
, X
2
, , X
n
, avand, respectiv, funct iile de
repartit ie F
1
, F
2
, , F
n
, sunt independente, atunci
P{X
1
a
1
, X
2
a
2
, , X
n
a
n
} = F
1
(a
1
)F
2
(a
2
) F
n
(a
n
), a
1
, a
2
, , a
n
R.
Are loc urm atorul rezultat de baza privind suma a dou a variabile aleatoare indepen-
dente.
28
Propozit ia 2.3.2. Fie variabilele aleatoare independente X si Y, avand funct iile de repartit ie
F si respectiv G. Atunci funct ia de repartit ie a variabilei aleatoare Z = X + Y este
H = F G, unde
(F G)(x) =
_

F(x t)dG(t), x R.
Variabilele aleatoare cu valori ntr-o mult ime cel mult num arabil a se numesc discrete.
Variabilele aleatoare cu funct ia de repartit ie derivabil a, cu derivata continu a, se numesc
continue. In sect iunea urm atoare vom discuta aceste tipuri particulare, dar deosebit de
importante, de variabile aleatoare. Vom ilustra cele doua tipuri de variabile aleatoare
(discrete si continue) prin exemple clasice, semnicative.
2.4 Variabile aleatoare discrete. Exemple clasice

In cele ce urmeaz a, denim, caracterizam si exemplicam variabilele aleatoare de tip dis-

cret.
Denit ia 2.4.1. Fie (, F, P) un camp de probabilitate si X : R o variabila aleatoare.
X se numeste variabila aleatoare discreta daca mult imea X() este cel mult numarabila.
Fie X() = {x
i
, i I} R, unde I este o mult ime de indici cel mult numarabil a.
Not am A
i
= {X = x
i
} F, i I. Remarc am ca familia de evenimente {A
i
, i I}
reprezint a o partit ie a spat iului .
Pentru A F, not am prin c
A
: R funct ia caracteriatic a a mult imii A, denit a
prin
c
A
() =
_
1, A
0, \ A = A
c
.
Este elementar de vericat faptul c a funct ia caracteristic a a unui eveniment este o variabila
aleatoare. Are loc urm atoarea reprezentare a variabilei aleatoare discrete X:
X =

iI
x
i
c
A
i
.
Notu am p
i
= P(A
i
), i I. Avem p
i
0, i I si

iI
p
i
= 1.
Distribut ia variabilei aleatoare X se reprezint a convent ional astfel:
X :
_
x
i
p
i
_
iI
.
Fie variabilele aleatoare discrete, independente, X si Y , cu distribut iile
X :
_
x
i
p
i
_
iI
, Y :
_
y
j
p

j
_
jJ
.
Atunci variabila aleatoare X +Y va avea distribut ia
X +Y :
_
x
i
+y
j
p
i
p

j
_
(i,j)IJ
.
29
Exemplul 2.4.1. Variabile aleatoare Bernoulli.
O variabila aleatoare Bernoulli X ia doar doua valori: valoarea 1, cu probabilitatea
p (0, 1) si valoarea 0, cu probabilitatea q = 1 p. Distribut ia lui X se reprezint a astfel:
X :
_
0 1
q p
_
.
Not am X Bin(1, p).
Exemplul 2.4.2. Variabile aleatoare binomiale.
O variabila aleatoare binomial a X, de parametrii n N

si p (0, 1) ia valorile
k {0, 1, , n} cu probabilitat ile p
k
= C
k
n
p
k
q
nk
. Distribut ia lui X se reprezint a astfel:
X :
_
0 1 2 n
C
0
n
q
n
C
1
n
pq
n1
C
2
n
p
2
q
n2
C
n
n
p
n
_
.
Variabila aleatoare binomial a indic a num arul de realizari ale unui eveniment av and prob-
abilitatea p n n experient e identice, independente (schema binomiala - Bernoulli). Notam
X Bin(n, p).
Este important de remarcat c a o variabil a aleatoare binomiala de parametrii (n, p) este
suma a n variabile aleatoare Bernoulli independente, identic distribuite (de parametru p).
Exemplul 2.4.3. Variabile aleatoare Poisson.
O variabil a aleatoare Poisson de parametru ia valoarea n cu probabilitatea

n
n!
e

,
pentru n N, avand deci distribut ia:
X :
_
n

n
n!
e

_
nN
.
Not am X Poiss().
Exemplul 2.4.4. Variabile aleatoare geometrice.
O variabila aleatoare geometric a X de parametru p ia valoarea n cu probabilitatea
pq
n1
, pentru n N

, unde q = 1 p. X are distribut ia:

X :
_
n
pq
n1
_
nN

.
Not am X Geom(p). Variabila X indic a num arul de experient e, independente, identice,
necesar realiz arii (aparit iei) unui eveniment care are probabilitatea p de realizare n cadrul
ec arei experient e (schema geometric a).
2.5 Variabile aleatoare continue. Exemple clasice
Un tip important de variabile aleatoare sunt cele continue.
30
Denit ia 2.5.1. Fie (, F, P) un camp de probabilitate si X : R o variabila aleatoare.
X se numeste variabila aleatoare continua daca exista o funct ie continua f : R [0, )
cu proprietatea
F(x) =
_
x

f(t) dt, x R.
Funct ia f se numeste densitatea de probabilitate a variabilei aleatoare X (sau funct ia de
densitate a v.a. X).
Propriet at ile densit at ii unei variabile aleatoare reale sunt evident ite n propozit ia de
mai jos.
Propozit ia 2.5.1. Fie f : R [0, ) funct ia de densitate asociata unei variabile
aleatoare de tip continuu X : R. Notam F : R [0, 1] funct ia sa de repartit ie.
Atunci:
1. F este de clasa C
1
pe R, cu F

(x) = f(x), x R;
2.
_
R
f(t) dt = 1;
3. P{X = x} = 0, x R;
4. P{a X b} =
_
b
a
f(t) dt, [a, b] R.
Demonstrat ie.
1. Conform denit iei, F este o primitiv a a lui f pe R.
2.
_
R
f(t) dt = lim
x
x
_

f(t) dt = lim
x
F(x) = 1.
3. F este continu a pe R, deci P{X = x} = F(x) F(x 0) = 0, x R.
4. P{a X b} = P{X b} P{X < a} = P{X b} P{X a} = F(b) F(a) =
=
_
b
a
f(t) dt, [a, b] R.
Fie variabilele aleatoare continue, independente, X si Y , cu densit at iile f, g : R [0, 1].
Din Propozit ia 2.3.2 se deduce ca variabila aleatoare X +Y are densitatea f g, unde
f g : R [0, ), (f g)(x) =
_
R
f(x t)g(t) dt, x R,
este convolut ia densit at ilor f si g.
Vom prezenta n continuare cateva exemple clasice de repart it ii continue.
Exemplul 2.5.1. Distribut ia normala.
Este cel mai important exemplu de distribut ie de tip continuu. Astfel, spunem ca o
variabila aleatoare real a X are o repartit ie normala (gaussiana) de parametrii 0 si 1 dac a
are funct ia de densitate:
(t) =
1

2
e

t
2
2
, t R.
Variabila normal a (standard) X admite funct ie de repartit ie:
(x) =
1

2
_
x

t
2
2
dt, x R.
31
Not am X N(0, 1). Distribut ia normala standard este legea limita universala, conform
Teoremei limita centrala.
Generalizare. X N(,
2
), unde R, > 0, daca admite densitatea de probabili-
tate
(t) =
1

2
e

(t)
2
2
2
, t R.
Exemplul 2.5.2. Distribut ia exponent iala.
Variabila aleatoare X are o distribut ie exponent ial a de parametru > 0, notat prin
X Exp(), dac a ia valori n intervalul [0, ) (deci este o variabila aleatoare pozitiva) si
admite funct ia de repartit ie
F(x) = 1 e
x
, x 0.
Distribut ia exponent iala este fundamentala n teoria abilit at ii, caracterizand modelele de
tip Markov.
Exemplul 2.5.3. Distribut ia Gama.
Variabila aleatoare X are o distribut ie Gama de parametrii , > 0, notat prin X
Gama(, ), daca ia valori n intervalul (0, ) si admite funct ia de densitate
f(x) =
x
1
e

()
, x > 0,
unde
() =
_

0
x
1
e
x
dx
este funct ia lui Euler de prima spet a.

In statistic a, distribut ia de tip Gam(n/2, 2), cu n N

, notata prin
2
n
, are o important a
majora.
Exemplul 2.5.4. Distribut ia Beta.
Variabila aleatoare X are o distribut ie Beta de parametrii , > 0, notat prin X
Beta(, ), daca ia valori n intervalul (0, 1) si admite funct ia de densitate
f(x) =
x
1
(1 x)
1
B(, )
, x (0, 1),
unde
B(, ) =
_
1
0
x
1
(1 x)
1
dx =
()()
( +)
este funct ia lui Euler de a doua spet a.
32
2.6 Media. Medii de ordin superior
Pentru o variabil a aleatoare reala, media si dispersia reprezint a cele mai importante car-
acteristici numerice. Astfel, media unei variabile aleatoare (daca exist a) indic acea mai
asteptat a valoare a variabilei aleatoare.
Denit ia 2.6.1. Fie (, F, P) un camp de probabilitate si X : R o variabila aleatoare
avand funct ia de repartit ie F : R [0, 1]. Marimea:
E(X) :=
_

x dF(x)
se numeste media lui X. Media este denita n ipoteza ca integrala de tip Stieltjes-Riemann
de mai sus este convergenta.
Calculul mediei se expliciteaz a astfel:
1. pentru o variabila aleatoare X de tip discret, care ia valorile x
i
cu probabilit at ile p
i
,
pentru i I, media devine
E(X) =

iI
x
i
p
i
;
2. pentru o variabil a aleatoare X de tip continuu, care admite densitatea de probabil-
itate f : R [0, ), media devine
E(X) :=
_

xf(x) dx.
Urm atoarea propozit ie stabileste propriet at ie de baz a ale mediei variabilelor aleatoare.
Propozit ia 2.6.1. Fie X si Y doua variabile aleatoare cu medie nita.
1. E(aX) = aE(X), a R;
2. E(X +Y ) = E(X) +E(Y );
3. daca X si Y sunt independente, atunci E(XY ) = E(X)E(Y ).
Demonstrat ie. Vom trata doar cazul discret. Presupunem c a X si Y au distribut iile
X :
_
x
i
p
i
_
iI
, Y :
_
y
j
p

j
_
jJ
,
unde I si J sunt mult imi de indici cel mult num arabile.
1. Pentru a R, avem:
E(aX) =

iI
(ax
i
)p
i
= a

iI
x
i
p
i
= aE(X).
2. Fie A
ij
= {X = x
i
, Y = y
j
} si p
ij
= P(A
ij
), (i, j) I J. Atunci

jJ
p
ij
=

jJ
P(A
ij
) = P(
jJ
A
ij
) = P{X = x
i
} = p
i
, i I,
33
respectiv

iI
p
ij
=

iI
P(A
ij
) = P(
iI
A
ij
) = P{Y = y
j
} = p

j
, j J.
Deaoarece X +Y are distribut ia
X +Y :
_
x
i
+y
j
p
ij
_
(i,j)IJ
,
obt inem
E(X +Y ) =

(i,j)IJ
(x
i
+y
j
)p
ij
=

iI
_
x
i

jJ
p
ij
_
+

jJ
_
y
j

iI
p
ij
_
=

iI
(x
i
p
i
) +

jJ
(y
j
p

j
) = E(X) +E(Y ).
3. Dac a X si Y sunt independente, atunci p
ij
= p
i
p

j
, (i, j) I J. Rezulta
E(XY ) =

(i,j)IJ
(x
i
y
j
)p
ij
=

(i,j)IJ
(x
i
p
i
)(y
j
p

j
)
=

iI
(x
i
p
i
)

jJ
(y
j
p

j
) = E(X)E(Y ).
Astfel, proprietat ile mediei sunt demonstrate n cazul discret.
Fie X : R o variabila aleatoare iar : R R o funct ie real a m asurabila (n
particular, continua). Funct ia compus a (X) := X : R este de asemenea o
variabila aleatoare denita pe . Dac a X admite funct ia de repartit ie F, atunci
E((X)) =
_

(x) dF(x),
n ipoteza ca integrala este convergenta.

In particular, n cazul c and este o funct ie putere
sau modului unei funct ii putere, obt inem mediile de ordin superior, respectiv mediile
absolute de ordin superior.
Denit ia 2.6.2. Fie (, F, P) un camp de probabilitate si X : R o variabila aleatoare.
1. Media de ordin k N

a variabilei aleatoare X se denet e prin

E
_
X
k
_
=
_

x
k
dx,
daca integrala este convergenta.
2. Media absoluta de ordin k N

a variabilei aleatoare X se denet e prin

E
_
|X|
k
_
=
_

|x|
k
dx,
daca integrala este convergenta. Notam L
k
= L
k
() mult imea variabilelor aleatoare
(denite pe ) cu medie absoluta nita de ordinul k.
34
Ment ion am ca L
k
() este un spat iu vectorial normat. Din inegalitatea lui H older se
deduc incluziunile
L
k+1
() L
k
(), k N

In plus, dac a X L
k
(), atunci X are medie nita de ordinele i = 1, , n.
Exemplul 2.6.1. Mediile unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p) E(X) = p.
2. Distribut ia binomiala: X Bin(n, p) E(X) = np.
3. Distribut ia Poisson: X Poiss() E(X) = .
4. Distribut ia geometrica: X Geom(p) E(X) = 1/p.
5. Distribut ia normala: X N(,
2
) E(X) = .
6. Distribut ia exponent iala: X Exp() E(X) = 1/.
2.7 Dispersia
Dispersia unei variabile aleatoare (din spat iul L
2
) este un indicator al gradului dempr astiere
a valorilor sale n jurul mediei.
Denit ia 2.7.1. Fie X L
2
(), cu E(X) = . Marimea:
V (X) =
_

(x ))
2
dF(x) = E
_
(X E(X))
2

se numeste dispersia lui X. Marimea

(X) =
_
V (X)
se numeste abaterea medie patratica a variabilei aleatoare X.
Dispersia are urm atoarele proprietat i elementare.
Propozit ia 2.7.1. Fie X, Y L
2
().
1. V (X) 0;
2. V (X) = E(X
2
) [E(X)]
2
(formula de calcul a dispersiei);
3. V (aX) = a
2
V (X), a R;
4. daca X si Y sunt v.a. independente, atunci V (X +Y ) = V (X) +V (Y ).
35
Demonstrat ie. Propriet at ile 1 si 3 sunt evidente. Fie = E(X) si = E(Y ). Formula
de calcul a dispersiei se obt ine astfel:
V (X) = E
_
(X )
2

= E
_
X
2
2X +
2
_
= E
_
X
2
_
2E(X) +
2
= E
_
X
2
_

2
.
Conform Propozit iei 2.6.1 si formulei demonstrate avem:
V (X +Y ) = E
_
(X +Y )
2

[E(X +Y )]
2
= E
_
X
2
+ 2XY +Y
2

( +)
2
= E
_
X
2
_
+E
_
Y
2
_
+2
2
2
2
=
_
E
_
X
2
_

+
_
E
_
Y
2
_

= V (X)+V (Y ).
Exemplul 2.7.1. Dispersiile unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p) V (X) = pq.
2. Distribut ia binomiala: X Bin(n, p) V (X) = npq.
3. Distribut ia Poisson: X Poiss() V (X) = .
4. Distribut ia geometrica: X Geom(p) V (X) = q/p
2
.
5. Distribut ia normala: X N(,
2
) V (X) =
2
.
2.8 Corelat ia
Corelat ia a dou a variabile aleatoare este un indicator al tipului de dependent a al acestora.
Denit ia 2.8.1. Fie X, Y L
2
(). Corelat ia variabilelor aleatoare X si Y se deneste
prin:
(X, Y ) = E{[X E(X)][Y E(Y )]}.
Marimea
(X, Y ) =
(X, Y )
(X)(Y )
se numeste coecientul de corelat ie al variabilelor aleatoare X si Y .
Propozit ia urm atoare stabileste formula de calcul a corelat iei si o proprietate a coe-
cientului de corelat ie.
Propozit ia 2.8.1. Cu notat iile anterioare, avem:
1. (X, Y ) = E(XY ) E(X)E(Y );
2. daca X si Y sunt independente, atunci (X, Y ) = 0;
3. (X, Y ) [1, 1].
36
Demonstrat ie.
1. Avem
(X, Y ) = E(XY Y X +) = E(XY ) E(Y ) E(X) + = E(XY ) .
2. Din inegalitatea
E
_
[t(X ) + (Y )]
2
_
0, t R,
sau
V (X)t
2
+ 2(X, Y )t +V (Y ) 0, t R,
obt inem
:= 4
_

2
(X, Y ) V (X)V (Y )
_
0.
Rezult a |(X, Y )| 1.
2.9 Funct ia caracteristica
Funct ia caracteristic a asociata unei variabile aleatoare reprezinta un instrument matematic
important. Pentru variabilele aleatoare de tip continuu, funct ia caracteristica reprezint a
transformata Fourier a funct iei de densitate. Transformarea integral a Fourier este impor-
tant a n calculul operat ional.
Denit ia 2.9.1. Fie X o variabila aleatoare avand funct ia de repartit ie F. Funct ia
X
:
R C , denita prin

X
(t) = E
_
e
itX
_
=
_

e
itx
dF(x), t R,
se numeste functia caracteristica a variabilei aleatoare X.
Fie X o variabil a aleatoare de tip continuu, cu densitatea de probabilitate f.

In acest
caz, functia sa caracteristic a se reprezint a astfel

X
(t) =
_

e
itx
f(x)dx, t R,
adic a
X
reprezint a transformata Fourier a funct iei f.
Dac a X este o variabila aleatoare discret a, cu distribut ia
X :
_
x
k
p
k
_
kI
,
atunci funct ia sa caracteristica se calculeaza astfel

X
(t) =

kI
e
itx
k
p
k
.
Funct ia caracteristica prezint a o serie de propriet at i pe care le vom enumeran propozit ia
urm atoare.
37
Teorema 2.9.1. Fie X o variabila aleatoare avand funct ia de repartit ie F si funct ia car-
acteristica
X
. Au loc urmatoarele proprietat i:
1.
X
(0) = 1;
2. (t) =
X
(t), t R;
3. |
X
(t)| 1, t R;
4.
aX+b
(t) = e
ibt

X
(at), t R, a, b R;
5.
X
este uniform continua (deci si continua) pe R;
6. daca X L
n
, atunci
X
este derivabila de ordinul n, cu

(n)
X
(t) = i
n
_

x
n
e
itx
dF(x), t R;
7. daca X

n=1
L
n
, atunci
X
este dezvoltabila n serie Taylor n jurul originii:

X
(t) =

n=0
t
n
n!

(n)
X
(0),
cu
(n)
X
(0) = i
n
E(X
n
) , n N;
Teorema 2.9.2. (Teorema multiplicarii) Daca X
1
, X
2
, , X
n
sunt variabile aleatoare
independente, atunci

X
1
+X
2
++X
n
=
X
1

X
2

X
n
.
Teorema 2.9.3. (Teorema de unicitate) Fie X o variabila aleatoare cu funct ia de repartit ie
F si funct ia caracteristica
X
. Atunci
1.
F (x
2
) F (x
1
) = P{x
1
< X x
2
} =
1

lim
c
_
c
c
e
itx
1
e
itx
2
it

X
(t) dt, x
1
< x
2
;
2.
F(x) =
1
2
lim
y
lim
c
_
c
c
e
ity
e
itx
it

X
(t) dt, x R.
Exemplul 2.9.1. Funct iile caracteristice ale unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p)
X
(t) = 1 +p (e
it
1) , t R.
2. Distribut ia binomiala: X Bin(n, p)
X
(t) = [1 +p (e
it
1)]
n
, t R.
3. Distribut ia Poisson: X Poiss()
X
(t) = e

(
e
it
1
)
, t R.
4. Distribut ia geometrica: X Geom(p)
X
(t) =
pe
it
pe
it
e
it
+1
, t R.
5. Distribut ia normala: X N(,
2
)
X
(t) = e
it
t
2

2
2
, t R.
6. Distribut ia exponent iala: X Exp()
X
(t) =

it
, t R.
38
2.10 Rezumat
Variabilele aleatoare se interpreteaza ca o enumerare a rezultatelor (masurabile) potent iale
ale unui anumit experiment. Fiecare din aceste rezultate posibile are o probabilitate de
realizare.
Fie (, F, P) un c amp de probabilitate. O funct ie m asurabila real a X : R se
numeste variabila aleatoare. Conform denit iei, {X I} F pentru orice interval real I.
In particular, {X (, a]} = {X a} F, a R.
O funct ie X : R
d
, (F, B
R
d) masurabil a, se numeste vector aleator. Fie X
i
, i =
1, 2, , d, componentele scalare ale funct iei X, deci X = (X
1
, X
2
, , X
d
). Atunci
{X
1
a
1
, X
2
a
2
, , X
d
a
d
} F, (a
1
, a
2
, , a
d
) R
d
.
Fie X : R o variabil a aleatoare. Funct ia real a F : R [0, 1], denita prin
F(x) = P{X x} = P({ |X() x}), x R,
se numeste funct ia de repartit ie a variabilei aleatoare X.
Funct ia de repartit ie are urm atoarele proprietat i:
1. F este monoton cresc atoare pe R;
2. F este continu a la dreapta pe mult imea R (F(x + 0) := lim
tx
F(t) = F(x), x R);
3. lim
x
F(x) = 0; lim
x
F(x) = 1;
4. F(x 0) := lim
tx
F(t) = P{X < x}, x R;
5. P{X = x} = F(x) F(x 0), x R;
6. P{a < X b} = F(b) F(a), a, b R, cu a < b;
7. P{X > x} = 1 F(x), x R.
Reciproc, orice funct ie F : R [0, 1] care satisface propriet at ile 1-3 este funct ia de
repartit ie a unei anumite variabile aleatoare. Doua sau mai multe variabile aleatore care
admit o funct ie de repartit ie comun a vor denumite identic distribuite.
Variabilele aleatoare X
i
, i I, se numesc independente dac a, pentru oricare oricare
indici distinct i i
1
, i
2
, , i
n
din mult imea I si oricare A
1
, A
2
, , A
n
B
R
are loc
P{X
i
1
A
1
, X
i
2
A
2
, , X
i
n
A
n
} = P{X
i
1
A
1
}P{X
i
2
A
2
} P{X
i
n
A
n
}.

In particular, dac a variabilele aleatoare X

1
, X
2
, , X
n
, av and, respectiv, funct iile de
repartit ie F
1
, F
2
, , F
n
, sunt independente, atunci
P{X
1
a
1
, X
2
a
2
, , X
n
a
n
} = F
1
(a
1
)F
2
(a
2
) F
n
(a
n
), a
1
, a
2
, , a
n
R.
Dac a variabilele aleatoare X si Y, avand funct iile de repartit ie F si respectiv G, sunt
independente, atunci funct ia de repartit ie a variabilei aleatoare Z = X+Y este H = F G,
unde
(F G)(x) =
_

F(x t)dG(t), x R.
39
Variabilele aleatoare cu valori ntr-o mult ime cel mult num arabil a se numesc discrete.
Variabilele aleatoare cu funct ia de repartit ie derivabil a, cu derivata continu a, se numesc
continue.
Astfel, X se numeste variabila aleatoare discret a daca mult imea X() este cel mult
num arabil a. Fie X() = {x
i
, i I} R, unde I este o mult ime de indici cel mult
num arabil a. Not am p
i
= P{X = x
i
}, i I. Avem p
i
0, i I si

iI
p
i
= 1.
Distribut ia variabilei aleatoare X se reprezint a convent ional astfel:
X :
_
x
i
p
i
_
iI
.
Fie variabilele aleatoare discrete, independente, X si Y , cu distribut iile
X :
_
x
i
p
i
_
iI
, Y :
_
y
j
p

j
_
jJ
.
Variabila aleatoare X +Y are distribut ia:
X +Y :
_
x
i
+y
j
p
i
p

j
_
(i,j)IJ
.
Exemple de repartit ii discrete:
1. Variabile aleatoare Bernoulli.
O variabila aleatoare Bernoulli X ia doar dou a valori: valoarea 1, cu probabilitatea
p (0, 1) si valoarea 0, cu probabilitatea q = 1 p. Distribut ia lui X se reprezint a
astfel:
X :
_
0 1
q p
_
.
Not am X Bin(1, p).
2. Variabile aleatoare binomiale.
O variabil a aleatoare binomiala X, de parametrii n N

si p (0, 1) ia valorile
k {0, 1, , n} cu probabilit at ile p
k
= C
k
n
p
k
q
nk
. Distribut ia lui X se reprezinta
astfel:
X :
_
0 1 2 n
C
0
n
q
n
C
1
n
pq
n1
C
2
n
p
2
q
n2
C
n
n
p
n
_
.
Variabila aleatoare binomiala indic a numarul de realizari ale unui eveniment avand
probabilitatea pn n experient e identice, independente (schema binomial a - Bernoulli).
Not am X Bin(n, p).
O variabil a aleatoare binomiala de parametrii (n, p) este suma a n variabile aleatoare
Bernoulli independente, identic distribuite.
3. Variabile aleatoare Poisson.
O variabila aleatoare Poisson de parametru ia valoarea n cu probabilitatea

n
n!
e

,
pentru n N, avand deci distribut ia:
X :
_
n

n
n!
e

_
nN
.
Not am X Poiss().
40
4. Variabile aleatoare geometrice.
O variabil a aleatoare geometric a X de parametru p ia valoarea n cu probabilitatea
pq
n1
, pentru n N

, unde q = 1 p. X are distribut ia:

X :
_
n
pq
n1
_
nN

.
Not am X Geom(p). Variabila X indic a numarul de experient e, independente,
identice, necesar realiz arii pentru prima data a unui eveniment care are probabili-
tatea p n cadrul ec arei experient e (schema geometrica).
Variabila aleatoare X se numeste continua dac a exista o funct ie continu a f : R
[0, ) cu proprietatea
F(x) =
_
x

f(t) dt, x R.
Funct ia f se numeste densitatea de probabilitate a variabilei aleatoare X (sau funct ia de
densitate a v.a. X).
Densitatea de probabilitate are propriet at ile:
1. F este de clas a C
1
pe R, cu F

(x) = f(x), x R;
2.
_
R
f(t) dt = 1;
3. P{X = x} = 0, x R;
4. P{a X b} =
_
b
a
f(t) dt, [a, b] R.
Dac a X si Y , cu densitat iile f, g : R [0, 1], sunt independente, atunci variabila
aleatoare X +Y are densitatea f g, unde
f g : R [0, ), (f g)(x) =
_
r
f(x t)g(t) dt, x R.
Exemple de repart it ii continue:
1. Distribut ia normala.
O variabil a aleatoare reala X are o repartic tie normala (gaussiana) standard, de
parametrii 0 si 1, dac a are funct ia de densitate:
(t) =
1

2
e

t
2
2
, t R.
Variabila normal a standard X admite funct ie de repartit ie:
(x) =
1

2
_
x

t
2
2
dt, x R.
Not am X N(0, 1). Distribut ia normala standard este o lege limita universal a,
conform Teoremei limita centrala.
Generalizare. X N(,
2
), unde R, > 0, dac a admite densitatea de proba-
bilitate
(t) =
1

2
e

(t)
2
2
2
, t R.
41
2. Distribut ia exponent iala.
Variabila aleatoare X are o distribut ie exponent ial a de parametru > 0, notat
prin X Exp(), dac a ia valori n intervalul [0, ) (deci este o variabila aleatoare
pozitiva) si admite funct ia de repartit ie
F(x) = 1 e
x
, x 0.
Distribut ia exponent ial a este fundamentala n teoria abilit at ii, caracterizand mod-
elele de tip Markov.
3. Distribut ia Gama.
Variabila aleatoare X are o distribut ie Gama de parametrii , > 0, notat prin
X Gama(, ), daca ia valori n intervalul (0, infty) si admite funct ia de densitate
f(x) =
x
1
e

()
, x > 0,
unde
() =
_

0
x
1
e
x
dx
este funct ia lui Euler de prima spet a.
4. Distribut ia Beta.
Variabila aleatoare X are o distribut ie Beta de parametrii , > 0, notat prin
X Beta(, ), daca ia valori n intervalul (0, 1) si admite funct ia de densitate
f(x) =
x
1
(1 x)
1
B(, )
, x (0, 1),
unde
B(, ) =
_
1
0
x
1
(1 x)
1
dx =
()()
( +)
este funct ia lui Euler de a doua spet a.
Fie X : R o variabil a aleatoare av and funct ia de repartit ie F : R [0, 1].
M arimea:
E(X) :=
_

x dF(x)
se numeste media lui X. Media este denitan ipoteza c a integrala de tip Stieltjes-Riemann
de mai sus este convergent a.
Calculul mediei:
1. pentru o variabila aleatoare X de tip discret, care ia valorile x
i
cu probabilit at ile p
i
,
pentru i I:
E(X) =

iI
x
i
p
i
;
2. pentru o variabil a aleatoare X de tip continuu, care admite densitatea de probabil-
itate f : R [0, ):
E(X) :=
_

xf(x) dx.
42
Media are urm atoarele propriet at i:
1. E(aX) = aE(X), a R;
2. E(X +Y ) = E(X) +E(Y );
3. dac a X si Y sunt independente, atunci E(XY ) = E(X)E(Y ).
Dac a X admite funct ia de repartit ie F, iar este o fuct ie real a masurabil a, atunci
E((X)) =
_

(x) dF(x),
n ipoteza c a integrala este convergenta.
Denim:
1. media de ordin k N

a variabilei aleatoare X:
E
_
X
k
_
=
_

x
k
dx,
dac a integrala este convergenta.
2. media absoluta de ordin k N

a variabilei aleatoare X:
E
_
|X|
k
_
=
_

|x|
k
dx,
dac a integrala este convergenta. Not am L
k
= L
k
() mult imea variabilelor aleatoare
(denite pe ) cu medie absolut a nita de ordinul k.
Mediile unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p) E(X) = p.
2. Distribut ia binomiala: X Bin(n, p) E(X) = np.
3. Distribut ia Poisson: X Poiss() E(X) = .
4. Distribut ia geometrica: X Geom(p) E(X) = 1/p.
5. Distribut ia normala: X N(,
2
) E(X) = .
6. Distribut ia exponent iala: X Exp() E(X) = 1/.
M arimea:
V (X) =
_

(x ))
2
dF(x) = E(X E(X))
2
= E(X
2
) E
2
(X)
se numeste dispersia lui X.
M arimea
(X) =
_
V (X)
se numeste abaterea medie patratica a variabilei aleatoare X.
43
Dispersia are urm atoarele proprietat i:
1. V (X) 0;
2. V (X) = E(X
2
) [E(X)]
2
(formula de calcul a dispersiei);
3. V (aX) = a
2
V (X), a R;
4. dac a X si Y sunt v.a. independente, atunci V (X +Y ) = V (X) +V (Y ).
Dispersiile unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p) V (X) = pq.
2. Distribut ia binomiala: X Bin(n, p) V (X) = npq.
3. Distribut ia Poisson: X Poiss() V (X) = .
4. Distribut ia geometrica: X Geom(p) V (X) = q/p
2
.
5. Distribut ia normala: X N(,
2
) V (X) =
2
.
Corelat ia a doua variabile aleatoare este un indicator al tipului de dependent a al aces-
tora. Astfel, corelat ia variabilelor aleatoare X si Y se deneste prin:
(X, Y ) = E{[X E(X)][Y E(Y )]}.
M arimea
(X, Y ) =
(X, Y )
(X)(Y )
se numeste coecientul de corelat ie al variabilelor aleatoare X si Y . Formula de calcul a
corelat iei (X, Y ) = E(XY ) E(X)E(Y ).
Dac a X si Y sunt v.a. independente, atunci (X, Y ) = 0;
Avem (X, Y ) [1, 1].
Fie X o variabil a aleatoare av and funct ia de repartit ie F. Funct ia
X
: R C ,
denit a prin

X
(t) = E
_
e
itX
_
=
_

e
itx
dF(x), t R,
se numeste functia caracteristica a variabilei aleatoare X. Daca X are densitatea de prob-
abilitate f, atunci

X
(t) =
_

e
itx
f(x)dx, t R,
adic a
X
reprezint a transformata Fourier a funct iei f.
Dac a X este o variabila aleatoare discret a, cu distribut ia
X :
_
x
k
p
k
_
kI
,
atunci

X
(t) =

kI
e
itx
k
p
k
.
44
Funct ia caracteristica are urmatoarele propriet at i:
1.
X
(0) = 1;
2. (t) =
X
(t), t R;
3. |
X
(t)| 1, t R;
4.
aX+b
(t) = e
ibt

X
(at), t R, a, b R;
5.
X
este uniform continu a (deci si continu a) pe R;
6. daca X L
n
, atunci
X
este derivabil a de ordinul n, cu

(n)
X
(t) = i
n
_

x
n
e
itx
dF(x), t R;
7. dac a X

n=1
L
n
, atunci
X
este dezvoltabil a n serie Taylor n jurul originii:

X
(t) =

n=0
t
n
n!

(n)
X
(0),
cu
(n)
X
(0) = i
n
E(X
n
) , n N;
8. (Teorema multiplicarii) Dac a X
1
, X
2
, , X
n
sunt variabile aleatoare independente,
atunci

X
1
+X
2
++X
n
=
X
1

X
2

X
n
.
9. (Teorema de unicitate)
(a)
F (x
2
)F (x
1
) = P{x
1
< X x
2
} =
1

lim
c
_
c
c
e
itx
1
e
itx
2
it

X
(t) dt, x
1
< x
2
;
(b)
F(x) =
1
2
lim
y
lim
c
_
c
c
e
ity
e
itx
it

X
(t) dt, x R.
Funct iile caracteristice ale unor distribut ii clasice.
1. Distribut ia Bernoulli: X Bin(1, p)
X
(t) = 1 +p (e
it
1) , t R.
2. Distribut ia binomiala: X Bin(n, p)
X
(t) = [1 +p (e
it
1)]
n
, t R.
3. Distribut ia Poisson: X Poiss()
X
(t) = e

(
e
it
1
)
, t R.
4. Distribut ia geometrica: X Geom(p)
X
(t) =
pe
it
pe
it
e
it
+1
, t R.
5. Distribut ia normala: X N(,
2
)
X
(t) = e
it
t
2

2
2
, t R.
6. Distribut ia exponent iala: X Exp()
X
(t) =

it
, t R.
45
2.11 Test 2 de evaluare/autoevaluare
1. Denit i funct ia de repartit ie a unei variabile aleatoare si descriet i proprietat ile aces-
teia. Discutat i cazul variabilelor aleatoare independente.
2. Calculat i media, dispersia si funct ia caracteristica pentru o variabila aleatoare:
(a) Poisson;
(b) exponent iala;
(c) geometrica.
3. Variabila aleatoare X are distribut ia discreta:
X :
_
1 2 3
p
1
p
2
p
3
_
,
unde p
1
, p
2
, p
3
> 0, cu p
1
+p
2
+p
3
= 1. Stiind c a X are media E(X) =
7
4
si dispersia
V (X) =
11
16
, sa se determine probabilit at ile p
1
, p
2
, p
3
.
4. S a se determine constantele reale a si b astfel ca funct ia F(x) = a+b arctg x, x R,
s a e funct ia de repartit ie a unei variabile aleatoare X si apoi sa se calculeze E(X
2
).
5. Fie funct ia f : R R,
f(x) =
_
a

1x
2
, x (1, 1)
0, x (, 1] [1, )
.
(a) S a se determine a > 0 astfel ncat f s a reprezinte densitatea de probabilitate a
unei variabile aleatoare X.
(b) Sa se determine media E(X) si dispersia V (X) a variabilei aleatoare X.
(c) Sa se calculeze P
_
|X|
1
2
_
.
6. Timpul de asteptare ntr-o stat ie de autobuz este o variabil a aleatoare cu funct ia de
repartit ie
F(x) =
_

_
0, x < 0;
x/2, 0 x < 1;
1/2, 1 x < 2;
x/4, 2 x < 4;
1, x 4.
S a se determine:
(a) probabilitatea ca o persoana sa astepte n stat ie mai mult de 3 minute;
(b) probabilitatea ca o persoana s a mai astepte n stat ie cel put in de 2 minute,
dup a ce a asteptat 1 minut.
7. S a se calculeze funct ia caracteristic a a variabilei aleatoare X cu densitatea de prob-
abilitate:
f(x) =
_
0, |x| 2;
1
2
_
1
|x|
2
_
, |x| < 2
.
46
2.12 Competent e
Operarea cu variabile aleatoare discrete sau continue.
Determinarea funct iei de repartit ie a variabilelor aleatoare si utilizarea propriet at ilor
aceteia pentru calculul probabilit at ii unor evenimente.
Operarea cu funct ia de densitate pentru variabile aleatoare de tip continuu, cu uti-
lizarea propriet at ilor acesteia.
Utilizarea n aplicat ii concrete a conceptului de variabile aleatoare independente.
Calculul mediei, dispersiei, mediilor de ordin superior ale variabilelor aleatoare de
tip continuu si discret.
Utilizarea n aplicat ii a proprietat ilor mediei si dispersiei.
Calculul corelat iei si a coecientului de corelat ie a dou a variabile aleatoare.
Calculul funct iei caracteristice a unei variabile aleatoare continue sau discrete.
Operarea cu distribut ii clasice continue sau discrete.
Formalizarea n limbajul variabilelor aleatoare a unor marimi aleatoare.
Rezolvarea de probleme care implic a variabile aleatoare.
Unitatea de nvat are 3
Convergent a sirurilor de variabile
aleatoare
3.1 Introducere
Studiul convergent a sirurilor de variabilelor aleatoare, n accept iuni specice teoriei prob-
abilit at ilor, evident iaza fenomene asimptotice utile. Un sir de variabile aleatoare poate
converge la o variabila aleatoare (distribut ie limit a) n sens tare sau n sens slab.
Convergent a frecvent ei de realizare a unui eveniment, ntr-un sir de experient e identice
si independente, la probabilitatea acelui eveniment este asigurat a de Legea numerelor
mari. Legea slaba a numerelor mari se deduce din inegalitatea lui Cebsev. Teorema
limita centrala, considerat cel mai important rezultat al teoriei probabilitat ilor, stabileste
convergent a la legea normal a a distribut iei normalizate a sumelor part iale ale unui sir de
variabile aleatoare independente si identic distribuite. Rezultatele asimptotice ment ionate
au o important a major a n statistica matematica.
3.2 Inegalitat i fundamentale
Urm atoarele inegalitat i elementare joac a un rol fundamental n teoria probabilit at ilor.
Teorema 3.2.1. (Inegalitatea lui Markov) Fie X L
n
(), unde n N

. Atunci
P{|X| > a}
E(|X|
n
)
a
n
, a > 0.
Demonstrat ie. Fie F funct ia de repartit ie a variabilei aleatoare X L
n
(). Pentru
a > 0, avem
E(|X|
n
) =
_
[a,a]
|x|
n
dF(x) +
_
(,a][a,)
|x|
n
dF(x) a
n
_
(,a][a,)
1 dF(x)
= a
n
[F(a) + 1 F(a)] a
n
P{|X| > a},
de unde concluzia.
47
48
Teorema 3.2.2. (Inegalitatea lui Cebsev (Chebyshev)) Fie X L
2
(), avand media
E(X) = si dispersia V (X) =
2
. Atunci
P{|X | > a}

2
a
2
, a > 0.
Demonstrat ie. Aplic am inegalitatea lui Markov variabilei aleatoare Z = X, pentru
n = 2.
Inegalitatea lui Cebsev se utilizeaza la demonstrarea legii slabe a numerelor mari.
3.3 Tipuri de convergent a. Relat ii
Vom deni convergent a sirurilor de variabile aleatoare, n diverse accept iuni. Studiul
comport arii asimptotice a sirurilor de variabile aleatoare reprezint a o preocupare major a
a teoriei probabilitat ilor.
Denit ia 3.3.1. Fie X o variabila aleatoare si (X
n
)
n1
un sir de variabile aleatoare de-
nite pe campul de probabilitate (, F, P). Fie F funct ia de repartit ie a variabilei aleatoare
X, iar F
n
funct ia de repartit ie a variabilei aleatoare X
n
, n 1. Denim urmatoarele
tipuri de convergent a ale sirului (X
n
)
n1
catre limita X:
1. sirul (X
n
)
n1
converge n distribut ie (repartit ie) la X, notat prin
X
n
d
X,
daca lim
n
F
n
(x
0
) = F (x
0
), pentru orice punct de continuitate x
0
R al funct iei F;
2. sirul (X
n
)
n1
converge n probabilitate la X, notat prin
X
n
p
X,
daca lim
n
P{|X
n
X| > } = 0, > 0;
3. sirul (X
n
)
n1
converge aproape sigur la X, notat prin
X
n
a.s.
X,
daca P{X
n
X} = 1;
4. sirul (X
n
)
n1
converge n spat iul L
k
() la X, unde k N

, notat prin
X
n
L
k
X,
daca lim
n
E
_
|X
n
X|
k
_
= 0.
Convergent ele n distribut ie si n probabilitate sunt convergent e slabe, n timp ce
convergent ele aproape sigura si n L
k
sunt convergent e tari. Aceast a clasicare formal a
este sust inuta de urm atoarea teorem a de ierarhizare a tipurilor de convergent a denite
anterior.
49
Teorema 3.3.1. Fie X o variabila aleatoare si (X
n
)
n1
un sir de variabile aleatoare
denite pe campul de probabilitate (, F, P). Au loc implicat iile
1.
X
n
p
X = X
n
d
X;
2.
X
n
a.s.
X = X
n
p
X;
3.
X
n
L
k
X = X
n
p
X.
Implicat iile reciproce sunt false.
Demonstrat ie. Vom demonstra doar primele doua implicat ii.
1. Presupunem X
n
p
X. Fie x
0
R un punct de continuitate al funct iei F. Consider am
> 0, arbitrar. Deoarece, pentru n 1, avem
{X x
0
} \ {|X
n
X| > } {X x
0
} \ {X < X
n
} {X
n
x
0
} ,
obt inem
F (x
0
) P{|X
n
X| > } P({X x
0
} \ {|X
n
X| > }) F
n
(x
0
) .
Pe baza ipotezei, lim
n
P{|X
n
X| > } = 0. Atunci
F (x
0
) liminf
n
F
n
(x
0
) . (3.1)
Apoi, pentru n 1, avem
{X
n
x
0
} \ {|X
n
X| > } {X
n
x
0
} \ {X
n
< X } {X x
0
+} ,
de unde
F
n
(x
0
) P{|X
n
X| > } P({X
n
x
0
} \ {|X
n
X| > }) F (x
0
+) .
Pe baza ipotezei, rezult a
limsup
n
F
n
(x
0
) F (x
0
+) . (3.2)
Din (3.1), (3.2) si continuitatea lui F n x
0
, obt inem lim
n
F
n
(x
0
) = F (x
0
). Deci X
n
d
X.
2. Presupunem X
n
a.s.
X. Avem
{X
n
X} > 0, n 1, k n : |X
n
() X()| < .
Conform ipotezei, rezult a
P
_

n=1

p=0
{|X
n+p
X| < }
_
= 1, > 0,
de unde
lim
n
P
_

p=0
{|X
n+p
X| < }
_
= 1, > 0.
50
Cum

p=0
{|X
n+p
X| < } {|X
n
X| < }, vom deduce
lim
n
P{|X
n
X| < } = 1, > 0,
sau, trecand la evenimentele contrare,
lim
n
P{|X
n
X| } = 0, > 0.
Rezult a X
n
p
X.
3.4 Legile numerelor mari
Legea numerelor mari reecta urm atoare proprietate: frecvent a de aparit ie a unui eveni-
ment ntr-un sir de experient e identice, independente, tinde catre probabilitatea de realizare
a evenimentului n ecare experient a. Proprietatea a fost descrisa pentru prima data la
sf arsitul sec. al XVI-lea de matematicianul italian Gerolamo Cardano (1501-1576). For-
malizarea matematic a (pentru variabile aleatoare binare) ca o lege a numerelor mari i
se datoreaza lui Jacob Bernoulli (publicat a n lucrarea Ars conjectandi, 1713).

In 1837,
S.D. Poisson a descris-o sub numele de la Loi des grands nombres. Contribut ii impor-
tante la demonstrarea riguroasa si extinderea rezultatului sunt datorate lui Chebyshev
(demonstrarea legii slabe a numerelor mari, 1837), Markov, Borel (demonstrarea legii tari
a numerelor mari, 1909), Cantelli, Kolmogorov si Khinchin.
Formalizarea Bernoulli a fenomenului observat de Cardano este urmatoarea. Sa con-
sider am c a, ntr-o experient a, un anumit eveniment A se produce cu probabilitatea p =
P(A). Fie sirul (X
n
)
n1
de variabile aleatoare Bernoulli, independente si identic distribuite
(iid), asociate sirului de experient e considerat, avand distribut ia comun a
X
n
:
_
0 1
q p
_
, n N

.
Not am S
n
= X
1
+X
2
+ +X
n
care indic a numarul de aparit ii (realiz ari) ale evenimentului
A n n experient e. Frecvent a de realizare a evenimentului A este deci S
n
/n. Fenomenul
descris de legea numerelor mari este prin urmare
S
n
n
p = E(X
1
).
Conergent a frecvent ei de aparit ie a evenimentului la probabilitatea sa se poate realiza n
sensul unui tip de convergent a slab (lege slaba a numerelor mari) sau n sensul unui tip de
convergent a tare (lege tare a numerelor mari). Rezultatul este extins la variabile aleatoare
cu medie si dispersie nite.
Teorema 3.4.1. (Legea slaba a numerelor mari)
Fie (X
n
)
n1
un sir de variabile aleatoare independente si identic distribuite (iid), cu
E(X
1
) = si V (X
1
) =
2
. Notam S
n
= X
1
+ X
2
+ + X
n
, n N

. Atunci are
loc convergent a n probabilitate
S
n
n
p
.
51
Demonstrat ie. Vom interpreta = E(X
n
), n N

, ca o variabil a aleatoare constanta,

care ia valoarea cu probabilitatea 1. Avem E(S
n
) =

n
k=1
E(X
k
) = n si V (S
n
) =

n
k=1
V (X
k
) = n
2
. Fie > 0, arbitrar. Conform inegalitat ii lui Chebyshev,
P
_

S
n
n

>
_
= P{|S
n
E(S
n
)| > n}
V (S
n
)
n
2

2
=

2
n
2
.
Rezult a
lim
n
P
_

S
n
n

>
_
= 0.
Cum > 0 este arbitrar, obt inem concluzia.
Ment in am ca legea slab a a numerelor poate formulat a pentru siruri de variabile aleatoare
independente (dar neidentic distribuite) cu dispersii uniform marginite (Chebyshev), re-
spectiv pentru siruri de variabile de v.a. cu proprietatea V (S
n
)/n
2
0 (Markov).
Prezent am (far a) demonstrat ie si o versiune a legii tari a numerelor mari.
Teorema 3.4.2. (Legea tare a numerelor mari)
Fie (X
n
)
n1
un sir de variabile aleatoare independente si identic distribuite (iid), din
spat iul L
4
(E(|X
1
|
4
) < ) cu E(X
1
) = . Fie S
n
= X
1
+X
2
+ +X
n
, n N

. Atunci
S
n
n
a.s.
.
3.5 Teorema limita centrala
Teorema limita central a, n versiunea clasica, stabileste c a sumele part iale normalizate
ale unui sir de variabile aleatoare iid, cu dispersie nit a, tind n distribut ie catre legea
normal a (gaussian a). Rezultatul admite numeroase extinderi relativ la siruri de variabile
aleatoare heterogene, neindependente, supuse unor anumite condit ii. De asemenea, rezul-
tatul se extinde la siruri de vectori aleatori.
Prima versiune a acestei teoreme a fost formulat a de Abraham de Moivre (1733) pentru
variabile aleatoare de tip Bernoulli, cu p = 1/2). Pierre-Simon Laplace generalizeaza
rezultatul n lucrarea Theorie Analytique des Probabilites (1812), constat and apropierea
distribut iei binomiale de distribut ia normal a.

In 1901, matematicianul rus Aleksandr
Lyapunov a denit n termeni generali si a demonstrat riguros teorema limita centrala.
Teorema limit a central a este considerat a rezultatul principal al teoriei probabilitat ilor.
Enunt am pentru nceput rezultatul datorat lui de Moivre si Laplace relativ la siruri iid
de v. a. Bernoulli.
Teorema 3.5.1. (Teorema de Moivre-Laplace) Fie (X
n
)
n1
un sir de variabile aleatoare
Bernoulli independente si identic distribuite (iid), de parametru p, avand media comuna
p si dispersia comuna pq (unde q=1-p). Pentru n N

, notam S
n
=

n
k=1
X
k
si
I
n
=
_
k np

npq
, k = 0, 1, , n
_
.
Atunci, pentru oricare interval [a, b] R, are loc:
lim
n
_
sup
xI
n
[a,b]

_
2npq P
_
S
n
np

npq
= x
_
e

x
2
2

_
= 0
52
Demonstrat ia se bazeaza pe aproximarea factorialului dat a de formula lui Stirling
n! =

2n
_
n
e
_
n
e

n
,
unde 0 <
n
<
1
12n
, n 1. Din Teorema de Moivre-Laplace se deduce o versiune
particular a a Teoremei limit a centrala. Enunt ul clasic general al acestei teoreme este
prezentat n continuare.
Teorema 3.5.2. (Teorema limita centrala) Fie (X
n
)
n1
un sir de variabile aleatoare in-
dependente si identic distribuite (iid), cu E(X
1
) = si V (X
1
) =
2
. Consideram sirul de
variabile aleatoare S
n
= X
1
+X
2
+ +X
n
, n N

. Atunci:
1.
lim
n
P
_
a
S
n
n

n
b
_
=
1

2
_
b
a
e

x
2
2
, a, b R, a < b;
2. (versiunea Lindeberg-Levy) Are loc urmatoarea convergent a n distribut ie catre o
variabila aleatoare gaussiana:

_
S
n
n

_
d
X,
unde X N(0, 1).
Demonstrat ie. (schit a)
Consider am sirul de v. a. iid Y
n
=
X
n

, n 1, de medie comun a 0 si dispersie comun a 1.

Atunci, conform Teoremei 2.9.1, 7, funct ia caracteriatic a a variabilelor aleatoare Y
n
este
de forma

Y
n
(t) = 1
t
2
2
+ 0
_
t
2
_
, t 0.
Fie
Z
n
=

n
k=1
Y
k

n
=
S
n
n

n
, n 1.
Pe baza proprietat ilor funct iei caracteristice (Teorema 2.9.1), obt inem

Z
n
(t) =
_

Y
1
_
t

n
__
n
=
_
1
t
2
2n
+ 0
_
t
2
n
__
n
n
e

t
2
2
.
Dar, pentru X N(0, 1), avem
X
(t) = e

t
2
2
, t R (a se vedea Exemplul 3.10.1). Con-
form teoremei de unicitate (Teorema 2.9.2) se obt ine Z
n
d
X. Astfel, teorema limita
central a este demonstrat a.
53
3.6 Rezumat
Inegalitatea lui Markov Fie X L
n
(), unde n N

. Atunci
P{|X| > a}
E(|X|
n
)
a
n
, a > 0.
Inegalitatea lui Cebsev (Chebyshev) Fie X L
2
(), av and media E(X) = si
dispersia V (X) =
2
. Atunci
P{|X | > a}

2
a
2
, a > 0.
Denim urmatoarele tipuri de convergent a ale sirului (X
n
)
n1
c atre limita X:
1. sirul (X
n
)
n1
converge n distribut ie (repartit ie) la X, notat prin
X
n
d
X,
dac a lim
n
F
n
(x
0
) = F (x
0
), pentru orice punct de continuitate x
0
R al funct iei F;
2. sirul (X
n
)
n1
converge n probabilitate la X, notat prin
X
n
p
X,
dac a lim
n
P{|X
n
X| > } = 0, > 0;
3. sirul (X
n
)
n1
converge aproape sigur la X, notat prin
X
n
a.s.
X,
dac a P{X
n
X} = 1;
4. sirul (X
n
)
n1
converge n spat iul L
k
() la X, unde k N

, notat prin
X
n
L
k
X,
dac a lim
n
E
_
|X
n
X|
k
_
= 0.
Au loc implicat iile
X
n
p
X = X
n
d
X;
X
n
a.s.
X = X
n
p
X;
X
n
L
k
X = X
n
p
X.
54
Implicat iile reciproce sunt false.
Legea slaba a numerelor mari Fie (X
n
)
n1
un sir de variabile aleatoare indepen-
dente si identic distribuite (iid), cu E(X
1
) = si V (X
1
) =
2
. Not am S
n
= X
1
+ X
2
+
+X
n
, n N

. Atunci are loc convergent a n probabilitate

S
n
n
p
.
Legea tare a numerelor mari Fie (X
n
)
n1
un sir de variabile aleatoare independente
si identic distribuite (iid), din spat iul L
4
(E(|X
1
|
4
) < ) cu E(X
1
) = . Fie S
n
=
X
1
+X
2
+ +X
n
, n N

. Atunci
S
n
n
a.s.
.
Teorema limita centrala Fie (X
n
)
n1
un sir de variabile aleatoare independente si
identic distribuite (iid), cu E(X
1
) = si V (X
1
) =
2
. Consider am sirul de variabile
aleatoare S
n
= X
1
+X
2
+ +X
n
, n N

. Atunci:
1.
lim
n
P
_
a
S
n
n

n
b
_
=
1

2
_
b
a
e

x
2
2
, a, b R, a < b;
2. (versiunea Lindeberg-Levy) Are loc urmatoarea convergent a n distribut ie c atre o
variabila aleatoare gaussiana:

_
S
n
n

_
d
X,
unde X N(0, 1).
55
3.7 Test 3 de evaluare/autoevaluare
1. S a se enunt e si s a se demonstreze Legea slaba a numerelor mari.
2. S a se enunt e Teorema limit a central a, adaptata pentru variabile aleatoare de tip
geometric.
3. S a se determine funct ia de repartit ie a variabilei aleatoare X care admite funct ia
caracteristic a

X
(t) =
1
4
_
1 +e
it
_
2
.
4. Inegalitatea lui Cebsev aplicat a variabilei aleatoare X, cu media E(X) = 3 si dis-
persia V (X) =
2
, stabileste:
P{|X 3| 2} 0, 16.
S a se determine .
5. La un concurs de biatlon, un sportiv nimereste t inta cu probabilitatea de
4
5
. Stiind
c a sportivul execut a n concurs 25 de trageri, s a se arate c a sansa ca acesta sa
nimereasc a t inta de cel put in 15 ori este mai mare de 85%.
6. Probabilitatea ca un monitor de calculator sa nu aib a rezolut ia acceptabila este de
0,1. S-au cump arat 1000 de monitoare. Care este probabilitatea ca mai mult de 100
monitoare s a nu e acceptabile? (Not a: se va utiliza aproximarea oferit a de Teorema
limit a centrala.)
56
3.8 Competent e
Utilizarea conceptelor de convergent a n distribut ie, n probabilitate, aproape sigur a.
Utilizarea n aplicat ii a inegalitat ilor lui Markov si Cebsev.
Utilizarea Legii slabe a numerelor mari n evaluarea probabilitat ii unor evenimente.
Utilizarea Teoremei limit a centrala n aproximarea probabilitat ii unor evenimente.
Unitatea de nvat are 4
Elemente de statistica matematica
4.1 Introducere
Statistica matematica este o ramur a important a a matematicii, care utilizeaza rezultatele
oferite de teoria probabilit at ilor. Progresul n societate, n particular n stiint a, este ade-
seori datorat experimentului. Cercetatorul realizeaz a o experient a si obt ine o serie de
date, pe baza carora generealizeaz a rezultatele experient ei la o clas a de experient e sim-
ilare. Acest tip de extindere se datoreaza unui rat ionament de tip inductiv (obt inerea
unor informat ii generale din analiza unor informat ii particulare). Statistica analizeaza
date concrete, locale, obt inute experimental, pentru a prognoza date cu caracter general,
a descoperi legile care guverneaz a fenomemul aleator studiat.

In acelasi timp, statistica se
preocup a de verosimilitatea matematic a a prognozei, m asurand cu mijloace matematice
gradul de ncredere n rezultatele generale propuse.
Prezentarea de fat a are ca obiectiv familiarizarea cu cateva not iuni de baza din teoria
statisticii matematice, precum: populat ie statistica, sondaj, esantion, estimator si carac-
teristicile sale. Pentru simplicarea expunerii, ne vom rezuma la descrierea unor elemente
de statistica esantioanelor Bernoulli.
4.2 Not iuni de baza
Statistica opereaza cu not iuni specice. Astfel, populat ia statistic a reprezint a mult imea
tuturor elementelor avute n vedere n cadrul unui studiu statistic. De regula, pentru
o populat ie mare, studiul statistic se realizeaza prin sondaj . Sondajul const a n obser-
varea (examinarea, chestionarea) unei part i a populat iei, numita esantion. Numarul ele-
mentelor unui esantion (obt inut prin sondaj si examinat) se numeste volumul esantionului.
De regula, volumul esantionului se stabileste (pe baza unor evalu ari matematice) ast-
fel ncat s a poat a furniza date generale concludente/veridice. Scopul studiului statistic
este estimarea unei proprietat ii/particularitat i a populat iei statistice. Funct ia matem-
atic a care realizeaz a estimarea se numeste estimator. Apel and la modelul particular al
esantioanelor Bernoulli, vom trece n revist a calit at ile impuse unui estimator de calitate.
57
58
4.3 Estimatori. Proprietat i
Cel mai simplu studiu statistic se refer a la analiza cazului binar: ecare individ (element)
al populat iei statistice are valoarea 1 sau 0 (r aspunde cu 1 sau 0 la un chestionar). Ne
intereseaz a proport ia indivizilor cu valoarea 1 n cadrul ntregii populat ii statistice. Ex-
aminarea/chestionarea indivizilor prin sondaj se modeleaz a printr-o variabila aleatoare
bservabila, care indic a numarul indivizilor care valoreaza 1 ntr-un esantion de volum
n. La o populat ie mica, este logic sa apelam la modelul oferit de legea hipergeometric a,
ntruc at extragerea unui esantion dintr-o populat ie mica afecteaz a n mod cert proport ia
valorii 1 n cadrul populat iei nesondate.

In schimb, dac a volumul populat iei este mare
n raport cu volumul esantionului atunci este rezonabil s a consider a c a ecare element al
populat iei statistice se reprezinta printr-o variabil a aleatoare Bernoulli X, cu distribut ia
X :
_
0 1
1
_
,
unde parametrul (necunoscut) reprezint a proport ia valorii 1 n populat ia statistic a.
Astfel, P{X = 1} = reprezint a sansa ca elementul X s a aib a valoarea 1. Evident,
P{X = 0} = 1 reprezint a sansa ca X s a ia valoarea 0. Obiectul studiului statistic
ntreprins const a n estimarea parametrului , din observarea unui esantion de volum n,
(X
1
, X
2
, , X
n
), reprezent and un vector aleator cu componentele variabile aleatoare iid,
de tip Bin(1, ). Distribut ia esantionului se deneste distribut ia comun a a v. a.
X
1
, X
2
, , X
n
.
O statistica (sau un estimator) se deneste ca o funct ie a variabilelor aleatoare
observabile (cele ale n-esantionului), deci care nu depinde de parametrii necunoscut i.
Pentru evaluarea apriorica a parametrului necunoscut se propune estimatorul media
empirica, denit prin:
X =
S
n
n
, unde S
n
= X
1
+X
2
+ +X
n
.

In fapt, media empiric a exprima frecvent a de aparit ie a valorii 1, deci, intuitiv, pare a
oferi o buna evaluare a parametrului . Descriemn continuare proprietat ile principale ale
mediei empirice X, ca estimator a lui .
1. X este un estimator fara abatere a lui : E

(X) = , (0, 1).

Demonstrat ie. E

(X) = [

n
k=1
E

(X
k
)] /n = (n)/n = .
2. X este unicul estimator fara abatere a lui , care depinde de S
n
.
Demonstrat ie. Fie g : {0, 1, 2, , n} R, astfel nc at
= E

[g(S
n
)] = , (0, 1). (4.1)
Avem
E

[g(S
n
)] =
n

k=0
g(k)P{S
n
= k} =
n

k=0
g(k)C
k
n

k
(n )
1k
,
59
iar pe de alta parte
= E

(X) = E

_
S
n
n
_
=
n

k=0
k
n
P{S
n
= k} =
n

k=0
k
n
C
k
n

k
(1 )
nk
.
Atunci, conform (4.1), obt inem
n

k=0
_
g(k)
k
n
_
C
k
n
_

1
_
k
= 0, (0, 1).
Rezult a c a polinomul f =

n
k=0
_
g(k)
k
n
_
C
k
n
X
k
este identic nul.
Prin urmare g(k) = k/n, k = 0, 1, , n, deci g(S
n
) = X.
3. X este estimatorul lui de maxima verosimilitate.
Demonstrat ie. S a presupunem ca au fost observate valorile (x
1
, x
2
, , x
n
) {0, 1}
n
.
Not am s
n
=

n
n=1
x
k
. Probabilitatea de a observa aceste valori este
s
n
(1)
ns
n
. Atunci,
cea mai verosimila valoare pe care o poate lua este cea care maximizeaz a funct ia
L : [0, 1] [0, 1], L(u) = u
s
n
(1 u)
ns
n
.
Presupunem 0 < s
n
< n. Avem
L

(u) = L(u)
s
n
nu
u(1 u)
.
R adacina derivatei lui L este u
0
=
s
n
n
. Urmarind semnul derivatei, deducem ca Lsi atinge
maximul n u
0
. Rezult a c a X = S
n
/n este estimatorul de verosimilitate maxim a.
4. Cand talia esantionului tinde la innit, X converge la cu o rata exponent iala.
Demonstrat ie. Vom remarca n primul r and ca, pe baza inegalit at ii lui Chebyshev,
X
p
(legea slaba numerelor mari).
Pe de alta parte, conform Teoremei limita centrala (Teorema 3.5.2),
_
n
(1 )
_
X
_
d
X,
unde X N(0, 1).
Faptul c a rata convergent ei este exponent ial a se deduce din Teorema marilor deviat ii,
pe care nu o vom include n aceasta prezentare.
5. Riscul patratic mediu al estimatorului X a lui converge la 0.
60
Demonstrat ie. Riscul p atratic mediu al estimatorului X este dent prin E

_
X
_
2
.
Avem
E

_
X
_
2
= E

_
S
n
n

_
2
=
1
n
2
E

(S
n
n)
2
=
n
n
2
V (X
1
) =
(1 )
n

1
4n
,
de unde E

_
X
_
2 n
0.
6. Abaterea lui X fat a de poate evaluata prin Teorema limita centrala.
Demonstrat ie. Fie a > 0. Pentru n
4(1)
a
2
, avem
a

(1)
2, de unde
P

{|X | a} = P
_

S
n
n
_
n(1 )

n
_
(1 )
_
P
_

S
n
n
_
n(1 )

2
_

2
_
|x|2
e

x
2
2
dx < 0, 05.
4.4 Estimatori bayesieni
Media empiric a X este o estimare judicioasa a parametrului n absent a oricaror informat ii
suplimentare. Dar problema se modic a n cazul unor informat ii apriorice despre . Dac a
aceste informat ii exist a, mai precis, daca se cunoaste o m asur a de probabilitate pe [0, 1]
reprezent and distribut ia valorilor posibile ale lui , atunci se va cerceta estimatorul g(S
n
)
a lui care minimizeaz a riscul patratic mediu, t in and cont de aceast a distribut ie.
Fie D o mult ime num arabila din [0, 1], iar : D [0, 1] o m asur a de probabilitate pe
D, cu

xD
(x) = 1. Pentru o funct ie g denit a pe {0, 1, , n} cu valori n [0, 1], riscul
p atratic mediu al estimatorului g(S
n
) este

D
()E

[g(S
n
) ]
2
=

D
()
n

k=0
(g(k) )
2
C
k
n

k
(1 )
nk
=
n

k=0
C
k
n
_

D
()(g(k) )
2

k
(1 )
nk
_
.
Pentru k {0, 1, , n}, consideram funct ia
k
: [0, 1] [0, ), denita prin

k
(x) =

D
()
k
(1 )
nk
(x )
2
, x [0, 1].
Avem

k
(x) = 2

D
()
k
(1 )
nk
(x ), x [0, 1].
Studiind semnul derivatei, deducem ca
k
atinge minimul n punctul
x
k
=

D
()
k+1
(1 )
nk

D
()
k
(1 )
nk
[0, 1].
61
Vom deni deci estimatorul bayesian a lui de risc p atratic mediu minim:
g(S
n
) =

D
()
S
n
+1
(1 )
nS
n

D
()
S
n
(1 )
nS
n
.
Similar, daca se cunoaste a priori densitatea de probabilitate f a lui pe intervalul
[0, 1], atunci estimatorul bayesian a lui , dependent de S
n
, av and riscul patratic minim,
va
g(S
n
) =
_
1
0

S
n
+1
(1 )
nS
n
f()d
_
1
0

S
n
(1 )
nS
n
f()d
.
62
4.5 Rezumat
Statistica matematica utilizeaz a rezultatele oferite de teoria probabilit at ilor pentru a gene-
realiza rezultatele unei experient la o clas a de experient e similare. Acest tip de extindere se
datoreaz a unui rat ionament de tip inductiv (obt inerea unor informat ii generale din analiza
unor informat ii particulare). Statistica analizeaz a date concrete, locale, obt inute exper-
imental, pentru a prognoza date cu caracter general, a descoperi legile care guverneaz a
fenomemul studiat.
Not iuni specice:
populat ia statistica reprezint a mult imea tuturor elementelor avute n vedere n
cadrul unui studiu statistic;
sondajul reprezint a examinarea (chestionarea) unei p art i a populat iei statistice, nu-
mit a esantion;
num arul elementelor unui esantion (obt inut prin sondaj si examinat) se numeste
volumul esantionului ;
scopul unui studiu statistic este estimarea unei proprietat ii/particularitat i a populat iei
statistice. Funct ia matematica care realizeaza estimarea se numeste estimator;
o statistica (sau un estimator se denet e ca o funct ie de variabilelor aleatoare
observabile (cele ale n-esantionului) si nu depinde de parametrii necunoscut i.
Statistica esantioanelor Bernoulli.
Modelare: ecare element al populat iei statistice se reprezinta printr-o variabila aleatoare
Bernoulli X, cu distribut ia
X :
_
0 1
1
_
,
Pentru evaluarea apriorica a prametrului necunoscut se propune estimatorul media
empirica, denit prin:
X =
S
n
n
, unde S
n
= X
1
+X
2
+ +X
n
.
Media empiric a exprim a frecvent a de aparit ie a valorii 1, deci ofer a o evaluare a parametru-
lui . Propriet at ile principale ale mediei empirice X, ca estimator a lui .
1. X este un estimator fara abatere a lui : E

(X) = , (0, 1).

2. X este unicul estimator fara abatere a lui , care depinde de S
n
.
3. X este estimatorul lui de maxima verosimilitate
4. Cand talia esantionului tinde la innit, X converge la cu o rata exponent iala.
5. Riscul patratic mediu al estimatorului X a lui converge la 0.
6. Abaterea lui X fat a de poate evaluata prin Teorema limita centrala.
Denim estimatorul bayesian a lui , de risc p atratic mediu minim:
g(S
n
) =

D
()
S
n
+1
(1 )
nS
n

D
()
S
n
(1 )
nS
n
.
63
Dac a admite densitatea de probabilitate f pe [0, 1], atunci estimatorul bayesian a lui
este
g(S
n
) =
_
1
0

S
n
+1
(1 )
nS
n
f()d
_
1
0

S
n
(1 )
nS
n
f()d
.
64
4.6 Test 4 de evaluare/autoevaluare
1. Denit i media empirica si descriet i propriet at ile acestui estimatorn cazul esantioanelor
Bernoulli.
2. Determinat i estimatorul bayesian al unui esantion Bernoulli asociat unei distribut ii
Beta(, ) a parametrului de estimat .
3. Se observ a dou a variabile aleatoare Bernoulli indepedente X
1
si X
2
, de parametru
(0, 1). Sa se arate c a nu se poate g asi un estimator a f ar a abatere a lui

1
care
s a depind a de X
1
si X
2
.
4. Cu ajutorul unui n-esantion Bernoulli de parametru se caut a estimarea dispersiei
(1 ). S a se arate ca estimatorul T = X(1 X) nu este f ara abatere, dar exista
un multiplu al s au avand aceast a proprietate.
65
4.7 Competent e
Utilizarea limbajului specic statisticii matematice.
Utilizarea mediei empirice ca estimator al parametrului unei populat ii urm and o lege
Bernoulli.
Utilizarea propriet at ilor specice unui estimator de calitate.
Determinarea estimatorului bayesian care minimizeaz a riscul p atratic mediu, n cazul
unei distribut ii de probabilitate cunoscute.
66
Bibliograe
[1] G. Ciucu, C. Tudor, Probabilitat i si procese stochastice, Ed. Academiei Romane, 1979
(vol 1-2).
[2] I. Cuculescu, Teoria probabilitat ilor, Ed. All, 1998.
[3] D. Dacunha-Castelle, M. Duo, Probabilites et statistique, Masson, 1994 (vol 1).
[4] W. Feller, Introduction to probability theory and its applications, Wiley, New York,
1968.
[5] P.G. Hoel, Introduction to mathematical statistics, Wiley, 1984.
[6] M. Iosifescu, Gh. Mihoc, R. Theodorescu, Teoria probabilitat ilor si statistica matem-
atica, Ed. Tehnic a, 1966.
[7] O. Onicescu, Gh. Mihoc, C. Ionescu-Tulcea, Calculul probabilitat ilor si aplicat ii, Ed.
Academiei Romane, 1965.
67