1.

ELEMENTE DE TEORIA
PROBABILITĂŢILOR
1.1. Evenimente
Definiţie 1.1.1. Realizarea practică a unui
ansamblu de condiţii bine precizat poartă numele de
experienţă sau probă.
Definiţie 1.1.2. Prin eveniment vom înţelege
orice rezultat al unei experienţe despre care putem spune
că s-a realizat sau că nu s-a realizat, după efectuarea
experimentului considerat. Evenimentele se pot clasifica
în: evenimente sigure; evenimente imposibile,
evenimente aleatoare.
Definiţie 1.1.3. Evenimentul sigur este
evenimentul care se produce în mod obligatoriu la
efectuarea unei probe şi se notează cu E.
Definiţie 1.1.4. Evenimentul imposibil este
evenimentul care în mod obligatoriu nu se produce la
efectuarea unei probe şi se notează cu
φ
.
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.1.5. Evenimentul aleator este
evenimentul care poate sau nu să se realizeze la
efectuarea unei probe şi se notează prin litere mari A, B,
C, …, sau prin litere mari urmate de indici A
i
, B
i
,….
Definiţie 1.1.6. Evenimentul contrar
evenimentului A se notează Ā şi este evenimentul ce se
realizează numai atunci când nu se realizează
evenimentul A.
Definiţie 1.1.7. Un eveniment se numeşte:
1) elementar dacă se realizează ca rezultat al
unei singure probe; se notează cu e.
2) compus dacă acesta apare cu două sau mai
multe rezultate ale probei considerate.
Definiţie 1.1.8. Mulţimea tuturor evenimentelor
elementare generate de un experiment aleator se numeşte
spaţiul evenimentelor elementare şi se notează cu E. E
poate fi finit sau infinit.
Observaţie 1.1.9. O analogie între evenimente
şi mulţimi permite o scriere şi în general o exprimare mai
comode ale unor idei şi rezultate legate de conceptul de
6
Elemente de teoria probabilităţilor
eveniment. Astfel, vom înţelege evenimentul sigur ca
mulţime a tuturor evenimentelor elementare, adică:
{ ¦
n
e e e E ,..., ,
2 1
·
şi orice eveniment compus ca o
submulţime a lui E. De asemenea, putem vorbi despre
mulţimea tuturor părţilor lui E pe care o notăm prin P(E),
astfel că pentru un eveniment compus A putem scrie, în
contextul analogiei dintre evenimente şi mulţimi, că
E A ⊆
sau
) (E P A∈
.
Exemplul 1.1.10. Fie un zar, care are cele şase
feţe marcate prin puncte de la 1 la 6. Se aruncă zarul pe o
suprafaţă plană netedă. Dacă notăm cu e
i
= evenimentul
"apariţia feţei cu i puncte",
6 , 1 i ·
, atunci spaţiul
evenimentelor elementare ataşat experimentului cu un zar
este dat prin E={e
1
, e
2
, e
3
, e
4
, e
5
, e
6
}.
Evenimentul sigur E este "apariţia feţei cu un
număr de puncte ≤ 6".
Evenimentul imposibil
φ
este "apariţia feţei cu
7 puncte".
1.2. Relaţii între evenimente
7
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.2.1. Spunem că evenimentul A
implică evenimentul B şi scriem B A ⊂ , dacă realizarea
evenimentului A atrage după sine şi realizarea
evenimentului B.
Observaţie 1.2.2. B A ⊂ şi C B⊂ rezultă
C A ⊂ - proprietatea de tranzitivitate a relaţiei de
implicare.
Dacă A, B, C sunt evenimente aleatoare asociate
unei experienţe, au loc relaţiile:
i)
; , , E C E B E A ⊂ ⊂ ⊂
ii)
C; C , , ⊂ ⊂ ⊂ B B A A
iii)
; , , C B A ⊂ ⊂ ⊂ φ φ φ
Definiţie 1.2.3. Spunem că evenimentele A şi B
sunt echivalente (egale) dacă avem simultan B A ⊂ şi
A B⊂ .
Definiţie 1.2.4. Prin reunirea evenimentelor A şi
B vom înţelege evenimentul notat B A ∪ care se
realizează odată cu realizarea a cel puţin unuia dintre
evenimentele A şi B.
8
Elemente de teoria probabilităţilor
Observaţie 1.2.5. Dacă notăm prin K mulţimea
evenimentelor asociate unui experiment aleator avem:
1.
A B B A K B , A ∪ · ∪ ⇒ ∈ ∀

(comutativitatea);
2.
) C B ( A C ) B A ( K C , B , A ∪ ∪ · ∪ ∪ ⇒ ∈ ∀

(asociativitatea);
3. Dacă
K B , A ∈
şi B B A B A · ∪ ⇒ ⊂ (evident
E E A · ∪ ,
A A · φ ∪
,
E E · φ ∪
şi
E A A · ∪
).
Definiţie 1.2.6. Prin intersecţia evenimentelor A
şi B vom înţelege evenimentul notat B A ∩ care se
realizează dacă ambele evenimente se realizează.
Observaţie 1.2.7. Au loc relaţiile următoare:
1.
A B B A K B , A ∩ · ∩ ⇒ ∈ ∀

(comutativitatea)
2.
) C B ( A C ) B A ( K C , B , A ∩ ∩ · ∩ ∩ ⇒ ∈ ∀

(asociativitatea)
3. Dacă
K B , A ∈
şi B A ⊂ atunci A B A · ∩
(evident A E A · ∩ ,
φ · φ ∩ A
,
φ · φ ∩ E
şi A A A · ∩ ).
4.
φ · ∩ ⇒ ∈ ∀ A A K A
.
9
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.2.8. Spunem că evenimentele A şi B
sunt incompatibile dacă
φ · ∩B A
, adică realizarea lor
simultană este imposibilă, şi spunem că sunt compatibile
dacă
φ ≠ ∩B A
, adică este posibilă realizarea lor
simultană. Evenimentele A şi B sunt contrare unul altuia
dacă E B A · ∪ şi
φ · ∩B A
, adică realizarea unuia
constă din nerealizarea celuilalt.
Definiţie 1.2.9. Se numeşte diferenţa
evenimentelor A şi B, evenimentul notat A-B care se
realizează atunci când se realizează evenimentul A şi nu
se realizează evenimentul B.
Observaţie 1.2.10. Evident avem
B A B A ∩ · −
şi
A A E · −
.
Au loc relaţiile lui De Morgan:
B A B A ∩ · ∪

şi
B A B A ∪ · ∩
şi respectiv generalizările

I i
i
I i
i
A A
∈ ∈
·
;
 
I i
i
I i
i
A A
∈ ∈
·
.
Teorema 1.2.11. Dacă evenimentele A, B, C, D
∈ K, atunci sunt adevărate următoarele afirmaţii:
i) A – B = A – (A ∩ B)
ii) A – B = (A ∪ B) – B
10
Elemente de teoria probabilităţilor
iii) A = (A – B) ∪ (A ∩ B)
iv) (A – B) ∩ (B – A) = φ
v) A ∪ B = A ∪ [B - (A ∩ B)]
vi) A ∩ (B – C) = (A ∩ B) - (A ∩ C)
vii) (A – B) ∩ (C – D) = (A ∩ C) – (B ∪
D)
Definiţie 1.2.12. Evenimentele A şi B sunt
dependente dacă realizarea unuia depinde de realizarea
celuilalt şi sunt independente dacă realizarea unuia nu
depinde de realizarea celuilalt.
O mulţime de evenimente sunt independente în
totalitatea lor dacă sunt independente câte două, câte trei
etc.
Pentru evenimentele independente în totalitatea
lor vom folosi şi denumirea de evenimente independente.
Dacă
n 2 1
e ..., e , e
sunt evenimentele
elementare corespunzătoare unei experienţe atunci
mulţimea
{ ¦
n 2 1
e ,... e , e E ·
poartă numele de eveniment
total (este echivalentă cu evenimentul sigur).
11
Elemente de teoria probabilităţilor şi statistică matematică
1.3. Câmp de evenimente
Definiţie 1.3.1. O mulţime K de evenimente
formează un câmp de evenimente dacă satisface
axiomele:
i) K A K A ∈ ⇒ ∈ ∀
ii)
K B A K B , A ∈ ∪ ⇒ ∈ ∀
şi K B A ∈ ∩ .
Observaţie 1.3.2.
1. Notăm câmpul de evenimente [E,K].
2. Evident
K ∈ φ
şi K E∈ .
3. Dacă
{ ¦
n 2 1
e ,... e , e E ·
atunci
) E ( P K ⊂
.
4. Dacă într-o probă mulţimea evenimentelor
este infinită atunci câmpul de evenimente corespunzător
[E,K] are proprietatea:
K A ... 2 , 1 i , K A
1 i
i i
∈ ⇒ · ∈ ∀

·
şi
. K A
1 i
i


·

Definiţie 1.3.3. Într-un câmp de evenimente
[E,K], evenimentele
K A
i

,
n , 1 i ·
, formează un
sistem complet de evenimente (sau o partiţie a câmpului)
dacă:
12
Elemente de teoria probabilităţilor
i)
E A
n
1 i
i
·
·
ii)
φ · ∩
j i
A A

, j i ≠ ∀

n , 1 j , i ·
Observaţie 1.3.4. Evenimentele elementare
i
e
,
, n , 1 i ·
corespunzătoare unei probe formează un sistem
complet de evenimente care se mai numeşte sistem
complet elementar.
Propoziţie 1.3.5. Dacă
{ ¦
n
e e e E ,..., ,
2 1
·
atunci câmpul de evenimente corespunzător conţine 2
n
evenimente.
Demonstraţie:
Pentru un experiment de n rezultate elementare
şi prin urmare pentru un eveniment sigur E compus din n
evenimente elementare, vom avea diverse evenimente
compuse din acestea după cum urmează:
– evenimente compuse din câte zero
evenimente elementare
0
n
C ·
– evenimente compuse din câte un eveniment
elementar
1
n
C ·
13
Elemente de teoria probabilităţilor şi statistică matematică
– evenimente compuse din câte două
evenimente elementare
2
n
C ·
– - - - - - - - - - - - - - - - -
– evenimente compuse din câte k evenimente
elementare
k
n
C ·
– evenimente compuse din câte n evenimente
elementare
n
n
C ·
şi prin urmare, numărul total de evenimente ale lui K este
egal cu
n n
n
k
n n n
C C C C 2 ... ...
1 0
· + + + + +
1.4. Câmp de probabilitate
Definiţia axiomatică a probabilităţii 1.4.1. Fie
[E,K] un câmp de evenimente. Se numeşte probabilitate
pe mulţimea K o funcţie R K : P → care satisface
axiomele:
i)
K A 0 ) A ( P ∈ ∀ ≥
ii) P(E)=1
14
Elemente de teoria probabilităţilor
iii)
), B ( P ) A ( P ) B A ( P + · ∪
A, B
, K ∈

şi
φ · ∩B A
.
Definiţie 1.4.2. Se numeşte câmp de
probabilitate tripletul {E, K, P} unde E este evenimentul
total, K=P(E) iar P o probabilitate pe K.
Observaţie 1.4.3. În cazul în care câmpul de
evenimente [E,K] este infinit (K este infinită)
probabilitatea P definită pe K satisface axiomele:
i)
K A , 0 ) A ( P ∈ ∀ ≥
ii) P(E)=1
iii)
( )

∈ ∈
·

,
`

.
|
I i
i
I i
i
A P A P
dacă
, A A
j i
φ · ∩

, j i ≠

, I j , i ∈

, K A
i

I-o mulţime de
indici cel mult numărabilă.
Propoziţie 1.4.4. Au loc relaţiile:
1.
( ) 0 P · φ
2.
( ) ( ) A P 1 A P − ·
3.
( )

· ·
·

,
`

.
|
n
1 i
i
n
1 i
i
A P A P
dacă
, A A
j i
φ · ∩

, j i ≠

n , 1 j , i ·

Demonstraţie:
15
Elemente de teoria probabilităţilor şi statistică matematică
1) Din relaţiile φ ∪ E = E şi φ ∩ E = φ
aplicând axioma iii) din definiţia probabilităţii avem P(E)
= P(φ ∪ E) = P(φ ) + P(E) şi rezultă P(φ ) = 0
2) Din relaţiile
E A A · ∪
şi
φ · ∩A A

aplicând axioma iii) din definiţia probabilităţii avem
) ( ) ( ) ( A P A P A A P + · ∪
adică
) ( ) ( ) ( A P A P E P + ·

şi rezultă
) ( 1 ) ( A P A P − ·
3) Demonstrăm prin inducţie matematică
Pentru n = 2 P(A
1
∪ A
2
) = P(A
1
) + P(A
2
) relaţia
este adevărată conform axiomei iii) din definiţia
probabilităţii.
Presupunem relaţia adevărată pentru n – 1
evenimente, adică


·

·
·

,
`

.
|
1
1
1
1
) (
n
i
i
n
i
i
A P A P
şi demonstrăm pentru n
evenimente
16
Elemente de teoria probabilităţilor
∑ ∑
·

·

·

· ·
· + · +

,
`

.
|
·
]
]
]

,
`

.
|
·

,
`

.
|
n
i
i
n
i
n i n
n
i
i n
n
i
i
n
i
i
A P A P A P A P A P A A P A P
1
1
1
1
1
1
1 1
) ( ) ( ) ( ) (
 

dacă s-a folosit ipoteza de inducţie şi s-a ţinut seama că
φ · ∩

,
`

.
|

·
n
n
i
i
A A
1
1
Definiţia clasică a probabilităţii 1.4.5.
Probabilitatea unui eveniment A este egală cu raportul
dintre numărul evenimentelor egal probabile favorabile
evenimentului A şi numărul total al evenimentelor egal
probabile.
Altă formulare: probabilitatea unui eveniment
este raportul între numărul cazurilor favorabile
evenimentului şi numărul cazurilor posibile.
Observaţie 1.4.6.
1) Conform acestei definiţii nu putem stabili
probabilitatea unui eveniment ce aparţine unui câmp
infinit de evenimente.
2) Definiţia clasică se aplică numai atunci când
evenimentele elementare sunt egal posibile.
17
Elemente de teoria probabilităţilor şi statistică matematică
Exemplul 1.4.7. Considerăm experienţa de
aruncare a unui zar. Evenimentele elementare sunt egal
posibile şi avem 6 cazuri posibile. Notăm cu A
evenimentul "apariţia unei feţe cu număr par de puncte
6 ≤ " numărul cazurilor favorabile evenimentului A este
3. Deci
2
1
6
3
) A ( P · ·
.
Exemplul 1.4.8. Dintr-o urnă cu 15 bile
numerotate de la 1 la 15 se extrage o bilă la întâmplare.
Se consideră evenimentele:
A = obţinerea unui număr prim;
B = obţinerea unui număr par;
C =obţinerea unui număr divizibil prin
3.
Să calculăm probabilităţile acestor evenimente.
Rezolvare:
În această experienţă aleatoare numărul total al
cazurilor posibile este 15.
18
Elemente de teoria probabilităţilor
Pentru A numărul cazurilor favorabile este 6,
adică {2, 3, 5, 7, 11, 13}, deci
5
2
15
6
) A ( P · ·
.
Pentru B numărul cazurilor favorabile este 7,
adică {2, 4, 6, 8, 10, 12, 14}, deci
15
7
) B ( P ·
.
Pentru C, numărul cazurilor favorabile este 5,
adică { 3, 6, 9, 12, 15}, deci
3
1
15
5
) C ( P · ·
.
1.5. Reguli de calcul cu probabilităţi
P
1
) Probabilitatea diferenţei: Dacă
K B , A ∈
şi
B A ⊂ atunci
P(B-A)=P(B)-P(A)
Demonstraţie:
Din relaţiile B = A ∪ (B - A) şi A ∩ (B - A) =
φ aplicând axioma iii) avem
[ ] ) ( ) ( ) ( ) ( A B P A P A B A P B P − + · − ∪ ·
P
2
) Probabilitatea reunirii (formula lui
Poincaré):
19
Elemente de teoria probabilităţilor şi statistică matematică
Dacă
K B , A ∈
atunci
) ( ) ( ) ( ) ( B A P B P A P B A P ∩ − + · ∪
.
Demonstraţie:
Din relaţiile
[ ] ) ( B A B A B A ∩ − ∪ · ∪
şi
[ ] φ · ∩ − ∩ ) ( B A B A
aplicând axioma iii) avem
[ ] ) ( ) ( ) ( ) ( ) ( ) ( B A P B P A P B A B P A P B A P ∩ − + · ∩ − + · ∪
dacă s-a folosit P
1
.
Generalizare:
Dacă A
1
,A
2
,…A
n
sunt evenimente compatibile
atunci

,
`

.
|
− + + ∩ ∩ + ∩ − ·

,
`

.
|
·

≠ ≠

· · ·
∑ ∑ ∑ 
n
i
i
n
k j i
k j i
n
j i
j i
j i
n
i
i
n
i
i
A P A A A P A A P A P A P
1
1
1 , 1 1
) 1 ( . . . ) ( ) ( ) (
P
3
) Probabilităţi condiţionate: Dacă
0 ) B ( P ≠

atunci raportul
) B ( P
) B A ( P ∩
îl numim probabilitatea lui A
condiţionată de B şi notăm P
B
(A) sau
) B A ( P
.
Demonstraţie:
20
Elemente de teoria probabilităţilor
Arătăm că
) ( A P
B
satisface axiomele
probabilităţii:
i)
0 ) ( ≥ A P
B
deoarece
0 ) ( ≥ ∩B A P
şi
0 ) ( > B P
ii)
1
) (
) (
) (
) (
) ( · ·

·
B P
B P
B P
E B P
E P
B
iii) Fie A
1
şi A
2
∈ K şi
φ · ∩
2 1
A A
. Avem

( ) [ ]
) ( ) (
) (
) (
) (
) (
) (
) ( ) (
) (
) ( ) (
) (
) (
) (
2 1
2 1 2 1
2 1 2 1
2 1
A P A P
B P
A B P
B P
A B P
B P
A B P A B P
B P
A B A B P
B P
A A B P
A A P
B B
B
+ ·

+

·
∩ + ∩
·
·
∩ ∪ ∩
·
∪ ∩
· ∪
, dacă
φ · ∩ ∩ ∩ ) ( ) (
2 1
A B A B
.
Observaţie 1.5.1.
1) Oricărui câmp de evenimente [E,K] îi putem
ataşa un câmp de probabilitate condiţionat {E, K, P
B
}.
2)
) A ( P ) B ( P ) B A ( P
B
⋅ · ∩
- formula de calcul
a intersecţiei a două evenimente dependente. Are loc o
21
Elemente de teoria probabilităţilor şi statistică matematică
generalizare: dacă A
1
, A
2
, …A
n
sunt evenimente
dependente atunci
). A ( P ).... A ( P ) A ( P ) A ( P A P
n
A
3 A A 2 A 1
n
1 i
i
1 n
1 i
i
2 1 1



·

·
⋅ ⋅ ·

,
`

.
|
3) Dacă evenimentele A şi B sunt independente
atunci P
B
(A)=P(A) şi
) B ( P ) A ( P ) B A ( P ⋅ · ∩
- formula
de calcul a intersecţiei a două evenimente independente.
Generalizare:
Dacă A
1
, A
2
, …A
n
sunt evenimente
independente atunci

· ·
·

,
`

.
|
n
1 i
i
n
1 i
i
) A ( P A P

.
4) Dacă evenimentele A şi B se condiţionează
reciproc şi
0 ) B ( P , 0 ) A ( P ≠ ≠
atunci
) A ( P ) B ( P ) B ( P ) A ( P
B A
⋅ · ⋅
.
P
4
) Probabilitatea reunirii evenimentelor
independente. Dacă A
1
, A
2
, …A
n
sunt evenimente
independente, atunci:
( )

· ·
− − ·

,
`

.
|
n
1 i
i
n
1 i
i
) A ( P 1 1 A P
Demonstraţie:
22
Elemente de teoria probabilităţilor
Folosind relaţiile lui De Morgan

n
i
i
n
i
i
A A
1 1 · ·
· şi faptul că A
i
sunt evenimente
independente implică

( )
∏ ∏
· · · · ·
− − · − ·

,
`

.
|
− ·

,
`

.
|
− ·

,
`

.
|
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
A P A P A P A P A P
1 1 1 1 1
) ( 1 1 ) ( 1 1 1
 
P
5
) Inegalitatea lui Boole: A
1
, A
2
, …A
n
, sunt
evenimente dependente atunci
∑ ∑
· · ·
− · − − ≥

,
`

.
|
n
i
i
n
i
i
n
i
A P n A P Ai P
1 1 1
) ( 1 ) 1 ( ) (


Demonstraţie:
Verificăm inegalitatea din enunţ prin inducţie
matematică.
Pentru n = 2 avem
) ( ) ( ) ( ) (
2 1 2 1 2 1
A A P A P A P A A P ∩ − + · ∪
dacă
1 ) (
2 1
≤ ∪A A P
şi rezultă
1 ) ( ) ( ) (
2 1 2 1
− + ≥ ∩ A P A P A A P
relaţia este adevărată.
23
Elemente de teoria probabilităţilor şi statistică matematică
Presupunem inegalitatea adevărată pentru n-1
adică
) 2 ( ) (
1
1
1
1
− − ≥

,
`

.
|


·

·
n A P A P
n
i
i
n
i
i 
şi
demonstrăm pentru n.
Avem succesiv
) 1 ( ) ( 1 ) ( ) 2 ( ) (
1 ) (
1
1
1
1
1
1
1 1
− − · − + − − ≥
≥ − +

,
`

.
|

]
]
]

,
`

.
|
·

,
`

.
|
∑ ∑
·

·

·

· ·
n A P A P n A P
A P A P A A P A P
n
i
i n
n
i
i
n
n
i
i n
n
i
i
n
i
i   
dacă s-a ţinut seama de ipoteza de inducţie.
P
6
) Formula probabilităţii totale: Dacă A
1
¸A
2
, …
A
n
este un sistem complet de evenimente [E, K] şi X K ∈
atunci P(X)=
. ) X ( P ) A ( P
n
1 i
A i
i

·

Demonstraţie:
Din ipoteza că A
i
,
n i , 1 ·
este un sistem
complet de evenimente rezultă că
) ( ... ) ( ) (
2 1
X A X A X A X
n
∩ ∪ ∪ ∩ ∪ ∩ ·
24
Elemente de teoria probabilităţilor
Deoarece
n j i j i A A
j i
, 1 , , , · ≠ · ∩ φ
avem


n j i j i A X A X
j i
, 1 , , , ) ( ) ( · ≠ · ∩ ∩ ∩ φ
Avem succesiv

∑ ∑
· · ·
⋅ · ∩ ·

,
`

.
|
∩ ·
n
i
n
i
A i i
n
i
i
X P A P X A P X A P X P
i
1 1 1
) ( ) ( ) ( ) ( ) (
P
7
) Formula lui Bayes: Dacă A
1
, A
2
, …A
n
este
un sistem complet de evenimente al câmpului [E, K] şi
K X∈ atunci:
P
X
(A
i
)=

·


n
1 i
A i
A i
) X ( P ) A ( P
) X ( P ) A ( P
i
i
,
n , 1 i ·
Demonstraţie:
Deoarece
) ( ) ( ) (
i X i
A P X P A X P ⋅ · ∩
şi
) ( ) ( ) ( X P A P A X P
i
A i i
⋅ · ∩
avem
) ( ) ( ) ( ) ( X P A P A P X P
i
A i i X
⋅ · ⋅
, deci
25
Elemente de teoria probabilităţilor şi statistică matematică

·


·

·
n
i
A i
A i A i
i X
X P A P
X P A P
X P
X P A P
A P
i
i i
1
) ( ) (
) ( ) (
) (
) ( ) (
) (
dacă s-a
folosit formula probabilităţii totale.
Exemplul 1.5.2. Cele 26 de litere ale
alfabetului, scrise fiecare pe un cartonaş, sunt introduse
într-o urnă. Se cere probabilitatea ca extrăgând la
întâmplare de 5 ori câte un cartonaş şi aşezându-le în
ordinea extragerii să obţinem cuvântul LUCIA.
Rezolvare:
Notăm prin X evenimentul căutat, deci de a
obţine prin extrageri succesive cuvântul LUCIA, de
asemenea notăm prin A
1
= evenimentul ca la prima
extragere să obţinem litera L; A
2
= evenimentul ca la a
doua extragere să obţinem litera U; A
3
= evenimentul ca
la a treia extragere să obţinem litera C; A
4
= evenimentul
ca la a patra extragere să obţinem litera I; A
5
=
evenimentul ca la a cincea extragere să obţinem litera A.
Atunci evenimentul X are loc dacă avem

5 4 3 2 1
A A A A A X ∩ ∩ ∩ ∩ ·
.
26
Elemente de teoria probabilităţilor
Rezultă:
.
22
1
23
1
24
1
25
1
26
1
) (
) ( ) ( ) ( ) ( ) (
4 3 2 1 5
3 2 1 4 2 1 3 1 2 1
⋅ ⋅ ⋅ ⋅ · ∩ ∩ ∩ ⋅
⋅ ∩ ∩ ⋅ ∩ ⋅ ⋅ ·
A A A A A P
A A A A P A A A P A A P A P X P
Exemplul 1.5.3. Dacă probabilitatea ca un
automobil să plece în cursă într-o dimineaţă friguroasă
este de 0,6 şi dispunem de două automobile de acest fel,
care este probabilitatea ca cel puţin unul din automobile
să plece în cursă într-o dimineaţă friguroasă?
Rezolvare:
Dacă notăm prin A
1
şi A
2
evenimentele ca
primul respectiv, al doilea automobil să plece în cursă şi
prin X evenimentul căutat, deci ca cel puţin unul dintre
automobile să plece în cursă, avem:
2 1
A A X ∪ ·
, iar
) A A ( P ) X ( P
2 1
∪ · ( P ) A ( P ) A ( P
2 1
− + ·
2 1
A A ∩ ),
deoarece evenimentele
1
A
şi
2
A
sunt compatibile (cele
două automobile pot să plece în cursă deodată). Cum P(
1
A
) = P(
2
A
) = 0,6, iar evenimentele
1
A
şi
2
A
sunt
independente între ele (plecarea unui automobil nu
depinde de plecarea sau neplecarea celuilalt), deci P(
27
Elemente de teoria probabilităţilor şi statistică matematică
2 1
A A ∩
) = P(
) A ( P ) A
2 1
=
2
) 6 , 0 (
. Se obţine că P(X) =
0,6 + 0,6 -
2
) 6 , 0 (
= 0,84.
Exemplul 1.5.4. Trei secţii ale unei întreprinderi
3 2 1
S , S , S
depăşesc planul zilnic de producţie cu
probabilităţile de respectiv 0,7; 0,8 şi 0,6. Să se calculeze
probabilităţile evenimentelor:
A - cel puţin o secţie să depăşească planul
de producţie.
B - toate secţiile să depăşească planul de
producţie.
Rezolvare:
Fie
i
A
evenimentul ca secţia
i
S
să depăşească
planul de producţie.
Avem: A =
3 2 1
A A A ∪ ∪
, deci
P(A) = P
) A A A ( P 1 ) A A A (
3 2 1 3 2 1
∩ ∩ − · ∪ ∪
=
) A ( P ) A ( P ) A ( P 1
3 2 1
⋅ ⋅ −
= 1- (1-0,7)(1-0,8)(1-0,6) =
976 , 0 4 , 0 2 , 0 3 , 0 1 · ⋅ ⋅ −
.
B =
3 2 1
A A A ∩ ∩
şi ţinând seama de independenţa
evenimentelor, avem:
28
Elemente de teoria probabilităţilor
P(B) =
336 , 0 6 , 0 8 , 0 7 , 0 ) A ( P ) A ( P ) A ( P ) A A A ( P
3 2 1 3 2 1
· ⋅ ⋅ · ⋅ ⋅ · ∩ ∩
.
Exemplul 1.5.5. O presă este considerată că
satisface standardul de fabricaţie dacă trei caracteristici
sunt satisfăcute. Dacă aceste caracteristici A, B şi C sunt
satisfăcute cu probabilităţile P(A) =
10
9
, P(B) =
11
7
şi
P(C) =
12
11
, atunci probabilitatea ca să fie satisfăcute
toate trei caracteristicile se poate evalua cu formula lui
Boole. Astfel se poate scrie:
P(
[ ], ) C ( P ) B ( P ) A ( P 1 ) C B A + + − ≥ ∩ ∩
adică P(
660
229
12
1
11
4
10
1
1 ) C B A ·

,
`

.
|
+ + − ≥ ∩ ∩
.
Exemplul 1.5.6. Un sortiment de marfă dintr-o
unitate comercială provine de la trei fabrici diferite în
proporţii, respectiv
3
1
de la prima fabrică,
6
1
de la a
doua fabrică şi restul de la fabrica a treia. Produsele de la
29
Elemente de teoria probabilităţilor şi statistică matematică
cele trei fabrici satisfac standardele de fabricaţie în
proporţie de 90%, 95% şi respectiv 92%. Un client ia la
întâmplare o bucată din sortimentul de marfă respectiv.
a) Care este probabilitatea ca produsul să
satisfacă standardele de fabricaţie?
b) Care este probabilitatea ca produsul să fie
defect şi să provină de la prima fabrică?
Rezolvare:
a) Notăm cu
2 1
A , A
şi
3
A
evenimentele ca
produsul cumpărat să fie de la prima, a doua, respectiv a
treia fabrică. Aceste trei evenimente formează un sistem
complet de evenimente şi au probabilităţile P(
6
1
) A ( P ,
3
1
) A
2 1
· ·
şi
2
1
) (
3
· A P
. Dacă A este
evenimentul că produsul cumpărat de client satisface
standardele de fabricaţie, atunci P(A
, 90 , 0 ) A
1
·
P(
95 , 0 ) A A
2
·
şi P(
92 , 0 ) A A
3
·
. Folosind formula
probabilităţii totale se obţine:
30
Elemente de teoria probabilităţilor
918 , 0
6
51 , 5
92 , 0
2
1
95 , 0
6
1
90 , 0
9
1
) ( ) ( ) ( ) ( ) ( ) ( ) (
3 3
2
2 1 1
· · + ⋅ + ⋅ ·
· ⋅ + ⋅ + ⋅ · A A P A P A A P A P A A P A P A P
b) Folosind formula lui Bayes, avem:
P(
·
+ +
·
) A A ( P ) A ( P ) A A ( P ) A ( P ) A A ( P ) A ( P
) A A ( P ) A ( P
) A A
3 3 2 2
1
1
1 1
1
=
. 408 , 0
49 , 0
2 , 0
08 , 0
2
1
05 , 0
6
1
10 , 0
3
1
10 , 0
3
1
· ·
⋅ + ⋅ + ⋅

1.6. Scheme clasice de probabilitate
Sub această denumire se pot întâlni câteva
experimente-model care conduc la calculul rapid al
probabilităţilor unor evenimente care se produc sau apar
în condiţii analoage celor ce definesc experimentele-
model. Cu alte cuvinte, pot fi calculate anumite
probabilităţi pe baza unor formule sau scheme de calcul,
indiferent de natura experimentului considerat, fără a mai
31
Elemente de teoria probabilităţilor şi statistică matematică
recurge de fiecare dată la procedeele greoaie sugerate de
formula dată de definiţia clasică.
Schema lui Bernoulli cu bila întoarsă
(binomială) 1.6.1.
Se aplică în cazul în care se fac repetări
independente ale unui experiment şi la fiecare repetare se
are în vedere apariţia unui eveniment bine precizat. Se
cere determinarea probabilităţii ca din n repetări ale
experimentului, evenimentul considerat să apară de k ori.
Modelul probabilistic se realizează printr-o urnă
ce conţine bile de două culori (albe şi negre). Se extrag
bile din urnă una câte una, fiecare bilă se reintroduce în
urnă după constatarea culorii. Se cere determinarea
probabilităţii ca din n bile extrase, k să fie de culoare
albă.
Fie
i
A
evenimentul ca la extragerea de rang i să
se obţină o bilă albă şi
i
A
evenimentul ca la extragerea
de rang i să se obţină o bilă neagră. Dacă în urnă se află
N bile, din care a = bile albe şi b = bile negre, avem
32
Elemente de teoria probabilităţilor
p = P(
N
a
) A
i
·
şi P(
q
N
b
) A
i
· ·
, evident p+q=1. Notăm
cu k n , k
X
− evenimentul ca după n extrageri să obţinem
de k ori bilă albă şi apoi de n-k ori bilă neagră, avem:
P(
k n k
n 1 k k 2 1 k n , k
q p ) A ... A A ... A A ( P ) X

+ −
· ∩ ∩ ∩ ∩ ∩ ∩ ·
.
Dacă X este evenimentul ca din cele n bile
extrase exact k să fie albe, avem: P(X) =
k n k k n k k
n k n , k
k
n
q p
)! k n ( ! k
! n
q p C ) X ( P C
− −


· ·
.
Această probabilitate se mai notează P(n,k) =
k n k k
n
q p C

, p+q=1.
Observaţie 1.6.2.
1) Dacă se consideră formula binomului lui
Newton:
∑ ∑
· ·

· · +
n
0 k
n
0 k
k k k n k k
n
n
x ) k , n ( P x q p C ) q px (
, deci
P(n,k) este coeficientul lui
k
x
din dezvoltarea binomială
n
) q px ( +
, de aici şi denumirea de schema binomială.
33
Elemente de teoria probabilităţilor şi statistică matematică
2)

·
·
n
0 k
. 1 ) k , n ( P
Schema multinomială 1.6.3.
Este o generalizare a schemei binomiale. Fie o
urnă ce conţine N bile de s culori, s , 1 i , c
i
· şi
i
a

numărul bilelor de culoare
i
c
, i =
s , 1
, iar

·
·
s
1 i
i
N a
.
Se fac n extrageri succesive cu revenirea bilei în urnă. Fie
X evenimentul ca în cele n extrageri să obţinem
i
α
bile
de culoare s , 1 i , c
i
· . Se cere P(X) =
) ,..., , ( P
s 2 1 n
α α α
. Notăm
i
A
evenimentul ca la o
extragere să obţinem bila de culoare
s , 1 i ,
N
a
) A ( P p , s , 1 i , c
i
i i i
· · · · , atunci:
s 2 1
s 2 1
s 2 1
s 2 1 n
p ... p p
! !... !
! n
) ,..., , ( P
α α α
α α α
· α α α
, unde
n
s
i
i
·

·1
α
34
Elemente de teoria probabilităţilor
Schema lui Bernoulli cu bila neîntoarsă
(hipergeometrică) 1.6.4.
Se consideră o urnă care conţine bile de două
culori: a bile albe şi b bile negre. Se extrag bile din urnă,
una câte una, fără întoarcerea bilelor extrase înapoi în
urnă. Se cere să se determine probabilitatea ca din n bile
extrase k să fie de culoare albă şi n-k de culoare neagră.
Există
n
b a
C
+
posibilităţi de a lua n bile din
totalul de a+b bile câte sunt în urnă la început. Numărul
posibilităţilor de a lua k bile albe din cele a existente la
început în urnă este
k
a
C
, iar pentru a lua n-k bile negre
din cele b bile negre ce se află în urnă la început este
k n
b
C

, deci P(n,k) =
n
b a
k n
b
k
a
C
C C
+

, unde
k n b , k a − ≥ ≥
şi
n b a ≥ + .
Generalizare:
În urnă se află bile de r culori, adică
1
a
bile de
culoarea 1,
2
a
bile de culoarea 2 etc.
r
a
bile de
culoarea r şi se extrag n bile fără întoarcerea bilei extrase
35
Elemente de teoria probabilităţilor şi statistică matematică
în urnă. Se cere probabilitatea P(n;
) k ,..., k , k
r 2 1
ca din
cele n bile extrase să se obţină
1
k
bile de culoarea 1,
2
k
bile de culoarea 2 etc. Avem:
r
r
r
r
k k k
a a a
k
a
k
a
k
a
r
C
C C C
k k k n P
+ + +
+ + +
·
...
...
2 1
2 1
2 1
2
2
1
1
...
) ,..., , ; (
, cu
n k k k
r
· + + + ...
2 1
Schema lui Poisson 1.6.5.
Se aplică în cazul în care se fac repetări
independente ale unui experiment şi la fiecare repetare se
are în vedere un anumit eveniment, eveniment ce apare,
în general, cu probabilităţi diferite la repetări de rang
diferit. Se cere să se determine probabilitatea ca din n
repetări ale experimentului, evenimentul considerat să
apară de k ori.
Modelul probabilistic se obţine cu ajutorul unui
sistem de n urne care conţin bile de două culori, albe şi
negre, în proporţii diferite, în general. Se ia câte o bilă
din fiecare urnă şi se cere probabilitatea P(n,k) de a
obţine k bile albe din cele n extrase.
36
Elemente de teoria probabilităţilor
Notăm cu
i
p
probabilitatea de a extrage bilă
albă din urna de rang i şi cu
i
q
probabilitatea de a
extrage bilă neagră din urna de rang i, unde
. n , 1 i , 1 q p
i i
· ∀ · + Avem că P(n,k) este coeficientul
lui
k
x
din dezvoltarea polinomului:
) q x p )...( q x p )( q x p (
n n 2 2 1 1
+ + +
.
Schema lui Pascal (binomială cu exponent
negativ) 1.6.6.
Se aplică în cazul în care se fac repetări
independente ale unui experiment şi la fiecare repetare
evenimentul considerat apare cu aceeaşi probabilitate.
Vrem să determinăm probabilitatea ca până la cea de-a n-
a apariţie a evenimentului considerat să se fi realizat
contrarul evenimentului considerat de k ori.
Modelul probabilistic se realizează printr-o urnă
cu bile de două culori, albe şi negre. Se extrag bile din
urnă cu întoarcerea bilei extrase după ce s-a notat
culoarea ei. Vom spune că avem "succes", dacă s-a
obţinut bila albă şi "insucces", dacă s-a obţinut bila
neagră. La fiecare repetare, "succes" apare cu
37
Elemente de teoria probabilităţilor şi statistică matematică
probabilitatea p şi "insucces" apare cu probabilitatea q=1-
p. Vrem să determinăm probabilitatea P(n,k) ca la
apariţia celui de-al n-lea "succes" să se fi obţinut k
"insuccese". Notăm k , n
B
evenimentul că la apariţia
celui de-al n-lea "succes" s-au obţinut k "insuccese".
Atunci k n n k n
A A B
+ −
∩ ·
1 , , unde
1 − n
A
= evenimentul ca
în primele n+k-1 repetări să se obţină n-1 "succese" şi k
"insuccese", iar
k n
A
+
= evenimentul ca la repetarea de
rang n+k să avem "succes". Avem P(
) ( ) ( )
1 , k n n k n
A P A P B
+ −
⋅ ·
, dar P(
, p ) A
k n
·
+
iar P(
)
1 − n
A
se calculează conform schemei binomiale, adică
k n n
k n n
q p C A P
1 1
1 1
) (
− −
− + −
·
. Rezultă că: P(n,k) =
k n 1 n
1 k n
q p C

− +
.
Observaţie 1.6.7.
1) Din proprietatea de complementaritate a
combinărilor, avem:
k n k
k n
q p C k n P
1
) , (
− +
·
.
2) P(n,k) se obţine ca şi coeficientul lui
k
x
din
dezvoltarea lui
38
Elemente de teoria probabilităţilor
∑ ∑

·

·
− +

< · ·

· −
0 k 0 k
k k k n k
1 k n
n
n
n n
1 qx , x ) k , n ( P x q p C
) qx 1 (
p
) qx 1 ( p
, deci seria binomială; de aici şi denumirea de schema
binomială cu exponent negativ.
3) Dacă n=1, adică dacă se cere probabilitatea ca
la apariţia primului "succes" să se fi produs k
"insuccese", avem P(1,k) =
k
pq
. În acest caz particular,
se obţine schema geometrică, deoarece P(1,k) este
coeficientul lui

k
x
din seria geometrică, adică
∑ ∑

·

·
· ·

0 k 0 k
k k k
. x ) k , 1 ( P x pq
qx 1
p
Exemplul 1.6.8. O unitate hotelieră se consideră
că este normal ocupată dacă cel puţin 80% din
capacitatea sa este utilizată. Dintr-un studiu statistic s-a
obţinut că probabilitatea ca hotelul să fie normal ocupat
într-o zi este p =
8
7
. Vrem să calculăm probabilitatea ca
unitatea hotelieră să fie normal ocupată în cinci zile din
cele şapte zile ale unei săptămâni.
39
Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
Calculul acestei probabilităţi se face cu schema
lui Bernoulli cu bila întoarsă, unde n=7, k=5; p=
8
7
şi q
= 1-p =
8
1
. Astfel se obţine că:
P(7,5) =
. )
8
7
(
8
3
)
8
1
( )
8
7
( C
6 2 5 5
7
·
Exemplul 1.6.9. Piesele produse de o maşină
sunt supuse la două teste independente. Probabilităţile ca
o piesă să treacă aceste teste sunt respectiv
3
2
şi
4
3
. Să
se calculeze probabilitatea ca din 5 piese luate la
întâmplare, 2 să treacă ambele teste, 1 numai primul test,
1 numai al doilea test, iar una să nu treacă nici un test.
Rezolvare:
Această probabilitate se calculează cu schema
multinomială, unde n=5, s=4,
1 , 2
4 3 2 1
· α · α · α · α
, iar
întrucât testele sunt independente, avem că:
.
12
1
)
4
3
1 )(
3
2
1 ( p ;
4
1
4
3
)
3
2
1 ( p ;
6
1
)
4
3
1 (
3
2
p ;
2
1
4
3
3
2
p
4 3 2 1
· − − · · ⋅ − · · − ⋅ · · ⋅ ·
40
Elemente de teoria probabilităţilor
Astfel, putem scrie: P(5; 2,1,1,1) =
96
5
12
1
4
1
6
1
)
2
1
(
! 1 ! 1 ! 1 ! 2
! 5
2
· ⋅ ⋅ ⋅ ⋅
⋅ ⋅ ⋅
.
Exemplul 1.6.10. Într-un lot de 50 de piese, 10
sunt defecte. Se iau la întâmplare 5 piese. Vrem să
calculăm probabilitatea ca trei piese din cele cinci să nu
fie defecte.
Rezolvare:
Această probabilitate se calculează cu schema
lui Bernoulli cu bila neîntoarsă, unde a+b=50; a=40,
b=10, n=5 şi k=3. Avem P(5;3) =
5
50
2
10
3
40
C
C C ⋅ .
Exemplul 1.6.11. Patru trăgători trag asupra
unei ţinte. Primul atinge ţinta cu probabilitatea
3
2
, al
doilea cu probabilitatea
4
3
, al treilea cu probabilitatea
41
Elemente de teoria probabilităţilor şi statistică matematică
5
4
, iar al patrulea cu probabilitatea
6
5
. Care este
probabilitatea ca ţinta să fie atinsă exact de 3 ori?
Rezolvare:
Evenimentele
i
A
= trăgătorul "i" atinge ţinta; i
= 1,2,3,4 sunt independente şi:
3
1
1 ;
6
5
) (
;
5
4
) ( ;
4
3
) ( ;
3
2
) (
1 1 4 4
3 3 2 2 1 1
· − · · ·
· · · · · ·
p q A P p
A P p A P p A P p
6
1
1 ;
5
1
1 ;
4
1
1
4 4 3 3 2 2
· − · · − · · − · p q p q p q
.
Probabilitatea ca din aceste patru evenimente să se
realizeze trei şi unul nu, este coeficientul lui
3
x
din
dezvoltarea polinomului: Q(x) =
)
6
1
x
6
5
)(
5
1
x
5
4
)(
4
1
x
4
3
)(
3
1
x
3
2
( + + + +
, adică:
. 427 , 0
6
5
5
4
4
3
3
1
6
5
5
4
4
1
3
2
6
5
5
1
4
3
3
2
6
1
5
4
4
3
3
2
· ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅
Exemplul 1.6.12. Doi jucători sunt angrenaţi
într-un joc format din mai multe partide. Primul jucător
42
Elemente de teoria probabilităţilor
câştigă o partidă cu probabilitatea p =
3
1
şi o pierde cu
probabilitatea q = 1-p =
3
2
. Să se calculeze
probabilitatea că:
a) prima partidă câştigată de primul jucător să se
producă după cinci partide pierdute;
b) a treia partidă câştigată de primul jucător să
se producă după un total de şase partide pierdute.
Rezolvare:
a) Se aplică schema geometrică. Prin urmare,
probabilitatea cerută este dată de P(1,5) = p
5
q
=
729
32
)
3
2
(
3
1
5
·
.
b) Se utilizează schema lui Pascal, unde n=3,
k=6, p=
3
1
, q=
3
2
. Astfel, probabilitatea cerută este:
P(3,6) =
. )
3
2
(
2
7
)
3
2
( )
3
1
( C
9 6 3 6
8
⋅ ·
Exemplul 1.6.13. Într-o cutie sunt 12 bile
marcate cu 1; 8 sunt marcate cu 3 şi şase sunt marcate cu
43
Elemente de teoria probabilităţilor şi statistică matematică
5. O persoană extrage la întâmplare din cutie 4 bile. Să se
calculeze probabilitatea ca suma obţinută să fie cel mult
13.
Rezolvare:
Dacă notăm cu A evenimentul ca suma obţinută
de cele patru bile să fie cel mult 13, atunci evenimentul
contrar A este evenimentul ca suma să fie cel puţin 14.
Se vede că suma maximă ce se poate obţine este 5 4⋅ =
20.
De asemenea, avem că
. 14 3 3 5 1 ; 14 1 1 3 1 5 2 ; 16 3 2 5 2 ; 16 1 1 5 3 ; 18 3 1 5 3 · ⋅ + ⋅ · ⋅ + ⋅ + ⋅ · ⋅ + ⋅ · ⋅ + ⋅ · ⋅ + ⋅

Alte posibilităţi de a obţine suma cel puţin 14
din patru bile nu există. Aşadar, pentru a obţine suma 14,
trebuie luate două bile marcate cu 5 din cele şase
existente, una marcată cu 3 din cele opt şi una marcată cu
1 din cele 12, respectiv una marcată cu 5 şi 3 marcate cu
3.
Folosind schema lui Bernoulli cu bila neîntoarsă
cu 3 stări se obţine că:
44
Elemente de teoria probabilităţilor
7475
888
C
C C C
C
C C C
) 0 , 3 , 1 ; 4 ( P ) 1 , 1 , 2 ; 4 ( P P
4
26
0
12
3
8
1
6
4
26
1
12
1
8
2
6
14
· + · + ·
.
Analog, avem că:
1495
66
C
C C C
C
C C C
) 1 , 0 , 3 ; 4 ( P ) 0 , 2 , 2 ; 4 ( P P
4
26
1
12
0
8
3
6
4
26
0
12
2
8
2
6
16
· + · + ·
;
.
1495
16
C
C C C
) 0 , 1 , 3 ; 4 ( P P
4
26
0
12
1
8
3
6
18
· · ·

4
26
0
12
0
8
4
6
20
C
C C C
) 0 , 0 , 4 ; 4 ( P P · ·
.
Avem că:
P( A) =
14950
2611
P P P P
20 18 16 14
· + + +
, de unde
P(A) = 1-P(
) A
= 1-
14950
2611
=
14950
12339

825 , 0
.
1.7. Variabile aleatoare discrete
În ciuda faptului că după repetarea unui
experiment de un număr mare de ori intervine o anumită
45
Elemente de teoria probabilităţilor şi statistică matematică
regularitate în privinţa apariţiei unor rezultate ale
acestuia, nu se poate preciza niciodată cu certitudine care
anume dintre rezultate va apare într-o anumită probă. Din
acest motiv cuvântul sau conceptul „aleator” trebuie
înţeles sau gândit în sensul că avem de-a face cu
experimente sau fenomene care sunt guvernate de legi
statistice (atunci când există un anumit grad de
incertitudine privind apariţia unui rezultat sau reapariţia
lui) şi nu de legi deterministe (când ştim cu certitudine ce
rezultat va apare sau nu). Pentru ca astfel de experimente
sau fenomene să fie cunoscute şi prin urmare studiate,
sunt importante şi necesare două lucruri şi anume:
1. rezultatele posibile ale experimentului,
care pot constitui o mulţime finită, infinită
sau numărabilă sau infinită şi nenumărabilă;
2. legea statistică sau probabilităţile cu care
este posibilă apariţia rezultatelor
experimentului considerat.
În linii mari şi într-un înţeles mai larg, o mărime
care ia valori la întâmplare sau aleatoriu dintr-o mulţime
46
Elemente de teoria probabilităţilor
oarecare posibilă se numeşte variabilă aleatoare (sau
întâmplătoare). Se poate da şi o definiţie riguroasă.
Definiţie 1.7.1. Fie câmpul de probabilitate {E,
K, P}. Numim variabilă aleatoare de tip discret o
aplicaţie X:E→R care verifică condiţiile:
i) are o mulţime cel mult numărabilă de valori;
ii) R x ∈ ∀
K ) x X ( ∈ ·
Observaţii 1.7.2.
1) Dacă K=P(E) atunci ii) este automat
îndeplinită;
2) Dacă o variabilă ia un număr finit de valori
vom spune că este variabilă aleatoare simplă.
47
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.7.3. Numim distribuţia sau repartiţia
variabilei aleatoare X de tip discret, tabloul
I i
i
i
p
x
X

,
`

.
|
unde x
i
,
, I i ∈
sunt valorile pe care le ia X iar p
i
este
probabilitatea cu care X ia valoarea x
i
adică p
i
= P(X =
x
i
), I i ∈ mulţimea I putând fi finită sau cel mult
numărabilă.
Observaţii 1.7.4.
1) Evenimentele (X = x
i
) formează un sistem
complet de evenimente şi
1 p
I i
i
·


.
48
Elemente de teoria probabilităţilor
2) Se obişnuieşte ca valorile variabilei să se
noteze în ordine crescătoare adică
.... x ... x x x
n 3 2 1
< < < <
3) Variabila aleatoare pentru care mulţimea
valorilor este un interval finit sau infinit pe axa
numerelor reale este variabilă aleatoare continuă.
4) Forma cea mai generală a unei variabile
aleatoare aparţinând unei clase de variabile aleatoare de
tip discret se numeşte lege de probabilitate discretă.
49
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.7.5. Spunem că variabilele aleatoare
X şi Y care au respectiv distribuţiile
I i
i
i
p
x
X

,
`

.
|
şi
50
Elemente de teoria probabilităţilor
J j
j
j
q
y
Y

,
`

.
|
sunt independente dacă
P(X = x
i
, Y = y
j
) = P(X = x
i
) P(Y = y
j
),
. IxJ ) j , i ( ∈ ∀
Definiţie 1.7.6. Fie variabilele aleatoare X, Y
care au respectiv distribuţiile
I i
i
i
p
x
X

,
`

.
|
şi
J j
j
j
q
y
Y

,
`

.
|

51
Elemente de teoria probabilităţilor şi statistică matematică
atunci variabila aleatoare sumă X+Y, produs Y X⋅ şi cât
Y
X
(dacă
J j , 0 y
j
∈ ∀ ≠
) vor avea distribuţiile
,
p
y x
Y X
I x J ) j , i (
i j
j i

,
`

.
|
+
+

I x J ) j , i (
i j
j i
p
y x
Y X

,
`

.
|

,
I x J ) j , i (
i j
j
i
p
y
x
Y
X

,
`

.
|
unde
p
ij
= P(X = x
i
, Y = y
j
) (i,j) . IxJ ∈
Definiţie 1.7.7. Se numeşte
52
Elemente de teoria probabilităţilor
a) produs al variabilei aleatoare X cu
constanta a variabila aleatoare
I i
i
i
p
ax
aX

,
`

.
|
:
b) putere a variabilei aleatoare X de
exponent k, k ∈ Z , variabila aleatoare
I i
i
k
i k
p
x
X

,
`

.
|
:
cu condiţia ca operaţiile
k
i
x
,
I i ∈ , să aibă sens.
Observaţie 1.7.8. Au loc relaţiile
I i , p p
J j
i ij
∈ ∀ ·


şi


∈ ∀ ·
I i
j ij
. J j , q p
Dacă variabilele X,Y sunt independente atunci
J I j i q p p
j i ij
× ∈ ∀ · ) , ( ,
Definiţie 1.7.9. Numim funcţie de repartiţie
ataşată variabilei aleatoare X funcţia F:R→R, definită
prin F(x)=P(X<x),
, R x ∈ ∀
adică F(x)=
R x , p
x x
i
i


<
.
Proprietăţi ale funcţiei de repartiţie 1.7.10.
53
Elemente de teoria probabilităţilor şi statistică matematică
1.
, R x ∈ ∀

1 ) x ( F 0 ≤ ≤
2.
, R b , a ∈ ∀
b a < avem:
) a X ( P ) a ( F ) b ( F ) b X a ( P
) a ( F ) b ( F ) b X a ( P
· − − · < <
− · < ≤
) a ( F ) b X ( P ) b ( F ) b X a ( P
) b X ( P ) a X ( P ) a ( F ) b ( F ) b X a ( P
− · + · ≤ ≤
· + · − − · ≤ <
Demonstraţie:
Avem succesiv
[ ]
) ( ) ( ) ( ) (
) ( ) ( ) , ( ) (
a F b F a X P b X P
a X b X P a X b X P b X a P
− · < − < ·
· < − < · < < · < ≤

dacă s-a ţinut seama de relaţia
) ( ) ( b X a X < ⊂ <
şi s-a
folosit probabilitatea diferenţei.
[ ]
) ( ) ( ) (
) ( ) ( ) ( ) ( ) (
a X P a F b F
a X P b X a P a X b X a P b X a P
· − − ·
· · − < ≤ · · − < ≤ · < <
dacă s-a folosit relaţia demonstrată anterior.
3.
) x ( F ) x ( F , x x , R x , x
2 1 2 1 2 1
≤ ⇒ < ∈ ∀
Demonstraţie:
54
Elemente de teoria probabilităţilor
) ( ) ( ) ( 0
1 2 2
1
x F x F x X x P − · < ≤ ≤

) ( ) (
2 1
x F x F ≤
4.
1 ) ( lim , 0 ) ( lim · ·
∞ → −∞ →
x F x F
x x
Demonstraţie:
0 ) ( ) ( lim ) ( lim · · < ·
−∞ → −∞ →
φ P x X P x F
x x
1 ) ( ) ( lim ) ( lim · · < ·
+∞ → +∞ →
E P x X P x F
x x
5.
) x ( F ) a x ( F , R x · − ∈ ∀
(F este continuă la
stânga)
Exemplul 1.7.11. Se consideră variabila
aleatoare discretă

,
`

.
|
6
1
3
1
p
4
7
p
4 3 2 1
: X
2 . Care este
probabilitatea ca X să ia o valoare mai mică sau egală cu
3?
Rezolvare:
Pentru ca X să fie o variabilă aleatoare trebuie
ca
0 p ≥
şi
1
6
1
3
1
p
4
7
p
2
· + + ⋅ +
. Se obţine soluţia
55
Elemente de teoria probabilităţilor şi statistică matematică
acceptabilă
.
4
1
p ·
Se calculează probabilitatea cerută
prin intermediul evenimentului contrar şi anume
6
5
6
1
1 ) 4 X ( P 1 ) 3 X ( P · − · · − · ≤
sau
6
5
3
1
16
7
16
1
) 3 X ( P ) 2 X ( P ) 1 X ( P ) 3 X ( P · + + · · + · + · · ≤
.
Exemplul 1.7.12. Se dau variabilele aleatoare
independente:

,
`

.
|
+ +

3
1
3
1
q
6
1
p
1 0 1
: X
;

,
`

.
|


2
p 12 q p 2
3
1
1 0 1
: Y
.
a) Să se scrie distribuţia variabilei 2XY.
b) Pentru ce valori ale lui c avem:
?
9
2
) c Y X ( P > · +

Rezolvare:
Pentru ca X şi Y să fie variabile aleatoare se
impun condiţiile:
56
Elemente de teoria probabilităţilor
0 q p 2 ; 0
3
1
q ; 0
6
1
p ≥ − ≥ + ≥ +
şi apoi :
¹
¹
¹
¹
¹
'
¹
· + − +
· + + + +
1 p 1 2 q p 2
3
1
1
3
1
3
1
q
6
1
p
2
, rezultă valorile acceptabile
6
1
p ·
şi q = 0. Deci variabilele aleatoare au repartiţiile:

,
`

.
|

3
1
3
1
3
1
1 0 1
: X
;

,
`

.
|

3
1
3
1
3
1
1 0 1
: Y
. Avem :
a)

,
`

.
|

9
2
9
5
9
2
2 0 2
: XY 2
57
Elemente de teoria probabilităţilor şi statistică matematică
b)

,
`

.
|
− −
+
9
1
9
2
9
3
9
2
9
1
2 1 0 1 2
: Y X
, deci P(X +
Y = c)>
9
2
corespunde situaţiei P(X + Y = 0) =
9
2
9
3
>

adică c = 0.
Exemplul 1.7.13. Variabila aleatoare X cu
distribuţia următoare:
58
Elemente de teoria probabilităţilor

,
`

.
|
3
1
2
1
6
1
2 1
2
1
: X
, are funcţia de repartiţie:
¹
¹
¹
¹
¹
¹
¹
¹
¹
'
¹
>
≤ <
≤ <

· < ·
2 x d a c ă , 1
, 2 x 1 d a c ă ,
3
2
, 1 x
2
1
d a c ă ,
6
1
,
2
1
x d a c ă , 0
) x X ( P ) x ( F
Graficul funcţiei de repartiţie este:

59
F(x)
1
2/3
Y
X
Elemente de teoria probabilităţilor şi statistică matematică
1.8. Vector aleator bidimensional de tip
discret
Definiţie 1.8.1. Fie câmpul de probabilitate
{E,K,P}. Spunem că U=(X,Y) este vector aleator
bidimensional de tip discret dacă aplicaţia U:E

2
R

verifică condiţiile:
i) are o mulţime cel mult numărabilă de valori;
ii)
K ) y Y , x X ( , R ) y , x (
2
∈ · · ∈ ∀
.
Definiţie 1.8.2. Numim distribuţia sau repartiţia
vectorului aleator (X,Y) de tip discret tabloul:
unde
(
60
x 2 1 1/2
1/6
y
1
……………y
j
……………
p
11
……………p
1j
……………
p
i1
……………p
ij
……………
………………………………
x
1
x
i
….




.
.
.

.
.
.

.
.
.






Elemente de teoria probabilităţilor
) y , x
i i

sunt
valori
le pe
care
le ia
vecto
rul
aleat
or
(X,Y
), iar
i i ij
y Y , x X ( P p · · ·
).


Definiţie 1.8.3. Numim funcţie de repartiţie
ataşată vectorului aleator bidimensional funcţia F:
R R
2
→ , definită prin:
F(x,y) = P(X<x, Y<y),
2
R ) y , x ( ∈ ∀
.
61
Elemente de teoria probabilităţilor şi statistică matematică
Proprietăţile funcţiei de repartiţie a unui
vector aleator bidimensional de tip discret 1.8.4.
1.
1 ) y , x ( F 0 , R ) y , x (
2
≤ ≤ ∈ ∀
.
2. dacă a<b şi c<d, atunci

) c , a ( F ) c , b ( F ) d , a ( F ) d , b ( F ) d Y c , b X a ( P + − − · < ≤ < ≤
.
3. F(x,y) este nedescrescătoare în raport cu
fiecare argument.
4.
; 0 ) y , x ( F l i m ) y , x ( F l i m ) y , x ( F l i m
y
x y x
· · ·
− ∞ →
− ∞ → − ∞ → − ∞ →

1 ) y , x ( F l i m
y
x
·
∞ →
∞ →
.
5. F(x,y) este continuă la stânga în raport cu
fiecare argument.
62
Elemente de teoria probabilităţilor
Observaţie 1.8.5. Dacă (X,Y) are funcţia de
repartiţie F, iar variabilele X şi Y au funcţiile de repartiţie
X
F
şi respectiv
Y
F
, atunci:
) y , x ( F lim ) x ( F
y
X
∞ →
·
şi
) y , x ( F lim ) y ( F
x
Y
∞ →
·
.
Exemplul 1.8.6. Se consideră vectorul aleator
discret (X,Y) cu repartiţia dată în tabelul:
a) să se determine repartiţia variabilelor X,Y,
X+Y;
b) să se stabilească dacă X şi Y sunt
independente sau nu;
63
Y
X
2 6
0,20 0,10
0,05 0,15
0,45 0,05
1
3
4
Elemente de teoria probabilităţilor şi statistică matematică
c) să se calculeze
,
`

.
|
5 ,
2
7
F
.
Rezolvare:
a) Variabila X are repartiţia:
X:

,
`

.
|
3 2
1
p
4
p
3
p
1
, unde
50 , 0 05 , 0 45 , 0 p p p
20 , 0 15 , 0 05 , 0 p p p
30 , 0 10 , 0 20 , 0 p p p
32 31 3
22 21 2
12 11 1
· + · + ·
· + · + ·
· + · + ·
, adică
X:

,
`

.
|
50 , 0
4

20 , 0
3

30 , 0
1
.
Analog, variabila Y are repartiţia Y:

,
`

.
|
2 1
q
6
q
2
,
unde
30 , 0 05 , 0 15 , 0 10 , 0 p p p q
70 , 0 45 , 0 05 , 0 20 , 0 p p p q
32 22 12 2
31 21 11 1
· + + · + + ·
· + + · + + ·
, adică
Y:

,
`

.
|
30 , 0
6
70 , 0
2
.
64
Elemente de teoria probabilităţilor
Avem: X+Y:

,
`

.
|
05 , 0
10
15 , 0 10 , 0
8 7
45 , 0 05 , 0
6 4
20 , 0
3
.
b) Pentru verificarea independenţei variabilelor
X,Y, efectuăm un control, de exemplu:
P(X=1) P(Y=2) =
21 , 0 70 , 0 30 , 0 · ⋅
, iar
P[(X=1) ∩ (Y=2)] =
20 , 0 p
11
·
. Cum 0,21 ≠ 0,20,
deducem că X şi Y sunt dependente.
c) F(
· · · ∪ · · · < < · )] 2 Y , 3 X ( ) 2 Y , 1 X [( P ) 5 Y ,
2
7
X ( P ) 5 ,
2
7
=P(X=1,Y=2) +P(X=3,Y=2) = 0,20+0,05 = 0,25.
1.9. Variabile aleatoare de tip continuu
Definiţie 1.9.1. Fie variabila aleatoare X având
funcţia de repartiţie F, vom spune că X este variabilă
aleatoare de tip continuu dacă funcţia de repartiţie se
poate reprezenta sub forma:
F(x) =
R x , dt ) t (
x

∈ ∀ ρ

∞ −
.
65
Elemente de teoria probabilităţilor şi statistică matematică
Funcţia
R R : → ρ
se numeşte densitate de
probabilitate a variabilei aleatoare X.
Propoziţie 1.9.2. Au loc afirmaţiile:
1)
0 ) x ( , R x ≥ ρ ∈ ∀
.
2) F'(x) =
) x ( ρ
a.p.t. pe R.
3) P(a ≤X<b) =

ρ
b
a
dx ) x (
.
4)


∞ −
· ρ

1 dx ) x (
.
Observaţie 1.9.3.
1. Pentru o variabilă de tip continuu P(X=a)= 0,
deci P(a ≤X<b) = P(a<X<b) = P(a
) b X ≤ ≤
= P(a<X<b)
=

ρ
b
a
dx ) x (
.
2.
x
x x X x P
x
x F x x F
x F x
x x

∆ + < ≤
·

− ∆ +
· ·
→ ∆ → ∆
) (
lim
) ( ) (
lim ) ( ' ) (
0 0
ρ
, deci când x ∆ este mic avem P(x
x ) x ( ) x x X ∆ ⋅ ρ ≈ ∆ + < ≤
.
Definiţie 1.9.4. Fie vectorul aleator (X,Y) având
funcţia de repartiţie F, spunem că (X,Y) este un vector
66
Elemente de teoria probabilităţilor
aleator de tip continuu, dacă funcţia de repartiţie F se
poate pune sub forma:
F(x,y) =
∫ ∫
∞ − ∞ −
∈ ∀ ρ
x

y

2
R ) y , x ( , dt ds ) t , s (
,
iar funcţia
R R :
2
→ ρ
se numeşte densitate de
probabilitate a vectorului aleator (X,Y).
Observaţie 1.9.5. Dacă
ρ
este densitate de
probabilitate pentru (X,Y), iar
X
ρ
şi
Y
ρ
densităţi de
probabilitate pentru X, respectiv Y au loc:
1)
2
R ) y , x ( , 0 ) y , x ( ∈ ∀ ≥ ρ
.
2)
) y , x (
y x
) y , x ( F
2
ρ ·
∂ ∂

a.p.t. pe
2
R
.
3) P((X,Y)
2
, ) , ( )
∫∫
⊂ · ∈ R D dy dx y x D
D
ρ
.
4)
∫∫
· ⋅ ρ
2
R
1 dy dx ) y , x (
.
5)


∞ −
∈ ∀ ρ · ρ


R x , dy ) y , x ( ) x (
X
;
R y dx y x y
Y
∈ ∀ ·


∞ −


, ) , ( ) ( ρ ρ
.
Definiţie 1.9.6. Spunem că variabilele aleatoare
de tip continuu X şi Y sunt independente dacă F(x,y) =
) y ( F ) x ( F
Y X

,
2
R ) y , x ( ∈ ∀
.
67
Elemente de teoria probabilităţilor şi statistică matematică
Aplicaţie 1.9.7. Funcţia
[ ] [ ]
¹
'
¹ × ∈
·
rest în , 0
3 , 1 2 , 1 ) , ( ,
) , (
2
y x kxy
y x ρ
este densitate de
probabilitate dacă
0 ) , ( ≥ y x ρ
şi
∫∫
·
2
1 ) , (
R
dxdy y x ρ
ceea ce implică ecuaţia în k,
∫ ∫
·
2
1
3
1
2
1 dxdy xy k
, verificată pentru
13
1
· k
.
În acest caz funcţia de repartiţie va fi
( ) [ ] [ ]
[ ]
[ ]
∫ ∫
¹
¹
¹
¹
¹
¹
¹
¹
¹
'
¹
> >
> ∈ −
> ∈ −
× ∈ − −
< <
· ·
x y
şi x dacă
şi y dacă x
x şi y dacă y
y x dacă y x
y sau x dacă
dudv uv y x F
1
2
3
3 2
1
2
3 y 2 , 1
3 y 2 , 1 , ) 1 (
2
1
2 3 , 1 , ) 1 (
26
1
3 , 1 2 , 1 , , ) 1 )( 1 (
78
1
1 1 , 0
) , (
şi deducem de asemenea că funcţiile de repartiţie
marginale sunt, respectiv,
68
Elemente de teoria probabilităţilor
[ ]
¹
¹
¹
'
¹
>
∈ −
<
·
2 , 1
2 , 1 , ) 1 (
3
1
1 , 0
) (
2
x
x x
x
x F
X
;
[ ]
¹
¹
¹
'
¹
>
∈ −
<
·
3 , 1
3 , 1 , ) 1 (
3
1
1 y , 0
) (
2
y
y x y F
Y
1.10. Exemple de legi de probabilitate de
tip continuu
Teorema 1.10.1. X şi Y sunt independente

). y ( ) x ( ) y , x (
Y X
ρ ρ · ρ
Demonstraţie:
Presupunem că variabilele aleatoare X şi Y sunt
independente, atunci F(x, y) = F
X
(x) F
Y
(y). Derivăm
această relaţie în raport cu x şi respectiv y, rezultă că
) ( ) ( ) ( ) (
) , (
) , (
/ /
y x y F x F
y x
y x F
y x
Y X Y X
ρ ρ ρ · ·
∂ ∂

·
Afirmaţia inversă rezultă din:
69
Elemente de teoria probabilităţilor şi statistică matematică
) ( ) ( ) ( ) ( ) ( ) ( ) , ( ) , ( y F x F dt t ds s dsdt t s dsdt t s y x F
Y X
y y
Y
x
X Y X
x y x
∫ ∫ ∫ ∫ ∫ ∫
∞ − ∞ − ∞ − ∞ − ∞ − ∞ −
· · · · ρ ρ ρ ρ ρ
Obţinem că X, Y sunt variabile aleatoare independente.
Teorema 1.10.2. Fie vectorul aleator (X, Y)
cu densitatea de probabilitate
ρ
şi
z
ρ
densitatea de
probabilitate a variabilei aleatoare
Z=X+Y, atunci


∞ −
− ρ · ρ


z
du ) u x , u ( ) x (
, R x ∈ ∀ .
Demonstraţie:
Scriem funcţia de rapartiţie F
Z
a variabilei
aleatoare Z.
∫ ∫
< +
· < + · < ·
x v u
Z
dudv v u Y X P x Z P x F ) , ( ) ( ) ( ) ( ρ
Domeniul de integrare pe care se ia integrala
dublă este
} , / ) , {(
2
u x v R u R v u D − < < −∞ ∈ ∈ ·
. Avem
∫ ∫
+∞
∞ −

∞ −
·
u x
Z
du dv v u x F ] ) , ( [ ) ( ρ
care prin derivare
conduce la:
∫ ∫ ∫
+∞
∞ −
+∞
∞ −

∞ −
− ·


· · du u x u du dv v u
x
x F x
u x
Z Z
) , ( ] ) , ( [ ) ( ) (
/
ρ ρ ρ
70
Elemente de teoria probabilităţilor
Observaţie 1.10.3.
1) Dacă X,Y sunt independente, atunci:


∞ −
∈ ∀ − ρ ⋅ ρ · ρ


z
R x , du ) u x ( ) u ( ) x (
Y X
.
2) Dacă U= Y X⋅ , atunci


∞ −
∈ ∀ ρ · ρ


U
R x ,
u
du
)
u
x
, u ( ) x (
.
3) Dacă
Y
X
V ·
, atunci
R x , du u ) u , xu ( ) x (


V
∈ ∀ ⋅ ρ · ρ


∞ −
.
Teorema 1.10.4. Fie variabila aleatoare X cu
densitatea de probabilitate
X
ρ
şi funcţia monotonă
g:R→R. Atunci variabila aleatoare Y=g(X) are densitatea
de probabilitate
Y
ρ
dată prin:
)) x ( g ( ' g
)) x ( g (
) x (
1
1
X
Y


ρ
· ρ
.
Demonstraţie:
Presupunem că g este strict crescătoare şi avem:
)) ( ( )) ( ( ) ) ( ( ) ( ) (
1 1
x g F x g X P x X g P x Y P x F
X Y
− −
· < · < · < ·
Prin derivare se obţine că:
71
Elemente de teoria probabilităţilor şi statistică matematică
)) ( (
)) ( (
)) ( ( )) ( ( ) ( ) (
1 /
1
1 / / 1 /
x g g
x g
x g F x g x F x
X
X Y Y


− −
· · ·
ρ
ρ
Deoarece g este crescătoare, avem g
/
>0, deci
)) ( (
)) ( (
) (
1 /
1
x g g
x g
x
X
Y


·
ρ
ρ
Exemplul 1.10.5. Se consideră variabila
aleatoare X de tip continuu, care are densitatea de
probabilitate R x , e a ) x (
x
∈ ∀ ⋅ · ρ

unde R a ∈ . Să se
determine:
a) parametrul real a;
b) funcţia de repartiţie a variabilei
aleatoare X;
c) probabilităţile
[-2,2]). X 0 P(X şi ) 2 X 0 ( P ∈ < < <
Rezolvare:
a) Deoarece funcţia
ρ
este o densitate de
probabilitate, rezultă că

∞ +

· ρ > ≥ ρ

-
1 (x)dx ca impune se şi 0, a unde de , 0 ) x (
.
72
Elemente de teoria probabilităţilor
Avem:
a 2 ) e ( a 2 dx e a 2 dx e a
0
x
0
x
-
x
· − · ·
+∞



∞ +


∫ ∫
Rezultă: 2a=1, de unde
2
1
a ·
.
b) folosind densitatea de probabilitate avem:
¹
¹
¹
¹
¹
'
¹
>

· · ρ ·

∞ −

∞ −
∫ ∫
0 x d a c ă , e
2
1
- 1
0 x d a c ă , e
2
1
d t e
2
1
d t ) t ( ) x ( F
x
x
x

t
x

Dacă
x
x
t
x

t
e
2
1
e
2
1
dt e
2
1
F(x) iar 0 t şi atunci , 0 x · · · ≤ ≤
∞ −
∞ −

.
Dacă x>0, atunci F(x) =
x
x
0
t
x
0
t
0

t
e
2
1
1 ) e (
2
1
2
1
dt e
2
1
dt e
2
1
− − −
∞ −
− · − + · +
∫ ∫
.
c) Folosind funcţia de repartiţie avem:
73
Elemente de teoria probabilităţilor şi statistică matematică

,
`

.
|
− · − · · < <

2
2
e
1
1
2
1
2
1
e
2
1
- 1 F(0) - F(2) 2) X P(0
.
A doua probabilitate este o probabilitate
condiţionată, deci
) 2 X 2 ( P
) 0 X 2 ( P
) 2 X 2 ( P
) 2 X 2 , 0 X ( P
) 2 X 2 0 X ( P ]) 2 , 2 [ X 0 X ( P
≤ ≤ −
≤ ≤ −
·
≤ ≤ −
≤ ≤ − <
· ≤ ≤ − < · − ∈ <

unde
2
2 2
2
2
e
1
1 e
2
1
e
2
1
1 ) 2 ( F ) 2 ( F ) 2 X 2 ( P
e
1
1
2
1
e
2
1
2
1
) 2 ( F ) 0 ( F ) 0 X 2 ( P
− · · − · − − · ≤ ≤ −

,
`

.
|
− · − · − − · < ≤ −
− −

Se obţine:
2
1
]) 2 , 2 [ X 0 X ( P · − ∈ <
.
Exemplul 1.10.6. Se consideră funcţia
] 3 , 1 [ x , 1 x 3 ) x ( f
2
∈ − ·
.
a) să se arate că f(x) nu este o densitate de
probabilitate.
b) să se modifice f(x) astfel încât noua funcţie
) x ( ρ
să fie o densitate de probabilitate.
74
Elemente de teoria probabilităţilor
c) să se calculeze probabilitatea
) 2 X 1 ( P ≤ ≤
şi
.
2
3
X P

,
`

.
|
<
Rezolvare:
a) Analizând cele două condiţii ale unei densităţi
de probabilitate se obţine:
1)
[1,3] x dac ă 0 1 x 3 ) x ( f
2
∈ ≥ − ·
2)
1 24 dx ) 1 x 3 ( dx ) x ( f
3
1
2
3
1
≠ · − ·
∫ ∫
, deci
f(x) nu este o densitate de probabilitate.
b) Dacă modificăm funcţia f(x), mai precis,
definim
[1,3] x ), 1 x 3 (
24
1
) x ( f
24
1
) x (
2
∈ − · · ρ
, atunci
obţinem
) x ( ρ
care este o densitate de probabilitate.
c) Pentru a calcula probabilităţile cerute se poate
proceda în două moduri:
1) folosind funcţia de repartiţie F(x). Această
funcţie este:
75
Elemente de teoria probabilităţilor şi statistică matematică
¹
¹
¹
¹
¹
'
¹
>
∈ −
<
·
3 x d a c ă 1 ,
[ 1 , 3 ] x d a c ă ) , x x (
2 4
1
1 x d a c ă 0 ,
) x ( F
3
De aici
64
5
2
3
F
2
3
2
3
24
1
2
3
X P
4
1
) 2 2 (
24
1
) 1 ( F ) 2 ( F ) 2 X 1 ( P
3
3
·

,
`

.
|
·
]
]
]
]

,
`

.
|
·

,
`

.
|
<
· − · − · ≤ ≤
2) folosind densitatea de probabilitate
) x ( ρ
adică
4
1
) x x (
24
1
dx ) x ( ) 2 X 1 ( P
2
1
3
2
1
· − · ρ · ≤ ≤

64
5
dx ) x (
2
3
X P
2
3
1
· ρ ·

,
`

.
|
<

1.11. Caracteristici numerice asociate
variabilelor aleatoare
76
Elemente de teoria probabilităţilor
Fie
{ ¦ P K E , ,
un câmp de probabilitate şi
R E X → : o variabilă aleatoare. În afara informaţiilor
furnizate de funcţia de repartiţie
) (x F
sau chiar de
repartiţia probabilistă (discretă
( )
i
p
sau continuă
( ) ) (x ρ
ale unei variabile aleatoare X, de un real folos
teoretic şi practic sunt şi informaţiile pe care le conţin
anumite caracteristici numerice (valoarea medie,
dispersia, abaterea medie pătratică sau diverse alte
momente) ale lui X despre această variabilă aleatoare.
Valoarea medie (speranţa matematică)
77
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.11.1.Fie variabila aleatoare X cu
distribuţia
I i ,
p
x
X
i
i

,
`

.
|
. Se numeşte valoare medie,
caracteristica numerică


·
I i
i i
p x ) X ( M
.
Observaţii 1.11.2.
1) Dacă I este finită, valoarea medie există.
2) Dacă I este infinit numărabilă, M(X) există
când seria care o defineşte este absolut convergentă.
78
Elemente de teoria probabilităţilor
Definiţie 1.11.3. Fie variabila aleatoare X de tip
continuu

,
`

.
|
ρ ) x (
x
X
, R x ∈ . Se numeşte valoarea medie
a variabilei X, caracteristica numerică

∞ +
∞ −
ρ ·


(x)dx x ) X ( M
. Valoarea medie există atunci
când integrala improprie care o defineşte este
convergentă.
Proprietăţile valorii medii 1.11.4. Au loc
afirmaţiile :
1)
R b a, b, M(X) a b) X a ( M ∈ ∀ + · +
2) M(X + Y) = M(X) + M(Y)
3) X,Y independente

M(X Y) = M(X) M(Y)
79
Elemente de teoria probabilităţilor şi statistică matematică
Demonstraţie:
a) Fie variabilele aleatoare de tip discret X, Y
având repartiţiile
J j
j
j
I i
i
i
q
y
Y
p
x
X

,
`

.
|

,
`

.
|
,
1. Avem
b X aM bp p ax p b ax b aX M
I i
i
I i
i i
I i
i i
+ · + · + · +
∑ ∑ ∑
∈ ∈ ∈
) ( ) ( ) (

dacă variabila b aX + are repartiţia
I i
i
i
p
b ax
b aX

,
`

.
|
+
+

şi
1 ·

∈I i
i
p
.
2. Variabila X+Y are repartiţia
J I j i
ij
j i
p
y x
Y X
× ∈

,
`

.
|
+
+
) , (
,
) , (
j i ij
y Y x X P p · · ·
Rezultă
80
Elemente de teoria probabilităţilor

) ( ) (
) ( ) (
Y M X M q y p x
p y p x p y x Y X M
J j
j j
I i
i i
I i J j
ij j
I i I i J j
ij i
J j
ij i i
+ · + ·
· + · + · +
∑ ∑
∑∑ ∑ ∑∑ ∑
∈ ∈
∈ ∈ ∈ ∈ ∈ ∈
dacă s-au folosit relaţiile
j
I i
ij
q p ·


şi
i
J j
ij
p p ·


3. Variabila XY are repartiţia
J I j i
j i
j i
q p
y x
XY
× ∈

,
`

.
|
) , (
dacă X şi Y sunt independente.
Avem
∑ ∑ ∑ ∑
∈ ∈ ∈ ∈
· · ·
I i I i J j
j j i i
J j
j i j i
Y M X M q y p x q p y x XY M ) ( ) ( ) (
b) Presupunem ca X şi Y sunt variabile aleatoare
de tip continuu.
1. Dacă notăm prin Y = aX + b, a ≠ 0, atunci
conform teoremei 3.10.4. în cazul particular Y = aX + b,
a ≠ 0, se obţine că
81
Elemente de teoria probabilităţilor şi statistică matematică
a
a
b x
x
X
Y
) (
) (

·
ρ
ρ
, pentru orice x ∈ R.
Avem:
∫ ∫
+∞
∞ −
+∞
∞ −

· · · + dx
a
b x
x
a
dx x x Y M b aX M
Y Y
) (
1
) ( ) ( ) ( ρ ρ

de unde prin schimbarea de variabilă u = (x – b)/a, dx =
adu, obţinem
∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
+ · + · + · + b X aM du u b du u u a du u b au b aX M
X X X
) ( ) ( ) ( ) ( ) ( ) ( ρ ρ ρ
2. Dacă notăm prin Z = X + Y, variabila care are
densitatea de probabilitate
Z
ρ
, iar densitatea de
probabilitate a vectorului (X, Y) o notăm prin
ρ
, atunci:
∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
− · · · + dx du u x u x dx x s Z M Y X M
Z
) ) , ( ( ) ( ) ( ) ( ρ ρ
Schimbăm ordinea de integrare, apoi schimbarea
de variabilă
x – u = t, dx = dt, şi obţinem
∫ ∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
· + · − · + du dt t u u t du dx u x u x Y X M ) ) , ( ) ( ( ) ) , ( ( ) ( ρ ρ
82
Elemente de teoria probabilităţilor
∫ ∫ ∫ ∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
+ · + · + · ) ( ) ( ) ( ) ( ) ) , ( ( ) ) , ( ( X M Y M du u u dt t t du dt t u u dt du t u t
Z X
ρ ρ ρ ρ
3. Dacă notăm prin V =X Y, care are densitatea
de probabilitate
V
ρ
, iar densitatea de probabilitate a
vectorului (X, Y) o notam prin
ρ
, atunci
∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
· · · dx
u
dx
u
x
u x dx x x V M XY M
V
) ) , ( ( ) ( ) ( ) ( ρ ρ
Schimbăm ordinea de integrare, apoi facem
schimbarea de variabilă x / u = t, dx = udt, şi
obţinem:
∫ ∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
· · · du dt t u tu du dx
u
x
u
u
x
XY M ) ) , ( ( ) ) , ( ( ) ( ρ ρ
∫ ∫ ∫ ∫
+∞
∞ −
+∞
∞ −
+∞
∞ −
+∞
∞ −
· · · ) ( ) ( ) ( ) ( ) ( ) ( Y M X M dt t t du u u dtdu t u tu
Y X Y X
ρ ρ ρ ρ
Dispersia
Definiţie 1.11.5. Se numeşte dispersia (varianţa)
variabilei aleatoare X, caracteristica numerică
( ) [ ]
2
2
) X ( M X M ) X ( D − · iar ) X ( D ) X (
2
· σ se
numeşte abatere medie pătratică.
83
Elemente de teoria probabilităţilor şi statistică matematică
În mod explicit, dispersia are expresia
( )


⋅ − ·
I i
i i
p X M x X D
2
2
) ( ) (
, N I ⊂ , dacă X este o
variabilă aleatoare discretă sau
( )

− ·
R
dx x X M x X D ) ( ) ( ) (
2
2
ρ
, dacă X este o
variabilă aleatoare continuă.
Dispersia este un indicator numeric al gradului
de împrăştiere (sau de dispersare) a valorilor unei
variabile aleatoare în jurul valorii medii a acesteia.
Proprietăţile dispersiei 1.11.6.
a)
[ ]
2 2 2
) X ( M ) X ( M ) X ( D − ·
b)
R b a, ), X ( D a ) b aX ( D
2 2 2
∈ ∀ · +
c) X,Y independente
) Y ( D ) X ( D ) Y X ( D
2 2 2
+ · + ⇒
Demonstraţie:
a)
( ) [ ] ( ) [ ]
[ ] [ ]
2
2
2
2
2
2
2
2
) ( ) ( ) ( ) ( ) ( 2 ) (
) ( ) ( 2 ) ( ) (
X M X M X M X M X M X M
X M X X M X M X M X M X D
− · + − ·
+ − · − ·
84
Elemente de teoria probabilităţilor
dacă s-a făcut un calcul formal.
b) Folosind proprietăţile valorii medii şi
definiţia dispersiei avem:
[ ] ( ) [ ]
( ) [ ] ) ( ) (
) ( ) ) ( ( ) (
2 2
2
2
2
2 2 2
X D a X M X M a
X M X a M b X aM b aX M b aX D
· − ·
· − · − − + · +
c) Dacă X, Y independente avem
) ( ) ( ) ( Y M X M XY M ·
. Calculăm
( ) [ ] ( ) ( ) ( ) [ ]
( ) ( ) ( )( ) [ ]
( ) [ ] ( ) [ ] ( ) ( )
) ( ) (
) ( ) ( 2 ) ( ) (
) ( ) ( 2 ) ( ) (
) ( ) ( ) ( ) (
2 2
2 2
2 2
2 2
2
Y D X D
Y M Y M X M X M Y M Y M X M X M
Y M Y X M X Y M Y X M X M
Y M Y X M X M Y X M Y X M Y X D
+ ·
· − − + − + − ·
· − − + − + − ·
· − + − · + − + · +
dacă s-a ţinut seama că
( ) 0 ) ( · − X M X M
Aplicaţia 1.11.7. Dacă X este o variabilă
aleatoare discretă

,
`

.
|
− −
12
1
12
1
12
5
12
2
12
2
12
1
3 2 1 0 1 2
: X
atunci deducem că:
85
Elemente de teoria probabilităţilor şi statistică matematică
2
1
12
1
3
12
1
2
12
5
1
12
2
0
12
2
1
12
1
2 ) ( · + + + + − − · X M
2
12
1
9
12
1
4
12
5
1
12
2
0
12
2
1
12
1
4 ) (
2
· + + + + + · X M
[ ]
4
7
4
1
2 ) ( ) ( ) (
2
2 2
· − · − · X M X M X D
2
7
) ( ) (
2
· · X D X σ
Aplicaţia 1.11.8. Dacă X este variabilă aleatoare
continuă

,
`

.
|
) (
:
x
x
X
ρ
,
[ ]
¹
¹
¹
'
¹

·
rest în , 0
3 , 1 ,
4
) (
x
x
x ρ
atunci deducem că:
6
13
12
) ( ) (
3
1
3
3
1
· · ·

x
dx x x X M ρ
,
5
16
) ( ) (
3
1
4
3
1
2 2
· · ·

x
dx x x X M ρ
[ ]
36
11
36
169
5 ) ( ) ( ) (
2
2 2
· − · − · X M X M X D
6
11
) ( ) (
2
· · X D X σ
86
Elemente de teoria probabilităţilor
Momente
Definiţie 1.11.9. Se numeşte moment iniţial
(obişnuit) de ordin k al variabilei aleatoare X,
caracteristica numerică ) X ( M
k
k
· σ
Observaţie 1.11.10. Pentru k=1 avem
) X ( M
1
· σ
iar pentru k=2,
2
1 2
2
) X ( D σ − σ ·
Dacă X este variabilă de tip discret având
repartiţia
I i
i
i
p
x
X

,
`

.
|
:
,


·
I i
i
p 1
atunci


·
I i
i
k
i k
p x σ
Dacă X este variabilă de tip continuu
R x
x
x
X

,
`

.
|
) (
:
ρ
atunci

·
R
k
k
dx x x ) ( ρ σ
Definiţie 1.11.11. Se numeşte moment centrat
de ordin k al variabilei aleatoare X, caracteristica
87
Elemente de teoria probabilităţilor şi statistică matematică
numerică ( ) [ ]
k
k
) X ( M X M − · µ , adică
( )
( )
¹
¹
¹
'
¹

⋅ −
·



continuă X , ) ( ) (
discretă X , ) (
R
k
i
i
k
I i
i
k
dx x X M x
p X M x
ρ
µ
Observaţie 1.11.12. Pentru k=1 avem
0
1
· µ
,
iar pentru k=2, ) X ( D
2
2
· µ
Teorema1.11.13. Între momentele centrate şi
momentele iniţiale există următoarea relaţie:
i
1 i k
i
k
k
0 i
i
k
C ) 1 ( σ σ − · µ

·

.
Demonstraţie:
Avem
( ) [ ] ( ) [ ]
∑ ∑ ∑

· ·


·

·

− · − ·
]
]
]

− ·
·
,
`

.
|
− · − · − ·
k
i
k
i
i
i k
i
k
i i i k i
k
i
k
i
i i k i
k
i
k
i
i i k i
k
k k
k
C X M C X C M
X C M X M X M X M
0 0
1 1
0
1
0
1 1
) 1 ( ) ( ) 1 ( ) 1 (
) ( ) (
σ σ σ σ
σ σ µ
88
Elemente de teoria probabilităţilor
Observaţie 1.11.14. În statistica matematică se
utilizează de regulă primele patru momente centrate:
4 3 2 1
, , , µ µ µ µ
.
Definiţie 1.11.15. Se numeşte momentul iniţial
de ordinul (r,s) al vectorului aleator (X,Y) caracteristica
numerică
) Y X ( M
s r
rs
· σ
, adică
¹
¹
¹
'
¹
·
∫ ∫
∑∑
∈ ∈
continuu Y) (X, , ) , (
discret ) , ( ,
2
r
i
R
s r
I i J j
ij
s
j
rs
dxdy y x y x
Y X p y x
ρ
σ
Definiţie 1.11.16. Se numeşte moment centrat
de ordin (r,s) al vectorului aleator (X,Y), caracteristica
numerică

[ ]
s r
rs
) Y ( M Y ( )) X ( M X ( M − − · µ
, adică
( ) ( )
( ) ( )
¹
¹
¹
'
¹
− −
− −
·
∫ ∫
∑∑
∈ ∈
continuu Y) (X, , ) , ( ) ( ) (
discret ) , ( , ) ( ) (
2
R
s r
I i J j
ij
s
j
r
i
rs
dxdy y x Y M y X M x
Y X p Y M y X M x
ρ
µ
Observaţie 1.11.17.
) Y ( D ), X ( D ), Y ( M ), X ( M
2
2 0
2
0 2 1 0 o 1
· µ · µ · σ · σ
89
Elemente de teoria probabilităţilor şi statistică matematică
Corelaţie sau covarianţă
Definiţie 1.11.18. Se numeşte corelaţia sau
covarianţa variabilelor aleatoare X şi Y, caracteristica
numerică

( )( ) [ ]
1 1
Y) C(X, adică ) Y ( M Y ) X ( M X M ) Y , X ( C µ · − − ·
Observaţie 1.11.19.
1)
01 10 11
Y) C(X, ), Y ( M ) X ( M ) XY ( M ) Y , X ( C σ σ − σ · − ·
Dacă X, Y independente
0 ) Y , X ( C · ⇒
, dar
nu şi reciproc.
) ( ) , (
2
X D X X C ·
( )
∑∑ ∑ ∑
· · · ·
·

,
`

.
|
m
i
n
j
j i j i
n
j
j j
m
i
i i
Y X C b a Y b X a C
1 1 1 1
, ,
,
oricare ar fi variabilele aleatoare X
i
şi Y
j
şi oricare ar fi
constantele reale a
i
şi b
j
, m i ≤ ≤ 1 ,
n j ≤ ≤ 1
) , ( ) , ( X Y C Y X C ·
, oricare ar fi X şi Y.
Definiţie 1.11.20. Se numeşte coeficient de
corelaţie relativ la variabilele aleatoare X şi Y
caracteristica numerică
90
Elemente de teoria probabilităţilor
r(X, Y)=
) Y ( D ) X ( D
) Y , X ( C
2 2
Observaţie 1.11.21.
1) X, Y independente
0 ) Y , X ( r · ⇒
reciproc
nu este adevărat;
2) Spunem că X,Y sunt necorelate dacă r(X,Y)
=0
Proprietăţi:
a)
1 ) Y , X ( r ≤
b)
0 b, X 1 ) , ( > + · ⇔ + · a a Y Y X r
c)
0 , 1 ) , ( < + · ⇔ − · a b aX Y Y X r
Observaţie 1.11.21. În practică se mai spune că:
1) X şi Y sunt pozitiv perfect corelate dacă
1 ) , ( · Y X r
;
2) X şi Y sunt negativ perfect corelate dacă
1 ) , ( − · Y X r
;
3) X şi Y sunt puternic pozitiv (sau negativ)
corelate dacă

1 ) , ( 75 , 0 < ≤ Y X r
(sau
75 , 0 ) , ( 1 − ≤ < − Y X r
);
91
Elemente de teoria probabilităţilor şi statistică matematică
4) X şi Y sunt slab pozitiv (sau negativ) corelate
dacă
25 , 0 ) , ( 0 < < Y X r
(sau
0 ) , ( 25 , 0 < < − Y X r
);
Marginile valorice decizionale fiind alese convenţional.
Aplicaţie 1.11.22. Fie (X,Y) un vector aleator
discret a cărui repartiţie probabilistă este dată de tabelul
de mai jos.
Calculaţi coeficientul de corelaţie r(X,Y).
Y
X
-1 0 1 2 p
i
-1 1/6 1/12 1/12 1/24 9/24
0 1/24 1/6 1/12 1/24 8/24
1 1/24 1/24 1/6 1/24 7/24
q
j
6/24 7/24 8/24 3/24 1
Rezolvare:
Pe baza formulelor corespunzătoare, deducem
imediat:
12
1
24
2
24
7
1
24
8
0
24
9
1 ) ( − · − · + + − · X M
3
2
24
16
24
7
1
24
8
0
24
9
1 ) (
2
· · + + · X M
144
95
144
1
3
2
)] ( [ ) ( ) (
2 2 2
· − · − · X M X M X D
92
Elemente de teoria probabilităţilor
3
1
24
8
24
3
2
24
8
1
24
7
0
24
6
1 ) ( · · + + + − · Y M
12
13
24
26
24
3
4
24
1
1
24
7
0
24
6
1 ) (
2
· · + + + · Y M
36
35
9
1
12
13
)] ( [ ) ( ) (
2 2 2
· − · − · Y M Y M Y D

24
5
24
1
2
6
1
1
24
1
0
24
1
1 1
24
1
2
12
1
1
6
1
0
24
1
1 0
24
1
2
12
1
1
12
1
0
6
1
1 1 ) (
·

,
`

.
|
+ + + − ⋅ +
+

,
`

.
|
+ + + − ⋅ +

,
`

.
|
+ + + − ⋅ − · XY M
72
17
36
1
24
5
) ( ) ( ) ( ) , ( · + · − · Y M X M XY M Y X C
295 , 0
36
35
144
95
12
17
) ( ) (
) , (
) , (
2 2


· ·
Y D X D
Y X C
Y X r
Observaţie 1.11.23. Coeficientul de corelaţie
) , ( Y X r
reprezintă prima măsură a corelaţiei sau
gradului de dependenţă în sens clasic. Introdusă de către
statisticianul englez K. Pearson în anul 1901 ca rod al
colaborării acestuia cu antropologul englez F. Galton
93
Elemente de teoria probabilităţilor şi statistică matematică
(care a avut prima idee de măsurare a corelaţiei sub
denumirea de variaţie legată), această măsură a gradului
de dependenţă a fost criticată încă de la apariţiei ei pentru
diverse motive, printre care şi aceea că:
1) este dependentă de valorile
vectorului aleator
) , ( Y X
şi ca urmare nu
este aplicabilă pentru cazul variabilelor
aleatoare necantitative;
2) nu este precisă în cazul
independenţei şi al necorelării deoarece dacă
0 ) , ( · Y X r
nu există un răspuns categoric
(în sensul independenţei sau necorelării);
3) nu poate fi extinsă la mai mult de
două variabile aleatoare sau chiar la doi sau
mai mulţi vectori aleatori, fapte cerute de
practică.
Dacă la prima obiecţie a dat chiar K. Pearson un
răspuns, pentru celelalte două obiecţii nu s-au dat
răspunsuri clare decât după apariţia în 1948 a teoriei
matematice a informaţiei, rezultate remarcabile în acest
94
Elemente de teoria probabilităţilor
sens obţinând şcoala românească de matematică sub
conducerea lui Silviu Guiaşu introducând măsurile
entropice ale dependenţei dintre variabile aleatoare şi
vectori aleatori (în anii 1974-1978) cu o largă
aplicabilitate teoretică şi practică.
În ciuda tuturor criticilor ce i s-au adus,
coeficientul de corelaţie clasic (sau coeficientul Galton-
Pearson) este cel mai frecvent utilizat în practică şi,
pentru că este cel mai simplu în utilizare.
Definiţie 1.11.24. Fiind dat vectorul aleator
( )
n
X X X Z ,..., ,
2 1
·

n
R E Z → : , se numeşte valoare
medie a acestuia şi se notează cu
) (Z M
, dacă există,
vectorul n-dimensional ale cărui componente sunt
valorile medii ale componentelor lui Z adică:

( ) ) ( ),..., ( ), ( ) ,..., , ( ) (
2 1 2 1 n n
X M X M X M X X X M Z M · ·
.
95
Elemente de teoria probabilităţilor şi statistică matematică
Se numeşte matrice de covarianţă (sau de
corelaţie) a vectorului Z şi se notează prin
) (Z C
, dacă
există, matricea
( ) ( ) ( )
n j i
j i
n j
n i
i j
Y X C c Z C
, 1 ,
, 1
, 1
, ) (
·
·
·
· ·
Observaţie 1.11.25.
a) Pentru cazul unui vector aleator
bidimensional, a nu se face confuzie între
media produsului componentelor X şi Y, care
este
) ( XY M
şi media vectorului
) , ( Y X

care este
) , ( Y X M
.
b) Uneori matricea de corelaţie
) (Z C
se mai notează şi cu
) (Z Γ
.
c) Desfăşurat matricea de covarianţă
) (Z C
are forma:

,
`

.
|
·

,
`

.
|
·
nn n2 n1
2n 22 21
1n 12 11
2
2 1
2 2
2
1 2
1 2 1 1
2
...
... ... ... ...
...
...
) ( ... ) , ( ) , (
... ... ... ...
) , ( ... ) ( ) , (
) , ( ... ) , ( ) (
) (
ν ν ν
ν ν ν
ν ν ν
n n n
n
n
X D X X C X X C
X X C X D X X C
X X C X X C X D
Z C
96
Elemente de teoria probabilităţilor
şi ca urmare a proprietăţilor corelaţiei, constatăm că
matricea
) (Z C
este simetrică.
d) Pornind de la definiţia coeficientului de
corelaţie şi de la matricea de corelaţie, dacă
toate componentele lui Z sunt neconstante,
atunci putem introduce matricea
coeficienţilor de corelaţie
) (Z R
a cărei
formă dezvoltată este:

,
`

.
|
·
1 ... ) , ( ) , (
... ... ... ...
) , ( ... 1 ) , (
) , ( ... ) , ( 1
) (
2 1
2 1 2
1 2 1
X X r X X r
X X r X X r
X X r X X r
Z R
n n
n
n
Ambele forme ale matricei de corelaţie a
vectorului aleatoriu Z reprezintă de fapt tabele ale
măsurării gradului de dependenţă dintre componentele lui
Z, considerate două câte două.
Aplicaţie 1.11.26. Fie variabilele aleatoare:

,
`

.
|

2 1
1
1 1
:
p p
X
;

,
`

.
|
2 1
2
3 1
:
q q
X
;

,
`

.
|
2 1
3
4 2
:
r r
X
a căror repartiţie comună notată
) (
ijk
p
,
2 , , 1 ≤ ≤ k j i
,
este:
97
Elemente de teoria probabilităţilor şi statistică matematică
16
1
111
· p
;
16
1
112
· p
;
32
1
121
· p
;
32
3
122
· p
;
8
1
211
· p
;
4
1
212
· p
;
16
1
221
· p
;
16
5
222
· p
.
Să se determine repartiţiile bidimensionale şi
unidimensionale ale vectorului aleator tridimensional
( )
3 2 1
, , X X X Z ·
şi matricele de corelaţie
) (Z C
şi
) (Z R
.
Rezolvare:
Avem imediat repartiţiile bidimensionale
¹
¹
¹
'
¹
· + ·
· + ·


8
3
8
1
2 1 2 2 1 1 2 1
1 1 2 1 1 1 1 1
p p p
p p p
;
¹
¹
¹
'
¹
· + ·
· + ·


8
3
8
1
2 2 2 2 2 1 2 2
1 2 2 1 2 1 1 2
p p p
p p p

pentru
( )
2 1
, X X
98
Elemente de teoria probabilităţilor
¹
¹
¹
'
¹
· + ·
· + ·


16
8
32
3
221 211 1 2
121 111 1 1
p p p
p p p
;
¹
¹
¹
'
¹
· + ·
· + ·


16
9
32
5
222 212 2 2
122 112 2 1
p p p
p p p
pentru
( )
3 1
, X X
¹
¹
¹
'
¹
· + ·
· + ·


32
3
16
3
221 121 21
211 111 11
p p p
p p p
;
¹
¹
¹
'
¹
· + ·
· + ·


32
13
32
5
222 122 22
212 112 12
p p p
p p p
pentru
( )
3 2
, X X
şi ca urmare putem scrie următoarele tabele de repartiţie
bidimensionale:
X
2
X
1
1 3 p
i
X
3
X
1
2 4 p
i
X
3
X
2
2 4 q
i
99
Elemente de teoria probabilităţilor şi statistică matematică
-1 1/8 1/8 ¼ -1 3/32 5/32 1/4 1 3/16 5/16 1/2
1 3/8 3/8 ¾ 1 3/16 9/16 3/4 3 3/32 13/32 1/2
q
j
1/2 1/2 1 r
k
9/32 23/32 1 r
k
9/32 21/32 1
din care se observă şi repartiţiile unidimensionale
(repartiţiile variabilelor aleatoare considerate X
1
, X
2
, X
3
).
Din aceste tabele deducem prin calcul imediat:
2
1
) (
1
· X M
; 1 ) (
2
1
· X M ;
4
3
) (
1
2
· X D
2 ) (
2
· X M
; 5 ) (
2
2
· X M ; 1 ) (
2
2
· X D
16
55
) (
3
· X M
;
8
101
) (
2
3
· X M
;
256
207
) (
3
2
· X D
1 ) (
2 1
· ⋅ X X M
;
1 ) ( ) (
2 1
· X M X M
;
0 ) , (
2 1
· X X C
;
0 ) , (
2 1
· X X r
16
29
) (
3 1
· ⋅ X X M
;
32
55
) ( ) (
3 1
· X M X M
;
32
3
) , (
3 1
· X X C
; 12 , 0
207
3
) , (
3 1
≈ · X X r
16
113
) (
3 2
· ⋅ X X M
;
8
55
) ( ) (
3 2
· X M X M
;
16
3
) , (
3 2
· X X C
;
21 , 0
207
3
) , (
3 2
≈ · X X r
100
Elemente de teoria probabilităţilor
şi ca urmare putem scrie matricele de corelaţie:

,
`

.
|
·
256 207 16 3 32 3
16 3 1 0
32 3 0 4 3
) (Z C
şi

,
`

.
|
·
1 21 , 0 12 , 0
21 , 0 1 0
12 , 0 0 1
) (Z R
constatând că X
1
şi X
2
sunt independente în timp ce între
X
3
şi X
1
sau X
3
şi X
2
există o anumită dependenţă chiar
dacă nu este puternică.
Alte caracteristici numerice
Definiţie 1.11.27. Se numeşte mediana unei
variabile aleatoare X, caracteristica numerică M
e
care
verifică relaţia:
) (
2
1
) (
e e
M X P M X P ≤ ≤ ≥ ≥
Observaţie 1.11.28.
1. Dacă F este funcţia de repartiţie şi este
continuă atunci
e
M
se determină din ecuaţia F(M
e
)
2
1
·
.
101
Elemente de teoria probabilităţilor şi statistică matematică
2. Dacă
] , ( b a M
e

atunci se ia
2
b a
M
e
+
·
Definiţie 1.11.29. Se numeşte valoare modală
sau modul a variabilei aleatoare X orice punct de maxim
local al distribuţiei lui X (în cazul discret) respectiv al
densităţii de probabilitate (în cazul continuu).
Observaţie 1.11.30. Dacă există un singur punct
de maxim local spunem că legea lui X este unimodală
altfel o numim plurimodală.
Definiţie 1.11.31. Se numeşte asimetria
(coeficientul lui Fischer) variabilei aleatoare X
caracteristica numerică definită prin
3
3
σ
µ
· s .
Definiţie 1.11.32. Se numeşte exces al variabilei
aleatoare X, caracteristica numerică definită prin
3 e
4
4

σ
µ
· .
Observaţie 1.11.33.
1) Dacă e<0 atunci graficul distribuţiei are un
aspect turtit şi legea se numeşte platicurtică.
102
Elemente de teoria probabilităţilor
2) Dacă e>0 atunci graficul distribuţiei are un
aspect ascuţit şi legea va fi numită leptocurtică.
3) Dacă e = 0 atunci repartiţiile sunt
mezocurtice.
Definiţia 1.11.34. Dacă X este o variabilă
aleatoare cu funcţia de repartiţie
) (x F
, se numesc
cuartile (în număr de trei) ale lui X (sau ale repartiţiei lui
X) numerele
1
q
,
2
q
şi
3
q
cu proprietăţile:
¹
¹
¹
'
¹
≥ +

4
1
) 0 (
4
1
) (
1
1
q F
q F
¹
¹
¹
'
¹
≥ +

2
1
) 0 (
2
1
) (
2
2
q F
q F
¹
¹
¹
'
¹
≥ +

4
3
) 0 (
4
3
) (
3
3
q F
q F
Observăm că
e
M q ·
2
.
Exemplul 1.11.35. Se consideră variabila
aleatoare

,
`

.
|

5 , 0 3 , 0 2 , 0
2 0 1
: X
.
103
Elemente de teoria probabilităţilor şi statistică matematică
Să se calculeze: M(X), M(3X), M(4X-2),
X
), X ( D
2
σ .
Rezolvare:
8 , 0 5 , 0 2 3 , 0 0 2 , 0 1 p x ) X ( M
3
1 i
i i
· ⋅ + ⋅ + ⋅ − · ·

·
4 , 3 8 , 0 3 ) X ( M 3 ) X 3 ( M · ⋅ · ·
;
2 , 1 2 8 , 0 4 2 ) X ( M 4 ) 2 X 4 ( M · − ⋅ · − · −
[ ] 56 , 1 64 , 0 2 , 2 ) X ( M ) X ( M ) X ( D
2
2 2
· − · − · ;
2 , 2 5 , 0 2 3 , 0 0 2 , 0 ) 1 ( ) X ( M
2 2 2 2
· ⋅ + ⋅ + ⋅ − ·
;
24 , 1 56 , 1 ) X ( D
2
X
· · · σ
Exemplul 1.11.36. Să se calculeze valoarea
medie şi dispersia variabilei aleatoare care are densitatea
de probabilitate

¹
'
¹ ∈ − −
· ρ
a l t f e l 0 ,
( 0 , 2 ) x d a c ă , x 1 1
) x (
Rezolvare:
104
Elemente de teoria probabilităţilor
Observăm că:
¹
¹
¹
'
¹
< <
≤ <
· ρ
a l t f e l 0 ,
2 x 1 d a c ă x , - 2
1 x 0 d a c ă , x
) x (
Ţinând seama de definiţie avem:
1
3
x
x
3
x
dx ) x 2 ( x dx x (x)dx x ) X ( M
2
1
3
2
1
2
1
0
3
2
1
1
0
2


· − + · − + · ρ ·
∫ ∫ ∫
∞ +
∞ −
6
7
4
x
3
x
2
4
x
dx ) x 2 ( x dx x dx ) x ( x ) X ( M
2
1
4
2
1
3
1
0
4
2
1
2
1
0
3


2 2
· − + · − + · ρ ·
∫ ∫ ∫
∞ +
∞ −
[ ]
6
1
1
6
7
) X ( M ) X ( M ) X ( D
2
2 2
· − · − ·
Exemplul 1.11.37. Fie vectorul aleator (X,Y) cu
densitatea de probabilitate
¹
'
¹
∈ ∈ + +
· ρ
r e s t î n , 0
] 2 , 0 [ y ] , 1 , 0 [ x ) , 1 y x ( k
) y , x (
Se cere:
a) să se determine constanta k;
b) să se determine densităţile marginale;
105
Elemente de teoria probabilităţilor şi statistică matematică
c) să se cerceteze dacă X şi Y sunt independente
sau nu;
d) să se calculeze coeficientul de corelaţie între
X şi Y.
Rezolvare:
a) din condiţiile
0 k 0 ) y , x ( ≥ ⇒ ≥ ρ
5 1 1 ) 1 ( ) , (
1
0
2
0




· ⇒ · + + ·
∫ ∫ ∫ ∫
∞ +
∞ −
∞ +
∞ −
k dy y x dx k dxdy y x ρ
.
Deci
¹
¹
¹
'
¹
∈ ∈ + +
· ρ
r e s t î n 0 ,
[ 0 , 2 ] y [ 0 , 1 ] , x ) , 1 y x (
5
1
) y , x (
b)
] 1 , 0 [ x ,
5
4 x 2
dy ) 1 y x (
5
1
dy ) y , x ( ) x (
2
0


X

+
· + + · ρ · ρ
∫ ∫
∞ +
∞ −
¹
¹
¹
'
¹

+
· ρ ⇒
a l t f e l , 0
] 1 , 0 [ x ,
5
4 x 2
) x (
X
106
Elemente de teoria probabilităţilor
] 2 , 0 [ y ,
10
3 y 2
dx ) 1 y x (
5
1
dx ) y , x ( ) y (
1
0


y

+
· + + · ρ · ρ
∫ ∫
∞ +
∞ −
¹
¹
¹
'
¹

+
· ρ ⇒
a l t f e l , 0
] 2 , 0 [ y ,
1 0
3 y 2
) y (
Y
c) X şi Y nu sunt independente deoarece:
) y ( ) x ( ) y , x (
Y X
ρ ⋅ ρ ≠ ρ
d)
15
8
dx ) 4 x 2 ( x
5
1
dx ) x ( x dxdy ) y , x ( x ) X ( M
1
0






X
· + · ρ · ρ ·
∫ ∫ ∫ ∫
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
15
17
dy ) 3 y 2 ( y
10
1
dy ) y ( y dxdy ) y , x ( ) Y ( M
2
0






Y
· + · ρ · ρ ·
∫ ∫ ∫ ∫
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
30
11
dx ) 4 x 2 ( x
5
1
dx ) x ( x ) X ( M ) X (
1
0
2


2 2
2 X
· + · ρ · · σ
∫ ∫
∞ +
∞ −
15
8
dy ) 3 y 2 ( y
10
1
dy ) y ( y ) Y ( M ) Y (
2
0
2


2 2
2 Y
· + · ρ · · σ
∫ ∫
∞ +
∞ −
Deci
[ ]
450
37
225
64
30
11
) X ( M ) X ( M ) X ( D
2
2 2
· − · − ·
[ ]
225
71
225
289
5
8
) Y ( M ) Y ( M ) Y ( D
2
2 2
· − · − ·
107
Elemente de teoria probabilităţilor şi statistică matematică
225
1
15
12
15
8
15
9
) ( ) ( ) ( ) , (
15
9
3
14
2
5
1
) 1 (
5
1
y)dxdy (x, ) (
1
0
2
2
0
1
0





· ⋅ − ·
· − · ⇒ ·

,
`

.
|
+ ·
· + + · · ⋅

∫ ∫ ∫ ∫
∞ +
∞ −
∞ +
∞ −
Y M X M XY M Y X C dx x x
dy y x xy dx xy Y X M ρ
.
Se obţine:
02758 , 0
225
71
450
37
225
1
) , (
) , ( − ·


·

·
Y X
Y X C
Y X r
σ σ
Exemplul 1.11.38. Se ştie că, dacă două
variabile aleatoare X şi Y sunt independente, atunci
coeficientul lor de corelaţie este nul. Reciproca nu este
adevărată. Iată un vector aleator discret (X,Y), în care X
şi Y sunt dependente şi totuşi 0 · r .


16
1
16
2
16
3
108
Y
-1 1 2
X
0
1
2
Elemente de teoria probabilităţilor

16
2
0
16
2

16
1
16
2
16
3
Rezolvare:
Calculăm repartiţiile marginale:

,
`

.
|
16 6 16 4 16 6
2 1 0
: X
;

,
`

.
|

16 8 16 4 16 4
2 1 1
: Y
Avem:
2
3
;
4
3
) X ( D ;
4
7
) X ( M ; 1 ) X ( M
X
2 2
· σ · · ·
2
10
;
2
3
) Y ( D ;
2
5
) Y ( M ; 1 ) Y ( M
Y
2 2
· σ · · ·

,
`

.
|
− −

16
3
16
4
16
6
16
2
16
1
4 2 0 1 2
: Y X
, M(XY)=1
109
Elemente de teoria probabilităţilor şi statistică matematică
0
2
10
2
3
1 1 M(X)M(Y) - Y) M(X
·


·


· ⇒
Y X
r
σ σ
Exemplul 1.11.39. Fie X o variabilă aleatoare
care are densitatea de probabilitate definită prin:
¹
'
¹


· ρ
) 2 , 0 ( x , 2 / 1
) 2 , 0 ( x , 0
) x (
.
a) Să se determine modulul şi mediana
b) Să se calculeze momentul de ordin k,
) x (
k
σ
..
Rezolvare:
a) Conform definiţiei, M
0
este valoarea pentru
care
. max ) x ( → ρ
adică
) 2 , 0 ( M
0

adică există o
infinitate de valori modale situate pe segmentul (0,2). M
e
se determină din ecuaţia
2
1
) ( ·
e
M F
.
110
Elemente de teoria probabilităţilor
Cum
1 M
2
M
dx ) x ( ) M X ( P ) M ( F
e
e
M
0
e e
e
· ⇒ · ρ · < ·

.
b)

∞ +
∞ −
+
· ⋅ · · σ


k k
k
1 k
k 2
dx
2
1
x ) X ( M ) X (
.
1.12. Funcţia caracteristică. Funcţia
generatoare de momente
Definiţie 1.12.1. Fie câmpul de probabilitate
{ ¦ P K E , ,
şi variabilele aleatoare X şi Y definite pe E cu
valori reale. Se numeşte variabilă aleatoare complexă
iY X Z + · , 1
2
− · i , iar valoarea medie a acesteia
notată cu
) (Z M
este dată de relaţia
) ( ) ( ) ( Y M i X M Z M + ·
dacă mediile
) ( X M
şi
) (Y M
există.
Observaţie 1.12.2. Dacă X este o variabilă
aleatoare expresia tX i tX e
itX
sin cos + · , R t ∈
defineşte de asemenea o variabilă aleatoare şi
1 sin cos
2 2
2
· + · tX tX e
itX
111
Elemente de teoria probabilităţilor şi statistică matematică
Definiţie 1.12.3. Fie X o variabilă aleatoare
reală. Se numeşte funcţia caracteristică a lui X o funcţie
C R → : ϕ
dată de relaţia ) ( ) ( ) (
itX
X
e M t t · ·ϕ ϕ ,
care explicit poate fi scrisă sub forma
¹
¹
¹
'
¹
·



continuu tip de este , ) (
discret tip de este ,
) (
R
itx
K k
itx
k
X
dx x e
e p
t
k
ρ
ϕ
Propoziţia 1.12.4. Funcţia caracteristică are
următoarele proprietăţi:
1)
1 ) 0 ( · ϕ
şi
R t t ∈ ∀ ≤ , 1 ) ( ϕ
2) Dacă X
j
,
m j , 1 ·
sunt variabile aleatoare
independente în totalitate cu funcţiile caracteristice
( ) m 1, j ), ( ) ( · · t t
j X
j
ϕ ϕ
, atunci funcţia caracteristică a
variabilei aleatoare sumă
m
X X X X + + + · ...
2 1
este

·
· ·
m
j
j m X
t t t t t
1
2 1
) ( ) ( ... ) ( ) ( ) ( ϕ ϕ ϕ ϕ ϕ
3) Dacă
b aX Y + ·
, a şi b ∈ R, atunci
itb
X Y
e at t ) ( ) ( ϕ ϕ ·
112
Elemente de teoria probabilităţilor
4) Dacă X admite momente iniţiale de orice
ordine atunci funcţia caracteristică admite derivate de
orice ordin şi are loc relaţia
) 0 (
1
) ( ) (
) (r
X
r
r
r
i
X M X ϕ σ · ·
Demonstraţie:
1)
1 ) 1 ( ) 0 ( · ·M ϕ
şi
1 ) ( · · ≤ ·
∑ ∑ ∑
∈ ∈ ∈ K k
k
K k
itx
k
K k
itx
k
p e p e p t
k
ϕ
dacă X
este de tip discret şi
1 ) ( ) ( ) ( ) ( · · ≤ ·
∫ ∫ ∫
R R
itx
R
itx
dx x dx x e dx x e t ρ ρ ρ ϕ

dacă X este de tip continuu.
2) Având în vedere proprietăţile valorii medii,
putem scrie că
∏ ∏
· ·
· · ⋅ · ·
m
j
j
m
j
itX
itX itX itX itX
X
t e M e e e M e M t
j
m
1 1
) ( ) ( ) ... ( ) ( ) (
2 1
ϕ ϕ
3) Tot ca urmare a proprietăţilor mediei avem:
) ( ) ( ) ( ) ( ) ( at e t e e e M e M t
X
itb
aX
itb itb itaX itY
Y
ϕ ϕ ϕ · · ⋅ · ·
113
Elemente de teoria probabilităţilor şi statistică matematică
4) Observăm că
) ( ) ( ) (
) ( itX r r r itx r r
X
e X M i i e X M t · · ϕ şi rezultă
) ( ) ( ) 0 (
) (
X i X M i
r
r r r r
X
σ ϕ · ·
Observaţie 1.12.5. Folosirea relaţiei de la
punctul 4) este recomandabilă doar atunci când
calcularea momentelor este mai comodă prin această
relaţie decât pornind direct de la definiţia acestora.
Aplicaţie 1.12.6.
1) Dacă

,
`

.
|

3 1 2 1 6 1
1 0 1
: X
atunci

6
3 2
3
1
2
1
6
1
) (
+ +
· + + ·


it it
it it
e e
e e t ϕ
2) Dacă

,
`

.
|
x
x
X
2
:
,
[ ] 1 , 0 ∈ x
atunci
itx itx
e
e
ix
dx xe t
2
1
0
2 2
2 ) (

· ·

ϕ
114
Elemente de teoria probabilităţilor
3) Dacă

,
`

.
|
−x
e
x
X :
, 0 ≥ x atunci
2
0
1
1
) (
t
it
dx e e t
itx x
+
+
· ·



ϕ
Definiţie 1.12.7. Fie X o variabilă aleatoare
reală definită pe câmpul de probabilitate
{ ¦ P K E , ,
. Se
numeşte funcţie generatoare de momente, dacă există,
funcţia R R G → : , dată de relaţia
) ( ) ( ) (
tX
X
e M t G t G · · care explicit poate fi scrisă sub
forma
¹
¹
¹
'
¹
·



continuu tip de este X , ) (
discret tip de este X ,
) (
R
dx x e
e p
t G
tx
K k
tx
k
k
ρ
cu condiţia existenţei expresiilor corespunzătoare.
Propoziţia 1.12.8. Funcţia generatoare de
momente are următoarele proprietăţi:
1)
1 ) 0 ( · G
2) Dacă X
j
,
m j ≤ ≤ 1
, sunt independente în
totalitate şi au funcţiile generatoare
) (t G
j ,
m j , 1 ·
,
115
Elemente de teoria probabilităţilor şi statistică matematică
atunci funcţia generatoare a variabilei aleatoare
m
X X X X + + + · ...
2 1
este

·
·
m
j
j X
t G t G
1
) ( ) (
3) Dacă
b aX Y + ·
, a şi b ∈ R, atunci
tb
X Y
e at G t G ⋅ · ) ( ) (
4) Dacă X admite momente iniţiale de orice
ordin, atunci funcţia generatoare admite derivate de orice
ordin în punctul zero şi ) ( ) ( ) 0 (
) (
X X M G
r
r r
X
σ · · ,
... , 2 , 1 · r
Aplicaţie 1.12.9.
1) Dacă

,
`

.
|

3 2 12 1 6 1
1 0 1
: X
atunci
6
3 2
3
1
2
1
6
1
) (
+ +
· + + ·
− −
− −
t t
t t
e e
e e t G
2) Dacă

,
`

.
|
− x
e
x
X
λ
λ
:
, 0 ≥ x , 0 > λ atunci
t
dx e e t G
tx x

· ·



λ
λ
λ
λ
0
) (
, dacă λ < t
iar în caz contrar nu există.
116
Elemente de teoria probabilităţilor
3) Dacă
n k
k n k k
n
q p C
k
X
, 0
:
·

,
`

.
|
,
0 , > q p
,
1 · +q p
, atunci
n t
n
k
tk k n k k
n
q pe e q p C t G ) ( ) (
0
+ · ·

·

1 '
) ( ) (

+ ·
n t t
q pe npe t G
;
2 2 2 1 ' '
) ( ) 1 ( ) ( ) (
− −
+ − + + ·
n t t n t t
q pe e p n n q pe npe t G
) ( ) 0 (
'
X M np G · ·
;
) ( ) 0 (
2 2 2 ' '
X M npq p n G · + ·
1.13. Repartiţii clasice
În teoria probabilităţilor şi în aplicaţiile acesteia
se întâlnesc clase de variabile aleatoare de tip discret.
Forma cea mai generală a unei variabile aleatoare
aparţinând unei clase se numeşte lege de probabilitate de
tip discret.
Repartiţii clasice discrete
Repartiţia binomială (Bernoulli) 1.13.1.
Spunem că variabila aleatoare discretă X
urmează legea binomială dacă repartiţia asociată ei are
forma
117
Elemente de teoria probabilităţilor şi statistică matematică
n k
k n P
k
X , 0
) , (
: ·

,
`

.
|
, unde
k n k k
n
q p C k n P

· ) , (
, iar
p q p − · ∈ 1 , ) 1 , 0 (
Într-adevăr sunt îndeplinite condiţiile din definiţia unei
funcţii de probabilitate, adică avem:
1)
) 0 1 , 0 ( 0 ) , ( > − · > ≥ ·

p q p q p C k n P
k n k k
n
2)
) 1 ( 1 ) (
0
· + · + ·

·

q p q p q p C
n
k
n
k n
k k
n
Observaţie 1.13.2. Repartiţia binomială este
generată de schema urnei cu două stări şi cu bila revenită
(schema urnei lui Bernoulli).
Teorema 1.13.3. Dacă X este o variabilă
aleatoare discretă ce urmează legea binomială, atunci:
M(X) = np şi D
2
(X) = npq.
Demonstraţie:
Din definiţia valorii medii avem:
∑ ∑
· ·

· ·
n
k
n
k
k n k k
n
q p kC k n kP X M
0 0
) , ( ) (
118
Elemente de teoria probabilităţilor
Considerăm relaţia:

·

· +
n
k
k k n k k
n
n
t q p C q pt
0
) (
pe care o derivăm în raport cu t şi obţinem:

·
− − −
· +
n
k
k k n k k
n
n
t q p kC q pt np
0
1 1
) ( (*)
iar
pentru t=1
avem

·

· ·
n
k
n kq k
n
X M q p kC np
0
1
) (
Pentru a calcula dispersia folosim formula de calcul:
2 2 2
)] ( [ ) ( ) ( X M X M X D − ·
Derivăm în raport cu t relaţia (*)şi obţinem
∑ ∑ ∑
· ·
− −
·
− − − − −
− · − · + −
n
k
n
k
k k n k k
n
n
k
k k n k k
n
k k n k k
n
n
t q p kC t q p C k t q p C k k q pt p n n
1 0
2
0
2 2 2 2 2
) 1 ( ) ( ) 1 (
iar pentru t = 1, rezultă n (n - 1) p
2
= M(X
2
) - M(X),
adică M(X
2
) = n
2
p
2
- np
2
+ np = n
2
p
2
+ npq, iar dispersia
este D
2
(X) = n
2
p
2
+ npq - (np)
2
= npq.
Observaţia 1.13.4. Funcţia caracteristică a unei
variabile aleatoare discrete X ce urmează legea binomială
este:
n it
X
q pe t ) ( ) ( + · ϕ .Într-adevăr din calcul avem că:
119
Elemente de teoria probabilităţilor şi statistică matematică
∑ ∑ ∑
·

·

·
+ · · · · ·
n
k
n it k n k it
n
k
k
n
k n k k
n
n
k
itk itk itX
X
q pe q pe C q p C e k n P e e M t
0 0 0
) ( ) ( ) , ( ) ( ) ( ϕ
Observaţia 1.13.5. Calculul momentelor
,... 2 , 1 ), ( · · k X M
k
k
σ
se poate face prin intermediul
funcţiei caracteristice astfel:
,... 2 , 1 ,
) 0 (
) (
· · k
i
k
k
X
k
ϕ
σ
Repartiţia hipergeometrică 1.13.6.
Spunem că variabila aleatoare X de tip discret
urmează urmează
legea hipergeometrică, dacă are distribuţia
) min( , ) , ( , , 0
) , (
: ab n iar
C
C C
k n P unde n k
k n P
k
X
n
b a
k n
b
k
a
≤ · ·

,
`

.
|
+

Verificarea condiţiilor unei funcţii de
probabilitate este imediată şi avem:
1)P(n,k)=
n k
C
C C
n
b a
k n
b
k
a
, 0 0 · ∀ >
+

2)
∑ ∑
· ·

+
· ·
n
k
n
k
k n
b
k
a
n
b a
C C
C
k n P
0 0
1
1
) , (
120
Elemente de teoria probabilităţilor
dacă s-a avut în vedere relaţia lui Vandermonde şi anume

·
+

·
n
k
n
b a
k n
b
k
a
C C C
0
.
Teorema 1.13.7. Dacă X este o variabilă
aleatoare discretă ce urmează legea hipergeometrică
atunci:
1
) ( ) (
2


· ·
N
n N
npq X D şi np X M
unde N=a+b , p= 1 , · +
+
·
+
q p
b a
b
q
b a
a
.
Demonstraţie:
Conform relaţiei de definiţie a valorii medii
avem
M(X)=
∑ ∑
·

·
+
· ·
n
k
k n
b
k
a
n
k
n
b a
C kC
C
k n kP
0 0
1
) , (
=


+

− +
− −

+
·
+
· ·
n
k
n
b a
n
b a
k n
b
k
a
n
b a
np
b a
a
n
C
C
a C C
C
a
1
1
1
1
1
dacă s-a avut în vedere relaţia lui Vandermonde şi relaţia
1
1


·
k
a
k
a
aC kC
121
Elemente de teoria probabilităţilor şi statistică matematică
Pentru a calcula dispersia, folosim formula de
calcul
2 2 2
)] ( [ ) ( ) ( X M X M X D − ·
unde
∑ ∑
· ·

+
· · ·
n
k
n
k
k n
b
k
a
n
b a
C C k
C
k n P k X M
0 0
2 2 2
1
) , ( ) (
=
∑ ∑ ∑
· · ·
− −
+

+

,
`

.
|
+ − · + −
n
k
n
k
n
k
k n
b
k
a
k n
b
k
a
n
b a
k n
b
k
a
n
b a
C kC C C k k
C
C C k k k
C
a
0 0 0
) 1 (
1
] ) 1 ( [
dar k(k-1)
2
2
) 1 (


− ·
k
a
k
a
C a a C
iar k
1
1


·
k
a
k
a
aC C
deci M
∑ ∑
· ·
− −

+
− −

+
·

+ ·
n
k
n
k
k n
b
k
a
n
b a
k n
b
k
a
n
b a
C C
C
a a
C C
C
a
X
1 2
2
2
1
1
2
) 1 (
) (
=
) 1 )( (
) 1 (
) 1 (
) 1 (
2
2
1
1
− + +

− +
+
·

+

− +
+

− +
+
b a b a
a a
n n
b a
na
C
C
a a
C
C
a
n
b a
n
b a
n
b a
n
b a
dacă s-a avut în vedere relaţia lui Vandermonde. Se
obţine
122
Elemente de teoria probabilităţilor
D
·
+

− + +
− −
· − ·
2
2 2
2 2 2
) ( ) 1 )( (
) 1 ( ) 1 (
)] ( [ ) ( ) (
b a
a n
b a b a
a a n n
X M X M X

=
1 1 −

·
− +
− +
+ + N
n N
npq
b a
n b a
b a
b
b a
na
Repartiţia Poisson 1.13.8.
Spunem că variabila aleatoare X de tip discret
urmează legea lui Poisson, dacă are distribuţia
X:
0 ,
!
) ( ,... 2 , 1 , 0
) (
> · ·

,
`

.
|

λ
λ
λ
λ
λ
iar e
k
P unde k
P
k
k
k
Funcţia
) (λ
k
P
satisface condiţiile unei funcţii de
probabilitate şi anume:
1)P ,... 2 , 1 , 0 0
!
) ( · > ·

k e
k
k
k
λ
λ
λ
2)
∑ ∑ ∑
+∞
·
+∞
·
+∞
·
− − −
· · · ·
0 0 0
1
! !
) (
k k k
k k
k
e e
k
e e
k
P
λ λ λ λ
λ λ
λ
123
Elemente de teoria probabilităţilor şi statistică matematică
dacă s-a avut în vedere dezvoltarea

+∞
·
·
0
!
k
k
x
k
x
e
, x∈
R
Teorema 1.13.9. Valoarea medie şi dispersia
variabilei aleatoare X ce urmează legea lui Poisson sunt
egale cu λ ,adică M(X)=D
2
(X)=λ.
Demonsraţie:
Avem
M(X)
∑ ∑ ∑
+∞
·
+∞
·
+∞
·


− −
· ·

· · ·
0 0 1
1
)! 1 ( !
) (
k k k
k k
k
e e
k
e
k
k e kP λ λ
λ
λ
λ
λ
λ λ λ λ
Calculăm
M(X
2
)=
∑ ∑
+∞
·
+∞
·


·

·
0 1
1
2
)! 1 (
) (
k k
k
k
k
k e P k
λ
λ λ
λ
=
·

,
`

.
|

+

− ·

+ −
∑ ∑ ∑
+∞
·
+∞
·
+∞
·
− −
− −
1 1 1
1 1
)! 1 ( )! 1 (
) 1 (
)! 1 (
] 1 ) 1 [(
k k k
k k k
k k
k e
k
k e
λ λ
λ
λ
λ
λ λ
124
Elemente de teoria probabilităţilor
=
∑ ∑
+∞
·




+∞
·

+ ·

+

1
2
1 2
2
2
)! 1 ( )! 2 (
k
k k
k
e e
k
e
k
e
λ λ λ λ
λ
λ
λ
λ
λ
λ λ λ
λ λ
+ ·
− 2
e e
Obţinem
. )] ( [ ) ( ) (
2 2 2 2 2
λ λ λ λ · − + · − · X M X M X D
Observaţia 1.13.10. Funcţia caracteristică
asociată unei variabile aleatoare X ce urmează legea lui
Poisson este
R t e t
it
e
X
∈ ·

, ) (
) 1 ( λ
ϕ
Într-adevăr avem
∑ ∑ ∑
+∞
·
+∞
·
+∞
·
− − −

· · · · ·
0 0 0
) (
1
!
) (
!
) ( ) ( ) (
k k k
e e
k it k
itk
k
itk itX
X
it it
e e e
k
e
e e
k
e P e e M t
λ λ λ λ λ
λ λ
λ ϕ
Teorema 1.13.11. Dacă variabila aleatoare X
urmează legea binomială, adică are distribuţia
X:
k n k k
n
q p C k n P unde n k
k n P
k

· ·

,
`

.
|
) , ( , 0
) , (
şi dacă p=p
n
,astfel încăt np
, 0 > ·λ
u
atunci pentru n
∞ →
,X urmează legea lui Poisson, adică
125
Elemente de teoria probabilităţilor şi statistică matematică
· −
+ − −
·

∞ → ∞ →
k n k
n n
k n k
k n n n
k n P ) 1 ( ) (
!
) 1 )...( 1 (
lim ) , ( lim
λ λ
=
λ
λ λ λ λ
− −
∞ →
· − −
+ − −
e
k n n n
k n
n
n
n
n
k
k
n k
k
n
!
) 1 ( ) 1 (
1
...
1
!
lim
Observaţia 1.13.12. Legea lui Poisson mai este
cunoscută şi sub numele de legea evenimentelor rare,
deoarece se întâlneşte în cazul evenimentelor cu
probabilitate de apariţie mică .
Repartiţia geometrică 1.13.13.
Spunem că variabilă aleatoare X urmează legea
geometrică, dacă are distribuţia:
X:

,
`

.
|
) (K P
k
k=1,2,3,… unde p(k)=pq
1 − k
,k=1,2,3,…
Probabilitatea P(k) satisface condiţiile:
1) P(k)=pq 0
1
>
− k
, k=1,2,…
2)
∑ ∑
+∞
·
+∞
·

·

· ·
1 1
1
1
1
1
) (
k k
k
q
p q p k P
unde am avut în vedere seria geometrică convergentă
126
Elemente de teoria probabilităţilor
) 1 0 (
1
1
1
1
< <

·

+∞
·

q
q
q
k
k
Teorema 1.13.14. Dacă variabila aleatoare X
urmează legea geometrică atunci M(X)=
p 1
şi D
2
(X)=
2
p q
.
Demonstraţie:
Avem
M(X)=
∑ ∑ ∑
+∞
·

+∞
·
+∞
·

· · ·
1
1
1 1
1
) (
k
k
k k
k
kq p kpq k kP
=
p q
p
q
q
p q q q p q q p
1
) 1 (
)
1
( ...) ( ...) 2 2 1 (
2
/ / 3 2 2
·

·

· + + + · + + +
.
Calculăm
M(X
∑ ∑ ∑
+∞
·
+∞
·
+∞
·
− −
· · ·
1 1 1
1 2 1 2 2 2
) ( )
k k k
k k
q k p pq k k P k
=
=
· + + + · + + + · + + +
/ 2 / 3 2 2 2 2
...)] 3 2 1 ( [ ...) 3 2 ( ...) 3 2 1 ( q q q p q q q p q q p
127
Elemente de teoria probabilităţilor şi statistică matematică
= p(q
/
2
)
) 1 (
1
q −
=
2 3
1
) 1 (
1
p
q
p
q
q +
·

+
.
Obţinem D
2 2 2 2
2 2 2
1 1 1 1
)] ( [ ) ( ) (
p
q
p
q
p p
q
X M X M X ·
− +
· −
+
· − ·
.
Observaţia 1.13.15. Funcţia caracteristică
asociată unei variabile aleatoare X ce urmează legea
geometrică este:
it
it
X
qe
pe
t

·
1
) ( ϕ
.
Într-adevăr avem
∑ ∑
+∞
·
+∞
·

· · · ·
1 1
1
) ( ) ( ) (
k
k it
k
k itk itX
X
q e
q
p
pq e e M t ϕ
=
1
1
...) ) ( 1 (
2
<

· + + +
it
it
it
it it it
qe
qe
pe
qe qe pe
.
Repartiţia binomială cu exponent negativ
1.13.16.
Spunem că variabila aleatoare X de tip discret
urmează legea binomială cu exponent negativ , dacă are
distribuţia
128
Elemente de teoria probabilităţilor
1 1 0 ) , (
,... 1 , *
) , (
:
1
1
· + < < · −
+ · ∈

,
`

.
|

− −

q p p q p C k n P unde
n n k N n
k n P
k
X
n k n n
k

.
Sunt îndeplinite condiţiile unei funcţii de
probabilitate
1) P(-n,k)=C
* ,... 1 , , 0
1
1
N n n n k q p
n k n n
k
∈ + · >
− −

2)
∑ ∑ ∑
+∞
·
+∞
·
+∞
·
− − −

− −

· − · · · −
n k n k n k
n n n k n
k
n n k n
k
q p q C p q C k n P 1 ) 1 ( ) , (
1
1
1
1

dacă s-a ţinut seama de dezvoltarea lui Abel şi anume
(1+q)

+∞
·
− −


+
+
+ + · ·
n k
n k n
k
n
q
n n
q
n
q C ...
! 2
) 1 (
! 1
1
2 1
1
.
Teorema 1.13.17. Dacă X este o variabilă
aleatoare discretă care urmează legea binomială cu
129
Elemente de teoria probabilităţilor şi statistică matematică
exponent negativ atunci M(X)=
p n
şi
. ) ( ) (
2 2
p nq X D ·
Demonstraţie:
Avem M(X)=
∑ ∑
+∞
·
+∞
·
− −

+ − − −

· ·
n k n k
k n
k
n n n k n n
k
q kC q p q p kC
1 1
1
1 1
1
=p
p
n
q
nq
q p
q
q
q
n
n
n n
n
n
n n
·

·

+

+ − + −
1
1
1 / 1
) 1 (
)
) 1 (
(
.
Pentru calculul dispersiei folosim formula de calcul
. )] ( [ ) ( ) (
2 2 2
X M X M X D − ·
Avem
p
n
p
q p n
p
n
q n p n
p
n
p
n
q
q n p n nq
q p
p
n
q
nq
q p
p
n
q
q
q p X M q C q p
q kC q p q C k k q p q C k k k q p
q C k q p q p C k X M
n
n
n n
n k
n
n
n n
n
n
n n k n
k
n n
n k n k n k
k n
k
n n k n
k
n n k n
k
n n
n k n k
k n
k
n n n k n n
k
+
+ −
· + + + − · +

+ + −
·
· +

· +

· + ·
· + − · + − ·
· · ·
+

+ −
∞ +
·
+

+ − + − −

+ −
∞ +
·
∞ +
·
∞ +
·
− −

+ − − −

+ − − −

+ −
+∞
·
+∞
·
− −

+ − − −


∑ ∑ ∑
∑ ∑
2 2 2
2
2
/
1
1
2 // 2 // 1
1
2
1 1
1
1 2 1
1
2 2 1
1
2
2 1
1
2 2 1
1
2 2
] [
] ) 1 ( ) 1 [(
) 1 (
] ) 1 ( ) 1 [(
)
) 1 (
( )
) 1 (
( ) ( ) (
) 1 ( ] ) 1 ( [
) (
Obţinem
130
Elemente de teoria probabilităţilor
2 2
2
2
2
] [
) (
p
nq
p
n
p
n
p
q p n n
X D · − +
+ −
·
.
Observaţia 1.13.18. Funcţia caracteristică
asociată unei variabile aleatoare X ce urmează legea
binomială cu exponent negativ este:
n
it
it
X
qe
pe
t

,
`

.
|

·
1
) ( ϕ
.
Într-adevăr
n
n k
it
it
n it n it n k it n k it n
k
n it
n k n k
n k it n it n
k
itn n k it n n
k
n k
n k n n
k
itk itX
X
qe
pe
qe pe pe qe C pe
qe pe C e qe p C
q p C e e M t

∑ ∑

∞ +
·
− − − −

∞ +
·
∞ +
·
− −

− −

+∞
·
− −

,
`

.
|

· − · · ·
· · ·
· · ·
1
)) ( 1 ( ) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
1
1
1
1
1
1
1
1
ϕ
Repartiţii continue
Repartiţia uniformă(rectangulară) 1.13.19.
Spunem că variabila aleatoare X urmează legea
uniformă pe intervalul [a,b],dacă are densitatea de
probabilitate
131
Elemente de teoria probabilităţilor şi statistică matematică
¹
¹
¹
'
¹



·
] , [ , 0
] , [ ,
1
) (
b a x dac ă
b a x dac ă
a b
x ρ
Observaţia 1.13.20. Din graficul funcţiei
densitate de probabilitate se constată că într-adevăr
) (x ρ
, astfel definită, satisface condiţiile unei funcţii
densitate de probabilitate
1)
R x x ∈ ∀ ≥ , 0 ) ( ρ
2)
∫ ∫
+∞
∞ −
·

·
b
a
dx
a b
dx x 1
1
) ( ρ
Observaţia 1.13.21. Funcţia de repartiţie a
variabilei aleatoare ce urmează legea uniformă are
expresia:
132
) (x ρ
a b −
1
0 a b x
Elemente de teoria probabilităţilor
F(x)=
¹
¹
¹
¹
¹
'
¹
>




b x
b a x
a b
a x
a x
, 1
] , ( ,
, 0
Într-adevăr:
- dacă
∫ ∫
∞ − ∞ −
· · · ≤
x x
dt dt t x F a x 0 0 ) ( ) ( ρ
- dacă
∫ ∫ ∫
∞ − ∞ −


·

+ · · ∈
x a x
a
a b
a x
dt
a b
dt dt t x F b a x
1
0 ) ( ) ( ] , ( ρ
- dacă
∫ ∫ ∫ ∫
∞ − ∞ −
· +

+ · · >
x a b
a
x
b
dt
a b
dt dt t x F b x 1 0
1
0 ) ( ) ( , ρ
Graficul funcţiei de repartiţie are forma:
133
) (x F
1
Elemente de teoria probabilităţilor şi statistică matematică
Teorema 1.13.22. Dacă X este o variabilă
aleatoare uniform repartizată pe intervalul [a,b]
Atunci:
. 12 ) ( ) ( 2 ) ( ) (
2 2
a b X D şi b a X M + · + ·
Demonstraţie:
Avem
∫ ∫
+∞
∞ −
+∞
∞ −
+
·


·

· ·
2 2
1 1
) ( ) (
2 2
b a a b
a b
xdx
a b
dx x x X M ρ
Dispersia o calculăm folosind formula de calcul
2 2 2
)] ( [ ) ( ) ( X M X M X D − ·
Avem
12
) (
)
2
(
3
) (
3
1
) ( ) (
2
2
2 2
2
2 2
2 2 2
a b b a b ab a
X D rezult ă
b ab a
dx x
a b
dx x x X M

·
+

+ +
·
+ +
··

· ·
∫ ∫
+∞
∞ −
+∞
∞ −
ρ
2 ) ( ) ( b a X M + ·
, avem valoarea mediană egală cu
valoarea medie .
Observaţia 1.13.23.
134
0 a b x
Elemente de teoria probabilităţilor
a)Din simetria graficului funcţiei densitate de
probabilitate, în raport cu valoarea medie
2 ) ( ) ( b a X M + ·
, avem valoarea mediană egală cu
valoarea medie.
b)Tot cu ajutorul graficului se observă că
valoarea modală nu există.
Repartiţia exponenţială negativă 1.13.24.
Spunem că variabila aleatoare X urmează legea
exponenţială de parametru 0 > λ , dacă are densitatea de
probabilitate:
¹
¹
¹
'
¹

>
·

0 , 0
0 ,
) (
x dacă
x dacă e
x
x λ
λ
ρ
Evident această funcţie satisface condiţiile:
1) R x x ∈ ∀ ≥0 ) ( ρ
2)
∫ ∫
+∞
∞ −
+∞
∞ +
− −
· Ι − · ·
0
0
1 ) (
x x
e dx e dx x
λ λ
λ ρ
Observaţia 1.13.25. Funcţia de repartiţie pentru
variabila aleatoare X ce urmează legea exponenţială de
parametru 0 > λ este:
135
Elemente de teoria probabilităţilor şi statistică matematică
¹
¹
¹
'
¹
> −

·

0 1
0 , 0
) (
x dac ă e
x dac ă
x F
x λ
Teorema 1.13.26. Dacă variabila aleatoare X
urmează legea exponenţială de parametru 0 > λ ,atunci:
. 1 ) ( 1 ) (
2 2
λ λ · · X D şi X M
Demonstraţie:
Avem
∫ ∫
+∞
∞ −
+∞

· · ·
0
1
) ( ) (
λ
λ ρ
λ
dx xe dx x x X M
x
.
Calculăm:
∫ ∫ ∫
∫ ∫
∞ + ∞ +
− −
∞ +
− −
∞ +
+∞
∞ −
+∞

· · · + Ι − ·

− ·
· · ·
0 0
2
0
2
0
2
0
2 2 2
2 1 2 2
2 )
1
(
) ( ) (
λ λ λ
λ
λ λ
λ
λ ρ
λ λ λ λ
λ
dx e x dx xe e x dx e x
e x dx x x X M
x x x x
x
Obţinem
2 2 2
2 2 2
1 1 2
)] ( [ ) ( ) (
λ λ λ
· − · − · X M X M X D
.
Observaţia 1.13.27.
136
Elemente de teoria probabilităţilor
a)Funcţia caracteristică asociată unei variabile
aleatoare X ce urmează legea exponenţială are expresia
it
t
X

·
λ
λ
ϕ ) (
Într-adevăr avem
∫ ∫ ∫
+∞ +∞
∞ +
− −
− − −
+∞
∞ −

· Ι
+ −
· · · · ·
0 0
0
) (
) (
) ( ) ( ) (
it it
e
dx e dx e e dx x e e M t
x it
x it x itx itx itX
X
λ
λ
λ
λ λ λ ρ ϕ
λ
λ λ
b)Deoarece avem
,... 2 , 1
) (
!
) (
1
) (
·

·
+
k
it
i k
t
k
k
k
X
λ
λ
ϕ
folosind relaţia
,... 2 , 1
! ) 0 (
) (
· · ⇒ · k
k
i
k
k
k
k
X
k
λ
σ
ϕ
σ

Repartiţia normală 1.13.28.
Spunem că variabila aleatoare X urmează legea
normală (legea lui Gauss)de parametri
)) , ( , 0 σ σ m N şi R m > ∈ dacă are densitatea de
probabilitate
R x e x
m x
∈ ∀ ·


,
2
1
) (
2
2
2
) (
σ
π σ
ρ
În mod evident avem:
137
Elemente de teoria probabilităţilor şi statistică matematică
1) 0 , , 0 ) ( > ∈ ∀ > σ ρ R x x
2)
∫ ∫ ∫
+∞
∞ −
+∞

+∞
∞ −


· · · 1
2
2
1
) (
0
2
) (
2
2
2
dt e dx e dx x
t
m x
π π σ
ρ
σ
dacă s-a făcut schimbarea de variabilă
dt dx
m x
t 2 ,
2
σ
σ
·

· .
Teorema 1.13.29. Dacă X este o variabilă
aleatoare ce urmează legea normală de parametri R m∈
şi
. ) ( ) ( 0
2 2
σ σ · · > X D şi m X M atunci
Demonstraţie:
Avem
∫ ∫
+∞
∞ −


+∞
∞ −
· · dx xe dx x x X M
m x
2
2
2
) (
2
1
) ( ) (
σ
π σ
ρ .
Se face schimbarea de variabilă
dt dx
m x
t 2 ,
2
σ
σ
·

· .
Rezultă
138
Elemente de teoria probabilităţilor
∫ ∫ ∫
∫ ∫
∫ ∫ ∫
∞ + ∞ +

∞ +
− −
∞ +

∞ +
∞ −


∞ +
∞ −
+∞
∞ −

+∞

+∞
∞ −

· + Ι − ·

− · ·
· − · − ·
· + · + ·
0
2
0
2
0
2
2
2
0
2
2
2
) (
2 2 2
0
2 2 2 2
2
2
2 2 2
2 2
) (
2 4
) (
2
1
) ( ) ( ) (
2 2
) 2 ( 2
2
1
) (
σ
π
σ
π
σ
π
σ
π
σ
π σ
ρ
π
σ
π
σ σ
π σ
σ
dt e te dt e t dt e t
dx e m x dx x m x X D
m dt te dt e
m
dt e t m X M
t t t t
m x
t t t
Deci cei doi parametri de care depinde
distribuţia normală sunt valoarea medie şi abaterea medie
pătrată asociată variabilei aleatoare X ce urmează legea
normală.
Observaţia 1.13.30. Curba ce reprezintă
graficul densităţii de probabilitate
ρ
se numeşte curba
lui Gauss(sau clopotul lui Gauss).
139
) (x ρ
π σ 2
1
0 m x
σ − m σ + m
Elemente de teoria probabilităţilor şi statistică matematică
Analiza acestui grafic ne conduce la concluziile:
− funcţia
ρ
este simetrică faţă de dreapta
de ecuaţie x=m
− în x=m funcţia admite un maxim egal cu
π σ 2 1
− punctele de abscisă
σ σ + · − · m x şi m x

sunt puncte de inflexiune.
Observaţia 1.13.31. Dacă variabila aleatoare X
urmează legea normală
) , ( σ m N
,atunci funcţia de
repartiţie F este dată de relaţia
R dt e x F
x
m t
∈ ∀ ·

∞ −


2
2
2
) (
2
1
) (
σ
π σ
şi are graficul
140
1
2
1
) (x F
Elemente de teoria probabilităţilor
Dacă se face schimbarea de variabilă
u m t · − σ ) (
se obţine

R x dt e x unde
m x
X F
du e du e du e X F
x t
m x
u u
u x
u
∈ ∀ ·

Φ + · ⇒
+ · ·

∫ ∫ ∫



∞ −


∞ −

,
2
1
) ( ) (
2
1
) (
2
1
2
1
2
1
) (
0
2
0
2
0
2 2
2
2 2 2
π
φ
σ
π π π
σ σ
este funcţia lui Laplace. Funcţia lui Laplace are valorile
tabelate pentru argumente pozitive .Dacă x<0 atunci
). ( ) ( x x − Φ − · Φ
Observaţia 1.13.32. Dacă parametrii m şi
σ
au
valorile 0 respectiv 1, atunci spunem că X urmează legea
normală şi normată sau legea normală redusă.
141
0 x m
Elemente de teoria probabilităţilor şi statistică matematică
Teorema 1.13.33. Dacă X este o variabilă
aleatoare ce urmează legea normală
) , ( σ m N
,
atunci b a R b a iar şi R m , , , 0 < ∈ > ∈ σ

) ( ) ( ) ( ) ( ) (
2 2
X D X M m unde
m a m b
b X a P · ·



· < < σ
σ
φ
σ
φ
Demonstraţie:
Avem
) ( ) (
)] (
2
1
[ )] (
2
1
[ ) ( ) ( ) (
σ
φ
σ
φ
σ
φ
σ
φ
m a m b
m a m b
a F b F b X a P



·
·

+ −

+ · − · < <
Repartiţia gamma 1.13.34.
Spunem că variabila aleatoare X urmează legea
gamma cu parametri a,b>0 dacă are densitatea de
probabilitate
¹
¹
¹
¹
¹
'
¹

>
Γ
·


0 , 0
0 ,
) (
1
) (
1
x dacă
x dacă e x
b a
x
b
x
a
a
ρ
142
Elemente de teoria probabilităţilor
unde
) (a Γ
este funcţia lui Euler de speţa a doua, adică

+∞
− −
· Γ
0
1
) ( dx e x a
x a
.
Evident sunt îndeplinite condiţiile:
1) R x x ∈ ∀ ≥0 ) ( ρ
2)

+∞
∞ −
·1 ) ( dx x ρ
În cazul particular
λ 1 , 1 · · b a
Observaţia 1.13.35. Funcţia de repartiţie a unei
variabile aleatoare ce urmează legea gamma are expresia

>
Γ
·


x
b
y
a
a
x dy e y
b a
x F
0
1
0 ,
) (
1
) (
cunoscută sub denumirea de funcţia gamma incompletă.
Observaţia 1.13.36. Funcţia caracteristică
asociată unei variabile aleatoare ce urmează legea gamma
are expresia R t
itb
t
a
X


· ,
) 1 (
1
) ( ϕ
Într-adevăr
143
Elemente de teoria probabilităţilor şi statistică matematică
a
y a a
a
x it
b
a
a
b
x
a itx
a
itx itX
X
itb
dy e y
itb
b
b a
dx e x
b a
dx e x e
b a
dx x e e M t
) 1 (
1
)
1
(
) (
1
) (
1
) (
1
) ( ) ( ) (
0
1
0
)
1
(
1
0
1

·
− Γ
·
Γ
·
·
Γ
· · ·
∫ ∫
∫ ∫
∞ +
− −
∞ +
− −

+∞
∞ −
+∞


ρ ϕ
dacă s-a făcut schimbarea de variabilă
y x it b · − ) 1 (
Momentele de ordin k,
) (
k
k
X M · σ
se obţin
folosind relaţia
,... 2 , 1 ) 1 )...( 2 )( 1 (
) 0 (
) (
· ∀ − + + + · · k k a a a b
i
k
k
k
X
k
ϕ
σ
În particular , găsim
a b X M X M X D apoi şi a a b X M ba X M
2 2 2 2 2 2
)] ( [ ) ( ) ( ) 1 ( ) ( , ) ( · − · + · ·
Repariţia beta 1.13.37.
Spunem că variabila aleatoare X urmează legea
beta cu parametri a,b>0, dacă are densitatea de
probabilitate
¹
¹
¹
'
¹

∈ −
·
− −
] 1 , 0 [ , 0
] 1 , 0 [ , ) 1 (
) , (
1
) (
1 1
x dac ă
x dac ă x x
b a B
x
b a
ρ
unde B(a,b)este funcţia lui Euler de speţa întâi, adică
144
Elemente de teoria probabilităţilor

− −
− ·
1
0
1 1
) 1 ( ) , ( dx x x b a B
b a
cunoscută sub numele de funcţia beta incompletă.
Evident sunt îndeplinite condiţiile:
1)
R x x ∈ ∀ ≥ , 0 ) ( ρ
2)
∫ ∫
+∞
∞ −
− −
· · − ·
1
0
1 1
1
) , (
) , (
) 1 (
) , (
1
) (
b a B
b a B
dx x x
b a B
dx x
b a
ρ
Observaţia 1.13.38. Funcţia de repartiţie
asociată unei variabile ce urmează legea beta are
expresia:
¹
¹
¹
¹
¹
'
¹
>
∈ −
<
·

− −
1 , 1
] 1 , 0 [ , ) 1 (
) , (
1
0 , 0
) (
1
1 1
x
x dt t t
b a B
x
x F
x
b a
Observaţia 1.13.39. Expresia momentelor de
ordin k pentru o variabilă aleatoare cu repartiţia beta, se
obţine prin calcul direct şi anume:
145
Elemente de teoria probabilităţilor şi statistică matematică


∫ ∫
·
− + + + + +
− + +
·
+
· − ·
· − · · ·
− − +
+∞
∞ −
− −
1
0
1 1
1
0
1 1
,... 2 , 1
) 1 )...( 1 )( (
) 1 )...( 1 (
) , (
) , (
) 1 (
) , (
1
) 1 (
) , (
1
) ( ) (
k
k b a b a b a
k a a a
b a B
b k a B
dx x x
b a B
dx x x x
b a B
dx x x X M
b k a
b a k k k
k
ρ σ
În particular se obţine
) 1 ( ) (
)] ( [ ) ( ) (
) 1 ( ) (
) 1 (
) ( , ) (
2
2 2 2
2
2
2
1
+ + +
· − ·
+ + +
+
· ·
+
· ·
b a b a
ab
X M X M X D şi
b a b a
a a
X M
b a
a
X M σ σ
Repartiţia
2
χ
(hi-pătrat) 1.13.40
Spunem că variabila aleatoare X urmează legea
2
χ
(hi-pătrat), dacă are densitatea de probabilitate:
¹
¹
¹
¹
¹
¹
¹
'
¹

>
Γ
·

∞ +


0 , 0
0 ,
2 )
2
(
1
) (
0
2
1
2
2
2
x dac ă
x dac ă dx e x
n
x
x
n
n
n
σ
σ
ρ
unde 0 > σ ,iar N n∈ şi poartă numele de numărul
gradelor de libertate.
În mod evident avem:
146
Elemente de teoria probabilităţilor
1)
R x x ∈ ∀ ≥0 ) ( ρ
2)
1
)
2
(
)
2
(
2 )
2
(
2
2 )
2
(
1
) (
0
1
2
2
2
0
2
1
2
2
2
·
Γ
Γ
·
Γ
·
Γ
·
∫ ∫ ∫
∞ +


∞ +
∞ −
∞ +

n
n
dt e t
n
dx e x
n
dx x
t
n
n
n
n
n
x n
n
n
σ
σ
σ
ρ
σ
dacă s-a făcut schimbarea de variabilă
2
2σ x t ·
.
Observaţia 1.13.41. Legea
2
χ
numită şi legea
Helmert-Pearson este un caz particular al legii gamma,
anume, pentru
2
2 2 σ · · b şi n a .
Observaţia 1.13.42. Expresia momentelor de
ordin k pentru o variabilă aleatoare X având repartiţia
2
χ
(hi-pătrat) se obţine astfel:
147
Elemente de teoria probabilităţilor şi statistică matematică

,... 2 , 1 ), 2 2 )...( 4 )( 2 ( ) 1
2
)...( 1
2
(
2
2
)
2
(
)
2
(
2
)
2
(
2
2 )
2
(
1
2 )
2
(
) (
2 2 2
0
1 2
2
0
2 1 2
2
0
2
2
1
2
2
2
· − + + + · − + + ·
Γ
+ Γ
·
Γ
·
Γ
·
Γ
· ·
∫ ∫ ∫ ∫
∞ +

− +
∞ +

− +
∞ +
∞ −
∞ +
− −
k k n n n n k
n n n
n
k
n
dt e t
n
dx e x
n
dx
n
n
e x x
dx x x
k k k k k
t
k
n
k k
x
k
n
n
n
n
n
x
n
k
k
k
σ σ σ
σ
σ σ
ρ σ
σ
σ
În particular se obţine
. 4 2
1 2
2 4
2
2 2
1
2 ) ( ) 2 ( ) ( , ) ( σ σ σ σ σ σ σ n X respectivD n n X M n X M · − · + · · · ·
Observaţia 1.13.43. Funcţia de repartiţie
asociată unei variabile aleatoare X ce urmează legea
2
χ
(hi-pătrat)este de forma

− · > − ·
Γ
· · < · < ·


2
2
0
2 2
2 1 2
2
2 2 2
1 ) ( 1
2 )
2
(
1
) ( ) ( ) ( ) (
q
x
q
x
n
n
n
q q
q P dx e x
n
F P x X P x F
χ χ
σ
χ χ χ
σ
148
Elemente de teoria probabilităţilor
unde q sunt probabilităţi de forma

+∞


Γ
· > ·
2
2
2
1
2
2
2 2
2 )
2
(
1
) (
q
x
x
n
n
n
q
dx e x
n
P q
σ
σ
χ χ
şi ele au semnificaţia prezentată în desenul
Karl Pearson a editat tabele pentru funcţia de
repartiţie corespunzătoare unei variabile aleatoare ce
urmează distribuţia
2
χ
.
Repartiţia Student(Gosset) 1.13.44.
149
0
) (
2
q
x x P q > ·
2
x e ·
2
q
x
) ( ) (
2
x F x F ·
Elemente de teoria probabilităţilor şi statistică matematică
Spunem că variabila aleatoare X urmează legea
Student cu n grade de libertate, dacă are densitatea de
probabilitate
R x pentru
n
x
n
n
n
x
n
∈ +
Γ
+
Γ
·
+

, ) 1 (
)
2
(
)
2
1
(
) (
2
1
2
π
ρ
Sunt verificate condiţiile unei densităţi de
probabilitate, adică
1)
R x x ∈ ∀ ≥0 ) ( ρ
în mod evident
2)
∫ ∫
∞ +
∞ −
∞ +
∞ −
+

· +
Γ

,
`

.
|
+
Γ
· dx
n
x
n
n
n
dx x
n
2
1
2
) 1 (
)
2
(
2
1
) (
π
ρ
1
)
2
1
( )
2
(
)
2
1
( )
2
( )
2
1
(
)
2
1
,
2
(
)
2
(
)
2
1
(
)
2
(
)
2
1
(
) 1 (
)
2
(
)
2
1
( 2
0
1
0
1
2 2
1
2
·
+
Γ Γ
Γ Γ
+
Γ
·
Γ
+
Γ
·
·
Γ
+
Γ
· +
Γ
+
Γ
·
∫ ∫
∞ +

+

n n
n n
n
B
n
n
dy y
n
n
dx
n
x
n
n
n
n n
π π
π π
150
Elemente de teoria probabilităţilor
dacă s-a făcut schimbarea de variabilă
) 1 ( 1
2
n x y + ·
şi s-au folosit relaţiile
π · Γ
+ Γ
Γ Γ
· )
2
1
( ,
) (
) ( ) (
) , (
b a
b a
b a B
Observaţia 1.13.45. Dacă n=1, atunci densitatea
de probabilitate capătă forma
R x
x
x ∈
+
· ,
) 1 (
1
) (
2
π
ρ
,
adică se obţine densitatea de probabilitate
corespunzătoare repartiţiei Cauchy standard.
Observaţia 1.13.46. Întrucât densitatea de
probabilitate este o funcţie pară, valoarea medie a unei
variabile aleatoare ce urmează legea Student este nulă.
De asemenea momentele obişnuite de ordin impar sunt
nule.
Pentru momentele obişnuite de ordin par avem:
151
Elemente de teoria probabilităţilor şi statistică matematică
)
2
(
)
2
1
( )
2
(
)
2
1
,
2
(
)
2
(
)
2
1
(
) 1 (
)
2
(
)
2
1
(
)
2
1 (
)
2
(
)
2
1
( 2
) 1 (
)
2
(
)
2
1
(
) (
0
1
0
1
2
1
1
2 2
1
2
2
2
1
2
2 2
2
n
p p
n
n
p p
n
B
n
n
n
dy y y
n
n
n
dx
x
x
n
n
n
dx
n
x
n
n
n
x dx x x
p p
p p
n
p
n
p
n
p p
p k
Γ
+ Γ − Γ
· + −
Γ
+
Γ
·
· −
Γ
+
Γ
· +
Γ
+
Γ
·
· +
Γ
+
Γ
· · ·
∫ ∫
∫ ∫
∞ +
− + − −
+

∞ +
∞ −
∞ +
∞ −
+

π π
π π
π
ρ σ σ
unde s-a făcut schimbarea de variabilă
). 1 ( 1
2
n x y + ·
De aici pentru p=1 avem
2 ,
2
)
2
(
)
2
1
1 ( ) 1
2
(
) (
2
2


·
Γ
+ Γ − Γ
· · n dacă
n
n
n
n
n
X D
π
σ
Repartiţia Fisher-Snedecor(repartiţia Fs)
1.13.47.
Spunem că variabila aleatoare X urmează legea
Fisher-Snedecor dacă are densitatea de probabilitate
152
Elemente de teoria probabilităţilor
¹
¹
¹
¹
¹
¹
¹
'
¹
<

+
Γ Γ
+
Γ
·
+

0 , 0
0 ,
) (
)
2
( )
2
(
)
2
(
) (
2
1
2
2 2
x dacă
x dacă
s rx
x
s r
s r
s r
x
s r
r
s r
ρ
unde s,r>0.
Sunt verificate condiţiile unei densităţi de
probabilitate adică
1) R x x ∈ ∀ ≥0 ) ( ρ în mod evident
2)
·
+
Γ Γ
+
Γ
·
∫ ∫
∞ +
∞ −
∞ +
+

0
2
1
2
2 2
) (
)
2
( )
2
(
)
2
(
) ( dx
s rx
x
s r
s r
s r
dx x
s r
r
s r
ρ

· · −
Γ Γ
+
Γ
·
− −
1
0
1
2
1
2
1
)
2
,
2
(
)
2
,
2
(
) 1 (
)
2
( )
2
(
)
2
(
s r
B
s r
B
dx y y
s r
s r
s r
unde s-a făcut schimbarea de variabilă
). ( s rx rx y + ·
Observaţia 1.13.48. Pornind de la definiţia
momentului de ordin k, avem:
153
Elemente de teoria probabilităţilor şi statistică matematică
)
2
( )
2
(
)
2
( )
2
(
) (
)
2
,
2
(
)
2
,
2
(
) 1 (
)
2
,
2
(
1
) (
)
2
,
2
(
) ( ) (
0
1
2
1
2
0
2
1
2 2 2
s r
k
s
k
r
r
s
s r
B
k
s
k
r
B
r
s
dy y y
s r
B
r
s
dx
s rx
x
x
s r
B
s r
dx x x X M
k
k
k
k
s
k
r
k
k
x r
r
k
s r
k k
k
Γ Γ
− Γ + Γ
·
− +
· − ·
·
+
· · ·

∫ ∫
∞ +
− − − −
∞ +
∞ −
∞ +
+

ρ σ
Particularizând pe k se obţine
4 ,
) 4 ( ) 2 (
) 2 ( 2
) (
4 ,
) 4 )( 2 (
2
) ( , 2 ,
2
) (
2
2
2
2
2
2 1
>
− −
− +
·
>
− −
+
· · >

· ·
s
s s r
r s s
X D respectiv
s
s s
r
r
s
X M s
s
s
X M σ σ
1.14. Şiruri de variabile aleatoare.
Legea numerelor mari. Teoreme limită.
Definind noţiunea de variabilă aleatoare, se
constată fără dificultate că nu se poate şti înaintea
efectuării unei experienţe care vor fi valorile pe care le
poate lua variabila aleatoare asociată experienţei. Cu o
anumită probabilitate se poate spune dacă va apare sau nu
una dintre valorile acestei variabile aleatoare. Cu toate
acestea, aşa cum se poate vedea pe baza unor teoreme
154
Elemente de teoria probabilităţilor
devenite deja celebre, se demonstrează că în condiţii
puţin restrictive media aritmetică a unui număr suficient
de mare de variabile aleatoare îşi pierde caracterul
aleator. În practica statistică un astfel de rezultat teoretic
este remarcabil. Acesta este reprezentat de câteva
teoreme ale calculului probabilităţilor cunoscute
împreună sub denumirea de lege a numerelor mari.
Termenul de lege a numerelor mari a fost folosit
prima dată de către matematicianul francez D. Poisson în
1837 deşi, cu mai bine de un secol mai devreme,
matematicianul elveţian J. Bernoulli, unul dintre
fondatorii calculului probabilităţilor, pusese în evidenţă
acţiunea legii numerelor mari cu o referire la repartiţia
normală. În anul 1867 matematicianul rus P. Cebîşev a
prezentat riguros matematic legea numerelor mari în
condiţii generale, ocazie cu care inegalitatea lui Cebîşev
s-a dovedit un rezultat remarcabil şi extrem de util.
Inegalitatea lui Cebîşev 1.14.1. Dacă variabila
aleatoare X are o valoare medie şi dispersie atunci
0 > ε ∀ are loc inegalitatea
155
Elemente de teoria probabilităţilor şi statistică matematică
2
2
) X ( D
1 ) ) X ( M X ( P
ε
− ≥ ε < − sau inegalitatea
echivalentă cu aceasta
2
2
) (
) ) ( (
ε
ε
X D
X M X P ≤ ≥ − .
Demonstraţie:
Presupunem că X este o variabilă aleatoare de
tip continuu, având densitatea de probabilitate
) (x ρ
.
Atunci
∫ ∫
+∞
∞ −
− ≥ − ·
D
dx x p X M x dx x X M x X D ) ( )) ( ( ) ( )) ( ( ) (
2 2 2
ρ
unde
{ ¦ ε ≥ − · ) ( / X M x x D
, deoarece
ε ≥ − ) (X M x
, avem că
ε ≥ −
2
)) ( ( X M x
. Deci, avem
∫ ∫
≥ − · ≥ −
D D
X M X P dx x dx x X M x ) ) ( ( ) ( ) ( )) ( (
2 2 2
ε ε ρ ε ρ
Am obţinut că
) ) ( ( ) (
2 2
ε ε ≥ − ≥ X M X P X D
, rezultă
2
2
) (
) ) ( (
ε
ε
X D
X M X P ≤ ≥ −
156
Elemente de teoria probabilităţilor
Folosind probabilitatea evenimentului contrar se obţine şi
cealaltă formă a inegalităţii:
2
2
) (
1 ) ) ( ( 1 ) ) ( (
ε
ε ε
X D
X M X P X M X P − ≥ ≥ − − · < −
Definiţie 1.14.2. Spunem că şirul de variabile
aleatoare
( )
1 n n
X

converge în probabilitate la variabila
aleatoare X şi notăm
o dacă > ∀ → ε X X
n
avem
1 ) X X ( P lim
n
n
· ε < −
∞ →
.
Definiţie 1.14.3. Spunem că şirul de variabile
aleatoare
1 n n
) X (

converge în medie de ordin k la
variabila aleatoare X şi notăm
0 ) X X ( M lim dacă X X
k
n
n
m
n
k
· − ÷→ ÷
∞ →
.
Definiţie 1.14.4. Spunem că şirul de variabile
aleatoare
1 n n
) X (

converge în repartiţie la variabila
aleatoare X şi notăm
) x ( F ) x ( F lim dacă X X
n
n
r
n
· ÷→ ÷
∞ →
unde F
n
şi F sunt funcţiile de repartiţie ale variabilelor
157
Elemente de teoria probabilităţilor şi statistică matematică
aleatoare X
n
şi X, iar convergenţa are loc pentru orice
punct de continuitate R x ∈ al funcţiei F.
Observaţie 1.14.5.
1)
X X X X X X
r
n
p
n
m
n
k
÷→ ÷ ⇒ ÷→ ÷ ⇒ ÷→ ÷
2)
a X R a , a X
p
n
r
n
÷→ ÷ ⇒ ∈ ÷→ ÷
Definiţie 1.14.6. Spunem că şirul de variabile
aleatoare
1 n n
) X (

urmează legea numerelor mari dacă
pentru orice 0 > ε avem
1 ) X ( M
n
1
X
n
1
P lim
n
1 k
k
n
1 k
k
n
·

,
`

.
|
ε < −
∑ ∑
· ·
∞ →
adică
0 ) X ( M
n
1
X
n
1
p
n
1 k
k
n
1 k
k
÷→ ÷ −
∑ ∑
· ·
.
Teorema lui Markov 1.14.7. Dacă şirul
1 n n
) X (

de variabile aleatoare verifică condiţia
0 X D
n
1
lim
n
1 k
k
2
2
n
·
,
`

.
|

·
∞ →
atunci acesta urmează legea
numerelor mari.
Demonstraţie:
158
Elemente de teoria probabilităţilor
Folosind inegalitatea lui Cebîşev pentru
variabila

·
·
n
k
k
X
n
X
1
1
avem pentru ∀ ε > 0,
( )
,
`

.
|
− ≥

,
`

.
|
< − · < − ≥
∑ ∑ ∑
· · ·
n
k
k
n
k
k
n
k
k
X D
n
X M
n
X
n
P X M X P
1
2
2 2
1 1
1
1 ) (
1 1
) ( 1
ε
ε ε

şi prin trecere la limită se obţine că ∀ ε > 0
1 ) (
1 1
lim
1 1
·

,
`

.
|
< −
∑ ∑
· ·
∞ →
ε
n
k
k
n
k
k
n
X M
n
X
n
P
.
Teorema lui Cebîşev 1.14.8. Dacă şirul
1 n n
) X (

de variabile aleatoare independente două câte
două, au dispersiile egal mărginite (adică L ) X ( D
n
2
≤ -
finit) atunci şirul urmează legea numerelor mari.
Demonstraţie:
Avem
0
1
) (
1 1
1
2
1
2
2
1
2
2
→ · ≤ ·
,
`

.
|
∑ ∑ ∑
· · ·
n
L
L
n
X D
n
X D
n
n
k
n
k
k
n
k
k
când
159
Elemente de teoria probabilităţilor şi statistică matematică
n → ∞ şi conform teoremei lui Markov rezultă că
( )
1 ≥ n n
X
urmează legea numerelor mari.
Observaţie 1.14.9.Dacă

1 m X
n
1
P lim 1 k , m ) X ( M
n
1 k
k
n
k
·

,
`

.
|
ε < − ⇒ ≥ ·

·
∞ →
.
Acest rezultat explică de ce, în practică, putem
face afirmaţii asupra unei populaţii statistice pe baza unei
selecţii sau a unui sondaj având un volum de observaţii
mic în raport cu acela al întregii populaţii. Explicaţia are
la bază faptul că selecţia implică un număr de măsurători
suficient prin el însuşi. Din acest punct de vedere se
apreciază că teorema lui Cebîşev se află la baza teoriei
selecţiei şi afirmaţia nu este exagerată.
De asemenea, rezultă că între comportarea
fiecărei variabilei aleatoare şi a mediei aritmetice a
acestora există o mare deosebire în sensul că deşi nu
putem preciza ce valoare va lua fiecare dintre variabilele
aleatoare considerate, suntem în măsură să afirmăm cu o
160
Elemente de teoria probabilităţilor
probabilitate apropiată de unu ce valoare va lua media
aritmetică a acestor variabile aleatore. Aşadar, media
aritmetică a unui număr suficient de mare de variabile
aleatoare cu dispersii mărginite îşi pierde caracterul de
variabilă aleatoare.
Teorema lui Poisson 1.14.10. Dacă într-un şir
de repetări independente ale unui experiment
probabilitatea apariţiei unui eveniment A la repetarea de
rang n este p
n
atunci
, 0 , 1 p
n
1
n
m
P lim
n
1 k
k
n
> ε ∀ ·

,
`

.
|
ε < −

·
∞ →
şi unde m este
numărul apariţiilor lui A în primele n repetări.
Demonstraţie:
Considerăm X
k
variabila care indică apariţia
evenimentului A la repetarea de rang k a experimentului

,
`

.
|
k k
k
p q
X
1 0
unde
) ( A P p
k
·
,
) ( ) ( 1 1 A P A P p q
k k
· − · − ·
Variabilele X
k
sunt independente două câte două
şi au dispersiile egal mărginite.
161
Elemente de teoria probabilităţilor şi statistică matematică
[ ] 1 ) 1 ( ) ( ) ( ) (
2
2
2 2
≤ · − · − · − ·
k k k k k k k k k
q p p p p p X M X M X D
, iar

·
·
n
k
k
X m
1
şi conform teoremei lui Cebîşev rezultă
că şirul
( )
1 ≥ n n
X
urmează legea numerelor mari.
Teorema lui Bernoulli 1.14.11. Dacă într-un şir
de repetări independente ale unui experiment
probabilitatea apariţiei unui eveniment A este p la fiecare
repetare, atunci
, 0 , 1 p
n
m
P lim
n
> ε ∀ ·

,
`

.
|
ε < −
∞ →
unde m
reprezintă numărul apariţiilor lui A în primele n repetări
ale experimentului.
Teorema lui Liapunov 1.14.12. Fie şirul de
variabile aleatoare independente
1 n n
) X (

pentru care
există momentele centrate de ordinul trei
3 r , 1 i ,
ir
≤ ≥ µ

şi
0
) X ( D ... ) X ( D ) X ( D
...
lim
n
2
2
2
1
2
3
3 n 23 13
n
·
+ + +
µ + + µ + µ
∞ →
, atunci
şirul de variabile aleatoare
1 n n
) Z (

unde
162
Elemente de teoria probabilităţilor
,
) X ( D
) X ( M X
Z
n
1 k
k
2
n
1 k
n
1 k
k k
n

∑ ∑
·
· ·

·
converge în repartiţie la o
variabilă aleatoare ce urmează legea normală N(0,1)
adică
R x , dt e
2
1
) x ( F lim
x

2
t
n
n
2
∈ ∀
π
·

∞ −

∞ →
.
Observaţie 1.14.13.
1) Problema limită este problema determinării
legii de probabilitate a variabilei aleatoare Z
n
, când
∞ → n
.
2) Teorema limită este teorema care rezolvă o
problemă limită.
3) Dacă legea de probabilitate limită este legea
normală atunci avem teorema limită centrală.
Teorema Lindeberg-Levy 1.14.14. Dacă şirul
de variabile aleatoare independente
1 n n
) X (

sunt
identic repartizate (urmează aceeaşi lege de probabilitate)
163
Elemente de teoria probabilităţilor şi statistică matematică
şi există
( ) ,... 3 , 2 , 1 n , ) X ( M X M ), X ( D ), X ( M m
3
n n
3
n
2 2
n
· − · µ · σ ·

atunci şirul de variabile aleatoare
n
m X
n
1
Z unde ) Z (
n
1 k
k
n 1 n n
σ

·

·

, converge
în repartiţie la o variabilă aleatoare ce urmează legea
normală redusă N(0,1) adică

∞ −

∞ →
∈ ∀
π
·
x

2
t
n
n
R x , dt e
2
1
) x ( F lim
2
.
Teorema Moivre – Laplace 1.14.15. Dacă
variabila aleatoare X urmează legea binomială, adică
P(n,k)=P(X=k)= , n , 0 k , q p
k n k k
n
C ·

p+q=1, atunci
pentru a<b avem
164
Elemente de teoria probabilităţilor


∞ →
π
·

,
`

.
|
<


b
a
2
x
n
dx e
2
1
b
npq
np X
a P lim
2
sau


π

,
`

.
|
<


b
a
2
x
dx e
2
1
b
npq
np X
a P
2
.
Demonstraţie:
Fie variabilele aleatoare X
k
,
n k , 1 ·

independente şi identic repartizate
n k
k
p q
X
, 1
1 0
·

,
`

.
|
atunci

·
·
n
k
k
X X
1
,
p X M
k
· ) (
,
pq X D
k
· ) (
2
şi
conform teoremei 3.15.14 avem că variabila
npq
np X
npq
np X
n
pq
p X
n
Z
n
k
k
n
k
k
n

·

·

·
∑ ∑
· · 1 1
1
urmează
legea N(0,1)dacă n→ ∞.
Avem

∞ −

∞ →
·

,
`

.
|
<

x
t
n
dt e x
npq
np X
P
2 /
2
2
1
lim
π
şi
prin urmare
165
Elemente de teoria probabilităţilor şi statistică matematică
∫ ∫ ∫

∞ −

∞ −

∞ → ∞ →
· − ·
·
]
]
]
]

,
`

.
|
<

,
`

.
|
<

·

,
`

.
|
<


b
a
x
a
x
b
x
n n
dx e dx e dx e
a
npq
np X
P b
npq
np X
P b
npq
np X
a P
2 / 2 / 2 /
2 2 2
2
1
2
1
2
1
lim lim
π π π
Observaţie 1.14.16.
1) Deoarece X=k, k=1,2,…,n se obişnuieşte să
se scrie



π

,
`

.
|
<


b
a
2
x
dx e
2
1
b
npk
np k
a P
2
.
2) Folosind funcţia lui Laplace


π
· Φ
x
0
2
t
dt e
2
1
) x (
2
avem
) a ( ) b ( b
npq
np k
a P Φ − Φ ≅

,
`

.
|
<


.
3)
( )

,
`

.
|

Φ −

,
`

.
|

Φ · < ≤
npq
np a
npq
np b
b k a P
Exemplul 1.14.17. Fie variabila aleatoare X
având repartiţia

,
`

.
|
10 , 0 20 , 0 30 , 0 25 , 0 10 , 0 05 , 0
6 5 4 3 2 1
: X
. Să se
166
Elemente de teoria probabilităţilor
determine valoarea exactă a probabilităţii
( ) 2 ) X ( M X P < −
precum şi o margine inferioară a
acesteia.
Rezolvare:
Valoarea exactă se obţine astfel:
80 , 3 10 , 0 6 20 , 0 5 30 , 0 4 25 , 0 3 10 , 0 2 05 , 0 1 p x ) X ( M
6
1 k
k k
· ⋅ + ⋅ + ⋅ + ⋅ + ⋅ + ⋅ · ·

·
( ) ( ) ( )
( )
85 , 0 20 , 0 30 , 0 25 , 0 10 , 0
) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 80 , 5 80 , 1 (
) ( 2 ) ( 2 2 ) ( 2 2 ) (
· + + + ·
· · ∪ · ∪ · ∪ · · < < ·
· + < < + − · < − < − · < −
X X X X P X P
X M X X M P X M X P X M X P
Pentru marginea inferioară se aplică inegalitatea lui
Cebîşev cu 2 · ε .
[ ] 66 , 1 44 , 14 10 , 16 ) X ( M ) X ( M ) X ( D
2
2 2
· − · − ·
10 , 16 10 , 0 6 20 , 0 5 30 , 0 4 25 , 0 3 10 , 0 2 05 , 0 1 ) X ( M
2 2 2 2 2 2 2
· ⋅ + ⋅ + ⋅ + ⋅ + ⋅ + ⋅ ·
Deci
( ) 585 , 0
4
66 , 1
1 ) X ( M X P · − ≥ ε < −
Exemplul 1.14.18. Se efectuează 800 de probe
independente. În 200 din ele probabilitatea apariţiei unui
rezultat aşteptat a fost 0,5; în 400 de probe această
probabilitate a fost 0,4; iar în restul probelor a fost 0,3.
Să se determine marginea inferioară a probabilităţii ca
167
Elemente de teoria probabilităţilor şi statistică matematică
abaterea absolută a frecvenţei relative de apariţie a
evenimentului de la media probabilităţilor să nu
depăşească 0,04.
Rezolvare:
Se aplică teorema lui Poisson pentru n=800 şi
04 , 0 · ε
.
∑ ∑
· ·
ε
− ≥

,
`

.
|
ε < −
ν
n
1 k
k k
2 2
n
1 k
k
q p
n
1
1 p
n
1
n
P
adică
817 , 0
) 04 , 0 ( 800
7 , 0 3 , 0 200 6 , 0 4 , 0 400 5 , 0 5 , 0 200
1 04 , 0 p
800
1
800
8
P
2 2
1 k
k
·

⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅
− ≥

,
`

.
|
< −


·
Exemplul 1.14.19. Se cunoaşte că o unitate de
desfacere a produselor alimentare poate deservi zilnic un
număr de 3000 clienţi. Ştiind că un client care intră în
unitate devine cumpărător cu probabilitatea p=0,7 să se
calculeze probabilitatea ca:
a) numărul cumpărătorilor să fie
cuprins între 1800 şi 2400;
b) numărul cumpărătorilor să fie mai
mic decât 2150;
168
Elemente de teoria probabilităţilor
c) ce stoc zilnic trebuie asigurat astfel
încât riscul de a rămâne clienţi fără produs să fie de 3 ‰.
Rezolvare:
a)Numărul cumpărătorilor X este o variabilă
aleatoare ce urmează legea binomială cu parametrii
n=3000 şi p=0,7. Se cunoaşte că M(X)=np=2100 iar
. 630 npq ) X ( D
2
· ·
Folosind inegalitatea lui Cebîşev obţinem:
( ) 0 ,
630
1 2100 X P
2
> ε ∀
ε
− ≥ ε < −

sau
( )
2
6300
1 2100 X 2100 P
ε
− ≥ ε + < < ε −
Dacă se ia 300 · ε rezultă
( ) 993 , 0 007 , 0 1
90000
630
1 2400 X 1800 P · − · − ≥ < <
De asemenea, se poate folosi teorema Moivre-Laplace
adică:
169
Elemente de teoria probabilităţilor şi statistică matematică
( )
( ) 1 15 , 0 2 95 , 11 2
630
300
2
630
2100 1800
630
2100 2400
2400 1800
· ⋅ · Φ ·
· Φ ·

Φ −

Φ ≅ < <

,
`

.
|

,
`

.
|

,
`

.
|
X P
b) Folosim din nou teorema Moivre-Laplace şi
avem:
( ) ( )
9767 , 0 4767 , 0 5 , 0
630
2100
630
50
2
630
2100
630
2100 2150
2150 0 2150
· + ·

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
Φ + Φ ·
· − Φ −

Φ ≅ < ≤ · < X P X P
c) Fie s stocul zilnic. Vor rămâne clienţi fără
produse dacă X>s, adică P(X>s)=0,003;
dar

,
`

.
|

,
`

.
|

,
`

.
|

Φ − ·
σ

Φ + − · − · ≤ − · >
630
2100 s
2
1 m s
2
1
1 ) s ( F 1 ) s x ( P 1 ) s X ( P

75 , 2
630
2100 s
003 , 0
2
1
630
2100 s
·

⇒ − ·

,
`

.
| −
Φ ⇒

deci s=2170.
Exemplul 1.14.20.Se consideră şirul de
variabile aleatoare
1 n n
) X (

, unde
170
Elemente de teoria probabilităţilor

,
`

.
|
+ −
− − − − −
3 3 3 3
n
n 3
1
) 1 n ( 3
1
3
1
p
3
1
) 1 n ( 3
1
n 3
1
n 1 n ... 1 0 1 ... ) 1 n ( n
: X
.
Să se verifice dacă şirul de variabile aleatoare se
supune legii numerelor mari.
Rezolvare:
,
1
...
2
1
1
3
2
1
3 3

,
`

.
|
+ + + − ·
n
p

, 0 ) X ( M
n
·

,
`

.
|
+ + + ·
n
1
...
2
1
1
3
2
) X ( M
2
n
[ ]

,
`

.
|
+ + + · − ·
n
1
...
2
1
1
3
2
) X ( M ) X ( M ) X ( D
2
n
2
n
2
Calculăm
· ·
,
`

.
|
∑ ∑
·
∞ →
·
∞ →
) X ( D
n
1
lim X D
n
1
lim
k
n
1 k
2
2
n
n
1 k
k
2
2
n
0
1
2
2
1
lim
k
1
1
2
1
1 dar 0 ) n ln 1 (
2
3
2
lim
1
) n ln 1 (
2
3
2
lim
1
) k ln 1 (
2
3
2
lim
1
1
...
2
1
1
2
3
2
lim
·
·
∞ →
⇒ + ≤ + · + ⋅
∞ →
·
·
+
∞ →
≤ ∑
·
+
∞ →
≤ ∑
·
+ + +
∞ →
·

,
`

.
|



,
`

.
|
n
k
k
X D
n
n
x
dx
n
n
n
n
k
n
n
n
k
n
n
n
k
k
n n
şi conform teoremei lui Markov şirul urmează legea
numerelor mari.
171
Elemente de teoria probabilităţilor şi statistică matematică
Exemplul 1.14.21. Fie şirul de variabile
aleatoare
1 n n
) X (

independente, care au distribuţiile

,
`

.
|

n
1
p
n
1
n 0 n
: X
0
n
, atunci şirul urmează legea
numerelor mari.
Rezolvare:
Avem
0 ) X ( M
n
·
iar

2
n
1
n p 0
n
1
n ) X ( M ) X ( D
0
2
n n
2
· ⋅ + + ⋅ · ·
dacă
2 n ≥ iar 0 ) X ( D
1
2
· . Prin urmare
1 n , 2 ) X ( D
n 2
≥ ∀ ≤
adică dispersiile sunt egal mărginite
şi conform teoremei lui Cebîşev avem că şirul considerat
urmează legea numerelor mari.
1.15. Exerciţii rezolvate
1.Un student solicită o bursă de studii la 3
universităţi. După trimiterea actelor necesare, acesta
poate obţine bursă de la universitatea i (U
i
) sau nu
) (
i
U
,
172
Elemente de teoria probabilităţilor
1 ≤ i ≤ 3 . Scrieţi evenimentele ce corespund
următoarelor situaţii :
a)primeşte o bursă ;
b)primeşte cel mult o bursă ;
c)primeşte cel puţin o bursă ;
d)primeşte cel puţin două burse.
Rezolvare:
a) Bursa primită poate fi de la prima universitate,
caz în care celelalte nu-i acordă bursă, sau de la a doua,
caz în care prima şi a treia nu-i acordă bursă, sau de la a
treia, caz în care primele două nu-i acordă bursă. Avem
astfel evenimentul
) ( ) ( ) (
3 2 1 3 2 1 3 2 1
U U U U U U U U U A ∩ ∩ ∪ ∩ ∩ ∪ ∩ ∩ ·
.
b)Avem două variante : studentul nu primeşte
nici o bursă sau studentul primeşte o bursă. Obţinem
evenimentul
A U U U B ∪ ∩ ∩ · ) (
3 2 1
.
c) Evenimentul poate fi scris ca reuniunea a trei
evenimente : studentul primeşte o bursă, două burse, trei
173
Elemente de teoria probabilităţilor şi statistică matematică
burse. Astfel F E A C ∪ ∪ · , unde
) ( ) ( ) (
3 2 1 3 2 1 3 2 1
U U U U U U U U U E ∩ ∩ ∪ ∩ ∩ ∪ ∩ ∩ ·
,
iar
3 2 1
U U U F ∩ ∩ ·
.
d)Avem F E D ∪ · . Altfel, evenimentul D este
contrar evenimentului B, deci
A U U U B D ∪ ∩ ∩ · · ) (
3 2 1
.
2.Într-un grup de studenţi aflaţi în excursie se
găsesc 6 fete şi 9 băieţi. Se aleg la întâmplare doi studenţi
pentru a cerceta traseul. Care este probabilitatea ca cei
doi să fie :
a)băieţi ;
b)fete ;
c)un băiat şi o fată ;
d)cel puţin un băiat ;
e)primul băiat şi a doua fată ;
f)de acelaşi sex.
Rezolvare:
Notăm cu A
1
şi A
2
evenimentele alegerii unui
băiat la prima, respectiv a doua alegere. La primul punct
174
Elemente de teoria probabilităţilor
avem de calculat probabilitatea
) (
2 1
A A P ∩
. Întrucât a
doua alegere depinde de prima avem :
35
12
14
8
15
9
) ( ) ( ) (
1 2 1 2 1
· ⋅ · · ∩ A A P A P A A P
,
deoarece alegând un băiat mai rămân în grup 14 studenţi
între care 8 băieţi. Evenimentul de la punctul b) se scrie
astfel :
2 1
A A B ∩ · . Deci
7
1
14
5
15
6
) ( ) ( ) ( ) (
1 2 1 2 1
· ⋅ · · ∩ · A A P A P A A P B P
.
Evenimentul de la punctul c) este
) ( ) (
1 2 2 1
A A A A C ∩ ∪ ∩ · aşadar
) ( ) ( ) (
1 2 2 1
A A P A A P C P ∩ + ∩ · ,
1 2 2 1
, ( A A A A ∩ ∩
sunt incompatibile)
Dar
14
6
15
9
) / ( ) ( ) (
1 2 1 2 1
⋅ · · ∩ A A P A P A A P
,
iar
14
9
15
6
) / ( ) ( ) (
1 2 1 1 2
⋅ · · ∩ A A P A P A A P

de unde
35
18
14
6
15
9
2 ) ( · ⋅ ⋅ · C P
.
175
Elemente de teoria probabilităţilor şi statistică matematică
Am obţinut şi probabilitatea evenimentului de la
punctul e) ) (
2 1
A A P ∩ . Evenimentul de la punctul d) se
exprimă astfel :
2 1
A A D ∪ ·
.
El este contrar evenimentului :
2 1
A A B ∩ · ,
prin urmare
7
6
7
1
1 ) ( 1 ) ( · − · − · B P D P
. Evenimentul de
la ultimul punct f) este
) ( ) (
2 1 2 1
A A A A F ∩ ∪ ∩ · . Cum
Φ · ∩ ∩ ∩ ) ( ) (
2 1 2 1
A A A A cele două evenimente sunt
incompatibile şi deci
35
17
7
1
35
12
) ( ) ( ) (
2 1 2 1
· + · ∩ + ∩ · A A P A A P F P
.
3.La un examen de licenţă participă mai mulţi
absolvenţi, între care numai trei din străinătate.
Probabilitatea ca primul student să promoveze este ¾,
probabilitatea ca al doilea să promoveze este 4/5, iar
pentru al treilea 5/6. Să se determine probabilităţile ca :
a)toţi cei trei studenţi să promoveze;
176
Elemente de teoria probabilităţilor
b)cel puţin unul să promoveze examenul.
Rezolvare:
Fie A
i
evenimentul promovării examenului de
către studentul i, i=1,2,3. Evenimentul de la punctul a)
este
3 2 1
A A A A ∩ ∩ ·
, iar de la punctul b) este
3 2 1
A A A B ∪ ∪ ·
. Evenimentele A
i
sunt independente
(rezultatele celor 3 studenţi nedepinzând unul de
celelalte), deci
2
1
6
5
5
4
4
3
) ( ) ( ) ( ) (
3 2 1
· ⋅ ⋅ · · A P A P A P A P
.
Folosind proprietăţile probabilităţii avem :
· ∩ ∪ − + ∪ · ∪ ∪ · ) ) (( ) ( ) ( ) ( ) (
3 2 1 3 2 1 3 2 1
A A A P A P A A P A A A P B P
· ∩ ∪ ∩ − + ∩ − + · )) ( ) (( ) ( ) ( ) ( ) (
3 2 3 1 3 2 1 2 1
A A A A P A P A A P A P A P
− + + · ∩ ∩ ∩ −
− ∩ + ∩ − + ∩ − + ·
) ( ) ( ) ( )) ( ) ((
) ( ) ( [ ) ( ) ( ) ( ) (
3 2 1 3 2 3 1
3 2 3 1 3 2 1 2 1
A P A P A P A A A A P
A A P A A P A P A A P A P A P
). ( ) ( ) ( ) (
3 2 1 3 2 3 1 2 1
A A A P A A P A A P A A P ∩ ∩ + ∩ − ∩ − ∩ −
Ţinând seama de independenţa evenimentelor A
i
, i=1,2,3, avem:
.
120
119
6
5
5
4
4
3
6
5
5
4
6
5
4
3
5
4
4
3
6
5
5
4
4
3
) ( ) ( ) (
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
3 2 1
3 2 3 1 2 1 3 2 1
· ⋅ ⋅ + ⋅ − ⋅ − ⋅ − + + · +
+ − − − + + ·
A P A P A P
A P A P A P A P A P A P A P A P A P B P
177
Elemente de teoria probabilităţilor şi statistică matematică
4.Din mai multe controale asupra activităţilor
a trei magazine se apreciază că în proporţie de 90%,
80%, 70%, cele trei magazine au declarat marfa vândută.
La un nou control, comisia de control solicită 50 de
documente privind activitatea comercială: 20 de la primul
magazin, 15 de la al doilea, 15 de la al treilea. Dintre
acestea se alege unul la întâmplare pentru a fi verificat:
a)Cu ce probabilitate documentul ales este
corect (înregistrat)?
b)Constatând că este corect, cu ce
probabilitate el aparţine primului magazin?
Rezolvare:
a) Notăm cu A
1
, A
2
, A
3
evenimentul ca
documentul controlat să provină de la primul, al doilea şi
respectiv al treilea magazin. Avem astfel
50
15
) ( ;
50
15
) ( ;
50
20
) (
3 2 1
· · · A P A P A P
.
Fie A evenimentul ca documentul controlat să
fie corect. Atunci A / A
1
, A / A
2
, A / A
3
reprezintă
evenimentul ca documentul controlat să fie corect ştiind
178
Elemente de teoria probabilităţilor
că el provine de la primul, al doilea, al treilea magazin.
Prin urmare : P(A/A
1
)=0,90; P(A/A
2
)=0,80;
P(A/A
3
)=0,70 . Cum {A
1
, A
2
, A
3
} este un sistem complet
de evenimente
Φ · ∩ · ∩ · ∩ · ∪ ∪
3 2 3 1 2 1 3 2 1
, A A A A A A E A A A
aplicând formula probabilităţii totale avem :
. 81 , 0 70 , 0
50
15
80 , 0
50
15
90 , 0
50
20
) / ( ) ( ) / ( ) ( ) / ( ) ( ) (
3 3 2 2 1 1
· ⋅ + ⋅ + ⋅ ·
· + + · A A P A P A A P A P A A P A P A P
b)Aplicând formula lui Bayes avem :
9
4
81 , 0
36 , 0
81 , 0
90 , 0
50
20
) / ( ) (
) / ( ) (
) / (
3
1
1 1
1
· ·

· ·

· i
i i
A A P A P
A A P A P
A A P

.
(A
1
/A reprezintă evenimentul ca documentul
controlat să provină de la primul magazin ştiind că a fost
corect).
5.La un supermarket s-a făcut un sondaj
printre clienţii acestuia, punându-li-se trei întrebări la
care să răspundă prin DA sau NU. S-a constatat că
179
Elemente de teoria probabilităţilor şi statistică matematică
răspunsul DA la prima, a doua respectiv a treia întrebare
a fost de 60%, 80% respectiv 70%. Care este
probabilitatea ca un client să dea :
a)trei răspunsuri DA?
b)trei răspunsuri NU?
c)două răspunsuri DA şi unul NU?
d)cel mult două răspunsuri DA?
e)primele două răspunsuri NU?
f)primul răspuns DA şi încă unul DA?
Rezolvare:
a) Suntem în condiţiile schemei lui Poisson
(presupunând că răspunsurile sunt independente unul de
celălalt) cu 3 urne şi cu probabilităţile : p
1
= 0,6; q
1
= 0,4;
p
2
= 0,8; q
2
= 0,2; p
3
= 0,7; q
3
= 0,3. Astfel probabilitatea
ca să avem 3 răspunsuri DA este coeficientul lui x
3
din
polinomul (p
1
x + q
1
)(p
2
x + q
2
)(p
3
x + q
3
) adică
p
a
= p
1
p
2
p
3
= 0,6 ∙0,8∙0,7 = 0,336.
b) Probabilitatea să avem trei răspunsuri NU
este coeficientul lui x
0
(termenul liber) din polinomul de
mai sus, adică
180
Elemente de teoria probabilităţilor
q
1
q
2
q
3
= 0,4 ∙0,2∙0,3 = 0,024.
c) În acest caz probabilitatea este coeficientul lui
x
2
din acelaşi polinom, adică p
1
p
2
q
3
+ p
1
q
2
p
3
+ q
1
p
2
p
3
=
0,6∙0,8∙0,3 +
+ 0,6∙0,2∙0,7 + 0,4∙0,8∙0,7 = 0,452.
d)Evenimentul dat este reuniunea a trei
evenimente incompatibile două câte două, respectiv de a
da 0, 1, 2 răspunsuri DA, deci probabilitatea sa este suma
coeficienţilor lui x
0
, x
1
, x
2
din polinomul de la punctul a).
Avem
p
d
= q
1
q
2
q
3
+ (p
1
q
2
q
3
+q
1
p
2
q
3
+ q
1
q
2
p
3
) + (p
1
p
2
q
3
+
p
1
q
2
p
3
+ q
1
p
2
p
3
) = = 0,024 + 0,188 + 0,452 = 0,664.
Astfel, evenimentul nostru este contrar
evenimentului de la punctul a), deci p
d
= 1 – p
a
= 1 –
0,336 = 0,664.
e) Putem reduce schema lui Poisson la 2 urne cu
probabilităţile :
p
1
= 0,6; q
1
= 0,4; p
2
= 0,8; q
2
= 0,2.
Probabilitatea cerută este coeficientul lui x
0
din
polinomul (p
1
x + q
1
)(p
2
x + q
2
), adică
181
Elemente de teoria probabilităţilor şi statistică matematică
q
1
q
2
= 0,08. Astfel, evenimentul dat este
intersecţia a două evenimente independente cu
probabilităţile q
1
respectiv q
2
, de unde probabilitatea
cerută este produsul q
1
q
2
.
f) Evenimentul este reuniunea evenimentelor
“numai primul şi al doilea răspuns DA ” şi “numai
primul şi al treilea răspuns DA”, care sunt incompatibile,
deci probabilitatea evenimentului dat este suma
probabilităţilor celor două, adică p
f
= p
1
p
2
q
3
+ p
1
q
2
p
3
=
0,228.
6.La o bancă s-a constatat că din 100 de credite
acordate, 10 sunt neperformante. Dacă se acordă 5
credite, care este probabilitatea ca:
a) toate să fie neperformante?
b) toate să fie performante?
c) numai 4 să fie performante?
d) cel puţin 4 să fie performante?
Rezolvare:
Suntem în condiţiile schemei lui Bernoulli cu
două culori, unde
182
Elemente de teoria probabilităţilor
p = 0,9 şi q = 1-p =0,1 considerând bile albe
creditele performante, iar bile negre cele neperformante.
Vom obţine astfel:
a)
00001 , 0 ) 1 , 0 ( ) 9 , 0 ( ) 0 ; 5 (
5 0 0
5
· ⋅ ·C P
;
b)
59049 , 0 ) 1 , 0 ( ) 9 , 0 ( ) 5 ; 5 (
0 5 5
5
· ⋅ ·C P
;
c)
32705 , 0 ) 1 , 0 ( ) 9 , 0 ( ) 4 , 5 (
1 4 4
5
· ⋅ ·C P
;
d)
91754 , 0 ) 5 , 5 ( ) 4 , 5 ( ) 4 ; 5 ( · + · ≥ P P P
.
7.Într-un partid parlamentar sunt 10 deputaţi şi 5
senatori. Se ia la întâmplare un grup de 5 parlamentari ai
partidului respectiv, pentru a forma o comisie. Cu ce
probabilitate grupul conţine:
a) 3 deputaţi şi 2 senatori;
b) numai deputaţi;
c) numai senatori;
d) cel mult 2 senatori;
e) cel puţin un deputat.
Rezolvare:
Suntem în condiţiile schemei hipergeometrice cu
2 culori, unde
a = 10, b = 5 şi n = 5. Vom avea:
183
Elemente de teoria probabilităţilor şi statistică matematică
a)
5
15
2
5
3
10
) 2 , 3 ; 5 (
C
C C
P

·
;
b)
5
15
0
5
5
10
) 0 , 5 ; 5 (
C
C C
P

·
;
c)
5
15
5
5
0
10
) 5 , 0 ; 5 (
C
C C
P

·
;
d)
5
15
2
5
3
10
1
5
4
10
0
5
5
10
) 2 , 3 ; 5 ( ) 1 , 4 ; 5 ( ) 0 , 5 ; 5 (
C
C C C C C C
P P P P
d
⋅ + ⋅ + ⋅
· + + ·

;
e)
∑ ∑
· ·


· − ·
5
1
5
1
5
15
5
5 10
) 5 , ; 5 (
i i
i i
e
C
C C
i i P P
sau
altfel
5
15
1
1 ) 5 , 0 ; 5 ( 1
C
P P
e
− · − ·
.
8.Probabilitatea ca un agent comercial să vândă
un anumit produs este 0,3. Dacă acesta oferă produsul
spre vânzare pe rând la 4 magazine cu ce probabilitate el
vinde produsul:
184
Elemente de teoria probabilităţilor
a) la primul magazin;
b) la al doilea magazin;
c) la ultimul magazin;
d) cel mult la al treilea magazin.
Rezolvare:
Suntem în condiţiile schemei geometrice cu p =
0,3 ( se presupune că agentul poate vinde produsul unui
singur magazin). Prin urmare avem:
a) P
1
= pq
1-1
= 0,3 ;
b) P
2
= pq
2-1
= pq = 0,3 ∙0,7 = 0,21 ;
c) P
4
= pq
4-1
= pq
3
= 0,3 ∙(0,7)
3
= 0,1029 ;
d)P
d
=P
1
+P
2
+P
3
=p + pq + pq
2
= p(1+q+q
2
) =
0,3(1+0,7+0,49)=0,657
9.Fie variabilele aleatoare independente :

,
`

.
|
4 / 1 4 / 1 2 / 1
2 1 0
: X
şi

,
`

.
|

2 / 1 6 / 1 3 / 1
2 1 1
: Y
.
Să se scrie variabilele aleatoare : 2X, Y
2
, X+Y,
XY, 2X+3Y, X/Y, max(X,Y), X .
185
Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
Probabilităţile corespunzătoare valorilor lui 2X,
Y
2
, X sunt aceleaşi cu cele corespunzătoare lui X şi
respectiv Y. Avem:

,
`

.
|
4 / 1 4 / 1 2 / 1
4 2 0
: 2X
,

,
`

.
|
4 / 1 4 / 1 2 / 1
2 1 0
: X
,

,
`

.
|
2 / 1 2 / 1
4 1
:
2
Y
.
2
1
6
1
3
1
) 1 ( ) 1 ( ) 1 1 ( ) 1 (
2
· + · · + − · · · ∨ − · · · Y P Y P Y Y P Y P
.
Deoarece X şi Y sunt independente avem că p
ij
= p
i
q
j
,1 ≤
i, j ≤ 3 .
De exemplu
12
1
6
1
2
1
) 1 ( ) 0 ( ) 1 , 0 (
12
· ⋅ · · · · · · · Y P X P Y X P p
.
Obţinem

,
`

.
|
+ + − + + − + + −
+
8 / 1 24 / 1 12 / 1 8 / 1 24 / 1 12 / 1 4 / 1 12 / 1 6 / 1
2 2 1 2 1 2 2 1 1 1 1 1 2 0 1 0 1 0
: Y X
186
Elemente de teoria probabilităţilor
adică

,
`

.
|

+
8 / 1 6 / 1 24 / 7 6 / 1 12 / 1 6 / 1
4 3 2 1 0 1
: Y X
.
Analog

,
`

.
|
⋅ ⋅ − ⋅ ⋅ ⋅ − ⋅ ⋅ ⋅ − ⋅

8 / 1 24 / 1 12 / 1 8 / 1 24 / 1 12 / 1 4 / 1 12 / 1 6 / 1
2 2 1 2 ) 1 ( 2 2 1 1 1 ) 1 ( 1 2 0 1 0 ) 1 ( 0
: Y X
de unde

,
`

.
|
− −

8 / 1 6 / 1 24 / 1 2 / 1 12 / 1 12 / 1
4 2 1 0 1 2
: Y X
.
Cum 2X şi 3Y au repartiţiile

,
`

.
|
4 / 1 4 / 1 2 / 1
4 2 0
: 2X
,

,
`

.
|

2 / 1 6 / 1 3 / 1
6 3 3
: 3Y
,
obţinem repartiţia lui 2X + 3Y :

,
`

.
|
− −
+
8 / 1 8 / 1 24 / 1 4 / 1 24 / 1 12 / 1 12 / 1 12 / 1 6 / 1
10 8 7 6 5 3 1 1 3
: 3 2 Y X
.
La fel obţinem:
187
Elemente de teoria probabilităţilor şi statistică matematică

,
`

.
|
− −
24 / 1 6 / 1 8 / 1 2 / 1 12 / 1 12 / 1
2 1 2 / 1 0 1 2
:
Y
X
,

,
`

.
|
8 / 5 24 / 5 6 / 1
2 1 0
: ) , max( Y X
.
10.Fie X şi Y două variabile aleatoare discrete
ale căror repartiţii probabiliste comună (p
ij
) şi marginale
(p
i
) şi (q
j
) sunt date în tabelul următor :
X \ Y -1 0 1 p
i
-1 1/8 1/12 1/6 3/8
1 1/24 1/4 1/3 5/8
q
j
1/6 1/3 1/2 1
a)Să se scrie variabilele aleatoare X şi Y.
b)Să se precizeze dacă X şi Y sunt
independente.
c)Să se scrie variabilele X + Y , X ∙ Y, X
2
, Y
2
,
Y/X .
Rezolvare:
a)Din tabelul de repartiţie de mai sus deducem

,
`

.
|

8 / 5 8 / 3
1 1
: X
şi

,
`

.
|

2 / 1 3 / 1 6 / 1
1 0 1
: Y
.
188
Elemente de teoria probabilităţilor
b)Dacă X şi Y ar fi independente atunci
) 1 ( ) 1 ( ) 1 , 1 (
1 1 11
− · − · · · − · − · · Y P X P q p Y X P p
,
ceea ce nu are loc întrucât
6
1
8
3
8
1
⋅ ≠
.
c)Deoarece
3
1
,
4
1
,
24
1
,
6
1
,
12
1
,
8
1
23 22 21 13 12 11
· · · · · · p p p p p p

,
obţinem

,
`

.
|
+
− −
+
3 / 1 4 / 1 24 / 1 6 / 1 12 / 1 8 / 1
2 1 0 1 2
: Y X
,

,
`

.
|
+ + +


3 / 1 8 / 1 4 / 1 12 / 1 24 / 1 6 / 1
1 0 1
: Y X
,

,
`

.
|
+ + +

3 / 1 8 / 1 4 / 1 12 / 1 6 / 1 24 / 1
1 0 1
:
Y
X
.
Repartiţiile lui X
2
şi Y
2
rezultă imediat din cele
ale lui X şi Y:

,
`

.
|
1
1
:
2
X
,

,
`

.
|
3 / 2 3 / 1
1 0
:
2
Y
.
189
Elemente de teoria probabilităţilor şi statistică matematică
11.Fie variabila aleatoare discretă

,
`

.
|
2 2 2
3 3 3 2 1
:
p p p p p
X
.
a)Să se determine p.
b)Să se calculeze funcţia de repartiţie a lui X.
c)Să se calculeze probabilităţile:
). 4 2 3 5 , 1 ( ), 8 , 2 1 , 3 (
), 1 , 2 ( ), 2 , 3 5 , 1 ( ), 4 ( ), 3 ( ), 1 (
< < ≤ < > <
≥ < < > < <
X X P X X P
X P X P X P X P X P
Rezolvare:
a)Trebuie să avem p + p
2
+ p + p
2
+ p
2
= 1 şi p ≥
0. Rezultă
3p
2
+ 2p = 1 şi p ≥ 0, adică p = 1/3.
b)Cum F(x) = P(X<x) rezultă că F(x) = 0 dacă x
≤ 1,
F(x) = p = 1/3 dacă x
] 2 , 1 ( ∈
,
F(x) = P(X=1) + P(X=2) = p + p
2
= 4/9 dacă x
] 3 , 2 ( ∈
,
F(x) = P(X=1) + P(X=2) + P(X=3) = p + p
2
+ p
= 7/9 dacă x
] 4 , 3 ( ∈
,
190
Elemente de teoria probabilităţilor
F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p
+ p
2
+ p + p
2
= 8/9 dacă x
] 5 , 4 ( ∈
şi F(x) = 1 dacă x > 5 .
Deci :
¹
¹
¹
¹
¹
¹
¹
¹
¹
¹
¹
'
¹
>
≤ <
≤ <
≤ <
≤ <

·
. 5 , 1
; 5 4 ,
9
8
; 4 3 ,
9
7
; 3 2 ,
9
4
; 2 1 ,
3
1
; 1 , 0
) (
x
x
x
x
x
x
x F
c)Avem
P(X<1) = P(Φ) = 0,
P(X<3)=P(X=1)+P(X=2)=4/9,
P(X>4)=P(X=5)=1/9,
P(1,5<X<3,2)=P(X=2)+P(X=3)=4/9,
P(X≥2,1)=P(X=3)+P(X=4)+P(X=5)=5/9,

5
2
2
2
) 8 , 2 (
) 1 , 3 (
) 8 , 2 (
) 8 , 2 , 1 , 3 (
) 8 , 2 1 , 3 (
2
2
·
+
·
>
>
·
>
> <
· > <
p p
p
X P
X P
X P
X X P
X X P
191
Elemente de teoria probabilităţilor şi statistică matematică
P(1,5<X≤3/2<X<4)=P(X=2 sau X=3 / X=3) =
P(X=3/X=3) =1.
12.Determinaţi constanta a R ∈ pentru ca
funcţia f dată mai jos să fie densitate de repartiţie şi apoi
să se determine funcţia de repartiţie corespunzătoare. Să
se calculeze mediana, cuantilele şi valoarea modală a
variabilei aleatoare X având densitatea de probabilitate
ρ(x):
¹
¹
¹
'
¹
∈ −

·
. , 0
] 2 , 2 / 1 ( ,
3
2
] 2 / 1 , 0 [ , 2
) (
altfel
x
x
a
x x
x ρ
Rezolvare:
Avem

+∞
∞ −
·1 ) ( dx x ρ
, de unde
1
3
2
2 / 1
0
2
2 / 1
·

,
`

.
|
− +
∫ ∫
dx
x
a xdx
sau
1
3
2
2 / 1
2
2 / 1
0
2
·

,
`

.
|
− +
x
ax x
. Rezultă a = 4/3 şi deci
192
Elemente de teoria probabilităţilor
¹
¹
¹
¹
¹
'
¹
>

− −

<
·
¹
¹
¹
¹
¹
'
¹
>


+

<
· ·


∞ −
2 , 1
] 2 , 2 / 1 ( ,
3
1 4
] 2 / 1 , 0 [ ,
0 , 0
2 , 1
] 2 , 2 / 1 ( ,
3
2 4
4
1
] 2 / 1 , 0 [ ,
0 , 0
) ( ) (
2
2
2 / 1
2
x
x
x x
x x
x
x
x dt
t
x x
x
dt t x F
x
x ρ
Întrucât F este continuă vom avea F(x) =
F(x+0) , x ∀, deci
2
1
)) ( ( ≤ X M F
e
şi
2
1
)) ( ( ≥ X M F
e
, adică
2
1
)) ( ( · X M F
e
. Aceasta se realizează pentru
2
1
3
1 4
2
·
− −x x
, de unde ] 2 , 2 / 1 (
2
3
2 ∈ − · x .
Aşadar
2
2
3
2 ) ( c X M
e
· − · . Se observă că
F(1/2)=1/4 deci
3 1
2
1
c c ·
rezultă din F(x)=3/4, adică
4
3
3
1 4
2
·
− −x x
, de
unde
2
3
2
3
− · c .
193
Elemente de teoria probabilităţilor şi statistică matematică
Deoarece ρ este crescătoare pe [0,1/2] şi
descrescătoare pe (1/2,2], x=1/2 este punct de maxim
(singurul), prin urmare
2
1
) ( · X M
o
.
13.Să se determine variabilele aleatoare
independente

,
`

.
|
+ + +
p p p p
x x x x
X
4 3 2
3 2 1
:
şi

,
`

.
|
2 2
3 2
:
q q q
y y y
Y
,
ştiind că M(X)=2 şi M(Y)=7. Să se calculeze
apoi M(2X+3Y), D
2
(X), D
2
(Y) şi D
2
(2X+3Y).
Rezolvare:
Deoarece X este o variabilă aleatoare trebuie să
avem p+2p+3p+4p=1, adică p=1/10. Atunci
M(X)=x∙p+(x+1)∙2p+(x+2)∙3p+
(x+3)∙4p=10px+20p=x+2.
Cum M(X)=2 rezultă că x = 0.
Analog q+q
2
+q
2
=1, adică 2q
2
+q-1=0, de unde
q=1/2. Rezultă că
194
Elemente de teoria probabilităţilor
M(Y)=y∙q+2y∙q
2
+3y∙q
2
=
y
4
7
. Cum M(Y)=7
avem că y=4. Tablourile de repartiţie ale lui X şi Y vor fi

,
`

.
|
5
2
10
3
5
1
10
1
3 2 1 0
: X
,

,
`

.
|
4
1
4
1
2
1
12 8 4
: Y
.
Folosind proprietăţile mediei avem
M(2X+3Y)=M(2X)+M(3Y)=2M(X)
+3M(Y)=2∙2+3∙7=25.
Pentru calcularea dispersiilor avem nevoie să
calculăm mediile lui X
2
şi Y
2
. Acestea au tablourile de
repartiţie

,
`

.
|
5
2
10
3
5
1
10
1
9 4 1 0
:
2
X
,

,
`

.
|
4
1
4
1
2
1
144 64 16
:
2
Y
, astfel că
5
5
2
9
10
3
4
5
1
1
10
1
0 ) (
2
· ⋅ + ⋅ + ⋅ + ⋅ · X M
şi
60
4
1
144
4
1
64
2
1
16 ) (
2
· ⋅ + ⋅ + ⋅ · Y M
. Atunci
D
2
(X)=M(X
2
)-M(X)
2
=5-4=1 şi D
2
(Y)=M(Y
2
)-
M(Y)
2
=60-49=11.
195
Elemente de teoria probabilităţilor şi statistică matematică
Cum X şi Y sunt independente, rezultă că şi 2X
şi 3Y sunt independente şi avem
D
2
(2X+3Y)=D
2
(2X)+D
2
(3Y)=4D
2
(X)
+9D
2
(Y)=4∙1+9∙11=103.
14.Să se determine variabilele aleatoare X şi Y
ale căror repartiţii sunt date incomplet în tabelul de mai
jos, ştiind că M(X)=17 şi D
2
(Y)=1. Să se calculeze apoi
M(XY) şi D
2
(X-Y).
X \ Y -b 0 b pi
a 1/5 1/10
a
2
2/5 3/5
qj 1/5
Rezolvare:
Deoarece p
1
+p
2
=1 rezultă că
5
2
5
3
1
1
· − · p
.
Mai departe
p
11
+p
12
+p
13
=p
1
, adică
5
2
10
1
5
1
13
· + + p
, deci
10
1
13
· p
. Cum
196
Elemente de teoria probabilităţilor
p
13
+p
23
=q
3
rezultă că
10
1
10
1
5
1
23
· − · p
. Dar
p
21
+p
22
+p
23
=p
2
, adică
10
1
10
1
5
2
5
3
21
· − − · p
. Din
p
11
+p
21
=q
1
şi p
22
+p
12
=q
2
, rezultă că
10
3
1
· q
şi
2
1
2
· q
.
Obţinem astfel

,
`

.
|
5
3
5
2 :
2
a a
X
,

,
`

.
|

5
1
2
1
10
3
0
:
b b
Y
. Astfel
17
5
3
5
2
) (
2
· ⋅ + ⋅ · a a X M
, adică 3a
2
+2a-85=0, de unde
a
1
=5, a
2
=-17/3. Deoarece
10 5 2
1
0
10
3
) (
b b b
Y M − · + ⋅ + − ·

şi

2 5
1
2
1
0
10
3
) ( ) (
2
2 2 2 2
b
b b Y M · ⋅ + ⋅ + ⋅ − · , rezultă

197
Elemente de teoria probabilităţilor şi statistică matematică
100
49
100 2
) ( ) ( ) (
2 2 2
2 2 2
b b b
Y M Y M Y D · − · − · .
Din ipoteză D
2
(Y)=1, astfel că
49
100
2
· b
, adică
7
10
· b
. Din tabloul repartiţiei comune (p
ij
) avem

,
`

.
|
− −
10
1
10
1
2
1
5
1
10
1
0
:
2 2
b a ab ab b a
XY
şi

,
`

.
|
+ + − −

10
1
5
1
5
2
10
1
10
1
10
1 :
2 2 2
b a b a a a b a b a
Y X
Astfel
7 10 10 10 5 10
) (
2 2
a ab b a ab ab b a
XY M − · − · + + − − · .
Dacă a=5 M(XY)=-5/7, iar dacă a=-17/3
M(XY)=17/21. Pentru calcularea dispersiei lui X-Y,
avem nevoie de:
198
Elemente de teoria probabilităţilor

10
4 6
10 5 5
2
10 10 10
) (
2 2 2 2
b a a b a b a a a b a b a
Y X M
+ +
·
+
+
+
+ + +

+

· −

10
5 2 4 6
10
) (
5
) (
5
2
10 10
) (
10
) (
] ) [(
2 2 4
2 2 2 4 2 2 2 2
2
b ab a a
b a b a a a b a b a
Y X M
+ + +
·
·
+
+
+
+ + +

+

· −
Pentru a=5, b=10/7 avem M(X-Y)=
7
120
şi
49
18985
] ) [(
2
· −Y X M
,
deci
49
4585
49
14400
49
18985
) (
2
· − · −Y X D
.
15.Să se determine parametrii care apar în
repartiţiile următoare şi să se calculeze apoi M(X) şi
D
2
(X), X fiind o variabilă aleatoare, având repartiţia
respectivă:
a)
0 , ,
4
1
: > ∈

,
`

.
|
q N n
q
n
X
n ;
199
Elemente de teoria probabilităţilor şi statistică matematică
b)
0 ], 1 , 0 [ ,
) 2 (
:
2
> ∈

,
`

.
|
+
a x
x x a
x
X
;
c)
¹
¹
¹
¹
¹
'
¹


·

,
`

.
|
. , 0
] 2 , 1 ( ,
2
1
] 1 , 0 [ ,
) ( ,
) (
:
3 2
altfel
x ax
x x a
x
x
x
X ρ
ρ
Rezolvare:
a)Din condiţia
1
4
1
0
·


·
n
n
q
rezultă că
4
3
4
1
1 1
1
1
4
1
· ⇒ · − ⇒ ·

⋅ q q
q
Atunci
3
16
1
1
4
3
4
1
) 1 (
1
4
1
1
1
4
1
4
1
)' (
4
1
4
1
4
1
) (
2
'
'
0 0 0
1
0
· ⋅ ⋅ ·

·

,
`

.
|

⋅ ·
·
,
`

.
|
· · ⋅ · ⋅ ·
∑ ∑ ∑ ∑

·

·

·


·
q
q
q
q
q q q q q n q q n X M
n
n
n
n
n
n n
n
200
Elemente de teoria probabilităţilor
. 24
) 1 (
2
4
1
) 1 (
1
4
1
4
1
4
1
)' (
4
1
4
1
) (
3
'
2
'
0
'
0 0 0
2 2
·

·
]
]
]


·
·
,
`

.
|
·
,
`

.
|
· · ⋅ ·
∑ ∑ ∑ ∑

·

·

·

·
q
q
q
q
nq q nq q q n q q n X M
n
n
n n
n n n
n
Astfel D
2
(X)=M(X
2
)-M(X)
2
=24-9=15.
b) Din condiţia

· +
1
0
2
1 ) 2 ( dx x x a
rezultă că
4
3
1
3
4
1
3
1
0
2
3
· ⇒ · ⋅ ⇒ ·

,
`

.
|
+ a a x
x
a
. Atunci
16
11
3
2
4 4
3
) 2 (
4
3
) ( ) (
1
0
1
0
1
0
3 4
2
·

,
`

.
|
+ · + ⋅ · ⋅ ·
∫ ∫
x x
dx x x x dx x x X M ρ

,
40
21
4
2
5 4
3
) 2 (
4
3
) ( ) (
1
0
4 5
2
1
0
1
0
2 2 2
·

,
`

.
|
+ · + ⋅ · ⋅ ·
∫ ∫
x x
dx x x x dx x x X M ρ
.
Astfel
1280
67
16
11
40
21
) ( ) ( ) (
2
2 2 2
·

,
`

.
|
− · − · X M X M X D .
c)Din condiţia

·
2
0
1 ) ( dx x ρ
rezultă că
201
Elemente de teoria probabilităţilor şi statistică matematică
¹
'
¹
·
·
⇒ · + ⇒ · ⋅ + ⋅ ⇒ · +
∫ ∫
4
1
1
4
3
4
1
4 4
1
2
2
2
1
1
0
2
1
2
1
0
4
2 3 2
a
a
a a x
a
x
a dx
ax
dx x a
Cum
0 ) ( ≥ x ρ
numai a=1 convine, astfel că :
∫ ∫ ∫
· + · + · ⋅ + ⋅ · ⋅ ·
2
0
1
0
2
1
2
1
3
1
0
5
3
30
41
6
7
5
1
6 5 2
) ( ) (
x x
dx
x
x dx x x dx x x X M ρ
24
49
8 6 2
) ( ) (
2
1
4
1
0
6
2
1
2 3
2
0
1
0
2 2 2
· + · ⋅ + ⋅ · ⋅ ·
∫ ∫ ∫
x x
dx
x
x dx x x dx x x X M ρ
,
1800
313
30
41
24
49
) ( ) ( ) (
2
2 2 2
·

,
`

.
|
− · − · X M X M X D .
16.Fie vectorul aleator (X,Y) cu X, Y variabile
aleatoare independente, a cărui densitate de probabilitate
este
) 1 )( 1 (
) , (
2 2
y x
a
y x
+ +
· ρ
. Să se determine:
a)funcţia de repartiţie corespunzătoare;
b)
)) 1 , 0 [ ) 1 , 0 [ ) , (( × ∈ Y X P
.
Rezolvare:
a) Avem
∫∫
·
2
1 ) , (
R
dxdy y x ρ
, deci

∞ +
∞ −
·
+ +
1
) 1 )( 1 (
2 2
dxdy
y x
a
. Rezultă că
202
Elemente de teoria probabilităţilor
2 2 2
1
1 1
1 1 π
· ⇒ · ⋅ ⋅ ⇒ ·
+ +
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
∞ +
∞ −
∫ ∫
a arctgy arctgx a
y
dy
x
dx
a
.
Atunci

,
`

.
|
+

,
`

.
|
+ ·
·
+ +
·
+ +
·
∫ ∫ ∫ ∫
∞ − ∞ − ∞ − ∞ −
2
1 1
2
1 1
1 1
1
) 1 )( 1 (
1
) , (
2 2 2 2 2 2
arctgy arctgx
v
dv
u
du
v u
dudv
y x F
y x x y
π π
π π
b)
16
1
) 0 , 0 ( ) 1 , 0 ( ) 0 , 1 ( ) 1 , 1 (
) 1 )( 1 (
1
) ) , ((
1
0
1
0
2 2 2
· + − − ·
·
+ +
· ∈
∫ ∫
F F F F
v u
dudv
D Y X P
π
17.Fie vectorul aleator (X,Y) cu densitatea de
probabilitate
¹
'
¹ × ∈
·
. , 0
] 2 , 0 [ ] 1 , 0 [ ) , ( ,
) , (
2
altfel
y x y ax
y x ρ
a) Să se determine constanta a.
b) Să se calculeze funcţia de repartiţie F(x,y) şi
funcţiile marginale F
X
(x) şi F
Y
(y).
203
Elemente de teoria probabilităţilor şi statistică matematică
Rezolvare:
a) Avem
∫ ∫
·
1
0
2
0
1 ) , ( dxdy y x ρ
, adică
∫ ∫
·
1
0
2
0
2
1 ydy dx x a
, rezultă că
1
3
2
·
a
de unde
2
3
· a
.
b) Avem
∫ ∫
∞ − ∞ −
·
x y
dxdy y x y x F ) , ( ) , ( ρ
.
Dacă x < 0 sau y < 0, atunci f(x,y)=0 şi deci
F(x,y)=0.
Dacă x > 1 şi y > 2, atunci F(x,y)=1.
Dacă (x,y)
] 2 , 0 [ ] 1 , 0 [ × ∈
avem
∫ ∫ ∫ ∫
· · ·
x y x y
y x
vdv du u vdudv u y x F
0 0
2 3
2
0 0
2
4 2
3
2
3
) , (
.
Dacă x
] 1 , 0 [ ∈
şi y > 2 avem
∫ ∫ ∫ ∫
· · ·
x x
x vdv du u vdudv u y x F
0
2
0 0
2
0
3 2 2
2
3
2
3
) , (
.
Dacă x > 1 şi y
] 2 , 0 [ ∈
obţinem
∫ ∫ ∫ ∫
· · ·
1
0 0
1
0 0
2
2 2
4 2
3
2
3
) , (
y y
y
vdv du u vdudv u y x F
.
204
Elemente de teoria probabilităţilor
Astfel
¹
¹
¹
¹
¹
¹
¹
'
¹
> >
∈ >
> ∈
× ∈
< <
·
2 , 1 , 1
] 2 , 0 [ , 1 ,
4
2 ], 1 , 0 [ ,
] 2 , 0 [ ] 1 , 0 [ ) , ( ,
4
0 0 , 0
) , (
2
3
2 3
y x
y x
y
y x x
y x
y x
sauy x
y x F
Funcţiile de repartiţie marginale sunt
¹
¹
¹
'
¹
>

<
· ∞ ·
1 , 1
] 1 , 0 [ ,
0 , 0
) , ( ) (
3
x
x x
x
x F x F
X
¹
¹
¹
¹
¹
'
¹
>

<
· ∞ ·
2 , 1
] 2 , 0 [ ,
4
0 , 0
) , ( ) (
2
y
y
y
y
y F y F
Y
18.Fie vectorul aleator (X,Y) având densitatea
de probabilitate
¹
'
¹ ≥ ≥
·
+ −
altfel
y x e
y x
y x
, 0
0 , 0 ,
) , (
) (
ρ
Să se calculeze:
a) P(X<1,Y<1), P(X+Y<1), P(X+Y≥2),
P(X≥1/Y≥1), P(X<2Y), P(X=n) ;
205
Elemente de teoria probabilităţilor şi statistică matematică
b) Funcţia de repartiţie F(x,y) şi funcţiile de
repartiţie marginale F
X
(x), F
Y
(y);
c) Densităţile de repartiţie marginale ρ
X
(x),
ρ
Y
(y);
d) Momentele obişnuite de ordin (k,s) ;
e) Corelaţia variabilelor X şi Y.
Rezolvare :
a)
∫ ∫
∞ − ∞ −
· · < <
1 1
) , ( ) 1 , 1 ( dxdy y x Y X P ρ
∫ ∫
− − − − −
− · − − · ·
1
0
1
0
2 1 1
0
1
0
) 1 ( ) ( ) ( e e e dxdy e
y x y x
∫∫ ∫ ∫ ∫
< +

− − − − −
· − · · · < +
1
1
0
1
0
1
0
1
0
) ( ) , ( ) 1 (
y x
x
x y x y x
dx e e dxdy e dxdy y x Y X P ρ

− − − − −
− · − − · − ·
1
0
1 1 0
1
1
2 1 ) ( ) ( e e e dx e e
x x
,
∫∫
< +
· − · < + − · ≥ +
2
) , ( 1 ) 2 ( 1 ) 2 (
y x
dxdy y x Y X P Y X P ρ
2
2
0
2
0
2
0
2
0
2 2
0
3 ) ( 1 ) ( 1 1


− − − − − − −
· − − · − · − ·
∫ ∫ ∫ ∫
e dx e e dx e e dxdy e
x
x x y x y x
) 1 (
) 1 , 1 (
) 1 / 1 (

≥ ≥
· ≥ ≥
Y P
Y X P
Y X P
( )
2
2
1
2
1 1 1
) ( ) 1 , 1 (
− ∞ + −
∞ + ∞ + ∞ +
− − −
· − ·

,
`

.
|
· · ≥ ≥
∫ ∫ ∫
e e dx e dxdy e Y X P
x x y x
206
Elemente de teoria probabilităţilor
1
0 1
1 0
) ( ) 1 (

+∞ +∞
∞ + − ∞ + − − −
· − − · · ≥
∫ ∫
e e e dxdy e Y P
y x y x
1
) 1 , 1 (

· ≥ ≥ ⇒ e Y X P
∫∫ ∫ ∫ ∫
< <
∞ + ∞ +
− − − − − −
· − · · · <
y x
x
x y x y x y x
dx e e dydx e e dxdy e Y X P
2 0
0
2
0 0
2 /
0
) ( ) 2 (
3
1
3
2
1
3
2
) (
0
0
2
3
2
3
· − ·

,
`

.
|
+ − · − ·
∞ +
∞ +





x
x
x
x
e e dx e e
, P(X=Y)=0.
b) Avem
∫ ∫
∞ − ∞ −
·
x y
dudv v u y x F ) , ( ) , ( ρ
.
Dacă x > 0 sau y < 0 ρ(x,y)=0, deci F(x,y)=0.
Dacă x ≥0 şi y ≥0 avem
∫ ∫ ∫ ∫
− − − − − −
− − · · ·
x y x y
y x v u v u
e e dv e du e dudv e y x F
0 0 0 0
) 1 )( 1 ( ) , (
.
Funcţiile de repartiţie marginale sunt
x
X
e x F x F

− · ∞ · 1 ) , ( ) ( şi
y
Y
e y F y F

− · ∞ · 1 ) , ( ) ( .
c) Densităţile de probabilitate marginale
) (x
X
ρ
şi
) ( y
Y
ρ
sunt derivatele funcţiilor de repartiţie
marginale:
207
Elemente de teoria probabilităţilor şi statistică matematică
¹
'
¹

<
·

0 ,
0 , 0
) (
x e
x
x
x
X
ρ
,
¹
'
¹

<
·

0 ,
0 , 0
) (
y e
y
y
y
Y
ρ
.
d)
∫ ∫
+∞ +∞
− −
· · ·
0 0
,
) ( dxdy e y x Y X M
y x s k s k
s k
σ
∫ ∫
+∞ +∞
− −
· + Γ + Γ · ·
0 0
! ! ) 1 ( ) 1 ( s k s k dy e y dx e x
y s x k

,
unde

+∞
− −
· Γ
0
1
) ( dx e x p
x p
este funcţia
gama a lui Euler şi are proprietatea că
! ) 1 ( p p · + Γ

pentru
N p∈
.
e) Avem
∫ ∫
+∞ +∞
− −
· − · − ·
0 0
11
) ( ) ( ) ( ) , cov( dy ye dx xe Y M X M XY M Y X
y x
σ
0 1 1 ) 2 ( 1
2
· − · Γ − ·
.
19.Fie (X,Y) un vector aleator discret a cărui
repartiţie probabilistă este dată în tabelul de mai jos. Să
se calculeze coeficientul de corelaţie r(X,Y) şi să se scrie
ecuaţiile dreptelor de regresie.
208
Elemente de teoria probabilităţilor
X \ Y -1 0 1 2 p
i
-1 1/10 1/5 1/10 0 2/5
0 1/20 0 1/10 1/20 1/5
1 1/10 1/10 1/20 3/20 2/5
q
j
1/4 3/10 1/4 1/5 1
Rezolvare:
Pe baza formulelor corespunzătoare, deducem
imediat:
0
5
2
1
5
1
0
5
2
1 ) ( · ⋅ + ⋅ + ⋅ − · X M
,
,
5
2
5
1
2
4
1
1
10
3
0
4
1
1 ) ( · ⋅ + ⋅ + ⋅ + ⋅ − · Y M
5
4
5
2
1
5
1
0
5
2
) 1 ( ) (
2 2 2 2
· ⋅ + ⋅ + ⋅ − · X M
,
10
13
5
1
2
4
1
1
10
3
0
4
1
) 1 ( ) (
2 2 2 2 2
· ⋅ + ⋅ + ⋅ + ⋅ − · Y M
,
209
Elemente de teoria probabilităţilor şi statistică matematică
50
57
25
4
10
13
) ( ) ( ) (
,
5
4
) ( ) ( ) (
2 2 2
2 2 2
· − · − ·
· − ·
Y M Y M Y D
X M X M X D

4
1
20
3
2 1
20
1
1 1
10
1
0 1
10
1
) 1 ( 1
20
1
2 0
10
1
1 0 0 0 0
20
1
) 1 ( 0 0 2 ) 1 (
10
1
1 ) 1 (
5
1
0 ) 1 (
10
1
) 1 ( ) 1 ( ) (
· ⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ + ⋅ − ⋅ + ⋅ ⋅ + ⋅ ⋅ + ⋅ ⋅ +
+ ⋅ − ⋅ + ⋅ ⋅ − + ⋅ ⋅ − + ⋅ ⋅ − + ⋅ − ⋅ − · XY M
4
1
) ( ) ( ) ( ) , cov( · − · Y M X M XY M Y X
,
50
57
5
2
25 , 0
) ( ) (
) , cov(
) , (
2 2

· ·
Y D X D
Y X
Y X r
.
Ecuaţiile dreptelor de regresie sunt :
50
57
5
2
25 , 0
5
4
0

⋅ + ·

y
x
,
5
4
0
25 , 0
50
57
5
2

⋅ + ·

x
y
.
20.Să se determine funcţia caracteristică şi
funcţia generatoare de momente şi apoi să se calculeze,
pornind de la acestea, momentele
1
σ
şi
2
σ
, pentru
următoarele variabile aleatoare :
210
Elemente de teoria probabilităţilor
a)

,
`

.
|
4
1
4
1
2
1
2 1 0
: X
;
b)
0 , : ≥

,
`

.
|

x
e
x
X
x
.
Rezolvare :
a) Avem
4
2
4
1
4
1
2
1
) (
2
2 1 0
it it
it it it
X
e e
e e e t
+ +
· ⋅ + ⋅ + ⋅ ·
⋅ ⋅ ⋅
ϕ
şi
4
2
4
1
4
1
2
1
) (
2
2 1 0
t t
t t t
X
e e
e e e t G
+ +
· + + ·
⋅ ⋅ ⋅
.
Primele două derivate ale acestor funcţii sunt :
) 2 (
4
) (
2 ' it it
X
e e
i
t + · ϕ
,
) 4 (
4
1
) (
2 " it it
X
e e t + − · ϕ

,
211
Elemente de teoria probabilităţilor şi statistică matematică
) 2 (
4
1
) (
2 ' t t
X
e e t G + ·
,
) 4 (
4
1
) (
2 " t t
X
e e t G + ·

.
Obţinem
4
5
) 0 ( ,
4
3
) 0 (
" '
− · ·
X X
i
ϕ ϕ
,
4
5
) 0 ( ,
4
3
) 0 (
" '
· ·
X X
G G
, de unde
4
3
) 0 (
) 0 (
) ( ) (
'
'
1
· · · ·
X
X
G
i
X M X
ϕ
σ şi
212
Elemente de teoria probabilităţilor
4
5
) 0 (
) 0 (
) ( ) (
"
2
"
2
2
· · · ·
X
X
G
i
X M X
ϕ
σ

.
b)
∫ ∫
+∞ +∞
− −
· ⋅ + · ⋅ ·
0 0
) sin (cos ) ( dx e tx i tx dx e e t
x x itx
X
ϕ
∫ ∫
+∞ +∞
− −
+ · ⋅ + ⋅ ·
0 0
sin cos iB A dx e tx i dx e tx
x x
∫ ∫
+∞ +∞
− −
· − ⋅ · ⋅ ·
0 0
)' ( cos cos dx e tx dx e tx A
x x

+∞
− ∞ + −
− · ⋅ − ⋅ − ·
0
0
1 sin cos tB dx e tx t e tx
x x
,
∫ ∫
+∞
− ∞ + −
+∞

· ⋅ + ⋅ − · − ⋅ ·
0
0
0
cos sin ) ( sin tA dx e tx t e tx dx e tx B
x x x
.
Obţinem A = 1 - t
2
A , adică A =
2
1
1
t +
şi B =
2
1 t
t
+
.
Astfel
2
1
1
) (
t
it
t
X
+
+
· ϕ
.
213
Elemente de teoria probabilităţilor şi statistică matematică
Apoi
1 ,
1
1
1
) (
0
0 0
) 1 (
) 1 (
<

·

· · ·
∞ +
∞ + ∞ +

− −
∫ ∫
t
t t
e
dx e dx e e t G
t x
t x x tx
X

.
Primele două derivate sunt
4 2
2
'
) 1 (
2
) (
t
it t i
t
X
+
− −
· ϕ
,
5 2
2 3
"
) 1 (
2 10 14 6
) (
t
it t it
t
X
+
− − +
· ϕ

,
2
'
) 1 (
1
) (
t
t G
X

·
,
3
"
) 1 (
2
) (
t
t G
X

·
.
Obţinem
214
Elemente de teoria probabilităţilor
1 ) 0 (
) 0 (
) ( ) (
'
'
1
· · · ·
X
X
G
i
X M X
ϕ
σ şi
2 ) 0 (
) 0 (
) ( ) (
"
2
"
2
2
· · · ·
X
X
G
i
X M X
ϕ
σ

.
1.16. Probleme propuse
1. Se aruncă o monedă de patru ori. Fie A
evenimentul ca marca să apară de două ori, B
evenimentul ca marca să apară cel puţin o dată, C
evenimentul ca marca să apară la aruncarea a doua. Să se
determine:
a)spaţiul E al probelor;
b)probele care favorizează respectiv
apariţiile evenimentelor A, B, C;
c)evenimentele
, , , , , , , , C B A B A C B A C B C A B A ∩ ∩ ∪ ∩ ∩ ∩
, B A∩ , C B ∩ A-B, B-A, A-C,;
C B A C B A ∪ ∪ ∩ ∩ ,
215
Elemente de teoria probabilităţilor şi statistică matematică
d)probabilităţile evenimentelor de la
punctele precedente.
2. Un client cumpără dintr-un magazin patru
articole de îmbrăcăminte. Fie A
1
, A
2
, A
3
, A
4
respectiv
evenimentele ca primul, al doilea, al treilea şi al patrulea
articol să nu conţină defecţiuni. Să se exprime cu ajutorul
acestor evenimente, următoarele evenimente:
a) nici un articol nu prezintă defecţiuni;
b) cel puţin un articol prezintă defecţiuni;
c) exact un aricol prezintă defecţiuni;
d) exact două articole prezintă defecţiuni;
e) cel mult două articole prezintă defecţiuni.
3. Un lacăt are un cifru din patru cifre. Să se
calculeze probabilitatea de a ghici cifrul lacătului dacă:
a) lacătul funcţionează perfect;
b) ultima cifră, din cauza unei defecţiuni nu
trebuie să coincidă cu ultima cifră a
combinaţiei considerate;
216
Elemente de teoria probabilităţilor
c) prima şi ultima cifră nu trebuie să coincidă
cu prima şi respectiv ultima cifră a
combinaţiei considerate.
4. La o conferinţă de presă participă 7 ziarişti
străini şi 17 ziarişti autohtoni (8 femei şi 9 bărbaţi).
Ştiind că la conferinţa de presă vor pune întrebări 6
ziarişti luaţi la întâmplare din cei 24 prezenţi, se cere
probabilitatea ca întrebările să fie puse de:
a) 2 ziarişti străini şi 4 autohtoni;
b) 2 ziarişti străini şi 4 autohtoni (2 femei şi
2 bărbaţi);
c) 1 ziarist străin şi 5 autohtoni (2 femei şi 3
bărbaţi).
5. Piesele produse de o maşină prezintă rebut în
procente 2%. Pentru controlul calităţii produselor, se iau
la întâmplare 10 piese.
Să se calculeze probabilitatea ca:
a) nici o piesă să nu fie defectă;
b) cel mult două piese să fie defecte.
217
Elemente de teoria probabilităţilor şi statistică matematică
6. Se ştie că un magazin de cosmetice are acelaşi
număr de clienţi bărbaţi, respectiv femei. Se consideră
primii 12 clienţi ai magazinului dintr-o zi fixată. Să se
calculeze probabilitatea ca dintre cei 12 clienţi:
a) patru să fie femei;
b) să fie cel mult patru femei.
7. Se aruncă un zar de 15 ori. Să se calculeze
probabilitatea ca de 5 ori să apară un număr prim, de 8
ori să apară un număr compus şi de 2 ori apară faţa cu un
punct.
8. La o loterie s-au vândut 85 de bilete loto, din
care o persoană a cumpărat 10 bilete. Ştiind că din 85
bilete 3 sunt câştigătoare, să se calculeze probabilitatea
ca persoana care a cumpărat cele 10 bilete:
a) să nu fi câştigat;
b) să aibă un bilet câştigător;
c) să aibă cel puţin un bilet câştigător.
9. Într-un magazin de autoservire, pe un raft se
află 10 ciocolate care costă respectiv 1 mie de lei, 3 mii
de lei, 5 mii de lei şi 10 mii de lei. O persoană ia la
218
Elemente de teoria probabilităţilor
întâmplare 5 ciocolate. Să se determine probabilitatea ca
suma plătită să fie de 25 mii de lei.
10. Se aruncă 5 zaruri, din care unul are o faţă
colorată în alb şi celelalte în negru, altul are două feţe
colorate în alb şi celelalte în negru, altul are trei feţe
colorate în alb şi celelalte în negru, altul are patru feţe
colorate în alb şi celelalte în negru, iar altul are cinci feţe
colorate în alb şi celelalte în negru. Să se calculeze
probabilitatea ca :
a) să se obţină pe trei din cele cinci zaruri
culoarea albă;
b) să se obţină cel puţin pe două zaruri
culoarea albă.
11. Se ştie că trei din patru clienţi care intră într-
o unitate alimentară fac cumpărături de la unitatea
respectivă. Să se calculeze probabilitatea ca:
a) primul cumpărător să apară după trei
clienţi care au părăsit magazinul fără să
cumpere nimic din unitatea respectivă;
219
Elemente de teoria probabilităţilor şi statistică matematică
b) până la al doilea cumpărător doi clienţi să
nu fi efectuat cumpărături.
12. Zece aparate de acelaşi tip sunt date în
folosinţă, trei provenind de la unitatea U
1
, cinci de la
unitatea U
2
, iar duoă de la unitatea U
3
. Se supun aceste
aparate unei probe de verificare. Cele care provin de la
unitatea U
1
trec proba cu probabilitatea 0.9, cele de la U
2
cu probabilitatea 0.75 iar cele de la U
3
cu probabilitatea
0.85. Se ia un aparat la întâmplare şi se cere
probabilitatea ca:
a) aparatul să treacă proba de verificare;
b) aparatul să provină de la U
1
dacă se ştie că
a trecut proba de verificare.
13. Consumul zilnic de energie electrică într-o
unitate comercială este normal cu probabilitatea p=0.8.
Fie X numărul zilelor din săptămână când consumul este
normal. Să se scrie distribuţia varialbilei aleatoare X.
14. Se aruncă o monedă de trei ori. Se notează
cu X şi Y respectiv numărul apariţiilor mărcii în cele trei
220
Elemente de teoria probabilităţilor
aruncări şi numărul maxim de mărci consecutive apărute
în cele trei aruncări. Să se scrie distribuţiile:
a) variabilelor aleatoare X şi Y;
b) vectorului aleator (X,Y);
c) variabilelor aleatoare X+Y, XY.
15. La o librărie s-au primit 10 exemplare dintr-
o carte, din care 4 prezintă mici defecţiuni. Trei
cumpărători iau la întâmplare câte o carte din cele 10. Fie
X numărul cărţilor cu defecţiuni vândute celor trei
cumpărători. Să se scrie distribuţia variabilei aleatoare X
şi funcţia de repartiţie corespunzătoare variabilei
aleatoare X, iar apoi să se reprezinte grafic funcţia de
reprtiţie.
16. O persoană cumpără pe rând bilete de loz în
plic până când obţine un bilet câştigător. Ştiind că un
bilet este câştigător cu probabilitatea p=0.1 şi notând cu
X numărul biletelor necâştigătoare cumpărate, să se scrie
distribuţia variabilei aleatoare X şi funcţia de repartiţie
ataşată variabilei aleatoare X.
221
Elemente de teoria probabilităţilor şi statistică matematică
17. Variabila aleatoare X de tip continuu are
densitatea de probabilitate:
( )
( )
( )
¹
'
¹


·
π
π
ρ
, 0 , 0
, 0 , sin
x
x x A
x
,
unde A este o constantă reală. Să se determine:
a) constanta reală A;
b) funcţia de repartiţie corespunzătoare;
c) probabilităţile P(
2 6
π π
≤ ≤ X
) şi P(0<X<
2
π
|X>
4
π
).
18. Variabila aleatoare X urmează legea normală
N(0,1). Să se determine densităţile de probabilitate
respectiv pentru variabilele aleatoare Y = X
3
şi Z =
¹ X¹ . 19. O persoană doreşte să deschidă un lacăt şi
are n chei, dintre care numai una se potriveşte. Pentru
aceasta, încearcă la întâmplare deschiderea lacătului cu
aceste chei. Fie X numărul de încercări pentru
deschiderea lacătului. Să se scrie distribuţia variabilei
aleatoare X, iar apoi să se calculeze valoarea medie şi
dispersia variabilei aleatoare X, dacă:
222
Elemente de teoria probabilităţilor
a) cheile încercate se pun împreună cu
celelalte;
b) cheile încercate se înlătură.
20. Se consideră vectorul aleator (X,Y) cu
densitatea de probabilitate:
( )
¹
'
¹
〈 〈 〉
·
a l t f e l
x y y x d a c a x y A
y x
, 0
1 , 0 , ,
, ρ
. Să se
determine:
a) constanta reală A;
b) densităţile de probabilitate ρ
X
, ρ
Y
pentru
variabilele aleatoare X, Y;
223
Elemente de teoria probabilităţilor şi statistică matematică
c) probabilităţile P(0 < X <
2
1
, 0 < Y <
2
1
)
şi P(X <
2
1
¹ Y <
2
1
).
21. La patru unităţi alimentare din oraş se poate
găsi zilnic pâine proaspătă cu probabilităţile p
1
=0.8,
p
2
=0.9, p
3
=0.95 şi respectiv p
4
=0.85. Fie X numărul
unităţilor alimentare din cele patru la care se găseşte
pâine proaspătă într-o zi fixată. Să se determine:
a) distribuţia variabilei aleatoare X;
b) valoarea medie, dispersia, abaterea medie
pătratică, mediana şi modul variabilei
aleatoare X.
22. Fie (X,Y) coordonatele unui punct luminos
ce reprezintă o ţintă pe un ecran radar circular şi care
urmează legea uniformă pe domeniul D =
{(x,y)∈R
2
¹ x
2
+y
2
≤ r
2
¦. Să se determine valoarea medie
şi dispersia distanţei Z =
2 2
Y X +
de la centrul
ecranului până la punctul luminos.
224
Elemente de teoria probabilităţilor
23. Variabila aleatoare X urmează legea beta. Să
se calculeze momentele iniţiale, iar apoi valoarea medie,
dispersia şi abaterea medie pătratică a variabilei aleatoare
X.
24. Fie punctul a = (0,1) fixat şi punctul aleator
X = (0,1), care urmează legea uniformă pe intervalul
(0,1). Să se determine corelaţia dintre X şi distanţa Z =
X-a1 de la X la a, iar apoi să se determine valoarea
lui a pentru care variabilele aleatoare X şi Z sunt
25. Folosind inegalitatea lui Cebîşev, să se arate

P(0<X<2(m+1)) ≥
1 + m
m
,
dacă variabila aleatoare X are densitatea de probabilitate
¹
¹
¹
'
¹


·

0 , 0
0 ,
!
) (
x d a c a
x d a c a e
m
x
x
x
m
ρ .
26. Probabilitatea ca o persoană să găsească loc
la un hotel este p = 0.8. În decursul unei luni de zile, la
hotelul respectiv s-au prezentat 4000 de persoane. Fie X
225
Elemente de teoria probabilităţilor şi statistică matematică
numărul persoanelor care au găsit loc la hotel din totalul
de 4000. Să se determine probabilitatea ca:
a) numărul persoanelor care au găsit loc la
hotel să fie cuprins între 3000 şi 3400;
b) numărul persoanelor care au găsit loc la
hotel să nu depăşească 3000;
c) numărul persoanelor care nu au găsit loc
la hotel să fie mai mic decât 500.
27. Probabilitatea ca o persoană să fie admisă la
examenul de şofer amator este p=0.75. Într-o lună se
prezintă un număr de n candidaţi la acest examen. Să se
determine numărul n astfel încât să putem afirma cu o
probabilitate cel puţin 0.95 că frecvenţa relativă a
promovaţilor să se abată de la probabilitatea p = 0.75 mai
puţin de 0.01 utilizând atât inegalitatea lui Cebîşev cât şi
teorema Moivre-Laplace.
28. Probabilitatea ca o piesă luată la întâmplare
să fie defectă este p = 0.01. Sunt testate 100 de piese. Să
se evalueze probabilitatea ca:
a) cel puţin 5 piese să fie defecte;
226
Elemente de teoria probabilităţilor
b) mai puţin de 5 piese să fie defecte;
c) numărul pieselor defecte să fie cuprins
între 5 şi 10.
29. Probabilitatea ca o piesă luată la întâmplare
să fie defectă este p = 0.1. Un lot de piese este respins
dacă conţine cel puţin 10 piese defecte. Să se determine
numărul de piese ce trebuie testate pentru ca un lot să fie
respins cu probabilitatea 0.87.
30. Să se arate că şirul (X
n
)
n≥ 1
de variabile
aleatoare independente, care au distribuţiile X :

,
`

.
|

2
1
2
1
ln ln n n
urmează legea numerelor mari.
31. Fie variabilele aleatoare independente:

,
`

.
|
3 1 2 1 6 1
2 1 0
: X
şi

,
`

.
|

8 1 4 1 2 1 8 1
2 1 0 1
: Y
Să determine variabilele aleatoare: X+Y; X-Y; X⋅ Y; X
2
;
Y
2
; X
3
; Y
3
; 2X; 3Y; 2X+3Y; 3Y-2X; X .
32. Fie X şi Y două variabile aleatoare discrete
ale căror repartiţii probabiliste comune
) (
ij
p
şi
227
Elemente de teoria probabilităţilor şi statistică matematică
unidimensionale
) (
i
p
şi
) (
j
q
sunt date în tabelul de
mai jos:
Y
X
-1 0 1 2 p
i
-1 1/12 1/24 1/24 1/48 3/16
1 1/48 1/24 1/48 1/24 1/8
2 1/48 1/3 1/6 1/6
11/1
6
q
j
1/8 5/12
11/4
8
11/4
8
1
a) Scrieţi variabilele aleatoare X şi Y;
b) Precizaţi dacă variabilele aleatore X şi Y
sunt independente sau nu şi justificaţi
răspunsul;
c) Scrieţi variabilele aleatoare: X+Y; X-Y;
X⋅ Y;
X
Y
; X
2
; Y
3
;
3X-2Y;
33. Fie variabilele aleatoare independente:
228
Elemente de teoria probabilităţilor

,
`

.
|
− −
5
1
10
1
5
2
5
1
10
1
2 1 0 1 2
: X
şi

,
`

.
|
12
1
12
1
6
1
2
1
12
1
12
1
5 4 3 2 1 0
: Y
a) Calculaţi M(X), M(X
2
), D
2
(X), M(Y),
M(Y
2
) şi D
2
(Y);
b) Care dintre următoarele mărimi pot fi
calculate şi care nu şi de ce?
M(2X+3Y); D
2
(2X+3Y); M(X
2
+Y);
D
2
(X
2
+Y);
M(X
2
+Y
2
); D
2
(X
2
+Y
2
); M(XY).
c) Calculaţi mărimile de la punctul b) pentru
care răspunsul este favorabil.
34. Să se determine, în fiecare caz, variabila
aleatoare X şi apoi să se calculeze M(X) şi D
2
(X).
a)

,
`

.
|
x
pq
x
X :
, x∈N, p > 0, q > 0
229
Elemente de teoria probabilităţilor şi statistică matematică
b)

,
`

.
|
b
x
ax
x
X
!
:
, x∈N, a > 0, b > 0
c)

,
`

.
|
ax
x
X :
, x∈[0,1], a∈R
d)

,
`

.
|
+ ) 2 3 (
:
2
x x a
x
X
, x∈[0,1], a∈R
e)

,
`

.
|
x a
e
x
X :
, a∈R, x∈R
f)

,
`

.
|
) (
:
x
x
X
ρ
, x∈R,
[ ]
[ ]
¹
¹
¹
¹
¹
'
¹


·
rest în , 0
2 , 1 ,
2
1 , 0 ,
) (
2 2
x
x a
x ax
x ρ
, a∈R
35. Fie variabilele aleatoare discrete:

,
`

.
|
3
2
3
1
1 0
: X
şi

,
`

.
|
3
1
2
1
6
1
2 1 0
: Y
Dacă
λ · · · ) 0 , 0 ( Y X P
şi
3
1
) 1 , 1 ( · · · Y X P
, să se
determine repartiţia comună a vectorului aleatoriu (X,Y)
230
Elemente de teoria probabilităţilor
în funcţie de R ∈ λ . Calculaţi apoi coeficientul de
corelaţie
) , ( Y X r
şi precizaţi dacă există valori ale lui
λ pentru care X şi Y să fie independente.
36. Fie
) , ( Y X
un vector aleatoriu continuu cu
densitatea de repartiţie
[ ] [ ]

,
`

.
| × ∈ +
·
rest în , 0
3 , 2 2 , 1 ) , ( , ) (
) , (
2 2
y x y x xy a
Y X ρ
, a > 0
a) Determinaţi densitatea de repartiţie
) , ( Y X ρ
şi densităţile de repartiţie
marginale corespunzătoare
) (x
X
ρ
şi
) ( y
Y
ρ
;
b) Calculaţi coeficientul de corelaţie
) , ( Y X r
.
37. Calculaţi funcţia caracteristică şi funcţia
generatoare de momente pentru fiecare dintre variabilele
aleatoare:
a)

,
`

.
|
2
1
3
1
6
1
3 2 1
: X
231
Elemente de teoria probabilităţilor şi statistică matematică
b)

,
`

.
|
− −
10
1
5
1
5
2
5
1
10
1
2 1 0 1 2
: X
c)
[ ] 1 , 0 ,
3
:
2

,
`

.
|
x
x
x
X

d)

,
`

.
|
−x
xe
x
X :
, 0 ≥ x
şi apoi verificaţi dacă momentele obţinute pe cale directă
coincid cu cele obţinute cu ajutorul acestor funcţii.
38. Verificaţi dacă funcţiile următoare definesc
repartiţii ale unor variabile aleatoare discrete şi apoi
calculaţi M(X) şi D
2
(X) pentru fiecare dintre ele.
a) 1 , ,
!
) (ln 1
) ( > ∈ · θ
θ
θ
N k
k
k P
k
b)
0 , ,
!
1
) (
1
> ∈

·

θ
θ
θ
N k e
k
k P
k
c)
{ ¦ 1 0 , 1 , 0 , ) 1 ( ) (
1
< < ∈ − ·

θ θ θ k k P
k k
39. Să se afle funcţia caracteristică a variabilei
aleatoare X caracterizată prin densitatea de probabilitate
232
Elemente de teoria probabilităţilor
¹
¹
¹
¹
¹
'
¹
>
< < −
< < −

·
3 , 0
3 2 , 3
2 1 , 1
1 , 0
) (
x
x x
x x
x
x f
.
233

6

Elemente de teoria probabilităţilor şi statistică matematică

Definiţie

1.1.5.

Evenimentul

aleator

este

evenimentul care poate sau nu să se realizeze la efectuarea unei probe şi se notează prin litere mari A, B, C, …, sau prin litere mari urmate de indici Ai, Bi,…. Definiţie realizează numai 1.1.6. atunci Evenimentul când nu se contrar realizează evenimentului A se notează Ā şi este evenimentul ce se evenimentul A. Definiţie 1.1.7. Un eveniment se numeşte: 1) elementar dacă se realizează ca rezultat al unei singure probe; se notează cu e. 2) compus dacă acesta apare cu două sau mai multe rezultate ale probei considerate. Definiţie 1.1.8. Mulţimea tuturor evenimentelor elementare generate de un experiment aleator se numeşte spaţiul evenimentelor elementare şi se notează cu E. E poate fi finit sau infinit. Observaţie 1.1.9. O analogie între evenimente şi mulţimi permite o scriere şi în general o exprimare mai comode ale unor idei şi rezultate legate de conceptul de

Elemente de teoria probabilităţilor

7

eveniment. Astfel, vom înţelege evenimentul sigur ca mulţime a tuturor evenimentelor elementare, adică:
E = {e1 , e2 ,..., en } şi orice eveniment compus ca o

submulţime a lui E. De asemenea, putem vorbi despre mulţimea tuturor părţilor lui E pe care o notăm prin P(E), astfel că pentru un eveniment compus A putem scrie, în contextul analogiei dintre evenimente şi mulţimi, că
A ⊆ E sau A ∈P (E ) .

Exemplul 1.1.10. Fie un zar, care are cele şase feţe marcate prin puncte de la 1 la 6. Se aruncă zarul pe o suprafaţă plană netedă. Dacă notăm cu ei = evenimentul
1 "apariţia feţei cu i puncte", i = ,6 , atunci spaţiul

evenimentelor elementare ataşat experimentului cu un zar este dat prin E={e1 , e2 , e3 , e4 , e5 , e6 }. Evenimentul sigur E este "apariţia feţei cu un număr de puncte ≤ 6". Evenimentul imposibil φ este "apariţia feţei cu 7 puncte".

1.2. Relaţii între evenimente

8

Elemente de teoria probabilităţilor şi statistică matematică

Definiţie 1.2.1. Spunem că evenimentul A implică evenimentul B şi scriem A ⊂ B , dacă realizarea evenimentului A atrage după sine şi realizarea evenimentului B. Observaţie 1.2.2. A ⊂ B şi B ⊂ C rezultă
A ⊂ C - proprietatea de tranzitivitate a relaţiei de

implicare. Dacă A, B, C sunt evenimente aleatoare asociate unei experienţe, au loc relaţiile: i) ii) iii)
A ⊂ E, B ⊂ E , C ⊂ E; A ⊂ A, B ⊂ B, C ⊂ C;

φ ⊂ A, φ ⊂ B, φ ⊂ C ;

Definiţie 1.2.3. Spunem că evenimentele A şi B sunt echivalente (egale) dacă avem simultan A ⊂ B şi

B⊂ A.
Definiţie 1.2.4. Prin reunirea evenimentelor A şi B vom înţelege evenimentul notat evenimentele A şi B.

A ∪ B care se

realizează odată cu realizarea a cel puţin unuia dintre

∀A. B ∈K ⇒ A ∪ B = B ∪ A (asociativitatea). B ∈K şi A ⊂ B atunci A ∩ B = A (evident A ∩ E = A . C ∈K ⇒ (A ∪ B) ∪ C = A ∪ (B ∪ C) ∀A. Definiţie 1. 4. (comutativitatea) 2.2. Au loc relaţiile următoare: 1. Dacă A. ∀A.2. 3. Dacă notăm prin K mulţimea evenimentelor asociate unui experiment aleator avem: 1.6. E ∩φ = φ şi A ∩ A = A ).Elemente de teoria probabilităţilor 9 Observaţie 1. Dacă A. A ∪ φ = A . B.7. C ∈K ⇒ (A ∩ B) ∩ C = A ∩ (B ∩ C) ∀A. A ∩ φ = φ.2. Observaţie 1. A . 2. E ∪φ = E şi A ∪ A = E ). B. ∀ ∈K ⇒A ∩A =φ. (comutativitatea). B ∈K ⇒ A ∩ B = B ∩ A (asociativitatea) 3.5. Prin intersecţia evenimentelor A şi B vom înţelege evenimentul notat A ∩ B care se realizează dacă ambele evenimente se realizează. B ∈K şi A ⊂ B ⇒ A ∪ B = B (evident A ∪ E = E .

11. Evenimentele A şi B sunt contrare unul altuia dacă A ∪ B = E şi A ∩B = φ . adică realizarea lor simultană este imposibilă. evenimentul notat A-B care se realizează atunci când se realizează evenimentul A şi nu se realizează evenimentul B. Observaţie 1.2. atunci sunt adevărate următoarele afirmaţii: i) ii) A – B = A – (A ∩ B) A – B = (A ∪ B) – B .2. adică realizarea unuia constă din nerealizarea celuilalt.9. Spunem că evenimentele A şi B sunt incompatibile dacă A ∩B = φ . Definiţie 1. adică este posibilă realizarea lor simultană. A i i∈ I Teorema 1. B.2.  i∈ I . Dacă evenimentele A.10. Au loc relaţiile lui De Morgan: A ∪ B = A ∩ B şi A ∩B = A ∪B Ai = A i i∈ I şi respectiv = A  i i∈ I generalizările . Evident avem A − B = A ∩ B şi E − A = A .2. Se numeşte diferenţa evenimentelor A şi B.10 Elemente de teoria probabilităţilor şi statistică matematică Definiţie 1. D ∈ K. C.8. şi spunem că sunt compatibile dacă A ∩ B ≠ φ .

(A ∩ B)] A ∩ (B – C) = (A ∩ B) .2.(A ∩ C) (A – B) ∩ (C – D) = (A ∩ C) – (B ∪ Definiţie 1.. câte trei etc.12.e n } poartă numele de eveniment total (este echivalentă cu evenimentul sigur).. Dacă e1 . Evenimentele A şi B sunt dependente dacă realizarea unuia depinde de realizarea celuilalt şi sunt independente dacă realizarea unuia nu depinde de realizarea celuilalt.. Pentru evenimentele independente în totalitatea lor vom folosi şi denumirea de evenimente independente..Elemente de teoria probabilităţilor 11 iii) iv) v) vi) vii) D) A = (A – B) ∪ (A ∩ B) (A – B) ∩ (B – A) = φ A ∪ B = A ∪ [B . e n sunt evenimentele elementare corespunzătoare unei experienţe atunci mulţimea E = { e1 .. . e 2 . O mulţime de evenimente sunt independente în totalitatea lor dacă sunt independente câte două. e 2 ..

dacă: i = . Dacă E = { e1 .3.. 3.3. 1... O mulţime K de evenimente formează un câmp de evenimente dacă satisface axiomele: i) ii) ∀ ∈K ⇒A ∈K A ∀A. formează un sistem complet de evenimente (sau o partiţie a câmpului) . Evident φ∈K şi E ∈ K . i =1.3.3. 4. Dacă într-o probă mulţimea evenimentelor este infinită atunci câmpul de evenimente corespunzător [E.. Notăm câmpul de evenimente [E.3. Câmp de evenimente Definiţie 1. evenimentele A i ∈ K .e n } atunci K ⊂ P(E ) . K Definiţie 1.K].. 2.2. Într-un câmp de evenimente [E.K] are proprietatea: ∀ i ∈ . e 2 .n 1 . 2. Observaţie 1.1.K]. B ∈K ⇒A ∪ B ∈K şi A ∩ B∈ K .12 Elemente de teoria probabilităţilor şi statistică matematică 1. ⇒ A i ∈ A K K  i= 1 ∞ şi A i= 1 ∞ i ∈ .

. vom avea diverse evenimente compuse din acestea după cum urmează: – evenimente compuse din câte zero 0 evenimente elementare = Cn – evenimente compuse din câte un eveniment 1 elementar = Cn . j = .3.4..3.. i = . i. e2 .Elemente de teoria probabilităţilor 13 i) ii) A i =1 n i =E A i ∩ A j = φ ∀ ≠ j.. Evenimentele elementare e i . 1 corespunzătoare unei probe formează un sistem complet de evenimente care se mai numeşte sistem complet elementar. Dacă E = {e1 . Demonstraţie: Pentru un experiment de n rezultate elementare şi prin urmare pentru un eveniment sigur E compus din n evenimente elementare.5. n. Propoziţie 1. n i 1 Observaţie 1. en } atunci câmpul de evenimente corespunzător conţine 2n evenimente.

Câmp de probabilitate Definiţia axiomatică a probabilităţii 1. Fie [E. numărul total de evenimente ale lui K este egal cu 0 1 k n C n + C n + .. + C n = 2 n 1..K] un câmp de evenimente..1.4. Se numeşte probabilitate pe mulţimea K o funcţie P : K → R care satisface axiomele: i) ii) P( A ) ≥ 0∀ ∈K A P(E)=1 . + C n + .14 Elemente de teoria probabilităţilor şi statistică matematică – evenimente compuse din câte două 2 evenimente elementare = Cn – ---------------– evenimente compuse din câte k evenimente k elementare = Cn – evenimente compuse din câte n evenimente n elementare = Cn şi prin urmare..4.

3. j ∈ . A i ∈ K .4. Se numeşte câmp de probabilitate tripletul {E. P A =1 −P ( A ) n  n  P  A i  = ∑ P ( A i )    i =1  i =1 ( ) dacă A i ∩ A j = φ.4. j = . 1.4. 3.K] este infinit (K este infinită) probabilitatea P definită pe K satisface axiomele: P( A) ≥ 0. I indici cel mult numărabilă. Propoziţie 1.Elemente de teoria probabilităţilor 15 iii) şi A ∩B = φ . Definiţie P( A ∪B) = P( A) + P ( B). i.2. i. K. K=P(E) iar P o probabilitate pe K. ∀ ∈K A P(E)=1   P A i  =∑ ( A i )   P i∈ I I  i∈  dacă A i ∩ j = φ i ≠ j. i ≠ j. Observaţie 1. A. P( φ) = 0 2. n 1 Demonstraţie: . Au loc relaţiile: 1. B ∈K . I-o mulţime de A . În cazul în care câmpul de evenimente i) ii) iii) [E. P} unde E este evenimentul total.4.

16 Elemente de teoria probabilităţilor şi statistică matematică 1) Din relaţiile φ ∪ E = E şi φ ∩ E = φ aplicând axioma iii) din definiţia probabilităţii avem P(E) = P(φ ∪ E) = P(φ ) + P(E) şi rezultă P(φ ) = 0 2) Din relaţiile P ( A ∪A) = P ( A) +P ( A) A∪A = E şi A ∩A =φ aplicând axioma iii) din definiţia probabilităţii avem adică P ( E ) =P ( A) +P ( A) şi rezultă P ( A) =1 −P ( A) 3) Demonstrăm prin inducţie matematică Pentru n = 2 P(A1 ∪ A2) = P(A1) + P(A2) relaţia este adevărată conform axiomei iii) din definiţia probabilităţii. adică  n −1  n −1 P Ai  = ∑P ( Ai ) şi demonstrăm pentru n    i =1  i =1 evenimente . Presupunem relaţia adevărată pentru n – 1 evenimente.

4.5. .6.Elemente de teoria probabilităţilor 17 n −1  n −1    n   n −1  P  i  = P   i  ∪ An  = P  Ai  + P ( An ) = ∑ P( Ai ) + P ( An ) = A A     i =1  i =1   i =1   i =1   dacă s-a folosit ipoteza de inducţie şi s-a ţinut seama că  n −1    Ai  ∩ An = φ    i =1  Definiţia clasică a probabilităţii 1. Probabilitatea unui eveniment A este egală cu raportul dintre numărul evenimentelor egal probabile favorabile evenimentului A şi numărul total al evenimentelor egal probabile. Altă formulare: probabilitatea unui eveniment este raportul între numărul cazurilor favorabile evenimentului şi numărul cazurilor posibile. 2) Definiţia clasică se aplică numai atunci când evenimentele elementare sunt egal posibile.4. Observaţie 1. 1) Conform acestei definiţii nu putem stabili probabilitatea unui eveniment ce aparţine unui câmp infinit de evenimente.

C =obţinerea unui număr divizibil prin 3. Evenimentele elementare sunt egal posibile şi avem 6 cazuri posibile. Notăm cu A evenimentul "apariţia unei feţe cu număr par de puncte ≤ 6 " numărul cazurilor favorabile evenimentului A este 3. Se consideră evenimentele: A = obţinerea unui număr prim. Dintr-o urnă cu 15 bile numerotate de la 1 la 15 se extrage o bilă la întâmplare. 6 2 Exemplul 1. Să calculăm probabilităţile acestor evenimente.7.18 Elemente de teoria probabilităţilor şi statistică matematică Exemplul 1. Considerăm experienţa de aruncare a unui zar.8.4.4. . B = obţinerea unui număr par. Deci P(A ) = 3 1 = . Rezolvare: În această experienţă aleatoare numărul total al cazurilor posibile este 15.

15 3 1. 6. 5. adică { 3.A) şi A ∩ (B . adică {2.Elemente de teoria probabilităţilor 19 Pentru A numărul cazurilor favorabile este 6. 6.5. 10. adică {2. 12. deci P(B) = 7 . 15 5 Pentru B numărul cazurilor favorabile este 7. 9. 15 Pentru C. 15}. 7. 12. deci P(C) = 5 1 = . 14}. 3. 11. Reguli de calcul cu probabilităţi P1) Probabilitatea diferenţei: Dacă A. B ∈K şi A ⊂ B atunci P(B-A)=P(B)-P(A) Demonstraţie: Din relaţiile B = A ∪ (B .A) = φ aplicând axioma iii) avem P ( B ) = P[ A ∪ ( B − A)] = P ( A) + P ( B − A) P2) Poincaré): Probabilitatea reunirii (formula lui . 4. deci P(A ) = 6 2 = . 8. numărul cazurilor favorabile este 5. 13}.

Generalizare: Dacă A1. A. j=1 i≠ j ≠ k  i= 1  i= 1  i= 1  i≠ j P3) Probabilităţi condiţionate: Dacă P(B) ≠ 0 atunci raportul P(A ∩B) îl numim probabilitatea lui A P (B) P ( A B) condiţionată de B şi notăm PB(A) sau Demonstraţie: .A2..20 Elemente de teoria probabilităţilor şi statistică matematică Dacă P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B ) .. B ∈K atunci Demonstraţie: Din relaţiile A ∪ B = A ∪ [ B − ( A ∩ B )] şi A ∩ [ B − ( A ∩ B)] = φ aplicând axioma iii) avem P ( A ∪ B ) = P ( A) + P[ B − ( A ∩ B ) ] = P ( A) + P ( B ) − P ( A ∩ B ) dacă s-a folosit P1. .+ (− 1) n− 1 P Ai  i.…An sunt evenimente compatibile atunci n n  n n  P  Ai  = ∑ P( Ai ) − ∑ P( Ai ∩ A j ) + ∑ P( Ai ∩ A j ∩ Ak ) + .

2) P(A ∩ B) = P(B) ⋅ PB (A ) . dacă ( B ∩ A1 ) ∩ ( B ∩ A2 ) = φ .5.Elemente de teoria probabilităţilor 21 axiomele Arătăm probabilităţii: i) P( B) > 0 că PB ( A) satisface PB ( A) ≥ 0 deoarece P ( A ∩B ) ≥ 0 şi P( B ∩ E ) P ( B ) = =1 P( B) P( B) ii) iii) PB ( E ) = Fie A1 şi A2 ∈ K şi A1 ∩ A2 = φ . Observaţie 1.formula de calcul a intersecţiei a două evenimente dependente.K] îi putem ataşa un câmp de probabilitate condiţionat {E. K.1. 1) Oricărui câmp de evenimente [E. Are loc o . Avem P( B ∩ ( A1 ∪ A2 ) ) P[ ( B ∩ A1 ) ∪ ( B ∩ A2 )] = = P( B ) P( B ) P ( B ∩ A1 ) + P( B ∩ A2 ) P( B ∩ A1 ) P ( B ∩ A2 ) = = + = PB ( A1 ) + PB ( A2 ) P( B) P( B) P( B) PB ( A1 ∪ A2 ) = . PB}.

Dacă A1. A2.22 Elemente de teoria probabilităţilor şi statistică matematică generalizare: dacă A1. P(B) ≠ 0 atunci P(A ) ⋅ PA ( B) = P( B) ⋅ PB ( A ) . A2. A2. Pn −1 ( A n ). …An sunt evenimente n PA i independente atunci  1  i= n   =∏ (A i ) . …An sunt evenimente dependente atunci  n PA i   i =1   = P ( A 1 ) ⋅ PA1 ( A 2 ) ⋅ PA1 ∩A 2 ( A 3 ). Generalizare: Dacă A1.  A i  i= 1 3) Dacă evenimentele A şi B sunt independente atunci PB(A)=P(A) şi P(A ∩B) = P(A) ⋅ P(B) ....formula de calcul a intersecţiei a două evenimente independente. atunci: P  A i  = 1 − ∏(1 − P( A i ) )   i =1  i =1  Demonstraţie: . P  i= 1  4) Dacă evenimentele A şi B se condiţionează reciproc şi P (A ) ≠ 0. P4) Probabilitatea reunirii evenimentelor independente. …An sunt evenimente n  n  independente.

…An. sunt evenimente  n PAi   i =1 dependente atunci n n   ≥ ∑P ( Ai ) − ( n −1) =1 − ∑P ( Ai )  i= 1  i =1 Demonstraţie: Verificăm inegalitatea din enunţ prin inducţie matematică. Pentru n = 2 avem dacă rezultă P ( A1 ∪ A2 ) = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) P ( A1 ∪ A2 ) ≤ 1 şi P( A1 ∩ A2 ) ≥ P ( A1 ) + P( A2 ) − 1 relaţia este adevărată. . A2.Elemente de teoria probabilităţilor 23 Morgan Folosind relaţiile lui De  n i= 1 Ai = Ai i= 1 n şi faptul că Ai sunt evenimente independente implică n n  n  n   n  P i  =1 − P Ai  =1 − PAi  =1 −∏ ( Ai ) =1 −∏1 − A P (     i =1  i= 1 i= 1  i =1   i =1    P5) Inegalitatea lui Boole: A1.

… An este un sistem complet de evenimente [E.. Avem succesiv  n PAi  1  i= n− 1 i= 1 n −1   = P Ai     i =1   n −1  ∩An  ≥ PA i   1   i=  n i= 1   + P ( An   ≥ ∑ ( Ai ) −(n −2) + P ( An ) −1 = ∑ ( Ai ) −( n − P P dacă s-a ţinut seama de ipoteza de inducţie. i =1 i n Demonstraţie: Din ipoteza că Ai.n 1 este un sistem rezultă că evenimente X = ( A1 ∩ X ) ∪ ( A2 ∩ X ) ∪ . P6) Formula probabilităţii totale: Dacă A1¸A2.. complet de i = . ∪ ( An ∩ X ) .24 Elemente de teoria probabilităţilor şi statistică matematică Presupunem inegalitatea adevărată pentru n-1 adică  n −1 PAi   i =1  n −1  ≥ ∑ ( Ai ) −( n − 2) P   i =1 şi demonstrăm pentru n. K] şi X ∈ K atunci P(X)= ∑P( A i ) ⋅ PA ( X ).

i. i = . i. j =1.Elemente de teoria probabilităţilor 25 avem Deoarece că Ai ∩A j =φ. …An este un sistem complet de evenimente al câmpului [E. ∑ P(A ) ⋅ P i =1 i n Ai (X) . K] şi X ∈ K atunci: P(A i ) ⋅ PA i (X) PX(Ai)= Demonstraţie: Deoarece P( X ∩ Ai ) = P( X ) ⋅ PX ( Ai ) şi P( X ∩ Ai ) = P( Ai ) ⋅ PAi ( X ) P ( X ) ⋅ PX ( Ai ) = P ( Ai ) ⋅ PAi ( X ) . i ≠ j . j =1. n ( X ∩Ai ) ∩( X ∩A j ) =φ. A2. i ≠ j .n 1 avem deci . n Avem succesiv n n  n  P ( X ) = P  ( Ai ∩ X )  = ∑ P ( Ai ∩ X ) = ∑ P ( Ai ) ⋅ PAi ( X )   i =1  i =1  i =1 P7) Formula lui Bayes: Dacă A1.

Exemplul 1.26 Elemente de teoria probabilităţilor şi statistică matematică PX ( Ai ) = P( Ai ) ⋅ PAi ( X ) P( X ) = P( Ai ) ⋅ PAi ( X ) ∑ P( A ) ⋅ P i =1 i n Ai (X ) dacă s-a folosit formula probabilităţii totale. Se cere probabilitatea ca extrăgând la întâmplare de 5 ori câte un cartonaş şi aşezându-le în ordinea extragerii să obţinem cuvântul LUCIA. A3 = evenimentul ca la a treia extragere să obţinem litera C. . Cele 26 de litere ale alfabetului. Atunci evenimentul X are loc dacă avem X = A1 ∩ A 2 ∩ A 3 ∩ A 4 ∩ A 5 . sunt introduse într-o urnă.5.2. de asemenea notăm prin A1 = evenimentul ca la prima extragere să obţinem litera L. A4 = evenimentul ca la a patra extragere să obţinem litera I. scrise fiecare pe un cartonaş. A5 = evenimentul ca la a cincea extragere să obţinem litera A. A2 = evenimentul ca la a doua extragere să obţinem litera U. deci de a obţine prin extrageri succesive cuvântul LUCIA. Rezolvare: Notăm prin X evenimentul căutat.

6 şi dispunem de două automobile de acest fel. al doilea automobil să plece în cursă şi prin X evenimentul căutat. Cum P( A 1 ) = P( A 2 ) = 0. iar evenimentele A 1 şi A 2 sunt independente între ele (plecarea unui automobil nu depinde de plecarea sau neplecarea celuilalt). 26 25 24 23 22 P ( X ) = P ( A1 ) ⋅ P ( A2 A1 ) ⋅ P ( A3 A1 ∩ A2 ) ⋅ P ( A4 A1 ∩ A2 ∩ A3 ) ⋅ P ( A5 A1 ∩ A2 ∩ A3 ∩ A4 ) = Exemplul 1. avem: X = A 1 ∪ A 2 . care este probabilitatea ca cel puţin unul din automobile să plece în cursă într-o dimineaţă friguroasă? Rezolvare: Dacă notăm prin A1 şi A2 evenimentele ca primul respectiv.Elemente de teoria probabilităţilor 27 Rezultă: 1 1 1 1 1 ⋅ ⋅ ⋅ ⋅ . Dacă probabilitatea ca un automobil să plece în cursă într-o dimineaţă friguroasă este de 0.6. iar P(X ) = P(A 1 ∪ A 2 ) = P( A 1 ) + P(A 2 ) − P( A 1 ∩ A 2 ).3. deci P( . deoarece evenimentele A 1 şi A 2 sunt compatibile (cele două automobile pot să plece în cursă deodată). deci ca cel puţin unul dintre automobile să plece în cursă.5.

Avem: A = A 1 ∪ A 2 ∪ A 3 .8)(1-0.(0. B .84.6) 2 .5.4 = 0.6) = 1 − 0. Se obţine că P(X) = 0.4.cel puţin o secţie să depăşească planul de producţie. Rezolvare: Fie A i evenimentul ca secţia S i să depăşească planul de producţie.8 şi 0. S 2 .6.6) 2 = 0.2 ⋅ 0. Să se calculeze probabilităţile evenimentelor: A . avem: .toate secţiile să depăşească planul de producţie. Exemplul 1.(1-0.6 . 0.7)(1-0. S 3 depăşesc planul zilnic de producţie cu probabilităţile de respectiv 0.7.3 ⋅ 0.976 . Trei secţii ale unei întreprinderi S1 . B = A 1 ∩ A 2 ∩ A 3 şi ţinând seama de independenţa evenimentelor.28 Elemente de teoria probabilităţilor şi statistică matematică A 1 ∩ A 2 ) = P( A 1 ) P( A 2 ) = (0. deci P(A) = P (A 1 ∪ A 2 ∪ A 3 ) = 1 − P( A 1 ∩ A 2 ∩ A 3 ) = 1 − P( A1 ) ⋅ P( A 2 ) ⋅ P( A 3 ) = 1.6 + 0.

Dacă aceste caracteristici A.6 = 0.336 .5. respectiv 1 1 de la prima fabrică. P(B) = şi 1 0 1 1 1 1 .  10 11 12  660 P( Exemplul 1. adică 4 1  229 1 A ∩ B ∩ C) ≥ 1 −  + +  = .Elemente de teoria probabilităţilor 29 P(B) = P(A 1 ∩ A 2 ∩ A 3 ) = P(A 1 ) ⋅ P(A 2 ) ⋅ P( A 3 ) = 0. Produsele de la . Exemplul 1.5.8 ⋅ 0. de la a 3 6 doua fabrică şi restul de la fabrica a treia.7 ⋅ 0. B şi C sunt satisfăcute cu probabilităţile P(A) = P(C) = 9 7 . atunci probabilitatea ca să fie satisfăcute 1 2 toate trei caracteristicile se poate evalua cu formula lui Boole.6. Un sortiment de marfă dintr-o unitate comercială provine de la trei fabrici diferite în proporţii. O presă este considerată că satisface standardul de fabricaţie dacă trei caracteristici sunt satisfăcute. Astfel se poate scrie: P( A ∩B ∩C) ≥1 −[P( A ) + P(B) + P( C ) ].5.

a doua. Aceste trei evenimente formează un sistem complet A1 ) = de evenimente şi şi au probabilităţile 1 . 0 P( şi P( A A 3 ) = 0. 95% şi respectiv 92%. Un client ia la întâmplare o bucată din sortimentul de marfă respectiv.9 . atunci P(A A A 2 ) = 0.92 . 2 P( 1 1 . a) Care este probabilitatea ca produsul să satisfacă standardele de fabricaţie? b) Care este probabilitatea ca produsul să fie defect şi să provină de la prima fabrică? Rezolvare: a) Notăm cu A 1 . P(A 2 ) = 3 6 P ( A3 ) = Dacă A este evenimentul că produsul cumpărat de client satisface standardele de fabricaţie. Folosind formula probabilităţii totale se obţine: . respectiv a treia fabrică.95 A 1 ) = 0.30 Elemente de teoria probabilităţilor şi statistică matematică cele trei fabrici satisfac standardele de fabricaţie în proporţie de 90%. A 2 şi A 3 evenimentele ca produsul cumpărat să fie de la prima.

avem: P( A1 A) = P( A 1 ) P( A A 1 ) P( A 1 ) P ( A A 1 ) + P ( A 2 ) P ( A A 2 ) + P ( A 3 ) P ( A A 3 ) = 1 ⋅ 0. pot fi calculate anumite probabilităţi pe baza unor formule sau scheme de calcul.2 3 = = 0.10 0. fără a mai .6. = 1 1 1 0.92 = = 0.05 + ⋅ 0.90 + ⋅ 0. Scheme clasice de probabilitate Sub această denumire se pot întâlni câteva experimente-model care conduc la calculul rapid al probabilităţilor unor evenimente care se produc sau apar în condiţii analoage celor ce definesc experimentelemodel.Elemente de teoria probabilităţilor 31 P ( A) = P ( A1 ) ⋅ P ( A A1 ) + P ( A2 ) ⋅ P ( A A2 ) + P ( A3 ) ⋅ P ( A A3 ) = 1 1 1 5.10 + ⋅ 0.08 3 6 2 1.408 .95 + 0.49 ⋅ 0.51 ⋅ 0. Cu alte cuvinte.918 9 6 2 6 b) Folosind formula lui Bayes. indiferent de natura experimentului considerat.

Dacă în urnă se află N bile. Se cere determinarea probabilităţii ca din n repetări ale experimentului. din care a = bile albe şi b = bile negre. k să fie de culoare albă. evenimentul considerat să apară de k ori. Se cere determinarea probabilităţii ca din n bile extrase. Fie A i evenimentul ca la extragerea de rang i să se obţină o bilă albă şi A i evenimentul ca la extragerea de rang i să se obţină o bilă neagră. Se extrag bile din urnă una câte una.1.6. avem lui Bernoulli cu bila întoarsă . Schema (binomială) 1. fiecare bilă se reintroduce în urnă după constatarea culorii. Modelul probabilistic se realizează printr-o urnă ce conţine bile de două culori (albe şi negre). Se aplică în cazul în care se fac repetări independente ale unui experiment şi la fiecare repetare se are în vedere apariţia unui eveniment bine precizat.32 Elemente de teoria probabilităţilor şi statistică matematică recurge de fiecare dată la procedeele greoaie sugerate de formula dată de definiţia clasică.

n Observaţie 1.. .n −k ) = P(A 1 ∩ A 2 ∩ .. n k =0 k =0 n n deci P(n. 1) Dacă se consideră formula binomului lui Newton: ( px + q ) n = ∑ C k p k q n −k x k = ∑ P(n . ∩ A k ∩ A k +1 ∩ .. Notăm N N cu X k . avem: P( X k . k!( n − k )! Această probabilitate se mai notează P(n. de aici şi denumirea de schema binomială. Dacă X este evenimentul ca din cele n bile extrase exact k să fie albe. evident p+q=1.Elemente de teoria probabilităţilor 33 p = P( A i ) = a b şi P( A i ) = = q . p+q=1.2.6.k) este coeficientul lui x k din dezvoltarea binomială ( px + q ) n . n −k ) = C k p k q n −k = n n avem: P(X) = n! p k q n −k . C k P ( X k .k) = C k p k q n −k . k ) x k . ∩ A n ) = p k q n −k .. n − evenimentul ca după n extrageri să obţinem k de k ori bilă albă şi apoi de n-k ori bilă neagră.

s ∑a i =1 s i = N...34 Elemente de teoria probabilităţilor şi statistică matematică 2) ∑P(n. s .6. atunci: N n! α α α p1 1 p 2 2 . Fie o urnă ce conţine N bile de s culori. s. p s s α1!α2 !. k ) = 1.. Notăm A i evenimentul ca la o bila de culoare extragere să obţinem c i . s şi a i numărul bilelor de culoare c i . p i = P(A i ) = ai .. Este o generalizare a schemei binomiale. iar 1.3.. αs ! Pn (α1 . i = 1. α2 . i =1. α2 .. αs ) = . i =1. Fie X evenimentul ca în cele n extrageri să obţinem αi bile de culoare c i . i = . k =0 n Schema multinomială 1. unde ∑α i =1 s i =n .. Se cere P(X) = Pn (α1 . c i . i = 1. s .. αs ) ... Se fac n extrageri succesive cu revenirea bilei în urnă...

n Există C a +b posibilităţi de a lua n bile din totalul de a+b bile câte sunt în urnă la început. a r bile de culoarea r şi se extrag n bile fără întoarcerea bilei extrase .k) = b k C a C n −k b . iar pentru a lua n-k bile negre din cele b bile negre ce se află în urnă la început este C n −k . adică a 1 bile de culoarea 1.6. a 2 bile de culoarea 2 etc.4. Se extrag bile din urnă. Se cere să se determine probabilitatea ca din n bile extrase k să fie de culoare albă şi n-k de culoare neagră. Generalizare: În urnă se află bile de r culori. fără întoarcerea bilelor extrase înapoi în urnă. Numărul posibilităţilor de a lua k bile albe din cele a existente la k început în urnă este C a .Elemente de teoria probabilităţilor 35 Schema lui Bernoulli cu bila neîntoarsă (hipergeometrică) 1. Se consideră o urnă care conţine bile de două culori: a bile albe şi b bile negre. una câte una. unde n C a +b a ≥ k. b ≥ n − k şi a +b ≥n. deci P(n.

+arr P (n..k) de a obţine k bile albe din cele n extrase. + k r = n ...36 Elemente de teoria probabilităţilor şi statistică matematică în urnă.6... k 2 bile de culoarea 2 etc. k 1 . k 2 . k1 . Se aplică în cazul în care se fac repetări independente ale unui experiment şi la fiecare repetare se are în vedere un anumit eveniment. k r ) = k1 + k 2 + . cu Schema lui Poisson 1.Carr k + k +.5.+ k Ca11+ a22+. Modelul probabilistic se obţine cu ajutorul unui sistem de n urne care conţin bile de două culori. în general.. Avem: k k k Ca11 Ca22 . în proporţii diferite.. albe şi negre. în general. Se cere să se determine probabilitatea ca din n repetări ale experimentului...... k 2 .. eveniment ce apare. Se ia câte o bilă din fiecare urnă şi se cere probabilitatea P(n.. . k r ) ca din cele n bile extrase să se obţină k 1 bile de culoarea 1. evenimentul considerat să apară de k ori. cu probabilităţi diferite la repetări de rang diferit... Se cere probabilitatea P(n.

Avem că P(n. dacă s-a obţinut bila albă şi "insucces".6. albe şi negre. "succes" apare cu . unde p i + q i =1.Elemente de teoria probabilităţilor 37 Notăm cu p i probabilitatea de a extrage bilă albă din urna de rang i şi cu q i probabilitatea de a extrage bilă neagră din urna de rang i. La fiecare repetare. dacă s-a obţinut bila neagră..6. Schema lui Pascal (binomială cu exponent negativ) 1. Se aplică în cazul în care se fac repetări independente ale unui experiment şi la fiecare repetare evenimentul considerat apare cu aceeaşi probabilitate. Vrem să determinăm probabilitatea ca până la cea de-a na apariţie a evenimentului considerat să se fi realizat contrarul evenimentului considerat de k ori. Se extrag bile din urnă cu întoarcerea bilei extrase după ce s-a notat culoarea ei.( p n x + q n ) .k) este coeficientul i lui xk din dezvoltarea polinomului: (p1 x + q 1 )( p 2 x + q 2 ). ∀ =1. Vom spune că avem "succes".. n. Modelul probabilistic se realizează printr-o urnă cu bile de două culori.

avem: P (n. 1 dar P( A n +k ) = p. Notăm B n . n +k Observaţie 1. 2) P(n.38 Elemente de teoria probabilităţilor şi statistică matematică probabilitatea p şi "insucces" apare cu probabilitatea q=1p. iar P( An − ) se calculează conform schemei binomiale. 1) Din proprietatea de complementaritate a k n k combinărilor.k) se obţine ca şi coeficientul lui x k din dezvoltarea lui .k) = C n −1 −1 p n q k .7. Avem P( Bn . unde An− = evenimentul ca 1 în primele n+k-1 repetări să se obţină n-1 "succese" şi k "insuccese". Vrem să determinăm probabilitatea P(n. Rezultă că: P(n. iar A n +k = evenimentul ca la repetarea de rang n+k să avem "succes".k ) = P ( An − ) ⋅ P ( An +k ) .k = An−1 ∩An+k . k evenimentul că la apariţia celui de-al n-lea "succes" s-au obţinut k "insuccese". k ) = Cn+k −1 p q .k) ca la apariţia celui de-al n-lea "succes" să se fi obţinut k "insuccese".6. adică 1 n− 1 P ( An −1 ) = C n +k −1 p n −1 q k . Atunci Bn .

se obţine schema geometrică.k) = pq k . În acest caz particular.8. Vrem să calculăm probabilitatea ca 8 unitatea hotelieră să fie normal ocupată în cinci zile din cele şapte zile ale unei săptămâni. k ) x k . de aici şi denumirea de schema binomială cu exponent negativ. deoarece P(1. adică dacă se cere probabilitatea ca la apariţia primului "succes" să se fi produs k "insuccese".Elemente de teoria probabilităţilor 39 p n (1 − qx ) −n = ∞ ∞ pn = ∑C k +k −1 p n q k x k = ∑P(n . 1 − qx k =0 k =0 Exemplul 1. qx < 1 n (1 − qx ) n k =0 k =0 . deci seria binomială. Dintr-un studiu statistic s-a obţinut că probabilitatea ca hotelul să fie normal ocupat într-o zi este p = 7 .k) este coeficientul lui xk din seria geometrică. . 3) Dacă n=1.6. k ) x k . O unitate hotelieră se consideră că este normal ocupată dacă cel puţin 80% din capacitatea sa este utilizată. avem P(1. adică ∞ ∞ p = ∑ pq k x k = ∑ P(1.

iar întrucât testele sunt independente. Piesele produse de o maşină sunt supuse la două teste independente.6. 7 Exemplul 1. s=4. Să 3 4 7 8 1 8 3 7 8 8 se calculeze probabilitatea ca din 5 piese luate la întâmplare. iar una să nu treacă nici un test. p= = 1-p = 1 . α 2 = α 3 = α 4 = 1 .5) = C 5 ( ) 5 ( ) 2 = ( ) 6 . unde n=5. p 3 = (1 − ) ⋅ = . α 1 = 2. p 2 = ⋅ (1 − ) = . k=5. Astfel se obţine că: 8 7 şi q 8 P(7. unde n=7. 1 numai primul test.40 Elemente de teoria probabilităţilor şi statistică matematică Rezolvare: Calculul acestei probabilităţi se face cu schema lui Bernoulli cu bila întoarsă. Rezolvare: Această probabilitate se calculează cu schema multinomială. p 4 = (1 − )(1 − 3 4 2 3 4 6 3 4 4 3 4 . Probabilităţile ca o piesă să treacă aceste teste sunt respectiv 2 3 şi .9. 1 numai al doilea test. avem că: p1 = 2 3 1 2 3 1 2 3 1 2 3 ⋅ = . 2 să treacă ambele teste.

Se iau la întâmplare 5 piese. 5! 1 1 1 1 5 ⋅( )2 ⋅ ⋅ ⋅ = . 10 sunt defecte.10. Într-un lot de 50 de piese. n=5 şi k=3. a=40.6.1) = Astfel. al treilea cu probabilitatea 4 . Vrem să calculăm probabilitatea ca trei piese din cele cinci să nu fie defecte.3) = C 3 ⋅ C10 .Elemente de teoria probabilităţilor 41 2. al 3 3 . putem scrie: P(5. 40 C5 50 Exemplul 1. 2 b=10. unde a+b=50.11. Rezolvare: Această probabilitate se calculează cu schema lui Bernoulli cu bila neîntoarsă.6.1. Primul atinge ţinta cu probabilitatea doilea cu probabilitatea 2 . Patru trăgători trag asupra unei ţinte.1. Avem P(5. 2!⋅1!⋅1!⋅1! 2 6 4 12 96 Exemplul 1.

p3 = P ( A3 ) = .4 sunt independente şi: 2 3 4 . Care este 6 probabilitatea ca ţinta să fie atinsă exact de 3 ori? Rezolvare: Evenimentele A i = trăgătorul "i" atinge ţinta. Doi jucători sunt angrenaţi într-un joc format din mai multe partide. 3 4 5 5 1 p4 = P ( A4 ) = . adică: 3 3 4 4 5 5 6 6 2 3 4 1 2 3 1 5 2 1 4 5 1 3 4 5 ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ + ⋅ ⋅ ⋅ = 0. q4 = 1 − p4 = . i = 1. este coeficientul lui x 3 din dezvoltarea polinomului: Q(x) = 2 1 3 1 4 1 5 1 ( x + )( x + )( x + )( x + ) . q3 = 1 − p3 = . Primul jucător .12.2. iar al patrulea cu probabilitatea 5 5 . 3 4 5 6 3 4 5 6 3 4 5 6 3 4 5 6 Exemplul 1. q1 = 1 − p1 = 6 3 p1 = P ( A1 ) = q2 = 1 − p2 = 1 1 1 .6. 4 5 6 Probabilitatea ca din aceste patru evenimente să se realizeze trei şi unul nu.42 Elemente de teoria probabilităţilor şi statistică matematică 4 .427 .3. p2 = P( A2 ) = .

6. probabilitatea cerută este: 3 3 6 P(3. Într-o cutie sunt 12 bile marcate cu 1. b) a treia partidă câştigată de primul jucător să se producă după un total de şase partide pierdute. 8 sunt marcate cu 3 şi şase sunt marcate cu . Astfel. 2 3 Exemplul 1. probabilitatea cerută este dată de P(1. p= 1 2 . q= . unde n=3.Elemente de teoria probabilităţilor 43 câştigă o partidă cu probabilitatea p = probabilitatea q = 1-p = probabilitatea că: 2 .13.5) = p q 5 = 1 2 5 32 ( ) = . 3 1 şi o pierde cu 3 Să se calculeze a) prima partidă câştigată de primul jucător să se producă după cinci partide pierdute. k=6. Rezolvare: a) Se aplică schema geometrică. Prin urmare.6) = C 8 ( ) 3 ( ) 6 = 1 3 2 3 7 2 9 ⋅( ) . 3 3 729 b) Se utilizează schema lui Pascal.

Aşadar. trebuie luate două bile marcate cu 5 din cele şase existente.44 Elemente de teoria probabilităţilor şi statistică matematică 5. Folosind schema lui Bernoulli cu bila neîntoarsă cu 3 stări se obţine că: 3 ⋅ 5 +1 ⋅ 3 =18 . 3 ⋅ 5 +1 ⋅1 =16 . respectiv una marcată cu 5 şi 3 marcate cu 3. una marcată cu 3 din cele opt şi una marcată cu 1 din cele 12. 2 ⋅ 5 +1 ⋅ 3 +1 ⋅1 =14 . O persoană extrage la întâmplare din cutie 4 bile. Să se calculeze probabilitatea ca suma obţinută să fie cel mult 13. Se vede că suma maximă ce se poate obţine este 4 ⋅ 5 = 20. 2 ⋅ 5 +2 ⋅ 3 =16 . 1 ⋅ 5 +3 . avem că Alte posibilităţi de a obţine suma cel puţin 14 din patru bile nu există. De asemenea. atunci evenimentul contrar A este evenimentul ca suma să fie cel puţin 14. pentru a obţine suma 14. Rezolvare: Dacă notăm cu A evenimentul ca suma obţinută de cele patru bile să fie cel mult 13.

4.3.1.3. P18 = P( 4.2.0.3.Elemente de teoria probabilităţilor 45 2 3 0 C 6 C 1 C1 C1 C 8 C12 888 8 12 6 P14 = P(4.7. C4 26 P( A ) = P14 + P16 + P18 + P20 = P(A) = 1-P( A ) = 1- 2611 . Variabile aleatoare discrete În ciuda faptului că după repetarea unui experiment de un număr mare de ori intervine o anumită . 1.1) = .0) = + = 4 4 7475 C 26 C 26 . 4 1495 C 26 P20 = P( 4.0.2.2. avem că: 2 2 0 0 C 6 C 8 C12 C 3 C 8 C1 66 + 6 4 12 = 4 1495 C 26 C 26 P16 = P(4.1.1.0) = Avem că: 4 0 0 C 6 C 8 C12 . de unde 14950 2611 12339 = 14950 14950 ≅ 0.0) + P(4. Analog.0) = 0 C 3 C1 C12 16 6 8 = .8 5 2 .1) + P(4.

2. sunt importante şi necesare două lucruri şi anume: 1. o mărime care ia valori la întâmplare sau aleatoriu dintr-o mulţime . infinită sau numărabilă sau infinită şi nenumărabilă. În linii mari şi într-un înţeles mai larg. rezultatele posibile ale experimentului. legea statistică sau probabilităţile cu care este posibilă apariţia rezultatelor experimentului considerat. Din acest motiv cuvântul sau conceptul „aleator” trebuie înţeles sau gândit în sensul că avem de-a face cu experimente sau fenomene care sunt guvernate de legi statistice (atunci când există un anumit grad de incertitudine privind apariţia unui rezultat sau reapariţia lui) şi nu de legi deterministe (când ştim cu certitudine ce rezultat va apare sau nu). nu se poate preciza niciodată cu certitudine care anume dintre rezultate va apare într-o anumită probă.46 Elemente de teoria probabilităţilor şi statistică matematică regularitate în privinţa apariţiei unor rezultate ale acestuia. care pot constitui o mulţime finită. Pentru ca astfel de experimente sau fenomene să fie cunoscute şi prin urmare studiate.

K.1. ii) ∀x ∈ R (X = x ) ∈K Observaţii 1. Fie câmpul de probabilitate {E.7. Definiţie 1. 1) Dacă îndeplinită. Numim variabilă aleatoare de tip discret o aplicaţie X:E→R care verifică condiţiile: i) are o mulţime cel mult numărabilă de valori.2.Elemente de teoria probabilităţilor 47 oarecare posibilă se numeşte variabilă aleatoare (sau întâmplătoare).7. Se poate da şi o definiţie riguroasă. P}. 2) Dacă o variabilă ia un număr finit de valori vom spune că este variabilă aleatoare simplă. K=P(E) atunci ii) este automat .

. sunt valorile pe care le ia X iar pi este probabilitatea cu care X ia valoarea xi adică pi = P(X = xi ).4.48 Elemente de teoria probabilităţilor şi statistică matematică Definiţie 1. 1) Evenimentele (X = xi ) formează un sistem complet de evenimente şi ∑p i∈ I i =1 . Observaţii 1. tabloul  xi  X   pi  i∈ I I unde xi. i ∈ I mulţimea I putând fi finită sau cel mult numărabilă.7.3. Numim distribuţia sau repartiţia variabilei aleatoare X de tip discret. i ∈ .7.

.. < x n < ... 4) Forma cea mai generală a unei variabile aleatoare aparţinând unei clase de variabile aleatoare de tip discret se numeşte lege de probabilitate discretă.. 3) Variabila aleatoare pentru care mulţimea valorilor este un interval finit sau infinit pe axa numerelor reale este variabilă aleatoare continuă..Elemente de teoria probabilităţilor 49 2) Se obişnuieşte ca valorile variabilei să se noteze în ordine crescătoare adică x 1 < x 2 < x 3 .

7. Spunem că variabilele aleatoare X şi Y care au respectiv distribuţiile  xi  X   pi  i∈ I şi .50 Elemente de teoria probabilităţilor şi statistică matematică Definiţie 1.5.

∀i. ( Ix Definiţie 1.7. j) ∈ J .Elemente de teoria probabilităţilor 51  yj  Y  q   j  j∈ J sunt independente dacă P(X = xi .6. Fie variabilele aleatoare X. Y care au respectiv distribuţiile  xi  X   pi  i∈ I şi  yj  Y  q   j  j∈ J . Y = yj) = P(X = xi ) P(Y = yj).

Y = yj) (i.j)∈ I x J  i j (i.j)∈ I x Jpi  j . X ⋅ Y   y j   p   p  Y   i j  (i. Definiţie 1. ∀ ∈J ) j vor avea distribuţiile  xi   xi + y j   xi y j  X   X + Y  . unde (i.7.7. Se numeşte . produs X ⋅ Y şi cât X Y (dacă y j ≠ 0.j) ∈IxJ .52 Elemente de teoria probabilităţilor şi statistică matematică atunci variabila aleatoare sumă X+Y.j)∈ I x J pij = P(X = xi.

Y sunt independente atunci pij = pi q j . p   i i∈I i ∈ I . j ) ∈I × J ( Definiţie 1.Elemente de teoria probabilităţilor 53 a) produs al variabilei aleatoare X cu constanta  ax  aX :  i  p   i i∈I a variabila aleatoare b) putere a variabilei aleatoare X de exponent k. ∀ i . ∀ ∈R . Au loc relaţiile ∑p j∈ J ij = p i . k ∈ Z . definită ∑ x prin F(x)=P(X<x).9. i Proprietăţi ale funcţiei de repartiţie 1. j Dacă variabilele X.10. ∀ ∈J. x ∈ R . adică F(x)= x <x p i .7. Observaţie 1. ∀ ∈I şi i ∑p i∈ I ij = q j . variabila aleatoare  xk  X k :  i  cu condiţia ca operaţiile xik . să aibă sens.7. Numim funcţie de repartiţie ataşată variabilei aleatoare X funcţia F:R→R.8.7. .

54 Elemente de teoria probabilităţilor şi statistică matematică
x 1. ∀ ∈R , 0 ≤ F( x ) ≤1 a 2. ∀ , b ∈R , a < b avem:

P (a ≤ X < b) = F( b) −F(a ) P (a < X < b) = F( b) −F(a ) − P( X = a )

P(a < X ≤ b) = F( b) − F(a ) − P( X = a ) + P( X = b) P(a ≤ X ≤ b) = F( b) + P( X = b) − F(a )

Demonstraţie: Avem succesiv
P ( a ≤ X < b ) = P ( X < b, X < a ) = P [ ( X < b ) − ( X < a ) ] = = P ( X < b) − P ( X < a ) = F (b) − F ( a )

dacă s-a ţinut seama de relaţia ( X < a ) ⊂ ( X < b) şi s-a folosit probabilitatea diferenţei.
P ( a < X < b ) = P[ ( a ≤ X < b ) − ( X = a ) ] = P ( a ≤ X < b ) − P ( X = a ) = = F (b) − F (a ) − P ( X = a )

dacă s-a folosit relaţia demonstrată anterior. 3. ∀x 1 , x 2 ∈ R , x 1 < x 2 , ⇒ F( x 1 ) ≤ F( x 2 ) Demonstraţie:

Elemente de teoria probabilităţilor

55

0 ≤ P( x 1 ≤ X < x 2 ) = F ( x 2 ) − F ( x1 ) ⇒
F ( x1 ) ≤ F ( x 2 )

4. xlim F ( x) = 0, lim F ( x) = 1 →− ∞ x→∞ Demonstraţie:
x →− ∞

lim F ( x) = lim P ( X < x) = P (φ ) = 0
x →− ∞

x →+∞

lim F ( x) = lim P( X < x ) = P( E ) = 1
x →+∞

x 5. ∀ ∈R , F( x − a ) = F( x ) (F este continuă la

stânga) Exemplul 1.7.11. Se consideră variabila

1 aleatoare discretă X :  p 2  
3? Rezolvare:

2 3 7 1 p 4 3

4 1  . Care este  6

probabilitatea ca X să ia o valoare mai mică sau egală cu

Pentru ca X să fie o variabilă aleatoare trebuie ca p ≥ 0 şi p 2 + ⋅ p + +
7 4 1 3 1 = 1 . Se obţine soluţia 6

56 Elemente de teoria probabilităţilor şi statistică matematică acceptabilă p = . Se calculează probabilitatea cerută prin intermediul evenimentului contrar şi anume
1 4

P( X ≤ 3) = 1 − P( X = 4) = 1 −

1 5 = sau 6 6

P( X ≤ 3) = P( X = 1) + P( X = 2) + P( X = 3) =

1 7 1 5 + + = 16 16 3 6

. Exemplul 1.7.12. Se dau variabilele aleatoare independente:

0 1 0 1   −1 −1  1 1 1 ; Y : 1 X: q+ 2p − q 12p 2  . p +   6 3 3  3 
a) Să se scrie distribuţia variabilei 2XY. b) Pentru
2 ? 9

ce

valori

ale

lui

c

avem:

P ( X + Y = c) >

Rezolvare: Pentru ca X şi Y să fie variabile aleatoare se impun condiţiile:

Elemente de teoria probabilităţilor

57 apoi :

p+

1 1 ≥ 0; q + ≥ 0;2p − q ≥ 0 6 3

şi

1 1  1 p+ + q+ + = 1  6  3 3 ,   1 + 2p − q + 1 2p 2 = 1 3 
p=

rezultă

valorile

acceptabile

1 şi q = 0. Deci variabilele aleatoare au repartiţiile: 6

 −1 0 X: 1 1  3 3

1 −1 0 1; Y : 1 1   3 3 3 2 2  9

1 1  . Avem :  3

− 2 0 a) 2XY :  2 5   9 9

58 Elemente de teoria probabilităţilor şi statistică matematică b) X + Y :  1 − 2 −1 0 2 3  9 9  9 1 2 9 2 1  .13. Exemplul 1. Variabila aleatoare X cu distribuţia următoare: .7. deci P(X +  9 Y = c)> 2 3 2 corespunde situaţiei P(X + Y = 0) = > 9 9 9 adică c = 0.

Elemente de teoria probabilităţilor 59 1  X:2 1  6 1 1 2  2  1  . d a ăc1 < x ≤ 2. d a ă x ≤ . 3  1. d a ăc x > 2  Graficul funcţiei de repartiţie este: F(x) 1 2/3 . d a ăc 1 < x ≤ 1. c  2   1 .  F( x ) = P ( X < x ) =  6 2 2  . are funcţia de repartiţie:  3 1  0.

Y = y) ∈K .8.P}.8.1. . ……… xi ……… …. pi1……………pij…………… ……………………………… ……… ….K.60 Elemente de teoria probabilităţilor şi statistică matematică 1/6 1/2 1 2 x 1..Y) de tip discret tabloul: X Y x1 y1……………yj…………… p11……………p1j…………… unde ( …. .8.Y) este vector aleator bidimensional de tip discret dacă aplicaţia U:E → R 2 verifică condiţiile: i) are o mulţime cel mult numărabilă de valori. Spunem că U=(X. y) ∈R 2 . Vector aleator bidimensional de tip discret Definiţie 1.. Definiţie 1.2. …. (X = x . Numim distribuţia sau repartiţia vectorului aleator (X. ii) ∀( x . Fie câmpul de probabilitate {E. . ..

∀ x .y) = P(X<x. Numim funcţie de repartiţie ataşată vectorului aleator bidimensional funcţia F: R 2 → R . definită prin: ( F(x. y) ∈R 2 .8. yi ) sunt valori le pe care le ia vecto rul aleat or (X. Y = ). Definiţie 1. iar p ij = P( X = x i .Elemente de teoria probabilităţilor 61 x i .3.Y ). Y<y). .

y) = l i m(x. 3.y) este nedescrescătoare în raport cu fiecare argument. y) = 1 . ∀ x . y) = 0. 4. c . dacă a<b şi c<d. ( 1. y) ∈R 2 . y) ≤1 . d ) − F(a .y) este continuă la stânga în raport cu fiecare argument.8. . x→ ∞ y→ ∞ 5. F(x. c ≤ Y < d ) = F( b. F F F y→ − ∞ x→ − ∞ y→ − ∞ l i mF(x. x→ − ∞ l i m(x.62 Elemente de teoria probabilităţilor şi statistică matematică Proprietăţile funcţiei de repartiţie a unui vector aleator bidimensional de tip discret 1. c) + F(a . 2.4. y) = l i m(x. atunci P (a ≤ X < b. F(x. d ) − F( b.0 ≤ F( x .

5.10 0.Y) cu repartiţia dată în tabelul: X Y 1 3 4 2 0.8.Y. y) y→ ∞ şi FY ( y) = lim F( x . Se consideră vectorul aleator discret (X.05 a) să se determine repartiţia variabilelor X.15 0.45 6 0. b) să se stabilească dacă X şi Y sunt independente sau nu.Y) are funcţia de repartiţie F. . x →∞ Exemplul 1. y) . X+Y.05 0. atunci: FX ( x ) = lim F( x .6. Dacă (X.8. iar variabilele X şi Y au funcţiile de repartiţie FX şi respectiv FY .Elemente de teoria probabilităţilor 63 Observaţie 1.20 0.

45 = 0.64 Elemente de teoria probabilităţilor şi statistică matematică   c) să se calculeze F  .  0.20 + 0.70 .20 0.10 = 0.  1 2    unde q 1 = p11 + p 21 + p 31 = 0.30 adică Y: 0.15 = 0.15 + 0.      2 6  . q 2 = p12 + p 22 + p 32 = 0.50   2 6  Analog.05 = 0.05 + 0.20 + 0. adică p 3 = p 31 + p 32 = 0.30 0.10 + 0. variabila Y are repartiţia Y:  q q  .45 + 0.30 p 2 = p 21 + p 22 = 0.50 X:   3 4   1 .   unde p1 = p11 + p12 = 0.05 = 0.5  .20 .05 + 0.30  . 7 2  Rezolvare: a) Variabila X are repartiţia: X:  1 3 4    p1 p 2 p 3  .70 0.

30 ⋅ 0. Fie variabila aleatoare X având funcţia de repartiţie F .Y. F( deducem că X şi Y sunt dependente.21 ≠ 0.1. iar P[(X=1) ∩ (Y=2)] = c) p11 = 0.45 0. 0.21 .20 0. Y < 5) = P[( X = 1. 7 7 . Cum 0.25. x .70 = 0.Y=2) = 0.05   b) Pentru verificarea independenţei variabilelor X. vom spune că X este variabilă aleatoare de tip continuu dacă funcţia de repartiţie se poate reprezenta sub forma: F(x) = x ∫ −∞ ρ( t )dt . Y = 2)] = 2 2 =P(X=1.5) = P(X < .9.20+0. ∀ ∈R .05  X+Y: 6 7 0.Y=2) +P(X=3.20 .Elemente de teoria probabilităţilor 65 Avem:  3 4  0. 1. efectuăm un control.05 = 0.20.10 8 10  . Y = 2) ∪ (X = 3. de exemplu: P(X=1) P(Y=2) = 0.9.15 0. Variabile aleatoare de tip continuu Definiţie 1.

∫ ∞ − ∞ ρ x )dx =1 .Y) este un vector . Propoziţie 1.3. ( Observaţie 1.2. Definiţie 1.t. Fie vectorul aleator (X. ρ x ) ≥ 0 .4. x ( ( 2) F'(x) = ρ x ) a.p. ρ ( x) = F ' ( x) = lim .Y) având funcţia de repartiţie F. deci P(a ≤ X<b) = P(a<X<b) = P(a ≤ X ≤ b) = P(a<X<b) = ( ∫ ρ x )dx a b .9. deci când F ( x + ∆x ) − F ( x ) P ( x ≤ X < x + ∆x) = lim ∆x →0 ∆x →0 ∆x ∆x ∆x este mic avem P(x ≤ X < x + ∆x ) ≈ ρ( x ) ⋅ ∆x . Au loc afirmaţiile: 1) ∀ ∈R . 3) P(a ≤X<b) = 4) ( ∫ ρ x )dx a b .9. 2.66 Elemente de teoria probabilităţilor şi statistică matematică Funcţia ρ : R → R se numeşte densitate de probabilitate a variabilei aleatoare X.9. Pentru o variabilă de tip continuu P(X=a)= 0. spunem că (X. 1. pe R.

∀ ∈R . y ) dx .Y). iar ρ şi ρY densităţi de X probabilitate pentru X. D ⊂ R . y) ∈R 2 . y ) dx dy .5. x ρY ( y ) = ∫ ρ( x.9. ∀ x .6.y) = FX ( x ) ⋅ FY ( y) . y)dy .9. ∀ x . ( . y) = ρ x .Y) ∈ D) = ∫∫ ρ( x.Y).t. ( ρ: R2 → R se numeşte densitate de probabilitate a vectorului aleator (X. y) ∈R 2 . ( ∂ ∂ x y 2 3) P((X.Elemente de teoria probabilităţilor 67 aleator de tip continuu. Observaţie 1. ∀ x .p. y Definiţie 1. pe R 2 . ∀ ∈R . t ) ds dt . Spunem că variabilele aleatoare de tip continuu X şi Y sunt independente dacă F(x.y) = iar funcţia x y ∫ ∫ −∞ −∞ ρ(s. y) ∈R 2 . D 4) 5) ∫∫ R2 ρ( x . y) dx ⋅ dy = 1 . y) ≥ 0 . ( ( ∂2 F( x . Dacă ρ este densitate de probabilitate pentru (X. dacă funcţia de repartiţie F se poate pune sub forma: F(x. ρX ( x ) = ∫ ∞ −∞ ∞ −∞ ρ( x . y) a. respectiv Y au loc: 1) 2) ρ x .

.2] şi y . y ) ∈ [1. 1.9. 1 .3] şi x . y ) ≥ 0 şi ∫∫ρ( x.  0.7. dacă x < 1 sau y . y ) =  kxy 2 .3] este densitate de în rest probabilitate dacă =1 ρ( x. dacă ( x. dacă y ∈ [1. 13 k∫ 2 1 ∫ 1 3 xy 2 dxdy =1 .68 Elemente de teoria probabilităţilor şi statistică matematică Aplicaţie ρ( x. y )dxdy R2 ceea ce implică ecuaţia în k. y ) = ∫ ∫ uv dudv =  ( y 3 − 1) 1 1  26  1 ( x 2 − 1) 2 1  marginale sunt.2] × . verificată pentru k = În acest caz funcţia de repartiţie va fi 0 1 2 3  ( x − 1)( y − 1)  78 x y 1 2 F ( x. respectiv. dacă y ∈ [1. Funcţia ( x. dacă x > 2 şi y > şi deducem de asemenea că funcţiile de repartiţie . y ) ∈[1.2] ×[1.

y) = ρX ( x )ρY ( y). y ∈ [1. Derivăm această relaţie în raport cu x şi respectiv y.x>2 1 . rezultă că ρ( x. y ) = ∂ F ( x. y >3 1 1. y) = FX(x) FY(y).1. x <1 0 1 2 FX ( x) =  ( x − 1) . atunci F(x. y ) / = FX ( x ) FY/ ( y ) = ρX ( x ) ρ ( y ) Y ∂∂ x y Afirmaţia inversă rezultă din: . Demonstraţie: Presupunem că variabilele aleatoare X şi Y sunt independente.3] 3 . X şi Y sunt independente ⇔ ρ( x .10. Exemple de legi de probabilitate de tip continuu Teorema 1. x ∈ [1.2] 3 .Elemente de teoria probabilităţilor 69 .10. y <1 0 1 FY ( y ) =  ( x 2 − 1) . .

v)dv ]du + ∞ x −u care prin derivare conduce la: ∂ ρZ ( x ) = F ( x ) = ∫ [ ∫ ρ(u . t )dsdt x y =∫ x −∞ −∞ ∫ρ y X ( s ) ρY (t ) dsdt = −∞ ∫ρ x X ( s ) ds −∞ ∫ y Obţinem că X. x − u )du . Fie vectorul aleator (X. Y sunt variabile aleatoare independente.10. v ) dv ]du = ∫ ρ(u . Teorema 1. x − u ) du ∂x −∞ −∞ −∞ / Z + ∞ .70 Elemente de teoria probabilităţilor şi statistică matematică F ( x. ∀x ∈ R . Demonstraţie: Scriem funcţia de rapartiţie FZ a variabilei aleatoare Z. Y) cu densitatea de probabilitate ρ şi ρ densitatea de z probabilitate a variabilei aleatoare Z=X+Y. atunci ρz ( x ) = ∫−∞ρ(u . v) ∈ R 2 / u ∈ R.2.− < v < x − u} . v)dudv Domeniul de integrare pe care se ia integrala ∞ dublă este D = {( u . FZ ( x ) = P ( Z < x ) = P ( X +Y <) = ∫ u +v <x ∞ ∫ ρ(u. y ) = −∞ −∞ ∫ ∫ ρ( s. Avem + x −u ∞ FZ ( x ) = ∫[ −∞ −∞ ∫ ρ(u.

Fie variabila aleatoare X cu densitatea de probabilitate ρ şi funcţia monotonă X g:R→R. ∀x ∈R . Y atunci −∞ ρ( xu . ∀x ∈ R . x u u 3) ρV ( x ) = ∫ ∞ Dacă V= X . ( U= X ⋅ Y .3. Demonstraţie: Presupunem că g este strict crescătoare şi avem: FY ( x ) = P (Y < x ) = P ( g ( X ) < x) = P ( X < g −1 ( x )) = FX ( g −1 ( x )) Prin derivare se obţine că: . 1) Dacă X.Y sunt independente. u ) ⋅ u du . Atunci variabila aleatoare Y=g(X) are densitatea de probabilitate ρY dată prin: ρY ( x ) = ρX (g −1 ( x )) g ' (g −1 ( x )) . Teorema 1.10. atunci x du ) .4. −∞ ∞ 2) ρU ( x ) = ∫ ∞ −∞ Dacă ρ u. ∀ ∈R . atunci: ρz ( x ) = ∫ ρX ( u ) ⋅ ρY ( x − u )du .Elemente de teoria probabilităţilor 71 Observaţie 1.10.

deci ρY ( x) = Exemplul ρ X ( g −1 ( x)) g / ( g −1 ( x)) Se consideră variabila 1. de unde a > 0.10.72 Elemente de teoria probabilităţilor şi statistică matematică ρ X ( g −1 ( x)) ρY ( x) = F ( x) = ( g ( x)) F ( g ( x)) = / −1 g ( g ( x )) / Y −1 / / X −1 Deoarece g este crescătoare.2 . c) P(0 <X <2) ş PX <0 X ∈-2 ]) i ( [ . şi se impune ca ∫ +∞ -∞ ρ(x)dx = 1 . avem g/>0. Să se probabilităţile Rezolvare: a) Deoarece funcţia ρeste o densitate de probabilitate. aleatoare X de tip continuu. ρ x) = a ⋅ e ( −x . care are densitatea de probabilitate determine: a) parametrul real a. rezultă că ρ( x ) ≥ 0. .5. ∀ ∈R x unde a ∈ R . b) funcţia de repartiţie a variabilei aleatoare X.

d aă cx≤ 0 x 1 x − t  2 F(x) = ∫ ρ (t)d t= ∫ e d t=  −∞ 2 −∞  1 . Dacă x>0. atunci şi t ≤ 0 iar F(x) = 1 x t 1 t ∫−∞e dt = 2 e 2 x −∞ = 1 x e 2 . 2 b) folosind densitatea de probabilitate avem: 1 x e .1 e − x . d aă cx> 0  2 Dacă x ≤ 0.Elemente de teoria probabilităţilor 73 Avem: a∫ +∞ -∞ e −x dx = 2a ∫ e −x dx = −2a (e −x ) 0 ∞ + ∞ 0 = 2a Rezultă: 2a=1. de unde a = 1 . atunci x 0 F(x) =1 − 1 −x e . 2 = 1 0 t 1 x −t 1 1 −t e ∫−∞ dt + 2 ∫0 e dt = 2 + 2 (−e ) 2 c) Folosind funcţia de repartiţie avem: .

2 consideră funcţia f ( x ) = 3x 2 −1.10. A doua probabilitate este o probabilitate condiţionată.74 Elemente de teoria probabilităţilor şi statistică matematică 1 1 1 1  P(0 < X < 2) = F(2) .F(0) = 1 . b) să se modifice f(x) astfel încât noua funcţie ρ x ) să fie o densitate de probabilitate.e −2 − = 1 − 2  2 2 2 e  . a) să se arate că f(x) nu este o densitate de probabilitate. P( X < 0 X ∈[ −2. ( .2]) = P(X < 0 −2 ≤ X ≤ 2) = deci P( X < 0.6.−2 ≤ X ≤ 2) = P( −2 ≤ X ≤ 2) unde 1 1 −2 1  1  − e = 1 − 2  2 2 2 e  1 1 1 P(−2 ≤ X ≤ 2) = F( 2) − F(−2) = 1 − e −2 = e −2 = 1 − 2 2 2 e P(−2 ≤ X < 0) = F(0) − F(−2) = Se obţine: P(X < 0 X ∈[−2.3] . Se 1 . x ∈[1.2]) = Exemplul 1.

2  Rezolvare: a) Analizând cele două condiţii ale unei densităţi de probabilitate se obţine: 1) f ( x ) = 3x 2 −1 ≥ 0 dac ă x ∈[1. atunci 24 24 ( obţinem ρ x ) care este o densitate de probabilitate. mai precis. x ∈[1. b) Dacă modificăm funcţia f(x).Elemente de teoria probabilităţilor 75 c) să se calculeze probabilitatea P(1 ≤ X ≤ 2) şi 3  P X < . c) Pentru a calcula probabilităţile cerute se poate proceda în două moduri: 1) folosind funcţia de repartiţie F(x). definim ρ( x ) = 1 1 f (x) = (3x 2 −1).3] 2) ∫ 3 1 f ( x )dx = ∫ (3x 2 −1)dx = 24 ≠ 1 . Această funcţie este: .3] . deci 1 3 f(x) nu este o densitate de probabilitate.

d aăc x < 1 1  F(x) =  (x 3 − x) . 3 ] 24  1 . Caracteristici numerice asociate variabilelor aleatoare .11.76 Elemente de teoria probabilităţilor şi statistică matematică  0 .d aăc x > 3 De aici P (1 ≤ X ≤ 2) = F(2) − F(1) = 3 1  P X <  = 2  24  1 1 ( 2 3 − 2) = 24 4  3 3 3  5 3    −  = F  = 2  2  64  2    ( 2) folosind densitatea de probabilitate ρ x ) adică P(1 ≤ X ≤ 2) = ∫ ρ( x )dx = 1 2 1 (x 3 − x) 24 2 1 = 1 4 3 3 5  P X <  = ∫ 2 ρ( x )dx = 1 2 64  1.d aăc x∈ [ 1 .

dispersia. K . P} un câmp de probabilitate şi X : E → R o variabilă aleatoare. abaterea medie pătratică sau diverse alte momente) ale lui X despre această variabilă aleatoare. de un real folos teoretic şi practic sunt şi informaţiile pe care le conţin anumite caracteristici numerice (valoarea medie. Valoarea medie (speranţa matematică) .Elemente de teoria probabilităţilor 77 Fie {E . În afara informaţiilor furnizate de funcţia de repartiţie F ( x) sau chiar de repartiţia probabilistă (discretă ( pi ) sau continuă ( ρ(x) ) ale unei variabile aleatoare X.

2. 2) Dacă I este infinit numărabilă. valoarea medie există.11. i∈ I Observaţii 1. caracteristica numerică M ( X) = ∑x i p i .i ∈ I  pi  . 1) Dacă I este finită.Fie variabila aleatoare X cu distribuţia  xi  X  . Se numeşte valoare medie.11. .1. M(X) există când seria care o defineşte este absolut convergentă.78 Elemente de teoria probabilităţilor şi statistică matematică Definiţie 1.

11.Y independente ⇒ M(X Y) = M(X) M(Y) . caracteristica numerică M(X) = ∫ xρ (x)dx . Proprietăţile valorii medii 1. x ∈ R .3. Valoarea medie există atunci când integrala improprie care o defineşte este convergentă. Se numeşte valoarea medie a variabilei X.4. Fie variabila aleatoare X de tip continuu x  X   ρ (x)  +∞ −∞ .11. ∀a. b ∈R 2) M(X + Y) = M(X) + M(Y) 3) X.Elemente de teoria probabilităţilor 79 Definiţie 1. Au loc afirmaţiile : 1) M (a X + b) = a M(X) + b.

Y i având repartiţiile X   . j )∈I ×J Rezultă .80 Elemente de teoria probabilităţilor şi statistică matematică Demonstraţie: a) Fie variabilele aleatoare de tip discret X. Y = y j )  p  ij  ( i . pij = P ( X = xi . Variabila X+Y are repartiţia  xi + y j   X +Y  . i∈I i∈I i∈I Avem M ( aX + b) = ∑ (ax i + b) pi = ∑ ax i p i + ∑bp i = aM ( X ) + b  ax i + b  dacă variabila aX + b are repartiţia aX + b  p   i   i∈I şi ∑p i∈I i =1. 2. Y  q  p     i i∈I  j  j∈J x  yj  1.

j )∈I ×J Avem M ( XY ) = ∑∑xi y j pi q j = ∑xi pi ∑y j q j = M ( X ) M (Y ) i∈I j∈J i∈I j∈J b) Presupunem ca X şi Y sunt variabile aleatoare de tip continuu. în cazul particular Y = aX + b.10.  xi y j XY  p q  i j ∑p i∈I ij = q j şi ∑p j∈J ij = pi Variabila XY are repartiţia   dacă X şi Y sunt independente. a ≠ 0.  ( i . a ≠ 0. 1. Dacă notăm prin Y = aX + b. se obţine că . atunci conform teoremei 3.4.Elemente de teoria probabilităţilor 81 M ( X +Y ) = ∑ ( xi + yi ) pij = ∑∑xi pij +∑∑y j pij = ∑ i∈ j ∈J I i∈ j∈J I i∈ j∈J I = ∑xi pi + ∑y j q j = M ( X ) + M (Y ) i∈ I j∈J dacă s-au folosit relaţiile 3.

apoi schimbarea de variabilă x – u = t. x − u )dx )du = −∞ −∞ ∫ ( ∫ (t + u ) ρ(u. atunci: M ( X + Y ) = M (Z ) = −∞ ∫ sρZ ( x)dx = ∫ x( ∫ ρ(u. Y) o notăm prin ρ . t )dt )du = .82 Elemente de teoria probabilităţilor şi statistică matematică ρX ( x −b ) a . iar densitatea de + ∞ + ∞ probabilitate a vectorului (X. pentru orice x ∈ R. şi obţinem M ( X +Y ) = + + ∞ ∞ + + ∞ ∞ −∞ −∞ ∫ ( ∫ xρ(u. Dacă notăm prin Z = X + Y. dx = dt. dx = adu. a ρY ( x) = Avem: M ( aX + b) = M (Y ) = + ∞ −∞ ∫ xρY ( x)dx = 1 a + ∞ −∞ ∫ xρ Y ( x −b ) dx a de unde prin schimbarea de variabilă u = (x – b)/a. variabila care are densitatea de probabilitate + ∞ ρZ . x − u )du )dx −∞ −∞ Schimbăm ordinea de integrare. obţinem M (aX + b) = + ∞ + ∞ + ∞ −∞ ∫ (au + b) ρX (u )du =a ∫ uρX (u )du +b ∫ ρX (u )du = aM −∞ −∞ 2.

2 caracteristica numerică se D 2 (X) = M ( X − M (X) ) [ ] iar σ(X) = D 2 (X) numeşte abatere medie pătratică. )dx )du = ∫ ( ∫tu ρ(u . apoi facem schimbarea de variabilă + + ∞ ∞ x / u = t. Dacă notăm prin V =X Y. . u ) u )dx −∞ ∞ ∞ + ∞ + ∞ + ∞ Schimbăm obţinem: ordinea de integrare. care are densitatea de probabilitate ρ .5. atunci M ( XY ) = M (V ) = x dx ∫ xρV ( x)dx =−∫ x( −∫ ρ(u.Elemente de teoria probabilităţilor + ∞ 83 + ∞ + ∞ = −∞ ∫ t ( ∫ ρ(u. Y) o notam prin ρ . dx = udt. Se numeşte dispersia (varianţa) variabilei aleatoare X. şi + + ∞ ∞ x x M ( XY ) = ∫ ( ∫ ρ(u . t )dt )du = ∫ tρ −∞ −∞ −∞ −∞ + ∞ + ∞ + ∞ X (t )dt + ∫ uρZ (u −∞ 3. t )du )dt + ∫ u ( ∫ ρ(u. iar densitatea de probabilitate a V vectorului (X.11. t )dt )du = u u −∞ −∞ −∞ −∞ = + + ∞ ∞ −∞−∞ ∫ ∫ tu ρX (u ) ρY (t )dtdu = ∫ uρX (u )du −∞ + ∞ + ∞ −∞ ∫ tρ Y (t ) dt = M ( X ) M (Y ) Dispersia Definiţie 1.

Y independente ⇒ D 2 ( X + Y) = D 2 ( X) + D 2 (Y) Demonstraţie: a) D 2 ( X ) = M ( X − M ( X )) = M X 2 − 2M ( X ) X + ( M ( X )) 2 2 = M ( X 2 ) − 2 M ( X ) M ( X ) + [ M ( X )] = M ( X 2 ) − [ M ( X )] [ ] [ 2 ] 2 . 2 dispersia are expresia D 2 ( X ) = ∑( xi − M ( X ) ) ⋅ pi . dacă X este o i∈I variabilă aleatoare 2 discretă dacă X este sau o D 2 ( X ) = ∫ ( x − M ( X ) ) ρ( x) dx .11. Proprietăţile dispersiei 1. I ⊂ N . Dispersia este un indicator numeric al gradului de împrăştiere (sau de dispersare) a valorilor unei variabile aleatoare în jurul valorii medii a acesteia. ∀a. b ∈R c) X. R variabilă aleatoare continuă.84 Elemente de teoria probabilităţilor şi statistică matematică În mod explicit.6. a) D 2 (X ) = M ( X 2 ) −[ M ( X )] 2 b) D 2 (aX + b) = a 2 D 2 (X ).

7. Calculăm [( ( X − M ( X )) + (Y − M (Y )) = M [( X − M ( X ) ) + ( Y − M (Y ) ) + 2( X − M ( X ) )( Y − M (Y ) ) ] = = M [( X − M ( X ) ) ] + M [( Y − M (Y ) ) ] + 2 M ( X − M ( X ) ) M ( Y − M (Y ) ) D2 ( X + Y ) = M ( X + Y − M ( X + Y )) = M 2 2 2 2 2 [ ] = D 2 ( X ) + D 2 (Y ) dacă s-a ţinut seama că M ( X − M ( X ) ) = 0 Aplicaţia 1.Elemente de teoria probabilităţilor 85 dacă s-a făcut un calcul formal. b) Folosind proprietăţile valorii medii şi definiţia dispersiei avem: = a 2 M ( X − M ( X )) D 2 (aX + b) = M (aX + b − aM ( X ) − b) 2 = M a 2 ( X − M ( X ) ) [ [ 2 ] = a D (X ) 2 2 ] [ c) Dacă X. Y independente avem M ( XY ) = M ( X ) M (Y ) . Dacă X este o variabilă aleatoare discretă 2 3 − 2 −1 0 1 2 2 5 1 1 X : 1    12 12 12 12 12 12  atunci deducem că: .11.

86 Elemente de teoria probabilităţilor şi statistică matematică M ( X ) = −2 M (X 2) = 4 1 2 2 5 1 1 1 −1 + 0 +1 + 2 +3 = 12 12 12 12 12 12 2 1 2 2 5 1 1 +1 + 0 +1 + 4 +9 =2 12 12 12 12 12 12 2 D 2 ( X ) = M ( X 2 ) − [ M ( X )] = 2 − σ( X ) = D2 ( X ) = 7 2 1 7 = 4 4 Aplicaţia 1. 0.3] în rest atunci deducem că: 3 x3 M ( X ) =∫ xρ x ) d = ( x 1 1 2 1 1 3 = 6 3 .    x  ρ ( x) =  4 .11.  3 x ∈ [1.8. M ( X 2 ) =∫ x 2 ρ x)d = ( x 1 3 x4 1 6 2 =5 1 D 2 ( X ) = M ( X 2 ) − [ M ( X )] = 5 − 169 11 = 36 36 σ( X ) = D2 ( X ) = 11 6 . Dacă X este variabilă aleatoare continuă  x  X :  ρ( x )  .

D 2 ( X ) = σ 2 − σ1 Dacă X este variabilă de tip discret având  xi  repartiţia X :   .11. caracteristica . caracteristica numerică σ k = M (X k ) Observaţie 1.11.11. p   i i∈I ∑p i∈I i = 1 atunci σ k = ∑xik pi i∈I Dacă X este variabilă de tip continuu k  x  X : atunci σk = ∫ x ρ( x) dx  ρ( x)   R  x∈R Definiţie 1. Se numeşte moment centrat de ordin k al variabilei aleatoare X. Pentru k=1 avem 2 σ1 = M (X) iar pentru k=2.Elemente de teoria probabilităţilor 87 Momente Definiţie 1.9.11. Se numeşte moment iniţial (obişnuit) de ordin k al variabilei aleatoare X.10.

µ 2 = D 2 (X) Teorema1.12.11.11. X discretă  i∈ I µk =  k ∫ ( xi − M ( X ) ) ρ ( x)dx . Între momentele centrate şi momentele k iniţiale există următoarea relaţie: i µ k = ∑( −1) i C ik σk −i σ1 .88 Elemente de teoria probabilităţilor şi statistică matematică numerică k µ k = M ( X − M(X) ) . X continuă R Observaţie 1. iar pentru k=2. i =0 Demonstraţie: Avem  k i µk = M ( X − M ( X ) ) k = M ( X − σ1 ) k = M  ∑Ck X k −i (−σ  i=0 k k k  i i = M ∑(−1)i Ck X k −iσ1i  = ∑(−1)i Ck M ( X k −i )σ1i = ∑(−1 i =0  i=0  i=0 [ ] [ ] .13. [ ] adică ∑ ( xi − M ( X ) ) k ⋅ pi . Pentru k=1 avem µ1 = 0 .

adică [ ] ∑ ∑ ( xi − M ( X ) ) r ( y j − M (Y ) ) s pij .17. Definiţie 1. În statistica matematică se utilizează de regulă primele patru momente centrate: µ1 .16.Elemente de teoria probabilităţilor 89 Observaţie 1. µ0 2 = D 2 ( Y) . µ3 . µ4 . (X. y )dxdy . ( X .11.14. µ2 0 = D 2 ( X).11.s) al vectorului aleator (X.11. Y ) discret  i∈I j ∈ J σ rs =  r s x ∫ ∫ y ρ ( x. adică ∑∑ xir y sj pij . Se numeşte momentul iniţial de ordinul (r. ( X .11. Y) continuu 2 R Definiţie 1. σ1 o = M ( X). Se numeşte moment centrat de ordin (r. µ2 . y )dxdy . (X.Y) caracteristica r s numerică σrs = M (X Y ) . Y ) disc  i∈I j∈J µ rs =  r s  ∫ (∫x − M ( X ) ) ( y − M (Y ) ) ρ ( x. Y) cont  R2 Observaţie 1. σ0 1 = M ( Y). caracteristica numerică µ rs = M ( X − M (X)) r (Y − M ( Y) s .s) al vectorului aleator (X.Y).15.

dar nu şi reciproc. Definiţie 1.90 Elemente de teoria probabilităţilor şi statistică matematică Corelaţie sau covarianţă Definiţie 1. X ) .18. X ) = D2 ( X ) n m n  m  C  ∑ai X i . caracteristica numerică C(X. ∑b jY j  = ∑∑aib j C ( X i . Y independente ⇒ C(X. Y ) = M ( XY ) − M ( X ) M ( Y ).19. 1 ≤ i ≤ m .11. Y j ) . Y ) = M[ ( X − M (X ) )( Y − M ( Y) ) ] adică C(X. C( X . 1 ≤ j ≤ n C ( X . Y) = µ11 Observaţie 1.   j =1  i =1  i =1 j =1 oricare ar fi variabilele aleatoare Xi şi Yj şi oricare ar fi constantele reale ai şi bj.11.20. oricare ar fi X şi Y. 1) C( X. Y) = σ11 − σ10 σ01 Dacă X.11. Y ) =C (Y . Se numeşte coeficient de corelaţie relativ la variabilele aleatoare X şi Y caracteristica numerică . Y) = 0 . C(X. Se numeşte corelaţia sau covarianţa variabilelor aleatoare X şi Y.

Y ) ≤ − . a < 0 Observaţie 1. a > 0 c) r ( X . Y) = 0 reciproc nu este adevărat. Y ) <1 −1 < r ( X .Elemente de teoria probabilităţilor 91 r(X.11.Y sunt necorelate dacă r(X. Y independente ⇒ r ( X. Y ) D (X) D 2 (Y) 2 Observaţie 1. Y ) ≤ 1 b) r ( X .Y ) =− . Y ) = −1 ⇔Y = aX + b. 2) Spunem că X. 1) X. Y ) = +1 ⇔Y = a X + b. Y)= C( X . 1 3) X şi Y sunt puternic pozitiv (sau negativ) corelate dacă 0.Y) =0 Proprietăţi: a) r ( X.75 ≤ r ( X . În practică se mai spune că: 1) X şi Y sunt pozitiv perfect corelate dacă r ( X .21.21. 0 (sau . 2) X şi Y sunt negativ perfect corelate dacă r ( X .75 ). Y ) =1 .11.

Y ) < 0 ). Aplicaţie 1.92 Elemente de teoria probabilităţilor şi statistică matematică 4) X şi Y sunt slab pozitiv (sau negativ) corelate dacă 0 < r ( X . Calculaţi coeficientul de corelaţie r(X. Y X -1 0 1 2 pi -1 1/6 1/12 1/12 1/24 9/24 0 1/24 1/6 1/12 1/24 8/24 1 1/24 1/24 1/6 1/24 7/24 qj 6/24 7/24 8/24 3/24 1 Rezolvare: Pe baza formulelor corespunzătoare. deducem imediat: M ( X ) = −1 9 8 7 2 1 +0 +1 =− =− 24 24 24 24 12 M ( X 2 ) =1 9 8 7 16 2 +0 +1 = = 24 24 24 24 3 D( X 2 ) = M ( X 2 ) − [ M ( X )]2 = 2 1 95 − = 3 144 144 .22.25 (sau − 0.Y) un vector aleator discret a cărui repartiţie probabilistă este dată de tabelul de mai jos.25 < r ( X . Marginile valorice decizionale fiind alese convenţional.11. Fie (X. Y ) < 0.Y).

Elemente de teoria probabilităţilor 93 M (Y ) = −1 M (Y 2 ) = 1 6 7 8 3 8 1 +0 +1 +2 = = 24 24 24 24 24 3 6 7 1 3 26 13 +0 +1 +4 = = 24 24 24 24 24 12 D (Y 2 ) = M (Y 2 ) − [ M (Y )] 2 = 13 1 35 − = 12 9 36 1 1 1  1 1 1 1  1  M ( XY ) = −1 ⋅  −1 + 0 +1 + 2 + 0 +1 + 2  + 0 ⋅  −1 12 12 24  24 6 12 24  6  1 1 1 1  5  + 1 ⋅  −1 +0 +1 + 2 = 24 24 6 24  24  C ( X .Y ) D 2 ( X ) D 2 (Y ) = 17 12 ≈ 0. Y ) = M ( XY ) − M ( X ) M (Y ) = 5 1 17 + = 24 36 72 r ( X .Y ) reprezintă prima măsură a corelaţiei sau gradului de dependenţă în sens clasic. Pearson în anul 1901 ca rod al colaborării acestuia cu antropologul englez F. Galton .295 95 35 ⋅ 144 36 Observaţie 1.23.11.Y ) = C ( X . Coeficientul de corelaţie r ( X . Introdusă de către statisticianul englez K.

rezultate remarcabile în acest . Dacă la prima obiecţie a dat chiar K. Y ) = 0 nu există un răspuns categoric (în sensul independenţei sau necorelării).94 Elemente de teoria probabilităţilor şi statistică matematică (care a avut prima idee de măsurare a corelaţiei sub denumirea de variaţie legată). pentru celelalte două obiecţii nu s-au dat răspunsuri clare decât după apariţia în 1948 a teoriei matematice a informaţiei. printre care şi aceea că: 1) este dependentă de valorile vectorului aleator ( X . această măsură a gradului de dependenţă a fost criticată încă de la apariţiei ei pentru diverse motive. Pearson un răspuns. fapte cerute de practică. Y ) şi ca urmare nu este aplicabilă pentru cazul variabilelor aleatoare necantitative. 3) nu poate fi extinsă la mai mult de două variabile aleatoare sau chiar la doi sau mai mulţi vectori aleatori. 2) nu este precisă în cazul independenţei şi al necorelării deoarece dacă r ( X .

coeficientul de corelaţie clasic (sau coeficientul GaltonPearson) este cel mai frecvent utilizat în practică şi.11.24.. . Fiind dat vectorul aleator Z = ( X 1 ... vectorul n-dimensional ale cărui componente sunt valorile medii ale componentelor lui Z adică: M ( Z ) = M ( X 1 ... dacă există... În ciuda tuturor criticilor ce i s-au adus.Elemente de teoria probabilităţilor 95 sens obţinând şcoala românească de matematică sub conducerea lui Silviu Guiaşu introducând măsurile entropice ale dependenţei dintre variabile aleatoare şi vectori aleatori (în anii 1974-1978) cu o largă aplicabilitate teoretică şi practică.. M ( X 2 ). se numeşte valoare medie a acestuia şi se notează cu M (Z ) . X 2 .. X n ) Z : E → R n .... X 2 . M ( X n ) ) . Definiţie 1. pentru că este cel mai simplu în utilizare. X n ) = ( M ( X 1 ).

n = ( C( X i .. . ..... X n )  ν11 ν12   .Yj ) i. X 2 )  C ( X 2 ....n Pentru cazul unui vector aleator Observaţie 1. ..   2 .... a) bidimensional.11.n j = 1. j= 1. C ( X 2 . b) c) Uneori matricea de corelaţie C (Z ) se mai notează şi cu Γ ) . Y ) care este M ( X ... care este M ( XY ) şi media vectorului ( X .. matricea C(Z ) = ( ci )ji= 1. .. .. Y ) ... X ) C( X . .. X1) D2 ( X 2 ) C (Z ) =  .25. X ) n 1 n 2  .. C ( X 1 . X n )  ν 21 ν 22  =  . (Z Desfăşurat matricea de covarianţă C (Z ) are forma:  D 2 ( X1 ) C ( X1.96 Elemente de teoria probabilităţilor şi statistică matematică Se numeşte matrice de covarianţă (sau de corelaţie) a vectorului Z şi se notează prin C (Z ) .. a nu se face confuzie între media produsului componentelor X şi Y. ... dacă există. D ( X n )  ν n1 ν n2   .  C( X . ...

atunci putem introduce matricea coeficienţilor de corelaţie R (Z ) a cărei formă dezvoltată este: 1   r ( X 2 . . X ) n 1  r ( X1. r( X n .  r( X .11. d) Pornind de la definiţia coeficientului de corelaţie şi de la matricea de corelaţie.....26. X1 ) R( Z ) =  . Fie variabilele aleatoare:  −1 X1 :  p  1 1  1  . X n )   r( X 2 . 1 ≤i. X 2 ) 1 .. este: . j . r ( X 1.. X n )   . X3 :   r q2  1 4  r2   a căror repartiţie comună notată ( pijk ) .. ..   1  Ambele forme ale matricei de corelaţie a vectorului aleatoriu Z reprezintă de fapt tabele ale măsurării gradului de dependenţă dintre componentele lui Z.. constatăm că matricea C (Z ) este simetrică. k ≤ 2 . Aplicaţie 1. . X2 :  q p2   1 3 2  .. dacă toate componentele lui Z sunt neconstante.Elemente de teoria probabilităţilor 97 şi ca urmare a proprietăţilor corelaţiei.. considerate două câte două.. X 2 ) ...

98 Elemente de teoria probabilităţilor şi statistică matematică
p111 =
p211 =

1 1 1 3 ; p112 = ; p121 = ; p122 = ; 16 16 32 32
1 1 1 5 ; p212 = ; p221 = ; p222 = . 8 4 16 16

Să se determine repartiţiile bidimensionale şi unidimensionale ale vectorului aleator tridimensional
Z = ( X 1 , X 2 , X 3 ) şi matricele de corelaţie C (Z ) şi
R (Z ) .

Rezolvare: Avem imediat repartiţiile bidimensionale

1  p1 1• = p1 1 +1 p1 1 2=  8  3  p2 •1 = p2 1 +1 p2 1 2= 8 
pentru ( X 1 , X 2 )

;

1 p1 2• = p1 2 +1 p1 2 2=  8 3 p2 2• = p2 2 +1 p2 2 2=  8

Elemente de teoria probabilităţilor

99

3   p1•1 = p111 + p121 = 32  8  p2•1 = p211 + p221 = 16 

;

p1• 2 = p112 + p122 = p2 • 2

5  32  pentru ( X , X ) 1 3 9 = p212 + p222 =  16 

3   p•11 = p111 + p211 = 16 ;  3  p• 21 = p121 + p221 = 32 

p•12 = p112 + p212 = p• 22

5 32  pentru ( X , X ) 2 3 13  = p122 + p222 =  32 

şi ca urmare putem scrie următoarele tabele de repartiţie bidimensionale: X2 X1 1 3 pi X3 X1 2 4 pi X3 X2 2 4 qi

100 Elemente de teoria probabilităţilor şi statistică matematică -1 1 qj 1/8 3/8 1/2 1/8 3/8 1/2 ¼ ¾ 1 -1 1 rk 3/32 5/32 1/4 3/16 9/16 3/4 9/32 23/32 1 1 3 rk 3/16 5/16 1/2 3/32 13/32 1/2 9/32 21/32 1

din care se observă şi repartiţiile unidimensionale (repartiţiile variabilelor aleatoare considerate X1, X2, X3). Din aceste tabele deducem prin calcul imediat:
M ( X1) = 1 3 ; M ( X 12 ) = 1 ; D 2 ( X 1 ) = 2 4

2 M ( X 2 ) = 2 ; M ( X 2 ) = 5 ; D2 ( X 2 ) =1

M (X3) =

55 101 207 2 ; M (X3 ) = ; D2 ( X 3 ) = 16 8 256

M ( X 1 ⋅ X 2 ) = 1 ; M ( X 1 ) M ( X 2 ) =1 ; C ( X 1 , X 2 ) = 0 ; r ( X1, X 2 ) = 0
M ( X1 ⋅ X 3 ) = 29 55 ; M ( X1 )M ( X 3 ) = ; 16 32

C ( X1, X 3 ) =

3 ; r ( X1, X 3 ) = 32

3 ≈ 0,12 207

M (X2 ⋅ X3) = C( X 2, X 3) =

113 55 ; M ( X 2 )M ( X 3 ) = ; 16 8
3 ≈ 0,21 207

3 ; r( X 2 , X 3 ) = 16

Elemente de teoria probabilităţilor

101

şi ca urmare putem scrie matricele de corelaţie:
3 4  C (Z ) =  0 3 32  0 1 3 16   3 16  207 256   3 32

şi

 1  R (Z ) =  0 0,12 

0 1 0,21

0,12   0,21  1  

constatând că X1 şi X2 sunt independente în timp ce între X3 şi X1 sau X3 şi X2 există o anumită dependenţă chiar dacă nu este puternică. Alte caracteristici numerice Definiţie 1.11.27. Se numeşte mediana unei variabile aleatoare X, caracteristica numerică Me care verifică relaţia:
P( X ≥ M e ) ≥ 1 ≤ P( X ≤ M e ) 2

Observaţie 1.11.28. 1. Dacă F este funcţia de repartiţie şi este continuă atunci M e se determină din ecuaţia F(Me) = .
1 2

Dacă M e ∈(a. Dacă există un singur punct de maxim local spunem că legea lui X este unimodală altfel o numim plurimodală.11. .102 Elemente de teoria probabilităţilor şi statistică matematică 2.30.31. Definiţie (coeficientul lui 1. Se numeşte exces al variabilei aleatoare X.33. b] atunci se ia M e = a +b 2 Definiţie 1. σ4 Observaţie 1. Observaţie 1. caracteristica numerică definită prin e= µ4 − 3.11. Fischer) Se numeşte asimetria X variabilei aleatoare caracteristica numerică definită prin s = µ3 . 1) Dacă e<0 atunci graficul distribuţiei are un aspect turtit şi legea se numeşte platicurtică.11.11. Se numeşte valoare modală sau modul a variabilei aleatoare X orice punct de maxim local al distribuţiei lui X (în cazul discret) respectiv al densităţii de probabilitate (în cazul continuu).11.32. σ3 Definiţie 1.29.

se numesc cuartile (în număr de trei) ale lui X (sau ale repartiţiei lui X) numerele q1 .5  .2 0.     −1 0 2  . Se consideră variabila aleatoare X :  0.3 0.11.35. 3) Dacă e = 0 atunci repartiţiile sunt mezocurtice. Definiţia 1.34. Dacă X este o variabilă aleatoare cu funcţia de repartiţie F ( x) .11.Elemente de teoria probabilităţilor 103 2) Dacă e>0 atunci graficul distribuţiei are un aspect ascuţit şi legea va fi numită leptocurtică. q2 şi q3 cu proprietăţile: 1 1    F (q1 ) ≤ 4  F ( q2 ) ≤ 2  1  1  F (q1 + 0) ≥  F ( q2 + 0) ≥  4  2 3   F (q3 ) ≤ 4  3  F (q3 + 0) ≥  4 Observăm că q2 = M e . Exemplul 1.

56 = 1. M (4X − 2) = 4M ( X) − 2 = 4 ⋅ 0.3 + 2 2 ⋅ 0.8 − 2 = 1. 2 M ( X 2 ) = ( −1) 2 ⋅ 0. Rezolvare: M (X) = ∑ x i p i = −1 ⋅ 0. σX . l t f e l Rezolvare: . M(4X-2). D 2 ( X).4 .64 = 1.8 = 3. 2 ) ρ (x) =   0 a.3 + 2 ⋅ 0.2 + 0 2 ⋅ 0. σX = D 2 ( X) = 1. Să se calculeze valoarea medie şi dispersia variabilei aleatoare care are densitatea de probabilitate  1 − 1 − x .2 D 2 (X ) = M (X 2 ) − [ M (X )] = 2.5 = 2.11.2 + 0 ⋅ 0. d aă cx∈ ( 0 .36.2 − 0.56 . M(3X).104 Elemente de teoria probabilităţilor şi statistică matematică Să se calculeze: M(X).5 = 0.8 i =1 3 M (3X ) = 3M( X ) = 3 ⋅ 0.24 Exemplul 1.2 .

l t f e l  Ţinând seama de definiţie avem: M (X ) = ∫ +∞ −∞ x ρ(x)dx = ∫ x 2 dx + ∫ x ( 2 − x )dx = 0 1 1 2 1 2 x3 3 1 0 + x2 1 0 2 1 − x3 3 2 1 2 1 = M(X 2 ) = ∫ +∞ −∞ x 2 ρ( x )dx = ∫ x 3 dx + ∫ x 2 ( 2 − x )dx = 0 1 2 x4 4 +2 x3 3 − x D 2 ( X ) = M ( X 2 ) − [ M ( X )] = 7 1 −1 = 6 6 Exemplul 1.1] y.2] Se cere: ρ ( x . ∈ [0. ∈ [0. d aă c0 < x ≤ 1  Observăm că: ρ ( x ) =  2 .Y) cu densitatea de probabilitate  k(x + y + 1) x. .37.Elemente de teoria probabilităţilor 105  x. y) =   0. b) să se determine densităţile marginale.11. Fie vectorul aleator (X.x d aă 1 < x < 2 . c  0 a. î nr e s t a) să se determine constanta k.

Rezolvare: a) din condiţiile ρ( x .106 Elemente de teoria probabilităţilor şi statistică matematică c) să se cerceteze dacă X şi Y sunt independente sau nu. y) ≥ 0 ⇒ k ≥ 0 +∞ +∞ 1 2 ∫ ∫ −∞ −∞ ρ( x. 0 . d) să se calculeze coeficientul de corelaţie între X şi Y. y) =  5  0 î.1] 5 ∫0 5  2x + 4  . x ∈[0. nr e s t b) ρX ( x ) = ∫ +∞ −∞ ρ( x . a l t f e l . 1  (x + y + 1) . x∈ [ 0 . y )dxdy = k ∫ dx ∫ ( x + y +1) dy =1 ⇒k =1 5 0 0 . x ∈ [0. 2 ] Deci ρ ( x.1] ⇒ ρ X (x) =  5  0. y)dy = 1 2 2x + 4 ( x + y +1)dy = . 1y ∈] [.

y) ≠ ρX ( x ) ⋅ ρY ( y) d) M(X) = ∫ +∞ −∞ ∫ ∫ +∞ −∞ xρ( x .Elemente de teoria probabilităţilor 107 ρy ( y) = ∫ +∞ −∞ ρ( x . a l t f e l c) X şi Y nu sunt independente deoarece: ρ( x . y ∈ [0. y)dx = 1 1 2y + 3 ∫ 0 ( x + y +1)dx = 10 . y)dxdy = ∫ +∞ −∞ +∞ −∞ yρY ( y)dy = 1 10 ∫ 2 0 y( 2 y + 3)dy σ2 ( X ) = M (X 2 ) = ∫ x 2 ρX ( x )dx = 1 1 2 11 ∫ 0 x (2x + 4)dx = 30 5 σ2 (Y) = M (Y 2 ) = ∫ +∞ −∞ y 2 ρY ( y)dy = 2 1 10 ∫ 2 0 y 2 ( 2 y + 3)dy = 8 15 Deci D 2 ( X ) = M ( X 2 ) − [ M (X )] = 11 64 37 − = 30 225 450 D 2 (Y) = M( Y 2 ) − [ M (Y)] = 2 8 289 71 − = 5 225 225 . y ∈[0. y)dxdy = ∫ +∞ −∞ xρX ( x )dx = 1 1 x ( 2 x + 4)d 5 ∫0 M(Y) = ∫ +∞ −∞ +∞ −∞ ρ( x .2] 5  2y + 3  .2] ⇒ ρ Y ( y) =  1 0  0.

108 Elemente de teoria probabilităţilor şi statistică matematică
M ( X ⋅Y ) = ∫ =
+∞ −∞

+∞ −∞

xy ρ(x, y)dxdy =

2 1 1 ∫ 0 dx ∫ 0 xy ( x + y + 5

1 1 2 14  9 ∫ 0 2 x + 3 x dx = 15 ⇒C ( X , Y ) = M ( XY ) − M ( X 5   9 8 12 −1 = − ⋅ = 15 15 15 225

. Se obţine:

r( X ,Y ) =

C( X ,Y ) = σ X ⋅σY

1 225 = −0,02758 37 71 ⋅ 450 225 −

Exemplul 1.11.38. Se ştie că, dacă două variabile aleatoare X şi Y sunt independente, atunci coeficientul lor de corelaţie este nul. Reciproca nu este adevărată. Iată un vector aleator discret (X,Y), în care X şi Y sunt dependente şi totuşi r = 0 . Y X 0 -1 1 2

1 16
1

2

16

3 16

2

Elemente de teoria probabilităţilor

109

2

16

0

2

16

1 16
Rezolvare:

2

16

3 16

Calculăm repartiţiile marginale:
 0 X : 6 16   −1 Y : 4 16  1 4 16 1 4 16 2   8 16  
7 4 3 4 3 2

2  ; 6 16  

Avem: M (X) =1; M (X 2 ) = ; D 2 (X ) = ; σX =
M ( Y ) = 1; M (Y 2 ) =

5 3 10 ; D 2 (Y ) = ; σY = 2 2 2

2 4   − 2 −1 0  X⋅Y: 1 6 3  , M(XY)=1 2 4   16 16 16 16 16

110 Elemente de teoria probabilităţilor şi statistică matematică
⇒ r= M(X ⋅ Y) - M(X)M(Y) = σ X ⋅ σY 1 −1 =0 3 10 ⋅ 2 2

Exemplul 1.11.39. Fie X o variabilă aleatoare care are densitatea de probabilitate definită prin:

 0, x ∉ (0,2) . ρ ( x) =   1/ 2, x ∈ (0,2)
a) Să se determine modulul şi mediana b) Să se calculeze momentul de ordin k, σk ( x ) .. Rezolvare: a) Conform definiţiei, M0 este valoarea pentru care
ρ( x ) → max . adică

M 0 ∈(0,2) adică

există o

infinitate de valori modale situate pe segmentul (0,2). Me se determină din ecuaţia F ( M e ) =
1 . 2

Elemente de teoria probabilităţilor

111

Cum
F( M e ) = P( X < M e ) = ∫
Me 0

ρ( x )dx =
+∞

Me ⇒ M e = 1. 2
1 2 2k . k +1

b) σk (X) = M (X k ) = ∫ −∞ x k ⋅ dx =

1.12.

Funcţia

caracteristică.

Funcţia

generatoare de momente
Definiţie 1.12.1. Fie câmpul de probabilitate

{E , K , P} şi variabilele aleatoare X şi Y definite pe E cu
valori reale. Se numeşte variabilă aleatoare complexă
Z = X + iY , i 2 = −1 , iar valoarea medie a acesteia

notată

cu

M (Z ) este

dată mediile

de

relaţia
M ( X ) şi

M ( Z ) = M ( X ) + i M (Y ) dacă M (Y ) există.

Observaţie 1.12.2. Dacă X este o variabilă aleatoare defineşte
e itX
2

expresia de
2

eitX = cos tX + i sin tX ,

t ∈R

asemenea
2

o

variabilă

aleatoare

şi

=c s o

tX + in s

tX = 1

m . Fie X o variabilă aleatoare reală. j = . atunci funcţia caracteristică a ) variabilei aleatoare sumă X = X 1 + X 2 + .3. este de tip discret  k ∈K ϕ X (t ) =  itx ∫ e ρ ( x)dx . atunci ϕY (t ) = ϕX ( at )eitb .4. Funcţia caracteristică are următoarele proprietăţi: ( 1) ϕ(0) =1 şi ϕ t ) ≤.12.. ϕm (t ) = ∏ j (t ) ϕ 1 j =1 m 3) Dacă Y = aX + b . j =1. Se numeşte funcţia caracteristică a lui X o funcţie ϕ : R →C dată de relaţia ϕ X (t ) = ϕ(t ) = M (eitX ) .12..112 Elemente de teoria probabilităţilor şi statistică matematică Definiţie 1. + X m este ϕX (t ) = ϕ (t )ϕ2 (t ) .m 1 sunt variabile aleatoare independente în totalitate cu funcţiile caracteristice (ϕ X j (t ) = ϕ j (t ).∀∈ 1 t R 2) Dacă Xj. este de tip continuu R Propoziţia 1. a şi b ∈ R.. care explicit poate fi scrisă sub forma  ∑ pk eitx k ..

putem scrie că ϕX (t ) = M (eitX ) = M (eitX ⋅ eitX . 2) Având în vedere proprietăţile valorii medii.Elemente de teoria probabilităţilor 113 4) Dacă X admite momente iniţiale de orice ordine atunci funcţia caracteristică admite derivate de orice ordin şi are loc relaţia 1 (r ) ϕ X (0) ir σr ( X ) = M ( X r ) = Demonstraţie: 1) ϕ(0) = M (1) =1 şi ϕ t ) = ∑ k eitx ( p k∈ K k ≤ ∑ k e itx = ∑ k =1 p p k∈ K k∈ K dacă X este de tip discret şi ϕ t ) = ∫e itx ρ x ) d ≤∫eitx ρ x ) d =∫ρ x ) d = ( ( x ( x ( x 1 R R R dacă X este de tip continuu... eitX ) = ∏M (e 1 2 m m itX j j =1 ) = ∏ j (t ) ϕ j =1 m 3) Tot ca urmare a proprietăţilor mediei avem: ϕY (t ) = M (eitY ) = M (eitaX ⋅ eitb ) = eitbϕaX (t ) = eitbϕX ( at ) .

114 Elemente de teoria probabilităţilor şi statistică matematică 4) Observăm şi că rezultă ( ϕ Xr ) (t ) = M ( X r eitx i r ) = i r M ( X r eitX ) ( ϕ Xr ) (0) = i r M ( X r ) = i rσ r ( X ) Observaţie 1.12. Folosirea relaţiei de la punctul 4) este recomandabilă doar atunci când calcularea momentelor este mai comodă prin această relaţie decât pornind direct de la definiţia acestora.1]  −1 0 1  2) 1 Dacă atunci ϕ(t ) = ∫ 2 xe itx dx = 0 2 − 2ix itx e e2 .6.12. Aplicaţie 1. 2x    x ∈[0. 1) Dacă X :  1 6 1 2 1 3  atunci    ϕ(t ) = e −it + 1 6 1 1 it 2eit + e −it + 3 + e = 2 3 6  x  X : .5.

Propoziţia 1.8. X este de tip continuu R cu condiţia existenţei expresiilor corespunzătoare.m 1 . P} . X este de tip discret  k ∈K G (t ) =  tx ∫ e ρ ( x )dx . Se numeşte funcţie generatoare de momente. funcţia G : R →R . K . . dată de relaţia G X (t ) = G (t ) = M (etX ) care explicit poate fi scrisă sub forma  ∑ pk etx k . e    x ≥0 ϕ(t ) = ∫ e −x eitx dx = 0 1 + it 1 +t2 Definiţie 1. 1 ≤ j ≤ m . j = .12. sunt independente în totalitate şi au funcţiile generatoare G j (t ) .7. Fie X o variabilă aleatoare reală definită pe câmpul de probabilitate {E . Funcţia generatoare de momente are următoarele proprietăţi: 1) G (0) =1 2) Dacă Xj.12. dacă există.Elemente de teoria probabilităţilor 115 atunci 3) ∞ Dacă  x  X :  −x  .

λ > 0 atunci λ e    G (t ) = λ∫ e −λx etx dx = 0 ∞  x  λ . r =1.12. atunci funcţia generatoare admite derivate de orice ( ordin în punctul zero şi G Xr ) (0) = M ( X r ) = σ r ( X ) ..9. atunci GY (t ) = G X (at ) ⋅ etb 4) Dacă X admite momente iniţiale de orice ordin. + X m este G X (t ) = ∏G j (t ) j =1 m 3) Dacă Y = aX + b . 2. . Aplicaţie 1... 1) Dacă X :  1 6 1 12  G (t ) =  −1 0 1   atunci 2 3  1 −t 1 1 −t 2e −t + e −t + 3 e + + e = 6 2 3 6 2) Dacă X :  −λx  . a şi b ∈ R.116 Elemente de teoria probabilităţilor şi statistică matematică atunci funcţia generatoare a variabilei aleatoare X = X 1 + X 2 + . . x ≥ 0 .. dacă t < λ λ −t iar în caz contrar nu există.

Elemente de teoria probabilităţilor 117 p. Repartiţii clasice În teoria probabilităţilor şi în aplicaţiile acesteia se întâlnesc clase de variabile aleatoare de tip discret. atunci k G (t ) = ∑Cn p k q n − k etk = ( pe t + q ) n k =0 n G ' (t ) = npe t ( pe t + q ) n −1 . G '' (0) = n 2 p 2 + npq = M ( X 2 ) 1.1. Repartiţii clasice discrete Repartiţia binomială (Bernoulli) 1. G '' (t ) = npe t ( pe t + q ) n −1 + n( n −1) p 2e 2t ( pe t + q ) n −2 G ' (0) = np = M ( X ) . 3) Dacă k   X :  k k n −k  . n p +q =1 . Forma cea mai generală a unei variabile aleatoare aparţinând unei clase se numeşte lege de probabilitate de tip discret.13. Spunem că variabila aleatoare discretă X urmează legea binomială dacă repartiţia asociată ei are forma .13. C p q   n k =0. q > 0 .

13. k ) = Cn p q    p ∈ 0. Teorema 1.2. adică avem: 1) k P ( n.118 Elemente de teoria probabilităţilor şi statistică matematică  k  k k n −k X : . k ) = ∑kC n p k q n−k k =0 k =0 n n .1) . k ) k = 0.3. atunci: M(X) = np şi D2(X) = npq. q =1 − p > 0) 2) ∑C k =0 n k n p k qn−k = ( p + q ) n = 1 ( p + q =1) Observaţie 1.13. unde P( n. Demonstraţie: Din definiţia valorii medii avem: k M ( X ) = ∑kP (n. Repartiţia binomială este generată de schema urnei cu două stări şi cu bila revenită (schema urnei lui Bernoulli). k ) = Cn p k q n −k ≥ 0 ( p > 0. Dacă X este o variabilă aleatoare discretă ce urmează legea binomială. ( q =1 − p Într-adevăr sunt îndeplinite condiţiile din definiţia unei funcţii de probabilitate. n . iar  P ( n.

Într-adevăr din calcul avem că: .(np)2 = npq. iar dispersia este D2(X) = n2p2 + npq .Elemente de teoria probabilităţilor 119 relaţia: Considerăm k ( pt + q ) n = ∑Cn p k q n−k t k k =0 n pe care o derivăm în raport cu t şi obţinem: k (*) np ( pt + q ) n−1 = ∑kC n p k q n−k t k −1 k =0 n iar pentru t=1 k kq n −1 avem np = ∑kC n p q = M ( X ) k =0 n Pentru a calcula dispersia folosim formula de calcul: D 2 ( X ) = M ( X 2 ) −[ M ( X )] 2 Derivăm în raport cu t relaţia (*)şi obţinem k k n(n −1) p 2 ( pt + q ) n−2 = ∑k ( k −1)Cn p k q n−k t k −2 = ∑k 2C n p k q n−k t k= 1 k =0 n n iar pentru t = 1.1) p2 = M(X2) . Observaţia 1. rezultă n (n .np2 + np = n2p2 + npq.13. Funcţia caracteristică a unei variabile aleatoare discrete X ce urmează legea binomială este: ϕX (t ) = ( pe it + q ) n . adică M(X2) = n2p2 .4.M(X).

k ) = ∑eitk Cn p k q n −k = ∑Cn ( pe it ) k q n − k =0 k =0 k =0 Observaţia 1. k )  Ca + b   Verificarea condiţiilor unei funcţii de probabilitate este imediată şi avem: 1)P(n. n ..2.. iar n ≤ min( ab ) X :  P(n. ik Repartiţia hipergeometrică 1.2. Spunem că variabila aleatoare X de tip discret urmează urmează legea hipergeometrică.. k ) = k =0 1 n Ca+b ∑C k =0 n k a n Cb −k = 1 . k = 1.. k ) = a n b . Calculul momentelor σ k = M ( X k ). unde P(n. se poate face prin intermediul funcţiei caracteristice astfel: σk = ( ϕ Xk ) (0) .6..5. dacă are distribuţia  k  C k C n −k  k = 0.k)= n k Ca Cbn−k > 0∀ k = 0. k = 1.13. n n Ca+b 2) ∑ P ( n..13.120 Elemente de teoria probabilităţilor şi statistică matematică n n n k k ϕX (t ) = M (eitX ) = ∑eitk P(n.

Dacă X este o variabilă aleatoare discretă ce urmează legea hipergeometrică atunci: M ( X ) = np şi D 2 ( X ) = npq N −n N −1 unde N=a+b . k ) = k =0 n n 1 n ∑kC ak Cbn−k = n Ca +b k =0 n−1 Ca +b−1 a =n = np n Ca +b a +b = a n Ca +b ∑Cak−−11Cbn−k = a k −1 dacă s-a avut în vedere relaţia lui Vandermonde şi relaţia k k− 1 kC a = aC a −1 .7. Teorema 1.13. p= Demonstraţie: a b .Elemente de teoria probabilităţilor 121 dacă s-a avut în vedere relaţia lui Vandermonde şi anume ∑C k =0 n k a n n Cb −k = Ca +b . q= p + q =1 . a +b a +b Conform relaţiei de definiţie a valorii medii avem M(X)= ∑kP (n.

Se obţine . folosim formula de calcul n D 2 ( X ) = M ( X 2 ) −[ M ( X )] 2 unde M ( X 2 ) = ∑ k 2 P( n. k ) = k =0 1 n Ca+b ∑k k =0 n 2 k n Ca Cb −k = = a n Ca+b ∑[k (k −1) + k ]C k =0 n k a C n −k b n 1  n k n −k k = n  ∑ k ( k − 1)Ca Cb + ∑ kC a C Ca+b  k =0 k =0 k k −2 k k− 1 dar k(k-1) Ca = a ( a −1)Ca −2 iar k Ca = aC a −1 deci M a (X ) = n Ca +b 2 ∑C k =1 n k −1 a −1 C n−k b a (a −1) n k −2 n−k + ∑Ca−2 Cb = n Ca +b k =2 = a a( a −1) n−2 na a ( a −1) n −1 Ca+b−1 + Ca +b−2 = + n(n −1) n n Ca +b Ca+b a +b ( a + b)( a + b −1) dacă s-a avut în vedere relaţia lui Vandermonde.122 Elemente de teoria probabilităţilor şi statistică matematică Pentru a calcula dispersia.

k! ∑ P ( λ) = ∑ k ! e λ = e λ ∑ k ! = e λ e λ = 1 − − − k =0 k k =0 k =0 +∞ +∞ λk +∞ λk .. dacă are distribuţia X:  k  λk −λ   k = 0. Spunem că variabila aleatoare X de tip discret urmează legea lui Poisson...Elemente de teoria probabilităţilor 123 D 2 ( X ) = M ( X 2 ) − [ M ( X )] 2 = n(n −1)a( a −1) n 2a 2 − = ( a + b)( a + b −1) (a + b) 2 = na b a +b −n N −n = npq a + b a + b a + b −1 N −1 Repartiţia Poisson 1..1... iar λ > 0  P (λ )  k!  k  ) Funcţia Pk (λ satisface condiţiile unei funcţii de probabilitate şi anume: 1)P k (λ) = 2) λk −λ e > 0 k = 0. unde P(λ) = e .2.13.8.1.2.

9. Valoarea medie şi dispersia variabilei aleatoare X ce urmează legea lui Poisson sunt egale cu λ . x∈ k! λk k! = λe −λ ∑ k =1 +∞ λk −1 ( k −1)! = λe −λ e λ = λ Calculăm M(X 2)= ∑k 2 Pk (λ) = λe −λ ∑k k =0 k= 1 + ∞ + ∞ λk −1 (k −1)! = = λe −λ ∑[( k −1) +1] k =1 + ∞ +∞  +∞ λk −1 λk −1   = λe −λ  ∑(k −1) +∑  ( k −1)! ( k −1)! k =1 (k −1)!   k =1  λk .adică M(X)=D2(X)= λ .13. Demonsraţie: Avem M(X) = ∑kPk (λ) = e −λ ∑k k =0 k =0 +∞ +∞ ex = ∑ k =0 + ∞ xk .124 Elemente de teoria probabilităţilor şi statistică matematică dacă s-a avut în vedere dezvoltarea R Teorema 1.

n unde   P ( n. k )  k P (n.t ∈R Într-adevăr avem ϕX (t ) = M (eitX ) = ∑eitk Pk (λ) = ∑eitk k =0 k =0 + ∞ + ∞ λk k! e −λ = e −λ ∑ (λeit ) k −λ λe it e e k! k =0 + ∞ Teorema 1.Elemente de teoria probabilităţilor 125 = λ2 e −λ ∑ k =2 +∞ λk −2 ( k − 2)! + λe −λ ∑ k =1 +∞ λk −1 ( k −1)! = λ2 e −λ e λ + λe −λ e λ = λ2 + λ Obţinem D 2 ( X ) = M ( X 2 ) − [ M ( X )] 2 = λ2 + λ − λ2 = λ.astfel încăt np u = λ > 0.X urmează legea lui Poisson.13. Observaţia Poisson este 1.10. k ) = Cn p k q n−k şi dacă p=p n . adică .11.13. Funcţia caracteristică asociată unei variabile aleatoare X ce urmează legea lui ϕX (t ) = e λ( e it −1) . atunci pentru n → ∞ . Dacă variabila aleatoare X urmează legea binomială. adică are distribuţia X:    k   k = 0.

126 Elemente de teoria probabilităţilor şi statistică matematică lim P (n. Spunem că variabilă aleatoare X urmează legea geometrică. k=1.3.… Probabilitatea P(k) satisface condiţiile: 1) P(k)=pq k −1 > 0 .2.… k −1 2) ∑ P (k ) = p ∑q = p k =1 k =1 +∞ +∞ cu  k   k=1.( n − k +1) λ k λ ( ) (1 − ) n−k = k! n k = lim λk n n −1 k! n n n→∞ .3. Repartiţia geometrică 1.2.…   P (K )  unde 1 p(k)=pq k − 1 =1 1− q unde am avut în vedere seria geometrică convergentă . Legea lui Poisson mai este cunoscută şi sub numele de legea evenimentelor rare..13..2.12. dacă are distribuţia: X:   .13.k=1. k ) = lim n→ ∞ n→ ∞ n( n −1). n − k +1 λ λ λk −λ (1 − ) −k (1 − ) n = e n n n k! Observaţia 1...13. deoarece se întâlneşte în cazul evenimentelor probabilitate de apariţie mică .

..) = p (q + q 2 + q 3 + . Calculăm M(X 2 ) = ∑k 2 P( k ) = ∑k 2 pq k −1 = p ∑k 2 q k −1 = k =1 k =1 k =1 +∞ +∞ +∞ = p (1 + 2 2 q + 32 q 2 +..)] . Dacă variabila aleatoare X urmează legea geometrică atunci M(X)= q p2 ..) / = p[ q (1 + 2q + 3q 2 +..14..) = p ( q + 2q 2 + 3q 3 +..) / = p ( ) = = 2 1− q (1 − q ) p .13. 1 p şi D2(X)= Demonstraţie: Avem k −1 = p ∑kq k −1 = M(X)= ∑kP (k ) = ∑kpq k =1 k =1 k =1 +∞ +∞ +∞ = q / p 1 p (1 + 2q + 2q 2 + ..Elemente de teoria probabilităţilor 127 ∑q k =1 +∞ k −1 = 1 (0 < q < 1) 1− q Teorema 1...

Funcţia caracteristică asociată unei variabile aleatoare X ce urmează legea Într-adevăr avem ϕ X (t ) = M (eitX ) = ∑eitk pq k −1 = k =1 +∞ p +∞ ∑ (eit q)k = q k =1 qe it <1 = pe it (1 + qe it + ( qe it ) 2 +.. dacă are distribuţia . Observaţia geometrică este: ϕX (t ) = pe it .) = pe it 1 − qe it .. Repartiţia binomială cu exponent negativ 1.15.128 Elemente de teoria probabilităţilor şi statistică matematică = p(q 1 1+q 1+q )/ = p= 2 . 1 − qe it 1.16. 2 3 (1 − q ) (1 − q ) p Obţinem 2 D 1+ q 1 1 + q −1 q − 2 = = 2 2 2 p p p p ( X ) = M ( X 2 ) − [ M ( X )] 2 = .13. Spunem că variabila aleatoare X de tip discret urmează legea binomială cu exponent negativ .13.

. n + 1. Sunt îndeplinite condiţiile unei funcţii de probabilitate 1) n−1 k −1 P(-n. Dacă X este o variabilă aleatoare discretă care urmează legea binomială cu .17...k)=C p n q k − n > 0 . k ) = C k −1 p n q k −n . n ∈ N * 2) ∑P(−n. 1! 2! Teorema 1.. n +1... .. k ) = ∑C k =n k =n +∞ +∞ n −1 k −1 n −1 q k −n = p n ∑Ck −1 q k −n = p n (1 − q ) −n = 1 k =n + ∞ dacă s-a ţinut seama de dezvoltarea lui Abel şi anume (1+q) −n n −1 = ∑C k −1 q k −n = 1 + k =n +∞ n n( n +1) 2 q+ q + . k = n.Elemente de teoria probabilităţilor k   X :  P ( −n.13. k )  n ∈N *    unde 129 k = n. 0 < p <1 p + q =1 n− 1 P ( −n..

Avem n− 1 n− 1 M ( X 2 ) = ∑k 2Ck −1 p n q k −n = p n q −n+2 ∑k 2Ck −1 q k −2 = k =n k =n +∞ +∞ + ∞ + ∞ n− 1 n− 1 = p n q −n+2 ∑ k (k −1) + k ]Ck −1 q k −2 = p n q −n+2 ∑k (k −1)Ck −1 q k −2 [ k =n k =n n− 1 = p n q −n+2 (∑Ck −1 q k ) // + M ( X ) = p n q −n+2 ( k =n +∞ qn n ) // + = p n q n (1 − q ) p = p n q −n+2 nq n−2 [( n −1) p + ( n +1) q ] n n + = 2 [( n −1) p + ( n +1) n +2 (1 − q ) p p Obţinem .130 Elemente de teoria probabilităţilor şi statistică matematică exponent negativ atunci M(X)= n p şi D 2 ( X ) = ( nq ) p 2 . (1 − q ) n (1 − q ) n+1 p Pentru calculul dispersiei folosim formula de calcul D 2 ( X ) = M ( X 2 ) −[ M ( X )] 2 . Demonstraţie: Avem − − ∑kC kn−11 p n q k −n = p n q −n+1 ∑kC kn−11q k −1 = k =n k =n + ∞ + ∞ M(X)= =p q −n+1 ( n qn nq n−1 n ) / = p n q −n+1 = .

  n Într-adevăr −1 ϕ X (t ) = M (eitX ) = ∑eitk Ckn−1 p n q k −n = k =n −1 −1 = ∑Ckn−1 p n (qe it ) k −n eitn = ∑Ckn−1 ( pe it ) n (qe it ) k −n = k =n k =n +∞ +∞ +∞ = ( pe ) it n ∑C k =n +∞ n −1 k −1 (qe ) it k − n = ( pe ) it k − n = ( pe ) (1 − (qe )) it n it −n  pe it =  1 − qe it      n Repartiţii continue Repartiţia uniformă(rectangulară) 1.b].18.13.19. 2 p p p p Observaţia 1. Spunem că variabila aleatoare X urmează legea uniformă pe intervalul [a.dacă are densitatea probabilitate de . Funcţia caracteristică asociată unei variabile aleatoare X ce urmează legea binomială cu exponent negativ este:  pe it ϕX (t ) =   1 − qe it    .Elemente de teoria probabilităţilor 131 D2 ( X ) = n[ n − p + q ] n n 2 nq + − 2 = 2 .13.

b] Observaţia 1.13. b]  ρ( x ) = b − a   0 .13. astfel definită. ∀ x ∈R b 2) −∞ ∫ ρ( x)dx = ∫ a 1 dx =1 b −a ρ( x) 1 b −a 0 a b x Observaţia 1. Funcţia de repartiţie a variabilei aleatoare ce urmează legea uniformă are expresia: .20.132 Elemente de teoria probabilităţilor şi statistică matematică  1 . satisface condiţiile unei funcţii densitate de probabilitate 1) ρ( x) + ∞ ≥ 0 . dac ă x ∉[ a.21. Din graficul funcţiei densitate de probabilitate se constată că într-adevăr ρ(x ) . dac ă x ∈[ a.

dacă x ≤ a F ( x) = ∫ ρ(t )dt = ∫ 0dt = 0 −∞ −∞ x x x ∈( a. x ∈ (a.x ≤a   x −a F(x)=  b − a . b]  1 . F ( x) = dacă −∞ ∫ ρ(t )dt = ∫ 0dt + ∫ −∞ a x a b 1 + 0dt =1 b −a ∫ b x Graficul funcţiei de repartiţie are forma: F ( x) 1 . b] F ( x ) = dacă −∞ ∫ ρ(t )dt = ∫ 0dt + ∫ −∞ a x a x 1 x −a dt = b −a b −a x > b .x >b   Într-adevăr: .Elemente de teoria probabilităţilor 133  0 .

avem valoarea mediană egală cu valoarea medie .23. Demonstraţie: Avem M (X ) = +∞ −∞ ∫ xρ( x)dx = 1 1 b2 − a2 a + b xdx = = b − a −∫ b −a 2 2 ∞ +∞ Dispersia o calculăm folosind formula de calcul D 2 ( X ) = M ( X 2 ) −[ M ( X )] 2 Avem 1 a 2 + ab + b 2 M ( X ) = ∫ x ρ( x)dx = x 2 dx == ∫ b − a −∞ 3 −∞ 2 2 +∞ +∞ rezult ă D 2 ( X ) = M ( X ) = ( a +b) 2 a 2 + ab + b 2 a + b 2 (b − a ) 2 −( ) = 3 2 12 . Dacă X este o variabilă aleatoare uniform repartizată pe intervalul [a.13. Observaţia 1.b] Atunci: M ( X ) = ( a + b) 2 şi D 2 ( X ) = (b + a ) 2 12 .13.134 Elemente de teoria probabilităţilor şi statistică matematică 0 a b x Teorema 1. .22.

Repartiţia exponenţială negativă 1. Spunem că variabila aleatoare X urmează legea exponenţială de parametru λ > 0 .Elemente de teoria probabilităţilor 135 a)Din simetria graficului funcţiei densitate de probabilitate. valoarea medie.13.24. dacă are densitatea de probabilitate: λe −λx .25. b)Tot cu ajutorul graficului se observă că valoarea modală nu există. dacă x ≤ 0  în raport cu valoarea medie M ( X ) = ( a +b) 2 .13. avem valoarea mediană egală cu Evident această funcţie satisface condiţiile: 1) ρ( x) ≥0 + ∞ ∀x ∈ R + ∞ +∞ 0 2) −∞ −λx −λx ∫ ρ( x)dx = ∫ λe dx = −e Ι =1 0 Observaţia 1. Funcţia de repartiţie pentru variabila aleatoare X ce urmează legea exponenţială de parametru λ > 0 este: . dacă x > 0  ρ ( x) =   0 .

Dacă variabila aleatoare X urmează legea exponenţială de parametru λ > 0 . 2 λ λ λ Observaţia 1.26. .13. d c ă x ≤0 a  F ( x ) = x  −e −λ d c ă x >0 1 a  Teorema 1.136 Elemente de teoria probabilităţilor şi statistică matematică  0 .27. Calculăm: M (X 2) = +∞ + ∞ 2 ∫ x ρ( x)dx = + ∞ −∞ ∫x 0 2 λe −λx = +∞ 0 +∞ = λ ∫ x 2 (− 0 1 λ e −λx )′dx = −x 2 e −λx Ι + 2 ∫ xe −λx dx = 0 xλe λ ∫ 0 2 +∞ −λx dx = 2 1 λλ Obţinem D 2 ( X ) = M ( X 2 ) − [ M ( X )]2 = 2 1 1 − 2 = 2 . Demonstraţie: Avem M (X ) = + ∞ −λx ∫ xρ( x)dx = λ ∫ xe dx = 0 + ∞ 1 −∞ λ .atunci: 2 M ( X ) =1 λ şi D 2 ( X ) =1 λ .13.

σ)) lui dacă Gauss)de are parametri de m ∈R şi σ >0 . k i λ λ k!i k (λ − it ) k +1 folosind relaţia σ k = Repartiţia normală 1.2.. ∀ x∈R În mod evident avem: .. ( ϕ Xk ) (0) k! ⇒ σ k = k k = 1.Elemente de teoria probabilităţilor 137 a)Funcţia caracteristică asociată unei variabile aleatoare X ce urmează legea exponenţială are expresia ϕX (t ) = λ − it λ Într-adevăr avem ϕX (t ) = M (e itX )= + ∞ −∞ ∫e itx ρ( x) dx = ∫ e λe itx 0 + ∞ −λx dx = λ ∫ e −( λ−it ) x dx = λ 0 + ∞ e − b)Deoarece ( ϕXk ) (t ) = avem k =1.2. Spunem că variabila aleatoare X urmează legea normală probabilitate − 1 ρ ( x) = e σ 2π ( x − m) 2 2σ 2 (legea N ( m. densitatea .....13.28.

variabilă face dx = σ 2 dt . Demonstraţie: Avem 1 M ( X ) = ∫ xρ ( x) dx = σ 2π −∞ Se t= x −m . σ >0 −∞ ∫e − ( x −m ) 2 2σ 2 dx = 2 +∞ π ∫e 0 −t 2 dt = 1 dacă t= x −m s-a .29. schimbarea de σ 2 Rezultă . făcut dx = σ 2dt schimbarea . ∀ x ∈R . +∞ +∞ −∞ ∫ xe − ( x −m )2 2σ 2 dx .138 Elemente de teoria probabilităţilor şi statistică matematică 1) ρ( x) > 0 2) 1 ∫ ρ( x)dx = σ 2π −∞ +∞ +∞ .13. de variabilă σ 2 Teorema 1. Dacă X este o variabilă aleatoare ce urmează legea normală de parametri m ∈ R şi σ >0 atunci M ( X ) =m şi D 2 ( X ) =σ2 .

Curba ce reprezintă graficul densităţii de probabilitate ρ se numeşte curba lui Gauss(sau clopotul lui Gauss). 1 ρ(x ) σ 2π 0 m−σ m m+σ x .13. Observaţia 1.30.Elemente de teoria probabilităţilor 2 1 2m σ 2 ∫ (m + σ 2t )e −t dt = σ 2π π −∞ 139 +∞ −t ∫ e dt + 2 M (X ) = 2 +∞ 0 σ 2 π +∞ −∞ ∫ te −t 2 d 1 D ( X ) = ∫ ( x − m) ρ( x )dx = σ 2π −∞ 2 +∞ +∞ −∞ ∫ ( x − m) 2σ 2 2 e − ( x −m ) 2 2σ 2 dx = 2σ 2 +∞ = 4σ 2 +∞ π 2 −t ∫ t e dt = − 2 2σ 2 +∞ 0 π 2 −t ∫ t (e )′dt = − 2 0 π te −t Ι + 0 2 +∞ π ∫e 0 −t 2 dt = Deci cei doi parametri de care depinde distribuţia normală sunt valoarea medie şi abaterea medie pătrată asociată variabilei aleatoare X ce urmează legea normală.

31. σ) .140 Elemente de teoria probabilităţilor şi statistică matematică Analiza acestui grafic ne conduce la concluziile: − funcţia ρ este simetrică faţă de dreapta de ecuaţie x=m − în x=m funcţia admite un maxim egal cu 1 σ 2π − punctele de abscisă x =m −σ şi x =m +σ sunt puncte de inflexiune. Observaţia 1.13.atunci funcţia de repartiţie F este dată de relaţia (t − m ) 2 2σ 2 1 F ( x) = σ 2π şi are graficul −∞ ∫e x − dt ∀∈ R F ( x) 1 1 2 . Dacă variabila aleatoare X urmează legea normală N ( m.

13.Elemente de teoria probabilităţilor 141 0 m x Dacă (t − m) σ = u se face schimbarea de variabilă se obţine F(X ) = 1 2π x −u σ −∞ ∫ e − u2 2 du = 1 2π −∞ ∫e 0 − u2 2 1 du + 2π x −m σ ∫ 0 e − u2 2 du 1 x−m ⇒ F ( X ) = + Φ( ) 2 σ unde φ ( x) = − 1 ∫ e 2 dt 2π 0 x t2 .Dacă x<0 atunci Φ x ) = − ( −x ). atunci spunem că X urmează legea . ( Φ Observaţia 1. Dacă parametrii m şi normală şi normată sau legea normală redusă.32. Funcţia lui Laplace are valorile tabelate pentru argumente pozitive . ∀x ∈ R este funcţia lui Laplace. σ au valorile 0 respectiv 1.

a <b. Spunem că variabila aleatoare X urmează legea gamma cu parametri probabilitate  x −  1  x a −1e b .13.34.142 Elemente de teoria probabilităţilor şi statistică matematică Teorema 1. Dacă X este o variabilă aleatoare ce urmează legea normală N ( m. b ∈R .b>0 dacă are densitatea de . m ∈R şi σ > 0 iar a.13. atunci P ( a < X < b) = φ ( b−m a−m ) −φ( ) σ σ unde m = M (X ) σ 2 = D2 ( X ) Demonstraţie: Avem P ( a < X < b) = F (b) − F ( a ) = [ = φ( b −m σ ) −φ ( a −m 1 b −m 1 a −m + φ( )] −[ +φ( ) 2 σ 2 σ σ ) Repartiţia gamma 1. σ) . dac ă x ≤ 0  a. dacă x > 0 ρ ( x) = Γ(a )b a   0 .33.

b =1 λ În cazul particular Observaţia 1. t ∈R . Observaţia 1.Elemente de teoria probabilităţilor 143 (a unde Γ ) este funcţia lui Euler de speţa a doua. Funcţia de repartiţie a unei variabile aleatoare ce urmează legea gamma are expresia 1 F ( x) = Γ(a )b a x y b ∫y 0 a −1 e dy − . Evident sunt îndeplinite condiţiile: 1) ρ( x) ≥0 ∀ x ∈R + ∞ 2) −∞ ∫ ρ( x)dx =1 a =1. adică + ∞ Γ a) = ( ∫x 0 a− 1 e −x dx .13. Funcţia caracteristică asociată unei variabile aleatoare ce urmează legea gamma are expresia ϕX (t ) = Într-adevăr 1 (1 − itb ) a .13. x >0 cunoscută sub denumirea de funcţia gamma incompletă.35.36.

. b)  0 . adică .37. k i În particular . M ( X 2 ) =b 2 a ( a + ) a 1 şi a o pi D 2 ( X ) =M ( X 2 ) − M ( X )] 2 = [ Repariţia beta 1.2. dac ă x ∉[0. Spunem că variabila aleatoare X urmează legea beta cu parametri a.13..144 Elemente de teoria probabilităţilor şi statistică matematică ϕX (t ) = M (e 1 = Γ(a )b a +∞ itX 1 ) = ∫ e ρ( x)dx = Γ(a )b a −∞ itx + ∞ + ∞ ∫e 0 itx x a −1 e − x b dx = ∫x 0 a −1 e 1 −( −it ) x b 1 b dx = ( )a a Γ(a )b 1 − itb +∞ ∫y 0 a −1 − y e dy dacă s-a făcut schimbarea de variabilă (1 b −it ) x = y k Momentele de ordin k.b)este funcţia lui Euler de speţa întâi.(a + k − 1) ∀ k = 1. găsim M ( X ) =b .1]  ρ( x) = B ( a. dacă are densitatea de probabilitate  1 x a −1 (1 − x) b−1 .b>0.1]  unde B(a.. dac ă x ∈[0... σ k = M ( X ) se obţin folosind relaţia σk = ( ϕ Xk ) (0) = b k ( a + 1)(a + 2).

13. Expresia momentelor de ordin k pentru o variabilă aleatoare cu repartiţia beta.x < 0   1 x a −1 F ( x) =  t (1 − t ) b−1 dt .Elemente de teoria probabilităţilor 145 B (a. ∀ x ∈R 2) + ∞ −∞ ∫ ρ( x)dx = 1 B ( a. b) 0 1 Observaţia expresia: 1. Funcţia de repartiţie asociată unei variabile ce urmează legea beta are  0 . x >1  x ∈[0. b) ∫ 1   1 .38. b) a− 1 b− 1 ∫ x (1 − x) dx = B(a. Evident sunt îndeplinite condiţiile: 1) ρ( x) ≥0.13.39.1] Observaţia 1. B(a. b) =1 B( a. b) = ∫ x a −1 (1 − x )b −1 dx 0 1 cunoscută sub numele de funcţia beta incompletă. se obţine prin calcul direct şi anume: .

146 Elemente de teoria probabilităţilor şi statistică matematică σk = M ( X k ) = 1 + ∞ −∞ k ∫ x ρ( x)dx = 1 k a −1 b −1 ∫ x x (1 − x) dx = B ( a. În mod evident avem: .. M ( X 2 ) = σ2 = Repartiţia χ2 (hi-pătrat) 1. b) = (a + b)( a + b +1).( a + k − a +k −1 b −1 ∫ x (1 − x) dx = B(a. b) a ( a +1)..iar n ∈ N şi poartă numele de numărul gradelor de libertate. dac ă x > 0 0 .( a + b B ( a. b) 0 În particular se obţine M ( X ) = σ1 = şi a (a + 1) ( a + b) 2 (a + b + 1) ab D 2 ( X ) = M ( X 2 ) − [ M ( X )] 2 = (a + b) 2 ( a + b + 1) a a +b . dac ă x ≤ 0 unde σ > 0 . b) 0 1 = 1 B ( a + k .40 Spunem că variabila aleatoare X urmează legea χ2 (hi-pătrat)..13. dacă are densitatea de probabilitate:  1  n  n  ρ( x) = Γ( )σ n 2 2  2    +∞ ∫ 0 n x2 e −1 − x 2σ 2 dx ..

Observaţia 1. anume. Legea χ2 numită şi legea Helmert-Pearson este un caz particular al legii gamma. Observaţia 1.41.13. pentru a =n 2 şi b = 2σ 2 .13.Elemente de teoria probabilităţilor 147 1) ρ( x) ≥0 2) ∀ x ∈R +∞ −∞ ∫ ρ( x)dx = dacă 1 n Γ( )σ n 2 2 2 s-a n +∞ ∫x 0 x n −1 2σ 2 2 e 22σ n dx = n n n 2 Γ( )σ 2 2 de n +∞ n −1 −t 2 ∫t 0 e dt = Γ( Γ( făcut schimbarea variabilă t = x 2σ 2 . Expresia momentelor de ordin k pentru o variabilă aleatoare X având repartiţia χ2 (hi-pătrat) se obţine astfel: .42.

148 Elemente de teoria probabilităţilor şi statistică matematică − 2 x x e 1 σ k = ∫ x ρ ( x) dx = ∫ dx = x 2+k −1 e 2σ dx = n n ∫ n n −∞ 0 Γ( )σ n 2n 2 Γ( )σ n 2 2 0 2 2 n Γ( + k ) n n n k 2k 2 2 σ = 2 k σ 2 k ( + 1).. M ( X 2 ) = σ 2 = n(n + 2)σ 4 respectivD 2 ( X ) = σ 2 − σ 12 = Observaţia 1.13.43. Funcţia de repartiţie asociată unei variabile aleatoare X ce urmează legea χ2 (hi-pătrat)este de forma 2 2 F ( x ) = P ( X < x ) = P ( χ 2 < χ q ) = F ( χq ) = 1 n Γ( )σ n 2 2 2 n 2 xq ∫x 0 x n − 2 −1 2σ 2 e 2 dx = 1 − P ( χ 2 > χq ) = 1 − q .( + k − 1) = σ 2 k n( n + 2)( n + 4) n 2 2 2 Γ( ) 2 k +∞ +∞ k x n −1 − 2 2 2σ +∞ n x În particular se obţine M ( X ) = σ 1 = nσ 2 ..

44.13. Repartiţia Student(Gosset) 1. .Elemente de teoria probabilităţilor 149 de forma unde q sunt probabilităţi x +∞ n −1 − 2σ 2 2 2 xq q = P( χ > χ ) = 2 2 q 1 n Γ( )σ n 2 2 2 n ∫x e dx şi ele au semnificaţia prezentată în desenul F ( x) = F ( x 2 ) q = P ( x 2 > xq ) 0 2 xq e = x2 Karl Pearson a editat tabele pentru funcţia de repartiţie corespunzătoare unei variabile aleatoare ce urmează distribuţia χ2 .

adică 1) ρ( x ) ≥0∀ x ∈R în mod evident  n +1  Γ  n+ 1 x2 − 2  2) ∫ ρ( x)dx = ∫  (1 + ) 2 dx = n n −∞ −∞ nπ Γ ( ) 2 +∞ +∞ n +1 n +1 ) +∞ 1 Γ( ) 1 n −1 2 −n + x 2 2 2 = (1 + ) dx = y 2 dy = n ∫ n ∫ n nπ Γ( ) 0 π Γ( ) 0 2 2 n +1 n +1 n 1 Γ( ) Γ( )Γ( )Γ( ) n 1 2 2 2 2 =1 = B( . dacă are densitatea de probabilitate n +1 n+1 ) x2 − 2 2 (1 + ) n n nπ Γ( ) 2 ρ ( x) = Γ( . ) = n n n +1 π Γ( ) 2 2 π Γ( )Γ( ) 2 2 2 2Γ( . pentru x∈R Sunt verificate condiţiile unei densităţi de probabilitate.150 Elemente de teoria probabilităţilor şi statistică matematică Spunem că variabila aleatoare X urmează legea Student cu n grade de libertate.

13.Elemente de teoria probabilităţilor 151 dacă s-a făcut schimbarea de variabilă y =1 (1 + x 2 n) şi B ( a. Pentru momentele obişnuite de ordin par avem: .46. valoarea medie a unei variabile aleatoare ce urmează legea Student este nulă. b) = s-au Γ a )Γ b ) ( ( Γ a +b) ( .13. Dacă n=1. de probabilitate corespunzătoare repartiţiei Cauchy standard. folosit 1 Γ )= π ( 2 relaţiile Observaţia 1. De asemenea momentele obişnuite de ordin impar sunt nule. Observaţia 1. atunci densitatea de probabilitate capătă forma ρ ( x) = adică se obţine densitatea 1 π (1 + x 2 ) . x∈R .45. Întrucât densitatea de probabilitate este o funcţie pară.

Fisher-Snedecor(repartiţia Fs) Spunem că variabila aleatoare X urmează legea Fisher-Snedecor dacă are densitatea de probabilitate .152 Elemente de teoria probabilităţilor şi statistică matematică +∞ +∞ n +1 n +1 ) x2 − 2 σk = σ2 p = ∫ x 2 p ρ( x)dx = ∫ x 2 p (1 + ) 2 dx = n n −∞ −∞ nπ Γ( ) 2 n +1 n +1 n +1 1 2Γ( ) +∞ n p Γ( ) 1 n − p −1 p+ − x2 − 2 2 2 = x 2 p (1 + ) dx = y2 (1 − y ) 2 n ∫ n ∫ 2 nπ Γ( ) 0 π Γ( ) 0 2 2 n +1 n 1 n p Γ( ) n p Γ( − p )Γ( p + ) n 1 2 B ( − p. dacă n ≥ 2 Repartiţia 1. p + ) = 2 2 = n n 2 2 π Γ( ) π Γ( ) 2 2 Γ( unde s-a făcut schimbarea de variabilă y =1 (1 + x 2 n).13.47. De aici pentru p=1 avem n 1 nΓ ( − 1)Γ (1 + ) 2 2 = n σ 2 = D2 ( X ) = n n−2 π Γ( ) 2 .

avem: .48. Sunt verificate condiţiile unei densităţi de probabilitate adică 1) ρ( x) ≥0 2) r r +s − 1 ) r s x2 2 2 2 dx = r +s ∫ ρ( x)dx = ∫ r s r s −∞ 0 Γ 2 ( )Γ( ) ( rx + s ) 2 2 +∞ ∀∈ x R în mod evident +∞ Γ( r +s r s s ) 1 r −1 B( . ) − 1 2 2 2 =1 = y 2 (1 − y ) 2 dx = r s ∫ r s Γ( )Γ( ) 0 B( .13. ) 2 2 2 2 Γ( unde s-a făcut schimbarea de variabilă y = rx (rx + s ).Elemente de teoria probabilităţilor 153  r r +s −1  Γ( ) r s x2 2 2 2  r s . Pornind de la definiţia momentului de ordin k. Observaţia 1. dacă x < 0  unde s.r>0. dacă x ≥ 0  r +s ρ ( x) =  Γ( r )Γ( s ) 2 (rx + s )  2 2   0 .

) 2 2 Particularizând pe k se obţine σ1 = M ( X ) = respectiv s . Şiruri de variabile aleatoare.154 Elemente de teoria probabilităţilor şi statistică matematică r 2s2 σ k = M ( X k ) = ∫ x k ρ( x)dx = r s −∞ B( . se constată fără dificultate că nu se poate şti înaintea efectuării unei experienţe care vor fi valorile pe care le poate lua variabila aleatoare asociată experienţei.s > 2 s −2 . ) 2 2 sk 1 = k r B( r . Cu o anumită probabilitate se poate spune dacă va apare sau nu una dintre valorile acestei variabile aleatoare. Legea numerelor mari. Teoreme limită. aşa cum se poate vedea pe baza unor teoreme .14. − k ) Γ( s 2 2 = ( )k r s r B( .s > 4 r ( s − 2)( s − 4) D2 ( X ) = 2 s 2 ( s + r − 2) . Cu toate acestea.σ 2 = M ( X 2 ) = s2 r +2 .s > 4 r ( s − 2) 2 ( s − 4) 1. Definind noţiunea de variabilă aleatoare. s ) 2 2 +∞ +∞ r s +∞ r k ∫x 0 x2 −1 r +x 2 dx = (rx + s ) ∫y 0 r −k −1 2 (1 − y s −k −1 2 sk ) dy = k r r s B( + k .

Elemente de teoria probabilităţilor 155 devenite deja celebre. În practica statistică un astfel de rezultat teoretic este remarcabil. unul dintre fondatorii calculului probabilităţilor.14. cu mai bine de un secol mai devreme. Cebîşev a prezentat riguros matematic legea numerelor mari în condiţii generale. Dacă variabila aleatoare X are o valoare medie şi dispersie atunci ∀ε > 0 are loc inegalitatea . se demonstrează că în condiţii puţin restrictive media aritmetică a unui număr suficient de mare de variabile aleatoare îşi pierde caracterul aleator. Poisson în 1837 deşi.1. ocazie cu care inegalitatea lui Cebîşev s-a dovedit un rezultat remarcabil şi extrem de util. pusese în evidenţă acţiunea legii numerelor mari cu o referire la repartiţia normală. Bernoulli. În anul 1867 matematicianul rus P. Inegalitatea lui Cebîşev 1. Termenul de lege a numerelor mari a fost folosit prima dată de către matematicianul francez D. matematicianul elveţian J. Acesta este reprezentat de câteva teoreme ale calculului probabilităţilor cunoscute împreună sub denumirea de lege a numerelor mari.

rezultă P( X − M ( X ) ≥ ε ) ≤ D2 ( X ) ε2 . avem D ∫ ( x − M ( X )) D 2 ρ( x)dx ≥ ε 2 ∫ ρ( x) dx = ε 2 P ( X − M ( X ) ≥ ε ) Am obţinut că D 2 ( X ) ≥ε2 P ( X − M ( X ) ≥ε) . Deci. având densitatea de probabilitate ρ( x) . D = {x / x −M ( X ) } ≥ ε . ε2 Demonstraţie: Presupunem că X este o variabilă aleatoare de tip continuu. Atunci D2 ( X ) = +∞ −∞ ∫ ( x − M ( X )) 2 ρ( x)dx ≥ ∫ ( x − M ( X )) 2 p ( x)dx D unde x −M ( X ) ≥ε . deoarece avem că ( x − M ( X )) 2 ≥ ε .156 Elemente de teoria probabilităţilor şi statistică matematică P( X − M (X ) < ε) ≥ 1 − D 2 (X) sau ε2 inegalitatea D2 ( X ) echivalentă cu aceasta P ( X − M ( X ) ≥ ε ) ≤ .

Definiţie 1.Elemente de teoria probabilităţilor 157 Folosind probabilitatea evenimentului contrar se obţine şi cealaltă formă a inegalităţii: D2 ( X ) ε2 P( X − M ( X ) < ε ) = 1 − P( X − M ( X ) ≥ ε ) ≥ 1 − Definiţie 1. Definiţie 1. Spunem că şirul de variabile aleatoare (X n ) n ≥1 converge în repartiţie la variabila r → aleatoare X şi notăm X n  X dacă lim Fn ( x ) = F( x ) n →∞ unde Fn şi F sunt funcţiile de repartiţie ale variabilelor .4.14. Spunem că şirul de variabile aleatoare (X n ) n ≥1 converge în medie de ordin k la variabila aleatoare k n →∞ X şi notăm mk X n → X dacă lim M ( X n − X ) = 0 .14.2.14.3. Spunem că şirul de variabile aleatoare ( X n ) n ≥1 converge în probabilitate la variabila aleatoare n →∞ X şi notăm X n → X dac ă ∀ε > o avem lim P( X n − X < ε) = 1 .

→ ∑ n k =1 n k =1 Teorema lui Markov 1. Spunem că şirul de variabile aleatoare (X n ) n ≥1 urmează legea numerelor mari dacă pentru orice ε > 0 avem 1 n  1 n lim P ∑X k − ∑ M ( X k ) < ε  = 1 n  n →∞ n k =1  k =1  adică 1 n 1 n X k − ∑ M ( X k ) p 0 .14.7.158 Elemente de teoria probabilităţilor şi statistică matematică aleatoare Xn şi X.5. Demonstraţie: acesta urmează legea .6.14. a ∈ R ⇒ X n  p → a Definiţie 1.14. Observaţie 1. Dacă şirul (X n ) n ≥1 de variabile aleatoare verifică condiţia 1 2 n  D  ∑ X k  = 0 atunci 2 n →∞ n  k =1  lim numerelor mari. m   1) X n   → X ⇒ X n  p→ X ⇒ X n  r → X k   2) X n  r → a . iar convergenţa are loc pentru orice punct de continuitate x ∈ R al funcţiei F.

 n →∞  n n k =1  k =1  Teorema lui Cebîşev 1.8. n k =1 1 n  1 n 1 1 ≥ P ( X − M ( X ) < ε ) = P ∑ X k − ∑ M ( X k ) < ε  ≥ 1 − 2 2 D 2 n  n k =1 n ε  k =1  şi prin trecere la limită se obţine că ∀ ε > 0 1 n  1 n lim P ∑ X k − ∑ M ( X k ) < ε  = 1 . Dacă şirul (X n ) n ≥1 de variabile aleatoare independente două câte două. au dispersiile egal mărginite (adică D 2 (X n ) ≤ L finit) atunci şirul urmează legea numerelor mari.14. Demonstraţie: Avem 1 2 n  1 D ∑ Xk  = 2 2 n  k =1  n ∑ D2(X k ) ≤ k =1 n 1 n2 ∑L= n →0 k =1 n L când .Elemente de teoria probabilităţilor 159 pentru Folosind variabila X = inegalitatea lui Cebîşev 1 n ∑ X k avem pentru ∀ ε > 0.

suntem în măsură să afirmăm cu o .160 Elemente de teoria probabilităţilor şi statistică matematică n → ∞ şi conform teoremei lui Markov rezultă că ( X n ) n≥1 urmează legea numerelor mari. rezultă că între comportarea fiecărei variabilei aleatoare şi a mediei aritmetice a acestora există o mare deosebire în sensul că deşi nu putem preciza ce valoare va lua fiecare dintre variabilele aleatoare considerate. De asemenea. Explicaţia are la bază faptul că selecţia implică un număr de măsurători suficient prin el însuşi.Dacă 1 n  M ( X k ) = m.9. k ≥ 1 ⇒ lim P ∑ X k − m < ε  = 1 . putem face afirmaţii asupra unei populaţii statistice pe baza unei selecţii sau a unui sondaj având un volum de observaţii mic în raport cu acela al întregii populaţii. în practică. Din acest punct de vedere se apreciază că teorema lui Cebîşev se află la baza teoriei selecţiei şi afirmaţia nu este exagerată. n  n →∞  k =1  Acest rezultat explică de ce.14. Observaţie 1.

14. Demonstraţie: Considerăm Xk variabila care indică apariţia evenimentului A la repetarea de rang k a experimentului 0 Xk q  k 1 pk   unde p k = P ( A) .10. ∀ε > 0. media aritmetică a unui număr suficient de mare de variabile aleatoare cu dispersii mărginite îşi pierde caracterul de variabilă aleatoare. Teorema lui Poisson 1. Dacă într-un şir de rang repetări n independente este ale unui pn experiment atunci probabilitatea apariţiei unui eveniment A la repetarea de m 1 n  lim P − ∑ p k < ε  = 1. şi unde m este  n n  n →∞ k =1   numărul apariţiilor lui A în primele n repetări.Elemente de teoria probabilităţilor 161 probabilitate apropiată de unu ce valoare va lua media aritmetică a acestor variabile aleatore. .   q k =1 − p k =1 − P ( A) = P ( A) Variabilele Xk sunt independente două câte două şi au dispersiile egal mărginite. Aşadar.

. ∀ > 0.11. Teorema lui Bernoulli 1. iar m = ∑ X k şi conform teoremei lui Cebîşev rezultă k =1 n că şirul ( X n ) n ≥1 urmează legea numerelor mari..14. Teorema lui Liapunov 1. unde m  ε  n  reprezintă numărul apariţiilor lui A în primele n repetări ale experimentului. atunci lim P n→ ∞ m  − p < ε = 1.. r ≤ 3 3 şi lim µ13 + µ 23 + . i ≥ 1..162 Elemente de teoria probabilităţilor şi statistică matematică D 2 ( X k ) = M ( X k2 ) − [ M ( X k )] = p k − p k2 = p k (1 − p k ) = p k q k ≤ 1 2 . + µ n 3 n →∞ D 2 ( X 1 ) + D 2 ( X 2 ) + . Fie şirul de variabile aleatoare independente (X n ) n ≥1 pentru care există momentele centrate de ordinul trei µir .14.12. atunci şirul de variabile aleatoare ( Z n ) n ≥1 unde . Dacă într-un şir de repetări independente ale unui experiment probabilitatea apariţiei unui eveniment A este p la fiecare  repetare. + D 2 ( X n ) = 0 .

converge în repartiţie la o (X k ) variabilă aleatoare ce urmează legea normală N(0. 1) Problema limită este problema determinării legii de probabilitate a variabilei aleatoare Zn.14. 3) Dacă legea de probabilitate limită este legea normală atunci avem teorema limită centrală. Dacă şirul de variabile aleatoare independente (X n ) n ≥1 sunt identic repartizate (urmează aceeaşi lege de probabilitate) .Elemente de teoria probabilităţilor 163 Zn = ∑ X k − ∑ M (X k ) k =1 k =1 2 n n ∑D k =1 n .14. când n→ ∞ .13. Teorema Lindeberg-Levy 1.14. 2) Teorema limită este teorema care rezolvă o problemă limită.1) adică lim Fn ( x ) = n →∞ 1 ∫ 2π x −∞ e −t 2 2 dt . ∀x ∈ R . Observaţie 1.

∀x ∈ R ..164 Elemente de teoria probabilităţilor şi statistică matematică şi există m = M (X n ).1) 2 adică n →∞ lim Fn ( x ) = 1 2π ∫ x −∞ e −t 2 dt . µ3 = M X n − M (X n ) . ( 3 ) atunci şirul de variabile aleatoare ( Z n ) n ≥1 1 n ∑Xk − m n k =1 unde Z n = . n . σ2 = D 2 (X n ). Dacă variabila aleatoare X urmează legea binomială.2..14. n pentru a<b atunci avem . adică P(n.15.k)=P(X=k)= C k p k q n −k . k = 0. p+q=1.3. converge σ n în repartiţie la o variabilă aleatoare ce urmează legea normală redusă N(0. n = 1. Teorema Moivre – Laplace 1..

D 2 ( X k ) = pq k =1 şi conform teoremei 3.1)dacă n→ ∞. M ( X k ) = p .Elemente de teoria probabilităţilor 165   X − np lim P a ≤ < b =  n →∞  npq     X − np P a ≤ < b ≅   npq   1 1 2π ∫ b a e 2 −x 2 dx sau ∫ 2π b a e 2 −x 2 dx . Avem prin urmare  X −np  lim P <x=  npq  n→ ∞   ∫e 2π − ∞ 1 x −2 /2 t dt şi . 0 Xk q  k = .15.n 1 independente şi identic repartizate n 1  p k =1. Demonstraţie: Fie variabilele aleatoare Xk.14 avem că variabila 1 n ∑Xk − p n k =1 Zn = = pq n ∑X k =1 n k − np = X − np npq npq urmează legea N(0. n  atunci X = ∑ X k .

k=1.2.30 5 0.10   repartiţia Să se .25 4 0.17.14. Fie variabila aleatoare X având  1 X: 0. 2) Folosind x 0 funcţia lui Laplace avem Φ(x) = 1 ∫ 2π e −t 2 2 dt   k − np Pa ≤ < b  ≅ Φ b ) −Φ a ) .n se obişnuieşte să se scrie   k − np P a ≤ < b ≅   npk   1 2π ∫ b a e 2 −x 2 dx .….166 Elemente de teoria probabilităţilor şi statistică matematică   X − np     X − np  X − np lim P a ≤ < b  = lim P < b  − P < a   n→∞  npq   npq  n →∞  npq        b a b 2 1 1 1 −x 2 / 2 −x 2 / 2 = e −x / 2 dx − ∫−∞ ∫−∞e dx = 2π ∫a e dx 2π 2π Observaţie 1.14. 1) Deoarece X=k.10 3 0. 0.20 6  .05  2 0. ( (   npq   b − np   a − np  −Φ 3) P( a ≤ k < b ) = Φ      npq   npq      Exemplul 1.16.

66 = 0. 25 + 0.10 + 3 ⋅ 0.05 + 2 2 ⋅ 0.10 −14 .66 2 M (X 2 ) = 12 ⋅ 0.10 + 0.585 4 Exemplul 1. iar în restul probelor a fost 0.20 = 0. Rezolvare: Valoarea exactă se obţine astfel: 6 M (X) = ∑ x k p k = 1 ⋅ 0.10 k =1 = P (1.30 + 5 2 ⋅ 0.10 = 16 Deci P( X − M (X ) < ε) ≥ 1 − 1.4.20 + 6 ⋅ 0.85 P X − M ( X ) < 2 = P( − 2 < X − M ( X ) < 2) = P ( − 2 + M ( X ) < X < 2 + M ( X ( ) Pentru marginea inferioară se aplică inegalitatea lui Cebîşev cu ε = 2 .05 + 2 ⋅ 0.25 + 4 ⋅ 0.5. Să se determine marginea inferioară a probabilităţii ca .80 < X < 5.10 + 3 2 ⋅ 0.3.14.44 = 1. În 200 din ele probabilitatea apariţiei unui rezultat aşteptat a fost 0.20 + 6 2 ⋅ 0.Elemente de teoria probabilităţilor 167 probabilităţii determine valoarea exactă a P ( X −M ( X ) <2 ) precum şi o margine inferioară a acesteia.25 + 4 2 ⋅ 0. D 2 ( X) = M ( X 2 ) − [ M ( X)] = 16 .80 ) = P ( ( X = 2) ∪ ( X = 3) ∪ ( X = 4) ∪ ( X = 5) ) = = 0.30 + 0. Se efectuează 800 de probe independente.18. în 400 de probe această probabilitate a fost 0.30 + 5 ⋅ 0.

168 Elemente de teoria probabilităţilor şi statistică matematică abaterea absolută a frecvenţei relative de apariţie a evenimentului de la media probabilităţilor să nu depăşească 0.04.7 să se calculeze probabilitatea ca: a) numărul cumpărătorilor să fie cuprins între 1800 şi 2400. ν 1 n  1 P − ∑p k < ε  ≥ 1 − 2 2 n n  n ε k =1   ∑p q k =1 k n k adică  8  1 ∞ 200 ⋅ 0.3 ⋅ 0 P −  800 800 ∑ p k < 0.5 ⋅ 0.6 + 200 ⋅ 0.14.04) 2 k =1   Exemplul 1. Se cunoaşte că o unitate de desfacere a produselor alimentare poate deservi zilnic un număr de 3000 clienţi.04 .19. Ştiind că un client care intră în unitate devine cumpărător cu probabilitatea p=0.4 ⋅ 0. . b) numărul cumpărătorilor să fie mai mic decât 2150. Rezolvare: Se aplică teorema lui Poisson pentru n=800 şi ε = 0.04  ≥ 1 −  800 2 − (0.5 + 400 ⋅ 0.

Se cunoaşte că M(X)=np=2100 iar D 2 ( X ) = npq = 630 .993 90000 De asemenea.007 = 0. ∀ε > 0 ε2 6300 ε2 sau P( 2100 − ε < X < 2100 + ε ) ≥ 1 − Dacă se ia ε = 300 rezultă P(1800 < X < 2400 ) ≥ 1 − 630 = 1 − 0. Rezolvare: a)Numărul cumpărătorilor X este o variabilă aleatoare ce urmează legea binomială cu parametrii n=3000 şi p=0.7. se poate folosi teorema Moivre-Laplace adică: . Folosind inegalitatea lui Cebîşev obţinem: P( X − 2100 < ε) ≥ 1 − 630 .Elemente de teoria probabilităţilor 169 c) ce stoc zilnic trebuie asigurat astfel încât riscul de a rămâne clienţi fără produs să fie de 3 ‰.

unde .95 ) = 2 ⋅ 0.170 Elemente de teoria probabilităţilor şi statistică matematică P (1800 < X < 2400 ) ≅ Φ 2400   − 2100 630 = 2Φ(11.4767 = 0. dar P ( X > s ) = 1 − P ( x ≤ s ) = 1 − F(s ) = 1 −  1 2 + Φ  s − 2100   s − m  1   = − Φ σ  2   630   s − 2100  1 s − 2100 ⇒ Φ  = − 0. Exemplul 1.Se consideră şirul de variabile aleatoare (X n ) n ≥1 .9767 630    630  c) Fie s stocul zilnic.003 ⇒ = 2.14.20.5 + 0.003.75   2 630  630  deci s=2170.15 = 1   1800 − 2100   300   − Φ  = 2Φ = 630     630  b) Folosim din nou teorema Moivre-Laplace şi avem: P ( X < 2150 ) = P ( 0 ≤ X < 2150 ) ≅ Φ = 2Φ  2150 − 2100   2100   − Φ − = 630 630      50   2100   + Φ  = 0. adică P(X>s)=0. Vor rămâne clienţi fără produse dacă X>s.

.... +  ≤ lim ∑(1 + ln k ) ≤ lim ∑(1 + ln n →∞ 3n 2 2 k  n →∞ 3n 2 k =1 n → ∞ 3n 2 k =1 k =1 n   2 1 dx 1 = lim ⋅ n (1 + ln n ) = 0 dar 1 + ≤ 1 + ∫k D2 ∑ X  = 1 x ⇒ lim  k n →∞ 3n 2 2 2 n →∞ n k = 1  şi conform teoremei lui Markov şirul urmează legea numerelor mari. − ( n − 1) 1 3(n − 1) 3 ... D 2 ( X ) = M ( X 2 ) − [ M ( X n )] = n 2 1 1 1 + + .Elemente de teoria probabilităţilor 171  −n  Xn :  1  3n 3  ... Rezolvare: 2 1 1  p = 1 − 1 + 3 + .. . +  3 2 n 2 M (X n ) = 0. 1 3 n −1 1 3(n + 1) 3 n 1 3n 3 Să se verifice dacă şirul de variabile aleatoare se supune legii numerelor mari. +  3 2 n Calculăm lim 1 2 n 1  D  ∑ X k  = lim 2 2 n →∞ n  k =1  n →∞ n ∑D k =1 n 2 (X k ) = n 2 n  1 1 2 n 2 = lim ∑ 1 + + ... + 3 .. − 1 0 1 p 3 1 . 3 2 n  M(X 2 ) = n 2 1 1 1 + + .

15.21. După trimiterea actelor necesare. acesta poate obţine bursă de la universitatea i (Ui) sau nu (U i ) . 1. atunci şirul urmează legea   n  numerelor mari.172 Elemente de teoria probabilităţilor şi statistică matematică Exemplul 1.Un student solicită o bursă de studii la 3 universităţi. . ∀ ≥1 adică dispersiile sunt egal mărginite n şi conform teoremei lui Cebîşev avem că şirul considerat urmează legea numerelor mari. Exerciţii rezolvate 1. care au distribuţiile − n Xn :  1    n 0 p0 n 1  . Prin urmare D 2 ( X n ) ≤ 2. Rezolvare: Avem M (X n ) = 0 iar D 2 (X n ) = M(X 2 ) = n ⋅ n 1 1 + 0p 0 + n ⋅ = 2 dacă n n n≥2 iar D 2 (X 1 ) = 0 . Fie şirul de variabile aleatoare (X n ) n ≥1 independente.14.

b)Avem două variante : studentul nu primeşte nici o bursă sau studentul primeşte o bursă. Rezolvare: a) Bursa primită poate fi de la prima universitate. d)primeşte cel puţin două burse. două burse. c)primeşte cel puţin o bursă .Elemente de teoria probabilităţilor 173 1 ≤ i ≤ 3 . c) Evenimentul poate fi scris ca reuniunea a trei evenimente : studentul primeşte o bursă. Avem astfel evenimentul A = (U 1 ∩U 2 ∩U 3 ) ∪(U 1 ∩U 2 ∩U 3 ) ∪(U 1 ∩U 2 ∩U 3 ) . caz în care celelalte nu-i acordă bursă. Obţinem evenimentul B = (U 1 ∩U 2 ∩U 3 ) ∪ A . b)primeşte cel mult o bursă . sau de la a doua. Scrieţi evenimentele ce corespund următoarelor situaţii : a)primeşte o bursă . sau de la a treia. caz în care primele două nu-i acordă bursă. trei . caz în care prima şi a treia nu-i acordă bursă.

b)fete . respectiv a doua alegere. Care este probabilitatea ca cei doi să fie : a)băieţi . Rezolvare: Notăm cu A1 şi A2 evenimentele alegerii unui băiat la prima. deci D = B = (U 1 ∩U 2 ∩U 3 ) ∪ A 2. d)cel puţin un băiat . iar F = U1 ∩U 2 ∩U 3 . e)primul băiat şi a doua fată . La primul punct . Astfel C = A∪ E ∪ F .Într-un grup de studenţi aflaţi în excursie se găsesc 6 fete şi 9 băieţi. evenimentul D este contrar evenimentului . Altfel. B. d)Avem D = E ∪ F . Se aleg la întâmplare doi studenţi pentru a cerceta traseul. unde E = (U 1 ∩U 2 ∩U 3 ) ∪(U 1 ∩U 2 ∩U 3 ) ∪(U 1 ∩U 2 ∩U 3 ) . f)de acelaşi sex. c)un băiat şi o fată .174 Elemente de teoria probabilităţilor şi statistică matematică burse.

15 14 35 9 6 ⋅ . 15 14 35 deoarece alegând un băiat mai rămân în grup 14 studenţi între care 8 băieţi.Elemente de teoria probabilităţilor 175 avem de calculat probabilitatea P( A1 ∩ A2 ) . Întrucât a doua alegere depinde de prima avem : P ( A1 ∩ A2 ) = P ( A1 ) P ( A2 A1 ) = 9 8 12 ⋅ = . 15 14 6 9 ⋅ 15 14 . Evenimentul de la punctul b) se scrie astfel : B = A1 ∩ A2 . 15 14 7 Evenimentul de la punctul c) este aşadar C = ( A1 ∩ A2 ) ∪( A2 ∩ A1 ) P (C ) = P ( A1 ∩ A2 ) + P ( A2 ∩ A1 ) . ( A1 ∩ A2 . Deci P ( B ) = P( A1 ∩ A2 ) = P( A1 ) P ( A2 A1 ) = 6 5 1 ⋅ = . A2 ∩ A1 sunt incompatibile) Dar P ( A1 ∩ A2 ) = P ( A1 ) P( A2 / A1 ) = iar P ( A2 ∩ A1 ) = P ( A1 ) P ( A2 / A1 ) = de unde P(C ) = 2 ⋅ 9 6 18 ⋅ = .

. El este contrar evenimentului : B = A1 ∩ A2 . Să se determine probabilităţile ca : a)toţi cei trei studenţi să promoveze. Cum ( A1 ∩ A2 ) ∩( A1 ∩ A2 ) = Φ cele două evenimente sunt incompatibile şi deci P ( F ) = P ( A1 ∩ A2 ) + P( A1 ∩ A2 ) = 12 1 17 + = 35 7 35 .176 Elemente de teoria probabilităţilor şi statistică matematică Am obţinut şi probabilitatea evenimentului de la punctul e) P( A1 ∩A2 ) . Probabilitatea ca primul student să promoveze este ¾. Evenimentul de 7 7 la ultimul punct f) este F = ( A1 ∩ A2 ) ∪( A1 ∩ A2 ) .La un examen de licenţă participă mai mulţi absolvenţi. iar pentru al treilea 5/6. prin urmare P ( D) =1 − P( B) =1 − 1 6 = . 3. între care numai trei din străinătate. probabilitatea ca al doilea să promoveze este 4/5. Evenimentul de la punctul d) se exprimă astfel : D = A1 ∪ A2 .

Rezolvare: Fie Ai evenimentul promovării examenului de către studentul i. Evenimentele Ai sunt independente (rezultatele celor 3 studenţi nedepinzând unul de celelalte). avem: + P ( A1 ) P ( A2 ) P ( A3 ) = P ( B ) = P ( A1 ) + P ( A2 ) + P ( A3 ) − P ( A1 ) P ( A2 ) − P ( A1 ) P ( A3 ) − P ( A2 3 4 5 3 4 3 5 4 5 3 4 5 1 + + − ⋅ − ⋅ − ⋅ + ⋅ ⋅ = 4 5 6 4 5 4 6 5 6 4 5 6 1 . Evenimentul de la punctul a) este A = A1 ∩ A2 ∩ A3 . i=1.3.3.2. iar de la punctul b) este B = A1 ∪ A2 ∪ A3 . Ţinând seama de independenţa evenimentelor Ai .2.Elemente de teoria probabilităţilor 177 b)cel puţin unul să promoveze examenul. i=1. 4 5 6 2 Folosind proprietăţile probabilităţii avem : = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) + P ( A3 ) − P (( A1 ∩ A3 ) ∪( A2 ∩ P ( B ) = P ( A1 ∪ A2 ∪ A3 ) = P ( A1 ∪ A2 ) + P ( A3 ) − P(( A1 ∪ A2 ) ∩ = P ( A1 ) + P ( A2 ) − P ( A1 ∩ A2 ) + P ( A3 ) −[ P ( A1 ∩ A3 ) + P ( A2 ∩ − P (( A1 ∩ A3 ) ∩( A2 ∩ A3 )) = P ( A1 ) + P ( A2 ) + P ( A3 ) − − P ( A1 ∩ A2 ) − P ( A1 ∩ A3 ) − P ( A2 ∩ A3 ) + P ( A1 ∩ A2 ∩ A3 ). deci P ( A) = P ( A1 ) P ( A2 ) P ( A3 ) = 3 4 5 1 ⋅ ⋅ = .

A2. A3 evenimentul ca documentul controlat să provină de la primul. comisia de control solicită 50 de documente privind activitatea comercială: 20 de la primul magazin.178 Elemente de teoria probabilităţilor şi statistică matematică 4. A / A3 reprezintă evenimentul ca documentul controlat să fie corect ştiind . P ( A3 ) = . Dintre acestea se alege unul la întâmplare pentru a fi verificat: a)Cu ce probabilitate documentul ales este corect (înregistrat)? b)Constatând Rezolvare: a) Notăm cu A1.Din mai multe controale asupra activităţilor a trei magazine se apreciază că în proporţie de 90%. cele trei magazine au declarat marfa vândută. al doilea şi respectiv P( A1 ) = că este corect. P ( A2 ) = . A / A2. La un nou control. 50 50 50 Fie A evenimentul ca documentul controlat să fie corect. 70%. 15 de la al treilea. 80%. Atunci A / A 1. Avem astfel 20 15 15 . cu ce probabilitate el aparţine primului magazin? al treilea magazin. 15 de la al doilea.

P(A/A3)=0. Prin urmare : P(A/A1)=0. A3} este un sistem complet de evenimente A1 ∪ A2 ∪ A3 = E . Cum {A1.81 . 5. S-a constatat că .90 + ⋅ 0. punându-li-se trei întrebări la care să răspundă prin DA sau NU.Elemente de teoria probabilităţilor 179 că el provine de la primul. A2. (A1/A reprezintă evenimentul ca documentul controlat să provină de la primul magazin ştiind că a fost corect). A1 ∩ A2 = A1 ∩ A3 = A2 ∩ A3 = Φ aplicând formula probabilităţii totale avem : = 20 15 15 ⋅ 0. al doilea.80 + ⋅ 0. al treilea magazin.70 .81 0.70 = 0.36 4 = 50 = = 0.La un supermarket s-a făcut un sondaj printre clienţii acestuia.81 9 . P(A/A2)=0.80.90 0.90. 50 50 50 P ( A) = P( A1 ) P ( A / A1 ) + P ( A2 ) P ( A / A2 ) + P ( A3 ) P ( A / A3 ) = b)Aplicând formula lui Bayes avem : P( A1 / A) = P( A1 ) P( A / A1 ) ∑ P( A ) P( A / A ) i =1 i i 3 20 ⋅ 0.

80% respectiv 70%. a doua respectiv a treia întrebare a fost de 60%.7 = 0. adică .2.180 Elemente de teoria probabilităţilor şi statistică matematică răspunsul DA la prima. p3 = 0.4.8∙0.6 ∙0. b) Probabilitatea să avem trei răspunsuri NU este coeficientul lui x0 (termenul liber) din polinomul de mai sus.7.336. q3 = 0. Care este probabilitatea ca un client să dea : a)trei răspunsuri DA? b)trei răspunsuri NU? c)două răspunsuri DA şi unul NU? d)cel mult două răspunsuri DA? e)primele două răspunsuri NU? f)primul răspuns DA şi încă unul DA? Rezolvare: a) Suntem în condiţiile schemei lui Poisson (presupunând că răspunsurile sunt independente unul de celălalt) cu 3 urne şi cu probabilităţile : p1 = 0. q1 = 0.6. q2 = 0.8. p2 = 0.3. Astfel probabilitatea ca să avem 3 răspunsuri DA este coeficientul lui x3 din polinomul (p1x + q1)(p2x + q2)(p3x + q3) adică pa = p1p2p3 = 0.

Probabilitatea cerută este coeficientul lui x0 din polinomul (p1x + q1)(p2x + q2).8∙0. Astfel. 1. Avem pd = q1q2q3 + (p1q2q3 +q1p2q3 + q1q2p3) + (p1p2q3 + p1q2p3 + q1p2p3) = = 0. deci pd = 1 – pa = 1 – . respectiv de a da 0.3 + + 0.024 + 0.2.7 = 0. x2 din polinomul de la punctul a). x1.Elemente de teoria probabilităţilor 181 q1q2q3 = 0.2∙0.7 + 0. 2 răspunsuri DA. adică p1p2q3 + p1q2p3 + q1p2p3 = 0.664.4∙0. deci probabilitatea sa este suma coeficienţilor lui x0.6∙0. q1 = 0.452 = 0. q2 = 0.6. c) În acest caz probabilitatea este coeficientul lui x2 din acelaşi polinom. d)Evenimentul dat este reuniunea a trei evenimente incompatibile două câte două. p2 = 0.188 + 0.336 = 0.2∙0.664. 0.452.6∙0.4.8∙0. adică evenimentul nostru este contrar evenimentului de la punctul a).4 ∙0.3 = 0.8. e) Putem reduce schema lui Poisson la 2 urne cu probabilităţile : p1 = 0.024.

adică pf = p1p2q3 + p1q2p3 = . care sunt incompatibile. 6. evenimentul dat este intersecţia a două evenimente independente cu probabilităţile q1 respectiv q2. f) Evenimentul este reuniunea evenimentelor “numai primul şi al doilea răspuns DA ” şi “numai primul şi al treilea răspuns DA”.La o bancă s-a constatat că din 100 de credite acordate. deci 0.08. Dacă se acordă 5 credite.182 Elemente de teoria probabilităţilor şi statistică matematică q1q2 = 0. care este probabilitatea ca: a) toate să fie neperformante? b) toate să fie performante? c) numai 4 să fie performante? d) cel puţin 4 să fie performante? Rezolvare: Suntem în condiţiile schemei lui Bernoulli cu două culori. unde probabilitatea evenimentului dat este suma probabilităţilor celor două.228. de unde probabilitatea cerută este produsul q1q2. Astfel. 10 sunt neperformante.

Elemente de teoria probabilităţilor 183 p = 0.1) = 0.9) ⋅ (0. d) cel mult 2 senatori.5) = C5 (0.1) = 0. unde a = 10. c) numai senatori.9) ⋅ (0.5) = 0. Vom obţine astfel: 0 0 5 a) P (5. pentru a forma o comisie.00001 .91754 . Se ia la întâmplare un grup de 5 parlamentari ai partidului respectiv. iar bile negre cele neperformante. b = 5 şi n = 5. ≥ 4) = P(5. 4 4 1 c) P(5. Vom avea: . b) numai deputaţi.59049 .Într-un partid parlamentar sunt 10 deputaţi şi 5 senatori.0) = C5 (0.1 considerând bile albe creditele performante.4) + P(5. 7.4) = C5 (0. Rezolvare: Suntem în condiţiile schemei hipergeometrice cu 2 culori. 5 5 0 b) P (5.9 şi q = 1-p =0.1) = 0. d) P(5.32705 .9) ⋅ (0. e) cel puţin un deputat. Cu ce probabilitate grupul conţine: a) 3 deputaţi şi 2 senatori.

3. 5 C15 d) Pd = P (5.0.0) + P (5.1) + P (5.Probabilitatea ca un agent comercial să vândă un anumit produs este 0. i.184 Elemente de teoria probabilităţilor şi statistică matematică 3 2 C10 ⋅ C5 a) P(5.2) = .5) = . C15 5 0 4 1 3 C10 ⋅ C5 + C10 ⋅ C5 + C10 ⋅ C52 5 C15 Pe = ∑ P(5. e) altfel Pe = 1 − P (5.2) = . Dacă acesta oferă produsul spre vânzare pe rând la 4 magazine cu ce probabilitate el vinde produsul: .3.5.5.0) = . 5 C15 5 0 C10 ⋅ C5 b) P(5.5) = 1 − 1 5 .3. 5 C15 0 5 C10 ⋅ C5 c) P (5.5 − i ) = ∑ i =1 i =1 5 5 i 5 C10 ⋅ C5 −i 5 C15 sau 8.0.4.

c) la ultimul magazin. 2X+3Y.3 ( se presupune că agentul poate vinde produsul unui singur magazin). XY. Rezolvare: Suntem în condiţiile schemei geometrice cu p = 0.657 9.3 ∙(0. X+Y.3 .3 ∙0. Y2. max(X. d)Pd =P1+P2+P3=p + pq + pq2 = p(1+q+q2) = 0. b) la al doilea magazin. X/Y.7+0.Fie variabilele aleatoare independente : 1 2   0 X : 1 / 2 1 / 4 1 / 4     1 2   −1 Y : 1 / 3 1 / 6 1 / 2  .Elemente de teoria probabilităţilor 185 a) la primul magazin. .21 . c) P4 = pq4-1 = pq3 = 0.7 = 0.Y). d) cel mult la al treilea magazin. X .1029 .    şi Să se scrie variabilele aleatoare : 2X.3(1+0. b) P2 = pq2-1 = pq = 0.49)=0.7)3 = 0. Prin urmare avem: a) P1 = pq1-1 = 0.

Avem: 2 4   0 2X :  1 / 2 1 / 4 1 / 4      0 X : 1 / 2  1 1/ 4 2  1/ 4   2 . 4   1  . Y = 1) = P ( X = 0) P (Y = 1) = exemplu 1 1 1 ⋅ = .186 Elemente de teoria probabilităţilor şi statistică matematică Rezolvare: Probabilităţile corespunzătoare valorilor lui 2X. 2 6 12 Obţinem 0 −1 0 +1 X +Y :   1 / 6 1 / 12  0 +2 1/ 4 1 −1 1 / 12 1 +1 1 / 24 1+2 1/ 8 2 −1 2 +1 1 / 12 1 / 24 2 +2 1/ 8 . X sunt aceleaşi cu cele corespunzătoare lui X şi respectiv Y. Deoarece X şi Y sunt independente avem că pij = piqj. j ≤ 3 .  1 / 2 1 / 2  P (Y 2 = 1) = P (Y = −1 ∨ Y = 1) = P (Y = −1) + P (Y = 1) = 1 1 + 3 6 . Y2.1 ≤ i. Y :  . De p12 = P ( X = 0.

1/ 6 1/ 8  Analog  0 ⋅ (−1) 0 ⋅1 X ⋅Y :   1/ 6 1 / 12  0 ⋅ 2 1 ⋅ (−1) 1 ⋅1 1 / 4 1 / 12 1 / 24 1⋅ 2 1/ 8 2 ⋅ ( −1) 2 ⋅1 1 / 12 1 / 24 2⋅ 1/ de unde  −2 X ⋅Y :  1 / 12  −1 1 / 12 0 1 1 / 2 1 / 24 2 4   . 1/ 2  . 1/ 6 1/ 8  Cum 2X şi 3Y au repartiţiile 2 4   0 2X :  1 / 2 1 / 4 1 / 4     3  −3 3Y :  1 / 3 1 / 6  6   . obţinem repartiţia lui 2X + 3Y : −1  −3 2 X + 3Y :  1 / 6 1 / 12  1 1 / 12 3 1 / 12 5 1 / 24 6 7 1 / 4 1 / 24 8 1/ 8 .Elemente de teoria probabilităţilor 187 adică 0  −1 X +Y :  1 / 6 1 / 12  1 1/ 6 2 7 / 24 3 4   . La fel obţinem: .

5 / 8  10. Y/X . c)Să se scrie variabilele X + Y .Fie X şi Y două variabile aleatoare discrete ale căror repartiţii probabiliste comună (pij ) şi marginale (pi) şi (qj) sunt date în tabelul următor : X\Y -1 0 -1 1/8 1/12 1 1/24 1/4 qj 1/6 1/3 a)Să se scrie variabilele aleatoare X şi Y.  5 / 8   1 1/6 1/3 1/2 sunt pi 3/8 5/8 1 se precizeze dacă X şi Y .188 Elemente de teoria probabilităţilor şi statistică matematică X Y  −2 : 1 / 12  −1 1 / 12 0 1/ 2 1 2   . X ∙ Y. Y ) :  1 / 6  1 5 / 24 2  . X2. b)Să independente. Y2. 1 / 2 1 / 8 1 / 6 1 / 24    0 max( X . Rezolvare: a)Din tabelul de repartiţie de mai sus deducem că  −1 X : 3 / 8  1  0 1   −1  şi Y :   1 / 6 1 / 3 1 / 2  .

p13 = .    Repartiţiile lui X2 şi Y2 rezultă imediat din cele ale lui X şi Y: 1  0 X 2 :  .Elemente de teoria probabilităţilor 189 b)Dacă X şi Y ar fi independente atunci p11 = P ( X = −1. p21 = . obţinem −1 −2 X +Y :  1 / 8 1 / 12  −1  X ⋅Y :  1 / 6 +1 / 24  X Y 0 1 / 6 +1 / 24 1 2   . 8 8 6 . Y 2 : 1 1 / 3    1  . 2 / 3  . p23 = 8 12 6 24 4 3 1 3 1 ≠ ⋅ . ceea ce nu are loc întrucât c)Deoarece 1 1 1 1 1 1 p11 = . p22 = . Y = −1) = p1q1 = P ( X = −1) P (Y = −1) . 1 / 12 +1 / 4 1 / 8 +1 / 3   −1 0 1   : 1 / 24 +1 / 6 1 / 12 +1 / 4 1 / 8 +1 / 3  . p12 = . 1 / 4 1 / 3  0 1   .

190 Elemente de teoria probabilităţilor şi statistică matematică 11.1 < X X >2.4] . c)Să se calculeze probabilităţile: P (3.3] .8). Rezultă 3p2 + 2p = 1 şi p ≥ 0. F(x) = P(X=1) + P(X=2) + P(X=3) = p + p2 + p = 7/9 dacă x ∈(3. p2   a)Să se determine p.2). P ( X >4). . b)Cum F(x) = P(X<x) rezultă că F(x) = 0 dacă x ≤ 1.5 < X ≤3 2 < X <4).1) 1 Rezolvare: a)Trebuie să avem p + p2 + p + p2 + p2 = 1 şi p ≥ 0. F(x) = P(X=1) + P(X=2) = p + p2 = 4/9 dacă x ∈(2.5 < X <3. P ( X ≥2. P (1. P (1.2] . P ( X < ). adică p = 1/3. b)Să se calculeze funcţia de repartiţie a lui X. P ( X <3).Fie 1 X : p  2 p 2 variabila 3 p 2 aleatoare discretă 3 p 3  . F(x) = p = 1/3 dacă x ∈(1.

8) p +2p 5 .1)=P(X=3)+P(X=4)+P(X=5)=5/9. 1 3 . 3 < x ≤ 4.8) = P(3. 9  1. x > 5. 2 < x ≤ 3. 4 < x ≤ 5. 1 < x ≤ 2.8) P( X > 2. Deci :  0.5] şi F(x) = 1 dacă x > 5 .1 < X X > 2. X > 2.  F ( x) =  9 7  . P(X>4)=P(X=5)=1/9. P(1. 9 8 .1) 2 p2 2 = = = 2 P( X > 2.5<X<3. = P(Φ) = 0.Elemente de teoria probabilităţilor 191 F(x) = P(X=1) + P(X=2) + P(X=3) + P(X=4) = p + p2 + p + p2 = 8/9 dacă x ∈(4. P(3. 4  .1 < X .2)=P(X=2)+P(X=3)=4/9.8) P( X > 3.  c)Avem P(X<1) x ≤ 1. P(X<3)=P(X=1)+P(X=2)=4/9. P(X≥2.

 2x ρ ( x) = a − . de unde ∫ 1/ 2 0 2  2x  xdx + ∫  a − dx =1 sau 1/ 2 3   x2 1/ 2 0  x2  2  1/ 2 = 1 . Să se calculeze mediana.Determinaţi constanta a ∈ R pentru ca funcţia f dată mai jos să fie densitate de repartiţie şi apoi să se determine funcţia de repartiţie corespunzătoare. altfel.  Rezolvare: Avem ∫ + ∞ − ∞ ρ( x ) dx =1 .192 Elemente de teoria probabilităţilor şi statistică matematică P(1. x ∈ (1 / 2. Rezultă a = 4/3 şi deci +  ax −  3    . cuantilele şi valoarea modală a variabilei aleatoare X având densitatea de probabilitate ρ(x): x ∈ [0.2] 3  0.5<X≤3/2<X<4)=P(X=2 sau X=3 / X=3) = P(X=3/X=3) =1. 12.1 / 2]  2 x.

2] .  1. ∀ . = . adică 2 şi F ( M e ( X )) ≥ Aceasta se realizează pentru 4 x − x 2 −1 1 3 ∈(1 / 2. de 3 4 unde c3 = 2 − .Elemente de teoria probabilităţilor 193 0.  x F(x+0) . 3  x>2 1.2]  . 2 0.  x<0 x ∈ [0.1 / 2] Întrucât F este continuă vom avea F(x) = 1 2 1 .   x2 . de unde x = 2 − 2 3 2 Aşadar M e ( X ) = 2 − F(1/2)=1/4 deci c1 = c3 1 2 3 = c2 . deci F ( M e ( X )) ≤ F ( M e ( X )) = 1 . x  F ( x) = ∫ ρ (t )dt =  1 x 4 − 2t −∞  4 + ∫1 / 2 3 dt .   x2 .  =  4x − x2 − 1 x ∈ (1 / 2. 2 4 x − x 2 −1 3 = . adică 3 . Se observă că 2 rezultă din F(x)=3/4.

D2(Y) şi D2(2X+3Y). de unde q=1/2.Să independente x X : p  x +1 2p x +2 3p x +3  4p   1 .1/2] şi descrescătoare pe (1/2. Cum M(X)=2 rezultă că x = 0. q2   ştiind că M(X)=2 şi M(Y)=7. 2 se determine variabilele aleatoare şi y Y : q  2y q 2 3y  . D2(X). adică p=1/10. Atunci M(X)=x∙p+(x+1)∙2p+(x+2)∙3p+ (x+3)∙4p=10px+20p=x+2. adică 2q2+q-1=0.2]. Rezolvare: Deoarece X este o variabilă aleatoare trebuie să avem p+2p+3p+4p=1. Analog q+q2+q2=1. x=1/2 este punct de maxim (singurul). Să se calculeze apoi M(2X+3Y).194 Elemente de teoria probabilităţilor şi statistică matematică Deoarece ρ este crescătoare pe [0. prin urmare M o ( X ) = 13. Rezultă că .

4 Cum avem că y=4.Elemente de teoria probabilităţilor 195 M(Y)=7 M(Y)=y∙q+2y∙q2+3y∙q2= 7 y. . Atunci 2 4 4 D2(X)=M(X2)-M(X)2=5-4=1 şi D2(Y)=M(Y2)M(Y)2=60-49=11. Pentru calcularea dispersiilor avem nevoie să calculăm mediile lui X2 şi Y2. astfel că M (X 2) = 0⋅ 1 1 3 2 + 1 ⋅ + 4 ⋅ + 9 ⋅ = 5 şi 10 5 10 5 M (Y 2 ) = 16 ⋅ 1 1 1 + 64 ⋅ + 144 ⋅ = 60 .  4 4 Folosind proprietăţile mediei avem M(2X+3Y)=M(2X)+M(3Y)=2M(X) +3M(Y)=2∙2+3∙7=25. Y2 : 1 1 1     5 4  2 4 . Y : 1   5 2 8 12  1 1 . Acestea au tablourile de repartiţie 0 X : 1   10 2 1 4 1 3 5 10 9 16 64 144  2 . Tablourile de repartiţie ale lui X şi Y vor fi 0 X : 1   10 1 2 1 3 5 10 3 4 2 .

Să se determine variabilele aleatoare X şi Y ale căror repartiţii sunt date incomplet în tabelul de mai jos.196 Elemente de teoria probabilităţilor şi statistică matematică Cum X şi Y sunt independente. 14. 5 Deoarece p1+p2=1 rezultă că p1 = 1 − = Mai departe p11+p12+p13=p1. adică p13 = 1 . Cum 10 1 1 2 + + p13 = . X\Y -b a 1/5 a2 qj Rezolvare: 0 1/10 2/5 b pi 3/5 1/5 3 5 2 . rezultă că şi 2X şi 3Y sunt independente şi avem D2(2X+3Y)=D2(2X)+D2(3Y)=4D2(X) +9D2(Y)=4∙1+9∙11=103. deci 5 10 5 . Să se calculeze apoi M(XY) şi D2(X-Y). ştiind că M(X)=17 şi D2(Y)=1.

adică 3a2+2a-85=0. Deoarece M (Y ) = − şi M (Y 2 ) = (−b) 2 ⋅ 3b 1 b b +0⋅ + = − 10 2 5 10 3 1 1 b2 + 02 ⋅ + b 2 ⋅ = . rezultă 10 2 5 2 că . adică p21 = 1 5 1 1 = . Astfel 2 3 + a 2 ⋅ = 17 . de unde 5 5 a1=5. Din p11+p21=q1 şi p22+p12=q2. rezultă că q1 = Obţinem astfel 3 1 şi q2 = . 10 2  a a2  X : 2 3    5 5  M (X ) = a ⋅ − b Y : 3 .   10 0 1 2 b 1  5 . Dar 10 10 3 2 1 1 − − = 5 5 10 10 . a2=-17/3.Elemente de teoria probabilităţilor 197 p13+p23=q3 rezultă că p23 = − p21+p22+p23=p2.

Din ipoteză D2(Y)=1. iar dacă a=-17/3 M(XY)=17/21. astfel că b= b2 = 100 . 10 5 10 10 10 7 şi Dacă a=5 M(XY)=-5/7. Din tabloul repartiţiei comune (pij) avem 7  − a 2b − ab 0 ab a 2b  1 1 1 1  XY :  1   5 2 10 10   10  a − b a2 − b a a2 a + b a2 + b  1 1 2 1 1  X −Y : 1   10 10 5 5 10   10 Astfel M ( XY ) = − a 2b ab ab a 2b ab a − + + =− =− . avem nevoie de: . 49 adică 10 .198 Elemente de teoria probabilităţilor şi statistică matematică D 2 (Y ) = M (Y 2 ) − M (Y ) 2 = b2 b2 49 b 2 − = 2 100 100 . Pentru calcularea dispersiei lui X-Y.

Elemente de teoria probabilităţilor 199 M ( X −Y ) = a − b a 2 − b a 2a 2 a + b a 2 + b 6a 2 + 4a + b + + + + + = 10 10 10 5 5 10 10 ( a − b ) 2 ( a 2 − b ) 2 a 2 2a 4 ( a + b ) 2 ( a 2 + b) 2 + + + + + = 10 10 10 5 5 10 6a 4 + 4a 2 + 2ab + 5b 2 = 10 M [( X − Y ) 2 ] = Pentru a=5. X fiind o variabilă aleatoare. n ∈ N . 49 120 7 şi deci D 2 ( X −Y ) = 18985 14400 4585 − = .Să se determine parametrii care apar în repartiţiile următoare şi să se calculeze apoi M(X) şi D2(X). având repartiţia respectivă:  n  a) X :  1 q n . b=10/7 avem M(X-Y)= M [( X −Y ) 2 ] = 18985 .   4  . q > 0 . 49 49 49 15.

 Rezolvare: a)Din condiţia ∞ x ∈ [0.1].     x  a 2 x 3 . ρ ( x) =  ax. ∑ 4q n =0 1 n =1 rezultă că 1 1 1 3 ⋅ = 1 ⇒1 − q = ⇒ q = 4 1−q 4 4 Atunci 1 1 ∞ 1 ∞ 1  ∞  M ( X ) = ∑n ⋅ q n = q ∑n ⋅ q n−1 = q ∑( q n )' = q ∑q n  = 4 4 n=0 4 n=0 4  n=0  n =0 ∞ ' 1  1  1 1 1 3 1 = q ⋅  1 − q  = 4 q (1 − q ) 2 = 4 ⋅ 4 ⋅ 1 = 3  4   16 ' . a > 0 .1] x ∈ (1.200 Elemente de teoria probabilităţilor şi statistică matematică b) X :   a ( x 2 + 2 x) .2] altfel . x ∈[0. c) X :   ρ ( x)    2  0. 1  x   .

Elemente de teoria probabilităţilor ∞ ' 201 ' 1 1 ∞ 1  ∞  1 ∞  M ( X ) = ∑ n ⋅ q n = q ∑ n( q n )' = q ∑ nq n  = q ∑ nq n  = 4 4 n=0 4  n=0 n =0   4 n=0  2 2 = 1  1  1 2 q = q = 24 . Atunci  3 0 3 4   M ( X ) = ∫ x ⋅ ρ( x ) dx = ∫ x ⋅ 0 0 1 1 3 2 3  x 4 2 x3  1 0= ( x + 2 x ) dx =  + 4 4 4 3  1   . M ( X 2 ) = ∫ x 2 ⋅ ρ( x)dx = ∫ x 2 ⋅ 0 0 1 1 3 2 3  x5 2 x 4  1 0 ( x + 2 x)dx =  + 4 4 5 4    . Astfel D 2 ( X ) = M ( X 2 ) − M ( X )2 = 21  11  67 −  = . 2 4  (1 − q )  4 (1 − q ) 3 ' Astfel D2(X)=M(X2)-M(X)2=24-9=15. b) Din condiţia ∫ a( x 0 1 2 + 2 x ) dx =1 rezultă că  x3  4 3 a + x 2  1 = 1 ⇒ a ⋅ = 1 ⇒ a = . 40  16  1280 2 c)Din condiţia ∫ 2 0 ρ( x) dx =1 rezultă că .

astfel că : M ( X ) = ∫ x ⋅ ρ( x) dx = ∫ x ⋅ x 3 dx + ∫ x ⋅ 0 0 1 2 1 2 2 1 2 x x5 dx = 2 5 1 0 + x3 6 1 0 2 1 = x4 8 1 7 41 + = 5 6 30 2 1 M ( X 2 ) = ∫ x 2 ⋅ ρ( x) dx = ∫ x 2 ⋅ x 3 dx + ∫ x 2 ⋅ 0 0 1 x x6 dx = 2 6 + = 49 24 .Fie vectorul aleator (X.1)) . deci că ∫ +∞ −∞ a dxdy =1 . D2 ( X ) = M ( X 2 ) − M ( X )2 = 49  41  313 −  = . y ) = a . Să se determine: (1 + x )(1 + y 2 ) 2 a)funcţia de repartiţie corespunzătoare. (1 + x )(1 + y 2 ) 2 Rezultă .Y) cu X.1) ×[0. Rezolvare: a) Avem ∫∫ R2 ρ( x. [ b) P (( X . y )dxdy =1 . a cărui densitate de probabilitate este ρ( x. 24  30  1800 2 16. Y variabile aleatoare independente. Y ) ∈ 0.202 Elemente de teoria probabilităţilor şi statistică matematică ∫ 1 0 a 2 x 3 dx + ∫ 2 1 ax x4 dx =1 ⇒ a 2 ⋅ 2 4 1 0 +a ⋅ x2 4 2 1 =1 ⇒ a =1 a 2 3a + =1 ⇒  4 4 a = 4 Cum ρ( x) ≥ 0 numai a=1 convine.

Elemente de teoria probabilităţilor 203 +∞ −∞ a∫ +∞ −∞ dx +∞ dy = 1 ⇒ a ⋅ arctgx − 1 + x2 ∫ ∞1 + y2 +∞ −∞ ⋅arctgy =1 ⇒ a = 1 π2 .2] altfel . y ) =  ax 2 y.1) − F (1. b) Să se calculeze funcţia de repartiţie F(x.Fie vectorul aleator (X. ( x.y) şi funcţiile marginale FX(x) şi FY(y). a) Să se determine constanta a. Y ) ∈D ) = 2 1 ∫ ∫ (1 +u 0 0 1 1 17.0) − F (0.1] ×[0.Y) cu densitatea de probabilitate ρ( x. Atunci F ( x. y ) = 1 π 2 ∫ ∫ −∞ x dudv 1 = 2 2 2 −∞ (1 + u )(1 + v ) π y ∫ y du dv = 2 ∫∞ −∞ 1 + u − 1 +v 2 x 1  1 1 1 =  arctgx +  arctgy +  π 2 π 2  b) dudv = 2 π )(1 + v 2 ) 1 = F (1.0) = 16 P (( X .  0. . y ) ∈[0.1) + F (0.

1] şi y > 2 avem 2 3 2 3 x u vdudv = ∫ u 2 du ∫ vdv = x 3 0 0 2 2 F ( x. adică a ∫ x 2 dx ∫ ydy =1 . Dacă x > 1 şi y ∈[0. y ) dxdy =1 . y ) = ∫ 1 0 y 3 2 3 1 y2 u vdudv = ∫ u 2 du ∫ vdv = 0 2 2 0 4 ∫ y 0 . y ) = ∫ x 0 ∫ y 0 . y ) dxdy . rezultă că 0 0 x 2a 3 =1 de unde a = . atunci F(x.204 Elemente de teoria probabilităţilor şi statistică matematică Rezolvare: a) 1 2 Avem ∫∫ 0 1 2 0 ρ( x. . [ Dacă (x. [ Dacă x ∈ 0. Dacă x > 1 şi y > 2.2] obţinem F ( x. y ) = ∫ ∞∫ ∞ ρ( x.2] avem y 3 2 3 x x3 y 2 u vdudv = ∫ u 2 du ∫ vdv = 0 2 2 0 4 F ( x.y) ∈ 0.y)=1. 3 2 y b) Avem F ( x. atunci f(x. − − Dacă x < 0 sau y < 0.1] ×[0. y ) = ∫ x 0 ∫ 2 0 .y)=0.y)=0 şi deci F(x.

4  1. y > 2 2  y .2]  4  Astfel F ( x. y ) =  x 3 . P(X<2Y). .  y2  FY ( y ) = F (∞. ∞ = x 3 . x > 1. P(X=n) .2]  4  x > 1.Fie vectorul aleator (X.Elemente de teoria probabilităţilor 205 x < 0 sauy < 0  0. P(X≥1/Y≥1).  0.1].  FX ( x) = F ( x. y ) ∈ [0.1] × [0. y ≥ 0 altfel Să se calculeze: a) P(X<1. y ) =  e −( x +y ) . x ∈ [0.1] x >1  0.  x3 y 2 .2] y >2 18. y ∈ [0.  de probabilitate ρ( x. y ) =  .Y<1).Y) având densitatea x ≥ 0. y > 2  1. P(X+Y<1). P(X+Y≥2). ( x. )  1. Funcţiile de repartiţie marginale sunt  0.  x <0 x ∈[0. y <0 y ∈[0.

0 P( X +Y ≥ 2) =1 − P( X +Y < 2) =1 − = −∫ 1 0 2 x +y <2 ∫∫ρ( x. Y <1) = ∫ −∞ −∞ ∫ ρ( x. e) Corelaţia variabilelor X şi Y. y )dxdy =∫ ∫ 0 1 1−x 0 e −x −y dxdy = ∫ e 0 1 0 = ∫ (e −x −e −1 ) dx = ( −e −x ) 1 −e −1 =1 −2e −1 .206 Elemente de teoria probabilităţilor şi statistică matematică b) Funcţia de repartiţie F(x. y )dxdy 2− x 0 2 0 = ∫ 0 2− x e −x −y d d xy = −∫ e −x (e −y ) 1 0 2 d = −∫ (e −x − x 1 P ( X ≥1 / Y ≥1) = P ( X ≥1. y ) dxdy = 0 ∫e 0 1 −x −y dxdy = ( − −x ) 1 ( − −y ) 1 = (1 −e −1 ) 2 e e 0 0 P ( X +Y <1) = 1 x +y < 1 ∫∫ρ( x.s) . FY(y). Rezolvare : a) =∫ 1 1 1 P ( X <1. d) Momentele obişnuite de ordin (k. Y ≥1) = ∫ ∫ 1 +∞ e −x−y dxdy = ∫ 1  +∞ e −x dx  = ( −e −x )   2 ( . c) Densităţile de repartiţie marginale ρX(x). Y ≥1) P (Y ≥1) +∞ 1 P ( X ≥1.y) şi funcţiile de repartiţie marginale FX(x). ρY(y).

y ) = 1 − e − y .Elemente de teoria probabilităţilor 207 +∞ 0 + ( − −y ) 1 ∞ = e −1 e P (Y ≥1) = ∫ + ∞ 0 ∫ 1 + ∞ e −x −y dxdy = − −x e ⇒ P( X ≥1. y ) = ∫ x 0 y x y x y ∫ 0 e −u −v dudv = ∫ e −u du ∫ e −v dv = (1 −e −x )(1 − 0 0 . − − Dacă x > 0 sau y < 0 ρ(x.y)=0. Y ≥1) = e −1 P ( X < 2Y ) = =∫ +∞ −3 x 2 0<x <2 y −x −y ∫∫e dxdy = ∫ +∞ 0 ∫ x 2 0 e −x e −y dydx = ∫ +∞ 0 e −x 0 (e −x − e −3 x  2 ) dx =  − e −x + e 2  3   +∞ 2 1  0 =1 − =  3 3  . b) Avem F ( x. deci F(x. Funcţiile de repartiţie marginale sunt FX ( x ) = F ( x. şi c) Densităţile de probabilitate marginale ρX (x) şi ρY ( y ) sunt derivatele funcţiilor de repartiţie marginale: . v ) dudv . ∞) = 1 − e − x FY ( y ) = F (∞. P(X=Y)=0. Dacă x ≥0 şi y ≥0 avem F ( x.y)=0. y ) = ∫ ∞∫ ∞ ρ(u .

+ ∞ 0 + ∞ xe −x dx ∫ 0 y 19. e) Avem cov( X . unde Γ p) =∫ ( 0 + ∞ 1 x p − e −x d x este funcţia ( gama a lui Euler şi are proprietatea că Γ p +1) = p! pentru p ∈N .Fie (X.Y) şi să se scrie ecuaţiile dreptelor de regresie. . x <0 x ≥0 . ρY ( y ) =  y <0 y ≥0 . −x e .208 Elemente de teoria probabilităţilor şi statistică matematică ρX ( x ) =   0.Y) un vector aleator discret a cărui repartiţie probabilistă este dată în tabelul de mai jos. Să se calculeze coeficientul de corelaţie r(X.  0. Y ) = M ( XY ) − M ( X ) M (Y ) =σ11 − ∫ =1 − Γ( 2) 2 =1 −1 = 0 . s = M ( X k Y s ) = ∫ 0 =∫ + ∞ 0 + ∞ ∫ 0 + ∞ 0 x k y s e −x −y dxdy = x k e −x dx ∫ + ∞ y s e −y dy = Γ k +1)Γ s +1) = k! s! ( ( . −y e . d) σk .

5 5 5 M (Y ) = −1 ⋅ 1 3 1 1 2 +0⋅ +1 ⋅ + 2 ⋅ = . deducem imediat: M ( X ) = −1 ⋅ 2 1 2 + 0 ⋅ +1 ⋅ = 0 . 4 10 4 5 5 M ( X 2 ) = ( −1) 2 ⋅ M (Y 2 ) = ( −1) 2 ⋅ 2 1 2 4 + 0 2 ⋅ + 12 ⋅ = . 5 5 5 5 1 3 1 1 13 + 0 2 ⋅ + 12 ⋅ + 2 2 ⋅ = .Elemente de teoria probabilităţilor 209 2 0 1/20 3/20 1/5 pi 2/5 1/5 2/5 1 X\Y -1 0 1 qj -1 1/10 1/20 1/10 1/4 Rezolvare: 0 1/5 0 1/10 3/10 1 1/10 1/10 1/20 1/4 Pe baza formulelor corespunzătoare. 4 10 4 5 10 .

Y ) = M ( XY ) − M ( X ) M (Y ) = 1 . 5 13 4 57 D 2 (Y ) = M (Y 2 ) − M (Y ) 2 = − = 10 25 50 D 2 ( X ) = M ( X 2 ) − M ( X )2 = 1 1 1 + (−1) ⋅ 0 ⋅ + (−1) ⋅1 ⋅ + (−1) ⋅ 2 ⋅ 0 + 0 ⋅ (−1) ⋅ 10 5 10 1 1 1 1 1 3 + 0 ⋅ 0 ⋅ 0 + 0 ⋅1 ⋅ +0 ⋅2 ⋅ +1 ⋅ (−1) ⋅ +1 ⋅ 0 ⋅ +1 ⋅1 ⋅ +1 ⋅ 2 ⋅ 10 20 10 10 20 20 M ( XY ) = (−1) ⋅ (−1) ⋅ cov( X .25 ⋅ 4 57 57 4 5 50 50 5 20. 5 = +0. pentru 1 următoarele variabile aleatoare : . momentele σ şi σ2 .25 2 57 . ⋅ 5 50 Ecuaţiile dreptelor de regresie sunt : 2 2 y− y− x −0 5 . 4 r( X .Y ) = cov( X .25 ⋅ x − 0 . = +0. Y ) D ( X ) D (Y ) 2 2 = 0. pornind de la acestea.Să se determine funcţia caracteristică şi funcţia generatoare de momente şi apoi să se calculeze.210 Elemente de teoria probabilităţilor şi statistică matematică 4 .

 4 b) X :  −x .Elemente de teoria probabilităţilor 211 a) X :  1 0  2 1 1 4 2 1 . e    Rezolvare : a) Avem ϕ X (t ) = e 0⋅it ⋅ 1 1 1 2 + e it + e 2it + e1⋅it ⋅ + e 2⋅it ⋅ = 2 4 4 4  x  şi G X (t ) = 1 0⋅t 1 1⋅t 1 2⋅t 2 + e t + e 2t e + e + e = . x ≥ 0 . ϕ " X . 1 t (t ) = − (e i + 4 . 2 4 4 4 Primele două derivate ale acestor funcţii sunt : ' ϕX (t ) = (e it + 2e 2it ) i 4 .

de unde G (0) = . ϕ X (0) = − 4 4 ' X . 3 " 5 . GX (0) = 4 4 ' X σ1 ( X ) = M ( X ) = ' ϕ X (0) 3 ' şi = G X ( 0) = i 4 . G .212 Elemente de teoria probabilităţilor şi statistică matematică ' G X (t ) = 1 t (e + 2e 2t ) 4 . " X 1 (t ) = (e t + e 4 4 Obţinem 3i " 5 ϕ (0) = .

t2A . 0 + ∞ 0 + ∞ 0 + ∞ sin tx ⋅( − −x ) d =−sin tx ⋅e −x e x − x + ∫ t cos tx ⋅e dx = .Elemente de teoria probabilităţilor 213 ϕ " ( 0) 5 " X σ 2 ( X ) = M ( X ) = 2 = G X ( 0) = i 4 2 . 1+t2 . b) ϕX (t ) = ∫ e itx ⋅ e −x dx = ∫ (cos tx + i sin tx ) ⋅ e −x dx = 0 0 + ∞ + ∞ =∫ + ∞ 0 cos tx ⋅ e −x dx + i ∫ sin tx ⋅ e −x dx = A + iB 0 + ∞ 0 + ∞ A =∫ cos tx ⋅ e −x dx = ∫ cos tx ⋅ (−e −x )' dx = 0 +∞ 0 + ∞ = −cos tx ⋅ e −x B =∫ 0 + ∞ − ∫ t sin tx ⋅ e −x dx =1 − tB . Obţinem A = 1 . adică A = t . 1 +t 2 1 şi B = 1 +t 2 Astfel ϕ X (t ) = 1 + it .

t <1 1 −t . Obţinem . ' G X (t ) = . Primele două derivate sunt ' ϕ X (t ) = i − 2t − it 2 (1 + t 2 ) 4 . ϕ " X 6i t (t ) = 1 (1 − t ) 2 3 + .214 Elemente de teoria probabilităţilor şi statistică matematică Apoi G X (t ) = ∫ +∞ 0 e tx e −x dx = ∫ +∞ 0 e x ( t −1) dx = e x ( t −1) t −1 +∞ 0 = 1 . 2 " G X (t ) = (1 − 3 t) .

A-B. A. C evenimentul ca marca să apară la aruncarea a doua. A ∪B ∪C B-A. A ∩B ∩ . b)probele care favorizează respectiv apariţiile evenimentelor A. Fie A evenimentul ca marca să apară de două ori. B ∩ . C . B ∩ . A ∪B. C. A ∩ .. .16.Elemente de teoria probabilităţilor 215 σ1 ( X ) = M ( X ) = ' ϕX (0) ' = G X (0) = 1 şi i σ2 ( X ) = M ( X ) = 2 ϕ" (0) X i2 " = G X ( 0) = 2 . B evenimentul ca marca să apară cel puţin o dată. Probleme propuse 1. A-C. C C C A ∩ . B. B. Se aruncă o monedă de patru ori. Să se determine: a)spaţiul E al probelor. c)evenimentele A ∩B. B C A ∩B ∩C . 1.

Un lacăt are un cifru din patru cifre. 3. din cauza unei defecţiuni nu trebuie să coincidă cu ultima cifră a combinaţiei considerate. al doilea. Un client cumpără dintr-un magazin patru articole de îmbrăcăminte. d) exact două articole prezintă defecţiuni. e) cel mult două articole prezintă defecţiuni. al treilea şi al patrulea articol să nu conţină defecţiuni. A4 respectiv evenimentele ca primul. b) cel puţin un articol prezintă defecţiuni. 2.216 Elemente de teoria probabilităţilor şi statistică matematică d)probabilităţile evenimentelor de la punctele precedente. A3. A2. Să se calculeze probabilitatea de a ghici cifrul lacătului dacă: a) lacătul funcţionează perfect. Să se exprime cu ajutorul acestor evenimente. c) exact un aricol prezintă defecţiuni. b) ultima cifră. Fie A1. următoarele evenimente: a) nici un articol nu prezintă defecţiuni. .

La o conferinţă de presă participă 7 ziarişti străini şi 17 ziarişti autohtoni (8 femei şi 9 bărbaţi). Piesele produse de o maşină prezintă rebut în procente 2%. se cere probabilitatea ca întrebările să fie puse de: a) 2 ziarişti străini şi 4 autohtoni.Elemente de teoria probabilităţilor 217 c) prima şi ultima cifră nu trebuie să coincidă cu prima şi respectiv ultima cifră a combinaţiei considerate. 4. Pentru controlul calităţii produselor. 5. b) cel mult două piese să fie defecte. se iau la întâmplare 10 piese. Ştiind că la conferinţa de presă vor pune întrebări 6 ziarişti luaţi la întâmplare din cei 24 prezenţi. b) 2 ziarişti străini şi 4 autohtoni (2 femei şi 2 bărbaţi). . c) 1 ziarist străin şi 5 autohtoni (2 femei şi 3 bărbaţi). Să se calculeze probabilitatea ca: a) nici o piesă să nu fie defectă.

Să se calculeze probabilitatea ca de 5 ori să apară un număr prim. 7. O persoană ia la . b) să fie cel mult patru femei.218 Elemente de teoria probabilităţilor şi statistică matematică 6. 3 mii de lei. Ştiind că din 85 bilete 3 sunt câştigătoare. 8. b) să aibă un bilet câştigător. 9. Se aruncă un zar de 15 ori. din care o persoană a cumpărat 10 bilete. La o loterie s-au vândut 85 de bilete loto. Într-un magazin de autoservire. Se ştie că un magazin de cosmetice are acelaşi număr de clienţi bărbaţi. pe un raft se află 10 ciocolate care costă respectiv 1 mie de lei. de 8 ori să apară un număr compus şi de 2 ori apară faţa cu un punct. 5 mii de lei şi 10 mii de lei. respectiv femei. să se calculeze probabilitatea ca persoana care a cumpărat cele 10 bilete: a) să nu fi câştigat. Se consideră primii 12 clienţi ai magazinului dintr-o zi fixată. c) să aibă cel puţin un bilet câştigător. Să se calculeze probabilitatea ca dintre cei 12 clienţi: a) patru să fie femei.

altul are patru feţe colorate în alb şi celelalte în negru. Se ştie că trei din patru clienţi care intră întro unitate alimentară fac cumpărături de la unitatea respectivă. altul are trei feţe colorate în alb şi celelalte în negru. Să se calculeze probabilitatea ca : a) să se obţină pe trei din cele cinci zaruri culoarea albă. altul are două feţe colorate în alb şi celelalte în negru. b) să se obţină cel puţin pe două zaruri culoarea albă. Să se determine probabilitatea ca suma plătită să fie de 25 mii de lei.Elemente de teoria probabilităţilor 219 întâmplare 5 ciocolate. . 10. 11. Să se calculeze probabilitatea ca: a) primul cumpărător să apară după trei clienţi care au părăsit magazinul fără să cumpere nimic din unitatea respectivă. din care unul are o faţă colorată în alb şi celelalte în negru. iar altul are cinci feţe colorate în alb şi celelalte în negru. Se aruncă 5 zaruri.

Se ia un aparat la întâmplare şi se cere probabilitatea ca: a) aparatul să treacă proba de verificare.9. cinci de la unitatea U2. cele de la U2 cu probabilitatea 0. iar duoă de la unitatea U3. 12.75 iar cele de la U3 cu probabilitatea 0. Se notează cu X şi Y respectiv numărul apariţiilor mărcii în cele trei . 13.8. Se aruncă o monedă de trei ori. Să se scrie distribuţia varialbilei aleatoare X. 14. trei provenind de la unitatea U1. b) aparatul să provină de la U1 dacă se ştie că a trecut proba de verificare. Se supun aceste aparate unei probe de verificare.85. Fie X numărul zilelor din săptămână când consumul este normal. Consumul zilnic de energie electrică într-o unitate comercială este normal cu probabilitatea p=0.220 Elemente de teoria probabilităţilor şi statistică matematică b) până la al doilea cumpărător doi clienţi să nu fi efectuat cumpărături. Cele care provin de la unitatea U1 trec proba cu probabilitatea 0. Zece aparate de acelaşi tip sunt date în folosinţă.

să se scrie distribuţia variabilei aleatoare X şi funcţia de repartiţie ataşată variabilei aleatoare X. Fie X numărul cărţilor cu defecţiuni vândute celor trei cumpărători. din care 4 prezintă mici defecţiuni. La o librărie s-au primit 10 exemplare dintro carte. XY. Ştiind că un bilet este câştigător cu probabilitatea p=0. Să se scrie distribuţiile: a) variabilelor aleatoare X şi Y. . 16. b) vectorului aleator (X.Y). 15. iar apoi să se reprezinte grafic funcţia de reprtiţie. Trei cumpărători iau la întâmplare câte o carte din cele 10. O persoană cumpără pe rând bilete de loz în plic până când obţine un bilet câştigător. Să se scrie distribuţia variabilei aleatoare X şi funcţia de repartiţie corespunzătoare variabilei aleatoare X.1 şi notând cu X numărul biletelor necâştigătoare cumpărate. c) variabilelor aleatoare X+Y.Elemente de teoria probabilităţilor 221 aruncări şi numărul maxim de mărci consecutive apărute în cele trei aruncări.

1). π ) densitatea de probabilitate: ρ ( x ) =  . 18. dacă: . Variabila aleatoare X urmează legea normală N(0. Pentru aceasta. încearcă la întâmplare deschiderea lacătului cu aceste chei. Să se determine: a) constanta reală A. iar apoi să se calculeze valoarea medie şi dispersia variabilei aleatoare X. b) funcţia de repartiţie corespunzătoare. Să se determine densităţile de probabilitate respectiv pentru variabilele aleatoare Y = X3 şi Z =  X . Fie X numărul de încercări pentru deschiderea lacătului. O persoană doreşte să deschidă un lacăt şi are n chei. x ∈ ( 0. dintre care numai una se potriveşte. x ∉ ( 0. Să se scrie distribuţia variabilei aleatoare X. Variabila aleatoare X de tip continuu are  A sin x. π ) unde A este o constantă reală.222 Elemente de teoria probabilităţilor şi statistică matematică 17. 19. c) probabilităţile P( π π ≤ X ≤ ) şi P(0<X< 6 2 π 2  X> π 4 ).  0.

b) cheile încercate se înlătură. 20. pentru . Să se Y determine: a) constanta reală A. a l t f e l . y ) =   0. cy x〈〈 1 a ρ ( x. y〉 0. Y.Elemente de teoria probabilităţilor 223 a) cheile încercate se pun împreună cu celelalte.Y) cu densitatea de probabilitate:  A x . Se consideră vectorul aleator (X.d y ax. b) densităţile de probabilitate ρ X. ρ variabilele aleatoare X.

0<Y< ) 2 2 21. dispersia. b) valoarea medie. .85. Fie X numărul unităţilor alimentare din cele patru la care se găseşte pâine proaspătă într-o zi fixată.224 Elemente de teoria probabilităţilor şi statistică matematică c) probabilităţile P(0 < X < şi P(X < 1 1  Y< ). abaterea medie pătratică.9.95 şi respectiv p4=0.y)∈R2 x2+y2 ≤ r2}. p2=0. 2 2 1 1 . La patru unităţi alimentare din oraş se poate găsi zilnic pâine proaspătă cu probabilităţile p1=0. p3=0.8. 22. Să se determine valoarea medie şi dispersia distanţei Z = X 2 +Y 2 de la centrul ecranului până la punctul luminos. Să se determine: a) distribuţia variabilei aleatoare X. mediana şi modul variabilei aleatoare X.Y) coordonatele unui punct luminos ce reprezintă o ţintă pe un ecran radar circular şi care urmează legea uniformă pe domeniul D= {(x. Fie (X.

24. m +1 dacă variabila aleatoare X are densitatea de probabilitate  xm − x  ρ ( x) =  m! e . Folosind inegalitatea lui Cebîşev. d a c ax ≤ 0 26.1) fixat şi punctul aleator X = (0.Elemente de teoria probabilităţilor 225 23. Fie punctul a = (0.1). dispersia şi abaterea medie pătratică a variabilei aleatoare X. iar apoi valoarea medie.8.1). Probabilitatea ca o persoană să găsească loc la un hotel este p = 0. să se arate că P(0<X<2(m+1)) ≥ m . la hotelul respectiv s-au prezentat 4000 de persoane. În decursul unei luni de zile. Să se calculeze momentele iniţiale. Fie X . d a c ax〉 0 . Să se determine corelaţia dintre X şi distanţa Z =  X-a de la X la a. iar apoi să se determine valoarea lui a pentru care variabilele aleatoare X şi Z sunt 25. care urmează legea uniformă pe intervalul (0. Variabila aleatoare X urmează legea beta.  0.

c) numărul persoanelor care nu au găsit loc la hotel să fie mai mic decât 500. Probabilitatea ca o persoană să fie admisă la examenul de şofer amator este p=0. Să se evalueze probabilitatea ca: a) cel puţin 5 piese să fie defecte.75 mai puţin de 0. . Sunt testate 100 de piese.75. Să se determine probabilitatea ca: a) numărul persoanelor care au găsit loc la hotel să fie cuprins între 3000 şi 3400. 27.95 că frecvenţa relativă a promovaţilor să se abată de la probabilitatea p = 0. 28. Probabilitatea ca o piesă luată la întâmplare să fie defectă este p = 0.01 utilizând atât inegalitatea lui Cebîşev cât şi teorema Moivre-Laplace.01. b) numărul persoanelor care au găsit loc la hotel să nu depăşească 3000. Într-o lună se prezintă un număr de n candidaţi la acest examen.226 Elemente de teoria probabilităţilor şi statistică matematică numărul persoanelor care au găsit loc la hotel din totalul de 4000. Să se determine numărul n astfel încât să putem afirma cu o probabilitate cel puţin 0.

 2  31.87. X-Y. Probabilitatea ca o piesă luată la întâmplare să fie defectă este p = 0. care au distribuţiile X :  − ln n   1   2  0 X : 1 6  ln n   1  urmează legea numerelor mari. X3. 2X. X2. 29. Y2. X⋅ Y. Y3.Elemente de teoria probabilităţilor 227 b) mai puţin de 5 piese să fie defecte. 2X+3Y. Fie variabilele aleatoare independente: 1 12 2   −1  şi Y :  1 8 1 3   0 12 1 14 2   1 8  Să determine variabilele aleatoare: X+Y. 30. 3Y-2X. 3Y. Să se determine numărul de piese ce trebuie testate pentru ca un lot să fie respins cu probabilitatea 0. Un lot de piese este respins dacă conţine cel puţin 10 piese defecte. Fie X şi Y două variabile aleatoare discrete ale căror repartiţii probabiliste comune ( pij ) şi . Să se arate că şirul (Xn)n≥ 1 de variabile aleatoare independente.1. c) numărul pieselor defecte să fie cuprins între 5 şi 10. 32. X .

3X-2Y. X⋅ Y. X-Y. c) Scrieţi variabilele aleatoare: X+Y. X . b) Precizaţi dacă variabilele aleatore X şi Y sunt independente sau nu şi justificaţi răspunsul. 33.228 Elemente de teoria probabilităţilor şi statistică matematică unidimensionale ( pi ) şi (q j ) sunt date în tabelul de mai jos: Y X -1 1 2 qj -1 1/12 1/48 1/48 1/8 0 1/24 1/24 1/3 5/12 1 1/24 1/48 1/6 11/4 8 2 1/48 1/24 1/6 11/4 8 pi 3/16 1/8 11/1 6 1 a) Scrieţi variabilele aleatoare X şi Y. Fie variabilele aleatoare independente: Y . X2. Y3.

Elemente de teoria probabilităţilor

229

− 2 −1 0 1 1 2 1 X : 1   10 5 5 10 0 1 Y : 1 1   12 12 2 1 2 3 4 5 1 1 1  6 12 12 

2 1  5

şi

a) Calculaţi M(X), M(X2), D2(X), M(Y), M(Y2) şi D2(Y); b) Care dintre următoarele mărimi pot fi calculate şi care nu şi de ce? M(2X+3Y); D2(X2+Y); M(X2+Y2); D2(X2+Y2); M(XY). c) Calculaţi mărimile de la punctul b) pentru care răspunsul este favorabil. 34. Să se determine, în fiecare caz, variabila aleatoare X şi apoi să se calculeze M(X) şi D2(X). a) X :  x  , x∈N, p > 0, q > 0  pq   
 x 

D2(2X+3Y);

M(X2+Y);

230 Elemente de teoria probabilităţilor şi statistică matematică b) X :  ax b  , x∈N, a > 0, b > 0  

 x   x! 

c) X :   , x∈[0,1], a∈R  ax    d) X :   a (3 x 2 + 2 x )  , x∈[0,1], a∈R    e) X :  a x  , a∈R, x∈R e    f) X :   ρ( x )  , x∈R,   
 x 

x

x

 x 

ax  a2 x2  ρ ( x) =   2 0 

, x ∈ [ 0,1] , x ∈ [1,2] , a∈R , în rest

35. Fie variabilele aleatoare discrete:

0 X :1  3

1 0 2  şi Y :  1   3 6

1 1 2

2 1  3
1 , să se 3

Dacă P ( X = 0, Y = 0) = λ şi P ( X = 1, Y = 1) =

determine repartiţia comună a vectorului aleatoriu (X,Y)

Elemente de teoria probabilităţilor

231

în funcţie de λ ∈ R . Calculaţi apoi coeficientul de corelaţie r ( X , Y ) şi precizaţi dacă există valori ale lui λ pentru care X şi Y să fie independente. 36. Fie ( X , Y ) un vector aleatoriu continuu cu densitatea de repartiţie
ρ( X , Y ) =  
 a ( xy 2 + x 2 y ) 0 , ( x, y ) ∈[1,2] × [ 2,3]  , a > 0  , în rest 

a) Determinaţi
ρ( X , Y )

densitatea

de

repartiţie

şi densităţile de repartiţie

marginale corespunzătoare

ρX (x)

şi

ρY ( y ) ;
b) Calculaţi
r ( X ,Y ) .

coeficientul

de

corelaţie

37. Calculaţi funcţia caracteristică şi funcţia generatoare de momente pentru fiecare dintre variabilele aleatoare: a) X :  1

1  6

2 1 3

3 1  2

232 Elemente de teoria probabilităţilor şi statistică matematică b) X :  1

− 2 −1 0 1 2   10 5 5

1 2 1 1  5 10 

c) X :  2 , x ∈[ 0,1] 3x    d) X :  −x  , x ≥ 0  xe    şi apoi verificaţi dacă momentele obţinute pe cale directă coincid cu cele obţinute cu ajutorul acestor funcţii. 38. Verificaţi dacă funcţiile următoare definesc repartiţii ale unor variabile aleatoare discrete şi apoi calculaţi M(X) şi D2(X) pentru fiecare dintre ele. a) P (k ) =
1 (ln θ ) k , k ∈ N ,θ > 1 θ k!
1

 x 

 x 

− 1 b) P ( k ) = k e θ , k ∈ N ,θ > 0 θ ⋅ k!

c) P( k ) =θ k (1 −θ )1−k , k ∈{0,1},0 <θ <1 39. Să se afle funcţia caracteristică a variabilei aleatoare X caracterizată prin densitatea de probabilitate

x −1.  x ≤1 1< x <2 .  0.  f ( x) =  3 − x. 2 < x <3 x >3 .Elemente de teoria probabilităţilor 233  0.

Sign up to vote on this title
UsefulNot useful