RODICA TRANDAFIR

RODICA IOAN MANUELA GHICA

7(25,$352%$%,/,7 ,/25
'HVFULHUHD&,3D%LEOLRWHFLL1D LRQDOHD5RPkQLHL
TRANDAFIR, RODICA
7HRULDSUREDELOLW LORU/ Rodica Trandafir, Rodica Ioan,
Manuela Ghica. –%XFXUHúWL(GLWXUD)XQGD LHLRomânia de
Mâine, 2007
156p.; 23,5 cm
Bibliogr.
ISBN 978-973-725-727-7

I. Ioan, Rodica
II. Ghica, Manuela

519.21(075.8)

©(GLWXUD)XQGD LHLRomânia de Mâine, 2007

7HKQRUHGDFWRU6LOYLX%Æ5=
Coperta0DULOHQD% /$1
Bun de tipar: 10.01.2007; Coli tipar: 9,75
Format: 16/70×100
(GLWXUD)XQGD LHLRomânia de Mâine
%XOHYDUGXO7LPLúRDUDQU%XFXUHúWL6HFWRU
Tel./Fax 021/444.20.91; www.spiruharet.ro
e-mail: contact@edituraromaniademaine.ro
 UNIVERSITATEA SPIRU HARET
)$&8/7$7($'(0$7(0$7,& –,1)250$7,&

RODICA TRANDAFIR
RODICA IOAN MANUELA GHICA

(',785$)81'$ ,(,ROMÂNIA DE MÂINE

%XFXUHúWL
 CUPRINS

1. Algebre boole. Corpuri de părţi …………………………………. 9

1.1. Mulţimi ……………………………………………………… 9
1.2. Algebre Boole …………………………….………………… 10
1.3. σ − algebre Boole ……………………………..……………. 13
1.4. Corp de părţi ………………………………………………… 14
1.5. σ − corp de părţi ………………………………..……………. 14
1.6. Măsură ………………………..……………………………... 15
Exerciţii şi probleme propuse ……………….…………………… 16
2. Câmp de evenimente. Probabilitate ………………..…………… 17
2.1. Câmp de evenimente …………………….…………………… 17
2.2. Probabilitate pe un câmp finit de evenimente …...…………… 23
2.3. σ − câmp de probabilitate ……………..…………………….. 28
2.4. Evenimente independente. Probabilitate condiţionată …………. 30
Exerciţii şi probleme propuse ……………….…………………… 35
3. Variabile aleatoare. Caracteristici numerice. Funcţie de
repartiţie …………………………………………………………….. 38
3.1. Variabile aleatoare discrete ……..……………………………. 38
3.2. Momentele unei variabile aleatoare discrete .............................. 44
3.3. Variabile aleatoare de tip continuu …….……………………. 48
3.4. Funcţie de repartiţie ……………..…………………………… 50
3.5. Momentele unei variabile de tip continuu …….……………… 58
Exerciţii şi probleme propuse ……………………..……………… 62
4. Repartiţii probabilistice clasice ………………………………... 64
4.1. Repartiţii de tip discret ……………………………………… 64
4.1.1. Teorema particulară a experimentelor repetate…………... 64
4.1.2. Teorema generală a experimentelor repetate…………….. 67
4.1.3. Repartiţia Poisson de parametru λ ……………………… 69
4.1.4. Schema polinomială……………………………………… 72
4.1.5. Schema bilei nerevenite………………………………….. 72
4.2. Repartiţii de tip continuu ………….………………………… 74
4.2.1. Repartiţia de densitate uniformă………………………….. 74
4.2.2. Legea normală……………………………………………. 78
4.2.3. Repartiţia lognormală…………………………………….. 84
4.2.4. Repartiţia exponenţială negativă…………………………. 85
4.2.5. Repartiţia χ 2 ……………………………………………... 85
4.2.6. Repartiţia Student………………………………………… 88
Exerciţii şi probleme propuse …………………….……………… 89
5
5. Sisteme de variabile aleatoare. Şiruri de variabile aleatoare.
Convergenţă ………………………………………………………….. 93
5.1. Variabile aleatoarebidimensionale discrete ................................ 93
5.2. Funcţii de repartiţie....................................................................... 95
5.3. Sisteme de variabile absolut continue …………...…………... 97
5.4. Repartiţii marginale. Repartiţii condiţionate................................ 99
5.5. Valori medii. Medii conditionate ................................................ 106
5.6. Variabile aleatoare n -dimesionale................................................ 111
5.7. Caracteristici numerice ale sistemelor de doua variabile
aleatoare. Covarianţă. Coeficient de corelaţie. ....................................... 113
5.8. Şiruri de variabile aleatoare…………………………………..... 118
5.8.1. Convergenţa în probabilitate............................................... 118
5.8.2. Convergenţa aproape sigură............................................... 121
5.8.3. Convergenţa în repartiţie.................................................... 123
5.8.4. Convergenţa în medie......................................................... 125
5.8.5. Legea numerelor mari.......................................................... 127
5.8.6. Problema asimptotică centrală............................................. 129
Exerciţii şi probleme propuse ……..……………………………… 133
6. Funcţii caracteristice ……………….…………………………... 136
6.1. Funcţii caracteristice unidimansionale ………..………………. 136
6.2. Funcţii caracteristice n − dimensionale ………………………. 143
6.3. Convergenţa şirurilor de funcţii caracteristice ………………... 144
Exerciţii şi probleme propuse ………………………….…………. 146
x2
1 −
Anexa 1. Tabla de valori a funcţiei f ( x ) = e 2
…………. 148
2π
x z2
1 −
Anexa 2. Tabla de valori a funcţiei Φ ( x ) =
2π ∫0
*
e 2
dz ……. 149

Anexa 3. Tabla de valori t γ = t (γ, n ) …………………………… 151

Anexa 4. Tabla de valori qγ = q (γ , n ) …………………………. 152
Anexa 5. Punctele critice ale distribuţiei χ ……………………….. 2
153
Anexa 6. Puncte critice ale distribuţiei Student…………………….. 154
Bibliografie ………………………………………………. 155

6
 CUVÂNT-ÎNAINTE

7HRULDSUREDELOLW LORUHVWHRGLVFLSOLQ PDWHPDWLF L]YRUkW GLQH[SHULHQ FDUHDGDW

FRQFHSWHORU VDOH GH RULJLQH H[SHULPHQWDO  R IRUP  ULJXURV PDWHPDWLF  7UHSWDW DFHDVW 
GLVFLSOLQ úL-DO UJLWFkPSXOGHDSOLFDELOLWDWHSUREDELOLWDWHDLQWHUYLQHvQFXQRDúWHUHDWXWXURU
GRPHQLLORU H[LVWHQ HL PDL DOHV vQ VWXGLHUHD DQVDPEOXULORU vQ GHWHUPLQDUHD VWDWLVWLF  D
HYROX LHLXQRUPXO LPLGHHYHQLPHQWHVDXVW ULvQWkPSO WRDUH
Modelele probabilistice sunt folosite atât în statistica matePDWLF vQWHRULDPRGHUQ 
DMRFXULORUDILUHORUGHDúWHSWDUHWHRULDPDWHPDWLF DDVLJXU ULORUFkWúLvQFHUFHW ULOHGLQ
domeniul fizicii, chimiei, biologiei, ciberneticii, sociologiei, demografiei etc.
$VWIHO FDUWHD VH DGUHVHD]  WXWXURU DFHORUD FDUH GRUHVF V -úL vQVXúHDVF  QR LXQLOH
IXQGDPHQWDOH DOH 7HRULHL SUREDELOLW LORU D PRGXOXL GH JkQGLUH SUREDELOLVW XQ PRG GH
gândire specific acestei discipline.
/XFUDUHD GH ID  vúL SURSXQH V  SUH]LQWH R LQWURGXFHUH D 7HRULHL SUREDELOLW LORU
VWUXFWXUD OXFU ULL UHIOHFWkQG SDUWHD GLQ SURJUDPD DQDOLWLF  D FXUVXOXL GH 7HRULD SURED-
ELOLW LORUGLQFDGUXO)DFXOW LLGH0DWHPDWLF –,QIRUPDWLF 
‡&DSLWROXOHVWHFRQVDFUDWDOJHEUHORU%RROHUHSUH]HQW ULLORUFDDOJHEUHGHS U L
într-XQ VSD LX FX LQWHQ LD GH D MXVWLILca punctul de vedere de ansamblu în calculul cu
evenimente.
‡ ÌQ &DSLWROXO  VXQW SUH]HQWDWH QR LXQLOH IXQGDPHQWDOH GH HYHQLPHQWH DOHDWRDUH
respectiv de probabilitate.
• Capitolul 3 introduce conceptul de variabile aleatoare, cu matematica lor de calcul.
‡ÌQ&DSLWROXOVXQWSUH]HQWDWHVFKHPHOHSUREDELOLVWLFHFODVLFHFDUHIXUQL]HD] RELHFWH
FRQVLVWHQWHDOHFDWHJRULLORUGHFkPSXULGHHYHQLPHQWHúLGHFkPSXULSUREDELOLVWLFH
‡ÌQ&DSLWROXOVXQWSUH]HQWDWHVLVWHPHOHGHYDULDELOHDOHDWRDUHúLUXULOHGHYDULabile
DOHDWRDUHFXWLSXULOHFODVLFHGHFRQYHUJHQ 
‡ÌQ&DSLWROXOVHLQWURGXFHQR LXQHDGHIXQF LHFDUDFWHULVWLF LQVWUXPHQWXOFHOPDL
HILFLHQWGHFHUFHWDUHDOUHJLPXOXLDVLPSWRWLFDOúLUXOXLGHYDULDELOHDOHDWRDUH
Fiecare capitol se încheie cu exerci LLSUREOHPHúLWHVWHGHYHULILFDUHFDUHLQYLW SH
FLWLWRUODRvQ HOHJHUHDSURIXQGDW DWHPHLFDSLWROXOXLúLDWHKQLFLORUGHGHPRQVWUD LH
/XFUDUHDSRDWHILXWLO úLVWXGHQ LORUGHODIDFXOW LOHFXSURILOHFRQRPLFSUHFXPúLD
DFHORUDFDUHXWLOL]HD] DSDUDWXOVWDWLVWLFFHDUHODED] WHRULDSUREDELOLW LORU

AUTORII

7
8
 1. ALGEBRE BOOLE. CORPURI DE PĂRŢI

1.1. Mulţimi
Noţiunea de mulţime este primară, în sensul că nu poate fi definită cu ajutorul altor
noţiuni mai simple. În matematică cuvântul mulţime marchează orice colecţie bine
definită (în sensul că putem decide dacă un anumit obiect aparţine sau nu colecţiei
considerate) de obiecte sau simboluri.
Deci a preciza o mulţime înseamnă a enumera obiectele care o compun sau a
indica proprietatea comună care caracterizează aceste obiecte.
Exemplu. A = {a, b, c, d , e}; B = {1,2,3,7}; C = x ∈ { 1 ≤ x ≤ 2} ; mulţimea
numerelor întregi .
În anumite probleme concrete ne limităm la obiecte care aparţin unei anumite clase
de elemente, numite mulţime de bază (sau de referinţă), notată prin Ω .
Exemplu. Mulţimea numerelor reale poate fi considerată mulţime de bază
pentru submulţimile sale: mulţimea numerelor întregi , mulţimea numerelor reale
negative − şi mulţimea pătratelor perfecte ц.
O mulţime poate conţine un număr finit sau un număr infinit de elemente. Dacă o
mulţime nu conţine nici un element o vom numi mulţime vidă şi o notăm cu ∅ .
Exemplu. Mulţimea rădăcinilor reale ale ecuaţiei x 2 + 9 = 0 este vidă.
Fiind dată mulţimea de bază Ω , vom nota prin ℘(Ω ) mulţimea tuturor părţilor
lui Ω ; deci ℘(Ω ) conţine un număr de părţi A, B, C ,... care luate individual sunt bine
definite ca mulţimi.
Deci elementele lui ℘(Ω ) sunt submulţimi.
Ideea de mulţime se întregeşte prin conceptul de mulţimi egale, adică mulţimi care
au aceleaşi elemente.
În mulţimea ℘(Ω ) introducem operaţiile următoare:
1. Reuniunea a două mulţimi A şi B notată A ∪ B este mulţimea elementelor care
aparţin sau lui A sau lui B .
2. Intersecţia a două mulţimi A şi B , notată A ∩ B este mulţimea elementelor care
aparţin şi lui A şi lui B .
Dacă A ∩ B = ∅ , spunem că mulţimile A şi B sunt disjuncte. Când
A ∩ B = B , atunci B este, evident o parte a lui A , deci B ⊂ A .
3. Complementara unei mulţimi A , notată AC este mulţimea elementelor din Ω care
nu aparţin lui A .

9
 Se poate defini, complementara lui A în raport cu o submulţime B în care A
este inclusă ( A ⊂ B ) ca fiind mulţimea elementelor lui B care nu aparţin lui A şi
C
se notează A B = AC ∩ B .
4. Diferenţa a două mulţimi A şi B , notează A − B , este mulţimea elementelor care
aparţin lui A şi nu aparţin lui B .
Caracteristic pentru ℘(Ω ) sunt următoarele proprietăţi fundamentale, cu evident
aspect intuitiv:
1. Ω ∈℘(Ω ) , ∅ ∈℘(Ω ) .
2. Dacă A ∈℘(Ω ) , atunci AC ∈℘( Ω ) .
3. Dacă A, B ∈℘(Ω ) , atunci A ∪ B ∈℘(Ω ) .
4. Dacă A, B ∈℘(Ω ) , atunci A ∩ B ∈℘(Ω ) .

1.2. Algebre Boole

Definiţie. Se numeşte algebră Boole, o mulţime nevidă ј, în care sunt definite

operaţiile ∪ , ∩ , C , şi faţă de care sunt verificate axiomele următoare:
1. A ∪ B = B ∪ A ; A ∩ B = B ∩ A ; (comutativitate)
2. A ∪ (B ∪ C ) = ( A ∪ B ) ∪ C ; A ∩ (B ∩ C ) = ( A ∩ B ) ∩ C ; (asociativitate)
3. ( A ∩ B ) ∪ A = A ; A ∩ ( A ∪ B ) = A ; (absorbţie)
4. A ∩ (B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C ) ; A ∪ (B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) ;
(distributivitate)
( A ∩ A) ∪ B = B ; ( A ∪ AC ) ∩ B = B ; (complementaritate)
C
5.
oricare ar fi A, B, C ∈ ј.
Exemple.
1. Mulţimea tuturor părţilor ℘( Ω ) ale mulţimii nevide Ω înzestrată cu operaţiile de
reuniune, intersecţie şi complementaritate (faţă de Ω ) capătă o structură de algebră
Boole.
2. Perechea de clase de resturi de întregi n , modulo doi, п 2 = {0,1} înzestrată cu
operaţiile:
∪ 0 1 ∩ 0 1
0C = 1 ,
0 0 1 0 0 0
1C = 0
1 1 1 1 0 1
(deci x ∪ y = x + y − xy , x ∩ y = xy ), este o algebră booleană.
Avem următoarele consecinţe rezultate din definiţii:

10
 Corolar 1 (transformarea prin dualitate). Dacă într-o afirmaţie adecvată în
care intervin operaţiile ∪ , ∩ , C , şi relaţiile ⊂ şi ⊃ , înlocuim peste tot pe ∪ cu ∩ ,
pe ∩ cu ∪ , pe ⊂ cu ⊃ şi ⊃ cu ⊂ , iar pe C îl lăsăm neschimbat, obţinem tot o
afirmaţie adevărată numită afirmaţie duală.
Se observă că sistemul de axiome 1-5 rămâne neschimbat dacă substituim mutual
operaţiile ∪ , ∩ , operatorul C păstrându-şi locul.
Corolar 2. (Legi de indempotenţă). Pentru orice A ∈ ј avem:
A∪ A = A , A∩ A = A . (1.1.)
Demonstraţie. Aplicând succesiv axiomele 3, 4 şi iar 3 avem ţinând seama de 1:
A = ( A ∩ B ) ∪ A = ( A ∪ A) ∩ ( A ∪ B ) =
= ( A ∩ ( A ∪ B )) ∪ ( A ∩ ( A ∪ B )) = A ∪ A
Prin dualitate obţinem relaţia a doua.
Corolar 3. (Legi de monotonie). Oricare ar fi A, B, C ∈ ј, din A ⊂ B rezultă:
A∪C ⊂ B ∪C , A∩C ⊂ B ∩C . (1.2.)
Demonstraţie. Avem A ∩ B = A şi A ∪ B = B , deci
( A ∪ C ) ∪ (B ∪ C ) = ( A ∪ B ) ∪ (C ∪ C ) = B ∪ C
şi astfel A ∪ C ⊂ B ∪ C .
Prin dualitate se obţine cealaltă lege.
n
Corolar 4. Pentru orice ( Ai )1≤i≤n ⊂ ј, elementele ∪A i = A1 ∪ ... ∪ An şi
i =1
n

∩A
i =1
i = A1 ∩ ... ∩ An sunt unic determinate şi nu depind de ordinea elementelor.

Această consecinţă rezultă imediat din axiomele 2 şi 1.

Corolar 5. Într-o algebră Boole există două elemente numite elementul nul, notat
Λ , şi elementul total, notat V , astfel că pentru orice A∈ ј au loc egalităţile:
A ∩ A = Λ şi A ∪ A = V
C C
(1.3.)
Demonstraţie. Dacă A, B ∈ ј din axiomele 5 şi 1 rezultă A ∩ AC ⊂ B şi
B ⊂ A ∪ AC .
Înlocuind în prima relaţie pe B cu B ∩ B C , iar în cea de-a doua pe B cu
B ∪ CB obţinem:
A ∩ AC ⊂ B ∩ B C şi B ∪ B C ⊂ A ∪ AC (1.4.)
Schimbând pe A şi B între ele avem:
B ∩ B C ⊂ A ∩ AC şi A ∪ AC ⊂ B ∪ B C (1.5.)
Din (1.4.) şi (1.5.) rezultă:
A ∩ AC = B ∩ B C şi B ∪ B C = A ∪ AC . (1.6.)

11
 Elementele A ∩ AC şi A ∪ AC nu depind de alegerea lui A . (conf.
C C
relaţiilor (1.6)); A ∩ A este elementul nul al algebrei Boole, iar A ∪ A elementul
total.
Observaţie. În algebra Boole ℘(Ω ) , V este întreaga mulţime Ω , iar Λ este
mulţimea vidă ∅ .
Corolar 6. Pentru orice A∈ ј avem:
A∩ V = A, A∪ V = V, A∩ Λ = Λ , A∪ Λ = A (1.7.)
sau:
Λ ⊂ A, A⊂ V. (1.8.)
Demonstraţie. Din axioma 5 şi din (1.3) rezultă relaţiile (1.7.) deci (1.8.).
Corolar 7. Dacă A ∩ B = Λ şi A ∪ B = V , atunci B = AC .
Demonstraţie. Din consecinţa 6 şi axioma 4 avem
( )
B = Λ ∪ B = A ∩ A ∪ B = ( A ∪ B) ∩ A ∪ B =
C C
( )
(
= V ∩ AC ∪ B = AC ∪ B) ( )
deci A ⊂ B . Prin dualitate obţinem B ⊂ AC , deci B = AC .
C

Corolar 8 (Relaţiile lui de Morgan). Pentru orice A, B ∈ ј avem:

( A ∪ B ) = AC ∩ BC
C
(1.9.)

( A ∩ B ) = AC ∪ BC .
C
(1.10.)
Demonstraţie. Fie C = A ∩ B . Din axiomele 4 şi 2 relaţia (1.3) şi consecinţa 6
C C

rezultă:
( A ∪ B ) ∩ C = ( A ∪ B ) ∩ ( AC ∩ B C ) =
( ) (
= A ∩ AC ∩ B C ∪ B ∩ AC ∩ B C = Λ ∪ Λ = Λ )
şi analog:
( A ∪ B ) ∪ C = ( A ∪ B ) ∪ ( AC ∩ BC ) =
( ) (
= A ∪ B ∪ AC ∩ A ∪ B ∪ B C = V ∩ V = V )
Din consecinţa 7 rezultă C = ( A ∪ B ) .
C

Analog se demonstrează şi (1.10)

Definiţie. Un element A∈ ј, A ≠ Λ , se numeşte atom al algebrei ј, dacă
incluziunea B ⊂ A implică B = Λ sau B = A , pentru orice B ∈ ј.
Exemplu. Fiecare parte a lui Ω formată dintr-un singur element este atom în
algebra ℘(Ω ) .

12
 1.3. σ − algebre Boole

Vom extinde operaţiile de reuniune şi intersecţie pentru o familie oarecare ѝ de

elemente dintr-o algebră Boole, astfel:
Definiţie. Numim reuniune a elementelor A∈ ѝ elementul B ∈ ј dacă
satisface condiţiile:
1. A ∈ B pentru orice A∈ ѝ.
2. Dacă A ⊂ D pentru orice A∈ ѝ, atunci B ⊂ D .
Prin dualitate suntem conduşi la:
Definiţie. Numim intersecţie a elementelor A∈ ѝ, elementul C ∈ ј, dacă:
1. C ⊂ A pentru orice A∈ ѝ,
2. Dacă D ⊂ A pentru orice A∈ ѝ, atunci D ⊂ C .
Notăm B = ∪ A , C = ∩ A .
A∈F A∈F

Dacă ѝ = ( Ai )i∈I , atunci se utilizează notaţia: B = ∪A , C =∩A .

i i
i∈I i∈I
Definiţie. Se numeşte σ − algebră Boole (algebră Boole σ − completă), o algebră
Boole, ј dacă pentru orice şir de elemente ( An )n∈ * ⊂ ј există ∪
An ∈ ј.
n∈ *
Operaţiile de reuniune şi intersecţie definite aici sunt comutative şi asociative.
Principiul dualităţii se extinde şi asupra afirmaţiilor referitoare la reuniuni şi intersecţii
infinite. Relaţiile lui de Morgan rămân valabile.
Teorema 1 (Legi de distributivitate). Dacă ј este o σ − algebră Boole şi
A∈ ј, ( An )n∈ * ⊂ ј avem
⎛ ⎞
A ∩ ⎜ ∪ An ⎟ = ∪ ( A ∩ An ) (1.11.)
⎜ * ⎟
⎝ n∈ ⎠ n∈ *
⎛ ⎞
A ∪ ⎜ ∩ An ⎟ = ∩ ( A ∪ An ) . (1.12.)
⎜ * ⎟
⎝ n∈ ⎠ n∈ *
Demonstraţie. Notăm B = ∪ An şi F = ( A ∩ An )n∈ * . Vom arăta că A ∩ B
n∈ *
verifică condiţiile din definiţia reuniunii.
Din această definiţie avem că An ⊂ B , deci prin legea de monotonie, adică prima
condiţie din definiţia reuniunii, A ∩ An ⊂ A ∩ B pentru orice n ∈ *
.
Fie A ∩ An ⊂ D . Avem ( A ∩ An ) − D = A ∩ An ∩ D C = Λ , deci

(
An ⊂ C A ∩ D C ) pentru orice n ∈ *
(
. Avem deci B ⊂ C A ∩ D C . Rezultă )

13
B∩ ( ( A ∩ DC ) )
C C
= Λ , adică B ∩ A ∩ D C = Λ de unde se deduce A ∩ B ⊂ D ,
deci condiţia 2 din definiţia reuniunii.
Relaţia (1.12) rezultă prin dualitate.

1.4. Corp de părţi

Fie Ω o mulţime oarecare formată din elemente ω şi ℘(Ω ) mulţimea tuturor
părţilor mulţimii Ω .
Definiţie. Se numeşte corp de părţi o familie nevidă Σ ⊂ ℘(Ω ) , cu proprietăţile:
(Σ1.) A ∈ Σ implică AC ∈ Σ ;
(Σ2.) A, B ∈ Σ implică A ∪ B ∈ Σ .
Din definiţie rezultă următoarele proprietăţi:
(P1.) Avem ∅ ∈ Σ , Ω ∈ Σ .
n
(P2.) Dacă ( Ai )1≤i≤ n ⊂ Σ , atunci ∩ A ∈Σ .
i
i =1
(P3.) Dacă A, B ∈ Σ , atunci A − B ∈ Σ .
Demonstraţie. Σ fiind nevidă, există cel puţin un element A ∈ Σ deci conform cu
(Σ1) , AC ∈ Σ iar din (Σ2) rezultă A ∪ AC = Ω ∈ Σ . Observând că ΩC = ∅
proprietatea (P1) este demonstrată.
(P2) rezultă din (Σ1) şi (Σ2) extinse la un număr finit de elemente:
C
n
⎛ n ⎞
∩ i ⎜ ∪ CAi ⎟ ∈ Σ .
A =
i =1 ⎝ i =1 ⎠
(P3) este imediată ţinând seama de faptul că A − B = A ∩ B C şi de (P2) .
1.5. σ − corp de părţi

Definiţie. Se numeşte σ − corp de părţi (corp borelian) o familie nevidă

Σ ∈℘(Ω ) care posedă proprietăţile:
(Σ¹1.) A ∈ Σ implică AC ∈ Σ ;
(Σ¹2.) ( An )n∈ * ⊂ Σ implică ∪ An ∈ Σ .
n∈ *

Proprietăţile ( P1 ) – (P3 ) rămân valabile şi pentru σ − corpuri. Avem adevărate şi

următoarele proprietăţi:

14
(P4.) Dacă ( An )n∈ * ⊂ Σ , atunci lim An , lim An ∈ Σ , proprietate care rezultă
n →∞
n →∞
∞ ∞
imediat dacă ţinem seama de faptul că lim An = ∪∩ Ak ,
n →∞ n =1 k = n
∞ ∞
lim An = ∩∪ Ak
n →∞
n =1 k =b

(P5.) Dacă ( An )n∈ * ⊂ Σ , atunci lim An ∈ Σ , dacă există. În acest caz

n →∞

lim An = lim An = lim An .

n →∞ n →∞ n →∞

1.6. Măsură
Definiţie. Fie Σ un σ − corp de părţi ale lui Ω . O aplicaţie μ : Σ → + este
prin definiţie o măsură (pe Σ ) dacă:
1. μ este numerabil aditivă. Aceasta înseamnă că pentru orice şir ( An )n∈ * finit sau
infinit de elemente incompatibile două câte două din Σ , avem
⎛ ⎞
μ⎜⎜ ∪ An ⎟⎟ = ∑ μ( An )
⎝ n∈N * ⎠ n∈N *
2. Există cel puţin un element A0 ∈ Σ de măsură finită.
Din această definiţie rezultă următoarele proprietăţi:
(μ1.) μ(∅ ) = 0 .
În adevăr, avem pentru orice A ∈ Σ ,
μ( A) = μ( A ∪ ∅ ) = μ( A) + μ(∅ ) .
Ţinând seama că există cel puţin o mulţime A de măsură finită, deducem din
egalitatea precedentă μ(∅ ) = 0 .
(μ2.) Măsura este o funcţie monotonă de mulţime: dacă A, B ∈ Σ cu A ⊆ B , atunci
μ( A ) ≤ μ( B ) .
Demonstraţia acestei proprietăţi rezultă imediat din
μ ( B ) = μ ( A) + μ ( B − A) ≥ μ ( A)
deoarece A şi B − A sunt incompatibile.
(μ3.) Dacă A, B ∈ Σ , A ⊂ B , atunci μ(B − A) = μ(B ) − μ( A) consecinţă a
proprietăţii anterioare.

15
 Propoziţia 1. Măsura este o funcţie numerabilă subaditivă de mulţime, adică
pentru orice şir ( An )n∈ * ⊂ Σ avem
⎛ ⎞
μ⎜⎜ ∪ An ⎟⎟ ≤ ∑ μ( An ) (1.13.)
⎝ n∈N * ⎠ n∈N *
Pentru demonstraţie vezi [22.].

EXERCIŢII ŞI PROBLEME PROPUSE

1.1. Să se demonstreze egalităţile:
⎛ n ⎞ n
a. A ∪ ⎜⎜ ∩ Ai ⎟⎟ = ∩ ( A ∪ Ai )
⎝ i=1 ⎠ i=1
⎛ n ⎞ n
b. A ∩ ⎜⎜ ∪ Ai ⎟⎟ = ∪ ( A ∩ Ai )
⎝ i=1 ⎠ i=1
1.2. Dacă A ∩ B = ∅ , atunci A − (C − B ) = A − C .
1.3. Dacă A, B ∈ Ω , avem
( A ∩ B ) ∪ ( A ∩ B C ) ∪ ( AC ∩ B ) ∪ ( AC ∩ BC ) = Ω .
1.4. Să se determine ℘(Ω ) şi ℘(℘(Ω )) dacă
a. Ω = {{0,1}, {2,3}, {4}, {5,6,7}, {8,9,10}},
b. Ω = {2} .
1.5. Fie două mulţimi A şi B . Să se arate că A ⊂ B dacă şi numai dacă
℘( A) ⊂ ℘(B ) .
1.6. Fie mulţimile A şi B să se arate că:
a. ℘( A) ∪℘(B ) ⊂ ℘( A ∪ B ) .
b. ℘( A ∩ B ) = ℘( A) ∩ ℘(B ) .
c. ℘( A − B ) ⊂ ℘( A) − ℘(B ) .
1.7. Fie m o măsură pe algebra Boole ј, m este bivalentă dacă ia numai valorile 0 şi
1 . Să se arate că dacă m este bivalentă, atunci m( A ∩ B ) = m( A) ⋅ m(B ) pentru
orice A, B ∈ ј.

16
 2. CÂMP DE EVENIMENTE. PROBABILITATE

2.1.Câmp de evenimente
Teoria probabilităţilor studiază legile după care evoluează fenomenele aleatoare.
Vom da câteva exemple de fenomene aleatoare.
1. Cel mai simplu exemplu este dat de experimentul care constă în aruncarea cu zarul
(un cub cu şase feţe numerotate de la 1 la 6), rezultatul experimentului fiind dat de
cifra arătată de zar la oprire. Repetând experimentul de un număr de ori, nu putem
prevedea care va fi cifra arătată de zar în fiecare aruncare, deoarece aceasta depinde
de mulţi factori întâmplători (impulsul iniţial dat zarului, poziţia lui în momentul
aruncării, particularităţile feţei pe care cade etc.).
2. Un avion efectuează un număr oarecare de zboruri regulate între două oraşe. Timpul
de zbor nu este constant, ci prezintă mici variaţii de la un zbor la altul, tot datorită
unor factori întâmplători (condiţiile meteorologice etc.).
3. Nu se poate şti dinainte care va fi procentul de rebuturi la fabricarea unui anumit
produs.
În aceste experimente, condiţiile esenţiale ale experimentului rămân neschimbate.
Toate aceste variaţii au loc datorită unor factori secundari, care influenţează rezultatul
experimentului. Din multitudinea factorilor care intervin în fenomenele studiate îi vom
selecţiona pe cei decisivi şi vom neglija influenţa factorilor secundari. Această metodă e
uzuală în studiul fenomenelor fizice, mecanice şi în aplicaţii tehnice, economice.
În studiul acestor fenomene, evident, există o diferenţă de principiu între metodele
care permit să ţinem cont de factorii esenţiali care determină caracterul principal al
fenomenului şi metodele care ţin seama de factorii secundari a căror influenţă se
manifestă prin erori sau perturbaţii. Întâmplarea, complexitatea, multitudinea cauzelor
care intervin conduc la metode speciale de studiere a fenomenelor aleatoare, metode
elaborate de teoria probabilităţilor.
Aplicarea matematicii la studierea fenomenelor aleatoare se bazează pe faptul că
prin repetarea de mai multe ori a unui experiment, în condiţii practic identice, frecvenţa
relativă a apariţiei unui rezultat anumit (raportul dintre numărul experimentelor în care
apare rezultatul şi numărul tuturor experimentelor efectuate) este aproximativ aceeaşi,
oscilând în jurul unui număr constant. Dacă acest lucru se întâmplă, unui eveniment dat îi
putem asocia un număr, probabilitatea sa. Legătura aceasta dintre structură (structura
unui câmp de evenimente) şi număr este o reflectare în matematică a problemei
transferului calităţii în cantitate. Problema convertirii în număr a structurii unui câmp de
evenimente revine la a defini o funcţie numerică pe această structură, care să fie o măsură
a posibilităţilor de realizare a evenimentelor. Realizarea unui eveniment fiind probabilă,
această funcţie poartă denumirea de probabilitate. Teoria probabilităţilor se poate aplica
numai acelor fenomene care prezintă o anumită stabilitate a frecvenţelor relative în jurul

17
probabilităţii (fenomene omogene de masă). Aceasta este baza legăturii teoriei
probabilităţilor cu lumea reală, cu practica de toate zilele.
Deci, definiţia ştiinţifică a probabilităţii trebuie să reflecte, în primul rând,
comportarea reală a fenomenului. Noţiunile şi teoriile probabilistice nu sunt artificii de
calcul, ci modele ale unor stări şi caracteristici obiectiv determinate ale existenţei şi
devenirii acesteia. Probabilitatea nu este expresia gradului subiectiv de încredere a
omului în producerea evenimentului, ci caracterizarea legăturii obiectiv existente între
condiţii şi eveniment, între cauză şi efect.
Probabilitatea unui eveniment are sens atâta timp cât ansamblul de condiţii rămâne
neschimbat, orice modificare a acestor condiţii atrăgând după sine modificarea
probabilităţii şi deci modificarea legii statistice a fenomenului. Descoperirea acestor legi
statistice este rezultatul unui proces îndelungat de abstractizare. Orice lege statistică este
caracterizată pe de o parte de inconstanţa relativă, variabilitatea din comportarea
diferitelor obiecte, datorită căreia nu putem prevedea în mod univoc comportarea unui
obiect singular, iar pe de altă parte, faptul că într-o mulţime mare de fenomene are loc o
constanţă stabilă, care propriu-zis este exprimată de legea statistică.
Statistica practică se referă mai cu seamă la câmpuri de evenimente finite, folosind
şi câmpuri de evenimente infinite, pe când experienţele din domeniul fizicii şi al tehnicii
dau loc, în general, la câmpuri de evenimente infinite.
În teoria probabilităţilor experimentele studiate sunt experimente aleatoare şi
fiecare realizare a unui astfel de experiment se va numi probă. Rezultatul unei probe este
un eveniment.
Exemplu. În aruncarea cu zarul, mulţimea realizărilor posibile va fi
Ω = {1,2,3,4,5,6} . Câteva evenimente A = {1,3,5} - rezultat impar; B = {1,2,3,4} -
rezultat inferior lui 5; C = {2,4,6} - rezultat par. Dacă la o aruncare apare faţa cu
numărul 3 , sunt realizate evenimentele A şi B .
Notând prin Ω mulţimea tuturor rezultatelor posibile ale unui experiment
şi prin ℘(Ω ) mulţimea tuturor părţilor lui Ω , evenimentele aleatoare sunt elemente
ale lui ℘(Ω ) .
În mulţimea Σ a evenimentelor asociate unui experiment se pot introduce trei
operaţii corespunzătoare operaţiilor logice „sau”, „şi”, „non”. Fie A, B ∈ Σ .
a) „ A sau B ” este evenimentul care se realizează dacă şi numai dacă se realizează cel
puţin unul dintre evenimentele A sau B . Acest eveniment se notează prin A ∪ B
şi se va numi reuniunea evenimentelor A şi B ;
b) „ A şi B ” este evenimentul care se realizează dacă şi numai dacă se
realizează ambele evenimente A şi B , numit intersecţia acestor evenimente şi
notat prin A ∩ B ;
c) „non A ”, este evenimentul care se realizează dacă şi numai dacă nu se realizează
A . Acest eveniment îl vom numi contrar lui A şi se notează AC .
Dacă fiecărui eveniment îi ataşăm mulţimea de probe prin care se realizează, atunci
operaţiile dintre evenimente revin la operaţiile respective dintre mulţimile de probe

18
corespunzătoare, ceea ce justifică notaţiile a), b) şi c). Rezultatele operaţiilor cu
evenimente sunt tot evenimente ataşate experimentului respectiv.
Dacă A ∩ B = ∅ , deci A şi B nu se pot realiza simultan, spunem că A şi B
sunt evenimente incompatibile.
În mulţimea Σ a evenimentelor asociate unui anumit experiment, există două
evenimente cu o semnificaţie deosebită şi anume evenimentele Ω = A ∪ AC şi
∅ = A ∩ AC . Primul constă în producerea evenimentului A sau în producerea
evenimentului AC ceea ce are loc evident, întotdeauna prin urmare, acest eveniment nu
depinde evenimentul A , în sensul că Ω = A ∪ AC = B ∪ B C , B fiind eveniment din
mulţimea Σ . Este natural să numim evenimentul Ω , evenimentul sigur. Evenimentul
∅ constă în producerea evenimentului A şi în producerea evenimentului AC ceea ce
nu poate avea loc niciodată. Acest eveniment se va numi eveniment imposibil.
Fie evenimentele A, B ∈ Σ . Spunem că evenimentul A implică evenimentul B
şi scriem A ⊂ B , dacă atunci când se realizează A se realizează în mod necesar B .
Dacă avem simultan A ⊂ B şi B ⊂ A , atunci evenimentele A şi B sunt
echivalente şi notăm A = B (aceasta revine la egalitatea mulţimilor de probe care
corespund evenimentelor).
Implicaţia dintre evenimente este o relaţie de ordonare parţială în mulţimea
evenimentelor şi corespunde relaţiei de incluziune din algebrele Boole.
Definiţie. Un eveniment A ∈ Σ este compus dacă există două evenimente
B, C ∈ Σ , B ≠ A , C ≠ A astfel ca A = B ∪ C . În caz contrar evenimentul este
elementar.
Atomii algebrei Boole a evenimentelor se numesc evenimente elementare ale
câmpului (notate ω ), evenimentul sigur este Ω iar evenimentul imposibil ∅ .
Dacă mulţimea Ω conţine un număr finit de evenimente elementare,
Ω = {ω1 , ω2 ,..., ωn }, atunci un eveniment este o parte a lui Ω şi deci va conţine şi el
un număr finit ( r < n ) de evenimente elementare. În acest caz mulţimea evenimentelor
Σ este chiar ℘(Ω ) , în general însă avem Σ ⊂ ℘(Ω) şi Σ se bucură de
proprietăţi analoage cu ale lui ℘(Ω ) .
Analiza unui număr mare de experimente aleatoare a condus la concluzia
următoare:
Axiomă. Mulţimea evenimentelor asociate unui experiment constituie o algebră
Boole.
Definiţie. Algebra Boole a evenimentelor asociate unui experiment se numeşte
câmpul de evenimente al experimentului respectiv.
Deci câmpul de evenimente va fi o mulţime Ω înzestrată cu un corp de
evenimente Σ şi se va nota prin {Ω, Σ} .
Definiţie. Vom numi corp borelian de evenimente ( σ − câmp) o mulţime Ω
înzestrată cu un câmp borelian ( σ − câmp) de evenimente Σ şi se va nota, de asemenea,
prin {Ω, Σ} .
19
 Observaţie. Un σ − câmp este ceea ce în teoria măsurii numim spaţiu măsurabil.
Exemple.
1. O urnă conţine 20 de bile numerotate de la 1 la 20 . Se extrage o bilă şi îi reţinem
numărul. Se cere:
a) Să se scrie evenimentul sigur.
b) Fie evenimentele: A - „rezultatul este par”; B - „rezultatul este multiplu de 5”
şi C - „rezultatul este o putere a lui 2”. Să se scrie evenimentele A ∪ B ,
A ∩ B , AC . Să se arate implicaţiile dintre evenimente. Care evenimente sunt
incompatibile?
Răspuns.
a) Ω = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20}.
b) A ∪ B - „rezultatul este par sau multiplu de 5”; A ∩ B - „rezultatul este multiplu
de 10”; AC - „rezultatul este impar”; C ⊂ A şi C ∩ B = ∅ .
2. În experienţa aruncării cu zarul să se scrie câmpul de evenimente ataşat experienţei şi
să se calculeze numărul de evenimente din câmp.
Răspuns.
Avem
Σ = {∅, {}
i , {i, j}, {i, j , k }, {i, j , k , l }, {i, j , k , l , m}, Ω}
unde i, j , k , l , m iau valori independente de la 1 la 6 , iar în cadrul unei grupe toţi
indicii sunt diferiţi. Două grupe cu acelaşi număr de indici diferă cel puţin printr-un
indice. S-a notat prin {}
i - „apariţia feţei cu numărul i ”, prin {i, j} - „apariţia feţei cu
numărul i sau a feţei cu numărul j ”, deci {i, j} = {}
i ∪ { j} etc.
Evenimentele {}
i sunt în număr de C61 , {i, j} în număr de C62 , {i, j , k } în număr
de C63 etc. deci în câmp avem 1 + C61 + C62 + C63 + C64 + C65 + 1 = 2 6 evenimente

3. O urnă conţine 4 bile albe a1 , a2 , a3 , a4 şi 2 bile negre n1 , n2 . Se extrag simultan

două bile. Se cere:
a. Să se precizeze probele experienţei
b. Se consideră evenimentele: A1 – obţinerea a două bile negre, A2 – obţinerea
a două bile albe, A3 – obţinerea a cel puţin a unei bile negre, A4 – obţinerea
unei singure bile albe, A5 – obţinerea unei singure bile negre, A6 – obţinerea
a două bile verzi.
Să se precizeze care dintre ele sunt aleatoare, elementare sau compuse;
perechi de evenimente compatibile şi incompatibile; perechi de evenimente
egale; implicaţiile dintre evenimente.

20
Răspuns.
a. Notând simbolic prin (a1 , a2 ) extragerea bilelor a1 şi a2 etc. probele experienţei
sunt (a1 , a2 ) , (a1 , a3 ) , (a1 , a4 ) , (a2 , a3 ) , (a2 , a4 ) , (a3 , a4 ) , (a1 , n1 ) , (a1 , n2 ) ,
(a2 , n1 ) , (a2 , n2 ) , (a3 , n1 ) , (a3 , n2 ) , (a4 , n1 ) , (a4 , n2 ) , (n1 , n2 ) .
Numărul probelor este C62 = 15 .
b. Evenimentele A1 , A2 , A3 , A4 , A5 sunt aleatoare.
Evenimentul A6 este imposibil, el nu este nici elementar, nici compus.
Evenimentul A1 este elementar, el se realizează printr-o singură probă,
(n1 , n2 ) . Avem A1 = {(n1 , n2 )} .
Evenimentele A2 , A3 , A4 , A5 sunt evenimente compuse.
Avem A4 = A5 deoarece realizarea lui A4 atrage după sine realizarea lui A5 şi
reciproc. Se observă aceasta şi din egalitatea mulţimilor de probe
A4 = {(a1 , n1 ), (a1 , n2 ), (a2 , n1 ), (a2 , n2 ), (a3 , n1 ), (a3 , n2 ), (a4 , n1 ), (a4 , n2 )},
A5 = {(n1 , a1 ), (n1 , a2 ), (n1 , a3 ), (n1 , a4 ), (n2 , a1 ), (n2 , a2 ), (n2 , a3 ), (n2 , a4 )}.
De asemenea avem
A2 = {(a1 , a2 ), (a1 , a3 ), (a1 , a4 ), (a2 , a3 ), (a2 , a4 ), (a3 , a4 )}
A3 = {(a1 , n1 ), (a1 , n2 ), (a2 , n1 ), (a2 , n2 ), (a3 , n1 ), (a3 , n2 ), (a4 , n1 ), (a4 , n2 ), (n1 , n2 )} .
Sunt compatibile perechile ( A3 , A5 ) ; ( A1 , A3 ) .
Se pot realiza simultan ( A4 , A5 ) .
Sunt incompatibile perechile: ( A2 , A3 ) ; ( A1 , A2 ) ; ( A1 , A4 ) , ( A1 , A3 ) ,
( A2 , A4 ) , ( A2 , A5 ) .
Evenimentele A1 şi A4 ; A1 şi A5 ; A2 şi A4 ; A2 şi A3 ; A2 şi A5 sunt
contrare.
Avem implicaţiile: A4 ⊂ A5 , A5 ⊂ A4 ; A4 ⊂ A3 ; A5 ⊂ A3 .
Vom da câteva proprietăţi ale evenimentelor elementare:
(E1.) Fie A ∈ Σ un eveniment elementar şi B ∈ Σ un eveniment oarecare. Dacă
B ⊆ A , atunci B = ∅ sau B = A .
Presupunând B ≠ ∅ şi B ≠ A rezultă că evenimentul C = B − A este diferit de
A şi de ∅ , deci A = B ∪ C ceea ce este imposibil deoarece A este elementar.
(E2.) Condiţia necesară şi suficientă ca un eveniment A ∈ Σ , A ≠ ∅ să fie
elementar, este să nu existe un eveniment B ∈ Σ , B ≠ ∅ cu B ⊂ A .
Presupunând că există B ∈ Σ cu B ≠ ∅ şi B ⊂ A rezultă B ≠ A . Din
( ) ( )
A = A ∩ B ∪ B C = ( A ∩ B ) ∪ A ∩ B C , ţinând seama că B = A ∩ B , deoarece
B ⊂ A , rezultă: A = B ∪ A ∩ B ( C
).
21
 Notând C = A ∩ B C , avem C ≠ A deoarece în caz contrar am avea
( ) (
B = A ∩ B = C ∩ B = A ∩ BC ∩ B = A ∩ BC ∩ B = A ∩ ∅ = ∅ . )
În relaţia A = B ∪ C avem B ≠ A , C ≠ A , ceea ce este absurd, deoarece A
este un eveniment elementar.
În mod analog se demonstrează:
(E3.) Condiţia necesară şi suficientă ca un eveniment A ≠ ∅ să fie elementar este
ca pentru orice eveniment B să avem A ∩ B = ∅ sau A ∩ B = A .
(E4.) Două evenimente elementare distincte sunt incompatibile.
Fie evenimentele elementare A1 şi A2 cu A1 ≠ A2 Presupunem A1 ∩ A2 ≠ ∅ .
Evenimentul A2 este elementar, deci conform cu (E 3) A1 = A1 ∩ A2 . Analog, A2
fiind elementar avem A2 = A1 ∩ A2 . Din aceste relaţii rezultă A1 = A2 , ceea ce nu se
poate, deci A1 ∩ A2 = ∅ .
(E5.) Într-o algebră finită de evenimente pentru orice eveniment compus B ∈ Σ ,
există un eveniment elementar A , A ⊂ B .
Demonstraţia este imediată ţinând seama de (E 2 ) .
(E6.) Orice eveniment dintr-o algebră finită de evenimente se poate scrie sub formă
unică, ca o reuniune de evenimente elementare.
Fie B ∈ Σ un eveniment compus. Ţinând seama de (E 5) există un eveniment
elementar A1 cu A1 ⊂ B . Notăm B1 = B − A1 , deci B = A1 ∪ B1 .
Dacă B1 este eveniment elementar, prima parte a propoziţiei este demonstrată.
Dacă B1 este eveniment compus, există un eveniment elementar A2 ⊂ B1 . Notăm
B2 = B1 − A2 , deci B1 = A2 ∪ B2 şi deci B = A1 ∪ A2 ∪ B2 .
Dacă B2 este eveniment elementar, ne oprim aici cu descompunerea. Dacă B2
este eveniment compus continuăm procedeul. Algebra fiind finită, după un număr finit de
paşi obţinem
B = A1 ∪ A2 ∪ ... ∪ Ak (2.1.)
unde Ai ( i = 1,2,..., k ) sunt evenimente elementare.
Să presupunem că descompunerea (2.1) nu este unică deci că
B = A1 ∪ A2 ∪ ... ∪ Ak = A1′ ∪ A2′ ∪ ... ∪ Ar′ (2.2.)
unde, spre exemplu:
A1 ≠ As′ ( s = 1,2,..., r ) (2.3.)
Avem:
A1 ∩ ( A1 ∪ A2 ∪ ... ∪ Ak ) = A1 ∩ ( A1′ ∪ A2′ ∪ ... ∪ A′) ,
de unde ţinând seama de (E 4 ) şi de relaţia (2.3) rezultă A1 = ∅ , ceea ce este absurd.
De aici rezultă:
(E7.) Într-o algebră finită de evenimente, evenimentul sigur este reuniunea tuturor
evenimentelor elementare.
22
 2.2. Probabilitate pe un câmp finit de evenimente
Să considerăm o urnă U care conţine n bile, dintre care m albe şi n − m negre
(bile diferă numai prin culoare). Se extrage la întâmplare o bilă. Avem n evenimente
elementare. Fie A evenimentul „bila extrasă să fie albă”. Acest eveniment se poate
realiza prin m probe, m ≤ n .
Definiţie. Se numeşte probabilitatea evenimentului A raportul dintre numărul
cazurilor favorabile realizării lui A şi numărul cazurilor egal posibile. Deci
m
P ( A) = . (2.4.)
n
Aceasta este definiţia clasică a probabilităţii. Ea se poate folosi numai în
experimente cu evenimente elementare egal posibile.
Să considerăm acum o urnă care conţine n bile dintre care a1 bile de culoarea c1 ; a2
bile de culoarea c2 ; ...; a s bile, de culoarea cs . Astfel n = a1 + a2 + ... + as . Bilele diferă
între ele numai prin culoare. Se extrage o bilă din urnă. În acest caz extracţia unei bile este
eveniment elementar. Probabilitatea extragerii unei bile de culoare cl va fi dată de definiţia
al
clasică a probabilităţii, P = , deci eveniment favorabil este extracţia unei bile de
n
culoare cl .
Un eveniment oarecare al câmpului este apariţia uneia din bile având culoarea
cl , cl ,..., cls , notat A , pentru care
1 2

al1 + al2 + ... + als

P ( A) = .
n
De aici rezultă că:
1. probabilitatea fiecărui eveniment este o funcţie de acest eveniment, având valori
pozitive;
a1 + a2 + ... + an
2. probabilitatea evenimentului sigur Ω este 1 ; P (Ω ) = =1;
n
3. dacă A = A1 ∪ A2 cu A1 ∩ A2 = ∅ , atunci P ( A) = P ( A1 ) + P ( A2 ) ;
1
4. evenimentele elementare sunt egal probabile (au probabiltatea ).
n
Se observă că experimentul extracţiei dintr-o urnă poate fi interpretat cu ajutorul a
două câmpuri de evenimente; câmpul considerat mai sus pentru care eveniment
elementar este extracţia unei bile şi un alt câmp, (Γ,℘(Γ )) pentru care eveniment
elementar este extracţia unei bile de culoare cl ( l = 1,2,..., s ). Funcţia P ( A) care
reprezintă probabilitatea unui eveniment oarecare din Γ are proprietăţile 1, 2 şi 3 dar nu
verifică, în general, proprietatea 4 deoarece evenimentele elementare din Γ nu au

23
probabilităţi egale, decât pentru n1 = n2 = ... = ns . În acest caz nu se mai aplică
definiţia clasică a probabilităţii.
Să considerăm o urnă cu 7 bile numerotate de la 1 la 7 . Se extrage la întâmplare
o bilă.
Notând cu Ai , i = 1,...,7 , evenimentul care constă în extragerea bilei cu numărul
i , având în vedere că bilele diferă între ele numai prin numărul înscris, rezultă că
evenimentele Ai sunt egal posibile, deci, în mod firesc o funcţie de probabilitate definită
1
pe mulţimea ( Ai )1≤i ≤7 satisface condiţia P ( Ai ) = p , unde p = .
7
Evenimentul Ai ∪ A j , ( i ≠ j ) este un eveniment de două ori mai probabil
decât fiecare din evenimentele Ai , deci prelungirea funcţiei P la evenimentele

P (Ai ∪ Pj ) =
2
Ai ∪ A j trebuie definită ca , ( i ≠ j ), deoarece
7
P (Ai ∪ A j ) = P ( Ai ) + P (A j ) .
În general,
( )
P Ai1 ∪ ... ∪ Aik =
k
7
, (1 ≤ i1 ≤ ... ≤ ik ≤ 7 )

şi P (Ω ) = 1 , unde Ω este evenimentul sigur.

Deci, în cazul unui câmp finit de evenimente {Ω, Σ} , o probabilitate pe acest câmp
o vom defini astfel:
Definiţie. Se numeşte probabilitate pe Σ , o aplicaţie P : Σ → care satisface
următoarele axiome:
(1) P ( A) ≥ 0 pentru orice A ∈ Σ ;
(2) P (Ω ) = 1 ;
(3) P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) pentru orice A1 , A2 ∈ Σ cu A1 ∩ A2 = ∅ .
Proprietatea (3) se extinde prin recurenţă la orice număr finit de evenimente
incompatibile două câte două. Deci, dacă Ai ∩ A j = ∅ , i ≠ j , i, j = 1,..., n , atunci
⎛ n ⎞ n
P⎜⎜ ∪ Ai ⎟⎟ = ∑ P ( Ai ) .
⎝ i=1 ⎠ i =1
Exemplu. Într-o pungă se găsesc 200 bilete de loto dintre care un bilet câştigător a
500.000 lei, 5 bilete câştigătoare a 100.000 lei fiecare, 10 bilete câştigătoare a 50.000
lei fiecare şi 20 bilete câştigătoare a 5.000 lei fiecare. Cineva cumpără un bilet. Care este
probabilitatea ca cumpărătorul să câştige cel puţin 50.000 lei ?
Vom considera următoarele evenimente: A - cumpărătorul câştigă cel puţin
50.000 lei; A1 – cumpărătorul câştigă 50.000 lei; A2 – cumpărătorul câştigă
100.000 lei; A3 – cumpărătorul câştigă 500.000 lei.
24
 Avem evident A = A1 ∪ A2 ∪ A3 cu Ai ∩ A j = ∅ , ( i ≠ j , i, j = 1,2,3 ). Deci
10 5 1
P( A) = P( A1 ) + P( A2 ) + P( A3 ) = + + = 0,08 .
200 200 200
Definiţie. Numim câmp de probabilitate finit, un câmp finit de evenimente {Ω, Σ}
înzestrat cu o probabilitate P , notat {Ω, Σ, P}.
Din regula de adunare a probabilităţilor deducem că pentru a cunoaşte
probabilităţile tuturor evenimentelor A ∈ Σ este suficient să cunoaştem probabilităţile
evenimentelor elementare ωi ; 1 ≤ i ≤ r , care alcătuiesc mulţimea finită
Ω = {ω1 ,..., ωr } , deoarece dacă notăm P ({ωi }) = pi ; 1 ≤ i ≤ r , şi dacă
{ } { }
A = ωi1 ∪ ... ∪ ωik , atunci

P ( A ) = P ({ω } ∪ ... ∪ {ω } ) = P ({ω }) + ... + P ({ω } ) = p

i1 ik i1 ik i1 + ... + pi
k

Deci, un câmp finit de probabilitate este complet caracterizat de numerele

r
nenegative p1 , p2 ,..., pr cu ∑p
i =1
i = 1.

k
Dacă p1 = ... = pr , atunci P ( A) = unde k reprezintă numărul de evenimente
r
elementare care intră în compunerea evenimentului A (evenimente elementare
favorabile evenimentului A ). Se ajunge astfel la definiţia clasică a probabilităţii.
Din definiţia probabilităţii rezultă următoarele proprietăţi:
( )
(P1.) Pentru orice A ∈ Σ , P AC = 1 − P ( A) .
Din A ∪ A = Ω , A ∩ AC = ∅ şi din axiomele (2) şi (3) rezultă imediat această
C

proprietate.
Exemplu. Un aparat achiziţionat de o uzină trebuie pus în funcţiune. Se pot ivi
următoarele situaţii:
a) o bună stare de funcţionare;
b) un uşor dereglaj;
c) trebuie înlocuite câteva piese;
d) se impune o revizie generală.
În primul caz aparatul continuă să funcţioneze. În cazul (b) reglajul durează 10
minute, în cazul (c) piesele se înlocuiesc într-o oră, iar revizia generală se face în 10 ore.
Probabilităţile celor patru etape sunt 0,5 ; 0,1 ; 0,15 ; 0,25 .
Să se determine probabilitatea ca aparatul să fie în măsură să funcţioneze după cel
puţin două ore de la instalare.
Răspuns. Considerăm următoarele evenimente: A - aparatul este gata de funcţionare
după 2 ore; A1 - aparatul poate funcţiona imediat; A2 - aparatul necesită un reglaj; A3
- este necesar să înlocuim câteva piese.

25
 Avem evident A = A1 ∪ A2 ∪ A3 . Deci
P ( A) = P ( A1 ) + P ( A2 ) + P ( A3 ) = 0,5 + 0,1 + 0,15 = 0,75
sau
( )
P ( A) = 1 − P AC = 1 − 0,25 = 0,75 '
(P2.) Avem P (∅ ) = 0 .
Aceasta rezultă imediat din (P1) , din observaţia ∅ C = Ω şi axioma (2).
(P3.) Pentru orice A ∈ Σ avem 0 ≤ P ( A) ≤ 1 .
Axioma (1) ne spune că P ( A) ≥ 0 . Din (1) şi proprietatea (P1) rezultă
P ( A) ≤ 1 .
(P4.) Pentru orice A1 , A2 ∈ Σ cu A1 ⊂ A2 avem P ( A1 ) ≤ P ( A2 ) .
(
Avem A2 = A1 ∪ A2 ∩ A1C ) ( )
unde A1 ∩ A2 ∩ A1C = ∅ , deci din (3) rezultă
(
P ( A2 ) = P( A1 ) + P A2 ∩ A C
1 ). Dar P(A ∩ A ) ≥ 0 de unde P( A ) ≥ P( A ) .
2
C
1 2 1

(P5.) Pentru orice A1 , A2 ∈ Σ avem P ( A2 − A1 ) = P ( A2 ) − P ( A1 ∩ A2 ) .

Din A2 = ( A2 − A1 ) ∪ ( A2 ∩ A1 ) , ( A2 − A1 ) ∩ ( A2 ∩ A1 ) = ∅ şi axioma (3)
rezultă proprietatea enunţată.
(P6.) Dacă A1 ⊂ A2 , A1 , A2 ∈ Σ , atunci P ( A2 − A1 ) = P ( A2 ) − P ( A1 ) .
Această proprietate rezultă din proprietatea (P5) (P5) deoarece în acest caz
A2 ∩ A1 = A1 .
(P7.) P( A1 ∪ A2 ) = P( A1 ) + P( A2 ) − P( A1 ∩ A2 ) , oricare ar fi A1 , A2 ∈ Σ .
Din relaţiile A1 ∪ A2 = A1 ∪ ( A2 − ( A1 ∩ A2 )) , A1 ∩ ( A2 − ( A1 ∩ A2 )) = ∅ , din
axioma (3) şi proprietatea (P 6 ) aplicată pentru A2 − ( A1 ∩ A2 ) rezultă proprietatea
enunţată.
De aici rezultă imediat:
(P8.) P( A1 ∪ A2 ) ≤ P( A1 ) + P( A2 ) , oricare ar fi A1 , A2 ∈ Σ .
(P9.) Dacă ( ( Ai )1≤i≤ n ⊂ Σ , atunci
⎛ n ⎞ n
P ⎜ ∪ Ai ⎟ = ∑ P ( Ai ) − ∑ P ( Ai ∩ Aj ) +
⎝ i =1 ⎠ i =1 1≤ i < j ≤ n

⎛ n ⎞
∑ P ( Ai ∩ Aj ∩ Ak ) + ... + ( −1)
n −1
+ P ⎜ ∩ Ai ⎟
1≤ i < j < k ≤ n ⎝ i =1 ⎠
Această relaţie se demonstrează prin inducţie şi ţinând seama de proprietatea
(P7 ) .
(P10.) Fie evenimentele ( Ai )1≤i≤ n ⊂ Σ cu P ( A1 ∩ ... ∩ An −1 ) ≠ 0 , atunci:
⎛ n ⎞
P ⎜ ∩ Ak ⎟ = P ( A1 ) P ( A2 A1 ) ⋅ P ( A3 A1 ∩ A2 ) ⋅ ... ⋅ P ( An A1 ∩ ... ∩ An −1 )
⎝ k =1 ⎠
26
 Formula se demonstrează prin inducţie. Probabilităţile din membrul doi există
deoarece din
A1 ∩ ... ∩ An−1 ⊆ A1 ∩ ... ∩ An−2 ⊆ ... ⊆ A1 ∩ A2 ⊆ A1
rezultă
0 < P ( A1 ∩ ... ∩ An−1 ) ≤ P( A1 ∩ ... ∩ An−2 ) ≤ ... ≤ P( A1 ∩ A2 ) ≤ P ( A1 )
Ca ilustrare a proprietăţilor (P9 ) şi (P10 ) să considerăm următoarele probleme:
Exemplu - Problema concordanţelor [23]. Într-o urnă sunt n bile numerotate de
la 1 la n . Extragem pe rând câte o bilă fără a o repune în urnă. Este posibil ca în
extracţia de rang i să extragem bila numerotată cu i ?. Spunem în acest caz că avem o
concordanţă.
Răspuns.
Fie p probabilitatea, ca făcând n extracţii să apară cel puţin o concordanţă.
Dacă notăm prin Ai evenimentul ca în experimentul de rang i , 1 ≤ i ≤ n să apară o

concordanţă, avem p = P ( A1 ∪ ... ∪ An ) ; unde P ( Ai ) =

(n − 1)! = 1 , deoarece sunt
n! n
posibile n! cazuri (cele n bile se pot extrage în n moduri diferite) şi (n − 1)! cazuri
favorabile, deoarece bila numerotată cu numărul i trebuie extrasă exact în extracţia de
rang i , deci numai cele n − 1 bile rămase se pot permuta oricum între ele.
Analog
P (Ai ∩ A j ) =
(n − 2 )! =
1
, 1≤ i < j ≤ n ,
n! n(n − 1)
P (Ai ∩ A j ∩ Ak ) =
(n − 3)! = 1
, 1 ≤ i < j < k ≤ n etc.
n! n(n − 1)(n − 2 )
În relaţia din (P9 ) fiecare termen este, la rândul său, o sumă de termeni egali şi
anume Cnk termeni, unde k este numărul indicilor după care se sumează. Avem deci
1 1 1 1
+ ... + (− 1) C nn
n −1
p = n − Cn2 + Cn3
n n(n − 1) n(n − 1)(n − 2 ) n!
sau
1 1 n −1 1
p =1− + + ... + (− 1) .
2! 3! n!
Observăm că notând prin q probabilitatea evenimentului contrar, atunci
1 1 n −1 1
q =1− p = − + ... + (− 1) ,
2! 3! n!
1
iar pentru n → ∞ obţinem q → .
e

27
 Exemplu. Un lot de 100 produse este supus unui control de calitate. Lotul este
respins dacă se găseşte cel puţin un rebut la 5 piese controlate la întâmplare. Ştiind că
lotul conţine 4% piese defecte, să se determine probabilitatea ca lotul să fie respins.
Răspuns.
( )
Notând cu A evenimentul „lotul trebuie respins” vom calcula P AC . Notând
cu Ak evenimentul „piesa k controlată este bună” 1 ≤ k ≤ 5 , şi ţinând seama de faptul
că evenimentele Ak nu sunt independente, avem
( )
P AC = P( A1 ∩ ... ∩ A5 ) =
= P( A1 )P( A2 A1 )P( A3 A1 ∩ A2 )...P( A5 A1 ∩ A2 ∩ A3 ∩ A4 ) = ,
96 95 94 93 92
= ⋅ ⋅ ⋅ ⋅
100 99 98 97 96
iar P ( A) = 1 − P AC .( )
2.3. σ − câmp de probabilitate
Calea pe care o urmărim în definirea σ − câmpului de probabilitate corespunde
axiomaticii teoriei probabilităţilor dată de A.N. Kolmogorov [11] în 1933.
Definiţie. Fie {Ω, Σ} un σ − câmp de evenimente. Numim probabilitate pe
câmpul {Ω, Σ} , o funcţie numerică pozitivă P , definită pe Σ dacă:
1. P(Ω ) = 1 ,
⎛ ⎞
2. P⎜⎜ ∪ Ai ⎟⎟ = ∑ P( Ai ) , pentru orice familie numărabilă de evenimente
⎝ i∈I ⎠ i∈I
( Ai )i∈I ⊂ Σ , incompatibile două câte două.
Observăm că probabilitatea este o măsură pentru care μ(Ω ) = 1 .
Deci un σ − câmp de probabilitate, va fi un σ − câmp de evenimente {Ω, Σ} ,
înzestrat cu o probabilitate; el se va nota cu {Ω, Σ, P}.
Proprietăţile probabilităţii amintite pentru un câmp finit de probabilitate se extind şi
la σ − câmpurile de probabilitate. În plus, dacă {Ω, Σ, P} este un σ − câmp de
probabilitate avem următoarele proprietăţi:
(P11.) Pentru orice şir de evenimente ( An )n∈ * ⊂ Σ pentru care An+1 ⊆ An
(descendent), avem
⎛ ⎞
lim P ( An ) = P ⎜ ∩ An ⎟
n →∞ ⎜ * ⎟
⎝ n∈ ⎠

28
 şi pentru orice şir de evenimente ( An )n∈ * ⊂ Σ pentru care An +1 ⊇ An
(ascendent), avem
⎛ ⎞
lim P ( An ) = P ⎜ ∪ A n ⎟ .
n →∞ ⎜ * ⎟
⎝ n∈ ⎠
Pentru demonstraţia primei relaţii vom arăta că dacă ∩A n = ∅ , atunci
n∈ *

lim P ( An ) = 0 .
n →∞
∞ ∞
În adevăr, din An = ∪ ( Am − Am+1 )
m=n
avem P ( An ) = ∑ P( A
m=n
m − Am+1 ) .

Pentru n = 0 , seria este convergentă, restul seriei fiind convergent către zero.
Putem scrie
∞
lim ∑ P ( Am − Am+1 ) = 0
n →∞
m=n
deci
lim P ( An ) = 0 .
n →∞

Notăm B = ∩A n , Bn = An − B . Şirul ( Bn )n∈ * este descendent şi

n∈ *

∩B n = ∅ , deci lim P (Bn ) = 0 .

n →∞
n∈ *
Dar
⎛ ⎞
P ( Bn ) = P ( An ) − P ( B ) = P ( An ) − P ⎜ ∩ An ⎟ ,
⎜ * ⎟
⎝ n∈ ⎠
deci
⎛ ⎞
lim P ( An ) = P⎜⎜ ∩ An ⎟⎟ .
n →∞
⎝ n∈N * ⎠
Pentru demonstraţia celeilalte relaţii se arată că aceasta este echivalentă cu prima,
demonstraţie pe care o lăsăm pe seama cititorilor.
(P12.) P⎛⎜ lim An ⎞⎟ ≤ lim P ( An ) ≤ lim P ( An ) ≤ P lim An
⎝ n →∞ ⎠ n →∞ n →∞ n →∞
( ) pentru orice şir

( An )n∈ * ⊂ Σ
∞
Cu notaţia Bn = ∩A n+ p , ( Bn )n∈ * este ascendent şi
p =0

⎝ n →∞ ⎠ n →∞
(
n →∞
)
P⎛⎜ lim An ⎞⎟ = P lim Bn = lim P (Bn ) ≤ lim P ( An ) ,
n →∞

29
 ( )
deoarece P (Bn ) ≤ P An+ p pentru orice p ∈ .
(
n→∞
)
Analog P lim An ≥ lim P ( An ) . Dar lim P ( An ) ≤ lim P ( An ) .
n →∞ n →∞ n →∞

De aici rezultă ca o consecinţă imediată:

(P13.) (proprietatea de continuitate secvenţială a probabilităţii). Dacă şirul
⎛ lim A = lim A ⎞ ,
( An )n∈ * ⊂ Σ este 0 − convergent ⎜ n →∞ n n⎟ atunci
⎝ ⎠
( )
n →∞

P lim An = lim P ( An ) .
n→∞ n →∞

⎛ ⎞
(P14.) P ⎜ ∪ An ⎟ ≤ ∑ P ( An ) .
⎜ * ⎟
⎝ n∈ ⎠ n∈ *
Avem
⎛ ⎞ ⎛ n ⎞ n
P⎜⎜ ∪ An ⎟⎟ = lim P⎜⎜ ∪ Ai ⎟⎟ ≤ lim ∑ P ( Ai ) = ∑ P( An ) .
⎝ n∈N * ⎠
n →∞
⎝ i =1 ⎠ n→∞ i =1 n∈N *
Avem egalitate numai dacă evenimentele sunt mutual disjuncte.

2.4. Evenimente independente. Probabilitate condiţionată

Să considerăm experimentul care constă în aruncarea a două monezi, şi fie
evenimentele: A - să obţinem stema pe prima monedă şi B - să apară stema pe moneda
a doua.
În acest caz probabilitatea evenimentului A nu depinde de realizarea
evenimentului B , deci evenimentul A este independent de evenimentul B .
Să considerăm o urnă care conţine 4 bile albe şi 3 bile negre. Două persoane
extrag fiecare câte o bilă din urnă. Fie evenimentele: A1 - prima persoană a extras o bilă
albă şi A2 - a doua persoană a extras o bilă albă. Probabilitatea evenimentului A1 în
4
absenţa informaţiilor asupra lui A2 este . Dacă evenimentul A1 s-a realizat,
7
1
probabilitatea evenimentului A2 este de de unde concluzia că evenimentul A2
2
depinde de evenimentul A1 .
Definiţie. Evenimentele A , B ale câmpului de probabilitate {Ω, Σ, P} sunt
P − independente dacă
P ( A ∩ B ) = P ( A) ⋅ P ( B ) . (2.5.)
Se poate arăta cu uşurinţă că dacă evenimentele A, B ∈ Σ sunt
P − independente, atunci perechile de evenimente A , B C ; B , AC ; AC , B C sunt
P − independente.

30
 Aplicaţie. Doi trăgători trag simultan asupra unei ţine câte un foc fiecare.
Probabilităţile de nimerire a ţintei sunt 0,8 pentru primul trăgător şi 0,6 pentru al doilea
trăgător. Să se determine probabilitatea ca ţinta să fie atinsă de cel puţin un trăgător.
Răspuns.
Fie evenimentele Ai - trăgătorul cu numărul i ( i = 1,2 ) nimereşte ţinta. Avem
P( A1 ∪ A2 ) = P( A1 ) + P( A2 ) − P( A1 ∩ A2 ) = 0,8 + 0,6 − 0,8 ⋅ 0,6 = 0,92 .
Definiţie. Evenimentele ( Ai )1≤i≤ n ⊂ Σ sunt P − independente m câte m dacă
pentru h ≤ m şi 1 ≤ i1 < i2 < ... < ih ≤ n avem
( ) ( )( ) ( )
P Ai1 ∩ ... ∩ Aih = P Ai1 P Ai2 ...P Aih . (2.6.)
Dacă m = n evenimentele sunt P − independente în totalitatea lor.
Observaţie. Dacă n evenimente sunt independente două câte două, nu sunt neapărat
independente în totalitatea lor. Acest lucru se vede din exemplul următor datorat lui S.N.
Bernştein.
Se consideră un tetraedru omogen cu feţele colorate în alb, negru, roşu şi a patra
în cele trei culori. Efectuăm experimentul aruncării acestui corp o singură dată. Să
notăm cu Ai evenimentul ca tetraedrul să se aşeze pe faţa cu numărul i , i = 1,2,3,4 .
Evenimentele Ai sunt evenimente elementare ale câmpului asociat experimentului
descris.
1
Avem P ( Ai ) = ( i = 1,2,3,4 ). Dacă notăm A = A1 ∪ A2 , B = A1 ∪ A3 ,
4
1
C = A1 ∪ A4 avem P ( A) = P (B ) = P (C ) = , deoarece pentru fiecare culoare
2
sunt patru cazuri posibile şi două cazuri favorabile – faţa cu culoarea respectivă şi
faţa cu toate culorile.
1
De asemenea, P ( A ∩ B ) = P(B ∩ C ) = P (C ∩ A) = , deci
4
evenimentele A , B , C sunt P − independente două câte două. Avem însă
1 1
P ( A ∩ B ∩ C ) = P ( A1 ) =, P ( A) P ( B ) P ( C ) = de unde, rezultă că
4 8
evenimentele A, B, C nu sunt P − independente în totalitatea lor.
Definiţie. Spunem că evenimentele ( An )n∈ ⊂ Σ sunt P − independente dacă
*

orice număr finit de evenimente din acest şir sunt P − independente.

Aplicaţie. Un aparat se compune din trei elemente a căror fiabilitate (durata de
funcţionare fără defecţiune tot timpul într-un interval de timp dat) este egală cu 0,9 ;
0,85 şi 0,75 .

31
 Primul element este indispensabil pentru funcţionarea aparatului, defectarea unuia din
celelalte două elemente face ca aparatul să funcţioneze cu un randament inferior, iar
defectarea simultană a elementelor doi şi trei face imposibilă funcţionarea aparatului.
Elementele se defectează independent unul de altul. Se cere probabilitatea ca aparatul să
funcţioneze tot timpul într-un interval de timp dat.
Răspuns.
Fie evenimentele Ai - elementul i ( i = 1,2,3 ) funcţionează fără defecţiune şi A -
aparatul funcţionează chiar cu un randament inferior. Avem
( ) (
A = ( A1 ∩ A2 ∩ A3 ) ∪ A1 ∩ A2C ∩ A3 ∪ A1 ∩ A2 ∩ A3C )
Astfel
( ) (
P ( A) = P ( A1 ∩ A2 ∩ A3 ) + P A1 ∩ A2 ∩ A3 + P A1 ∩ A2 ∩ A3 =
C C
)
( ) ( )
= P ( A1 )P ( A2 )P ( A3 ) + P ( A1 )P A2C P ( A3 ) + P( A1 )P ( A2 )P A3C = .
= 0,9 ⋅ 0,85 ⋅ 0,75 + 0,9 ⋅ 0,15 ⋅ 0,75 + 0,9 ⋅ 0,85 ⋅ 0,25 = 0,866
În exemplul cu urna am văzut că rezultatul experimentului de care este legat A1
influenţează condiţiile experimentului de care este legat A2 (extrăgând din urnă o bilă
albă prima persoană, vor rămâne în urnă pentru extracţia ce va fi efectuată de persoana a
doua numai 3 bile albe şi 3 negre).
Deci probabilitatea evenimentului A2 variază în funcţie de realizarea lui A1 în
1 2
dacă s-a realizat A1 sau
sensul că această probabilitate este dacă nu s-a realizat
2 3
A1 . Este deci natural să numim probabilitatea evenimentului A2 condiţionată de
( )
evenimentul A1 şi să o notăm prin P A2 A1 sau PA ( A2 ) .
1

Definiţie. Fie {Ω, Σ, P} un σ − câmp de probabilitate şi A, B ∈ Σ cu

P(B ) ≠ 0 . Numim probabilitate a evenimentului A condiţionată de evenimentul B ,
raportul
P ( A ∩ B)
= P ( A B) (2.7.)
P (B)
( )
Notăm şi P A B = PB ( A) .
Tripletul {Ω, Σ, PB } este un σ − câmp de probabilitate dacă {Ω, Σ, P}
este un σ − câmp de probabilitate. (Se verifică cu uşurinţă axiomele din definiţia
probabilităţii).
Analog putem defini probabilitatea evenimentului B condiţionată de
P( A ∩ B )
evenimentul A , P(B A) = , unde P( A) ≠ 0 .
P ( A)

32
 Din cele două relaţii ţinând seama de proprietatea de comutativitate a intersecţiei
rezultă
( )
P( A)P B A = P(B )P A B . ( ) (2.8.)
( )
Din (2.7) rezultă că, în cazul a două evenimente independente P A B = P ( A) .
Definiţie. Numim sistem complet de evenimente o familie cel mult numărabilă de
evenimente ( Ai )i∈I ⊂ Σ cu Ai ∩ A j = ∅ pentru orice i ≠ j , i, j ∈ I şi ∪
Ai = Ω .
i∈I

Formula probabilităţii totale. Fie ( Ai )i∈I ⊂ Σ un sistem complet de evenimente

cu P ( Ai ) ≠ 0 , i ∈ I . Pentru A ∈ Σ , avem
P ( A) = ∑ P( Ai )P ( A Ai ) . (2.9.)
i∈I
Pentru demonstraţie să observăm că pentru fiecare i∈I avem
( )
P( A ∩ Ai ) = P( Ai )P A Ai , de unde însumând după i obţinem
∑ P( A )P(A A ) = ∑ P( A ∩ A )
i∈I
i i
i∈I
i

dar
⎛ ⎛ ⎞⎞
∑ P( A ∩ A ) = P⎜⎜ A ∩ ⎜⎜ ∪ A ⎟⎟ ⎟⎟ = P( A ∩ Ω) = P( A) .
i i
i∈I ⎝ ⎝ i∈I ⎠⎠
Exemplu. Zece aparate de acelaşi tip sunt date în exploatare: trei provin de la uzina
U1 , cinci provin de la uzina U 2 , iar două de la uzina U 3 . Aparatele sunt supuse unei
probe de verificare. Cele care provin de la prima uzină trec proba de verificare cu
probabilitatea 0,9 , cele care provin de la uzina U 2 cu probabilitatea 0,75 , iar cele care
provin de la uzina U 3 cu probabilitatea 0,85 . Se alege la întâmplare un aparat. Care este
probabilitatea ca aparatul să treacă proba de verificare?
Răspuns.
Facem următoarele ipoteze: Ai - aparatul ales provine de la uzina U i ,
3 1 1
i = 1,2,3 . Avem P( A1 ) = , P ( A2 ) = , P ( A3 ) = . Dacă notăm prin A
10 2 5
evenimentul „aparatul ales trece proba de verificare”, avem P ( A A1 ) = 0,9 ,
P( A A2 ) = 0,75 , P( A A3 ) = 0,85 şi
3
P ( A) = ∑ P( Ai )P ( A Ai ) =
163
.
i =1 200

33
 Formula lui Bayes (sau teorema ipotezelor). Fie un sistem complet de
evenimente ( Ai )i∈I ⊂ Σ . Probabilităţile acestor evenimente (ipoteze) sunt date înainte
de efectuarea unui experiment. Experimentul efectuat realizează un alt eveniment A . Să
arătăm cum realizarea evenimentului A schimbă probabilităţile ipotezelor. Trebuie să
( )
determinăm deci probabilităţile P Ai A pentru fiecare ipoteză Ai , i ∈ I . Avem
P( Ai ∩ A)
P ( Ai A) = , dar P ( Ai ∩ A) = P( Ai )P (A Ai ) şi ţinând seama de (2.9)
P ( A)
rezultă
P( Ai )P( A Ai )
P( Ai A) =
∑ P(A )P(A A )
.
(2.10.)
j j
j∈I
Exemple.
1. În condiţiile exemplului anterior se alege la întâmplare un aparat şi se constată că el
trece proba de verificare. Care este probabilitatea ca el să provină de la prima uzină?
Răspuns.
Avem
P( A1 )P( A A1 )
P( A1 A) =
∑ P(A )P(A A )
3

j j
j =1

unde evenimentele A şi A j , j = 1, 2, 3 sunt notate ca la exemplul anterior. Astfel

P( A A1 ) =
54
.
163
2. [42] Se consideră două loturi de produse dintre care un lot are toate piesele
1
corespunzătoare, iar al doilea lot are din piese rebuturi. Se alege la întâmplare un
4
lot şi se extrage din el o piesă constantându-se că este bună. Se reintroduce piesa în
lot şi se extrage din acelaşi lot o piesă. Care este probabilitatea ca piesa extrasă să fie
un rebut?
Răspuns.
Fie A evenimentul „a doua piesă extrasă este rebut”, iar A1 , A2 evenimentele
de a extrage această piesă din primul respectiv al doilea lot. Formula probabilităţii totale
ne dă
P( A) = P( A1 )P( A A1 ) + P( A2 )P (A A2 )

( )
Avem P A A2 = 0 , P A A1 = ( ) 1
.
4
Din formula lui Bayes vom calcula P ( A1 ) . Notăm cu B1 , B2 evenimentele ca
prima extracţie să se facă din primul, respectiv al doilea lot, iar B evenimentul „piesa

34
 , P (B B1 ) = , P (B B2 ) = 1 şi
1 3
extrasă este bună”. Atunci P (B1 ) = P (B2 ) =
2 4
P( A1 ) = P(B1 B ) =
3 3 1 3
, deci P ( A) = ⋅ = .
7 7 4 28
Inegalitatea lui Boole. Fie {Ω, Σ, P} un câmp de probabilitate şi ( Ai )i∈I ⊂ Σ o
mulţime cel mult numărabilă de evenimente. Dacă ∩ A ∈ Σ , atunci:
i∈I
i

⎛ ⎞
( )
P⎜⎜ ∩ Ai ⎟⎟ ≥ 1 − ∑ P AiC . (2.11.)
⎝ i∈I ⎠ i∈I
În particular
⎛ n ⎞ n
P⎜⎜ ∩ Ai ⎟⎟ ≥ ∑ P( Ai ) − (n − 1) . (2.11'.)
⎝ i=1 ⎠ i =1
Demonstraţia este imediată dacă scriem
⎛ ⎞ ⎛⎛ ⎞
C
⎞ ⎛ ⎞
P⎜⎜ ∩ Ai ⎟⎟ = 1 − P⎜ ⎜⎜ ∩ Ai ⎟⎟ ⎟ = 1 − P⎜⎜ ∪ AiC ⎟⎟
⎝ i∈I ⎠ ⎜ ⎟
⎝ ⎝ i∈I ⎠ ⎠ ⎝ i∈I ⎠
şi aplicăm proprietatea (P14 ) . În particular
⎛ n ⎞
( )
n n n
P⎜⎜ ∩ Ai ⎟⎟ ≥ 1 − ∑ P AiC = 1 − ∑ (1 − P( Ai )) =∑ P( Ai ) − (n − 1) .
⎝ i=1 ⎠ i =1 i =1 i =1

EXERCIŢII ŞI PROBLEME PROPUSE

2.1. O urnă conţine 20 de bile numerotate de la 1 la 20 . Se extrage o bilă. Se cere:
a. Să se scrie câmpul de evenimente ataşat experimentului respectiv.
b. Ce puteţi afirma despre următoarele evenimente: A - numărul de pe bilă este
par; B - numărul de pe bilă este multiplu de 5 ; C - numărul de pe bilă este o
putere a lui 2 .
2.2. Se aruncă trei zaruri. Să se calculeze probabilitatea ca suma punctelor obţinute să fie:
a. egală cu 16 ;
b. mai mare decât 16 ;
c. mai mică decât 20 .
2.3. Un elev A1 primeşte o informaţie pe care o transmite sub formă de semnal „da” sau
„nu” unui elev A2 . Acesta o transmite lui A3 şi A3 lui A4 . Ultimul elev anunţă
rezultatul primit. Ştiind că fiecare din ei spune adevărul într-un singur caz din trei, să
se determine probabilitatea ca primul elev să fi spus adevărul dacă ultimul a spus
adevărul.
13
Răspuns. P = .
41
35
2.4. persoană scrie n scrisori la n persoane. Pune fiecare scrisoare în plic, închide
plicurile şi apoi scrie la întâmplare adresele pe plicuri. Care este probabilitatea ca cel
puţin o scrisoare să ajungă la destinatarul său?
1 1 1 n+1 1
Răspuns. P = 1 − + − + ... + (− 1) .
2! 3! 4! n!
2.5. Trei discuri A, B, C sunt vopsite pe ambele feţe astfel: A - are două feţe albe; B -
are o faţă albă şi una neagră; C - are două feţe negre. Se alege la întâmplare un disc
şi se observă că are o faţă albă. Care este probabilitatea ca şi cealaltă faţă să fie albă?
2
Răspuns. P = .
3
2.6. Se dau şase urne cu următoarele structuri: (U 1 ) - două urne conţin câte 4 bile albe
şi 2 negre; (U 2 ) - trei urne conţin câte 3 bile albe şi 5 negre; (U 3 ) - o urnă
conţinând 6 bile albe şi 4 negre. Se extrage la întâmplare o bilă dintr-o urnă. Se
cere:
a. Probabilitatea ca bila extrasă să fie neagră.
b. Dacă s-a extras o bilă albă, care este probabilitatea ca bila extrasă să fie dintr-o
urnă cu structura (U 2 ) .
Răspuns.
367
a. P= ;
720
135
b. Se aplică formula lui Bayes şi se obţine P = .
367
2.7. La un liceu de specialitate în cei trei ani sunt n elevi, din care nk , ( k = 1,2,3 ) în
anul k . Se iau la întâmplare doi elevi şi se constată că unul este mai bine pregătit la
învăţătură decât cel de al doilea elev. Care este probabilitatea ca elevul mai bun să fie
în ultimul an?
1 1
+
n1 n2
Răspuns. P = .
1 1 1
+ +
n1 n2 n3
2.8. Avem piesele lucrate de acelaşi atelier în două zile puse separat. Piesele lucrate în
1
prima zi corespund condiţiilor tehnice de calitate, iar dintre cele lucrate a doua zi,
4
sunt de calitate necorespunzătoare. Se ia o piesă la întâmplare şi se constată că este de
calitate. Să se determine probabilitatea ca o altă piesă luată la întâmplare din aceeaşi
grămadă să fie necorespunzătoare dacă prima piesă, după verificare, este repusă la
loc.
3
Răspuns. P = .
28
36
2.9. Într-o urnă sunt zece bile dintre care x de culoare albă şi y de culoare roşie cu
2 ≤ x ≤ 8 . Se cere:
a. Să se calculeze în funcţie de x probabilitatea ca trăgând simultan două bile din
urnă să fie ambele de aceeaşi culoare. Aplicaţie numerică x = 4 .
b. Care trebuie să fie numărul x al bilelor albe pentru ca această probabilitate să fie
minimă şi care este acest minim?
c. Să se verifice că formula care dă pe P în funcţie de x este valabilă şi pentru
x = 0 şi pentru x = 1 . Să se spună, fără calcul, de ce ea rămâne valabilă şi
pentru x = 9 şi pentru x = 10 .
(Bacalaureat, Nice, 1967)
4
Răspuns. P = x 2 − 10 x + 45 ; xmin = 5 ; Pmin = .
9

37
 3. VARIABILE ALEATOARE. CARACTERISTICI NUMERICE.
FUNCŢIE DE REPARTIŢIE

Una din noţiunile fundamentale ale teoriei probabilităţilor este aceea de variabilă
aleatoare.
Evenimentele unui câmp de probabilitate nu sunt, principial, mărimi în înţelesul atribuit
acestora în ştiinţele naturale sau tehnică; ele se descriu însă cu ajutorul unor mărimi având
valori reale şi care, în general, sunt rezultatul unor măsurători. Principalul merit al actualei
sistematizări a calcului probabilităţilor constă în definirea variabilelor aleatoare, deci a
mărimilor pe care ni le prezintă experimentul direct, sau teoriile destinate să-l interpreteze.
Dacă înţelegem prin variabilă aleatoare o funcţie reală definită pe mulţimea
evenimentelor elementare asociate experimentului considerat vom putea ilustra prin
exemple tipice pentru teoria probabilităţilor cum se trece de la un eveniment la o variabilă
aleatoare şi anume:
Exemplu. Să considerăm un experiment care are ca rezultat evenimentul A . În
locul evenimentul A putem considera variabila aleatoare ξ care ia valoarea 1 dacă s-a
realizat A şi 0 dacă s-a realizat AC . Am definit o variabilă aleatoare bernuolliană cu
două valori (variabilă indicatoare a evenimentului A ) prin relaţia
⎧1 pentru ω ∈ A
ξ(ω) = ⎨ .
⎩0 pentru ω ∈ A
C

În practică este de multe ori mai comod ca în locul evenimentelor să utilizăm

variabilele aleatoare indicatoare care le sunt asociate.
Această schemă poate fi extinsă în sensul că putem considera un experiment care
are ca rezultat un sistem complet de evenimente ( Ai )1≤i ≤n . Dacă convenim să atribuim
valoarea n − j în cazul în care s-a realizat evenimentul A j , 1 ≤ j ≤ n , am definit o
variabilă aleatoare bernoulliană cu n valori, ξ , prin relaţia ξ(ω) = n − j dacă ω ∈ A j ,
1≤ j ≤ n.

3.1. Variabile aleatoare discrete

Fie {Ω, Σ, P} un σ − câmp de probabilitate şi ( Ai )i∈I ⊂ Σ un sistem complet
(finit sau numărabil) de evenimente. Sistemul numeric pi = P ( Ai ) , i ∈ I ,
se numeşte distribuţia σ − câmpului de probabilitate.
Definiţie. Numim variabilă aleatoare discretă o funcţie ξ definită pe mulţimea
evenimentelor elementare ω ∈ Ω cu valori reale dacă
1. ξ ia valorile xi , i ∈ I ;
2. {ω ξ(ω) = x }∈ Σ , i ∈ I .
i

38
 O variabilă aleatoare discretă pentru care I este finită se numeşte variabilă
aleatoare simplă.
Schematic variabila aleatoare ξ se notează prin
⎛x ⎞
ξ : ⎜⎜ i ⎟⎟ , ∑p i = 1. (3.1.)
⎝ pi ⎠ i∈I i∈I

Tabloul (3.1) se numeşte distribuţia sau repartiţia variabilei aleatoare ξ .

Numărul produselor defecte dintr-un lot examinat, numărul de defecţiuni care apar
într-o anumită perioadă de funcţionare a unui dispozitiv, indicatorul unui eveniment A
sunt variabile aleatoare discrete.
Faptul că ∑i∈I
pi = 1 ne sugerează ideea că această sumă se repartizează într-un

anumit mod între aceste valori xi , deci din punct de vedere probabilistic o variabilă
aleatoare este complet determinată dacă se dă o astfel de repartiţie. Vom stabili o astfel de
lege de repartiţie.
Una din formele cele mai simple în care putem reprezenta o astfel de lege este
forma schematică (3.1) sau sub forma unui tabel.

xi x1 x2 … xi … xn
pi p1 p2 … pi … pn

O altă formă este cea grafică luând pe axa absciselor valorile xi iar pe axa
ordonatelor probabilităţile corespunzătoare. Putem obţine unind aceste puncte poligonul
de repartiţie:

Figura 3.1.
sau diagrama în batoane

39
 Figura 3.2.

Exemplu. Un lot de piese este supus unui control de calitate în modul următor: se
extrage pe rând câte o piesă care se cercetează dacă poate fi admisă sau nu. Se cercetează
5 piese. Dacă piesa din extracţia de rang k = 1,2,3,4 nu corespunde, lotul se respinge.
Să se scrie tabloul de repartiţie al variabilei aleatoare care reprezintă numărul de piese
cercetate, dacă probabilitatea ca o piesă luată la întâmplare din lot să fie admisă este 0,85 .
Să se traseze poligonul de repartiţie corespunzător.
Răspuns. Variabila aleatoare ξ poate lua valorile:
a. 1 - dacă prima piesă este rebut, deci P (ξ = 1) = 0,15 ;
b. 2 - dacă prima piesă extrasă e bună, iar a doua rebut când P (ξ = 2 ) = 0,85 ⋅ 0,15 ;
c. 3 - dacă primele două piese sunt bune şi a treia rebut şi P (ξ = 3) = (0,85) ⋅ 0,15 ;
2

d. 4 - primele trei piese sunt bune, iar a patra rebut pentru care
P (ξ = 4 ) = (0,85) ⋅ 0,15 ;
3

e. 5 - primele patru piese sunt bune, P (ξ = 5) = (0,85) .

4

Deci
⎛ 1 2 3 4 ⎞5
ξ :⎜ ⎟
⎜ 0,15 0,1275 ( 0,85 ) ⋅ 0,15 ( 0,85 ) ⋅ 0,15 ( 0,85) ⎠⎟
2 3 4
⎝
Poligonul de repartiţie este cel din figura 3.3.

Figura 3.3
40
 Dacă ξ este o variabilă aleatoare discretă care poate lua valorile diferite xi
( i = 1,2,... ) putem face să-i corespundă un sistem complet de evenimente ( Ai )i =1, 2,... aşa
{ }
fel încât Ai = ω ξ(ω) = xi . Ţinând seama de faptul că valorile xi sunt diferite, rezultă
∞
⎛∞ ⎞ ∞
că Ai ∩ A j = ∅ ( i ≠ j ) şi ∪ Ai = Ω , deci P ⎜⎜ ∪ Ai ⎟⎟ = ∑ P ( Ai ) = 1 .
i =1 ⎝ i=1 ⎠ i=1
Reciproca a fost arătată mai sus.
Definiţie. Fie ξ şi η două variabile aleatoare definite prin
ξ(ω) = xn pentru ω ∈ An , ( n = 1,2,... )
(3.2.)
η(ω) = ym pentru ω ∈ Bm ( m = 1,2,... )
{ An } şi {Bm } fiind două sisteme complete de evenimente. Spunem că variabilele aleatoare
ξ şi η sunt independente, dacă pentru orice m şi n avem
P ( An ∩ Bm ) = P ( An ) P ( Bm ) . (3.3.)
Cu alte cuvinte sistemele complete {An } şi {Bm } sunt independente.
Fie ξ şi η două variabile aleatoare definite prin (3.2) şi f o funcţie reală de două
variabile reale. Variabila aleatoare ζ = f (ξ, η) ia valorile z nm = f ( xn , ym ) şi este
{
definită de sistemul complet de evenimente Cnm = ω ξ(ω) = xn , η(ω) = ym . }
Avem
P(ζ(ω) = z ) = ∑ P(ξ(ω) = x , η(ω) = y ) . n m (3.4.)
f ( xn , ym )= z

Dacă ξ şi η sunt independente, avem

P (ξ(ω) = xn , η(ω) = ym ) = P (ξ(ω) = xn )P(η(ω) = ym ) .
Cu notaţiile pn = P (ξ(ω) = xn ) , qm = P (η(ω) = ym ) rezultă
P(ζ (ω) = z ) = ∑p q n m . (3.5.)
f ( xn , ym )= z

Pentru f ( x, y ) = x + y avem
P(ζ (ω) = z ) = ∑p q n m . (3.6.)
xn + ym = z

Dacă, în particular ξ şi η nu pot lua decât valori întregi nenegative, avem

k
P (ζ (ω ) = k ) = ∑ p j qk − j (3.7.)
j =0

Distribuţia lui ζ = ξ + η se numeşte compunerea lui ζ şi η .

41
 Spre exemplu fie variabilele aleatoare simple
⎛x xn ⎞ ⎛y ym ⎞
ξ : ⎜⎜ 1 ⎟⎟ , η : ⎜⎜ 1 ⎟
⎝ p1 pn ⎠ ⎝ q1 qm ⎟⎠
Variabila aleatoare ξ + η are tabloul de distribuţie
⎛ x1 + y1 x1 + y2 xi + y j xn + y m ⎞
ξ + η : ⎜⎜ ⎟
⎝ p11 p12 pij pnm ⎟⎠
unde
(
pij = P (ξ(ω) + η(ω) = xi + y j ) = P {ω ξ(ω) = xi }∩ ω η(ω) = y j { })
cu
n m

∑∑ p
i =1 j =1
ij = 1.

Dacă ξ şi η sunt independente pij = pi q j .

Variabila aleatoare ξη are tabloul de distribuţie
⎛ x1 y1 x1 y2 xi y j xn y m ⎞
ξη : ⎜⎜ ⎟
⎝ p11 p12 pij pnm ⎟⎠
cu
(
pij = P (ξ(ω)η(ω) = xi y j ) = P {ω ξ(ω) = xi }∩ ω η(ω) = y j { })
Operaţiile de sumă şi produs se extind la orice număr finit de variabile aleatoare.
Rezultă deci:
Puterea unei variabile aleatoare are tabloul de distribuţie
⎛ x1k xnk ⎞
ξ : ⎜⎜ k
⎟
⎝ p1 pk ⎟⎠
deoarece P (ξ k (ω) = xik ) = P (ξ(ω) = xi ) = pi .
Inversa unei variabile aleatoare cu valori nenule are tabloul de distribuţie
⎛1 1⎞
−1 ⎜ ⎟
ξ : ⎜ x1 xn ⎟ .
⎜p pn ⎟⎠
⎝ 1
ξ
Dacă variabila aleatoare η admite inversă, atunci definim câtul = ξη−1 şi are
η
tabloul de distribuţie
⎛ x1 xi xn ⎞
ξ ⎜ ⎟
: ⎜ y1 yj ym ⎟ .
η ⎜
⎝ p11 pij pnm ⎟⎠

42
 O constantă a poate fi interpretată ca o variabilă aleatoare definită pe orice
mulţime de evenimente elementare, iar tabloul ei de distribuţie interpretată ca variabilă
⎛a⎞
aleatoare va fi a : ⎜⎜ ⎟⎟ deci vom putea face totdeauna operaţii cu variabile aleatoare şi
⎝1⎠
constante.
Exemplu. Se dă ecuaţia ax + by + c = 0 , în care coeficienţii a, b, c se determină
prin aruncarea unui zar. Să se determine probabilitatea ca dreapta astfel obţinută să treacă
prin punctul de coordonate (− 1,1) .
Răspuns. Experimentului de determinare a unui coeficient îi ataşăm variabila aleatoare ξ
care ia ca valori numărul de puncte apărut, deci
⎛1 2 3 4 5 6⎞
ξ:⎜1 1 1 1 1 1⎟
⎜ ⎟
⎝6 6 6 6 6 6⎠
Fie ξ1 , ξ 2 , ξ 3 variabilele aleatoare corespunzătoare determinării coeficienţilor
a, b, c . Aceste variabile aleatoare sunt independente. Dreapta trece prin punctul (− 1,1)
când − ξ1 + ξ 2 + ξ 3 = 0 . Deci trebuie să determinăm
P (− ξ1 + ξ 2 + ξ3 = 0 ) = P (ξ1 = ξ 2 + ξ 3 ) .
Ţinând seama de faptul că variabilele aleatoare sunt independente putem scrie
6
P(− ξ1 + ξ 2 + ξ3 = 0 ) = ∑ P({ξ 2 + ξ3 = k } ∩ {ξ1 = k }) =
k =1
6
= ∑ P(ξ1 = k )P(ξ 2 + ξ 3 = k )
k =1

1
Avem P (ξ1 = k ) = , k = 1,...,6 şi
6
6

∑ P(ξ
k =1
2 + ξ3 = k ) = P (ξ 2 + ξ 3 ≤ 6 )
fiind probabilitatea ca suma punctelor obţinute la aruncarea a două zaruri să fie mai mică
decât 6 . Ţinând seama de faptul că tabloul de distribuţie a variabilei aleatoare care
reprezintă suma punctelor obţinute este
⎛ 2 3 4 5 6 7 8 9 10 11 12 ⎞
⎜1 2 3 4 5 6 5 4 3 2 1⎟
⎜ 2 ⎟
⎝6 62 62 62 62 62 62 62 62 62 62 ⎠
avem
6
15
∑ P(ξ
k =1
2 + ξ3 = k ) =
36

43
deci
5
P (ξ1 = ξ 2 + ξ 3 ) = .
72

3.2. Momentele unei variabile aleatoare discrete

Momentele unei variabile aleatoare discrete sunt valorile tipice cele mai frecvent
utilizate în aplicaţii.
Definiţie. Fie ξ o variabilă aleatoare discretă care ia valorile xi cu
probabilităţile pi , i ∈ I . Dacă seria ∑x pi∈I
i i este absolut convergentă, expresia

M (ξ ) = ∑ xi pi (3.8.)
i∈I
se numeşte valoare medie a variabilei aleatoare discrete ξ .
Dacă ξ este o variabilă aleatoare simplă care ia valorile x1 ,..., xn cu
probabilităţile p1 ,..., pn , atunci valoarea medie va fi
n
M (ξ ) = ∑ xi pi . (3.8'.)
i =1
Vom da în continuare câteva proprietăţi ale valorilor medii.
(P1). Dacă ξ şi η sunt două variabile aleatoare discrete definite prin (3.2.) şi dacă
M (ξ ) şi M (η) există, atunci există valoarea medie M (ξ + η) şi
M (ξ + η) = M (ξ ) + M (η) . (3.9.)
{
Notând prin Cij evenimentul ω ξ(ω) = xi , η(ω) = yi , Cij } { } formează un sistem
complet de evenimente şi ∪C
i
ij = Bj , ∪C j
ij = Ai de unde ∑ P(C ) = P(B ),
i
ij j

∑ P(C ) = P( A ) deci
j
ij i

M (ξ + η ) = ∑∑ ( xi + y j ) P ( Cij ) = ∑∑ xi P ( Cij ) + ∑∑ y j P ( Cij ) =

i j i j i j

= ∑ xi ∑ P ( Cij ) + ∑ y j ∑ P ( Cij ) = ∑ xi P ( Ai ) + ∑ y j P ( B j ) =
i j j i i j

= M (ξ ) + M (η )
Prin recurenţă, se obţine:
(P2). Fie ξ k ( k = 1,..., n ) n variabile aleatoare discrete. Dacă M (ξ k ) există,
⎛ n
⎞
atunci M ⎜
⎝
∑ξk =1
k ⎟ există şi
⎠

44
 ⎛ n ⎞ n
M ⎜ ∑ ξ k ⎟ = ∑ M (ξ k ) . (3.10.)
⎝ k =1 ⎠ k =1
(P3). Fie ξ o variabilă aleatoare discretă şi c o constantă. Dacă M (ξ ) există,
atunci M (cξ ) există şi
M (cξ ) = cM (ξ ) . (3.11.)
Proprietatea rezultă imediat din definiţie şi anume
M (cξ ) = ∑ pi (cxi ) = c ∑ pi xi = cM (ξ ) .
i i
Proprietăţile (P2) şi (P3) conduc la:
(P4). Fie ξ k ( k = 1,..., n ) n variabile aleatoare discrete şi ck , ( k = 1,..., n ), n
⎛ n
⎞
constante. Dacă M (ξ k ) , ( k − 1,..., n ) există, atunci M ⎜ ∑c ξ k k ⎟ există şi
⎝ k =1 ⎠
⎛ n
⎞ n
M ⎜ ∑ ck ξ k ⎟ = ∑ ck M (ξ k ) . (3.12.)
⎝ k =1 ⎠ k =1
(P5). Valoarea medie a variabilei aleatoare ξ − M (ξ ) = η este nulă. η se numeşte
abaterea variabilei aleatoare ξ .
Deoarece M (ξ ) este o constantă, valoarea medie a unei constante este aceea
constantă, deci
M (ξ − M (ξ )) − M (ξ ) − M (ξ ) = 0 .
(P6). Inegalitatea lui Schwarz. Fie ξ şi η două variabile aleatoare discrete pentru
care există M (ξ 2 ) şi M (η2 ). Atunci
( ) ( )
M (ξη) ≤ M ξ 2 M η2 . (3.13.)
Pentru demonstraţie vom considera variabila aleatoare ζ λ = (ξ − λη) unde λ
2

este un parametru real. Avem

( )
M (ζ λ ) = M ξ 2 − 2λM (ξη) + λ2 M η2 . ( )
Dar ζ λ ≥ 0 , deci M (ζ λ ) ≥ 0 pentru orice λ real. De aici rezultă
( ) ( )
M ξ 2 − 2λM (ξη) + λ2 M η2 ≥ 0 , ∀λ ∈ \ ,
de unde (3.13.).
(P7). Dacă ξ şi η sunt două variabile aleatoare discrete independente şi dacă
M (ξ ) şi M (η) există, atunci M (ξη) există şi
M (ξη) = M (ξ )M (η) . (3.14.)
{
Notând prin Cij = ω ξ(ω) = xi , η(ω) = y j , avem }
M (ξη) = ∑∑ xi y j P (Cij ) .
i j

45
 Dar ξ şi η sunt independente, deci
P (Cij ) = P (ξ = xi )P (η = y j ) = pi q j
şi
⎛ ⎞⎛ ⎞
M (ξη) = ⎜ ∑ xi pi ⎟⎜⎜ ∑ y j q j ⎟⎟ = M (ξ )M (η) .
⎝ i ⎠⎝ j ⎠
Exemplu. Un aparat este format din 5 elemente care se pot defecta independent
unul de altul. Numerotăm elementele de la 1 la 5 şi fie pk = 0,3 + 0,2(k − 1)
probabilitatea să se defecteze elementul cu numărul k , k = 1,...,5 . Să se calculeze
valoarea medie a numărului de defecţiuni.
Răspuns. Fie ξ k variabila aleatoare asociată elementului cu numărul k care ia valori pe
1 sau 0 după cum elementul se defectează sau nu,
⎛ 1 0 ⎞
ξ k : ⎜⎜ ⎟⎟ , k = 1,...,5 .
⎝ 0,3 + 0,2(k − 1) 0,7 − 0,2(k − 1)⎠
Variabila aleatoare care dă numărului de defecţiuni este ξ = ξ1 + ξ 2 + ξ 3 + ξ 4 + ξ 5 ,
deci
M (ξ ) = M (ξ1 ) + M (ξ 2 ) + M (ξ3 ) + M (ξ 4 ) + M (ξ5 ) .
Avem M (ξ k ) = 0,3 + 0,2(k − 1) de unde
5
M (ξ ) = ∑ [0,3 + 0,2(k − 1)] = 3,5 .
k =1
Definiţie. Fie ξ o variabilă aleatoarea discretă şi r un număr natural. Dacă
există valoarea medie a variabilei aleatoare ξ r , atunci această valoare medie se
numeşte moment de ordin r al variabilei aleatoare ξ şi se notează
( )
α r (ξ ) = M ξ r = ∑ xkr pk . (3.15.)
k
r
Valoarea medie a variabilei aleatoare ξ se numeşte moment absolut de ordin
r al variabilei aleatoare ξ şi se notează
( )= ∑ x
β r (ξ ) = M ξ
r

k
k
r
pk . (3.16.)
Definiţie. Fie o variabilă aleatoare discretă ξ . Momentul de ordinul r al
variabilei aleatoare abatere a lui ξ se numeşte moment centrat de ordinul r a lui ξ şi
se notează
μ r (ξ ) = α r (ξ − M (ξ )) . (3.17.)
Momentul centrat de ordinul doi a variabilei aleatoare discrete ξ se numeşte
dispersie sau variantă şi se notează prin D 2 (ξ ) sau σ 2 , deci

46
 D 2 (ξ ) = σ 2 = μ 2 (ξ ) . (3.18.)
Numărul D(ξ ) = σ = μ 2 (ξ ) se numeşte abatere medie pătratică a lui ξ .
Vom da în continuare câteva proprietăţi ale dispersiei şi ale abaterii medii pătratice.
(P1). Are loc egalitatea
( )
D 2 (ξ ) = M ξ 2 − [M (ξ )] .
2
(3.19.)
Într-adevăr, ţinând seama de definiţie
( ) (
D 2 (ξ ) = M [ξ − M (ξ )] = M ξ − 2ξM (ξ ) + [M (ξ )] =
2 2 2
)
( )
= M ξ 2 − 2[M (ξ )] + [M (ξ )] = M ξ 2 − [M (ξ )]
2 2
( ) 2

(P2). Dacă μ = aξ + b cu a şi b constante, atunci D(η) = a D(ξ ) .

Avem
M (η) = aM (ξ ) + b ,
M (η ) = a 2 M (ξ 2 ) + 2abM (ξ ) + b 2
2

de unde D 2 (η) = a 2 D 2 (ξ ) .
În particular, pentru b = 0 avem D 2 (aξ ) = a 2 D 2 (ξ ) .
(P3). Fie (ξ k )1≤ k ≤n , n variabile aleatoare discrete, două câte două independente şi
c1 ,..., cn , n constante. Atunci
⎛ n ⎞ n
D 2 ⎜ ∑ ck ξ k ⎟ = ∑ ck2 D 2 (ξ k ) . (3.20.)
⎝ k =1 ⎠ k =1
Ţinând seama de (3.19.) avem
⎛ n ⎞ ⎛⎛ n ⎞ ⎞ ⎡ ⎛ n
2
⎞⎤
2

D ⎜ ∑ ck ξ k ⎟ = M ⎜ ⎜ ∑ ck ξ k ⎟ ⎟ − ⎢ M ⎜ ∑ ck ξ k ⎟ ⎥ =
2
⎜ ⎠ ⎠⎟ ⎣ ⎝ k =1
⎝ k =1 ⎠ ⎝ ⎝ k =1 ⎠⎦
2
⎛ n ⎞ ⎡ n ⎤
= M ⎜ ∑ ck2ξ k2 + 2∑ ch ck ξ hξ k ⎟ − ⎢ ∑ ck M (ξ k ) ⎥ =
⎝ k =1 h< k ⎠ ⎣ k =1 ⎦
n n
( )
= ∑ ck2 M ξ k2 + 2∑ ch ck M (ξ hξ k ) − ∑ ck2 ⎡⎣ M (ξ k ) ⎤⎦ −
2

k =1 h< k k =1

− 2∑ ch ck M (ξ h ) M (ξ k )
h<k

Dar M (ξ h ξ k ) = M (ξ h )M (ξ k ) , deci
⎛ n ⎞ n
[ ( )
D 2 ⎜ ∑ ck ξ k ⎟ = ∑ ck2 M ξ k2 − (M (ξ k ))
2
]
⎝ k =1 ⎠ k =1
de unde (3.20.).

47
(P4). Inegalitatea lui Cebîşev. Fie ξ o variabilă aleatoare. Atunci
D 2 (ξ )
({
P ω ξ(ω) − M (ξ ) ≥ ε < }) ε2
. (3.21.)

pentru orice ε > 0 .

Această inegalitate poate fi pusă sub o formă foarte des folosită în aplicaţii şi
anume, luând ε = aD(ξ ) , (3.21.) se scrie

P ( ξ − M (ξ ) ≥ aD(ξ )) <
1
. (3.21'.)
a2
De exemplu, dacă luăm a = 3 , din (3.21'.) deducem
P( ξ − M (ξ ) ≥ 3D(ξ )) <
1
,
9
adică probabilitatea ca o valoare a unei variabile aleatoare să iasă din intervalul
1
(M (ξ) − 3D(ξ), M (ξ ) + 3D(ξ)) , este mai mică decât , deci majoritatea valorilor
9
variabilei aleatoare se vor grupa în jurul valorii medii pe un interval de lungime 6 D(ξ ) .
Aceasta este regula celor 3σ .

3.3. Variabile aleatoare de tip continuu

Fie {Ω, Σ, P} un σ − câmp de probabilitate.
Definiţie. Se numeşte variabilă aleatoare o funcţie ξ : Ω → (definită pe
mulţimea evenimentelor elementare cu valori reale), astfel încât toate mulţimile de forma
{ }
Ax = ω ξ(ω) < x aparţin lui Σ , pentru orice x ∈ .
Vom da în continuare câteva proprietăţi ale variabilelor aleatoare.
1
(P1). Fie ξ o variabilă aleatoare şi c o constantă, atunci ξ + c , cξ , ξ , ξ 2 , cu
ξ
ξ ≠ 0 sunt variabile aleatoare.
Într-adevăr funcţiile ξ + c şi cξ sunt variabile aleatoare deoarece
{ω ξ(ω) + c < x} = {ω ξ(ω) < x − c},
⎧⎧ x⎫
⎪⎨ω ξ(ω) < ⎬ ∈ Σ pentru c > 0
c⎭
{ω cξ(ω) < x} = ⎪⎨⎩ .
⎪⎧ω ξ(ω) > x⎫
⎪⎨⎩ ⎬ ∈ Σ pentru c < 0
⎩ c⎭
De asemenea,
{ω ξ(ω) < x}= {ω ξ(ω) < x}∪ {ω ξ(ω) > − x}∈ Σ ,
{ω ξ (ω) < x}= {ω ξ(ω) < x }∈ Σ ,
2

48
 ⎧⎪ 1 ⎫⎪
⎨ ω < x ⎬=
⎪⎩ ξ (ω ) ⎪⎭
⎧
⎪
{
⎪ ω ξ (ω ) < 0 } pentru x = 0
.
⎪
⎪ ⎧ 1⎫
{ }
= ⎨ ω ξ (ω ) < 0 ∩ ⎨ω ξ (ω ) > ⎬
⎩ x⎭
pentru x < 0
⎪
⎪ ⎛ 1 ⎫ ⎞ pentru x > 0
⎪ ω ξ (ω ) < 0 ∪ ⎜ ω ξ (ω ) > 0 ∩ ⎧⎨ω ξ (ω ) <
{ } { } ⎬⎟
⎩⎪ ⎝ ⎩ x ⎭⎠
(P2). Fie ξ şi η două variabile aleatoare, atunci
{ω ξ(ω) > η(ω)}∈ Σ , {ω ξ(ω) ≥ η(ξ)}∈ Σ , {ω ξ(ω) = η(ξ)}∈ Σ .
ξ
(P3). Dacă ξ şi η sunt două variabile aleatoare, atunci ξ − η , ξ + η , ξη , cu
η
η ≠ 0 , sup(ξ, η) şi inf (ξ, η) sunt de asemenea variabile aleatoare.
Din (P2) rezultă
{ω ξ(ω) − η(ω) < x} = {ω ξ(ω) < η(ω) + x}∈ Σ .
Faptul că ξ + η este variabilă aleatoare rezultă din ξ + η = ξ − (− η) şi relaţia
anterioară.
Observăm că
1
ξη =
4
[ ]
(ξ + η)2 − (ξ − η)2 , ξ = ξ ⋅ 1 ,
η η
sup(ξ, η) = (ξ + η + ξ − η ) , inf (ξ, η) = (ξ + η − ξ − η ) .
1 1
2 2
Din faptul că sup(ξ, η) şi inf (ξ, η) sunt variabile aleatoare rezultă că partea
pozitivă ξ + şi partea negativă ξ − a unei variabile aleatoare ξ sunt variabile aleatoare,
deoarece ξ + = sup(ξ,0 ) , ξ − = inf (ξ,0 ) .
Teorema 1. Dacă ξ este o variabilă aleatoare nenegativă, există un şir crescător
(ξn )n∈ * de variabile aleatoare simple, nenegative, care converge către ξ .
Demonstraţie. Notăm
⎧i − 1 i −1
⎪ n pentru n ≤ ξ(ω) < n , (i = 1,2,..., n 2 )
i n
ξ n (ω) = ⎨ 2 2 2
⎪⎩n pentru ξ(ω) ≥ n
pentru n = 1,2,... . Atunci ξ n sunt variabile aleatoare simple, nenegative.

49
 1
Dacă ξ(ω) < ∞ avem ξ(ω) − ξ n (ω) < deci lim ξ n (ω) = ξ(ω) .
2n n →∞

Dacă ξ(ω) = ∞ , atunci pentru orice n ∈ `* avem ξ n (ω) = n deci

lim ξ n (ω) = ξ(ω) .
n →∞

Dacă ξ nu este nenegativă, avem ξ = ξ + − ξ − cu ξ + şi ξ − variabile aleatoare

nenegative şi teorema este de asemenea adevărată.
Teorema 2. Dacă (ξ n )n∈`* este un şir de variabile aleatoare, atunci sup ξ n ,
n∈`*

inf ξ n , lim ξ n şi lim ξ n sunt de asemenea variabile aleatoare.

n∈`* n→∞ n→∞

Definiţie. Vom spune că variabilele aleatoare ξ1 ,..., ξ n sunt independente dacă

pentru toate sistemele reale x1 ,..., xn avem
P(ξ1 < x1 ,..., ξ n < xn ) = P(ξ1 < x1 ) ⋅ ... ⋅ P(ξ n < xn ) .

3.4. Funcţie de repartiţie

Definiţie. Se numeşte funcţie de repartiţie a variabilei aleatoare ξ , funcţia
F ( x ) = P({ω ξ(ω) < x}) (3.22.)
definită pentru orice x ∈ \ .
Din această definiţie rezultă că orice variabilă aleatoare poate fi dată prin
intermediul funcţiei sale de repartiţie.
Dacă ξ este o variabilă aleatoare discretă cu pn = P (ξ = xn ) , n ∈ I , atunci din
(3.22.) rezultă
F (x ) = ∑p n (3.22.)
xn < x

şi se numeşte funcţie de repartiţie de tip discret. Rezultă că în acest caz F este o funcţie
în scară, adică ia valori constante pe intervalele determinate de punctele xi ( i ∈ I ).
Exemple
1. Fie variabila aleatoare
⎛ 0 1 2 3 4 ⎞
ξ : ⎜⎜ ⎟⎟ .
⎝ 0,15 0, 45 0, 20 0,15 0,05 ⎠

50
 Figura 3.4
Conform cu (3.22.) rezultă
⎧0 pentru x < 0
⎪0,15 pentru 0 ≤ x < 1
⎪
⎪⎪0,15 + 0, 45 pentru 1 ≤ x < 2
F ( x) = ⎨
⎪0,15 + 0, 45 + 0, 20 pentru 2 ≤ x < 3
⎪0,15 + 0, 45 + 0, 20 + 0,15 pentru 3 ≤ x < 4
⎪
⎪⎩1, 00 pentru x ≥ 4
Graficul ei este cel din figura 3.4.
⎛ k ⎞
2. În cazul unei variabile ξ : ⎜⎜ k k m−k ⎟⎟ cu m valori, dacă evenimentele A j se
⎝ Cm p q ⎠
realizează cu probabilitatea p j , 1 ≤ j ≤ m , adică p j = P (ξ = m − j ) , funcţia de
repartiţie corespunzătoare este
⎧0 pentru x < 0
⎪
⎪ p1 pentru 0 ≤ x < 1
⎪⎪ p + p2 pentru 1 ≤ x < 2
F ( x) = ⎨ 1
⎪.............................. .......................................
⎪ p1 + p2 + ... + pm −1 pentru m − 2 ≤ x < m − 1
⎪
⎪⎩1 pentru x ≥ m − 1

51
 Teorema 3. Funcţia de repartiţie a unei variabile aleatoare are următoarele
proprietăţi:
1. Dacă x1 < x2 , atunci F ( x1 ) ≤ F ( x2 ) , x1 , x2 ∈ .
2. F ( x − 0) = F ( x ) pentru orice x ∈ .
3. lim F ( x ) = 0 .
x →−∞
4. lim F ( x ) = 1 .
x →+∞
Demonstraţie.
1. Fie x1 < x2 două numere reale. Notăm Ax1 = {ω ξ(ω) < x1},
Ax2 = {ω ξ(ω) < x2 }. Avem Ax1 ⊂ Ax2 , deci
( ) ( )
F ( x1 ) = P Ax1 ≤ P Ax2 = F ( x2 ) .
2. Fie x ∈ o valoare fixă şi fie x1 < x2 < ... < xn < ... un şir crescător de numere
reale convergent către x . Considerăm evenimentele Ax , A = ω ξ(ω) < x ,
1
{ }
Bn = {ω xn ≤ ξ(ω) < xn+1}, n = 1,2,... . Avem A = Ax1 ∪ B1 ∪ B2 ∪ ... .
Evenimentele din membrul doi sunt incompatibile două câte două prin construcţie,
astfel că
( )
P( A) = P Ax1 + P(B1 ) + P(B2 ) + ... (3.24.)
Dar P( A) = F (x ) , P (A ) = F ( x ) ,
x1 1

P(Bn ) = P({ω ξ(ω) < xn+1}) − P({ω ξ(ω) < xn }) = F ( xn+1 ) − F ( xn ) , n = 1,2,... .
Relaţia (3.24.) se scrie
F ( x ) = F ( x1 ) + [F ( x2 ) − F ( x1 )] + [F ( x3 ) − F ( x2 )] + ... (3.25.)
deci F ( x ) = lim F ( xn ) , unde
n→∞

F ( xn ) = F ( x1 ) + [F ( x2 ) − F ( x1 )] + ... + [F ( xn ) − F ( xn−1 )]
sau F ( x ) = F ( x − 0 ) .
3. Fie şirul de numere reale x1 > x2 > ... > xn > ... convergent la − ∞ şi fie
{ }
evenimentele Ax şi Bn = ω xn ≤ ξ(ω) < xn −1 , n = 1,2,... Evenimentele Bn
1

( )
∞ ∞
sunt incompatibile două câte două şi Ax =
1 ∪ Bn deci P Ax1 = ∑ P(Bn ) sau
n =1 n =1

F ( x1 ) = [F (x1 ) − F ( x2 )] + [F ( x2 ) − F ( x3 )] + ... + [F ( xn−1 ) − F (xn )] + ...

Sn
adică F (x1 ) = lim S n .
n →∞

52
 Dar S n = F ( x1 ) − F ( xn ) deci F ( x1 ) = F ( x1 ) − lim F ( xn ) . Ţinând seama de
n →∞

faptul că şirul { xn }n∈ * tinde la − ∞ , rezultă lim F ( xn ) = F (− ∞ ) = 0 .

n →∞

{ xn }n∈ * de numere reale care tinde la + ∞ şi fie evenimentele

4. Fie şirul crescător
Ω = {ω ξ(ω ≤ ∞ )}, Dn = {ω ξ (ω ) < x1} , Dn = {ω xn ≤ ξ(ω) < xn+ `1 },
∞ ∞
n = 1,2,... Avem Ω = ∪ D j şi Di ∩ D j = ∅ , i ≠ j , deci P(Ω ) = ∑ P(D j )
j =0 j =0

sau
1 = F ( x1 ) + [F ( x2 ) − F ( x1 )] + ... + [F ( xn+1 ) − F ( xn )] + ...
de unde rezultă 1 = lim F ( xn ) = F (+ ∞ ) .
n →∞
Reciproca acestei teoreme este următoarea:
Teorema 4. Orice funcţie F monotonă, nedescrescătoare, continuă la stânga şi cu
F (− ∞ ) = 0 , F (+ ∞ ) = 1 este funcţia de repartiţie a unei variabile aleatoare definită pe
un câmp de probabilitate convenabil ales.
Teorema 5. Fie ξ o variabilă aleatoare a cărei funcţie de repartiţie este F . Fie
a şi b două numere reale cu a < b . Au loc egalităţile
1. P (a ≤ ξ < b ) = F (b ) − F (a ) ;
2. P(a < ξ < b ) = F (b ) − F (a ) − P(ξ = a ) ;
3. P(a < ξ ≤ b ) = F (b ) − F (a ) − P(ξ = a ) + P(ξ = b ) ;
4. P(a ≤ ξ ≤ b ) = F (b ) − F (a ) + P(ξ = b ) .
Demonstraţie. Fie evenimentele A = {ω ξ(ω) < a}; B = {ω ξ(ω) < b};
C = {ω ξ(ω) = a}; D = {ω ξ(ω) = b}.
Rezultă A ⊆ B , A ∪ C ⊆ B , A ⊂ B ∪ D şi
P (B ∩ AC ) = P(a ≤ ξ < b ) ,
P (B ∩ (A ∪ B C )) = P(B ) − P( A) − P(C ) ,
( )
P (B ∪ D ) ∩ ( A ∪ C ) = P( A) − P(C ) + P(D ) ,
C

( )
P (B ∪ D ) ∩ A = P ( B ) − P ( A ) + P (D ) .
C

Ţinând seama că P ( A) = F (a ) , P (B ) = F (b ) rezultă cele patru egalităţi.

Observaţie. Din P (ξ = x ) = F ( x + 0 ) − F ( x ) , rezultă că putem scrie egalităţile
(2)-(4) şi sub forma
2'. P (a < ξ < b ) = F (b ) − F (a + 0 ) ;
3'. P (a < ξ ≤ b ) = F (b + 0 ) − F (a + 0 ) ;
4'. P (a ≤ ξ ≤ b ) = F (b + 0 ) − F (a ) .

53
 Exemple.
1. Se consideră funcţia F definită prin relaţiile
⎧0 pentru x < 0
⎪
F ( x ) = ⎨ax 2 pentru 0 ≤ x ≤ 1 ,
⎪1 pentru x > 1
⎩
a constant. Se cere:
a. Să se determine constanta a aşa încât F să fie funcţie de repartiţie.
b. Să se calculeze P (0,35 ≤ ξ < 0,5) .
Răspuns.
a. Funcţia F este continuă în toate punctele axei reale cu excepţia punctului x = 1 .
Ţinând seama de definiţia funcţiei de repartiţie trebuie ca F să fie continuă la stânga
în orice punct x ∈ \ şi 0 ≤ F ( x ) ≤ 1 , deci în x = 1 trebuie să avem
0 ≤ F (1 − 0) = F (1) ≤ 1 , de unde rezultă 0 ≤ a ≤ 1 . Dacă cerem ca F să fie
continuă în x = 1 , atunci a = 1 .
b. Avem P (a ≤ ξ < b ) = F (b ) − F (a ) de unde
P(0,35 ≤ ξ < 0,5) = F (0,5) − F (0,35) = 0,1275 .
2. Să se determine constantele a şi b astfel încât F ( x ) = a + b arctg x , x ∈ \
să fie o funcţie de repartiţie. Să se calculeze P (0 < ξ < 1) .
Răspuns. Din lim F ( x ) = 1 şi lim F ( x ) = 0 rezultă
x→+∞ x→−∞

π
lim (a + b arctg x ) = a + b = 1,
x→+∞ 2
π
lim (a + b arctg x ) = a − b = 0 ,
x→−∞ 2
π π 1 1
considerându-se determinarea − ≤ arctg x ≤ . Se obţine a = , b = şi
2 2 2 π
1
P(0 < ξ < 1) = F (1) − F (0 + 0 ) = .
4
Definiţie. Fie ξ o variabilă aleatoare a cărei funcţie de repartiţie este F . Dacă
există o funcţie reală f definită şi integrabilă pe \ aşa încât
x
F (x ) = ∫ f (u )du , (3.26.)
−∞
atunci F se numeşte funcţie de repartiţie absolut continuă, iar ξ se numeşte variabilă
aleatoare absolut continuă. Funcţia f se numeşte densitate de probabilitate
(repartiţie), iar expresia f ( x )dx se numeşte lege de probabilitate elementară.

54
 Dacă F are o densitate de probabilitate f , atunci
F ( x + Δx ) − F ( x ) P( x ≤ ξ < x + Δx )
f ( x ) = F ′( x ) = lim = lim .
Δx →0 Δx Δx →0 Δx
Rezultă de aici că
P( x ≤ ξ < x + dx ) = f ( x )dx (3.27.)
Densitatea de probabilitate are următoarele proprietăţi.
1. f ( x ) ≥ 0 pentru orice x ∈ \ ;
+∞
2. ∫ f (u )du = 1 ;
−∞
b
3. Pentru orice a < b reali are loc relaţia P (a ≤ ξ < b ) = ∫ f (x )dx .
a
Exemple.
1. Se consideră funcţia
⎧0 pentru x < 0
⎪
f ( x ) = ⎨a sin x pentru 0 ≤ x ≤ π
⎪0 pentru x > π
⎩
Se cere
a. Să se determine constanta reală a , astfel ca f să fie densitatea de
probabilitate a unei variabile aleatoare.
b. Să se determine funcţia de repartiţie corespunzătoare.
⎛ π⎞
c. Să se calculeze P⎜ 0 ≤ ξ < ⎟.
⎝ 4⎠
Răspuns.
a. Din proprietăţile densităţii de probabilitate deducem
+∞ π

∫ f (x )dx = a ∫ sin xdx = 2a = 1

−∞ 0

1
de unde a = .
2
x
b. Fie F funcţia de repartiţie corespunzătoare. Avem F (x ) = ∫ f (u )du .
−∞

Pentru x < 0 , f ( x ) = 0 deci F ( x ) = 0 .

Pentru 0 ≤ x < π avem
0 x x
1 1
F (x ) = ∫ f (u )du + ∫ f (u )du = ∫ sin udu = (1 − cos x ) .
−∞ 0
20 2
Pentru x ≥ π avem
55
 0 π x π
1
F (x ) = ∫ f (u )du + ∫ f (u )du + ∫ f (u )du = ∫ sin udu = 1 .
−∞ 0 π
20
Deci
⎧0 pentru x < 0
⎪
⎪1
F ( x ) = ⎨ (1 − cos x ) pentru 0 ≤ x < π .
⎪2
⎪⎩1 pentru x ≥ π
π

⎛ π⎞ 1 4 2− 2
c. P⎜ 0 ≤ ξ < ⎟ = ∫ sin udu = .
⎝ 4⎠ 2 0 4
Graficul funcţiei f este cel din figura 3.5., iar al funcţiei F este cel din figura 3.6.
Aria haşurată din figura 3.5. reprezintă probabilitatea cerută la punctul c.

Figura 3.5. Figura 3.6

2. Fie ξ o variabilă aleatoare a cărei funcţie de repartiţie (repartiţie uniformă) este

⎧0 pentru x < 0
⎪
F ( x ) = ⎨ x pentru 0 ≤ x < 1
⎪1 pentru x ≥ 1
⎩
1
Să se calculeze densitatea de repartiţie a variabilei aleatoare η = ln .
ξ
Răspuns.
⎛ 1 ⎞ ⎛1 ⎞
(
P (η < x ) = P⎜⎜ ln < x ⎟⎟ = P⎜⎜ < e x ⎟⎟ = 1 − P ξ ≤ e − x )
⎝ ξ ⎠ ⎝ξ ⎠
de unde
⎧0 pentru x < 0
Fη ( x ) = ⎨
⎩1 − e
−x
pentru x ≥ 0

şi
56
 ⎧0 pentru x < 0
f η (x ) = ⎨ − x .
⎩e pentru x ≥ 0
3. [4] Probabilitatea ca după x ore de funcţionare o lampă electronică să iasă din
funcţiune în intervalul ( x, x + dx ) este egală cu 0,01dx , independent de x . O
lampă a lucrat 30 ore. Să se calculeze probabilitatea ca ea să iasă din funcţiune în
următoarele 10 ore.
Răspuns. Fie ξ variabila aleatoare care exprimă durata de funcţionare a unei lămpi în ore
şi fie A evenimentul „lampa lucrează nu mai puţin de x ore”, iar B evenimentul
„lampa iese din funcţiune în intervalul ( x, x + dx ) ”. Prin ipoteză P (B A) = 0,01dx .
Avem
P( A) = P(ξ ≥ x ) = 1 − P(ξ < x ) = 1 − F ( x ) ,
P(B ) = P( x ≤ ξ < x + dx ) = f ( x )dx ,
unde am notat prin f densitatea de probabilitate a lui ξ . Deoarece B ⊂ A ,
P(B ∩ A) P(B ) f ( x )dx
P(B A) = = = = 0,01dx .
P ( A) P ( A) 1 − F (x )
Rezultă
⎡ x
⎤
f ( x ) = 0,01[1 − F ( x )] = 0,01⎢1 − ∫ f (u )du ⎥ .
⎣ 0 ⎦
Derivând în ambii membri în raport cu x se obţine ecuaţia diferenţială
df
+ 0,01 f ( x ) = 0 cu soluţia f ( x ) = ke 0, 01x , x ≥ 0 , k constantă. Din
dx
∞ ∞
1 = ∫ f (u )du = k ∫ e −0, 01x dx = 100k
0 0

rezultă k = 0,01 , iar f ( x ) = 0,01e −0 , 01 x

, x ≥ 0.
Probabilitatea cerută va fi
10 30

∫ e dx − ∫ e dx
−0 , 01 x −0 , 01 x

P (30 ≤ ξ < 40 ) e −0 , 3 − e −0 , 4
P= = 0,01 0 0
= = 1 − e −0,1 .
P (30 ≤ ξ ) 30
e −0 , 3
1 − ∫ e −0,01x dx
0

57
 3.5. Momentele unei variabile de tip continuu
Fie {Ω, Σ, P} un σ − câmp de probabilitate şi ξ o variabilă aleatoare a cărei
funcţie de repartiţie este F . Fie f densitatea de repartiţie a variabilei aleatoare ξ .
Definiţie. Se numeşte valoare medie a variabilei aleatoare ξ expresia
+∞ +∞
M (ξ ) = ∫ xdF (x ) = ∫ xf (x )dx . (3.28.)
−∞ −∞
Definiţie. Se numeşte moment de ordinul r , r ∈ ` , al variabilei aleatoare
continue ξ , expresia
+∞ +∞
M r (ξ ) = α r (ξ ) = ∫ x dF (x ) =
r
∫ x f (x )dx ,
r
(3.29.)
−∞ −∞
iar expresia
+∞ +∞
M r ( ξ ) = β r (ξ ) = ∫x dF ( x ) = ∫ x f (x )dx
r r
(3.30.)
−∞ −∞
se numeşte moment absolut de ordin r al variabilei aleatoare ξ .
În acelaşi mod în care s-au definit momentul centrat de ordinul r , dispersia,
abaterea medie pătratică în cazul variabilelor aleatoare discrete, se definesc şi pentru
variabile aleatoare de tip continuu. Proprietăţile valorii medii şi ale dispersiei date pentru
variabile aleatoare de tip discret se menţin pentru variabile aleatoare de tip continuu.
În aplicaţii se întâlnesc şi următoarele caracteristici:
Definiţie. Se numesc asimetrie, As , şi exces, E , numerele
μ 3 (ξ )
As = ,
μ 32 (ξ )
(3.31.)
μ (ξ )
E = 42 − 3,
μ 2 (ξ )
dacă momentele respective există.
Exemplu. Fie ξ o variabilă aleatoare de tip continuu cu densitatea de probabilitate
1 −x
f (x ) = e , x ∈ \ . Să se calculeze valoarea medie, dispersia, coeficientul de
2
asimetrie şi excesul.
Răspuns. Avem
+∞ 0 +∞
1 1 1
M (ξ ) = ∫ xe dx = ∫ xe x dx + ∫ xe
−x −x
dx = 0 ,
2 −∞ 2 −∞ 2 0
+∞ +∞
D 2
(ξ) = 1 ∫ x 2e − x dx = ∫ x 2e − x dx = 2 .
2 −∞ 0

58
 Din cauza simetriei repartiţiei date rezultă As = 0 .
+∞
1 4 −x
μ 4 (ξ ) = 2 ∫ x e dx = 24 ,
0
2
deci E = 3 .
Definiţie. Se numeşte moment centrat în a de ordinul r al variabilei aleatoare
ξ , momentul de ordinul r al variabilei aleatoare ξ − a , iar momentele variabilelor
r
aleatoare ξ − a se numesc momente absolute centrate în a de ordinul r .
Exemplu. [4] Fie o funcţie de repartiţie F cu derivate în toate punctele de
continuitate şi astfel ca pentru i dat să existe k > i + 1 aşa încât lim F ( x ) ⋅ x k = 0 ,
x→−∞

lim [1 − F ( x )] ⋅ x = 0 . Să se arate că
k
x→+∞

1 r
M i (a ) =
μ i+1 (a ) ,
i +1
unde μ ir+1 este momentul de ordinul i + 1 centrat în a , iar
+∞ a
M i (a ) = ∫ (x − a ) [1 − F (x )]dx − ∫ (x − a ) F (x )dx .
i i

a −∞
Răspuns. Avem

M i (a ) =
(x − a )i+1 [1 − F (x )] +∞ + +∞ (x − a )i+1 F ′(x )dx −
i +1 a
∫
a
i +1
.
(x − a ) i +1
F (x )
a a
(x − a ) i +1
F ′( x )dx
−
i +1 −∞
+ ∫
−∞
i +1
Ţinând seama de condiţiile problemei rezultă
+∞
1
M i (a ) = ∫ (x − a )i+1 F ′(x )dx = 1 μ ir+1 (a ) .
i + 1 −∞ i +1
Definiţie. Mediana unei variabile aleatoare ξ este numărul M e (sau μ(ξ ) )
pentru care
1
P(ξ ≥ M e ) ≥ ≤ P(ξ ≤ M e ) (3.32.)
2
sau
1 1
F (M e ) ≤ şi F (M e + 0 ) ≥ . (3.33.)
2 2

59
 Din definiţie rezultă următoarele proprietăţi:
1. Dacă ξ este o variabilă aleatoare cu M (ξ ) = m şi D (ξ ) = σ , atunci are loc
inegalitatea
Me − m ≥ σ 2 . (3.34.)
Inegalitatea lui Cebâşev ne dă
(
P ξ−m ≥σ 2 ≤ ) 1
2
.

Ţinând seama de definiţia medianei, rezultă

m − σ 2 ≤ Me ≤ m + σ 2 .
2. 2. Dacă ξ şi η sunt două variabile aleatoare independente care au aceeaşi funcţie
de repartiţie F şi λ este un număr real oarecare, atunci au loc inegalităţile
1
P(ξ − M e ≥ ε ) ≤ P(ξ − η ≥ ε ) , (3.35.)
2
1 ⎛ ε⎞
P ( ξ − M e ≥ ε ) ≤ P ( ξ − η ≥ ε ) ≤ 2 P⎜ ξ − η ≥ ⎟ (3.36.)
2 ⎝ 2⎠
pentru orice ε > 0 , cu M e mediana variabilei aleatoare ξ .
Variabilele aleatoare fiind independente şi cu aceeaşi funcţie de repartiţie avem
μ(ξ ) = μ(η) = M e şi
P (ξ − η ≥ ε ) = P ( (ξ − M e ) − ( μ − M e ) ≥ ε ) ≥ P (ξ − M e ≥ ε , η − M e ≤ 0 ) =
= P (ξ − M e ≥ ε ) P (η − M e ≤ 0 )
1
Din (3.35) rezultă P (η − M e ≤ 0 ) ≤ , deci
2
1
P(ξ − η ≥ ε ) ≥ P(ξ − M e ≥ ε ) .
2
Pentru demonstraţia lui (3.36.), prima inegalitate rezultă din (3.35.) şi definiţia
medianei. Pentru inegalitatea a doua observăm că
P ( ξ −η ≥ ε ) = P ( (ξ − λ ) − (η − λ ) ≥ ε ) ≤
⎛ ε⎞ ⎛ ε⎞
≤ P⎜ ξ −λ ≥ ⎟+ P⎜ η −λ ≥ ⎟ =
⎝ 2⎠ ⎝ 2⎠
⎛ ε⎞
= 2P ⎜ ξ − λ ≥ ⎟
⎝ 2⎠
Din definiţia medianei rezultă că în cazul unei variabile aleatoare ξ de tip
continuu, mediana este unic determinată de egalitatea

60
 x +∞
1
∫ f (x )dx = ∫ f (x )dx = 2 .
−∞ x
Din punct de vedere geometric, mediana este abscisa punctului prin care trece
paralela la axa Oy , care împarte în două părţi egale aria limitată de curba de ecuaţie
y = f ( x ) şi axa Ox .
Exemplu. Fie ξ o variabilă aleatoare a cărei densitate de probabilitate este
⎧ π
⎪0 pentru x < 0 sau x >
⎪ 2.
f (x ) = ⎨
⎪sin x π
pentru 0 ≤ x ≤
⎪⎩ 2
Să se determine mediana lui ξ .
1
Răspuns. Dacă ξ este de tip continuu, atunci F (M e ) = , de unde
2
Me
1 Me

2 ∫ sin xdx = − cos x

0 0
= 1 − cos M e

1 π
deci cos M e = . Rezultă M e = (figura 3.7.).
2 3

Figura 3.7.
Inegalitatea lui Markov. Fie ξ o variabilă aleatoare pozitivă a cărei valoare
medie este finită. Pentru orice λ > 1 avem
1
P(ξ ≥ λM (ξ )) ≤ . (3.37.)
λ
Notăm m = M (ξ ) şi avem
+∞ λm +∞ +∞
m= ∫ xdF (x ) = ∫ xdF (x ) + ∫ xdF (x ) ≥ λm ∫ dF (x ) = λm[1 − F (λm)] ,
0 0 λm λm

61
 1
de unde 1 − P(ξ < λm ) ≤ .
λ
Definiţie. Moda, Mo , a unei variabile aleatoare este valoarea variabilei
aleatoare cea mai probabilă.

EXERCIŢII ŞI PROBLEME PROPUSE

3.1. Fie ξ o variabilă aleatoare care ia valorile x1 = −1 ; x2 = 0 , x3 = 1 . Dacă
( )
M (ξ ) = 0,1 şi M ξ 2 = 0.9 să se determine probabilităţile pi = P(ξ(ω) = xi ) ,
i = 1,2,3 .
Răspuns. p1 = 0,4 ; p2 = 0,1 ; p3 = 0,5 .
3.2. Fie ξ o variabilă aleatoare care ia valorile x1 = 3 , x2 = 5 şi x3 cu probabilităţile
p1 = 0,5 ; p2 = 0,3 şi p3 . Să se determine x3 şi p3 dacă M (ξ ) = 7 .
Răspuns. x3 = 20 , p3 = 0,2 .
3.3. Fie ξ şi η două variabile aleatoare cu M (ξ ) = 4 ; M (η) = 7 . Să se determine
M (2ξ + 3η) .
Răspuns. M (2ξ + 3η) = 29 .
⎛ xi ⎞
3.4. [18] Fie ξ o variabilă aleatoare cu repartiţia ξ : ⎜⎜ ⎟⎟ , i = 1,2,..., k . Presupunând
⎝ pi ⎠
că valorile xi , 1 ≤ i ≤ k sunt scrise în ordine crescătoare să se arate că

lim
( )
M ξ n+1
= xk .
( )
n →∞ M ξ n

3.5. [8] Fie (ξ i )1≤i≤n , n variabile aleatoare independente, pozitive şi egal repartizate. Să
⎛ ξ ⎞ 1 ⎛ ξ + ξ 2 + ξ3 ⎞ 3
se arate că M ⎜⎜ 1
⎟⎟ = ; M ⎜⎜ 1 ⎟⎟ = .
⎝ ξ1 + ... + ξ n
⎠ n ξ
⎝ 1 + ... + ξ n ⎠ n
3.6. Fie ξ şi η două variabile aleatoare independente cu D 2 (ξ ) = 4 , D 2 (η) = 7 . Să
se calculeze D 2 (2ξ + 3η) .
3.7. [8]. Fie ξ o variabilă aleatoare discretă care ia valorile x1 şi x2 cu probabilitatea
2
⎛x −x ⎞
p . Să se demonstreze că D (ξ ) = ⎜ 2 1 ⎟ .
2

⎝ 2 ⎠
1
3.8. Probabilitatea de apariţie a unui eveniment A în fiecare probă este . Să se
2
calculeze probabilitatea ca numărul de apariţii al evenimentului A în 150 de
experimente independente să fie cuprins între 45 şi 60 .
62
Răspuns.
M (ξ ) = 50 , ε = 60 − 50 = 10 . P( ξ − 50 < 10 ) ≥ 1 −
25
= 0,75 .
10 2
⎛ 0,3 0,4 0,5 0,2 ⎞
3.9. Fie ξ o variabilă aleatoare discretă cu repartiţia ξ : ⎜⎜ ⎟⎟ .
⎝ 0,2 0,3 0,4 0,1 ⎠
Utilizând inegalitatea lui Cebîşev să se estimeze probabilitatea ca ξ − M (ξ ) < 0,2 .
Răspuns.
M (ξ ) = 0,4 , D 2 (ξ ) = 0,01 , P( ξ − 0,4 < 0,2) ≥ 1 − 0,25 = 0,75 .
3.10. Se dă funcţia definită prin relaţia f ( x ) = ax 2 e − kx , k > 0 , 0 ≤ x < +∞ . Se
cere
a. Să se determine constanta reală a astfel încât f să fie o densitate de
repartiţie.
b. Să se calculeze funcţia de repartiţie corespunzătoare.
⎛ 1⎞
c. Să se determine probabilitatea ca ξ să ia valori în intervalul ⎜ 0, ⎟ .
⎝ k⎠
Răspuns.
k2 k 2 x 2 + 2kx + 2 −kx
a= , F (x ) = 1 − e ,
2 2
⎛ 1⎞ ⎛1⎞ 5
P⎜ 0 < ξ < ⎟ = F ⎜ ⎟ = 1 − ≅ 0,086 .
⎝ k⎠ ⎝k⎠ 2e
3.11. Fie ξ variabila aleatoare discretă din exemplul 3.9. Să se determine funcţia de
repartiţie corespunzătoare şi să se traseze graficul ei.
3.12. Fie ξ o variabilă aleatoare a cărei densitate de probabilitate este
⎧ ⎛ π⎞
⎪2 cos 2 x pentru x ∈ ⎜ 0, ⎟
⎪ ⎝ 4⎠
f (x ) = ⎨ . Să se calculeze funcţia de repartiţie
⎪0 ⎛ π⎞
pentru x ∉ ⎜ 0, ⎟
⎪⎩ ⎝ 4⎠
corespunzătoare.
3.13. [23] Fie F funcţia de repartiţie a variabilei aleatoare ξ . Dacă M (ξ )
există, să se arate că lim [1 − F ( x )] = 0 , lim xF (x ) = 0 .
x→+∞ x→−∞
3.14. Să se determine valoarea medie şi dispersia variabilei aleatoare ξ a cărei
x −a
1 −
densitate de probabilitate este f ( x ) = e a
, x∈\, a ≠ 0.
2a

63
 4. REPARTIŢII PROBABILISTICE CLASICE

4.1. Repartiţii de tip discret

În multe aplicaţii practice ale teoriei probabilităţilor întâlnim cazuri în care un
experiment sau mai multe experimente analoage se repetă de un număr de ori, fiecare din
ele ducând la realizarea sau la nerealizarea unui anumit eveniment. Ceea ce interesează
este numărul de realizări ale evenimentului într-o serie de experimente. Experimentele
pot fi efectuate în aceleaşi condiţii sau în condiţii diferite.

4.1.1. Teorema particulară a experimentelor repetate

Să considerăm următoarea problemă: trei focuri independente sunt trase asupra

unei ţinte. Probabilitatea de a atinge ţinta pentru fiecare din ele este p . Să se determine
probabilitatea ca două din cele trei focuri să atingă ţinta.
Fie A evenimentul „două din cele trei focuri ating ţinta” şi fie Ai ( i = 1,2,3 )
evenimentele „focul i a atins ţinta”. În aceste condiţii A se scrie
( ) ( ) (
A = A1 ∩ A2 ∩ A3C ∪ A1 ∩ A2C ∩ A3 ∪ A1C ∩ A2 ∩ A3 )
Cele trei variante sunt incompatibile, iar evenimentele care le compun sunt
independente. Rezultă
( ) ( ) ( )
P ( A) = P ( A1 )P( A2 )P A3C + P( A1 )P A2C P ( A3 ) + P A1C P ( A2 )P ( A3 )
de unde P ( A ) = 3 p 2 (1 − p ) .
De o manieră analogă se rezolvă următoarea problemă mai generală: se fac n
experimente independente, în fiecare din ele un eveniment A se poate realiza cu
probabilitatea p şi nu se realizează cu probabilitatea q = 1 − p . Să se determine
probabilitatea ca în cele n experimente evenimentul A să se realizeze exact de m ori.
Fie Bm evenimentul „ A se realizează exact de m ori în cele n experimente” şi
Ai evenimentele: „ A s-a realizat în experimentul de rang i ”, ( i = 1,2,..., n ). Fiecare
variantă de realizare a lui Bm se compune din m apariţii a evenimentului A şi din
n − m nerealizări ale lui A (deci n − m realizări ale lui AC ), deci
Bm = (A1 ∩ A2 ∩ ... ∩ Am ∩ Am +1 ∩ ... ∩ An ) ∪
C C

(
∪ A1C ∩ A2 ∩ ... ∩ Am +1 ∩ AmC+ 2 ∩ ... ∩ AnC ∪ ) (4.1.)
( C
∪ ... ∪ A ∩ ... ∩ A
1
C
n−m ∩ ... ∩ An − m +1 ∩ ... ∩ An )
Numărul de maniere în care putem alege din cele n experimente, m experimente
în care se realizează A este Cnm . Toate variantele sunt incompatibile, experimentele sunt
independente, deci

64
 P (Bm ) = Pm, n = p m q n − m + ... + p m q n − m
 

de C nm ori

deci
Pm, n = Cnm p m q n − m . (4.2.)
Probabilităţile Pm , n au forma termenilor din dezvoltarea binomului ( p + q ) . Din
n

această cauză câmpul de evenimente din această schemă probabilizat după regula (4.2.)
se numeşte câmp binominal (este clar că evenimentele elementare ale câmpului asociat
experimentului pot fi considerate ca elemente ale produsului cartezian
Ω n = Ω × ... × Ω ).
Această schemă probabilistică a fost cercetată în mod deosebit de J.Bernoulli, de
aceea se mai numeşte şi schema lui Bernoulli.
Să calculăm valoarea medie şi dispersia unei variabile aleatoare repartizată
binominal. Avem
n
M (ξ ) = ∑ kCnk p k q n − k
k =1
Pentru a calcula această sumă vom pleca de la egalitatea
n
( pt + q )n = ∑ Cnk p k t k q n − k
k =0
pe care o derivăm în raport cu t ,
n
np ( pt + q ) = ∑ kCnk p k t k −1q n − k .
n −1
(*)
k =1
De aici pentru t = 1 ţinând seama că p + q = 1 obţinem
n

∑ kC
k =1
k
n p k q n− k = np .

Rezultă
M (ξ ) = np . (4.3.)
Pentru a calcula dispersia va trebui să calculăm momentul de ordinul doi a
variabilei aleatoare ξ ,

( )
n
M ξ 2 = ∑ k 2Cnk p k q n − k .
k =1
Din (*) prin înmulţire cu t obţinem
n
npt ( pt + q ) = ∑ kCnk p k t k q n − k
n −1

k =1
egalitate care derivată în raport cu t ne dă
n
np ( pt + q ) + n(n − 1) p 2t ( pt + q ) = ∑ k 2Cnk p k t k −1q n − k
n −1 n−2

k =1

65
 De aici pentru t = 1 şi p + q = 1 obţinem
( )
M ξ 2 = np + n(n − 1) p 2 .
Rezultă
( )
D 2 (ξ ) = M ξ 2 − [M (ξ )] = npq .
2
(4.4.)
Moda unei repartiţii este valoarea variabilei aleatoare cea mai ridicată. Moda în
cazul legii binomiale este o valoare întreagă cuprinsă între np − q şi np + q .
De exemplu pentru n = 9 şi p = 0,4 avem două valori modale 3 şi 4 .
Exemple.
1. Doi parteneri cu forţă egală boxează 12 runde, probabilitatea ca oricare din ei să
1
câştige o rundă este . Să se calculeze valoarea medie, dispersia şi abaterea medie
2
pătratică a variabilei aleatoare care reprezintă numărul de runde câştigate de unul din
parteneri.
12
⎛1⎞
Răspuns. Variabila aleatoare ξ are repartiţia binomială P (ξ = k ) = C ⎜ ⎟ , k
12
⎝2⎠
k = 1,...,12 . Avem M (ξ ) = 6 , D 2 (ξ ) = 3 , D(ξ ) = 3 .
2. O urnă conţine 30 bile albe şi 10 bile negre. Se fac 200 de extracţii din urnă
punând după fiecare extracţie bila înapoi în urnă. Se cere o margine inferioară pentru
probabilitatea ca numărul de apariţii a bilei albe în cele 200 de extracţii să fie
cuprins între 100 şi 120 .
Răspuns. Dacă notăm prin ξ variabila aleatoare care reprezintă numărul de apariţii ale
bilei albe, ξ are repartiţia binomială. Avem probabilitatea ca într-o extracţie să
3 1
obţinem o bilă albă p = , deci q = . M (ξ ) = 150 , D 2 (ξ ) = 37,5 . Se aplică
4 4
inegalitatea lui Cebîşev, şi se obţine
P (100 < ξ < 120 ) = P ( ξ − 100 < 10 ) ≥ 1 −
37,5
= 0,625 .
100
3. La controlul de calitate este controlat un lot de piese. Probabilitatea ca luând la
întâmplare o piesă din lot să fie defectă este 0,005 . Sunt controlate 100 piese din
lot, care sunt luate pe rând şi repuse fiecare înapoi în lot după ce a fost controlată. Se
cere
a. Probabilitatea ca între cele 100 piese controlate să avem cel mult patru piese
defecte.
b. Cel mai probabil număr de piese bune.
Răspuns.
4 4
a. P = ∑ P100, k = ∑ C100
k
(0,005) (0,995) k 100 − k

k =0 k =0

b. [100 ⋅ 0,005 − 0,005] = [0,99]

66
4. Un grup de 40 elevi audiază un curs de 3 trimestre. La terminare dau un examen la
care li se pune fiecăruia câte o întrebare din materia fiecărui trimestru. Ştim că 5
elevi cunosc în întregime materia predată, 10 elevi cunosc 90% din materia
predată pe fiecare trimestru, 11 elevi cunosc câte 80% din materie, 7 elevi 60% ,
5 elevi câte 50% şi doi elevi nu cunosc nimic din materia predată. La examen un
elev răspunde bine la primele două întrebări şi fals la a treia. Care este probabilitatea
ca el să fie unul din elevii care cunosc: întreaga materie, 90% , 80% , 60% , 50% ,
0% din întreaga materie.
Răspuns. Fie evenimentele A1 − cinci elevi cunosc întreaga materie; A2 − 10 elevi
cunosc 90% din materie; A3 − 11 elevi cunosc 80 din materie; A4 − 7 elevi cunosc
60% ; A5 − 5 elevi cunosc câte 50% din materie şi A6 − 2 elevi nu cunosc nimic din
1 1 11 7
materia predată. Avem P ( A1 ) = , P ( A2 ) = , P ( A3 ) = , P ( A4 ) = ,
5 4 40 40
1 1
P ( A5 ) = , P ( A6 ) = .
8 20
Fie evenimentul X − un elev răspunde bine la două întrebări şi fals la a treia.
2 2
⎛9⎞ 1 ⎛8⎞ 2
Avem P( X A1 ) = 0 , P ( X A2 ) = C ⎜ ⎟
2
3 , P ( X A3 ) = C ⎜ ⎟
2
3 ,
⎝ 10 ⎠ 10 ⎝ 10 ⎠ 10
2 2
⎛6⎞ 4 ⎛5⎞ 5
P ( X A4 ) = C ⎜ ⎟
2
3 , P ( X A5 ) = C32 ⎜ ⎟ , P ( X A6 ) = 0 .
⎝ 10 ⎠ 10 ⎝ 10 ⎠ 10
Vom da în continuare două din cele mai cunoscute generalizări ale schemei
binominale.

4.1.2. Teorema generală a experimentelor repetate.

Presupunem că se fac n experimente independente, în fiecare din ele un

eveniment A se poate realiza cu probabilitatea pi , i = 1,2,..., n şi nu se realizează cu
probabilitatea qi = 1 − pi . Să se determine probabilitatea ca în cele n experimente
evenimentul A să se producă exact de m ori.
Cu notaţiile făcute la schema binominală avem (4.1.), de unde
Pm, n = p1 p2 ... pm qm +1...qn + ... + q1 p2 p3...qn −1 pn + q1q2 ...qn − m pn − m +1... pn .
Această probabilitate este egală cu suma tuturor produselor posibile în care p
intră de m ori, cu indici diferiţi, iar q de n − m ori, cu indici diferiţi.
Observând că efectuând produsul a n binoame ( pi z + qi ) , i = 1,2,..., n se obţine
n
ϕn ( z ) = ∏ ( pi z + qi ) (4.5.)
i =1

67
unde z este un parametru oarecare şi atunci Pm , n este coeficientul lui z m din acest
produs. Această funcţie se numeşte funcţie generatoare a probabilităţilor Pm , n . Avem
n n

∏ ( pi z + qi ) = ∑ Pm,n z m
i =1 m=0
(4.6.)
n
cu ∑P
m =0
m, n = 1.
Este evident că teorema particulară a experimentelor repetate rezultă din teorema
generală pentru p1 = ... = pn = p şi q1 = ... = qn = q . În acest caz funcţia generatoare
devine ϕn ( z ) = ( pz + q ) sau
n

n
( pz + q )n
= ∑ Cnm p m q n − m z m ,
m=0
de unde formula (4.2.).
În unele experimente practice se cere probabilitatea de realizare a evenimentului A
de cel puţin m ori în cele n experimente. Notând cu Cm acest eveniment avem
Cm = Bm ∪ Bm +1 ∪ ... ∪ Bn , de unde
P (Cm ) = Pm, n + Pm +1, n + ... + Pn , n
sau
n
P (Cm ) = ∑P k ,n . (4.7.)
k =m
Schema probabilistică descrisă se numeşte schema lui Poisson.
Exemple.
1. La un concurs de matematică, 3 candidaţi primesc câte un plic care conţine n
( n > 3 ) bilete cu probleme de algebră şi geometrie. Cele trei plicuri conţin respectiv
câte 1,2,3 subiecte de algebră. Fiind examinaţi, cei trei candidaţi extrag fiecare câte
un bilet din plic. Extragerea făcându-se la întâmplare, să se afle probabilitatea
următoarelor evenimente:
a. Trei candidaţi să fie examinaţi la geometrie.
b. Nici un candidat să nu fie examinat la geometrie.
c. Cel puţin un candidat să fie examinat la algebră.
(O.M., etapa judeţeană, 1970)
Răspuns. Se aplică schema lui Poisson. Avem
ϕ3 ( z ) = ⎛⎜ 1 z + n − 1 ⎞⎟ ⎛⎜ 2 z + n − 2 ⎞⎟ ⎛⎜ 3 z + n − 3 ⎞⎟ =
⎝n n ⎠⎝ n n ⎠⎝ n n ⎠
1 ⎡ 3
=
n3 ⎣
( )
6 z + (11n − 18 ) z 2 + 6n 2 − 22n + 18 z + ( n − 1)( n − 2 )( n − 3) ⎤⎦

68
a. Termenul liber din polinomul ϕ3 ( z ) va fi P0 ,3 =
(n − 1)(n − 2)(n − 3) .
n3
6
b. Coeficientul lui z 3 din ϕ3 ( z ) este P3,3 = .
n3
c. P = 1 − P0,3 .
2. [11] Un aparat se compune din 5 elemente: fiabilitatea (probabilitatea de
funcţionare fără defecţiune într-un interval de timp) elementelor este: p1 = 0,9 ;
p2 = 0,95 ; p3 = 0,8 ; p4 = 0,85 ; p5 = 0,91 . Dacă nici unul din elemente nu
este în pană, probabilitatea de funcţionare a aparatului fără defecţiuni este egală cu 1 ;
dacă unul din cele cinci elemente este în pană, această probabilitate este 0,7 , iar
dacă două elemente sunt în pană, aparatul nu poate funcţiona. Să se determine
probabilitatea ca aparatul să poată efectua munca pentru care este destinat.
Răspuns. Facem următoarele ipoteze A1 − nici un element nu este în pană; A2 − un
element este în pană. Probabilităţile lor vor fi P ( A1 ) = P0 ,5 ; P ( A2 ) = P1,5 . Cum
ϕ5 ( z ) = (0,1z + 0,9 )(0,05 z + 0,95)(0,2 z + 0,8)(0,15 x + 0,85)(0,09 z + 0,91) =
0,530 + 0,264 z + ...
de unde P ( A1 ) = 0,530 , P ( A2 ) = 0,364 .
Notând cu A evenimentul „aparatul efectuează munca pentru care este destinat”
formula probabilităţii totale ne dă P ( A) = 0,530 ⋅ 1 + 0,364 ⋅ 0,7 = 0,784 .

4.1.3. Repartiţia Poisson de parametru λ.

Să presupunem că în repartiţia binominală (4.2.) luăm np = λ (constant). Să

determinăm în acest caz valorile probabilităţilor pentru n → ∞ .
Obţinem
⎡ n(n − 1)...(n − k + 1) λk ⎛ λ ⎞ n − k ⎤ λk − λ
lim Pk , n = lim ⎢ ⋅ ⎜1 − ⎟ ⎥ = e .
n →∞ n →∞
⎢⎣ nk k! ⎝ n ⎠ ⎥⎦ k!
Notând pk = lim Pk .n , avem
n →∞

λk − λ
pk = e (4.8.)
k!
∞ ∞
λk
şi ∑ pk = e− λ ∑
k =0 k = 0 k!
= e − λ e λ = 1 , deci probabilităţile definite prin (4.7.) sunt termenii
unei repartiţii.

69
 Definiţie. Repartiţia determinată prin probabilităţile (4.7.) se numeşte repartiţie
Poisson de parametru λ , iar variabila aleatoare
⎛ 0 1 2 " k "⎞
ξ : ⎜ −λ λ −λ λ2 − λ λk − λ ⎟
⎜e e e " e "⎟
⎝ 1! 2! k! ⎠
se numeşte variabilă aleatoare Poisson.
Să calculăm valoarea medie şi dispersia variabilei aleatoare ξ . Avem
∞
λk − λ ∞
λk −1
M (ξ ) = ∑ k e = λe ∑−λ
= λe − λ ⋅ e λ = λ
k =0 k! k =1 (k − 1)!
deci
M (ξ ) = λ . (4.9)
De asemenea,
λk
) λk ! e
∞ ∞ k

( )
M ξ2 = ∑ k2
k!
e−λ = ∑ k 2 − k + k( −λ
=
k =0 k =0
∞
λk ∞
λk
= ∑ k ( k − 1) e−λ + ∑ k e− λ =
k =1 k! k =0 k!
∞
λ k −2
= λ 2e−λ ∑ + λ = λ2 + λ
k =2 ( k − 2 )!

deci
D 2 (ξ ) = λ . (4.10.)
Moda este o valoare întreagă cuprinsă între m − 1 şi m .
Una din cele mai importante proprietăţi a repartiţiei Poisson este aceea că valoarea
medie şi dispersia variabilei aleatoare ξ sunt egale. În practică dacă media şi dispersia
calculată pe baza datelor observate sunt egale sau foarte apropiate, putem considera că
repartiţia teoretică a variabilei studiate este de tip Poisson.
Repartiţia Poisson este denumită legea evenimentelor rare, datorită proprietăţii
sale de a aproxima o repartiţie binomială când numărul experimentelor n este foarte
mare iar probabilitatea de apariţie a evenimentului considerat este foarte mică.
Exemplu. O maşină fabrică un număr mare de piese dintre care unele sunt defecte.
Se fac observaţii pe N = 100 de eşantioane a n = 40 piese, fiecare alese la întâmplare.
Obţinem următoare distribuţie a pieselor defecte:

70
 Nr. piese defecte xi Nr. eşantion ni
0 28
1 40
2 21
3 7
4 3
5 1
peste 6 0
total 100
Făcând ipoteza că proporţia pieselor defecte rămâne constantă, numărul X al
pieselor defecte în fiecare eşantion este o variabilă aleatoare binomială de parametru
∑n x i i
120
n = 40 şi p valoare necunoscută. Media de selecţie este x = i
= = 1,2 şi
N 100
x 1,2
putem estima p = = = 0,03 .
n 40
În acest exemplu putem aproxima legea binomială cu legea Poisson, proporţia
pieselor defecte fiind suficient de mică iar efectivul fiecărui eşantion, este n = 40 .
Comparaţia între frecvenţele observate şi probabilităţile ajustate prin legea
binomială şi Poisson rezultă din tabelul:
Probabilitate Probabilitate
Număr piese Frecvenţa de
lege lege
defecte observaţie
binomială Poisson
0 0,28 0,2957 0,3012
1 0,40 0,3658 0,3614
2 0,21 0,2206 0,2169
3 0,07 0,0864 0,0867
4 0,03 0,0247 0,0260
5 0,01 0,0055 0,0062
6 0 0,0010 0,0012
7 0 0,0001 0,0002
peste 8 0 0,0002 0,0002
Total 1 1,0000 1,0000

71
 4.1.4. Schema polinomială.

O urnă conţine bile de culorile c1 , c2 ,..., cs în proporţii cunoscute; deci cunoaştem

probabilitatea pi de apariţie într-o extracţie, a unei bile de culoarea ci , i = 1,2,..., s . Se
fac n extracţii a câte o bilă, cu condiţia ca la fiecare extracţie urna să aibă aceeaşi
compoziţie. Fie Aα evenimentul ca în extracţiile efectuate să apară α i bile de culoarea
ci , ( i = 1,..., s ), deci α = (α1 ,..., α s ) . Probabilitatea acestui eveniment este
n!
P( Aα ) =
α α
p1 1 p2 2 ... psα s . (4.11.)
α1!α 2!...α s !
Această probabilitate se mai notează cu P (n; α1 ,..., α s ) .
Experimentul descris împreună cu câmpul de evenimente asociat, probabilizat
după regula (4.11.) se numeşte schemă polinomială. Câmpul probabilizat din această
schemă se numeşte câmp polinomial.
Exemplu. [23] Un muncitor produce cu probabilităţile 0,9 ; 0,07 şi 0,03
respectiv o piesă bună, o piesă cu un defect remediabil şi un rebut. Muncitorul a produs
trei piese. Care este probabilitatea ca între cele trei piese să fie cel puţin o piesă bună şi
cel puţin un rebut?
Răspuns. Pentru calcularea acestei probabilităţi aplicăm schema polinomială şi anume
P = P(3;1,1,1) + P(3;2,0,1) + P(3;1,0,2 ) =
3! 3!
⋅ (0,9 ) ⋅ (0,07 ) ⋅ 0,03 +
2 0
= ⋅ 0,9 ⋅ 0,07 ⋅ 0,03 +
1!1!1! 2!0!1!
3!
⋅ 0,9 ⋅ (0,07 ) ⋅ (0,03) = 0,08667
0 2
+
1!0!2!

4.1.5. Schema bilei nerevenite

Se consideră o urnă cu următoarea structură: a1 bile de culoarea c1 ; a2 bile de

culoarea c2 ; ...; as bile de culoarea cs . Se fac n extracţii fără a repune bila extrasă
înapoi în urnă (experienţa este echivalentă cu extragerea a n bile deodată). Fie Aα
evenimentul aleator „apariţia a exact α k , ( k = 1,..., s ) bile de culoarea ck în grupul
s
celor n bile extrase unde α = (α1 ,..., α s ) , 0 ≤ α k ≤ ak , ∑α k = n . Avem un câmp
k =1
de evenimente pe care îl vom probabiliza după definiţia clasică a probabilităţii.
Numărul cazurilor egal posibile de realizare a evenimentului Aα este dat de
Can1 +...+ a s (toate posibilităţile de extracţie a n bile din totalul de bile aflate în urnă).
α α
Numărul cazurilor favorabile realizării lui Aα este dat de Ca 1 Ca 2 ...Caαss . Deci
1 2

72
 α α
Ca11 Ca22 ...Caαss
P( Aα ) = P(n; α1 ,..., α s ) = . (4.12.)
Can1 +...+ a s
Experimentul descris împreună cu câmpul de evenimente asociat, probabilizat
după regula dată, se numeşte schemă hipergeometrică sau schema bilei nerevenite.
Exemple.
1. O urnă conţine 30 bile dintre care 10 bile albe, 8 negre, 7 roşii şi 5 verzi. Se
extrag 5 bile din urnă fără a repune bila extrasă înapoi. Se cere probabilitatea ca
între cele 5 bile extrase să avem:
a. Trei bile albe, o bilă roşie şi una verde.
b. O bilă albă, două negre şi două roşii.
Răspuns. Se aplică schema bilei nerevenite. Avem
C103 C80C71C51 C101 C82C72C50
a. P (5;3,0,1,1) = ; b. P (5;1, 2, 2, 0 ) = .
C305 C305
2. Pentru controlul de calitate al unui lot de N piese se extrag deodată n piese
( n < N ). Ştiind că în lot avem a piese rebut şi b piese bune ( a + b = N ) să se
scrie tabloul de distribuţie a variabilei aleatoare care reprezintă numărul de piese
rebut dintre cele n extrase. Să se calculeze valoarea medie şi dispersia acestei
variabile.
Răspuns. Variabila aleatoare ξ poate lua valorile 0,1,..., n cu probabilităţile
Cak Cbn − k
P(ξ = k ) = , k = 0,1,..., n deci
C Nn
⎛ k ⎞
⎜ k n−k ⎟
ξ : ⎜ Ca Cb ⎟⎟ , k = 0,1,..., n .
⎜ Cn
⎝ N ⎠
Avem
n n
1 a
M (ξ ) = ∑ kC C k
a
n−k
b = ∑C k −1
a −1 Cbn − k ,
C Nn k =1 C Nn k =1
dar
n n −1

∑C
k =1
k −1
C
a −1
n−k
b = ∑ Cak−1Cbn −1− k = Can+−b1 −1 = C Nn −−11
k =0
şi
C Nn −−11 n
M (ξ ) = a = a. (4.13.)
C Nn N
a b
Notăm p = ,q= deci M (ξ ) = np .
N N
( )
De asemenea, M ξ 2 = M (ξ(ξ − 1)) + M (ξ ) , dar

73
 n n
= ∑ k (k − 1)Cak Cbn − k = a (a − 1)∑ Cak−−22Cnn − k =
C Nn M (ξ(ξ − 1)) k =2 k =2

= a (a − 1)C n−2
a +b − 2 = a (a − 1)C n−2
N −2
de unde
( )
M ξ2 = n
a
(a − 1) n − 1 + n a = na [a(n − 1) + N − n] .
N N −1 N N ( N − 1)
Dispersia va fi
nab N − n N −n
D 2 (ξ ) = ⋅ = npq . (4.14.)
N 2
N −1 N −1

4.2. Repartiţii de tip continuu

În cele ce urmează ne vom referi la repartiţiile unidimensionale de tip continuu.
Fie {Ω,Σ, P} un σ − câmp de probabilitate, п mulţimea variabilelor aleatoare
definite pe Ω şi ѝ mulţimea funcţiilor de repartiţie. Vom presupune că pentru orice
F ∈ ѝ există variabila aleatoare ξ ∈п a cărei funcţie de repartiţie este F .

4.2.1. Repartiţia de densitate uniformă

În multe probleme se întâlnesc variabile aleatoare continue ale căror valori sunt
într-un anumit interval şi astfel că toate valorile sunt echiprobabile (au aceeaşi densitate
de probabilitate).
De exemplu, la cântărirea unui obiect cu o balanţă de precizie şi nedispunând de
greutăţi mai mici de un gram, rezultatul cântăririi arată că greutatea obiectului este
1
cuprinsă între k şi k + 1 grame. Spunem că greutatea obiectului este k + grame.
2
Admitem că eroarea comisă ξ este o variabilă aleatoare repartizată cu o densitate
⎛ 1 1⎞
uniformă în intervalul ⎜ − , ⎟.
⎝ 2 2⎠
Definiţie. Se numeşte funcţie de repartiţie uniformă pe [a, b ] , funcţia de
repartiţie a cărei densitate de probabilitate este
⎧ 1
⎪ pentru x ∈ [a, b ]
f (x ) = ⎨ b − a . (4.15.)
⎪0 pentru x ∉ [a, b ]
⎩
Funcţia de repartiţie uniformă va fi dată de aria cuprinsă între graficul curbei
y = f ( x ) şi axa Ox care se află la stânga lui x . Deci

74
 ⎧0 pentru x < a
⎪
⎪x−a
F ( x) = ⎨ pentru a ≤ x < b (4.16.)
⎪b − a
⎪⎩1 pentru b ≤ x
iar graficul ei este cel din figura 4.1.

Figura 4.1.

Definiţie. Variabila aleatoare ξ se numeşte uniformă pe [a, b ] dacă are

repartiţie uniformă pe [a, b ] .
a+b
Din cauza simetriei legii uniforme, mediana lui ξ este egală cu . Avem
2
b
1 b+a
M (ξ ) = ∫ xdx = ,
b−a a 2

D (ξ ) =
1 ⎛
b
a+b⎞ (b − a ) . 2 2

∫ ⎜x− ⎟ dx =
2

b−a a⎝ 2 ⎠ 12
Din cauza simetriei, coeficientul de asimetrie este nul.
b
1 b k +1 − a k +1
M k (ξ ) =
b − a ∫a
x dx =
k
,
(b − a )(k + 1)
μ 4 (ξ ) =
1 ⎛
b
a+b⎞ (b − a ) ,
4 4

∫
b−a a⎝
⎜x− ⎟ dx =
2 ⎠ 80
iar excesul va fi
μ 4 (ξ )
E= − 3 = −1,2 .
μ 22 (ξ )

75
 Să calculăm acum probabilitatea P (α < ξ < β ) , unde variabila aleatoare ξ este
repartizată uniform în [a, b ] şi [α, β] ⊂ [a, b ] . Din punct de vedere geometric această
probabilitate este egală cu aria haşurată din figura 4.2. Este evident că
β−α
P(α < ξ < β ) = (4.17.)
b−a
adică probabilitatea cerută este egală cu raportul dintre lungimile celor două intervale.

Figura 4.2.

Exemple.
1. Se măsoară diametrul unui cerc şi se obţin diverse rezultate care sunt interpretate ca
valori ale unei variabile aleatoare ξ . Să se determine repartiţia ariei cercului ştiind că
ξ are o repartiţie uniformă în intervalul [a, b] de lungime 1.
Răspuns. Avem
⎧1 pentru a < x ≤ b
f ξ (x ) = ⎨ .
⎩0 pentru x ≤ a, x > b
πξ2 S
Din aria cercului S = rezultă ξ = 2 deci pentru 0 < a < b ,
4 π
⎧ π
⎪0 pentru x < a 2
⎪ 4
⎛ x⎞ ⎪ x ⎪ π π
FS ( x ) = Fξ ⎜⎜ 2 ⎟ = ⎨2
⎟ pentru a 2 ≤ x < b 2
⎝ π⎠ ⎪ π 4 4
⎪ π
⎪1 pentru b 2 < x
⎪⎩ 4
2. Dacă ξ şi η sunt două variabile aleatoare independente repartizate uniform în

[0,1] . Să se determine densitatea de repartiţie a variabilei aleatoare ζ = ξ .

η

76
Răspuns.
⎧1 pentru x ∈ [0,1]
f ξ (x ) = f η (x ) = ⎨ ,
⎩0 pentru x ∉ [0,1]
1 1 1
1
fζ ( x ) = ∫ u fξ ( u ) fη ( ux ) du = ∫ ufξ ( ux ) du = 2 ∫ ufξ ( u ) du
0 0
x 0
de unde
⎧1
⎪ pentru 0 < x ≤ 1
⎪2
f ζ (x ) = ⎨ .
⎪ 1 pentru x > 1
⎪⎩ 2 x 2
3. Dacă ξ1 ,..., ξ n sunt n variabile independente uniforme pe [0,1] să se arate că
n
variabila aleatoare ζ(n ) = ∑ξ k are densitatea de repartiţie
k =1

⎧0 pentru x < 0
⎪
⎪ 1
f ζ (n ) ( x ) = ⎨ Qn, k ( x ) pentru 0 ≤ k ≤ x ≤ k + 1 ≤ n ,
⎪ (n − 1)!
⎪⎩0 pentru n < x
unde
Qn , k ( x ) = x n −1 − Cn1 ( x − 1) + ... + (− 1) Cnk ( x − k )
n −1 k n −1

Răspuns. Vom raţiona prin recurenţă asupra lui n . Pentru ζ(2 ) = ξ1 + ξ 2 ,

+∞ x
f ζ (2 ) ( x ) = ∫ f ( x − z ) f ( z )dx = ∫ f (z )dz
−∞ x −1
deci
⎧0 pentru x < 0
⎪x pentru 0 ≤ x < 1
⎪
f ζ (2 ) ( x ) = ⎨
⎪ x − 2( x − 1) pentru 1 ≤ x ≤ 2
⎪⎩0 pentru x > 2
Pentru ζ (n ) se observă că f ζ ( x ) este nulă în afara segmentului [0, n ] , iar pe acest
segment
x
f ζ (n ) ( x ) = ∫ f ( ) (t )dt .
ζ n −1
x −1

77
 4.2.2. Legea normală

Legea de repartiţie normală este o lege limită întâlnită frecvent în aplicaţii practice.
Se poate arăta că suma unui număr suficient de mare de variabile aleatoare
independente urmând o lege oarecare, pentru suficient de puţine restricţii, tinde către o
lege normală.
Definiţie. Se numeşte funcţie de repartiţie normală notată prin
( )
Φ ⋅; m, σ 2 funcţia de repartiţie definită prin densitatea de probabilitate
( x − m )2
( )
−
1 2σ2
f x; m, σ2 = e (4.18.)
σ 2π
m şi σ2 fiind constante, numite parametrii repartiţiei.
Graficul densităţii f (x; m, σ2 ) este cel din figura 4.3.

Figura 4.3.

Funcţia de repartiţie este

x x (u − m )2
( ) ( )
−
1
Φ x; m, σ 2 = ∫ f u; m, σ 2 du = ∫ e 2σ2
du (4.19.)
−∞ σ 2π − ∞
u−m
Facem schimbarea de variabilă = t şi se obţine
σ
x−m
σ t2
⎛x−m
(
Φ x; m, σ =
1
2
) ∫ e
−
2
dt = Φ⎜
⎞
;0,1⎟ (4.20.)
2π −∞ ⎝ σ ⎠
Integrala (4.20.) nu poate fi exprimată prin funcţii elementare, dar poate fi calculată
cu ajutorul funcţiilor speciale. Pentru astfel de funcţii, des întâlnite în practică, s-au
întocmit tabele. Din (4.20.) se vede că este suficient să cunoaştem valorile numerice ale
funcţiei Φ(⋅;0,1) pentru a deduce valorile numerice ale funcţiei Φ ⋅; m, σ 2 . ( )

78
 Vom nota
x t2
1 −
Φ (x ) =
*
∫ e 2 dt .
2π − ∞
Variabila aleatoare ξ se numeşte normală N m,σ 2 ( ) dacă are funcţia de
( )
repartiţie Φ ⋅; m, σ . Pentru ξ vom calcula caracteristicile numerice esenţiale: valoarea
2

medie, dispersia şi momentele centrate.

Pentru
+∞ ∞ ( x − m )2
M (ξ ) = ∫ xf (x; m, σ2 )dx =
−
1
−∞ σ 2π − ∞ ∫ xe 2σ 2
dx ,

x−m
făcând schimbarea de variabilă = t , se obţine
σ 2

( )
+∞ +∞ +∞
1 σ 2 m
M (ξ ) = −t 2 −t 2 2
∫
π −∞
σ 2t + m e dt =
π −∞∫ te dt + ∫
π −∞
e − t dt .

Se observă uşor că prima integrată este nulă, iar cea de a doua este integrala
Euler-Poisson
+∞ +∞
−t 2 2
∫e
−∞
dt = 2 ∫ e − t dt = π .
0
Rezultă
M (ξ ) = m , (4.21.)
deci parametrul m este tocmai valoarea medie a lui ξ .
De asemenea,
+∞ −
( x − m )2
1
D (ξ ) = ∫ ( ) 2σ 2
2
2
x − m e dx .
σ 2π − ∞
x−m
şi u aceeaşi schimbare de variabilă = t , se obţine
σ 2
σ ⎡ ⎤
+∞ +∞
2σ 2 2 − t 2 +∞
D 2 (ξ ) = −t 2 −t 2

π −∫∞ ∫
t e dt = ⎢ − te + e dt ⎥
π ⎣⎢ −∞ −∞ ⎦⎥
de unde
D 2 (ξ ) = σ 2 . (4.22.)
Formula (4.18.) ne arată că centrul de dispersie m este centrul de simetrie al
repartiţiei. Dacă x − m îşi schimbă semnul, expresia (4.18.) rămâne neschimbată. Dacă
m îşi schimbă valoarea, curba de densitate se deplasează de-a lungul axei Ox x fără a-şi
schimba forma (figura 4.4). Deci m caracterizează poziţia repartiţiei pe axa Ox .
Parametrul σ caracterizează forma curbei de densitate. Ordonata maximă a curbei este

79
invers proporţională cu σ . Pentru m = 0 şi σ1 > σ 2 > σ3 (figura 4.5) ne arată forma
curbei de densitate.
În multe aplicaţii pentru caracterizarea dispersiei legii normale se utilizează măsura
de precizie care este mărimea
1
L= (4.23.)
σ 2

Figura 4.4.

Figura 4.5.

Momentul centrat de ordin k va fi

+∞ +∞ ( x − m )2
1 −

∫ ( x − m ) f ( x; m, σ ) ∫ ( x − m)
k k
2σ 2
μk = 2
dx = e =
−∞ σ 2π −∞

(σ 2 )
k
+∞
k −t 2
=
π ∫t e
−∞

80
 Integrând prin părţi avem
(σ 2 ) ⎡⎢− 1 t
k
t −1 − t 2
+∞ k − 1 k −2 −t 2 ⎤
+∞

2 −∫∞
μk = e + t e dt ⎥ =
π ⎢⎣ 2 −∞ ⎥⎦
(k − 1)(σ )k +∞
2 k − 2 −t 2
=
2 π ∫t
−∞
e dt

de unde
μ k = (k − 1)σ 2μ k − 2 . (4.24.)
Din această formulă de recurenţă obţinem μ 2 = σ 2 , μ 4 = 3σ 4 , μ 6 = 15σ 6 , …,
μ k = (k − 1)!!σ k , unde s-a notat prin (k − 1)!! produsul tuturor numerelor impare de la
1 la k − 1 .
μ μ
Asimetria este As = 33 = 0 , iar excesul E = 44 − 3 = 0 .
σ σ
Să calculăm în continuare probabilitatea P (a ≤ ξ < b ) = F (b ) − F (a ) unde
F ( x ) este repartiţia lui ξ . Ţinând seama de (4.19) rezultă (figura 4.6)
⎛b−m⎞ *⎛ a − m ⎞
P(a ≤ ξ < b ) = Φ* ⎜ ⎟−Φ ⎜ ⎟. (4.25.)
⎝ σ ⎠ ⎝ σ ⎠
De exemplu, avem
P(m ≤ ξ < m + σ ) = Φ* (1) − Φ* (0 ) ≅ 0,8413 − 0,5000 = 0,341
P(m + σ ≤ ξ < m + 2σ ) = Φ* (2 ) − Φ* (1) ≅ 0,136
P(m + 2σ ≤ ξ < m + 3σ ) = Φ* (3) − Φ* (2) ≅ 0,012
P(m + 3σ ≤ ξ < m + 4σ ) = Φ* (4 ) − Φ* (3) ≅ 0,001
unde valorile lui Φ* (t ) sunt date în tabelul 2 din anexe.

Figura 4.6.

81
 Se observă că suma celor trei valori: 0,341 ; 0,136 ; 0,012 (au o precizie de
0
1 / 00 ) este aproximativ egală cu 0,5 ceea ce arată că pentru repartiţia normală a
unei variabile aleatoare, dispersia se limitează la intervalul m ± 3σ ceea ce
permite ca, daţi fiind m şi σ 2 , să se poată indica intervalul în care variabila
aleatoare ia toate valorile posibile cu o probabilitate mare sau practic ia toate
valorile posibile. Această metodă de estimaţie se numeşte în statistică „legea celor
trei sigma” (vezi şi paragraful 3.2).
În aplicaţii, repartiţiile binomială şi Poisson se asimilează unei repartiţii
normale N (0,1) dacă pentru repartiţia binominală n ≥ 50 şi np ≥ 18 şi se ia ca
ξ + 0,5 − np
variabilă aleatoare variabila normată , asimptotic normală N (0,1) , iar
npq
pentru repartiţia Poisson, dacă λ ≥ 18 , variabila aleatoare fiind în acest caz
ξ + 0,5 − λ
.
λ
Exemple.
1. La un atelier se fabrică bile cu un diametru de 0,8 cm. Defectele de fabricaţie
dau o eroare a diametrului repartizată după o lege normală m = 0 (nu avem
erori sistematice) şi σ = 0,001 cm. La control sunt date ca rebuturi toate bilele
care trec printr-un inel de diametru de 0,798 cm şi cele care nu pot trece
printr-un inel de diametru de 0,802 cm. Să se determine probabilitatea ca o
bilă luată la întâmplare să fie refuzată.
Răspuns. Fie evenimentul A − bila este refuzată. Atunci A = A1 ∪ A2 unde A1
este evenimentul ce corespunde cazului când diametrul d < 0,798 , iar A2 pentru
d > 0,802 . Vom calcula
( )
P AC = P(0,798 < d < 0,802) = P( d − md < 0,002)
unde md = 0,8 este diametrul normal. Avem
⎛ 0, 002 ⎞
( )
P AC = 2Φ* ⎜ ⎟ − 1 = 2Φ* ( 2 ) − 1 ≅ 2 ⋅ 0,9772 − 1 ≅ 0, 954 ,
⎝ 0, 001 ⎠
deci
P( A) ≅ 1 − 0,954 = 0,046 .
2. 500 de aparate de tipul A şi 1000 de aparate de tipul B cu aceeaşi destinaţie
sunt în serviciu. Ele trebuie reparate după exploatare cu probabilităţile 0,3
respectiv 0,4 . Se cere să se determine:
a. probabilitatea ca numărul de aparate ce trebuie reparate să fie cuprins
între 250 şi 350 .

82
 b. numărul de reparaţii n , ce trebuie efectuate în atelier pentru ca
probabilitatea p a numărului de aparate în reparaţie să fie 0,90 .
Răspuns.
a. Fie evenimentul A − aparatul trebuie reparat. Numărul de aparaţii a
evenimentului A este o variabilă aleatoare repartizată normal cu
M (ξ ) = 500 ⋅ 0,3 + 1000 ⋅ 0,4 = 550
D (ξ ) = 500 ⋅ 0,3 ⋅ 0,7 + 1000 ⋅ 0,4 ⋅ 0,6 = 345
2

P(250 ≤ ξ ≤ 350) ≅ P(250 < ξ < 350 ) = P( ξ − 300 < 50) =

⎛ 50 ⎞
= 2Φ* ⎜ ⎟ −1
⎝ 345 ⎠
⎛ n − 300 ⎞
b. P (ξ < n ) = 0,90 = Φ * ⎜ ⎟ . Din tabele avem Φ* (1,27 ) ≅ 0,90 deci
⎝ 345 ⎠
n − 300
= 1,27 , de unde rezultă n ≅ 323 .
345
Mediana unei variabile aleatoare repartizată normal, este numărul egal cu jumătate
din lungimea unui interval de pe axa absciselor simetric în raport cu punctul m şi care
este baza figurii de arie egală cu jumătate din aria mărginită de axa Ox şi curba de
repartiţie (figura 4.7.).

Figura 4.7.

Dacă ξ este o variabilă aleatoare repartizată normal, din definiţie rezultă că

P( ξ − m < M e ) =
1
(4.26.)
2
deci, din (4.23.) ţinând seama de simetria domeniului în raport cu centrul de
dispersie rezultă
⎛M ⎞
P ( ξ − m < M e ) = 2Φ * ⎜ e ⎟ − 1 =
1
(4.27.)
⎝ σ ⎠ 2

83
de unde
⎛M ⎞
Φ* ⎜ e ⎟ = 0,75
⎝ σ ⎠
iar din tabele rezultă
Me
= 0,674 sau M e = 0,674σ . (4.28.)
σ
Deci, cunoscând σ , putem determina imediat valoarea medianei.
Dacă pentru caracterizarea dispersiei utilizăm mediana, densitatea de
probabilitate a repartiţiei normale se scrie
ρ2
− ( x − m )2
ρ
(
f x; m, σ2 =) e M e2 (4.29.)
E π
unde M e = ρσ 2 .

4.2.3. Repartiţia lognormală

Spunem că variabila aleatoare ξ urmează o repartiţie lognormală dacă

densitatea sa de probabilitate este
−
(ln x − a )2
1
f (x ) = e 2σ 2
, x>0 (4.30.)
σx 2π
cu a şi σ 2 valoarea medie, respectiv dispersia logaritmului lui ξ .
1
Dacă considerăm variabila aleatoare η = (ln ξ − a ) , ea este repartizată
σ
N (0,1) .
Avem
∞ − ∞ (ln x − a )2
1
M (ξ ) = ∫ xf ( x )dx = ∫ e 2σ2
dx .
0 σ 2π 0
ln x − a
Dacă se face schimbarea de variabilă = u rezultă
σ
σ2
a+
M (ξ ) = e 2
,
(4.31.)
⎛ 2 ⎞
∞ 2 a + 2 σ ⎜⎜ e σ −1 ⎟⎟
D (ξ ) = ∫ ( x − M (ξ )) f ( x )dx = e
2 2 ⎝ ⎠
. (4.32.)
0
Importanţa acestei repartiţii constă în următoarele:
1. Dacă x = 0 , f ( x ) = 0 , ceea ce este convenabil în cazul variabilei aleatoare
timp; repartiţia normală nu are această proprietate.

84
2. Dacă ξ1 ,..., ξ n sunt variabile aleatoare lognormale independente, produsul
ξ1...ξ n este o variabilă aleatoare lognormală. Într-adevăr, dacă ξ este
lognormală, atunci In ξ este normală şi acest rezultat decurge din proprietatea
de aditivitate a variabilelor aleatoare independente.

4.2.4. Repartiţia exponenţială negativă

Definiţie. Spunem că variabila aleatoare ξ urmează o repartiţie

exponenţială negativă dacă are densitatea de probabilitate:
f ( x ) = λe − λx , λ > 0 , 0 ≤ x < +∞ . (4.33.)
Avem
⎧1 − e −λx pentru x > 0
F (x ) = ⎨ .
⎩0 pentru x ≤ 0
Exemplu. [5] Densitatea de repartiţie a vieţii unei lămpi dintr-un aparat de
1
radio cu 6 lămpi este λe − λt , t > 0 , dat în ani şi λ = . Să se determine
3
probabilitatea ca în mai puţin de 6 ani nici o lampă să nu mai fie schimbată.
Răspuns. Vieţile medii ale lămpilor sunt considerate evenimente independente.
Probabilitatea ca viaţa medie a unei lămpi să fie mai mare de 6 ani este
+∞
p = ∫ λe − λt dt = e − 6 λ = 0,0224 .
6

iar probabilitatea căutată va fi P = p 6 = (0,0224 )

6

4.2.5. Repartiţia χ2

Fie ξ1 , ξ 2 ,..., ξv , v variabile aleatoare normale, normate, independente

( ξi ∈ N (0,1) ). Suma pătratelor acestor variabile aleatoare este o variabilă aleatoare
notată
χ 2 = ξ12 + ξ 22 + ... + ξv2
Această variabilă aleatoare are densitatea de repartiţie
x2
1
, x ∈ [0,+∞ ) .
−
f ( x) = x v−2
e 2
v
⎛v⎞ (4.34.)
2 Γ⎜ ⎟
2

⎝2⎠
Spunem că această densitate de repartiţie defineşte repartiţia χ 2 cu v grade
de libertate, înţelegând prin aceasta numărul variabilelor independente a căror

85
 v
⎛v⎞
variaţie nu suferă nici o restricţie. 2 Γ⎜ ⎟ este o constantă aleasă de aşa manieră
2

⎝2⎠
+∞
încât ∫ f (x )dx = 1 .
0
∞
(Reamintim că Γ(n ) = x n −1e − x dx este funcţia gama a lui Euler, cu n un
∫
0
parametru pozitiv).
Curba densităţii de repartiţie nu este simetrică (figura 4.8) dar ea tinde să
devină simetrică dacă numărul gradelor de libertate v creşte (peste 30 ).

Figura 4.8.

Valoarea medie a unei variabile aleatoare ξ repartizată χ 2 este M (ξ ) = v .

Într-adevăr
∞ x2
1 −
M (ξ ) = v ∫ x ⋅ x e dx .
v−2 2

⎛v⎞0
2 Γ⎜ ⎟
2

⎝2⎠
x2
Facem schimbarea de variabilă t = şi avem
2
v ⎛v⎞
∞ v Γ⎜ ⎟
2 2 ⎝2⎠
M (ξ ) =
⎛ v ⎞ ∫0
2 −t
t e dt = 2 =v
⎛v⎞
Γ⎜ ⎟ Γ⎜ ⎟
⎝2⎠ ⎝2⎠
Analog se arată că dispersia este
D 2 (ξ ) = 2v . (4.35.)

86
 Vom da o proprietate deosebit de utilă în statistica matematică şi anume:
Fie ξ1 , ξ 2 ,..., ξ n un şir de variabile independente care pot lua fiecare valorile
m
a1 , a2 ,..., am cu probabilităţile p1 , p2 ,..., pm ( pi ≥ 0 , ∑p
i =1
i = 1 ). Dacă notăm cu
m
α i ( i = 1,..., m ) numărul de câte ori a fost luată valoarea ai ( ∑ α i = n ), atunci
i =1
variabila
(α1 − np1 )2 + (α 2 − np2 )2 + ... + (α m − npm )2 (4.36.)
np1 np2 npm
urmează o repartiţie χ 2 cu m − 1 grade de libertate.
Repartiţia χ 2 depinde numai de parametrul v (numărul gradelor de
libertate). Tabelul din anexă ne dă pentru fiecare valoare a lui v ≤ 30 , valorile
probabilităţilor ca să avem pentru χ 2 o valoare mai mică decât un număr dat χ 02 ,
χ 02 v
(
P = P χ 2 < χ 02 =) v
1
∫ x 2 e dx
−x
−1

(4.37.)
⎛v⎞
2 Γ⎜ ⎟
2 0

⎝2⎠
şi care reprezintă aria nehaşurată din figura 4.9.

Figura 4.9.

Exemplu. Pentru v = 7 ,
( ) ( )
P χ 2 < 2,83 = 1 − P χ 2 ≥ 2,83 = 1 − 0,90 = 0,10 ,
( )
sau P χ ≥ 14,1 = 0,95 .
2

87
 4.2.6. Repartiţia Student

Fie ξ1 , ξ 2 ,..., ξ n variabile aleatoare normale N (0, σ ) , independente.

Variabila
ξ
t=
1 n (4.38.)
∑
n i =1
ξi

unde ξ este o variabilă aleatoare N (0, σ ) , independentă de şirul (ξi )1≤ i ≤ n , este o
variabilă aleatoare continuă cu densitatea de repartiţie
⎛ s + 1⎞
Γ⎜ ⎟ −
s +1
1 ⎝ 2 ⎠⎛ x2 ⎞ 2
f (x ) = ⎜1 + ⎟⎟ , x ∈ (− ∞,+∞ ) (4.39.)
sπ Γ⎛ s ⎞ ⎜⎝ s ⎠
⎜ ⎟
⎝2⎠
Aceasta este densitatea repartiţiei Student, (după pseudonimului
matematicianului W. Gosset), cu s = n − 1 grade de libertate.
Curba teoretică a acestei densităţi este cea din figura 4.10.

Figura 4.10.

Ea este asemănătoare cu curba densităţii normale, dar diferită. Dacă s→∞

repartiţia variabilei Student tinde spre funcţia Laplace Φ(n ) .
Funcţia de repartiţie Student este
x
F ( x) = ∫ f ( t ) dt . (4.40.)
−∞

Observăm că densitatea (4.39.) nu depinde de σ 2 ceea ce este foarte util în

aplicaţii practice.

88
 EXERCIŢII ŞI PROBLEME PROPUSE

4.1. Un dispozitiv se compune din trei elemente care lucrează independent.

Probabilitatea de a se defecta într-o probă a fiecărui element este 0,2 . Să se
scrie repartiţia variabilei aleatoare ξ care reprezintă numărul de elemente care
se pot defecta într-o probă.
Răspuns. ξ este de tip Bernoulli şi ia valorile 0 , 1 , 2 .
4.2. La un examen profesorul pune întrebări suplimentare. Probabilitatea ca un
student să răspundă la oricare din întrebări este p = 0,95 . Profesorul întrerupe
examenul dacă studentul nu dă răspunsul exact la o întrebare. Se cere:
a. Să se scrie repartiţia variabilei aleatoare ξ care reprezintă numărul de
întrebări suplimentare puse de profesor studentului.
b. Să se determine numărul cel mai probabil, x0 , de întrebări suplimentare
date.
⎛ h ⎞
Răspuns. ξ : ⎜⎜ ⎟⎟ , h = 1,2,... ; x0 = 1 .
⎝ (0,95) ⋅ 0,05 ⎠
h −1

4.3. Un manual se editează cu un tiraj de 150.000 exemplare. Probabilitatea ca un

manual să fie respins ca fiind tipărit necorespunzător este 0,0002 . Să se
determine probabilitatea ca tirajul să conţină exact 5 manuale necorespunzător
tipărite.
305 ⋅ e −30
Răspuns. λ = np = 30 ; P150.000 (5) = .
5!
4.4. O fabrică trimite la un depozit 600 articole. Probabilitatea ca un articol să se
deterioreze în timpul transportului este 0,003 . Să se afle probabilitatea ca în
timpul transportului să se deterioreze:
a. exact 5 articole;
b. mai puţin de 5 articole;
c. mai mult de 5 articole;
d. cel puţin un articol.
Răspuns.

a. λ = np = 600 ⋅ 0,003 = 1,8 ; P600 (5) =

(1,8)5 e−1,8 ,
51
b. P600 (0 ) + P600 (1) + P600 (2 ) + P600 (3) + P600 (4 ) ,
5
c. P = 1 − ∑ P600 (h ) ,
i =1

d. P = 1 − P600 (0 ) .

89
4.5. O urnă conţine 12 bile dintre care 4 roşii, 3 albe şi 5 negre. Se extrag două
bile. Să se determine probabilitatea ca între cele două bile extrase să avem
a. o bilă roşie şi una neagră;
b. ambele bile să fie albe;
c. să avem o bilă roşie şi una albă sau o bilă albă şi una neagră.
Răspuns.
C41C51
a. ,
C122
C32
b. ,
C122
C41C31 C31C51
c. + 2
C122 C12
4.6. Împărţim primele douăsprezece numere naturale în trei grupe a câte patru
numere, şi înregistrăm fiecare grupă pe câte un bilet. Dintr-o urnă conţinând
douăsprezece bile numerotate de la 1 la 12 , se extrage pe rând, câte o bilă. Se
cere:
a. Probabilitatea ca din şase extrageri patru numere să fie conţinute pe acelaşi
bilet, presupunând că bilele extrase nu sunt întoarese în urnă.
b. Probabilitatea de a obţine cele patru numere ale unui bilet din şase extrageri
presupunând că după fiecare extragere bila este reîntoarsă în urnă.
(O.M., etapa jud., 1969)
Răspuns.
C82
a. P=3 ;
C126
4 2
⎛1⎞ ⎛2⎞
b. P = 3C ⎜ ⎟ 4
6 ⎜ ⎟ .
⎝3⎠ ⎝3⎠
4.7. O urnă conţine 2 bile albe şi 4 negre. Două persoane scot pe rând bile. De
fiecare dată bila este repusă înapoi în urnă. Operaţia încetează la apariţia unei
bile albe. Să se calculeze probabilitatea ca unul din participanţi să extragă
primul o bilă albă dacă nu este scoasă de mai multe de 2k ori.
3⎡ ⎛2⎞ ⎤ 2⎡ ⎛2⎞ ⎤
2k 2k

Răspuns. P1 = ⎢1 − ⎜ ⎟ ⎥ ; P2 = ⎢1 − ⎜ ⎟ ⎥ .
5 ⎣⎢ ⎝ 3 ⎠ ⎦⎥ 3 ⎣⎢ ⎝ 3 ⎠ ⎦⎥
4.8. [5] Într-o urnă sunt 20 de bile albe şi 2 bile negre. Se scot n bile. Care este valoarea
minimă x0 a lui n , pentru ca probabilitatea ca între bilele extrase să fie cel puţin o bilă
1
neagră, să fie mai mare ca ?
2

90
 C20n C20n 1 43 925
Răspuns. P = 1 − n . Din n < rezultă x0 > , deci x0 = 7 .
C22 C22 2 2 4
4.9. [5] De câte ori trebuie să se arunce un zar pentru a avea faţa şase cel puţin o
dată, cu o posibilitate mai mare decât 0,7 , mai mare decât 0,8 sau mai mare
decât 0,9 ?
1 − ln 3 1 − ln 2 1
Răspuns. x1 > , x2 > , x3 > , deci x1 = 7 , x2 = 9 , x3 = 13 .
ln 1,2 ln 1,2 ln 1,2
4.10. [5] Valoarea unei diviziuni de pe scala unui ampermetru este de 0,1
amperi. Indicaţia aparatului de măsură se rotunjeşte până la prima diviziune
întreagă. Să se determine probabilitatea ca la citire să se comită o eroare mai
mare de 0,02 A.
Răspuns. Eroarea de rotunjire se poate considera ca fiind o variabilă aleatoare ξ cu
repartiţia uniformă pe un interval format de două diviziuni întregi consecutive.
1
Deci f ( x ) = = 10 şi
0,1
0 , 08

P = P(0,02 < ξ < 0,08) = ∫10dx = 0,6 .

0 , 02

4.11. Să se determine valoarea medie şi dispersia unei variabile aleatoare ξ

repartizată uniform în intervalul (2 − 1,2 + 1) . Să se traseze curba de repartiţie.
2
⎛1⎞
Răspuns. M (ξ ) = 2 , D 2 (ξ ) = ⎜ ⎟ .
⎝3⎠
4.12. [8]. Diametrul unui cerc variază în intervalul (a, b ) . Considerând
diametrul ca o variabilă aleatoare ξ uniform repartizată în (a, b ) să se
determine valoarea medie şi dispersia suprafeţei cercului.

Răspuns. η=
πξ2
, M (η) =
(
π a 2 + b 2 + ab
,
)
4 12
π2
D 2 (η ) =
720
(b − a )
2
( 4b 2
)
+ 7 ab + 4a 4 .
4.13. Valoarea medie şi dispersia unei variabile aleatoare ξ repartizată normal
sunt respectiv 1 şi 9 . Să se determine probabilitatea ca în urma unei probe, ξ
să ia o valoare în intervalul (17,20 ) .
Răspuns.
⎛b−m⎞ *⎛ a − m ⎞
P(a < ξ < b ) = Φ* ⎜ ⎟−Φ ⎜ ⎟,
⎝ σ ⎠ ⎝ σ ⎠
deci
91
 P(17 < ξ < 20 ) = Φ* (2 ) − Φ* (1) = 0,4772 − 0,3143 = 0,1629
4.14. Variabila aleatoare ξ este repartizată normal cu M (ξ ) = 7 şi D 2 (ξ ) = 9 .
Să se determine intervalul în care ξ ia valori cu o probabilitate p = 0,9973 .
Răspuns. (m − 3σ, m + 3σ ) = (− 2,18) .
4.15. Să se demonstreze că dacă variabila aleatoare ξ are o repartiţie
exponenţială negativă, atunci P (a < ξ < b ) = e − λa − e − λb .
4.16. Să se determine valoarea medie şi dispersia unei variabile aleatoare ξ care
are o repartiţie exponenţială negativă.
1 1
Răspuns. M (ξ ) = , D 2 (ξ ) = 2 .
λ λ

92
 5. SISTEME DE VARIABILE ALEATOARE. ŞIRURI DE VARIABILE
ALEATOARE. CONVERGENŢĂ

Fie ξ1 ,..., ξ n , n variabile aleatoare definite pe σ − câmpul de probabilitate

{Ω,Σ, P} .
Definiţie. Sistemul (ξ1 ,..., ξn ) se numeşte variabilă aleatoare
n − dimensională sau vector aleator cu n dimensiuni.
Exemple.
1. Punctul de explozie al unui obuz la distanţă este determinat printr-un ansamblu de
trei variabile aleatoare.
2. La tir, ansamblul de n atingeri ale punctelor care ating ţinta în plan, poate fi
considerat ca un sistem de 2n variabile aleatoare.
În general putem interpreta variabilele aleatoare n − dimensionale ca puncte
aleatorii într-un spaţiu euclidian cu n dimensiuni. Pe lângă această imagine se utilizează
pentru interpretarea geometrică a unui sistem de n variabile aleatoare un vector aleator
în spaţiul euclidian cu n dimensiuni.

5.1 Variabile aleatoare bidimensionale discrete

Fie (ξ ,η ) o variabilă aleatoare definită pe câmpul de probabilitate {Ω, Σ, P} .

Prin distribuţia variabilei aleatoare discrete (ξ ,η ) vom înţelege enumerarea
valorilor posibile ale variabilei, deci a perechilor de numere ( xi , y j )1≤i≤n şi a
1≤ j ≤ m
probabilităţilor corespunzătoare
({ }{
pij = P ω ξ (ω ) = xi , ω η (ω ) = y j })1≤i≤n (5.1.)
1≤ j ≤ m

Evenimentele {ξ = xi ,η = y j } formează un sistem complet de evenimente, deci

suma tuturor probabilităţilor este egală cu 1.
n m
∑∑ pij = 1 (5.2.)
i =1 j =1
Cunoscând repartiţia variabilei aleatoare (ξ ,η ) , putem determina repartiţia fiecărei
componente şi anume, evenimentele
{ξ = x1 ,η = y1} , {ξ = x1 ,η = y2 } , ..., {ξ = x1 ,η = ym }
sunt incompatibile şi vom nota
p1⋅ = p11 + p12 + ... + p1m . (5.3.)
93
 Aşadar
m
pi⋅ = ∑ pij , (5.4.)
j =1
iar
n
p⋅ j = ∑ pij . (5.5.)
i =1
vor fi numite şi probabilităţi marginale ale lui ξ , respectiv η .
De obicei, repartiţia varabilei discrete (ξ ,η ) se scrie sub forma unui tablou cu dublă
intrare, de forma
x1 x2 xi xn
ξ
η ... ...
y1 p11 p21 pi1 pn1

y2 p12 p22 pi 2 pn 2

...
yj p1 j p2 j pij pnj

...
ym p1m p2m pnm

Deci p1⋅ = P (ξ = x1 ) şi reprezintă suma probabilităţilor de pe coloana lui x1 ; etc.

Repartiţiile variabilele ξ şi η sunt
⎛ x1 x2 ... xi ... xn ⎞ n
ξ :⎜
⎝ p1⋅ p2⋅ ... pi⋅
⎟,
pn⋅ ⎠
pi⋅ = 1 ∑
i =1
⎛ y1 y2 ... yj ... ym ⎞ m (5.6.)
η: ⎜
⎜ p⋅1
⎝ p⋅2 ... p⋅ j
⎟,
p⋅m ⎠⎟ ∑
p⋅ j = 1
j =1

Exemplu
Fie repartiţia variabilei aleatoare bidimensionale (ξ ,η )

-1 0 1 p⋅ j

0 0,1 0,3 0,2 0,6

1 0,2 0,1 0,1 0,4
pi⋅ 0,3 0,4 0,3 p⋅⋅ 1
Probabilităţiile marginale sunt
94
 p1⋅ = 0,1 + 0, 2 = 0,3
p2⋅ = 0, 4; p3⋅ = 0,3;
p⋅1 = 0, 6; p⋅2 = 0, 4.
⎛ -1 0 1 ⎞ ⎛ 0 1 ⎞
ξ :⎜ ⎟ ; ξ :⎜ ⎟.
⎝ 0,3 0,4 0,3 ⎠ ⎝ 0,6 0,4 ⎠

Repartiţii condiţionate discrete

Fie variabila bidimensională (ξ ,η ) cu repartiţia din tabloul 1.

Notăm
( )
p xi y j = P ξ = xi η = y j , ( ) (5.7.)

Prin repartiţia lui ξ condiţionată de faptul că η = y j , înţelegem repartiţia

⎛ x1 x2 ... xi ... xn ⎞
ξ :⎜ ⎟ ,
⎝ (
⎜ p x1 y j ) p ( x2 yj ) ... (
p xi y j ) ... (
p xn y j ) ⎟
⎠η = y j (5.8.)
unde
(
P ξ = xi η = y j )= pij
(
p xi y j = ) ,
(
P η = yj ) p⋅ j (5.9.)
cu
n
∑ p ( xi y j ) = 1 .
i =1
Analog se poate defini repartiţia lui η condiţionată de faptul că ξ = xi şi anume
⎛ y1 y2 ... yj ... ym ⎞
η: ⎜ ⎟ ,
⎜ p ( y1 xi )
⎝
p ( y2 xi ) ... (
p y j xi ) p ( ym xi ) ⎟
⎠ξ = xi
(5.10.)
unde
pij m
(
p y j xi = ) pi⋅
, ∑ p ( y j xi ) = 1 . (5.11.)
j =1

95
 5.2. Funcţia de repartiţie

În general, o variabilă aleatoare cu două dimensiuni se defineşte prin funcţia sa de

repartiţie.
Fie ζ = (ξ, η) o variabilă aleatoare cu 2 dimensiuni.
({
Definiţie. Funcţia F ( x, y ) = P ω ξ(ω) < x, η(ω) < y }) cu ( x, y ) ∈ \ 2 se
numeşte funcţie de repartiţie a variabilei aleatoare ζ .
Interpretând sistemul (ξ, η) ca un punct aleator, funcţia de repartiţie F ( x, y ) nu este
altceva decât probabilitatea ca punctul aleator (ξ, η) să se găsească în pătratul infinit cu vârful în
punctul ( x, y ) din figura 5.1. Notând cu Fξ ( x ) şi Fη ( y ) funcţiile de repartiţie ale variabilelor
aleatoare ξ şi η , în aceeaşi interpretare Fξ ( x ) reprezintă posibilitatea ca punctul aleator să se
afle în semiplanul limitat de dreapta paralelă cu Oy ce trece prin punctul de abscisă x , la dreapta
dreptei, iar Fη ( y ) reprezintă probabilitatea ca punctul aleator să se găsească în semiplanul
situat sub dreapta paralelă cu Ox , ce trece prin punctul de ordonată y .

Figura 5.1.

Vom da câteva proprietăţi analoge celor date pentru funcţiile de repartiţie

unidimensionale:
1. F este nedescrescătoare în raport cu fiecare argument;
2. F este continuă la stânga în raport cu fiecare argument;
3. F ( x,−∞ ) = F (− ∞, x ) = F (− ∞,−∞ ) = 0 ;
4. F ( x,+∞ ) = Fξ ( x ) ; F (+ ∞, y ) = Fη ( y ) ;
5. F (+ ∞,+∞ ) = 1 .
În continuare vom nota simbolic (ξ, η) ⊂ D evenimentul „punctul aleator (ξ, η)
se găseşte în domeniul D ”. Probabilitatea acestui eveniment se exprimă simplu dacă D
este un dreptunghi ale cărui laturi sunt paralele cu axele de coordonate. Fie dreptunghiul

96
D de vârfuri A(a, c ) ; B(b, c ) ; C (b, d ) ; D(a, d ) . În acest caz evenimentul
(ξ, η) ⊂ D este echivalent cu {a ≤ ξ < b}∩ {c ≤ η < d }, deci
P((ξ, η) ⊂ D ) = F (b, d ) − F (a, d ) − F (b, c ) + F (a, c ) (5.12.)

5.3 Sisteme de variabile absolut continue

2
Dacă există o funcţie reală f definită şi integrabilă pe aşa încât
x y

F ( x, y ) = ∫ ∫ f (u, v )dudv , atunci f se numeşte densitatea de probabilitate

−∞ −∞
(repartiţie) a variabilei aleatoare cu 2 dimensiuni ζ .
Fie ξ, η două variabile aleatoare de tip continuu şi (ξ, η) interpretat ca un punct
aleator în plan. Fie Δ dreptunghiul de laturi Δx şi Δy , avem
P ( ( ξ ,η ) ⊂ Δ ) = F ( x + Δx , y + Δy ) − F ( x + Δ x , y ) − .
− F ( x , y + Δy ) + F ( x , y )
Avem
P ( ( ξ ,η ) ⊂ Δ ) = ∂ F ( x, y ) .
2

lim
Δx → 0 Δx Δy ∂x∂y
Δy →0

Notăm această derivată prin f ( x, y )

∂ 2 F ( x, y )
f ( x, y ) = (5.13.)
∂x∂y
ea fiind tocmai densitatea de probabilitate a variabilei aleatoare ζ .
Avem
P((ξ, η) ⊂ D ) = ∫∫ f ( x, y )dxdy . (5.14.)
D
Densitatea de repartiţie a lui ζ este nenegativă, iar
+∞ +∞

∫ ∫ f (x, y )dxdy = 1 .
−∞ −∞
Exemple.
1. Fie variabila aleatoare ζ = (ξ, η) cu ξ , η variabile aleatoare independente, a cărei
densitate de probabilitate este
1
f ( x, y ) = , ( x, y ) ∈ 2

(
π 1 + x2 1 + y2
2
)( ) .

Să se determine
a. Funcţia de repartiţie corespunzătoare.
97
 b. P((ξ, η) ⊂ D ) , unde D este pătratul construit pe segmentele [0,1] şi [0,1] .

Răspuns.
x y x y
1 dudv 1 du dv
F ( x, y ) = 2 ∫ ∫ = 2 ∫ 2 ∫
=
a.
2
(
π −∞ −∞ 1 + u 1 + v 2
)( )
π −∞ 1 + u −∞ 1 + v 2
,
⎛1 1 ⎞⎛ 1 1⎞
= ⎜ arctg x + ⎟⎜ arctg y + ⎟
⎝π 2 ⎠⎝ π 2⎠
1 1
1 dudv 1
b. P((ξ, η) ⊂ D ) = ∫ ∫ (1 + u )(1 + v ) = 16
π2 0 0
2 2

2. Suprafaţa de repartiţie a unui sistem de variabile aleatoare (ξ, η) este un con circular
drept, cu baza un cerc de rază R şi cu centrul în originea sistemului de coordonate.
Să se determine
a. Densitatea de probabilitate a sistemului;
b. Probabilitatea ca un punct aleator să se găsească în interiorul unui cerc de rază
a , a < R (figura 5.2.).

Figura 5.2.

Răspuns.
a. Expresia densităţii de probabilitate în interiorul cercului (C ) , notând cu h înălţimea

conului (figura 5.3.), este f ( x, y ) =

h
R
(
R − x2 + y2 . )

98
 Figura 5.3.

3
Alegem pe h aşa încât volumul conului să fie egal cu unitatea, h = , deci
πR 2
f ( x, y ) =
πR
3
3
(
R − x2 + y2 . )
b. P ((ξ, η) ⊂ C ) = ∫∫ f (x, y )dxdy . Trecând în coordonate polare
C

⎧ x = r sin θ
⎨ , 0 ≤ r ≤ a , 0 ≤ θ ≤ 2π
⎩ y = r cos θ
se obţine
a 2π a
3 6
P((ξ, η) ⊂ C ) = ∫ ∫ 3 (R − r )rdrdθ = 3 ∫ (R − r )rdr =
0 0
πR R 0
.
2 3
⎛a⎞ ⎛a⎞
= 3⎜ ⎟ − 2⎜ ⎟
⎝R⎠ ⎝R⎠

5.4 Repartiţii marginale. Repartiţii condiţionate

Fie (ξ ,η ) o variabilă aleatoare cu ξ şi η variabile aleatoare continue şi fie

F ( x, y ) funcţia de repartiţie a variabilei (ξ ,η ) şi f ( x, y ) densitatea de repartiţie.
Definiţie Numim repartiţie marginală a variabilei ξ , repartiţia
F1 ( x ) = P (ξ <x ) = F ( x, +∞ ) . (5.15.)
Densitatea marginală de repartiţie a variabilei ξ este
+∞
f1 ( x ) = Fx′ ( x, +∞ ) = ∫ f ( x, y )dy .
(5.16.)
−∞

99
 Analog definim repartiţia marginală, respectiv densitatea marginală de repartiţie
a variabilei η funcţiile
F2 ( x ) = P (η <y ) = F ( +∞, y ) ,
(5. 17.)
şi
+∞
f 2 ( x ) = Fy′ ( +∞, y ) = ∫ f ( x, y )dx .
(5.18.)
−∞

Exemple

1. Fie
⎧⎪ 2e−( 2 x + y ) , x ≥ 0, y ≥ 0
f ( x, y ) = ⎨
⎪⎩ 0, în rest
densitatea de repartiţie a variabilei aleatoare (ξ ,η ) .
1) Să se scrie funcţia de repartiţie F ( x, y ) ;
2) Să se determine repartiţiile şi densităţiile marginale ale variabilelor ξ şi η .
Răspuns
Avem

x y xy
− ( 2u + v )
F ( x, y ) = ∫∫ f (u, v ) dudv = 2∫∫ e dudv =
00 00
,
x y
= e∫
−2u
∫
−v
du e dv = 1 − e ( −2 x
)(1 − e )−y

0 0
Avem
F1 ( x ) = 1 − e−2 x , F2 ( y ) = 1 − e− y , f1 ( x ) = 2e−2 x , f 2 ( y ) = e− y .

2. Fie
1
F ( x, y ) =
xy ( x + y ) , 0 ≤ x ≤ 1, 0 ≤ y ≤ 1.
2
densitatea variabilei aleatoare (ξ ,η ) .
Să se scrie densitatea de repartiţie şi densităţiile marginale ale variabilelor ξ şi η .

Răspuns
⎧ x + y, 0 ≤ x ≤ 1,1 ≤ y ≤ 0,
f ( x, y ) = ⎨
⎩ 0, în rest

100
 1
1 x2 x
f1 ( x ) =
2 ∫
xy ( x + y ) dy = + ,
4 6
0
1
1 y2 y
f2 ( y ) =
2∫xy ( x + y ) dx = + .
4 6
0

Din definiţia probabilităţii condiţionate avem

P ( y1 < η < y2 , x1 < ξ < x2 )
P ( y1 < η < y2 x1 < ξ < x2 ) =
P ( x1 < ξ < x2 )
de unde
F ( x + Δx, y ) − F ( x, y )
P (η < y x < x < x + Δx ) =
F ( x + Δx, +∞ ) − F ( x, +∞ )
Trecând la limită pentru Δx → 0 obţinem

y
∂F ( x, y )
∫ f ( x, y ) dy
G ( y x) = ∂x = −∞ = P (η < y ξ = x ) . (5.19.)
∂F ( x, +∞ ) +∞

∂x ∫ f ( x, y ) dy
−∞
G ( y x ) se numeşte repartiţia variabilei η condiţionată de faptul că ξ = x .
Analog, repartiţia variabilei ξ condiţionată de faptul că η = y este
H ( x y ) = P (ξ < y η = y ) . (5.20.)
Densităţile de repartiţie condiţionate sunt
∂
g ( y x) = G ( y x) , (5.21.)
∂y
şi
∂ (5.22.)
h( x y) = H ( x y) .
∂x
Ţinând seama de repartiţiile marginale avem
f ( x, y ) (5.23.)
g ( y x) = ,
f1 ( x )
şi
f ( x, y ) (5.24.)
h( x y) = .
f2 ( y )
Din ultimele relaţii rezultă că

f ( x, y ) = f1 ( x ) g ( y x ) = f 2 ( y ) h ( x y ) . (5.25.)

relaţii care nu sunt valabile şi pentru funcţiile de repartiţie.

101
 Definiţie Vom spune că variabilele ξ şi η sunt independente dacă
F ( x, y ) = F1 ( x ) F2 ( y ) ,
(5.26.)

De aici rezultă şi
f ( x, y ) = f1 ( x ) f 2 ( y ) .
(5.27.)

Deci pentru ξ şi η independente

g ( y x ) = f2 ( y ) ,
(5.28.)

iar
h ( x y ) = f1 ( x ) .
(5.29.)

Exemple

1. Fie sistemul de variabile aleatoare (ξ, η) a cărui densitate de probabilitate este

f ( x, y ) şi fie ξ1 = ξ ⋅ η şi ξ2 = ξ + η . Să se determine densitatea de probabilitate a
lui ξ1 şi ξ 2 .
Răspuns. Ne vom fixa o valoare a lui z şi vom construi în planul xOy curba de ecuaţie
xy = z (hiperbola care are ca asimptote axele de coordonate). Domeniul D este cel
haşurat din figura 5.4.

Figura 5.4.

Funcţia de repartiţie a lui ξ1 se scrie

102
 z
0 +∞ +∞ x
Fξ ( z ) = ∫∫ f ( x, y )dxdy = ∫ ∫ f (x, y )dxdy + ∫ ∫ f (x, y )dxdy .
1
D −∞ z 0 −∞
x
Derivând această expresie în raport cu z obţinem

0 +∞
1 ⎛ z⎞ 1 ⎛ z⎞
f ξ1 ( z ) = ∫−∞ x f ⎜⎝ x, x ⎟⎠dx + ∫ x f ⎜⎝ x, x ⎟⎠dx . (5.30.)
0

Pentru determinarea densităţii de probabilitate a lui ξ 2 vom trasa în planul xOy

dreapta de ecuaţie x + y = z (figura 5.5.). Domeniul D este cel haşurat.

Figura 5.5.

Avem
+∞ z − x

Fξ 2 ( z ) = ∫∫ f ( x, y )dxdy = ∫ ∫ f (x, y )dxdy =

D −∞ −∞
, (5.31.)
⎛ z−x
+∞
⎞
= ∫ ⎜⎜ ∫ f (x, y )dy ⎟⎟dx
−∞ ⎝ −∞ ⎠
Derivând această expresie în raport cu z (care figurează la limita superioară a
integralei a doua) obţinem
+∞
f ξ 2 (x ) = ∫ f (x, z − x )dx . (5.32.)
−∞
Din cauza simetriei sumei ξ + η această formulă se poate scrie
+∞
fξ 2 ( x ) = ∫ f ( z − y, y ) dy , (5.33.)
−∞
În aplicaţii practice practice cazul în care ξ şi η sunt independente este foarte
important.

103
 Fie ξ şi η două variabile aleatoare independente cu densităţile de probabilitate
f ξ ( x ) şi f η ( x ) . Avem f ( x, y ) = f ξ ( x ) ⋅ f η ( y ) .
Să determinăm densitatea de probabilitate a variabilei aleatoare ζ 2 = ξ + η În
acest caz (5.32.) şi (5.33. ) se scriu
+∞
f ζ 2 (z ) = ∫ f (x ) f (z − x )dx ,
ξ η (5.34.)
−∞
+∞
f ζ 2 (z ) = ∫ f (z − y ) f ( y )dy .
ξ η (5.35.)
−∞
Pentru desemnarea compunerii celor două legi de probabilitate utilizăm notaţia
simbolică
fζ 2 = fξ ∗ fη
unde ∗ este simbolul de compunere (convoluţie).

2. Fie variabilele aleatoare ξ şi η independente, cu densităţile de probabilitate

(uniforme în [a, b ] )
⎧0 pentru x ∉ [a, b ]
⎪
f ξ (x ) = f η (x ) = ⎨ 1 .
⎪b − a pentru x ∈ [a, b ]
⎩
Să se determine densitatea de repartiţie a variabilei aleatoare ζ = ξ + η .
Răspuns. Avem
b b
1
f ζ ( z ) = ∫ f ξ ( x ) f η ( z − x )dx = f η ( z − x )dx
a
b − a ∫a
şi
b z −a

∫ f (z − x )dx = ∫ f (t )dt , 2a ≤ z ≤ 2b .
a
η
z −b
η

Dacă z − b < a , atunci z − a < b şi

z −a a z−a
z − 2a
∫ f (t )dt = ∫ f (t )dt + ∫ f (t )dt = b − a .
z −b
η
z −b
η
a
η

Dacă z − b > a , atunci z − a > b şi

z −a b z−a
2b − z
∫ fη (t )dt = ∫ fη (t )dt + ∫ fη (t )dt = b − a .
z −b z −b b
Rezultă

104
 ⎧0 pentru z ≤ 2a
⎪
⎪ z − 2a pentru 2a < z ≤ a + b
⎪⎪ (b − a )2
f ζ (z ) = ⎨ .
⎪ 2b − a pentru a + b < z ≤ 2b
⎪ (b − a )2
⎪
⎩⎪0 pentru z > 2b
Această densitate de probabilitate se numeşte legea de repartiţie a lui Simpson.
3. Fie variabilele aleatoare ξ şi η independente, cu densităţile de probabilitate
⎧0 pentru x ≤ 0
f ξ (x ) = f η (x ) = ⎨ − x .
⎩e pentru x > 0
ξ
Să se arate că ζ1 = ξ + η şi ζ 2 = sunt independente.
η
Răspuns.
Avem
F (u , v ) = P (ζ1 < u , ζ 2 < v ) = ∫∫ f (u ) f (v )dudv =
ξ η
⎧ x + y <u
⎪x
⎨ <v
⎪⎩ y

uv uv
1+ v u − z 1+ v ⎛ − x ⎛⎜ 1+ 1v ⎞⎟ ⎞
⎜ e ⎝ ⎠ − e − u ⎟dx = ,
∫ ∫e ∫
−x −y
= e dxdy =
⎜ ⎟
0 x 0 ⎝ ⎠
v

=
v
1+ v
[
1 − (1 + u )e − u ]
z z −u

Fζ1 ( x ) = ∫∫ f (u ) f (v )dudv = ∫ ∫ e
−u −v
ξ η e dudv =
x+ y< z 0 0
,
z
= ∫e 1− e −u
( u−z
)du = 1 − (1 + z )e −z

0
∞∞
z
Fζ 2 ( x ) = ∫∫ fξ (u ) fη (v )dudv = ∫ ∫ e e dudv =
−u −v
.
x 0 u
1+ z
<z
y z

Rezultă că F (u , v ) = Fζ (u )Fζ (v ) .
1 2

105
 5. 5 Valori medii. Medii condiţionate

Fie variabila aleatoare (ξ ,η ) care are densitatea de probabilitate f ( x, y ) .

Definiţie Se numeşte moment de ordinul hk, h, k ∈ ` a variabilei aleatoare
(ξ ,η ) expresia
+∞ +∞
α hk = M ξ η ( h k
)= ∫ ∫ x y f ( x, y ) dxdy .
h k
(5.36.)
−∞ −∞

Observaţii
Pentru h = 0, k = 0 obţinem α 00 = 1 , iar pentru h = 1, k = 0 obţinem α10 = M (ξ ) şi
de asemenea pentru h = 0, k = 1 rezultă α 01 = M (η ) .
Analog se definesc momentele centrate de ordinul hk
μhk = M ⎡( ξ − α10 ) (η − α 01 ) ⎤ ,
h k
⎣⎢ ⎦⎥
deci
+∞ +∞

∫ ∫ (ξ − α10 ) (η − α 01 )k f ( x, y ) dxdy .
h
μhk = (5.37.)
−∞ −∞
Observaţie
Pentru h = 1, k = 1 obţinem μ11 = cov (ξ ,η ) ,pentru h = 2, k = 0 obţinem μ20 = D 2 (ξ )
iar pentru h = 0, k = 2, μ02 = D 2 (η ) găsim μ02 = D 2 (η ) .
Repartiţiilor condiţionate le asociem valori medii condiţionate şi anume
Definiţie Numim valoare medie a variabilei aleatoare ξ condiţionată de faptul că
η = y expresia
+∞
M (ξ y ) = ∫ xf ( x y ) dx , (5.38.)
−∞
analog
+∞
M (η x ) = ∫ yg ( y x ) dy , (5.39.)
−∞
iar dispersiile condiţionate sunt
+∞
2
(ξ y ) = ∫ ⎡⎣ x − M (ξ y ) ⎤⎦ f ( x y ) dx ,
2
D (5.40.)
−∞
şi

106
 +∞
2
D (η x ) = ∫ ⎡⎣ y − M (η x ) ⎤⎦ g ( y x ) dy .
2
(5.41.)
−∞

Dacă (ξ ,η ) este o variabilă aleatoare bidimensională discretă avem următoarele :

pentru ξ = x fixat M (ξ y ) , D 2 (ξ y ) sunt parametrii variabilei η condiţionată de
ξ = x , dacă considerăm x variabil atunci M (ξ y ) , D 2 ( ξ y ) sunt variabile aleatoare
(funcţii variabile de ξ ), deci putem calcula valorile lor medii şi dispersia.
Teoremă. Avem
M ξ ⎡⎣ Mη (ξ η ) ⎤⎦ = M (η )
Într-adevăr din
+∞
Mη (η ξ ) = ∫ yg ( y x ) dy ,
−∞
rezultă
⎛ +∞ ⎞ +∞ ⎛ +∞ ⎞
⎜ ∫ ⎟ ⎜ ⎟ ∫ ∫
M ξ ⎡⎣ Mη (ξ η ) ⎤⎦ = M ξ ⎜ yg ( y x ) dy ⎟ = ⎜ yg ( y x ) dy ⎟ f ( x )
⎝ −∞ ⎠ −∞ ⎝ −∞ ⎠

dar
g ( y x ) f ( x ) = f ( x, y ) ,
aşadar
+∞ +∞
M ξ ⎡⎣ Mη (ξ η ) ⎤⎦ = ∫ ∫ yf ( x, y ) dxdy = M (η ) .
−∞ −∞
Deci media după toţi x a mediei variabilei η cu x fixat este media necondiţionată a
variabilei aleatoare η .

Exemplu 1. Fie
⎧⎪λ e−( λ + y ) x , x > 0, y > 0
f ( x, y ) = ⎨ ,
⎪⎩ 0, x < 0, sau y < 0
densitatea de repartiţie a variabilei aleatoare bidimensionale (ξ ,η ) . Să se calculeze
fξ ( x ) , gη ( y ) , f ( x y ) şi M (η x ) .

Răspuns Avem
+∞
−( λ + y ) x
fξ ( x ) = ∫ λ xe dy = λ e −λ x , x > 0 ,
0
107
 deci
⎧⎪λ e −λ x , x > 0,
fξ ( x ) = ⎨ ,
⎪⎩ 0, x < 0.
iar
+∞
−( λ + y ) x λ
gη ( y ) = ∫ λ xe dx =
( λ + y )2
,y>0,
0
atunci
⎧ λ
⎪ , y > 0,
gη ( x ) = ⎨ ( λ + y )
2
,
⎪
⎩ 0, y < 0.
iar
f ( x, y ) ⎧⎪ x λ + y )2 e−( λ + y ) x ,
=⎨ (
x > 0,
f ( x y) = ,
gη ( y ) ⎪⎩ 0, x < 0.
şi
+∞
2
M (ξ y ) = ∫ xf ( x y ) dx = λ + y .
0

Exemplu 2. Fie densitatea de repartiţie a variabilei aleatoare bidimensionale (ξ ,η )

⎧ 2 xy
⎪x + 0 < x < 1, 0 < y < 2
f ( x, y ) = ⎨ 3 ,
⎪ 0, în rest
⎩
⎛ 1⎞ ⎛ 1 1⎞
Să se calculeze P ⎜ ξ ≥ ⎟ , P (ξ < η ) , P ⎜ ξ < η < ⎟.
⎝ 2⎠ ⎝ 2 2⎠
Răspuns
⎛ 1⎞ ⎛ 1⎞ ⎛1⎞
P ⎜ ξ ≥ ⎟ = 1 − P ⎜ ξ < ⎟ = 1 − F1 ⎜ ⎟ ,
⎝ 2 ⎠ ⎝ 2 ⎠ ⎝2⎠
iar
+∞ 2
⎛ xy ⎞ 2
f1 ( x ) = ∫ ∫
f ( x, y ) dy = ⎜ x 2 + ⎟dy = 2 x 2 + x ,
⎝ 3 ⎠ 3
−∞ 0
şi
+∞ x
F1 ( x ) = ∫
⎛
∫
2 ⎞ 1
f1 ( u ) du = ⎜ 2u 2 + u ⎟du = 2 x3 + x 2 ,
⎝ 3 ⎠ 3
( )
−∞ 0
1
F1 ( x ) = ,
6
deci

108
 ⎛ 1⎞ 1 5
P ⎜ξ ≥ ⎟ = 1− = .
⎝ 2⎠ 6 6

P (ξ < η ) = ∫∫ f ( x, y ) dxdy .
D

unde D este domeniul haşurat din figură

⎛ 1⎞ ⎛ 1⎞ ⎛1⎞
P ⎜ ξ ≥ ⎟ = 1 − P ⎜ ξ < ⎟ = 1 − F1 ⎜ ⎟ .
⎝ 2⎠ ⎝ 2⎠ ⎝2⎠

Deci
1x
⎛ 2 xy ⎞ ⎛ 2 xy ⎞ 7
P (ξ < η ) = ∫∫ ⎜ x + 3 ⎟ dxdy =
⎝ ⎠ ∫ ∫ ⎜⎝ x+ ⎟ dxdy =
3 ⎠ 24
.
D 00

⎛ 1 1⎞ ⎛1 1⎞
P ⎜ ξ < ,η < ⎟ F ⎜ , ⎟
⎛ 1 1⎞ ⎝ 2 2⎠ 2 2⎠
P ⎜η < ξ < ⎟= = ⎝ ,
⎝ 2 2⎠ ⎛ 1⎞ ⎛1⎞
P ⎜ξ < ⎟ F1 ⎜ ⎟
⎝ 2⎠ ⎝2⎠
iar
⎧ 0, x < 0, y < 0
x y ⎪ 3 2 2
⎪x y x y
F ( x, y ) = ∫∫ f ( x, y ) dxdy = ⎨
⎪ 3
+
12
, 0 < x < 1, 0 < y < 2
−∞ −∞
⎪ 1, x ≥ 1, y ≥ 2.
⎩

109
 ⎛1 1⎞ 5
F⎜ , ⎟= ,
⎝ 2 2 ⎠ 192
deci
⎛ 1 1⎞ 5
P ⎜η < ξ < ⎟= .
⎝ 2 2 ⎠ 32

Exemplu 3
Dacă f ( x, y ) este densitatea de repartiţie a variabilei aleatoare bidimensionale
(ξ ,η ) să se scrie P (ξ > η ) , P (ξ > η ) şi P (η − ξ > 1) .
Răspuns
P (ξ > η ) = ∫∫ f ( x, y ) dxdy ,
D1
unde D1 este domeniul din figura următoare

y x=y

D1

P (ξ > η ) = ∫∫ f ( x, y ) dxdy ,
D2

unde D2 este domeniul haşurat din figura următoare

110
 x=y

D2

x = −y

P (η − ξ > 1) = P (η > ξ + 1) = ∫∫ f ( x, y ) dxdy .

D3
unde D3 este domeniul haşurat din figura următoare

D3

1
-1
x

5.6 Variabile aleatoare n − dimensionale

Fie variabila aleatoare n − dimensională ξ = (ξ1 ,..., ξ n ) .

Definiţie. Funcţia
F ( x1 ,..., xn ) = P({ω ξ1 (ω) < x1 ,..., ξ n (ω) < xn })
unde ( x1 ,..., xn ) ∈ \ n , se numeşte funcţia de repartiţie a variabilei aleatoare ξ .

111
 Pentru aceste funcţii avem proprietăţi analoge celor date pentru funcţii de repartiţie
unidimensionale. Amintim
1. F este nedescrescătoare în raport cu fiecare argument.
2. F este continuă la stânga în raport cu fiecare argument.
3. F ( x1 ,..., xn ) = 0 dacă există cel puţin un indice i , ( i = 1,..., n ) pentru care
xi = −∞ .
4. F (+ ∞,...,+∞ ) = 1 .
Dacă există o funcţie reală f definită şi integrabilă pe \ n aşa încât
x1 xn

F ( x1 ,..., xn ) = ∫ ... ∫ f (u ,..., u )du ...du

1 n 1 n
(5.42.)
−∞ −∞
atunci f se numeşte densitatea de probabilitate (repartiţie) a variabilei aleatoare
n − dimensionale ξ .
Avem

∂ n F ( x1 ,..., xn )
f ( x1 ,..., xn ) = , (5.43.)
∂x1...∂xn
f ( x1 ,..., xn ) ≥ 0 ,
+∞ +∞
(5.44.)
∫ ... ∫ f (u1,..., un )du1...dun = 1 .
−∞ −∞

Definiţie. Spunem că variabilele aleatoare ξ1 ,..., ξ n sunt independente, dacă

pentru toate sistemele reale x1 ,..., xn avem
P(ξ1 < x1 ,..., ξ n < xn ) = P(ξ1 < x1 )...P(ξ n < xn ) .
Dacă ξ1 ,..., ξ n sunt independente şi admit fiecare o densitate de probabilitate
f ξ1 ( x ),..., f ξ n ( x ) , atunci
f ( x1 ,..., xn ) = f ξ1 ( x1 )... f ξ n (xn ) (5.45.)
şi
F ( x1 ,..., xn ) = Fξ1 ( x1 )...Fξ n ( xn ) (5.46.)
Probabilitatea ca un punct aleator (ξ1 ,..., ξ n ) să se afle într-un domeniu D din
spaţiul euclidian n − dimensional este
P((ξ1 ,..., ξ n ) ⊂ D ) = ∫ ...∫ f ( x1 ,..., xn )dx1...dxn . (5.47.)
D

112
 5.7 Caracteristici numerice ale sistemelor de două variabile aleatoare.
Covarianţă. Coeficient de corelaţie

Fie variabila aleatoare cu două dimensiuni ζ = (ξ, η) .

( )
Definiţie. Vom numi α k , s = M ξk ηs moment iniţial de ordin k, s , al sistemului
(ξ, η) . Vom numi moment centrat de ordinul k, s al sistemului (ξ, η) numărul
μ k , s = M ([ξ − M (ξ )] [η − M (η)] )
k s

Avem
+∞ +∞
αk ,s = ∫ ∫x
k
y s f ( x, y )dxdy , (5.48.)
−∞ −∞
+∞ +∞

∫ ∫ (x − M (ξ )) ( y − M (η)) f (x, y )dxdy

k s
μk ,s = (5.49.)
−∞ −∞
formule care în cazul variabilelor aleatoare discrete devin
αk ,s = ∑∑xik y sj pij ,
i j
(5.50.)

μ k , s = ∑∑ ( xi − M (ξ )) ( y j − M (η)) pij .
k s
(5.51.)
i j
Avem
( )
α1,0 = M ξ1η0 = M (ξ )
α 0,1 = M (ξ η ) = M (η) . 0 1

Un rol important în teoria sistemelor de variabile aleatoare îl are covarianţa.

Definiţie. Numim corelaţie sau covarianţă a variabilelor aleatoare ξ şi η
valoarea
cov(ξ, η) = M ([ξ − M (ξ )] ⋅ [η − M (η)]) . (5.52.)
Efectuând calculul şi ţinând seama de proprietăţile valorii medii rezultă
cov(ξ, η) = M (ξη) − M (ξ )M (η) . (5.53)
Covarianţa este o caracteristică a sistemului care descrie, pe lângă dispersie,
legătura dintre ele. Se arată cu uşurinţă că dacă ξ şi η sunt independente, covarianţa lor
este nulă (vezi 5.52.).
Pentru caracterizarea legăturii dintre variabilele aleatoare ξ şi η vom utiliza
coeficientul de corelaţie.
Definiţie. Se numeşte coeficient de corelaţie al variabilelor aleatoare ξ şi η
raportul
cov(ξ, η)
rξ , η = . (5.54.)
D(ξ )D(η)

113
 Este evident că dacă ξ şi η sunt independente, rξ, η = 0 .
Două variabile aleatoare sunt necorelate dacă rξ, η = 0 .
Rezultă că două variabile aleatoare independente sunt necorelate. Reciproca acestei
afirmaţii nu este adevărată.
Exemplu. Fie Ω = {ω1 , ω2 , ω3 , ω4 } unde ωi , i = 1,2,3,4 sunt puncte din plan
de coordonate: ω1 (0,1) ; ω2 (0,2 ) ; ω3 (0, k ) ; ω4 (4,1) . Definim pe Ω variabilele
aleatoare
⎛ 0 4⎞
ξ : ⎜⎜ ⎟
⎝ p1 + p2 + p3 p4 ⎟⎠
şi
⎛ 1 2 k⎞
η : ⎜⎜ ⎟
⎝ p1 + p4 p2 p3 ⎟⎠
4
unde pi = P (ωi ) , ∑p i = 1 . Avem M (ξ ) = 4 p4 şi M (η ) = p1 + 2 p2 + kp3 + p4 .
i =1
Pentru variabila aleatoare ξη ,
⎛ 0 4 8 4k ⎞
ξη : ⎜⎜ ⎟⎟ ,
⎝ p1 + p2 + p3 p4 0 0 ⎠
alegem pe k aşa încât M (ξη) − M (ξ )M (η) = 0 deci
4 p4 − 4 p4 ( p1 + 2 p2 + kp3 + p4 ) = 0 ,
de unde rezultă
1 − p1 − 2 p2 − 4 p3 − p2
k= =
p3 p3
deci ξ şi η sunt necorelate.
Să arătăm că nu sunt independente. Avem
P(ξ = 0, η = 1) = P(ω1 ) = p1 ,
P (ξ = 0 ) = p1 + p2 + p3 ,
P(η = 1) = p1 + p4 .
4
Alegând numerele pi aşa încât pi > 0 , i = 1,2,3,4 , ∑pi =1
i = 1 şi

p1 ≠ ( p1 + p4 )( p1 + p2 + p3 )
rezultă că
P(ξ = 0, η = 1) ≠ P(ξ = 0 ) ⋅ P(η = 1) ,
deci ξ şi η nu sunt independente.

114
 Proprietăţi ale coeficientului de corelaţie:

1. Fie D (ξ ) D (η ) ≠ 0 , atunci rξ, η = 0 dacă şi numai dacă variabilele ξ şi η sunt

necorelate.
Demonstraţia este imediată, ţinând seama de definiţiile date.
2. Pentru orice două variabile aleatoare avem rξ2,η ≤ 1 .
Aplicând inegalitatea lui Schwartz avem
M ([ξ − M (ξ )] ⋅ [η − M (η)]) ≤

( ) (
≤ M [ξ − M (ξ )] M [η − M (η)] = D(ξ )D(η)
2 2
)
de unde rezultă proprietatea enunţată.
3. Dacă rξ2,η = 1 , atunci între ξ şi η există o dependenţă liniară.
Fie a, b ∈ \ arbitrare şi
(
g (a, b ) = M (a[ξ − M (ξ )] + b[η − M (η)])2 = ) .
= a 2 D 2 (ξ ) + 2ab cov(ξ, η) + b 2 D 2 (η) ≥ 0
Luăm aici a = − rξ, η D (η) , b = D (ξ ) şi ţinem seama că rξ2,η = 1 . Obţinem
(
M (− D(η)(ξ − M (ξ )) + D(ξ )(η − M (η))) = 0
2
)
deci
− D(η)(ξ − M (ξ )) + D(ξ )(η − M (η)) = 0
Definiţie. Se numesc drepte de regresie ale variabilelor aleatoare ξ şi η dreptele
x − M (ξ ) y − M (η)
= cov(ξ, η) , (5.55.)
D (ξ )
2
D 2 (η)
y − M (η) x − M (ξ )
= cov(ξ, η) . (5.56.)
D (η)
2
D 2 (ξ )
Aceste drepte trec prin punctul (M (ξ ), M (η)) şi au numeroase aplicaţii în
statistica matematică.

Exemple.
⎛−1 1 ⎞ ⎛−1 2 ⎞
1. Se consideră variabilele aleatoare ξ : ⎜ 1 1 ⎟ şi η : ⎜ 2 1 ⎟ . Se cere să se
⎜ ⎟ ⎜ ⎟
⎝ 2 2⎠ ⎝ 3 3⎠
calculeze
a. P (ξ = −1, η = 2 ) ; P(ξ = 1, η = −1) ; P(ξ = 1, η = 2) , dacă
P(ξ = −1, η = −1) = λ .
b. Coeficientul de corelaţie în funcţie de λ .
115
 c. Valorile lui λ pentru care ξ şi η sunt independente.
Răspuns.
a. Avem
P(ξ = −1, η = 2) + P(ξ = −1, η = −1) = P(ξ = −1) ,
P(ξ = 1, η = −1) + P(ξ = −1, η = −1) = P(η = −1) ,
P(ξ = 1, η = 2) + P(ξ = 1, η = −1) = P(ξ = 1)
1 2
de unde P (ξ = −1, η = 2 ) = − λ , P (ξ = 1, η = −1) = − λ şi
2 3
(ξ = 1, η = 2) = λ − 1 ,
6
deci

ξ
−1 1 P (η = yi )
η
2 2
−1 λ −λ
3 3
1 1 1
2 −λ λ−
2 6 3
1 1
P (ξ = xi ) 1
2 2

( )
M (ξη) = ∑ xi y j P ξ = xi , η = y j =
i, j
.
⎛2 ⎞ ⎛1 ⎞ ⎛ 1⎞
= λ − ⎜ − λ ⎟ − 2⎜ − λ ⎟ + 2⎜ λ − ⎟ = 6λ − 2
⎝3 ⎠ ⎝2 ⎠ ⎝ 6⎠

λ trebuie astfel ales încât toate probabilităţile să fie cuprinse între 0 şi 1 deci
2 1 1
0 ≤ λ ≤ 1 , 0 ≤ − λ ≤ 1, 0 ≤ − λ ≤ 1, 0 ≤ λ − ≤ 1,
3 2 6
1 1
de unde ≤ λ ≤ ceea ce implică
6 2
M (ξη) ≤ 1 .
M (ξη) − M (ξ )M (η)
b. rξ , η = .
D(ξ )D(η)
Avem

116
 M (ξ ) = 0 , M (η) = 0 , D 2 (ξ ) = 1 , D 2 (η) = 2 ,
deci
6λ − 2
rξ , η = .
2
1 1
Deoarece ≤ λ ≤ rezultă
6 2
1
rξ, η ≤ .
12
1
c. Pentru λ = , ξ şi η sunt independente.
3

2. [5] Se consideră variabila aleatoare (ξ, η) cu distribuţia din tabelul următor

xk
1 2 3 4 5 P(η = yk )
yk
1 1 1 1 1
1 0
12 24 24 30 5
1 1 1 1 1 1
2
24 24 24 24 30 5
1 1 1 1 1
3 0
12 24 24 30 5
1 1 1 1 1
4 0
12 24 24 30 5
1 1 1 1 1 1
5
24 24 24 24 30 5
1 1 1 1 1
P(ξ = xk ) 1
3 6 6 6 6
Să se determine dreptele de regresie.

Răspuns.
5
16 8
M (ξ ) = ∑ xk P(ξ = xk ) = = ,
k =1 6 3
5
15
M (η) = ∑ yk P(η = yk ) = = 3,
k =1 5
D(ξ ) = 1,49 , D(η) = 1,41 , rξ , η = 0,06 .

117
 Dreapta de regresie a lui ξ asupra lui η este (5.21.) şi în cazul nostru
y − 3 = 15,7( x − 2,66) .
Dreapta de regresie a lui η asupra lui ξ va fi
y − 3 = 0,056( x − 2,26 ) .

5.8. Şiruri de variabile aleatoare

Fie {Ω,Σ, P} un σ − câmp de probabilitate şi ќ mulţimea variabilelor aleatoare

definite pe acest câmp. Ne propunem în continuare să studiem diferite tipuri de
convergenţă ale şirurilor de variabile aleatoare şi relaţiile care există între ele.

5.8.1. Convergenţa în probabilitate

Definiţie. Spunem că şirul de variabile aleatoare (ξn )n∈`* converge în

probabilitate către variabila aleatoare ξ dacă pentru orice numere ε > 0 , δ > 0 ,
există numărul natural N (ε, δ ) aşa încât pentru n > N (ε, δ ) să avem
({
P ω ξ n (ω) − ξ(ω) ≥ ε < δ . }) (5.57.)
În acest caz vom nota ξ n ⎯
⎯→
P
ξ.
Propoziţia 5.1. Condiţia necesară şi suficientă ca şirul de variabile aleatoare
( n )n∈`* să conveargă în probabilitate către variabila aleatoare ξ , este ca pentru
ξ
orice ε > 0 să existe numărul natural N (ε ) aşa încât pentru n > N ( ε ) să avem
({
lim P ω ξn (ω) − ξ(ω) ≥ ε = 0 .
n →∞
}) (5.58.)
Demonstraţie. Dacă ξ n ⎯ ⎯→
P
ξ , cum în (5.23) δ este arbitrar, putem lua δ = ε
şi obţinem (5.58).
Reciproc. Dacă are loc relaţia (5.58), ε şi δ fiind daţi, dacă ε < δ există un
număr natural N ` aşa încât pentru n > N1 să avem
({ })
P ω ξ n (ω) − ξ(ω) ≥ ε < ε < δ .
Dacă δ < ε , există un număr natural N 2 aşa încât pentru n > N 2 să avem
({ }) ({
P ω ξ n (ω) − ξ(ω) ≥ ε ≤ P ω ξ n (ω) − ξ(ω) ≥ δ < δ . })
Propoziţia 5.2. Dacă şirul de variabile aleatoare (ξn )n∈`* converge în
probabilitate către variabila aleatoare ξ şi către variabila aleatoare η , atunci
P({ω ξ(ω) ≠ η(ω)}) = 0 .

118
 Demonstraţie. Avem ξ − η ≤ ξ − ξ n + ξn − η , deci
{ω ξ(ω) − η(ω) ≥ ε}⊂
⎧ ε⎫ ⎧ ε⎫
⊂ ⎨ω ξ(ω) − ξ n (ω) ≥ ⎬ ∪ ⎨ω η(ω) − ξn (ω) ≥ ⎬
⎩ 2⎭ ⎩ 2⎭
de unde
({
P ω ξ(ω) − η(ω) ≥ ε ≤ })
⎛⎧ ε ⎫⎞ ⎛⎧ ε ⎫⎞
≤ P⎜⎜ ⎨ω ξ(ω) − ξn (ω) ≥ ⎬ ⎟⎟ + P⎜⎜ ⎨ω η(ω) − ξ n (ω) ≥ ⎬⎟
⎝⎩ 2 ⎭⎠ ⎝⎩ 2 ⎭ ⎟⎠
Dar ξn ⎯
⎯→
P
ξ , ξn ⎯
⎯→
P
({
η deci P ω ξ(ω) − η(ω) ≥ ε < 2δ , ceea ce arată })
({
că P ω ξ(ω) ≠ η(ω) = 0 . })
Propoziţia 5.3. Fie şirurile de variabile aleatoare (ξ n )n∈ * şi (ηn )n∈ * . Dacă
ξn ⎯
⎯→ ξ , ηn ⎯⎯→ η , atunci
P P

aξ n + bη n ⎯
⎯→
P
aξ + bη ,
unde a şi b sunt două constante reale.
Demonstraţie. Avem
{ω (aξ (ω) − bη (ω)) − (aξ(ω) + bη(ω)) ≥ ε}⊂
n n

⎧ ε⎫ ⎧ ε⎫
⊂ ⎨ω a ξn (ω) − ξ(ω) ≥ ⎬ ∪ ⎨ω b ηn (ω) − η(ω) ≥ ⎬ =
⎩ 2⎭ ⎩ 2⎭
⎧⎪ ε ⎫⎪ ⎧⎪ ε ⎫⎪
= ⎨ω ξ n (ω) − ξ(ω) ≥ ⎬ ∪ ⎨ω ηn (ω) − η(ω) ≥ ⎬
⎪⎩ 2 a ⎪⎭ ⎪⎩ 2 b ⎪⎭
de unde

({
P ω ( aξ n (ω ) − bη n (ω ) ) − ( aξ (ω ) + bη (ω ) ) ≥ ε }) ≤
⎛ ⎧⎪ ε ⎫⎪ ⎞ ⎛ ⎧⎪ ε ⎫⎪ ⎞
≤ P ⎜ ⎨ω ξ n (ω ) − ξ (ω ) ≥ ⎬ ⎟ + P ⎜ ⎨ω ηn (ω ) − η (ω ) ≥ ⎬ ⎟⎟
⎜⎪ 2 a ⎟ ⎜ 2 b
⎝⎩ ⎭⎪ ⎠ ⎝ ⎩⎪ ⎭⎪ ⎠
şi cum ξn ⎯
⎯→ ξ şi ηn ⎯⎯→ η propoziţia este demonstrată.
P P

Exemple.
1. Fie (ξ n )n∈ * un şir de variabile aleatoare Poisson, independente cu M (ξ k ) = λ k şi
1 n 1 n
fie ηk = ∑ k
n k =1
ξ . Să se arate că dacă există lim
n →∞ n
∑k =1
λ k = λ , atunci şirul de

variabile aleatoare (ηn )n∈ * converge în probabilitate către λ .

119
Răspuns. Avem D (ξ k ) = M (ξ k ) ,
1 λ1 + ... + λ n
D(ηn ) = M (ηn ) =
n n
λ1 + ... + λ n
şi cum lim = λ , rezultă că lim D(ηn ) = 0 .
n →∞ n n →∞

Inegalitatea lui Cebîşev ne dă

D 2 (ηn )
({
P ω ηn (ω) − λ ≥ ε < })ε2
de unde
({ })
lim P ω ηn (ω) − λ ≥ ε = 0 .
n →∞

2. [5] Fie (ξ n )n∈`* un şir de variabile aleatoare a căror densitate de repartiţie este
⎧0 pentru x ≤ 0
⎪ 1
f ξ n ( x ) = ⎨ 1 − xα , c > 0, 0<α< . Notând cu
⎪ αe
ck pentru x > 0 2
⎩ ck
1 n ⎛ cnα ⎞
ηn = ∑ ξ k , să se arate că şirul de variabile aleatoare ⎜ηn − ⎟
n k =1 ⎝ α + 1 ⎠ n∈`*
converge în probabilitate către zero.
( )
Răspuns. Avem M (ξ k ) = ck α , M ξ k2 = 2c 2 k 2 α , D 2 (ξ k ) = c 2 k 2 α şi
⎛ cn α ⎞ 1 n 2 c2 n
D 2 ⎜⎜ ηn − ⎟⎟ = 2 ∑ D (ξk ) = 2 ∑ k 2 α .
⎝ α + 1 ⎠ n k =1 n k =1
1 n 1 1
Dar lim 2 α +1 ∑ k 2 α = , 0 < α < , deci
n →∞ n
k =1 2α + 1 2
⎛ cn α ⎞ 1 1 n
lim D 2 ⎜⎜ ηn − ⎟⎟ = c 2 lim 1− 2α ⋅ 2 α +1 ∑ k 2α = 0 .
n →∞
⎝ α + 1⎠ n →∞ n n k =1

Din inegalităţile

120
 ⎛ ⎧⎪ cnα ⎫⎪ ⎞
P⎜ ⎨ω ηn − ≥ ε⎬ ⎟ ≤
⎜⎪ α +1 ⎪⎭ ⎟⎠
⎝⎩
⎛ ⎧⎪ ⎛ cnα ⎞ ⎛ cnα ⎞ ε ⎫⎪ ⎞⎟
⎜
≤ P ⎨ω ⎜⎜ ηn − ⎟ − M ⎜⎜ ηn − ⎟> ⎬ ≤
⎜⎪ ⎝ α + 1 ⎟⎠ ⎝ α + 1 ⎟⎠ 2 ⎪ ⎟
⎝ ⎩ ⎭⎠
⎛ cnα ⎞
4 D 2 ⎜⎜ ηn − ⎟
⎝ α + 1 ⎟⎠
≤
ε2
rezultă
⎛ cnα ⎞ P
⎜⎜ ηn − ⎟⎯⎯→ 0 .
⎝ α + 1 ⎟⎠

5.8.2. Convergenţa aproape sigură

Fie (ξ n )n∈ * un şir de variabile aleatoare.

Vom spune că o anumită proprietate are loc aproape sigur pe Ω dacă
probabilitatea nerealizării evenimentului corespunzător proprietăţii considerate este nulă.
Definiţie. Şirul de variabile aleatoare (ξ n )n∈ * converge aproape sigur către
{ }
variabila aleatoare ξ dacă ω ξ n (ω) nu tinde către ξ(ω) este un eveniment din Σ
de probabilitate zero.
Propoziţia 5.4. Condiţia necesară şi suficientă ca şirul (ξ n )n∈ * de variabile
aleatoare să conveargă aproape sigur către variabila aleatoare ξ este ca
⎛ ∞
{
lim P⎜⎜ ∪ ω ξn + p (ω) − ξ(ω) ≥ ε
n →∞
}⎞⎟⎟ = 0 (5.59.)
⎝ p =0 ⎠
pentru orice ε > 0 .
Demonstraţie. Dacă (ξn )n∈ * converge aproape sigur către ξ , notând cu
{
A = ω ξ n (ω) converge către ξ(ω)} conform definiţiei convergenţei unui şir de
numere reale avem

{ }
∞ ∞
A = ∩∪∩ ω ξ n + p (ω) − ξ(ω) < ε .
ε > 0 n =1 p = 0

(ξn )n∈N * ⎯⎯→

a.s.
ξ(ω) dacă şi numai dacă P( A) = 1 .
Din relaţia

121
 { }
∞ ∞
A ⊆ ∪ ∩ ω ξ n + p (ω) − ξ(ω) < ε ,
n =1 p = 0

rezultă, în virtutea proprietăţii (P12),

⎛ ∞
{
P( A) ≤ lim P⎜⎜ ∩ ω ξ n + p (ω) − ξ(ω) < ε
n →∞
}⎞⎟⎟ .
⎝ p=0 ⎠
Trecând la evenimente complementare şi ţinând seama că P ( A) = 1 se obţine
relaţia din enunţ.
1
Reciproc. Scriind relaţia din enunţ pentru ε = , k∈ *
avem
k
∞ ∞ ∞
⎧ 1⎫
A = ∩∪∩ ⎨ω ξ n + p (ω) − ξ(ω) < ⎬,
k =1 n =1 p = 0 ⎩ k⎭
rezultă,
⎡ ⎛ ∞⎧ 1 ⎫ ⎞⎟⎤
P( A) = lim ⎢ lim P⎜⎜ ∩ ⎨ω ξ n + p (ω) − ξ(ω) < ⎬ ⎥.
k →∞ n→∞
⎣⎢ ⎝ p =0⎩ k ⎭ ⎟⎠⎦⎥
Prin ipoteză şirul din membrul doi este în mod constant 1 în raport cu k , deci
P ( A) = 1 .
Exemplu. [4] Fie (ξn )n∈ * un şir de variabile aleatoare având repartiţiile
⎛ 2r ⎞
2
⎜− n 0 n ⎟ r
ξn : ⎜ 1 1 1 ⎟ , r > 0, n∈
*
. Să se arate că (ξn )n∈ * converge
⎜ 2 1− 2 ⎟
⎝ 2n n 2n 2 ⎠
aproape sigur către zero.

{ }
∞ ∞
Răspuns. Fie A j , δ = ω ξ j (ω) ≤ δ , Bn , δ = ∩A j ,δ , BnC, δ = ∪A C
j ,δ . Avem
j=n j=n

( ) ⎛ ∞ C ⎞ ∞
( ) ({ })
∞
P B = P⎜ ∪ An, δ ⎟ ≤ ∑ P A j , δ = ∑ P ω ξ j (ω) > δ .
C
n, δ
⎜ ⎟ C

⎝ j=n ⎠ j =n j=n

Din definiţia şirului (ξ n )n∈ * urmează că pentru n ≥ 1 , δ < 1 ,

({ ⎛ ⎧⎪
})
2 ⎞ ⎛ ⎧⎪ 2 ⎞
⎫⎪ ⎫⎪ 1
P ω ξ j (ω) > δ = P⎜ ⎨ω ξ j (ω) = − j r ⎬ ⎟ + P⎜ ⎨ω ξ j (ω) = j r ⎬ ⎟ = ,
⎜⎪ ⎪⎭ ⎟⎠ ⎜⎪ ⎪⎭ ⎟⎠ j
⎝⎩ ⎝⎩
deci
∞
P(Bn , δ ) ≤ ∑
1
⎯⎯ ⎯→ 0
j =n j 2 n →∞
şi

122
 ⎛ ∞
{
lim P(Bn, δ ) = lim P⎜⎜ ∩ ω ξ j (ω) ≤ δ
n →∞ n→∞
}⎞⎟⎟ = 1.
⎝ j =n ⎠

5.8.3. Convergenţa în repartiţie

Definiţie. Şirul de variabile aleatoare (ξ n )n∈ * converge în repartiţie (în sens

Bernoulli) către variabila aleatoare ξ (notăm ξ n ⎯
⎯→
r
ξ ) dacă în orice punct de
continuitate x0 al funcţiei de repartiţie F a lui ξ avem
lim Fn ( x0 ) = F ( x0 ) , (5.60.)
n →∞

unde Fn este funcţia de repartiţie a variabilei aleatoare ξ n , n ∈ *

.
Propoziţia 5.5. Dacă şirul de variabile aleatoare (ξn )n∈ * converge în
probabilitate către ξ , atunci el converge în repartiţie către ξ .
Demonstraţie. Fie Fn funcţia de repartiţie a variabilei aleatoare ξ n , n ∈ *
, F
funcţia de repartiţie a variabilei aleatoare ξ . Dacă x0 este un punct de continuitate al lui
F , pentru orice ε > 0 , există δ > 0 aşa încât F ( x0 + δ ) − F (x0 − δ ) ≤ ε . Din
F ( x0 − δ ) = P ({ω ξ(ω) < x0 − δ}) =
= P ({ω ξ(ω) < x0 − δ}∩ {ω ξ n (ω) < x0 }) +
+ P ({ω ξ(ω) < x0 − δ}∩ {ω ξ n (ω) ≥ x0 }) = .
= Fn ( x0 ) + P ({ω ξ(ω) < x0 − δ}∩ {ω ξ n (ω) ≥ x0 }) ≤
({
≤ Fn ( x0 ) + P ω ξ n (ω) − ξ(ω) ≥ δ })
Ţinând seama de faptul că şirul converge în probabilitate către ξ , rezultă
F ( x0 − δ ) ≤ lim Fn ( x0 ) . Analog obţinem F ( x0 + δ ) ≥ lim Fn ( x0 ) . Din aceste
n →∞ n→∞

inegalităţi rezultă lim Fn ( x0 ) = F ( x0 ) .

n →∞
Reciproca nu este adevărată.
Propoziţia 5.6. Dacă şirul de variabile aleatoare (ξ n )n∈ * converge în repartiţie
către variabila aleatoare ξ şi dacă
P({ω ξ(ω) = α}) = 1 , α = constant, (5.61.)
atunci ξ n ⎯
⎯→ α .
P

Demonstraţie. Notând prin F funcţia de repartiţie corespunzătoare variabilei

aleatoare ξ avem

123
 ⎧0 pentru x ≤ α
F (x ) = ⎨ ,
⎩1 pentru x > α
deci α este singurul punct de discontinuitate al lui F . Avem
({ }) ({
P ω ξ n (ω) − α ≥ ε = 1 − P ω ξ n (ω) − α < ε = })
= 1 − P({ω α − ε < ξ n (ω) < α + ε}) =
= 1 − [P({ω ξ n (ω) < α + ε}) −
− P({ω ξ n (ω) ≤ α − ε})] =
= 1 − Fn (α + ε ) + Fn (α − ε + 0 ) ≤
⎛ ε⎞
≤ 1 − Fn (α + ε ) + Fn ⎜ α − ⎟ =
⎝ 2⎠
⎛ ε⎞
= Fn (α + ε ) − Fn ⎜ α − ⎟ − Fn (α + ε ) +
⎝ 2⎠
⎛ ε⎞
+ Fn ⎜ α − ⎟
⎝ 2⎠
de unde
({ })
lim P ω ξ n (ω) − α ≥ ε = 0 .
n →∞

De aici rezultă că dacă (ξn )n∈`* ⎯⎯

r
→ξ şi dacă (ξn − ξ )n∈`* ⎯⎯
r
→0 , atunci
(ξn )n∈`* ⎯⎯→ ξ .
P

Exemple.
1. Fie (ξ n )n∈`* un şir de variabile aleatoare pentru care lim P (ξ n < x ) = F ( x ) , cu
n →∞

F funcţie de repartiţie continuă şi fie şirul de variabile aleatoare (ηn )n∈`*

⎛ξ ⎞
convergent în probabilitate către 1 . Să se arate că lim P⎜⎜ n < x ⎟⎟ = F ( x ) .
n →∞
⎝ ηn ⎠
Răspuns. Notăm {
An, ε = ω ηn (ω) − 1 > ε , } pentru orice ε>0 şi
⎧ ξ (ω) ⎫
Bn = ⎨ω n < x ⎬ . Atunci
⎩ ηn (ω) ⎭
( )
P(Bn ) = P( An , ε )PAn ,ε (Bn ) + P AnC, ε PAC (Bn ) .
n ,ε

Pe mulţimea An , ε , ηn (ω) > 1 + ε , sau ηn (ω) < 1 − ε ; avem

P(ξ n < x(1 − ε )) ≤ PAn ,ε (Bn ) ≤ P(ξ n < x(1 + ε )) .

124
 ( ) ( )
De asemenea, lim P An , ε = 1 , lim P AnC, ε = 0 , deoarece
n →∞ n →∞

lim PAn,ε (Bn ) ≤ lim P(Bn ) ≤ lim P(Bn ) ≤ lim PAn ,ε (Bn ) .
n →∞ n →∞ n→∞ n →∞

Rezultă,
F ( x(1 − ε )) ≤ lim P(Bn ) ≤ lim P(Bn ) ≤ F ( x(1 + ε )) .
n →∞ n →∞

ε fiind arbitrar, rezultă că şirul P(Bn ) este convergent şi

⎛ξ ⎞
lim P⎜⎜ n < x ⎟⎟ = F ( x ) .
n →∞
⎝ ηn ⎠
2. Să se arate că, convergenţa în repartiţie nu implică convergenţa în probabilitate.
⎛0 1⎞
Răspuns. Fie variabila aleatoare ξ cu distribuţia ξ : ⎜ 1 1 ⎟ şi fie variabila aleatoare
⎜ ⎟
⎝2 2⎠
η = 1 − ξ . Variabilele ξ şi η au aceeaşi funcţie de repartiţie,
1
F ( x ) = [{ε(x ) + ε( x − 1)}], x ∈ \ şi η − ξ = 1 , indiferent de valoarea variabilei
2
aleatoare ξ .
Definim şirul de variabile aleatoare (ξ n )n∈`* unde ξ n = η . Rezultă că (ξ n )n∈`*
converge în repartiţie către ξ ( ξ n şi ξ au aceeaşi repartiţie).
Deoarece ξn (ω) − ξ(ω) = η(ω) − ξ(ω) = 1 pentru orice ω ∈ Ω , rezultă că
(ξn )n∈`* nu converge în probabilitate.

5.8.4. Convergenţa în medie

Definiţie. Şirul de variabile aleatoare (ξ n )n∈`* converge în medie de ordinul r

către variabila aleatoare ξ , dacă există momentele absolute M ξ n ( ) ( n ∈ ` ),
r *

M ξ( ) şi dacă
r

(
lim M ξ n − ξ = 0 .
n →∞
r
) (5.62.)
Propoziţia 5.8. Dacă şirul de variabile aleatoare (ξ n )n∈`* converge în medie de
ordinul r către variabila aleatoare ξ , atunci el converge în probabilitate către ξ .
Demonstraţie. Vom face demonstraţia procedând prin reducere la absurd.
P
Presupunem că ξ n ⎯
⎯→
r
ξ şi ξ n →
/ ξ . Atunci există ε > 0 , δ > 0 şi un şir de
({ })
numere naturale ni → ∞ aşa încât P ω ξ ni (ω) − ξ(ω) ≥ ε ≥ δ pentru orice i ∈ ` .

125
 Dacă notăm {
A = ω ξ ni (ω) − ξ(ω) ≥ ε , } Ω = A ∪ AC , atunci

M ⎛⎜ ξni − ξ ⎞⎟ ≥ ε r δi . Inegalitatea contrazice faptul că ξn ⎯

r
⎯→
r
ξ.
⎝ ⎠
Proprietatea inversă nu are totdeauna loc. De exemplu, fie şirul de variabile
⎛ −nn ⎞ 0
aleatoare (ξ n )n∈ * unde ξn : ⎜ 1 1 ⎟ . Oricare ar fi ε > 0 şi η > 0
1
⎜ 2 2 ⎟
1− 2
⎝ 2n
2n ⎠ n
există N (ε, η) aşa încât P ω ξ n (ω) > ε =
1
2n 2
({ })
≤ η , îndată ce n > N (ε, η) deci

şirul (ξ n )n∈ * converge în probabilitate către zero. Fie

(
M ξn − 0
2
) = M (ξ ) = 0 ⋅ ⎛⎜⎝1 − n1 ⎞⎟⎠ + n ⋅ 21n
2
n 2
2
2
+ n2 ⋅
1
2n 2
=1

deci (ξ n )n∈ * nu converge în medie de ordinul doi către zero.

Exemplu. [5] Fie (ξ n )n∈ * un şir de variabile aleatoare independente două câte
două cu aceeaşi funcţie de repartiţie F . Dacă sunt îndeplinite condiţiile
n
1. lim ∫ xdF ( x ) = 0 ,
n →∞
−n

2. lim xF ( x ) = lim x(1 − F ( x )) = 0 ,

n →∞ n →∞

1 n
atunci şirul de variabile aleatoare (ηn )n∈ * , unde ηn = ∑ ξk , converge în medie de
n k =1
ordinul al doilea.
⎧ξ k pentru ξ k ≤ n 1 n
Răspuns. Notăm ξ n , k = ⎨ , η*n = ∑ ξn,k . Avem
n k =1
⎩0 altfel

({ }) ≤ ∑ P({ω ξ (ω) > n}) =

n
P ω ηn (ω) ≠ η*n (ω) k
k =1

= n[F (− n ) + (1 − F (n ))]
dar ţinând seama de condiţia 2. Rezultă lim P ω ηn (ω) ≠ η*n (ω) = 0 , deci
n →∞
({ })
ηn ⎯
⎯→
P
0 dacă η*n ⎯
⎯→
P
0.
Ţinând seama de inegalitatea
({ }) ({ }) ( )
P ω ηn (ω) > ε ≤ P ω η*n (ω) ≥ ε + P ω ηn (ω) ≠ η*n (ω) ,
rezultă că lim P ({ω η (ω) > ε}) = 0 dacă lim P ({ω η (ω) ≥ ε}) = 0 .
n
*
n
n →∞ n →∞
Din 1. rezultă
126
 n

n →∞
( )
lim M η = lim ∫ xdF ( x ) = 0
*
n
n→∞
−n
şi
n k − ( k −1)

( )
D 2 η*n ≤
1 2
n −∫n
x dF ( x ) ≤
1 n 2
∑
n k =1 k∫−1
k dF ( x ) +
1 n 2
∑k
n k =1 ∫ dF (x ) =
−k
n
1
= ∑ k 2 [(1 − F (k − 1)) − (1 − F (k )) + F (− k + 1) − F (− k )]
n k =1

( )
sau D 2 η*n ≤
1 n −1
∑
n k =0
[1 − F (k ) + F (− k )](2k + 1) , iar din 2. rezultă nlim
→∞
( )
D 2 η*n = 0 .

5.8.5. Legea numerelor mari

În teoria probabilităţilor legătura între frecvenţă ca variabilă aleatoare şi

probabilitate este dată de:
Legea numerelor mari. Fie (ξ n )n∈`* un şir de variabile aleatoare independente
care au aceeaşi funcţie de repartiţie, deci au aceeaşi medie m şi aceeaşi dispersie σ 2 .
⎧⎪ 1 n ⎫⎪
Pentru orice ε > 0 probabilitatea evenimentului ⎨ω ∑ i ξ (ω ) − m ≥ ε ⎬ converge
⎪⎩ n i =1 ⎪⎭
în probabilitate către 0 când n → ∞ , adică
⎛ ⎧⎪ 1 n ⎫⎪ ⎞
lim P⎜ ⎨ω ∑ ξi (ω) − m ≥ ε ⎬ ⎟ = 0 . (5.63.)
n →∞ ⎜ ⎪ ⎪⎭ ⎟⎠
⎝ ⎩ n i =1
Demonstraţie. Avem
⎛1 n ⎞ 1 n 1 n
M ⎜ ∑ ξi ⎟ = ∑ M (ξi ) = ∑ m = m
⎝ n i =1 ⎠ n i =1 n i =1
Aplicând inegalitatea lui Cebîşev, obţinem
2⎛1 ⎞
n

⎛ ⎪⎧ 1 n ⎪⎫ ⎞
D ⎜ ∑
⎝ n i =1
ξi (ω ) ⎟
⎠
P ⎜ ⎨ω ∑ ξi (ω ) − m ≥ ε ⎬ ⎟ <
⎜ ⎪ n i =1 ⎟ ε 2
⎝⎩ ⎭⎪ ⎠
dar
⎛1 n ⎞ 1 n
σ2
D 2 ⎜ ∑ ξ i (ω ) ⎟ = 2 ∑σ 2 =
⎝ n i =1 ⎠ n i =1 n
deci
⎛ ⎧⎪ 1 n ⎫⎪ ⎞ σ 2
P⎜ ⎨ω ∑ ξi (ω) − m ≥ ε ⎬ ⎟ < 2 .
⎜ ⎪ n i =1 ⎪⎭ ⎟⎠ nε
⎝⎩
127
 Dacă aplicăm legea numerelor mari unui şir (ξ n )n∈`* de variabile aleatoare
1 n α
bernoulliene independente, atunci suma ∑
n i =1
ξi reprezintă frecvenţa relativă
n
de

realizare a unui anumit eveniment A , unde α este numărul de realizări ale

evenimentului A în n experimente independente succesive. Din (5.63.) deducem
⎛α ⎞
lim P⎜⎜ − p ≥ ε ⎟⎟ = 0 .
n →∞
⎝n ⎠
Acest rezultat clasic este cunoscut sub numele de:
Teorema lui Bernoulli. Frecvenţa relativă converge în probabilitate către
probabilitate (în această formulare cuvântul probabilitate intervine în două sensuri
diferite).
O generalizare a teoremei lui Bernoulli este:
Teorema lui Poisson. Dacă notăm prin α numărul de apariţii ale unui eveniment
A în n experimente independente, cu pk probabilitatea de realizare a evenimentului
p1 + ... + pn
A în experimentul de rang k , k ∈ `* , atunci există lim = p şi
n →∞ n
⎛α ⎞
⎜ ⎟ * converge în probabilitate către p .
⎝ n ⎠n∈`
Demonstraţie. Ataşăm experimentului de rang k , variabila aleatoare ξ k care ia
valoarea 1 sau 0 respectiv cu probabilităţile pk şi qk = 1 − pk , după cum în acest
n
α
experiment s-a produs sau nu A . Avem α = ∑ξ
k =1
k iar
n
reprezintă valoarea luată

1 n
experimental de variabila aleatoare ηn = ∑ ξ k .
n k =1
Avem
1 ⎛ n ⎞ 1 n 1 n
M (ηn ) = M ⎜ ∑ ξ k ⎟ = ∑ M (ξ k ) = ∑ pk ,
n ⎝ k =1 ⎠ n k =1 n k =1

(
D 2 (ηn ) = M [ηn − M (ηn )] =
2
) 1 n
∑ p k qk .
n 2 k =1
Inegalitatea lui Cebîşev se scrie
⎛α 1 n ⎞ 1 n
P⎜⎜ − ∑ pk < ε ⎟⎟ ≥ 1 − 2 2 ∑ pk qk ,
⎝ n n k =1 ⎠ n ε k =1
n
1 n
unde pk ≥ 0 , qk ≥ 0 , pk + qk = 1 , deci pk qk ≤ şi ∑ pk qk ≤ . Rezultă
4 k −1 4

128
 ⎛α 1 n ⎞ 1
P⎜⎜ − ∑ pk < ε ⎟⎟ ≥ 1 − .
⎝ n n k =1 ⎠ 4nε 2
Aceste aspecte ale legii numerelor mari au pus în evidenţă existenţa unor şiruri de
variabile aleatoare care tind în probabilitate către o constantă. Această lege este valabilă
pentru un ansamblu de fenomene şi nu pentru fiecare fenomen în parte. Ea nu constituie
o proprietate a oricăror şiruri de variabile aleatoare (vezi exemplul dat de Markov [20]
p.57 în care legea numerelor mari nu mai acţionează).
Exemplu. Fie (ξ n )n∈`* un şir de variabile aleatoare independente care iau valorile

− n , 0, (
n cu probabilităţile P(ξ1 = 0) = 1 , P ξ k = k = P ξ k = − k = ) ( ) 1
k
,

2
P(ξ k = 0 ) = 1 − , k = 2,3,... . Să se arate că (ξ n )n∈`* se supune legii numerelor
k
mari.
Răspuns. Avem M (ξ k ) = 0 , k = 1,2,... , D 2 (ξ k ) = 2 , k = 2,3,... . Notăm
1 n 1 n
ηn = ∑ ξk şi avem M (ηn ) = ∑ M (ξk ) = 0 ,
n k =1 n k =1
1 n 2(n − 1)
D 2 (ηn ) = 2 ∑ D 2 (ξ k ) = . Rrezultă
n k =1 n2
({
lim P ω ηn − M (ηn ) < ε = 1 .
n →∞
})

5.8.6. Problema asimptotică centrală

Funcţia de repartiţie normală joacă un rol important din punct de vedere teoretic şi
practic, deoarece majoritatea fenomenelor supuse unor influenţe întâmplătoare conduc la
repartiţii normale. Problema studierii condiţiilor în care un şir de variabile aleatoare
converge în repartiţie către o variabilă aleatoare normal repartizată este problema
asimptotică centrală. Rezultate deosebite au obţinut J .W. Liendeberg şi W. Feller.

Criteriul clasic de convergenţă

Fie {Ω, Σ, P} un σ câmp de probabilitate (ξ n )n∈`* un şir de variabile aleatoare

independente care au momente de ordinul al doilea finite. Notăm
n
mk = M (ξ k ) ; σ k2 = D 2 (ξ k ) ; σ 2n =
( ) ∑σ k2 ; k , n ∈ ` *
k =1
Considerăm variabilele aleatoare

129
 ξ k − mk
ξ nk = ,1 ≤ k ≤ n, n ∈ `* ;
σ (n)
şi
n n
1
ξ( n) = ∑ ξ nk =
σ (n) ∑ (ξk − mk ), n ∈ `* .
k =1 k =1
Evident
n
M (ξ nk ) = 0; M ξ( n) = 0; ( ) ∑ D2 (ξnk ) = 1; D2 (ξ(n) ) = 1; n ∈ `* .
k =1
De asemenea vom nota cu Fk , Fnk , F( n ) funcţiile de repartiţie ale variabilelor aleatoare
ξ k , ξ nk , ξ( n ) , iar prin ϕk , ϕ nk , ϕ( n ) funcţiile caracteristice corespunzătoare.
Definiţie Spunem că şirul de variabile aleatoare (ξ n )n∈`* verifică condiţia (5.64.),
dacă pentru orice τ > 0 şirul
lim α n (τ ) =
n→∞
n n
1
= lim
n →∞ σ 2( n )
∑ ∫ ( x − mk )2 ∑ (ξk − mk )2 dFk ( x ) = 0 (5.64.)
k =1 x − mk >τσ k =1
(n)

Propoziţia1 Pentru orice x ∈ \ are loc inegalitatea

n +1
n
( ix )k x
eix − ∑ k!
≤
( n + 1)!
,n∈` (5.65.)
k =0
Demonstraţie
Vom proceda prin inducţie asupra lui n.
Pentru n=0 avem
x

∫e
ix iu
e −1 = du = x .
0
Presupunând relaţia (2) adevărată pentru n, pentru n + 1 avem
x⎛ ⎞ x⎛ n +1 ⎞
n +1
( ix )k n
( ix ) k
u
⎟dx = x
n+ 2
eix − ∑ k!
= ∫⎜ eix −
⎜ k!∑ ⎟dx ≤
⎟ ∫⎜
⎜ ( n + 1) ! ⎟ ( n + 2 )!
k =0 0⎝ k =0 ⎠ 0⎝ ⎠
Teorema lui Lindeberg – Feller
Fie (ξ n )n∈`* un şir de variabile aleatoare independente. Condiţia necesară şi
suficientă pentru ca
σ2
lim F( n ) ( x ) = Φ ( x ) , x ∈ \ şi lim max k = 0 (5.66.)
n→∞ n→∞ 1≤ k ≤ n σ 2
( n)
este ca şirul să verifice condiţia (5.64.).
Demonstraţie
130
 Condiţia este suficientă ( partea din teoremă demonstrată de J. W. Lindeberg). Ideea
demonstraţiei constă în a arăta că funcţia caracteristică ϕ( n) converge uniform în orice
2
−t
interval mărginit către funcţia caracteristică e 2 corespunzătoare funcţiei de repartiţie
normală N(0,1) când n → ∞ , deci F( n ) va converge către Φ pentru n → ∞ .
Condiţia necesară este partea din teorema demonstrată de W. Feller.
Pentru demonstraţie vezi M. Iosifescu, Gh. Mihoc, R. Teodorescu -Teoria
probabilităţilor şi statistică matematică, Ed. Tehnică, 1966.
Corolar 1 Dacă variabilele (ξ n )n∈`* sunt independente două câte două şi au aceeaşi
funcţie de repartiţie F şi admit dispersii finite, atunci
lim F( n ) ( x ) = Φ ( x ) , x ∈ \
n→∞
Corolar 2 Dacă variabilele (ξ n )n∈`* sunt independente , egal mărginite P- a.s. şi
lim σ ( n ) = ∞ , atunci
n→∞
lim F( n ) ( x ) = Φ ( x ) , x ∈ \
n→∞
Teorema (A. M. Leapunov) Dacă variabilele (ξ n )n∈`* sunt independente şi dacă
există şi sunt finite momentele
μ
(
μk3 = M ξ k − mk
3
) , ( k ∈ ` ) cu lim σ (( )) = 0 ,
*
n→∞
n

n
n
unde μ 3n =
( ) ∑ μk3 , atunci
k =1
lim F( n ) ( x ) = Φ ( x ) , x ∈ \
n→∞
Teorema (Moivre – Laplace) Dacă (ξ n )n∈`* este un şir de variabile aleatoare
independente care pot lua valorile 0 şi 1 cu probabilităţile q , respectiv p = 1 − q , atunci
funcţia de repartiţie F( n ) a variabilei aleatoare normate
ξ( n ) − np n
η=
npq
, unde ξ( n ) = ∑ ξk ,
k=1
converge pentru n → ∞ către Φ .
Observaţie Variabilele ξ( n ) este o variabilă binomială.

Exemplu. Populaţia unui oraş posedă o proprietate A (are un automobil) în

proporţie de p = 0,4 . Să se determine mărimea eşantionului studiat aşa încât
probabilitatea ca frecvenţa indivizilor cu proprietatea A , f n , să se găsească în intervalul
( p − 0,01, p + 0,01) să fie cel puţin de 99% .
Soluţie. Considerând un eşantion de mărime n din populaţia X în care indivizii cu

131
 X
proprietatea A sunt în proporţie p , frecvenţa f n = a indivizilor cu proprietatea A are
n
pq
valoarea medie p şi dispersia σ 2 = , q = 1 − p . Aplicând inegalitatea Cebîşev în
n
cazul nostru
⎛ pq ⎞ 1
P⎜⎜ f n − p ≤ t ⎟ ≥1− 2
⎟
⎝ n ⎠ t

( )
sau P f n − p ≤ 0,01 ≥ 0,99 , alegem t = 10 ca să avem 1 −
1
= 0,99 . Pentru
t2
pq 0,4 ⋅ 0,6
t = 10 trebuie să avem t ≤ 0,01 sau 10 ≤ 0,01 , de unde rezultă
n n
n ≥ 240.000 deci un eşantion mare.
Dar vom vedea că un eşantion aşa mare este un lux inutil şi anume, mărimea
eşantionului fiind foarte mare putem considera că distribuţia frecvenţei f n este normală
pq
de parametrii m = p = 0,04 şi σ = , deci
n
⎛ pq pq ⎞
P⎜⎜ p − t ≤ fn < p + t ⎟ ≥ 0,99 ,
⎝ n n ⎟⎠
iar din tabele pentru P (t ) găsim t = 0,58 . Pentru t astfel determinat trebuie să avem
pq 0,4 ⋅ 0,6
t ≤ 0,01 sau 0,58 ≤ 0,01 de unde n ≥ 807,36 sau n ≅ 810 , deci
n n
este inutil un eşantion mai mare pentru a obţine precizia cerută.

132
 EXERCIŢII ŞI PROBLEME PROPUSE

5.1. Fie ξ şi η două variabile aleatoare cu aceeaşi densitate de probabilitate

⎧1
⎪ pentru x ∈ (0,2 )
f ξ (x ) = f η (x ) = ⎨ 2 . Să se determine funcţia de repartiţie a
⎪0pentru x ∉ (0,2 )
⎩
variabilei aleatoare ζ = ξ + η .
⎧0 pentru x < 0
⎪ 2
⎪x pentru 0 ≤ x < 2
⎪8
Răspuns. Fζ ( x ) = ⎨ .
( )
2
⎪ 4 − x
pentru 2 ≤ x < 4
⎪1 − 8
⎪
⎩1 pentru x ≥ 4
5.2. Să se determine densitatea de probabilitate a variabilei aleatoare ζ = ξ + η dacă ξ
⎧x pentru 0 ≤ x ≤ 1
⎪
este repartizată uniform în (0,1) , iar f η ( x ) = ⎨2 − x pentru 1 < x ≤ 2 .
⎪0 pentru x < 0 sau x > 2
⎩
⎧ 2
⎪x pentru 0 ≤ x ≤1
⎪2
⎪ 2 3
⎪− x + 3 x − pentru 1< x ≤ 2
Răspuns. f ζ ( x ) = ⎨ 2 .
⎪1 2
(
⎪ x − 6 x + 9 pentru) 2< x≤3
⎪2
⎪0
⎩ pentru x < 0 sau x > 3
5.3. Fie ξ şi η două variabile aleatoare, unde ξ are o repartiţie exponenţială negativă,
iar η are repartiţie uniformă în (0,2π) . Să se arate că ζ1 = ξ cos η şi
λ − λx 2
ζ 2 = ξ sin η sunt independente şi au aceeaşi densitate de probabilitate e .
π
Răspuns.
P(ζ1 < u , ζ 2 < v ) =
1
2π ∫∫ λe
− λx
( ) (
dxdy = Φ* 2λu Φ* 2λ v . )
x cos y < u
x sin y < v

133
5.4. Se dă funcţia f : ( −1,1) × ( −1,1) → \ definită prin relaţia
[ ( )]
f ( x, y ) = a 1 + xy x 2 − y 2 . Să se determine valorile lui a pentru care f este o
densitate de probabilitate.
1
Răspuns. a = .
4
5.5. Se consideră densitatea de probabilitate a variabilei aleatoare bidimensionale (ξ, η) ,
⎧⎪ −( x 2 + y 2 )
2 xye pentru x ≥ 0, y ≥ 0
f ( x, y ) = ⎨ .
⎪⎩0 pentru x < 0 sau y < 0
Să se calculeze M (ξ ) , M (η) , D 2 (ξ ) , D 2 (η) .
π 1⎛ π⎞
Răspuns. M (ξ ) = M (η) = , D 2 (ξ ) = D 2 (η) = ⎜1 − ⎟ .
4 2⎝ 8⎠

5.6. O urnă conţine a bile albe şi b bile negre. Se fac n extracţii astfel: se extrage din
urnă o bilă şi se introduc apoi în urnă c bile de culoarea bilei extrase. Fie ξ k
variabila aleatoare care ia valoarea 0 sau 1 după cum în extracţia de rang k s-a
obţinut o bilă albă sau neagră şi ηv = ξ1 + ... + ξ v . Se cere:
( )
a. Să se calculeze P ξ1 = 0 ξ 2 = 0 ; P (ξ n = 1) .
b. Pentru m < n să se determine legea de probabilitate a cuplului (ξ m , ξ n ) şi să
se calculeze coeficientul de corelaţie rξ m , ξ n .
c. Să se calculeze M (ηv ) şi D 2 (ηv ) .
⎛ ηn ⎞
d. Să se studieze convergenţa în probabilitate a şirului ⎜ ⎟ .
⎝ n ⎠n∈`*
Răspuns.
a+c
a. P(ξ1 = 0 ξ 2 = 0 ) = P(ξ 2 = 0 ξ2 = 0 ) = ,
a+b+c
b + c(n − 1)q b
P(ξ n = 1) = = q , unde q = .
a + b + (n − 1)c a −b
c
b. rξ m , ξ n = rξ1 , ξ 2 = .
a+b+c
vab(a + b + cv )
c. M (ηn ) = vq , D 2 (ηv ) = .
(a + b )2 (a + b + c )

134
 ηn η
d. 0≤ < 1 , deci convergenţa în probabilitate a lui n este echivalentă cu
n n
⎛ ⎡ ηn ηm ⎤ 2 ⎞
convergenţa în medie pătratică. Fie m < n . M ⎜ ⎢ − ⎟
⎥⎦ ⎟ ⎯m⎯ ⎯→ 0 deci
⎜⎣ n m ,n →∞
⎝ ⎠
ηn
nu e Cauchy în medie pătratică, deci nu e convergent în probabilitate.
n
5.7. [5] Fie (ξ n )n∈`* un şir de variabile aleatoare independente cu M (ξ n ) = 0 ,
D 2 (ξ n ) = nλ , n ∈ `* , 0 < λ < 1 . Să se arate că şirul dat se supune legii
numerelor mari.
5.8. [7] Fie (ξ n )n∈`* un şir de variabile aleatoare independente cu densităţi de
(x − θ n )2
1 −
probabilitate f n ( x ) = e n
, 0 ≤ θ < 1 . Să se arate că şirul se supune
π4 n
legii numerelor mari.
⎛ −n 0 n ⎞
5.9. Fie (ξ ) un şir de variabile aleatoare unde ξn : ⎜ 1 1 1 ⎟ . Să se
n n∈`*
⎜ 2 1− 2 ⎟
⎝ 2n n 2n 2 ⎠
arate că şirul converge în probabilitatea către zero.

135
 6. FUNCŢII CARACTERISTICE

Având în vedere că instrumentul analitic de studiu furnizat de funcţia de repartiţie

este destul de dificil, s-a impus introducerea unei noi mărimi care să caracterizeze
variabila aleatoare.

6.1. Funcţii caracteristice unidimensionale

Fie {Ω,Σ, P} un σ − câmp de probabilitate, ξ o variabilă aleatoare a cărei

funcţie de repartiţie este F .
Definiţie. Se numeşte funcţie caracteristică a variabilei aleatoare ξ aplicaţia
ϕξ : \ → ^ definită de relaţia
+∞
ϕξ (t ) = M e ( )= ∫e
itξ itx
dF ( x ) . (6.1.)
−∞

Dacă ξ este de tip discret şi ia valorile ( xk )k ∈I , I ⊂ `* cu probabilităţile

( pk )k ∈I , atunci (6.1) devine
ϕξ (t ) = ∑ pk e
itx k
. (6.2.)
k ∈I
Dacă ξ este de tip continuu cu densitatea de repartiţie f , atunci (6.1) devine
+∞
ϕξ (t ) = ∫ eitx f ( x )dx . (6.1'.)
−∞

(Dacă nu există pericol de confuzie vom nota ϕ(t ) )

Deoarece eitx = 1 , funcţia caracteristică există pentru orice variabilă aleatoare şi
este determinată în mod unic de funcţia de repartiţie.

Exemple.

Dacă ξ este o variabilă aleatoare Poisson avem

⎛ 0, 1 " n "⎞
ξ : ⎜⎜ − λ λ −λ λ −λ n ⎟.
⎜e e " e "⎟⎟
⎝ 1! n! ⎠
Variabila este de tip discret, deci
λk itk
e = eλ (e −1) .
∞ ∞
ϕ(t ) = ∑ e pk = eλ ∑
itx k it
(6.3.)
k =0 k = 0 k!

136
1. Dacă ξ este o variabilă cu repartiţie uniformă, avem
⎧0 pentru x < a sau x > b
⎪
f (x ) = ⎨ 1 . Funcţia caracteristică va fi
⎪b − a pentru a ≤ x ≤ b
⎩
+∞ b
1
ϕ(t ) = ∫ eitx f (x )dx =
b − a ∫a
eitx dx =
−∞
. (6.4.)
1 eitb − eita
= ⋅
b−a it
h − h 2 ( x − a )2
2. Dacă ξ este o variabilă aleatoare normală cu f ( x ) = e , x∈\,
π
+∞
h
funcţia caracteristică va fi ϕ(t ) =
2 2
∫ eitx e − h ( x − a ) dx . Ţinând seama că
π −∞
+∞
2
π = ∫ e − x dx , obţinem
−∞
1
ita − t2
. ϕ(t ) = e 4h 2 (6.5.)
Vom da în continuare câteva proprietăţi ale funcţiei caracteristice:
(φ1) ϕ(0) = 1
+∞
Avem evident ϕ(0 ) = ∫ dF (x ) = 1 .
−∞

(φ2) Pentru orice t ∈ \ , ϕ(t ) ≤ 1 .

+∞ +∞
Scriem ϕ(t ) ≤ ∫ e dF (x ) =
itx
∫ dF (x ) = 1
−∞ −∞

(φ3) ϕ(− t ) = ϕ(t ) , pentru orice t ∈ \ .

+∞ +∞ +∞
ϕ ( −t ) = ∫e
− itx
dF ( x ) = ∫e
itx
dF ( x ) = ∫e
itx
dF ( x ) = ϕ ( t ) .
−∞ −∞ −∞
(φ4) ϕ este uniform continuă pe \ .
it1 x it 2 x
Avem e −e ≤ x ⋅ t1 − t2 ,

137
 +∞ +∞
ϕ(t1 ) − ϕ(t2 ) = dF ( x ) − ∫ e dF (x ) ≤
∫e
it1 x it 2 x

−∞ −∞

∫e dF ( x ) + ∫e dF ( x ) ≤
it1 x it 2 x it1 x it 2 x
≤ −e −e
x ≤A x >A

≤ t1 − t2 ∫ x dF (x ) + 2 ∫ dF (x )
x ≤A x >A
it1 x it 2 x it1 x it 2 x
ţinând seama că e −e ≤e +e =2.
ε
Dat ε > 0 arbitrar, vom lua pe A aşa încât ∫ dF (x ) < 2
x >A
de îndată ce

ε
t1 − t 2 < , avem ϕ(t1 ) − ϕ(t2 ) < 2ε . Ca o consecinţă rezultă de aici că pe un interval
2
suficient de mic din jurul originii, ϕ nu se poate anula.
(φ5) Dacă η = aξ + b , a, b ∈ \ , atunci ϕη (t ) = eitb ϕξ (at ) .
( )
Avem ϕη (t ) = M eit ( aξ + b ) = eitb M ei (at )ξ = eitb ϕξ (at ) . ( )
(φ6) Funcţia caracteristică a unei sume finite de variabile aleatoare independente este
egală cu produsul funcţiilor caracteristice corespunzătoare termenilor.
Pentru n = 2 avem
ϕ (t )
ξ1 + ξ 2
it (ξ1 + ξ 2 )
=M e (
itξ1 itξ 2 itξ1
) = M (e
iyξ 2
e ) = M (e )M (e ) =
= ϕξ1 (t )ϕξ 2 (t )
Pentru n > 2 procedăm prin inducţie asupra lui n .
(φ7) Fie F1 , F2 , F funcţii de repartiţie şi ϕ1 , ϕ2 , ϕ funcţiile caracteristice
corespunzătoare. Dacă F = F1 ∗ F2 , atunci ϕ = ϕ1ϕ2 şi reciproc.
Fie F = F1 ∗ F2 şi a = x1( n ) < ... < xk( nn)+1 = b şirul de diviziuni ale intervalului
[a, b] aşa încât nlim
→∞
(x(jn+)1 − x(jn ) ) = 0 . Pentru orice t avem
(n )
[F (x( ) ) − F (x( ) )] =
b kn

∑e
itx j

∫ e dF (x ) = nlim
itx n n
j +1 j
→∞
a j =1
,
+∞ kn ⎛ (n ) ⎞
[F (x ) ( )]
it ⎜ x j − y ⎟
= lim ∫ ∑e ⎝ ⎠
1
(n )
j +1 − y − F1 x j − y e dF2 ( y )
(n ) ity
n →∞
− ∞ j =1
de unde deducem
b ⎛ b − y itx ⎞ +∞

∫a e itx
dF ( x ) = ⎜ e dF1 ( x )⎟eity dF2 ( y ) .
∫⎜ ∫ ⎟
−∞ ⎝ a − y ⎠

138
 Trecând la limită pentru a → −∞ , b → +∞ avem
+∞
⎛ +∞ itx ⎞⎛ +∞ ity ⎞
∫−∞e itx
dF ( x ) = ⎜
⎜ ∫ e dF1 ( x ) ⎟⎜ ∫ e dF2 ( y )⎟ ,
⎟⎜ ⎟
⎝ −∞ ⎠⎝ − ∞ ⎠
adică ϕ = ϕ1 ⋅ ϕ2 .
Reciproc, dacă ϕ = ϕ1 ⋅ ϕ2 din cele de mai sus rezultă că ϕ1 ⋅ ϕ2 este funcţia
caracteristică a lui F1 ∗ F2 , de unde F = F1 ∗ F2 (funcţia de repartiţie este unic
determinată).
De aici rezultă, ca o consecinţă imediată, că un produs de funcţii caracteristice este
t
o funcţie caracteristică, ϕ este o funcţie caracteristică.
Teorema 6.1. Fie ξ o variabilă aleatoare pentru care există β n (ξ ) , atunci funcţia
caracteristică ϕξ este de n ori derivabilă şi ϕ(ξk ) (0 ) = i k α k (ξ ) , 1 ≤ k ≤ n .
Demonstraţie. Dacă derivăm formal de k ori ( k ≤ n ) funcţia caracteristică,
obţinem
+∞
ϕξ (t ) = i
(k ) k
∫x e
k itx
dF ( x ) . (6.6.)
−∞
Dar
+∞ +∞

∫x e dF ( x ) ≤ ∫ x dF ( x ) = βk (ξ ) ,
k itx k

−∞ −∞

deci integrala din membrul doi există pentru 1 ≤ k ≤ n şi deci relaţia (6.6) are sens.
Făcând aici t = 0 se obţine
+∞
ϕ(ξk ) (0 ) = i k ∫ x k dF ( x ) = i k α k (ξ ) .
−∞
Exemple.
1. Să se determine funcţia caracteristică a variabilei aleatoare ξ care urmează legea de
repartiţie binominală şi să se calculeze primele două momente.
⎛ 1 0⎞
Răspuns. Distribuţia lui ξ într-o singură probă este ξ : ⎜⎜ ⎟⎟ , deci
⎝ p q⎠
ϕξ (t ) = peit + q . Dacă facem n extracţii independente, avem n variabile aleatoare
n
independente (ξi )1≤i ≤ n de tipul ξ şi η = ∑ ξi , deci
i =1

(
ϕη (t ) = ϕξ1 (t )...ϕξ n (t ) = peit + q )
n
şi (
ϕ′η (t ) = npieit peit + q )
n −1
, de unde
ϕη (0 ) = npi şi M (η) = np .

139
 ϕ′η′ (0 )
Analog α 2 (ξ ) = = n 2 p 2 + npq .
i2
2. Fie variabilele aleatoare independente ξ1 şi ξ 2 ale căror densităţi de repartiţie sunt
⎧0 pentru x ∉ [− 1,1]
⎪
f ξ1 ( x ) = ⎨ 1 ,
⎪ 2 pentru x ∈ [− 1,1]
⎩
⎧
⎪0 pentru x ∈ [− 2,2]
⎪
⎪x + 2
f ξ 2 (x ) = ⎨ pentru x ∈ [− 2,0] .
⎪ 4
⎪ 2 − x pentru x ∈ [0,2]
⎪⎩ 4
Să se determine funcţia caracteristică a variabilei aleatoare η = ξ1 + ξ 2 .
Răspuns. Conform proprietăţii (φ6) avem ϕη (t ) = ϕξ (t )ϕξ (t ) , unde
1 2
+∞ 1
1 itx eit − e − it sin t
ϕξ1 (t ) = ∫ e f ξ1 ( x )dx = ∫ e dx =
itx
= ,
−∞
2 −1 2it t
şi
+∞ 0 2
ϕξ 2 (t ) = ∫ eitx f ξ 2 ( x )dx =
1
∫ (x + 2)eitx dx + 1 ∫ (2 − x )eitx dx = 1 − cos 2t ,
−∞
4 −2 40 2t
sin t (1 − cos 2t )
deci ϕη (t ) = .
2t 2
3. Să se determine funcţia caracteristică şi momentele unei variabile aleatoare ξ
(
normală N m, σ 2 . )
−
( x − m )2
1
Răspuns. Avem f ( x ) = e 2σ2
, deci
σ 2π
itx − +∞ ( x − m )2
1
ϕ(t ) = ∫ e 2σ 2
dx .
σ 2π − ∞
x−m
Cu schimbarea de variabilă u = − itσ obţinem
σ
t 2 σ 2 +∞ u 2 t 2σ2
1 imt − imt −
ϕ(t ) = e 2
∫e 2
du = e 2
,
2π −∞

140
 +∞ u 2
deoarece ∫e
−∞
2
du = 2π .

t 2σ 2
Avem ϕ′(0 ) = im − σ t e ( 2
) imt −
2
= im deci M (ξ ) = m . Analog obţinem
t =0

M 2 (ξ ) = m + σ , M 3 (ξ ) = m + 2mσ , D 2 (ξ ) = σ 2 etc.
2 2 3 2

Definiţie. O funcţie de repartiţie F este normalizată dacă valorile lui F în

F (x − 0) + F (x + 0)
punctele sale de discontinuitate sunt egale cu .
2
Am văzut că dată fiind funcţia de repartiţie a unei variabile aleatoare putem
construi funcţia sa caracteristică. Rezultatul reciproc este dat de:
Formula de inversiune. Fie variabila aleatoare ξ a cărei funcţie de repartiţie
este F şi funcţia caracteristică ϕ . Dacă x1 şi x2 ( x1 < x2 ) sunt puncte de continuitate
a lui F , atunci
c − itx1 − itx 2
1 e −e
F ( x2 ) − F ( x2 ) = lim ϕ(t )dt .
c → ∞ 2π ∫
(6.7.)
−c
it
Relaţia (6.7.) are loc pentru orice x1 , x2 ( x1 < x2 ), dacă F este normalizată.
Pentru demonstraţie vezi [9].
Din formula de inversiune se deduce cu uşurinţă:
Teorema de unicitate. Funcţia de repartiţie este determinată în mod unic de
funcţia sa caracteristică.
În ipoteza că ξ are densitate de repartiţie din formula de inversiune rezultă
următoarele consecinţe:
1. Dacă funcţia de repartiţie F este derivabilă în punctul x derivata sa, f , în x este
dată de relaţia
c
1 1 − eith −itx
f ( x ) = lim lim e ϕ(t )dt ,
h → ∞ c → ∞ 2π ∫
(6.8.)
−c
ith
dacă şi numai dacă membrul drept există.
2. Dacă funcţia caracteristică ϕ este absolut integrabilă pe \ , atunci funcţia de
repartiţie corespunzătoare F este absolut continuă, derivata ei, f , este continuă şi
+∞
1
f (x ) = ∫ e − itx ϕ(t )dt . (6.9.)
2π − ∞
Exemple.
1. [4] Să se determine funcţia de repartiţie corespunzătoare funcţiei caracteristice
t2
−
ϕ(t ) = e 2
.

141
Răspuns. Formula de inversiune se scrie
+∞ +∞ t2
1 1 − e − itx 1 1 − e − itx − 2
( )
2π −∫∞ it 2π −∫∞ it
F ( x ) − F (0 ) = ϕ t dt = e dt =

+∞ t2 +∞ t2
1 sin tx − 2 1 1 − cos tx − 2
2π −∫∞ t 2π −∫∞
= e dt + e dt =
it
+∞ t2
1 sin tx − 2
=
π ∫
0
t
e dt

Derivând în raport cu x şi integrând prin părţi obţinem

+∞ t2 +∞ t2
1 − 1 −
F ′( x ) = dt şi analog F ′′( x ) = −
πx −∫∞ π −∫∞
t sin tx ⋅ e 2
t sin tx ⋅ e 2
dt de unde

rezultă ecuaţia diferenţială F ′′( x ) = − xF ′( x ) .

x2
−
Integrând avem F ′( x ) = Ce 2
, de unde
x u2
−
F (x ) = C ∫ e 2
du + C1 .
−∞
+∞ x2
−
Ţinând seama că ∫e 2
dx = 2π , din F (− ∞ ) = 0 rezultă C1 = 0 , iar din
−∞
1
F (+ ∞ ) = 1 rezultă C = , deci
2π
x u2
1 −
F (x ) = ∫ e 2 du .
2π − ∞
2. Să se determine densitatea de repartiţie a variabilei aleatoare a cărei funcţie
caracteristică este ϕ(t ) = e .
−t

Răspuns. Avem conform consecinţei 2.

1 ⎡ t − itx ⎤
+∞ 0 +∞
1
f (x )
2π −∫∞ 2π ⎣−∫∞ ∫0
− t − itx − t − itx
= e e dt = ⎢ e e dt + e e dt ⎥=
⎦
+∞ +∞
=
1
∫
2π 0
( 1
)
e − t eitx − e − itx dt = ∫ e − t cos txdt
π 0
1
Integrând prin părţi obţinem f ( x ) = , x∈\.
(
π 1 + x2 )

142
 6.2. Funcţii caracteristice n − dimensionale

Fie ξ = (ξ1 ,..., ξ n ) o variabilă aleatoare n − dimensională a cărei funcţie de

repartiţie este F ( x1 ,..., xn ) .
Definiţie. Se numeşte funcţie caracteristică a variabilei aleatoare
n − dimensionale ξ aplicaţia ϕ : \ n → ^ definită de relaţia
n
+∞ +∞ i ∑ t k xk
ϕ(t1 ,..., tn ) = ∫"∫ e k =1
dF ( x1 ,..., xn ) . (6.10.)
−∞ −∞
Pentru n = 1 , (6.10.) se reduce la (6.1.).
Funcţia caracteristică a unei variabile aleatoare n − dimensionale are următoarele
proprietăţi
(φ1) ϕ(0,...,0 ) = 1 .
(φ2) ϕ(t1 ,..., tn ) ≤ 1 , ( t1 ,..., tn ) ∈ \ n .
(φ3) ϕ(− t1 ,...,−tn ) = ϕ(t1 ,..., tn ) .
(φ4) ϕ este uniform continuă pe \ n .
(φ5) Dacă ξ = (ξ1 ,..., ξ n ) , η = (a1ξ1 + b1 ,..., an ξn + bn ) cu a j , bj ∈ \ ,
1 ≤ j ≤ n , atunci
n
i ∑b jt j
ϕη (t1 ,..., tn ) = e j =1
ϕξ (a1t1 ,..., antn ) .
Funcţia de repartiţie este determinată în mod unic de funcţia caracteristică.
Exemplu. [4] Să se determine funcţia caracteristică a variabilei aleatoare
bidimensionale ξ = (ξ1 ,ξ 2 ) a cărei densitate de repartiţie este
x 2 − 2 axy + y 2
−
1 ( ) .
f ( x, y ) = e 2 1− a 2

(
2π 1 − a 2 )
Răspuns. Avem
+∞ +∞
(t1 x + t 2 y )
ϕ(t1 , t2 ) = ∫ ∫e dF ( x, y ) =
−∞ −∞
x 2 − 2 axy + y 2
1 (t1 x + t 2 y )− +∞ +∞
2 (1− a 2 )
2 ∫ ∫
= e dxdy
2π 1 − a − ∞ − ∞ ( )
x − ay
Cu schimbarea de variabile u = , v = y se obţine
1 − a2

143
 a 2 +v2
i ⎢ (t1a + t 2 )v + t1v
+∞ +∞ ⎡
1 1− a 2 ⎤⎥ −
ϕ(t1 , t2 ) = ∫ ∫ e ⎣ ⎦ 2
dudv =
2π − ∞ − ∞
− (
1 2
t + 2 at1t 2 + t 22 )⎡ 1 +∞ +∞
−
u 2 +v2 ⎤ − (t12 + 2 at1t 2 + t 22 )
1
=e 2 1
⎢ ∫ ∫e
⎢⎣ 2π − ∞ − ∞
2
dudv ⎥ = e 2
⎥⎦
+∞ +∞ u2 +v2
1 −

2π −∫∞ −∫∞
deoarece e 2
dudv = 1 .

6.3. Convergenţa şirurilor de funcţii caracteristice

Teorema 6.2. Dacă şirul de funcţii de repartiţie ( Fn )n∈`* converge către o

funcţie de repartiţie F în toate punctele de continuitate ale lui F , atunci şirul de funcţii
caracteristice (ϕ n ) n∈`* corespunzătoare funcţiilor de repartiţie din şirul dat, converge
uniform în orice interval mărginit către funcţia caracteristică ϕ , corespunzătoare
funcţiei de repartiţie F .
Pentru Demonstraţie vezi [13].
Teorema 6.3. Dacă şirul de funcţii caracteristice (ϕ n ) n∈`* converge pentru orice
t ∈ \ către o funcţie ϕ continuă pe \ , atunci şirul de funcţii de repartiţie ( Fn )n∈`*
corespunzătoare funcţiilor caracteristice din şirul ales, converge către o funcţie de
repartiţie F în toate punctele de continuitate ale lui F , iar ϕ este funcţia
caracteristică corespunzătoare lui f .
Exemple.
1. Să se arate că şirul de variabile aleatoare (ξ n )n∈`* cu aceeaşi densitate de
x n −1 − x
probabilitate f ( x ) = e tinde către legea normală când n → ∞ .
(n − 1)!
Răspuns. Avem
+∞
1 n!
M (ξ n ) = ∫ x n e − x dx = = n,
(n − 1)! 0 (n − 1)!
+∞
M ξ = ( )
1 2
∫
(n − 1)! 0
n x n +1e − x dx = n(n + 1) ,

deci D 2 (ξ n ) = n .
ξ n − M (ξ n ) ξ n − n ξ n
Fie variabila aleatoare ηn = = = − n . Avem
D(ξ n ) n n

144
 +∞ ⎛ x ⎞
it ⎜⎜ − n ⎟⎟
1
ϕηn (t ) = ∫ e ⎝ n ⎠
x n −1dx =
(n − 1)! 0
+∞ ⎛ it ⎞
− ⎜⎜ 1− ⎟⎟ x
1
e − it ∫x
n −1
= n
e ⎝ n⎠
dx
(n − 1)! 0
1− n
⎛ it ⎞
Integrând prin părţi de n − 1 ori obţinem ϕη n (t ) = e − it n
⎜1 − ⎟ .
⎝ n⎠
it t 2
Avem ln ϕηn (t ) = − − + θ(n ) , unde lim θ(n ) = 0 , deci
n 2 n →∞

t2
t2 −
lim ln ϕηn (t ) = − de unde lim ϕη n (t ) = e 2 . Deci şirul (ξ n )n∈`* converge în
n →∞ 2 n →∞

repartiţie către legea normală.

2. Să se arate că în teorema 6.3 este esenţial ca limita ϕ să fie continuă în t = 0 ( ϕ este
continuă pentru orice t ∈ \ dacă este continuă în t = 0 ).
⎧0 pentru x ≤ − n
⎪
⎪x + n
Răspuns. Fie Fn ( x ) = ⎨ pentru − n < x < n , iar densitatea de probabilitate
⎪ 2n
⎪⎩1 pentru x ≥ n
⎧1
⎪ pentru − n < x < n
corespunzătoare va fi f n ( x ) = ⎨ 2n . Şirul funcţiilor
⎪0 pentru x ≤ − n sau x ≥ n
⎩
n
1 sin nt
caracteristice este dat de ϕn (t ) = ∫ eitx dx = şi
2n − n nt
⎧1 pentru t = 0
lim ϕn (t ) = ϕ(t ) = ⎨ .
n →∞
⎩0 pentru t ≠ 0
Rezultă că ϕ nu este continuă în punctul t = 0 .
1
Pentru orice x fixat lim Fn ( x ) = , adică limita şirului ( Fn )n∈`* nu este o
n →∞ 2
funcţie de repartiţie.

145
 EXERCIŢII ŞI PROBLEME PROPUSE

6.1. Fie variabilele aleatoare independente ξ1 ,..., ξ n repartizate normal. Să se determine

k
repartiţia variabilei aleatoare η = ∑ξ .
i =1
i

Răspuns. η urmează o lege de repartiţie normală.

6.2. Să se determine funcţiile caracteristice ale variabilelor aleatoare ale căror densităţi de
probabilitate sunt:
⎧1 − x ⎛ −
2x
⎞
5⎜ 15 ⎟
⎪ e ⎜1 − e ⎟ pentru x ≥ 0
a. f ( x ) = ⎨ 2 ⎝ ⎠ .
⎪ pentru x < 0
⎩0
⎧ π π
⎪3 sin 3 x pentru < v <
⎪ 6 3
b. f ( x ) = ⎨ .
⎪0 π π
pentru x ≤ sau x ≥
⎪⎩ 6 3
2
c. f ( x ) = , x∈\,
(
π e + e− x
x
)
6.3. Fie F şi ϕ respectiv funcţia de repartiţie şi funcţia caracteristică a unei variabile
aleatoare a cărei moment de ordinul doi, μ 2 , există. Se cere:
1
a. Să se arate că ψ(t ) = − ϕ′′(t ) este o funcţie caracteristică.
μ2
t2
(
b. 1 − t e 2
) −
2
este funcţie caracteristică.
6.4. Să se determine funcţia caracteristică şi momentele de ordinul k ale variabilei
⎧e − x pentru x ≥ 0
aleatoare ξ a cărei densitate de probabilitate este f ( x ) = ⎨ .
⎩0 pentru x < 0
Răspuns. μ k = k! .
6.5. Funcţia caracteristică a unei variabile aleatoare ξ este ϕ(t ) = e
−a t
, a > 0 . Să se
determine repartiţia lui ξ .
a
Răspuns. f ( x ) =
(
π a + x2
.
2
)
6.6. [4]. Fie (ξ n )n∈`* un şir de variabile aleatoare. Să se arate că şirul (ξ n )n∈`*
converge în probabilitate către o constantă k dacă şi numai dacă lim ϕξ n (t ) = eikt .
n →∞

146
6.7. [6]. Fie (ξ n )n∈`* un şir de variabile aleatoare independente, având aceeaşi funcţie
de repartiţie şi aceeaşi valoare medie m . Să se arate că şirul (ηn )n∈`* , unde
1 n
ηn = ∑ ξi converge în probabilitate către m .
n i =1
(
Răspuns. Se arată că şirul ϕηn ( t ) ) n∈`*
converge către funcţia caracteristică a variabilei
constante m .
6.8. Fie ξ şi η două variabile aleatoare cu aceeaşi densitate de probabilitate
⎧1
⎪ pentru x ∈ [− 1,1]
f ξ (x ) = f η (x ) = ⎨ 2 . Să se determine funcţia caracteristică a
⎪0 pentru x ∉ [− 1,1]
⎩
variabilei aleatoare ξ + η .
sin t sin 2 t
Răspuns. ϕξ (t ) = ϕη (t ) = , ϕξ + η (t ) = 2 .
t t
6.9. Să se determine densitatea de probabilitate corespunzătoare funcţiei caracteristice
ϕ(t ) = eλ (e ).
it −1

[x ]
λk
Răspuns. F ( x ) − F (0 ) = e − λ ∑ .
k = 0 k!

147
 x2
1 −
ANEXA 1 - Tabla de valori a funcţiei f ( x ) = e 2
2π

x 0 1 2 3 4 5 6 7 8 9
0,0 0,3989 3989 3989 3988 3986 3984 3982 3980 3977 3973
0,1 3970 3965 3961 3956 3951 3945 3939 3932 3925 3918
0,2 3910 3902 3894 3885 3876 3867 3857 3847 3836 3825
0,3 3814 3802 3790 3778 3765 3752 3739 3726 3712 3697
0,4 3683 3668 3652 3637 3621 3605 3589 3572 3555 3538
0,5 3521 3503 3485 3467 3448 3429 3410 3391 3372 3352
0,6 3332 3312 3292 3271 3251 3230 3209 3187 3166 3144
0,7 3123 3101 3079 3056 3034 3011 2989 2966 2943 2920
0,8 2897 2874 2850 2827 2803 2780 2756 2732 2709 2685
0,9 2661 2637 2613 2589 2565 2541 2516 2492 2468 2444
1,0 0,2420 2396 2371 2347 2323 2299 2275 2251 2227 2203
1,1 2179 2155 2131 2107 2083 2059 2036 2012 1989 1965
1,2 1942 1919 1895 1872 1849 1826 1804 1781 1758 1736
1,3 1714 1691 1669 1647 1626 1604 1582 1561 1539 1518
1,4 1497 1476 1456 1435 1415 1394 1374 1354 1334 1315
1,5 1295 1276 1257 1238 1219 1200 1182 1163 1145 1127
1,6 1109 1092 1074 1057 1040 1023 1006 0989 0973 0957
1,7 0940 0925 0909 0893 0878 0863 0848 0833 0818 0804
1,8 0790 0775 0761 0748 0734 0721 0707 0694 0681 0669
1,9 0656 0644 0632 0620 0608 0596 0584 0573 0562 0551
2,0 0,0540 0529 0519 0508 0498 0488 0478 0468 0459 0449
2,1 0440 0431 0422 0413 0404 0396 0387 0379 0371 0363
2,2 0355 0347 0339 0332 0325 0317 0310 0303 0297 0290
2,3 0283 0277 0270 0264 0258 0252 0246 0241 0235 0229
2,4 0224 0219 0213 0208 0203 0198 0194 0189 0184 0180
2,5 0175 0171 0167 0163 0158 0154 0151 0147 0143 0139
2,6 0136 0132 0129 0126 0122 0119 0116 0113 0110 0107
2,7 0104 0101 0099 0096 0093 0091 0088 0086 0084 0081
2,8 0079 0077 0075 0073 0071 0069 0067 0065 0063 0061
2,9 0060 0058 0056 0055 0053 0051 0050 0048 0047 0046
3,0 0,0044 0043 0042 0040 0039 0038 0037 0036 0035 0034
3,1 0033 0032 0031 0030 0029 0028 0027 0026 0025 0025
3,2 0024 0023 0022 0022 0021 0020 0020 0019 0018 0018
3,3 0017 0017 0016 0016 0015 0015 0014 0014 0013 0013
3,4 0012 0012 0012 0011 0011 0010 0010 0010 0009 0009
3,5 0009 0008 0008 0008 0008 0007 0007 0007 0007 0006
3,6 0006 0006 0005 0005 0005 0005 0005 0005 0005 0004
3,7 0004 0004 0004 0004 0004 0004 0003 0003 0003 0003
3,8 0003 0003 0003 0003 0003 0002 0002 0002 0002 0002
3,9 0002 0002 0002 0002 0002 0002 0002 0002 0001 0001

148
 x z2
1 −
ANEXA 2 - Tabla de valori a funcţiei Φ ( x ) = ∫
*
e 2 dz
2π 0

x Φ* ( x ) x Φ* ( x ) x Φ* ( x ) x Φ* ( x )
0,00 0,0000 0,32 0,1255 0,64 0,2389 0.96 0,33315
0,01 0,0040 0,33 0,1293 0,65 0,2422 0,97 0,3340
0,02 0,0080 0,34 0,1331 0,66 0,2454 0,98 0,3365
0,03 0,0120 0,35 0,1368 0,67 0,2486 0,99 0,3389
0,04 0,0160 0,36 0,1406 0,68 0,2517 1,00 0,3413
0,05 0,0199 0,37 0,1443 0,69 0,2549 1,01 0,3438
0,06 0,0239 0,38 0,1480 0,70 0,2580 1,02 0,3461
0,07 0,0279 0,39 0,1517 0,71 0,2611 1,03 0,3485
0,08 0,0319 0,40 0,1554 0,72 0,2642 1,04 0,3508
0,09 0,03359 0,41 0,1591 0,73 02673 1,05 0,3531
0,10 0,0398 0,42 0,1628 0,74 0,2703 1,06 0,3554
0,11 0,0438 0,43 0,1664 0,75 0,2734 1,07 0,3577
0,12 0,0478 0,44 0,1700 0,76 0,2764 1,08 0,3599
0,13 0,0517 0,45 0,1736 0,77 0,2794 1,09 0,3621
0,14 0,0557 0,46 0,1772 0,78 0,2823 1,10 0,3643
0,15 0,0596 0,47 0,1808 0,79 0,2852 1,11 0,36665
0,16 0,0636 0,48 0,1844 0,80 0,2881 1,12 0,3686
0,17 0,0675 0,49 0,1879 0,81 0,2919 1,13 0,3708
0,18 0,0714 0,50 0,1915 0,82 0,2939 1,14 0,3729
0,19 0,0753 0,51 0,1950 0,83 0,2967 1,15 0,3749
0,20 0,0793 0,52 0,1985 0,84 0,2995 1,16 0,3770
0,21 0,0832 0,53 0,2019 0,85 0,3023 1,17 0,3790
0,22 0,0871 0,54 0,2054 0,86 0,3051
0,23 0,0910 0,55 0,2088 0,87 0,3078 1,18 0,3810
0,24 0,0948 0,56 0,2123 0,88 0,3106 1,19 0,3830
0,25 0,0987 0,57 0,2157 0,89 0,3133 1,20 0,3849
0,26 0,1026 0,58 0,2190 0,90 0,3159 1,21 0,3869
0,27 0,1064 0,59 0,2224 0,91 0,3159
0,28 0,1103 0,60 0,2257 0,92 0,32212 1,22 0,3883
0,29 0,1141 0,61 0,2291 0,93 0,3238 1,23 0,3907
0,30 0,1179 0,62 0,2324 0,94 0,3264 1,24 0,3925
0,31 0,1217 0,63 0,2357 0,95 0,3289 1,25 0,3944
1,26 0,3962 1,59 0,4441 1,92 0,4726 2,50 0,4938
1,27 0,3980 1,60 0,4452 1,93 0,4732 2,52 0,4941
1,28 0,3997 1,61 0,4463 1,94 0,4738 2,54 0,4945
1,29 0,4015 1,62 0,4474 1,95 0,4744 2,56 0,4948
1,30 0,4032 1,63 0,4484 1,96 0,4750 2,58 0,4951
1,31 0,4049 1,64 0,4495 1,97 0,4756 2,60 0,4953
1,32 0,4066 1,65 0,4505 1,98 0,4761 2,62 0,4956
1,33 0,4082 1,66 04515 1,99 0,4767 2,64 0,4959
1,34 0,4099 1,67 0,4525 2,00 0,4772 2,66 0,4961
1,35 0,4115 1,68 0,4535 2,02 0,4783 2,68 0,4963

149
 x Φ* ( x ) x Φ* ( x ) x Φ* ( x ) x Φ* ( x )
1,36 0,41131 1,69 0,4545 2,04 0,4793 2,70 0,4965
1,37 0,4147 1,70 0,4554 2,06 0,4803 2,72 0,4967
1,38 0,4162 1,71 0,4564 2,08 0,4812 2,74 0,4969
1,39 0,4177 1,72 0,4573 2,10 0,4821 2,76 0,4971
1,40 0,4192 1,73 0,4582 2,12 0,4830 2,78 0,4973
1,41 0,4207 1,74 0,4591 2,14 0,4838 2,80 0,4974
1,42 0,4222 1,75 0,4599 2,16 0,4846 2,82 0,4976
1,43 0,4236 1,76 0,4608 2,18 0,4854 2,84 0,4977
1,44 0,4251 1,77 0,4616 2,20 0,4861 2,86 0,4979
1,45 0,4265 1,78 0,4625 2,22 0,4868 2,88 0,4980
1,46 0,4279 1,79 0,4633 2,24 0,4875 2,90 0,4980
1,47 0,4292 1,80 0,4641 2,26 0,4881 2,92 0,4982
1,48 0,4306 1,81 0,4649 2,28 04887 2,94 0,4984
1,49 0,4319 1,82 0,4656 2,30 0,4893 2,96 0,4985
1,50 0,4332 1,83 0,4664 2,32 0,4898 2,98 0,4986
1,51 0,4345 1,84 0,4671 2,34 0,4904 3,00 0,49865
1,52 0,4357 1,85 0,4678 2,36 0,4909 3,20 0,49931
1,53 0,4370 1,86 0,4686 2,38 0,4913 3,40 0,49966
1,54 0,4382 1,87 0,4693 2,40 0,4918 3,60 0,49981
1,55 0,4394 1,88 04699 2,42 0,4922 3,80 0,499928
1,56 0,4406 1,89 0,4706 2,44 0,4927 4,00 0,499968
1,57 0,4418 1,90 0,4713 2,46 0,4931 4,50 0,499997
1,58 0,4429 1,91 0,4719 2,48 0,4934 5,00 0,499997

150
 ANEXA 3 - Tabla de valori t γ = t (γ , n )

n\γ 0,95 0,99 0,999 n\γ 0,95 0,99 0,999

5 2,78 4,60 8,61 20 2,093 20861 3,883
6 2,57 4,03 6,86 25 2,064 2,797 3,745
7 2,45 3,71 5,96 30 2,045 2,756 3,659
8 2,37 3,50 5,41 35 2,032 2,729 3,600
9 2,31 3,36 5,04 40 2,023 2,708 4,558
10 2,26 3,25 4,78 45 2,016 2,692 3,527
11 2,23 3,17 4,59 50 2,009 2,679 3,502
12 2,20 3,11 4,44 60 2,001 2,662 3,464
13 2,18 3,06 4,32 70 1,996 2,649 3,439
14 2,16 3,01 4,22 80 1,991 2,640 3,418
15 2,15 2,98 4,14 90 1,987 2,633 3,403
16 2,13 2,95 4,07 100 1,984 2,627 3,392
17 2,12 2,92 4,02 120 1,980 2,617 3,374
18 2,11 2,90 3,97 ∞ 1,960 2,576 3,291
19 2,10 2,88 3,92

151
 ANEXA 4 - Tabla de valori q γ = q (γ , n )

n\γ 0,95 0,99 0,999 n\γ 0,95 0,99 0,999

5 1,37 2,67 5,64 20 0,37 0,58 0,88
6 1,09 2,01 3,88 25 0,32 0,49 0,73
7 0,92 1,62 2,98 30 0,28 0,43 0,63
8 0,80 1,38 2,42 35 0,26 0,38 0,56
9 0,71 1,20 2,06 40 0,24 0,65 0,50
10 0,65 1,08 1,80 45 0,22 0,32 0,46
11 5,59 0,98 1,60 50 0,21 0,30 0,43
12 0,55 0,90 1,45 60 0,188 0,269 0,38
13 0,52 0,38 1,33 70 0,174 0,245 0,34
14 0,48 0,78 1,23 80 0,161 0,226 0,31
15 0,46 0,73 1,15 90 0,151 0,211 0,29
16 0,44 0,70 1,07 100 0,143 0,198 0,27
17 0,42 0,66 1,01 150 0,115 0,160 0,221
18 0,40 0,63 0,96 200 0,099 0,136 0,185
19 0,39 0,60 0,92 250 0,089 0,120 0,162

152
 ANEXA 5 - Punctele critice ale distribuţiei χ2

Număr de
grade de Nivel de semnificaţie α
libertate k
0,01 0,025 0,05 0,95 0,975 0,99
1 6,6 5,0 3,8 0,0039 0,00098 0,00016
2 9,2 7,4 6,0 0,103 0,051 0,020
3 11,3 9,4 7,8 0,352 0,216 0,115
4 1303 11,1 9,5 0,711 0,484 0,297
5 15,1 12,8 11,1 1,15 0,831 0,554
6 16,8 14,4 12,6 1,64 1,24 0,872
7 18,5 16,0 14,1 2,17 1,69 1,24
8 20,1 17,5 15,5 2,73 2,18 1,65
9 21,7 19,0 16,9 3,33 2,70 2,09
10 23,2 20,5 18,3 3,94 3,25 2,56
11 24,7 21,9 19,7 4,57 3,82 3,05
12 26,2 23,3 21,0 5,23 4,40 3,57
13 27,7 24,7 22,4 5,89 5,01 4,11
14 29,1 26,1 23,7 6,57 5,63 4,66
15 30,6 27,5 25,0 7,26 6,26 5,23
16 32,0 28,8 26,3 7,96 6,91 5,81
17 33,4 30,2 27,6 8,67 7,56 6,41
18 34,8 31,5 28,9 9,39 8,23 7,01
19 36,2 32,9 30,1 10,1 8,91 7,63
20 37,6 34,2 31,4 10,9 9,59 8,26
21 38,9 35,5 32,7 11,6 10,3 8,90
22 40,3 36,8 33,9 12,3 11,0 9,54
23 41,6 38,1 3,2 13,1 11,7 10,2
24 43,0 39,4 36,4 13,8 12,4 10,9
25 44,3 40,6 37,7 14,6 13,1 11,5
26 45,6 41,9 38,9 15,4 13,8 12,2
27 47,0 43,2 40,1 16,2 14,6 12,9
28 48,3 44,5 41,3 16,9 15,3 13,6
29 49,6 45,7 42,6 17,7 16,0 14,3
30 50,9 47,0 43,8 18,5 16,8 15,0

153
 ANEXA 6 - Puncte critice ale distribuţiei Student

Număr de grade Nivel de semnificaţie α

de libertate k (regiunea critică bilaterală)
0,10 0,05 0,02 0,01 0,002 0,001
1 6,31 12,7 31,82 63,7 318,3 637,0
2 2,92 4,30 6,97 9,92 22,33 31,6
3 2,35 3,18 4,54 5,84 10,22 12,9
4 2,13 2,78 3,75 4,60 7,17 8,61
5 2,01 2,57 3,37 4,03 5,89 6,86
6 1,94 2,45 3,14 3,71 5,21 5,96
7 1,89 2,36 3,00 3,50 4,79 5,40
8 1,86 2,31 2,90 3,36 4,50 5,04
9 1,83 2,26 2,82 3,25 4,30 4,78
10 1,81 2,23 2,76 3,17 4,14 4,59
11 1,80 2,20 2,72 3,11 4,03 4,44
12 1,78 2,18 2,68 3,05 3,93 4,32
13 1,77 2,16 2,65 3,01 3,85 4,22
14 1,76 2,14 2,62 2,98 3,79 4,14
15 1,75 2,13 2,60 2,95 3,73 4,07
16 1,75 2,12 2,58 2,92 3,69 4,01
17 1,74 2,11 2,57 2,90 3,65 3,96
18 1,73 2,10 2,55 2,88 3,61 3,92
19 1,73 2,09 2,54 2,86 3,58 3,88
20 1,73 2,09 2,53 2,85 3,55 3,85
21 1,72 2,08 2,52 2,83 3,53 3,82
22 1,72 2,07 2,51 2,82 3,51 3,79
23 1,71 2,07 2,50 2,81 3,49 3,77
24 1,71 2,6 2,49 2,80 3,47 3,74
25 1,71 2,06 2,49 2,79 3,45 3,72
26 1,71 2,06 2,48 2,78 3,44 3,71
27 1,71 2,05 2,47 2,77 3,42 3,69
28 1,70 2,05 2,46 2,76 3,40 3,66
29 1,70 2,05 2,46 2,76 3,40 3,66
30 1,70 2,04 2,46 2,75 3,39 3,65
40 1,68 2,02 2,42 2,70 3,31 3,55
60 1,67 2,00 2,39 2,66 3,23 3,46
120 1,66 1,98 2,36 2,62 3,17 3,37
∞ 1,64 1,96 2,33 2,58 3,09 3,29
0,05 0,025 0,01 0,005 0,001 0,0005

154
 BIBLIOGRAFIE

[1] Borel E., Sur les probabilités denomerables et leurs applications aritmétiques. Rend. del.
Cerc. Mat. di Palermo, 1969, E. 27
[2] Blaschke, W., Vorlesungen über Integralgeometrie, ed. 3, V.E.B. Deutscher Verlag der
Wiss. Berlin, 1955.
[3] Bădiu, V., Raischi, C., Curs de matematici aplicate în economie. Lito ASE, Bucureşti, 1986.
[4] Cantelli, F.P., Considérations sur la convergence dans le calcul des probabilités. Ann. Inst.
M. Poincaré, 1935, 5, 3-50.
[5] Ciucu, G., Simboan, G., Teoria probabilităţilor şi statistica matematică. Editura Tehnică,
Bucureşti, 1962.
[6] Ciucu, G., Craiu, V., Săcuiu, I., Culegere de probleme de teoria probabilităţilor. Editura
Tehnică, Bucureşti, 1967.
[7] Ciucu, G., Craiu, V., Probleme de statistică matematică. Editura Didactică şi Pedagogică,
Bucureşti, 1968.
[8] Cramér, H., Mathematical methods of statistics. Princeton, 1946.
[9] Gmurman, V.E. Problemas de la teoria de los probabilidades y de estadistica matematica.
Editorial Mir U.R.S.S., 1975.
[10] Iosifescu, M., Mihoc, Gh., Teoria probabilităţilor şi statistica matematică. Edititura Tehnică,
Bucureşti, 1966.
[11] Kendall, M.G., Moran P.A.P., Geometrical Probability. Charles Griggin comp. Lim.
London, 1963.
[12] Kolomogorov, A.N., Determinazione empirica di una legge di distribuzione. Giornale Set.
Hal. AHuari 1933, 4, 83.
[13] Levy, P., Probability Theory, ed. 2-a, New-York, 1960.
[14] Leonte, A., Trandafir R., Clasic şi actual în teoria probabilităţilor. Editura Dacia, Cluj-
Napoca, 1974.
[15] Loève, Michel, Probability Theory, R. Van Nostrand Inc., New York, 1970.
[16] Mihoc, G., Asupra proprietăţilor generale ale variabilelor statistice independente. Bull-
Math. Soc. Roum. Sci. 37 1, 37 – 82 (1933), 37, 2 17–78 (1936).
[17] Mihoc, G., Urseanu, V., Matematici aplicate în statistică. Editura Academiei R.P.R.,
Bucureşti, 1962.
[18] Mihoc, G., Ciucu, G., Craiu V., Teoria probabilităţilor şi statistică matematică, Editura
Didactică şi Pedagogică, Bucureşti, 1978.
[19] Onicescu, O., Probabilităţi şi procese aleatoare. Editura Ştiinţifică şi Enciclopedică,
Bucureşti, 1977.
[20] Onicescu, O., Mihoc, G., Lecţii de statistică matematică. Editura Tehnică, Bucureşti, 1958.
[21] Onicescu, O., Mihoc, G., ş.a., Calculul probabilităţilor şi aplicaţii. Editura Academiei
R.S.R., Bucureşti, 1956.
[22] Popescu, O., ş.a., Matematici aplicate în economie. Editura Didactică şi Pedagogică,
Bucureşti, 1997.
[23] Rényi, A., On the theory of order statistics. Acta Matematica, Acad. Scientiarum
Stungaricol, 1953, 4.
[24] Santaló, L.A., Über das kinematische Mass im Raum, (G.1.5). Act. Sci. et. Ind. 357
Hermann, Paris, 1931.
155
 [25] Sîmboan, G. ş.a., Teoria probabilităţilor. Editura Didactică şi Pedagogică, Bucureşti, 1967.
[26] Trandafir, R., Culegere de probleme matematici pentru ingineri, ed. II-a, Editura Tehnică,
1977.
[27] Tortrat, A., Calcul des probabilités. Paris, 1963.

156