Elemente de teoria probabilitatilor

Lect. dr. Rodica Ioana Lung

23 octombrie 2008
1
Teoria probabilit at ilor este un capitol al matematicii aplicate care se
ocup a cu rezolvarea unor probleme de tip aleator la care apare
drept element important factorul nt ampl ator . Exist a multe domenii
din realitatea nconjur atoare n care se nt alnesc astfel de elemente
aleatoare, de exemplu n sfera economic a, social-politic a, n sport, etc.

In acest capitol se formuleaz a mai nt ai not iunea de eveniment

aleator, se introduce o m asur a a realiz arii unui astfel de eveniment
(probabilitatea) iar apoi se evident iaz a o serie de aspecte at at
calitative c at si cantitative. Exist a mai multe modalit at i de a aborda
teoria probabilit at ilor. Noi vom aborda calea clasic a, adic a aceea care
se bazeaz a pe teoria mult imilor.
2
C amp de evenimente. C amp de
probabilitate
Corp de p arti
Not am cu o mult ime nevid a pe care o consider am mult ime de
referint a si cu T() mult imea tuturor submult imilor (p art ilor) lui .
Denitie 0.1 Se numeste corp de p arti ale lui orice familie /
T() care satisface urm atoarele dou a condit ii:
a) Pentru orice mult ime A / are loc relat ia C
A
/, unde cu C
A
s-a notat complementara lui A, adic a C
A
= A.
b) A, B / are loc A B /
3
Exemplul 0.2 Mult imea T() satisface condit iile a) si b) din denit ia
0.1, deci se poate spune c a este un corp de p art i ale lui .
Exemplul 0.3 Dac a = 1, 2, 3, 4, 5, 6 atunci mult imea:
/ = , , 1, 6, 2, 3, 4, 5, 1, 2, 3, 6, 1, 4, 5, 6, 2, 3, 4, 5
este un corp de p art i ale lui .
Observat ie: Din denit ie si din propriet at ile operat iilor obisnuite cu
mult imi se deduc urm atoarele implicat ii:
1. Pentru A, B / vom avea si A B /.
2. Pentru A, B / vom avea si A B /.
3. , /
4
Aceste trei implicat ii se pot demonstra imediat folosind denit ia 0.1 si
propriet at ile operat iilor cu mult imi.

In situat ia n care n locul condit iei b) din denit ia 0.1 se consider a o

alt a condit ie b:
b)(A
n
)
nN
, A
n
/ avem
nN
A
n
/.
spunem despre mult imea /, care se bucur a de propriet at ile a) si b),
c a este un -corp de p art i ale lui .
5
C amp de evenimente
Consider am n cele ce urmeaz a un experiment aleator, experiment la
care desi se cunosc toate rezultatele posibile, nu se stie sau nu se
poate spune cu certitudine care din acestea va apare (se va realiza).
De exemplu, experimentul aruncarea unui zar . Dup a efectuarea
experimentului se obt ine un rezultat. Acesta l vom numi prob a. Not am
cu mult imea tuturor probelor:
= spat iul probelor.
Denitie 0.4 Se numeste eveniment asociat unui experiment aleator
n sens clasic orice mult ime A:
A = x[x prob a care conrm a realizarea lui A
adic a un eveniment este orice situat ie ce se formuleaz a n leg atur a cu
experimentul aleator despre a c arei realizare nu se poate spune nimic
cu certitudine p an a dup a efectuarea experimentului.
6
La orice experiment aleator se pot pune n evident a trei categorii de
evenimente:
- prima categorie este format a din evenimentul sigur (evenimentul
cert), notat a cu ; orice prob a i conrm a realizarea;
- a doua categorie este format a din evenimentele aleatoare; un
eveniment este aleator dac a exist a cel put in o prob a care-i conrm a
realizarea. Din aceast a categorie se desprinde o subcategorie foarte
important a aceea a evenimentelor elementare, adic a evenimentele
pentru care exist a o prob a si numai una care le conrm a realizarea
- a treia categorie cont ine evenimentul imposibil , evenimentul care nu
se realizeaz a la nici o efectuare a experimentului (nici o prob a nu-i
conrm a realizarea).
7
Denitie 0.5 Se numeste c amp de evenimente asociat
experimentului aleator cu spat iul probelor orice corp de p art i
/ T().
C ampul de evenimente se notez a astfel: (, /).
C and / este un -corp de p art i ale lui atunci vom numi perechea
(, /) un -c amp de evenimente.
Exemplul 0.6 Plec and de la exemplul de mai sus la care experimentul
aleator este aruncarea zarului avemspat iul probelor care mpreun a
cu mult imea / denit a acolo formeaz a un c amp de evenimente.
Cu evenimentele putem efectua operat ii ca si cu mult imile. Formul arile
pentru aceste operat ii vor date prin intermediul exprim arilor probe,
realiz ari etc. n timp ce din punct de vedere matematic va vorba de
operat ii obisnuite cu mult imi.
8
Fie (, /) un c amp de evenimente asociat unui experiment aleator, si
A, B (, /) dou a evenimente din acest c amp. Vom scrie atunci
evenimentele:
1. AB evenimentul care const a n realizarea a cel put in unuia din
cele dou a evenimente (se realizeaz a A sau B).
2. AB evenimentul care const a n realizarea ambelor evenimente
(se realizeaz a A si B).
3. A B evenimentul care const a n realizarea lui A si nerealizarea
lui B.
4. A = C
A
evenimentul contrar lui A care const a n nerealizarea lui
A (realizarea lui A).
Operat iile cu evenimente satisfac propriet at ile obisnuite ale operat iilor
cu mult imi. Astfel, oricare ar A, B, C (, /) avem relat iile:
9
1. A B = B A
2. A (B C) = (A B) C
3. A B = B A
4. A (B C) = (A B) C
5. A (B C) = (A B) (A C) distributivitatea intersect iei
fat a de reuninue
6. A A =
7. A A =
8. A B = A B
10
9. A B = A B
10. A B = A B
Ultimele dou a relat ii sunt cunoscute sub numele de relat iile lui de
Morgan.
Cu evenimentele se pot stabili de asemenea o serie de relat ii, vom
aminti aici dou a dintre ele: cea de implicare si cea de echivalent a.
1. Dac a A, B / spunem c a A implic a pe B si scriem A B
atunci c and realizarea lui A atrage dup a sine si realizarea lui B.
Propriet at i:
reexivitate: A A
tranzitivitate: A B si B C rezult a si A C
11
are loc urm atoarea echivalent a: A B A B = A
A B = B
2. Spunem c a evenimentele A, B / sunt echivalente si scriem
A = B dac a are loc relat ia A = B A B si B A.
Propriet at i:
reexivitate: A = A
tranzitivitate: A = B si B = C rezult a si A = C
simetrie: A = B implic a B = A.
Av and n vedere denit ia relat iei de echivalent a putem observa c a
incluziunea are si proprietatea de antisimetrie, adic a (A B) si (B
A) (A = B)
12
Denitie 0.7 Evenimentele A si B sunt incompatibile dac a nu se
pot realiza deodat a, adic a nu exist a nici o prob a care s a conrme
realizarea acestora mpreun a, deci A B = .

In caz contrar
evenimentele A si B se vor numi compatibile, ele se pot realiza
deodat a, si exist a cel put in o prob a care conrm a realizarea ambelor:
A B ,= .
Denitie 0.8 Spunem c a evenimentele A
1
, A
2
, . . . , A
n
formeaz a un
sistem complet de evenimente dac a sunt ndeplinite urm atoarele dou a
condit ii:
1. Reuniunea lor este evenimentul sigur, adic a A
1
A
2
. . . A
n
=
.
2. Sunt dou a c ate dou a incompatibile: A
i
A
j
= , i ,= j
Observatie 0.9 Sistemul complet de evenimente reprezint a o partit ie
a evenimentului sigur.
13
C amp de probabilitate

In cele ce urmeaz a prezent am o m asur a a sansei de realizare

pentru evenimentele unui c amp de evenimente. Denit ia axiomatic a
a probabilit at ii este fundamental a n continuare, pe ea urm and s a se
contruiasc a tot ceea ce urmeaz a de acum ncolo.
Denitie 0.10 Consider am un c amp de evenimente (, /). Se
numeste probabilitate orice aplicat ie P : / R care asociaz a
ec arui eveniment A din / num arul real notat P(A) numit
probabilitatea lui Asi care satisface urm atoarele trei axiome (axiomele
probabilit at ii):
1

. P(A) 0;
2

. P() = 1;
3

. P(AB) = P(A)+P(B) atunci c and Asi B sunt incompatibile

(A B = )
14
Not am c ampul de probabilitate cu (, /, P) .
Observatie 0.11 Dac a (, /) este un -c amp si axioma 3

se
nlocuieste cu axioma 3

/
, unde 3

/
este:
P(

_
n=1
A
n
) =

n=1
P(A
n
), (A
n
)
nN
seria din membrul drept ind convergent a si A
n
sunt dou a c ate dou a
incompatibile, atunci (, /, P) se numeste -c amp de probabilitate.
Axiomele din Denit ia 0.10 poart a numele de axiomele lui
Kolmogorov.
Din denit ia axiomatic a a probabilit at ii se obt ine ntr-un caz special
denit ia clasic a a probabilit at ii . Presupunem c a (, /, P) este
astfel nc at mult imea este nit a (are n elemente) iar evenimentele
15
elementare sunt echiprobabile (au aceeasi probabilitate). Dac a not am
cu E
i
, i = 1, n evenimentele elementare, atunci avem egalitatea:
p = P(E
1
) = P(E
2
) = . . . = P(E
n
)
Denitie 0.12 Denit ia clasic a a probabilit at ii. Dac a A este un
eveniment realizat de un num ar de k probe, A =
i
1
,
i
2
, . . . ,
i
k

atunci conform denit iei clasice a probabilit at ii avem

P(A) =
k
n
adic a raportul dintre num arul cazurilor favorabile realiz arii
evenimentului A si num arul cazurilor posibile:
P(A) =
nr. cazuri favorabile
nr. cazuri posibile
.
Observatie 0.13 Numai din denit ia axiomatic a a probabilit at ii si
folosind propriet at ile operat iilor cu evenimente (cu mult imi) se deduc
urm atoarele propriet at i ale probabilit at ilor:
16
P1) P() = 0.
P2) P(A) = 1 P(A).
P3) dac a A B atunci avem:
P(B A) = P(B) P(A)
P(A) P(B) (funct ia de probabilitate este monoton a)
P4) A avem 0 P(A) 1.
P5) P(A B) = P(A) + P(B) P(A B).
Demonstrat ie: P1) Pornind de la egalitatea = si av and n
vedere c a = i ar P() = 1 putem scrie:
P( ) = P()
3
o
P() + P() = P() P() = 0
17
P2) Folosindu-ne de relat iile A A = si A A = scriem:
P(AA) = P() P(A)+P(A) = P() = 1 P(A) = 1P(A)
P3) Av and n vedere c a A B se poate scrie B = A (B A) iar
evenimentele A si BA sunt incompatibile (A(BA) = ) rezult a
c a putem scrie
P(B) = P(A) + P(B A) P(B A) = P(B) P(A).
iar din
P(B A) 0 P(B) P(A) 0 P(A) P(B).
P4) Pornim de la implicat iile: A din care folosind P3) rezult a
c a
0 = P() P(A) P() = 1
P5) Av and n vedere c a
A B = A [B (A B)]
18
si c a evenimentele A si [B (A B)] sunt incompatibile:
A [B (A B)] =
vom avea:
P(AB) = P(A) +P(B(AB)) = P(A) +P(B) P(AB).
Axioma a 3-a din denit ia clasic a a probabilit at ii, precum si
proprietatea P5) din Observatia de mai sus se pot generaliza dup a
cum urmeaz a:
Pentru cazul a trei evenimente A, B si C:
- Dac a sunt dou a c ate dou a incompatibile:
P(A B C) = P(A) + P(B) + P(C)
19
- Dac a nu sunt incompatibile dou a c ate dou a:
P(A B C) = P(A) + P(B) + P(C) P(A B) P(A C)
P(B C) + P(A B C)
Pentru cazul a n evenimente A
i
, i = 1, . . . , n:
- Dac a evenimentele A
i
, i = 1, . . . , n sunt incompatibile dou a
c ate dou a, adic a A
i
A
j
= , pentru orice i ,= j avem:
P(
n
_
i=1
A
i
) =
n

i=1
P(A
i
)
- Dac a evenimentele A
i
, i = 1 . . . n nu sunt dou a c ate dou a
incompatibile atunci:
P(
n
_
i=1
A
i
) =
n

i=1
P(A
i
)

i<j
P(A
i
A
j
)+
+

i<j<k
P(A
i
A
j
A
k
) + (1)
n1
P(
n

i=1
A
i
)
20
Formule fundamentale
Aceast a sect iune prezint a niste rezultate / relat ii care exprim a
probabilitatea intersect iei de evenimente, formula probabilit at ii totale,
probabilitatea condit ionat a si leg aturile dintre acestea.
Inegalitatea lui Boole
Dup a cumse stie, probabilitatea reuniunii n caz general se exprim a cu
ajutorul probabilit at ilor evenimentelor care se reunesc si a intersect iilor
de astfel de evenimente:
P(A B) = P(A) + P(B) P(A B).
Inegalitatea lui Boole ne va furniza o margine inferioar a pentru
probabilitatea intersect iei. Are loc urm atorul rezultat:
21
Teorem a 0.14 Fie A
1
, A
2
, . . ., A
n
(, /, P) evenimente dintr-un
c amp de probabilitate. Are loc relat ia:
P(
n

i=1
A
i
)
n

i=1
P(A
i
) (n 1) = 1
n

i=1
(1 P(A
i
)).
Demonstratie. Pentru demonstrat ie vom folosi metoda induct iei
matematice n raport cu n, n 2.
Pentru n=2 trebuie s a veric am relat ia:
P(A
1
A
2
) P(A
1
) + P(A
2
) 1
Aceast a inegalitate se mai poate scrie si ca P(A
1
)+P(A
2
)P(A
1

A
2
) 1 sau P(A
1
A
2
) 1 ceea ce este adev arat.
Presupunem c a n = k si c a are loc inegalitatea:
22
P(
k

i=1
A
i
)
k

i=1
P(A
i
) (k 1).
Vrem s a ar at am c a are loc si:
P(
k+1

i=1
A
i
)
k+1

i=1
P(A
i
) k
pentru n = k + 1. Pornim cu membrul st ang al ultimei inegalit at i:
P(
k+1

i=1
A
i
) = P(
k

i=1
A
i
A
k+1
) P(
k

i=1
A
i
) + P(A
k+1
) 1

i=1
P(A
i
) (k 1) 1 =
k+1

i=1
P(A
i
) k
Ret inem extremint at ile acestui sir de relat ii, de unde rezult a c a
inegalitatea va adev arat a pentru orice n 2. Cea de a doua
inegalitate se demonstreaz a cu ajutorul evenimentelor contrare.
23
Probabilit ati conditionate
Denitie 0.15 Fie A un eveniment dintr-un c amp de probabilitate care
are probabilitatea strict pozitiv a A (, /, P), P(A) > 0. Se
numeste probabilitatea evenimentului B (, /, P) condit ionat a
de evenimentul A, si se noteaz a P
A
(B) sau P(B[A) raportul dintre
probabilitatea intersect iei celor dou a evenimente si probabilitatea
evenimentului care condit ioneaz a:
P
A
(B) =
P(A B)
P(A)
.
Denit ia 0.15 este corect a deoarece sunt ndeplinite cele 3 axiome ale
probabilit at ii (Kolmogorov):
1

P
A
(B) 0 este evident a av and in vedere denit ia.
24
2

P
A
() = 1 este adev arat a deoarece:
P
A
() =
P(A )
P(A)
=
P(A)
P(A)
= 1, unde am folosit A = A
3

P
A
(B C) = P
A
(B) + P
A
(C) pentru B, C cu B C = este
adev arat a deoarece:
P
A
(B C) =
P(A (B C))
P(A)
=
P((A B) (A C))
P(A)
=
=
P(A B) + P(A C)
P(A)
=
P(A B)
P(A)
+
P(A C)
P(A)
= P
A
(B)+P
A
(C).
Observatie 0.16 Pe l ang a c ampul de probabilitate (, /, P) de acum
ncolo se poate vorbi si despre c ampul de probabilitate condit ionat a
(, /, P
A
), : A (, /, P), P(A) > 0.
25
Probabilitatea condit ionat a este important a n cele ce urmeaz a
ntruc at ne permite s a exprim am probabilit at ile pentru intersect ii de
evenimente.

Intr-adev ar, dac a A, B (, /, P) pentru care P(A) >
0, P(B) > 0 atunci putem scrie:
P(A B) = P(A) P
A
(B) = P(B) P
B
(A).
Generalizare.

In cazul mai multor evenimente se pot scrie relat ii
similare:
P(A B C) = P(A) P
A
(B) P
AB
(C)
P(A
1
A
2
. . . A
n
) = P(A
1
) P
A
1
(A
2
) P
A
1
A
2
(A
3
) . . .
Pn1

i=1
A
i
(A
n
)
Observatie 0.17 Exist a un caz special foarte important n care, n
ipoteza independent ei, se poate exprima probabilitatatea intersect iei
mult mai simplu. Avem nevoie de urm atoarea denit ie:
26
Denitie 0.18 Spunem c a evenimentele A, B din (, /, P) sunt
independente dac a are loc:
P(A B) = P(A) P(B).
Se constat a din denit ia 0.18 c a independent a celor dou a evenimente
duce la egalitatea
P
A
(B) = P(B)
adic a realizarea evenimentului B nu este condit ionat a de realizarea
evenimentului A, sau sansa ca B s a se realizeze nu este n nici un fel
inuent at a, este independent a, de realizarea lui A.

In consecint a, atunci c and independent a este prezent a vom putea

scrie pentru probabilitatea intersect iei relt iile:
P(A B) = P(A) P(B)
27
P(A B C) = P(A) P(B) P(C)
Pentru n evenimente independente:
P(
n

i=1
A
i
) =
n

i=1
P(A
i
).
Teorem a 0.19 Dac a evenimentele A si B sunt independente atunci
acelasi lucru se poate spune si despre A si B; A si B; A si B.
Formula probabilit atii totale
Consider am un sistem complet de evenimente A
1
, . . . , A
n

(, /, P). Are loc formula probabilit at ii totale (FPT):
28
Teorem a 0.20 Dac a X este un eveniment din (, /, P) si
A
1
, . . . , A
n
(, /, P)
un sistem complet de evenimente, atunci are loc relat ia:
P(X) = P(A
1
) P
A
1
(X) +P(A
2
) P
A
2
(X) +. . . +P(A
n
) P
A
n
(X).
Demonstratie. Utiliz and cele dou a condit ii ale sistemelor complete
de evenimente si propriet at ile operat iilor cu evenimente, putem scrie:
X = X = (
n
_
i=1
A
i
) X =
n
_
i=1
(A
i
X)
deci avem:
X =
n
_
i=1
(A
i
X).
29
Aplic and probabilitatea, urmeaz a c a:
P(X) = P
_
n
_
i=1
(A
i
X)
_
=
n

i=1
P(A
i
X) =
n

i=1
P(A
i
)P
A
i
(X)
adic a tocmai ceea ce trebuia demonstrat.
Formula lui Bayes
(formula probabilit at ii cauzei , formula probabilit at ii apriorice) Ne
situ am n aceleasi ipoteze de la formula probabilit at ii totale. Avem
un sistem complet de evenimente (A
i
)
i=1,...,n
(, /, P) si X un
eveniment oarecare. Dac a n cazul formulei probabilit at ii totale am
exprimat probabilitatea evenimentului X n funct ie de probabilit at ile
evenimentelor din sistemul complet, acum vom exprima P
X
(A
j
) adic a
probabilitatea unui eveniment A
j
din sistemul complet condit ionat a de
30
X, sau probabilitatea evenimentului A
j
din cauza c aruia s-a realizat
evenimentul X.
Are loc urm atorul rezultat:
Teorem a 0.21 Formula lui Bayes.

In ipotezele date este adev arat a
formula:
P
X
(A
j
) =
P(A
j
) P
A
j
(X)
P(X)
=
P(A
j
) P
A
j
(X)
n

i=1
P(A
i
) P
A
i
(X)
Demonstratie. Consider am egalitatea A
j
X = X A
j
de unde
rezult a c a P(A
j
X) = P(X A
j
) sau:
P(A
j
) P
A
j
(X) = P(X) P
X
(A
j
)
31
de unde putem exprima pe P
X
(A
j
):
P
X
(A
j
) =
P(A
j
) P
A
j
(X)
P(X)
Observatie 0.22 Cele trei formule fundamentale se vor utiliza n
aplicat ii concrete de ecare dat a c and se pot evident ia evenimente
la care ele se refer a si evenimentele care apar ndeplinesc cerint ele /
ipotezele de la aceste formule.
Exemplul 0.23 Un sortiment de marf a dintr-o unitate comercial a
provine de la trei fabrici diferite n proport ii de 1/3 de la prima fabric a,
1/6 de la fabrica a doua si restul de la fabrica a treia. Produsele de la
cele trei fabrici satisfac standardele de fabricat ie n proport ie de 90%,
95%, resectiv 92%. Un client ia la nt amplare o bucat a din sortimentul
de marf a respectiv. Care este probabilitatea ca aceasta s a satisfac a
standardele de fabricat ie?

In cazul n care cump ar atorul constat a
acas a ca produsul este defect, care e probabilitatea ca acesta s a
provin a de la prima fabric a?
32
Solutie 0.24 Vom nota cu A
1
, A
2
, A
3
evenimentele ca o bucata din
produsul respectiv s a provin a de la prima, respectiv a doua si a treia
fabric a. Atunci nseamn a c a probabilit at ile acestor evenimente sunt:
P(A
1
) =
1
3
,
P(A
2
) =
1
6
,
P(A
3
) = 1 (P(A
1
) + P(A
2
)) = 1 (
1
3
+
1
6
) =
1
2
Deoarece stim din enunt c a produsul respectiv poate proveni doar de
la una din cele trei fabrici, nseamn a c a putem scrie relat ia:
A
1
A
2
A
3
= .
De asemenea, av and n vedere c a o bucat a nu poate proveni n acelasi
timp de la dou a fabrici diferite, deducem c a evenimentele A
1
, A
2
si A
3
sunt incompatibile dou a c ate dou a, adic a nu se pot realiza deodat a.
33
Astfel, putem trage concluzia c a evenimentele A
1
, A
2
, A
3
formeaz a
un sistem complet de evenimente.
Pentru a r aspunde la prima ntrebare vom nota cu X evenimentul ca
bucata aleas a de client s a satisfac a standardele de fabricat ie. Ne
intereseaz a probabilitatea de realizare a evenimentului X.
Din enunt stim c a probabilit at ile ca un produs provenit de la prima
fabric a, respectiv a doua si a treia sunt 0.90, 0.95 respectiv 0.92. Deci,
dac a bucata cump arat a ar proveni de la prima fabric a probabilitatea
ca aceasta s a satisfac a standardele de fabricat ie este de 0.90, adic a
putem spune c a probabilitatea lui X condit ionat a de A
1
este 0.90:
P
A
1
(X) = 0.90
iar n mod analog putem scrie:
P
A
2
(X) = 0.95, P
A
3
(X) = 0.92.
34
Asadar ne a am in ipoteza formulei probabilit at ii totale care ne permite
calcularea probabilit at ii lui X:
P(X) = P(A
1
) P
A
1
(X) + P(A
2
) P
A
2
(X) + P(A
3
) P
A
3
(X)
de unde:
P(X) =
1
3
0, 90 +
1
6
0, 95 +
1
2
0, 92
P(X) = 0, 91.
La a doua ntrebare ni se cere s a calcul am probabilitatea
evenimentului A
1
, n condit iile nerealiz arii evenimentului X, adic a
probabilitatea lui A
1
condit ionat a de X, P
X
(A
1
). Folosim formula lui
Bayes si avem:
P
X
(A
1
) =
P(A
1
) P
A
1
(X)
P(X)
35
av and n vedere c a P(X) = 1 P(X) si c a P
A
1
(X) = 1 P
A
1
(X)
avem:
P
X
(A
1
) =
P(A
1
) (1 P
A
1
(X))
1 P(X)
,
P
X
(A
1
) =
1
3
(1 0, 90)
1 0, 91
,
P
X
(A
1
) = 0, 37.
36
Scheme clasice de probabilitate
Scheme clasice de probabilitate
O serie de probleme din cadrul probabilit at ilor, care desi au enunt uri
aparent diferite se rezov a cu aceeasi metod a.

In fond am putea
spune c a ncadr am problemele respective ntr-o aceeasi schem a.
Exist a mai multe scheme str anse sub denumirea de scheme clasice
de probabilitate. Esent ial la aceste scheme este s a scriem cum
se desf asoara experimentul si s a evident iem evenimetul a c arui
probabilitate ne intereseaz a. Adopt am si noi aici la formulare limbajul
foarte utilizat n care experimentul se refer a la extragerea unor bile
dintr-o urn a (sau din mai multe) dup a un anumit procedeu. Tocmai de
aceea si schemele vor denumite ca schema urnei cu... .
37
Schema urnei cu bile revenite
(schema binomial a, schema urnei
lui Bernoulli)
Aceast a schem a de probabilitate se aplic a n cazul n care se fac
repet ari independente ale unui experiment si la ecare repetare se
are n vedere aparit ia unui eveniment bine precizat. Evenimentul
considerat se presupune c a apare cu aceeasi probabilitate la ecare
repetare a experimentului. Se cere calcularea probabilit at ii ca din n
repet ari ale experimentului evenimentul precizat s a apar a de k ori.
Presupunem c a urna U are bile de dou a culori (albe si negre).
Se cunoaste probabilitatea p ca la o extragere s a ias a o bil a alb a.
Probabilitatea extragerii unei bile negre va q = 1 p. Atunci c and
38
se cunoaste cont inutul urnei - a bile albe si b bile negre, valoarea lui p
va p =
a
a+b
.
Experimentul se desf asoar a astfel: din urn a se extrage pe r and c ate o
bil a care dup a examinare revine n urn a. Not am cu n num arul total de
bile extrase (cu revenire).

Intrebarea pe care ne-o punem este: care
este probabilitatea ca din cele n bile extrase de k ori s a obt inem o bil a
alb a.
Rezolvarea acestei probleme se face folosind exprimarea
evenimentului considerat cu evenimente corespunz and ec arei
extrageri n parte (ca si reuniune de intersect ii de astfel de evenimente)
si folosind propriet at ile probabilit at ilor. Calcul am probabilitatea
evenimentului X
k
n
ca din n bile extrase k s a e de culoare alb a,
notat a cu P(X
k
n
) folosind formula:
P(X
k
n
) = C
k
n
p
k
q
nk
.
39
Exemplul 0.25 La o banc a s-a constatat c a din 10 credite 9 sunt
performante. Dac a se acord a 5 credite, care este probabilitatea ca
3 din ele s a e performante?
Solutie 0.26 Aceast a probabilitate se calculeaz a cu ajutorul schemei
lui Bernoulli cu bila revenit a. Probabilitatea ca un credit s a e
performant este p =
9
10
iar probabilitatea ca un credit s a e
neperformant este q = 1 p = 1
9
10
=
1
10
. Aceste probabilit at i
sunt constante pentru ecare credit n parte, deci putem s a ne folosim
de schema binomial a. Ne intereseaz a care este probabilitatea ca din
n = 5 credite, k = 3 credite s a e performante. Calcul am:
P(X
3
5
) = C
3
5
p
3
q
53
= 10
_
9
10
_
3

_
1
10
_
2
= 0, 07
40
Schema urnei cu bila revenit a s i cu
mai multe st ari (multinomial a sau
polinomial a)
Aceasta este o generalizare a schemei binomiale. Se aplic a atunci
c and la ecare repetare se urm areste aparit ia a s evenimente care
formeaz a un sistem complet de evenimente. Probabilit at ile de aparit ie
pentru evenimentele considerate nu depind de rangul repet arii deci
sunt constante. Se doreste calculul probabilit at ii ca n n repet ari
independente ale experimentului, cele s evenimente s a apar a de un
num ar precizat de ori dat.
Presupunem c a avem o urn a care cont ine bile de s culori. Se cunosc
probabilit at ile de a scoate bile de diversele culori p
i
, i = 1, s . Din
urn a se extrag, pe r and, bile cu ntoarcerea bilei extrase n urn a, dup a
41
ce s-a constatat culoarea ei. Se cere s a se calculeze probabilitatea
evenimentului X
k
1
,k
2
,...,k
s
n
, ca din n bile extrase, k
1
s a e de culoarea
int ai, k
2
bile de culoarea a doua, s.a.m.d k
s
s a e de culoarea a s-a.
Folosindu-se un rat ionament similar ca si n cazul schemei binomiale
se deduce formula de calcul:
P(X
k
1
,k
2
,...,k
s
n
) =
n!
k
1
!k
2
! k
s
!
p
k
1
1
p
k
2
2
p
k
s
s
.
Observatie 0.27 Au loc relat iile:
p
1
+ p
2
+ + p
s
= 1
deoarece cele s evenimente formeaz a un sistem complet, si:
k
1
+ k
2
+ k
s
= n
care este evident a.
42
Exemplu 0.28 Consider am experimentul aruncarea unui zar si ne
x am atent ia asupra evenimentelor de a apare: o fat a cu un num ar
par de puncte, o fat a cu un num ar prim mai mare ca 2 si fat a cu un
punct. Dac a se arunc a zarul de 10 ori, care este probabilitatea ca de
3 ori s a apar a o fat a cu un num ar par de puncte, de 5 ori o fat a cu un
num ar prim mai mare ca 2 si de dou a ori fat a cu un punct.
Solutie 0.29 Avem p
1
=
1
2
, p
2
=
1
3
si p
3
=
1
6
, k
1
= 3, k
2
= 5 si
k
3
= 2. Aplic am formula si avem:
P(X
3,5,2
10
) =
10!
3!5!2!
_
1
2
_
3
_
1
3
_
5
_
1
6
_
2
= 0.036.
43
Schema urnei cu bile nerevenite

Intr-o urn a U se a a bile de dou a culori: bile albe si bile negre. Not am
cu a num arul de bile albe si b num arul de bile negre. Din urn a se
extrage pe r and c ate o bil a, n total extr ag andu-se n bile. Dup a ecare
extragere bila extras a r am ane afar a.
Observatie 0.30 A extrage pe r and bilele f ar a revenire nseamn a
acelasi lucru, din punct de vedere probabilistic, cu a extrage toate
bilele deodat a.
Ne intereseaz a ca din n bile extrase, de k ori s a apar a bila alb a si
de l ori s a apar a bila neagr a: k + l = n. Not am acest eveniment cu
X
k,l
a,b
si ne intereseaz a probabilitatea realiz arii lui. Formula de calcul a
acestei probabilit at i este:
P(X
k,l
a,b
) =
C
k
a
C
l
b
C
n
a+b
.
44
Exemplu 0.31

Intr-o grup a sunt 20 de studente si 15 student i. La
nt amplare se constituie o echip a care va participa la un training,
format a din 10 student i. Care este probabilitatea ca n aceast a echip a
s a e 6 studente?
Solutie 0.32 Avem: a = 20, b = 15, n = 10, k = 6 si l = 4.
Probabilitatea c autat a este:
P(X
6,4
20,15
) =
C
6
20
C
4
15
C
10
35
= 0.28.
Generalizarea se face extinz and num arul de culori (de st ari). Astfel
consider am c a urna U cont ine bile de s culori: a
1
, a
2
, . . . , a
s
. Din urn a
se extrag f ar a revenire n bile. Probabilitatea evenimentului s a avem un
num ar de k
i
bile extrase de culoarea a
i
, i = 1, s, unde
k
1
+ k
2
+ ... + k
s
= n
45
este
P(X
k
1
,k
2
,...,k
s
a
1
,a
2
,...,a
s
) =
C
k
1
a
1
C
k
2
a
2
... C
k
s
as
C
n
a
1
+a
2
+...+a
s
.
46
Schema urnelor lui Poisson
Fie U
1
, U
2
, ..., U
n
, n urne care cont in ecare bile de 2 culori. Se
cunosc probabilit at ile de a extrage o bil a alb a, respectiv neagr a din
ecare urn a:
p
1
, q
1
; p
2
, q
2
; ...; p
n
, q
n
.
Din ecare urn a se extrage c ate o bil a.

In total se extrag n bile.
Probabilitatea evenimentului X
k
n
ca din cele n bile extrase bila alb a
s a apar a de k ori este:
P(X
k
n
) =

1i
1
<...<i
k
n
p
i
1
p
i
2
...p
i
k
q
i
k1
...q
i
n
.
Observatie 0.33 Aceast a probabilitate este tocmai coecientul lui t
k
din produsul:
(p
1
t + q
1
)(p
2
t + q
2
)...(p
n
t + q
n
).
47
Exemplu 0.34 Dintr-o serie de curs cu 3 grupe se constituie o echip a
format a cu c ate un reprezentant din ecare grup a. Cunosc and
probabilit at ile ca din ecare grup a s a e aleas a la nt amplare o
student a, anume p
1
= 0.52, p
2
= 0.64 si p
3
= 0.55 s a se determine
probabilitatea ca n echipa constituit a s a e 2 studente.
Solutie 0.35 Cu datele din enunt form am produsul:
(0.52t + 0.48)(0.64t + 0.36)(0.55t + 0.45)
de unde vom extrage coecientul termenului t
2
:
P(X
3
5
) = 0.52 0.64 0.45+0.52 0.55 0.36+0.64 0.55 0.48 = 0.42.
48
Schema lui Pascal (schema
geometric a)
Modelul probabilistic al acestei scheme se realizeaz a printr-o urn a
care cont ine bile de dou a culori: albe si negre. Se extrag bile din
urn a, una c ate una, cu ntoarcerea bilei extrase n urn a, dup a ce s-
a constat culoarea ei. Vom spune c a avem succes c and se obt ine
o bil a de culoare alb a, respectiv insucces c and se obt ine o bil a de
culoare neagr a. Probabilitatea succesului la o extragere este p iar a
insuccesului este q = 1 p. Calcul am probabilitatea evenimentului
X
k
n
ca la aparit ia celui de al n-lea succes, s a se obt inut k insuccese
cu formula:
P(X
k
n
) = C
k
n+k1
p
n
q
k
.
Exemplu 0.36 Se cunoaste c a un tr ag ator nimereste t inta cu
probabilitatea 0.7. Care este probabilitatea evenimentului ca prima
nimerire a t intei s a se realizeze dup a 4 rat ari.
49
Solutie 0.37 Avem n = 1, k = 4, p = 0.7 si q = 0.3 . Probabilitatea
c autat a este:
P(X
4
1
) = C
4
4
(0.7)
1
(0.3)
4
= 0.005.
50
Variabile aleatoare
Denitii
P an a acum evenimentele au fost studiate mai nt ai din punct de vedere
calitativ iar o dat a cu introducerea probabilit at ilor si din punct de
vedere cantitativ. Studiul se extinde prin considerarea unei not iuni noi,
aceea de variabil a aleatoare, variabil a care va juca un rol similar n
teoria probabilit at ilor ca si variabila din cadrul analizei matematice sau
din cealalt a parte a matematicii.

In cazul variabilelor aleatoare valorile vor luate dintr-o anumit a

mult ime nu n mod cert ci numai cu o anumit a probabilitate. Ca notat ie
pentru variabila aleatoare se utilizeaz a de obicei literele mari sau pot
utilizate si literele grecesti: , ....
Consider am un c amp de probabilitate (, /, P)
51
Denitie 0.38 Se numeste variabil a aleatoare real a orice aplicat ie
X : R
aplicat ie care asociaz a ec arei probe un num ar real X () ,
X ()
astfel nc at
X
1
(, x) / x R.
Aici, prin X
1
(, x) am notat evenimentul identicat cu mult imea
probelor astfel nc at X () < x :
X
1
(, x) = , , X () < x .
52
Observatie 0.39

In cele ce urmeaz a vom avea n vedere dou a
categorii de variabile aleatoare si anume:
- variabile aleatoare de tip discret
- variabile aleatoare de tip continuu
Variabilele aleatoare de tip discret sunt variabile aleatoare pentru
care mult imea valorilor (codomeniul lui X) este o mult ime nit a sau
num arabil a de forma
M = x
i
[x
i
R
iI
, I N.
Variabila aleatoare de tip continuu este variabila aleatoare a c arui
codomeniul M este un interval M = [a, b] R nchis sau nu.
53
Exemplu 0.40 Not am cu X variabila aleatoare care reprezint a suma
punctelor obt inute la aruncarea a dou a zaruri. Atunci
M = 2, 3, 4, 5, 6, ..., 11, 12 .
Exemplu 0.41 Fie =
1
,
2
,
3
; / = ,
1
,
2
,
3
, ,
M = x
1
, x
2
R, x
1
< x
2
.
Ar at am c a X : M, X(
1
) = x
1
, X(
2
) = x
2
, X(
3
) = x
2
este
o variabil a aleatoare.
X
1
((, x)) = pentru orice x x
1
;
X
1
((, x)) =
1
pentru orice x
1
< x x
2
;
X
1
((, x)) =
2
,
3
pentru orice x > x
2
.
54
Denitie 0.42 Dac a X este o variabil a aleatoare de tip discret atunci
numim funct ie de probabilitate si o not am cu f
X
: M R
funct ia care asociaz a ec arui x
i
f
X
(x
i
) = P (X = x
i
) unde
X = x
i
reprezint a evenimentul ca variabila aleatoare discret a X ia
valoarea x
i
.
Observatie 0.43 Atunci c and nu e pericol de confuzie indicele X
de la funct ia f se va omite si vom nota f (x
i
) cu p
i
, unde p
i
reprezint a probabilitatea evenimentului ca variabila X s a ia valoarea
x
i
. Se constat a f ar a greutate c a sistemul de evenimente X = x
i

iI
este un sistem complet de evenimente si atunci vor ndeplinite
ntodeauna urm atoarele dou a condit ii:
_
iI
p
i
= 1
p
i
0, i I
55
Astfel variabilei aleatoare de tip discret X i se asociaz a un tabel
(tablou) de repartit ie (distribut ie) de forma:
X :
_
x
i
p
i
_
iI
sau detaliat X :
_
x
1
x
2
... x
n
...
p
1
p
2
... p
n
...
_
.
Se vede c a repartit ia (distribut ia) cont ine pe prima linie valorile pe
care variabila aleatoare le ia, de obicei scrise o singur a dat a si n
ordine cresc atoare, iar pe linia a doua sunt trecute probabilit at ile cu
care variabila aleatoare X ia valoarea corespunz atoare (p
i
).
Exemplu 0.44 Revenim la primul exemplu din aceast a sect iune si
cerem n plus s a construim distribut ia acestei variabile aleatoare:
X =
_
2 3 4 5 6 7 8 9 10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
_
.
56
Operatii cu variabile aleatoare de tip
discret
Operat ii cu variabile aleatoare de tip discret
Ca si cu variabilele obisnuite si cu variabilele aleatoare se pot face
operat ii. Pentru ecare nou a variabil a obt inut a dup a efectuarea
operat iilor trebuie s a cunoastem tabloul de repartit ie:
1. Adunarea unei variabile aleatoare X cu un num ar constant: C+X
C + X :
_
C + x
i
p
i
_
iI
57
2.

Inmult irea unei variabile cu o constant a
C X :
_
C x
i
p
i
_
iI
3. Ridicarea la putere. Fie k N
X
k
:
_
x
k
i
p
i
_
iI
c and au sens x
k
i
se poate lua k Z sau chiar k R.
4. Suma a dou a variabile aleatoare X, Y : X + Y
X :
_
x
i
p
i
_
iI
, Y :
_
y
i
q
i
_
iI
= X + Y :
_
x
i
+ y
j
P
ij
_
iI, jJ
58
unde
P
ij
= P [X = x
i
Y = y
j
]
Caz particular: Atunci c and X si Y sunt independente
X = x
i
si Y = y
j
(i, j) I J
vor tot independente deci P
ij
este produsul:
P
ij
= p
i
q
j
.
4. Produsul a dou a variabile aleatoare
X Y :
_
x
i
y
j
P
ij
_
iI, jJ
P
ij
= P [X = x
i
Y = y
j
]
59
Exemplu 0.45 Se consider a variabilele aleatoare de distribut ii
X :
_
1 0 2
0.3 0.5 0.2
_
Y :
_
2 1
0.4 0.6
_
Presupunem c a acestea sunt independente. S a se efectueze
urm atoarele operat ii: 2X, 3 + Y, X
4
, X + Y, X Y,
X
Y
.
2X :
_
2 0 4
0.3 0.5 0.2
_
;
3 + Y :
_
1 4
0.4 0.6
_
;
X
4
:
_
0 1 16
0.5 0.3 0.2
_
;
X + Y :
_
3 0 2 1 0 3
0.12 0.18 0.2 0.3 0.08 0.12
_
60
X + Y :
_
3 2 0 1 3
0.12 0.2 0.26 0.3 0.12
_
;
Y
1
:
_

1
2
1
0.4 0.6
_
;
X
Y
= X Y
1
:
_
(1)
_

1
2
_
=
1
2
(1) 1 = 1 0 0 1 2
0.12 0.18 0.2 0.3 0.08 0.12
_
X
Y
:
_
1 0
1
2
2
0.26 0.5 0.12 0.12
_
61
Functia de repartitie
Studiul variabilelor aleatoare se poate considera si prin intermediul
unei noi funct ii asociate variabilei aleatoare. Aceast a funct ie
numit a uneori funct ie ,,cumulativ a a probabilit at ilor are o serie de
propriet at i foarte usor de exploatat.mai ales c and e vorba de a evalua
probabilit at ile unor evenimente construite cu variabile aleatoare.
Fie X o variabil a aleatoare discret a.
Denitie 0.46 Se numeste funct ie de repartit ie asociat a lui X si se
noteaz a cu F
X
: R [0, 1] , funct ia care asociaz a x F
X
(x) ,
denit a prin:
F
X
def
= P (X < x) .
Observatie 0.47 Atunci c and nu exist a pericolul de confuzie se va
renunt a la indicele X si la acoladele din membrul drept:
F (x) = P (X < x) .
62
Exemplu 0.48 S a construim funct ia de repartit ie pentru variabila
aleatoare X din exemplul 0.45.
Studiem ecare caz n parte:
x 1 = F (x) = P (X < x) = P () = 0
1 < x 0 = F (x) = P (X < x) = P (x = 1) = 0.3
0 < x 2 = F (x) = P (X < x) = P (x = 1 x = 0) =
= 0.3 + 0.5 = 0.8
x > 2 = F (x) = P (X < x) = 1
deci putem scrie:
= F (x) =
_

_
0, x 1
0.3, 1 < x 0
0.8, 0 < x 2
1, x > 2
.
63
Propriet ati ale functiei de repartitie: Folosind doar denit ia si
propriet at i ale probabilit at ilor se deduc urm atoarele propriet at i ale
funct iei de repartit ie:
1. 0 F (x) 1.
2. F () = lim
x
F (x) = 0.
3. F (+) = lim
x+
F (x) = 1.
3. F cresc atoare: x
/
, x
//
R
x
/
< x
//
= F (x
/
) F ( x
//
) .
4. F este continu a la st anga x

R,
F (x

) = F (x

0) = lim
x0
x<x

F (x) .
64
5. x
/
, x
//
R, cu x
/
< x
//
:
P (x
/
X < x
//
) = F (x
//
) F (x
/
) .
Demonstratie. Proprietatea. 5:
Pornim de la evenimentul: X < x
//
:
X < x
//
= (x
/
X < x
//
) (X < x
/
) =
F(x
//
) = P (X < x
//
) = P ((X < x
/
) (x
/
X < x
//
)) =
= P (x
/
X < x
//
) + P (X < x
/
) = P(x
/
X < x
//
) + F(x
/
)
= P (x
/
X < x
//
) = F (x
//
) F (x
/
)
65
Observatie 0.49 Plec and de la proprietatea 5 se demonstreaz a c a
sunt adev arate relat iile:
P (x
/
X x
//
) = F (x
//
) F (x
/
) + P (X = x
//
) ;
P (x
/
< X < x
//
) = F (x
//
) F (x
/
) P (X = x
/
) ;
P (x
/
< X x
//
) = F (x
//
) F (x
/
) + P (X = x
//
) P (X = x
/
) .
66
Variabile de tip continuu

In aplicat ii variabilele aleatoare de tip discret nu sunt ntotdeauna

suciente.

Intr-adev ar exist a probleme care sunt descrise de variabile
aleatoare care nu sunt discrete.
Exemplu 0.50 Greutatea unui produs e reprezentat a printr-o variabil a
aleatoare care ia orice valoare dintr-un anumit interval. Este nevoie s a
se aib a n vedere o variabil a aleatoare de tip continuu.
Denitie 0.51 Variabila aleatoare real a X este de tip continuu dac a
funct ia sa de repartit ie F este dat a printr-o relat ie de forma:
F (x) =
x
_

f (t) dt
f ind o funct ie integrabil a pe orice interval de forma (, x), x R.
67
Funct ia de repartit ie a unei variabile aleatoare de tip continuu se
bucur a de aceleasi propriet at i ca si n cazul variabilelor aleatoare de
tip discret precum si de propriet at i specice.
Observatie 0.52 Din denit ia de mai sus si av and n vedere
propriet at ile integralelor avem:
f(x) = F
/
d
(x) = lim
x0
x>0
F(x + x) F(x)
x
.
Denitie 0.53 Funct ia f se numeste funct ie densitate de probabilitate
a variabilei aleatoare de tip continuu, funct ie care are propriet at i
similare cu acelea ale funct iei de probabilitate din cazul discret.
Teorem a 0.54 Dac a F este funct ie de repartit ie a unei variabile
aleatoare continue atunci densitatea de probabilitate f are
68
urm atoarele propriet at i:
1.f(x) 0, ()x R
2.

f(t)dt = 1 .
Observatie 0.55 Dup a cum n cazul variabilei aleatoare discrete
aveam o asa zis a repartit ie, adic a un tablou cu dou a linii, pe prima linie
ind trecute valorile variabilei iar pe a doua funct ia de probabilitate, tot
asa si la variabilele aleatoare de tip continuu vom considera o asa
zis a repartit ie sau distribuit ie. Astfel, pentru o variabil a aleatoare de
tip continuu care ia valori doar dintr-un interval [a, b] repartit ia va avea
69
forma:
X :
_
x
f(x)
_
xR
f(x) 0 ()x R

f(t)dt = 1.
70
Distributii clasice ale variabilelor
aleatoare
Distribut ii clasice ale variabilelor aleatoare
Tipurile de distribut ii clasice se asociaz a schemelor clasice de
probabilitate.
Distributii de variabile aleatoare discrete: a) Distribut ia binomial a
(corespunz atoare schemei urnei cu bila revenit a):
X :
_
k
C
k
n
p
k
q
nk
_
k=0,n
, p + q = 1, p, q > 0.
71
b) Distribut ia hipergeometric a (corespunz atoare schemei urnei cu bila
nerevenit a):
X :
_
k
C
k
a
C
nk
b
C
n
a+b
_
k=0,n
.
c) Distribut ia lui Poisson (se obt ine printr-un proces de trecere la limit a
din distribut ia binomial a - n , np = (const.))
X :
_
k

k
k!
e

_
k=0,1,...
d) Distribut ia lui Pascal (corespunz atoare schemei lui Pascal):
X :
_
k
C
k
n+k1
p
n
q
k
_
k=0,1,...
, p + q = 1, p, q > 0
Caz particular, pentru n = 1 avem distribut ia geometric a:
X :
_
k
p q
k
_
k=0,1,...
, p + q = 1, p, q > 0.
72
Distributii de variabile aleatoare continue: a)Distribut ia uniform a:
X :
_
x
1
ba
_
x[a,b]
.
b) Distribut ia normal a este cea mai des utilizat a:
X :
_
x
1

2
e

(xm)
2
2
2
_
x(,)
, , m R, > 0.

In leg atur a cu aceast a distribut ie amintim urm atorul rezultat (Integrala

Euler-Poisson-Gauss):

t
2
2
dt =

2.
73
Caracteristici numerice ale
variabilelor aleatoare
Studiul variabilei aleatoare at at de tip discret c at si de tip continuu
se extinde prin introducerea unor caracteristici numerice cu ajutorul
c arora se dau informat ii suplimentare despre ele. Aceste caracteristici
se mpart n mai multe categorii:
de grupare - care evident iaz a niste numere n jurul c arora se
grupeaz a valorile variabilelor,
de mpr astiere (de dep artare) care dau informat ii asupra gradului
de dep artare a valorilor variabilelor fat a de o caracteristic a de
grupare principal a,
privind forma distribut iei: simetrie, asimetrie, boltire, turtire, etc.
74
Caracteristici de grupare
Caracteristici de grupare
Sunt niste numere care se determin a pornind de la variabila aleatoare
considerat a, numere n jurul c arora se grupeaz a toate valorile
variabilei aleatoare.
Valoarea medie:
Denitie 0.56 Se numeste valoarea medie a variabilei aleatoare X si
se noteaz a M (X) num arul calculabil prin una din relat iile:
M (X) =

iI
x
i
p
i
; -dac a X este variabil a aleatoare discret a
M (X) =
_
+

xf (x) dx.; dac a X este variabil a aleatoare continu a

75
Exemplu 0.57 X :
_
2 1 2
0.4 0.3 0.3
_
=
M (X) = 0.8 + 0.3 + 0.6 = 0, 1
Exemplu 0.58 X :
_
x
f (x)
_
xR
unde f (x) =
_
3x
2
x [0, 1]
0 n rest
M (X) =
_
+

xf (x) dx =
_
1
0
x 3x
2
dx = 3
x
4
4

1
0
=
3
4
Propozitie 0.59 Valoarea medie are c ateva propriet at i. Astfel dac a X
si Y sunt variabile aleatoare, c o constant a, avem:
1. M (cX) = c M (X) .
2. M (C) = c unde C :
_
c
1
_
.
76
3. M (X + Y ) = M (X) + M (Y ) .
4. M (X Y ) = M (X) M (Y ) , dac a X, Y - independente
5. X
min
M (X) X
max
unde X
min
, X
max
sunt valorile minime si
maxime pe care le poate lua X si
a M (X) b unde X este o variabil a aleatoare continu a, iar [a, b]
e intervalul pentru care f
X
(x) ,= 0.
Valoarea medie este considerat a cea mai important a dintre
caracteristicile de grupare.
77
Valoarea modal a (moda)
Denitie 0.60 Se numeste valoarea modal a a variabilei aleatoare X
num arul notat cu M

(X) care este valoarea variabilei X cu cea

mai mare probabilitate (valoarea cea mai probabil a) pentru variabila
aleatoare discret a respectiv argumentul pentru care f are valoare
maxim a n cazul variabilelor de tip continuu.
Exemplu 0.61 Pentru variabila aleatoare prezentat a n exemplul 0.57
avem: M

(X) = 2.
Exemplu 0.62 Fie X din exemplul 0.58. Avem M

(X) = 1.
78
Valoarea median a
Denitie 0.63 Se numeste valoare median a a variabilei aleatoare X
num arul M
e
(X) care mparte repartit ia n dou a p art i egale, adic a e
num arul pentru care P (X < M
e
(X)) = P (X M
e
(X))
Observatie 0.64

In cazul c and se utilizeaz a funct ia de repartit ie din
denit ia 0.46 se deduce c a F (M
e
(X)) =
1
2
, adic a valoarea medie e
solut ia inecuat iilor
F (M
e
(X))
1
2
si F (M
e
(X))
1
2
.
Exemplu 0.65

In cazul variabilei X din exemplul 0.58 avem:
F (x) =
_
_
_
0 x 0
_
x
0
3t
2
dt x (0, 1]
1 x > 1
= F (x) =
_
_
_
0 x 0
x
3
x (0, 1]
1 x > 1
= F (x) =
1
2
adic a x
3
=
1
2
= x =
1
3

2
= M
e
(X) .
79
Momente de ordin superior

In aceeasi categorie de caracteristici de grupare gureaz a asa zisele

momente de ordin superior.

In unele aplicat ii este nevoie s a se
utilizeze puterile naturale ale unei variabile aleatoare X
2
, X
3
, ..., X
k
,
valori pentru care caracteristicile de grupare principale joac a un
rol important. Astfel introducem momentele de ordin superior n
urm atoarea denit ie:
Denitie 0.66 Se numeste moment de ordin k al variabilei aleatoare
X si se noteaz a
k
.num arul:

k
= M
_
X
k
_
.
Observatie 0.67 Se observ a c a
1
= M (X) ;
0
= 1.
Observatie 0.68 Cele mai des utilizate n aplicat ii sunt:
2
,
3
,
4
.
80
Exemplu 0.69 Fie X :
_
2 1 2
0.4 0.3 0.3
_
. Avem:

2
= M
_
X
2
_
= (2)
2
0.4 + 1
2
0.3 + 2
2
0.3 = 1.6 + 0.3 + 1.2 = 3.1

3
= M
_
X
3
_
= (8) 0.4 + 0.3 + 8 0.3 = 3.2 + 0.3 + 2.4 = 5.9

4
= M
_
X
4
_
= 16 0.4 + 0.3 + 16 0.3 = 6.4 + 0.3 + 4.8 = 11.5
Exemplu 0.70 Pentru X :
_
x
3x
2
_
x[0,1]
avem:

2
=
_
1
0
x
2
3x
2
dx =
3
5
;

3
=
_
1
0
x
3
3x
2
dx =
1
2
;

4
=
_
1
0
x
4
3x
2
dx =
3
7
.
81
Caracteristici de mpr as tiere (sau
de dep artare)
Caracteristici de mpr astiere (sau de dep artare)
Dup a ce au fost analizate principalele caracteristici de grupare vom
evident ia c at de dep artate sunt valorile variabilei fat a de o valoare de
grupare.

Intr-adev ar, valoarea medie d a informat ii asupra num arului
n jurul c aruia se grupeaz a valoarile variabilei, dar acestea nu sunt de
ajuns. De exemplu n cazul variabilelor aleatoare care pot diferite
dar s a aib a aceeasi valoare medie.
Exemplu 0.71 Fie variabilele X
1
:
_
1 1
1
2
1
2
_
si X
2
:
_
100 100
1
2
1
2
_
.
82
Avem:
M (X
1
) = M (X
2
) = 0.
cu toate c a valorile lor difer a semnicativ.
Exist a mai multe caracteristici de mpr astiere. Cele mai des utilizate
sunt urm atoarele:
- dispersia (variant a)
- abaterea medie p atratic a
- momente centrate de ordin superior
83
Dispersia
Dispersia este cea mai important a caracteristic a de mpr astiere.
Denitie 0.72 Se numeste dispersia variabilei aleatoare X num arul
notat D(X) denit ca valoare medie a p atratului variabilei aleatoare
abatere [X M (X)], adic a num arul:
D(X) = M
_
(X M (X))
2
_
.
Observatie 0.73 Avem:
D(X) =

iI
(x
i
M (X))
2
p
i
X variabil a aleatoare discret a
D(X) =
_

(x M (X))
2
f (x) dx X variabil a aleatoare continu a.
Propozitie 0.74 Se demonstreaz a c a dispersia are urm atoarele
propriet at i:
84
1. D(X) 0.
2. D(cX) = c
2
D(X) .
3. D(c) = 0.
4. D(X Y ) = D(X) + D(Y ) ; dac a X, Y - independente.
5. D(X) = M
_
X
2
_
(M (X))
2
=
2

2
1
.
Exemplu 0.75 Pentru X :
_
2 1 2
0.4 0.3 0.3
_
(exemplul 0.57) avem
M (X) = 0.1.
D(X) = (2 0.1)
2
0.4 + (1 0.1)
2
0.3 + (2 0.1)
2
0.3 = 3. 09.
Sau D(X) =
2

2
1
= 3.1 0.01 = 3. 09.
85
Exemplu 0.76

In cazul variabilei aleatoare continue din exemplul 0.58
avem:
D(X) =
_
1
0
_
x
3
4
_
2
3x
2
dx = 3
_
1
0
(x
4

3
2
x
3
+
9
16
x
2
)dx =
3
80
Sau D(X) =
2

2
1
=
3
5

9
16
=
3
80
.
Exemplu 0.77 Pentru X
1
din exemplul 0.71 avem:
D(X
1
) = (1 0)
2
1
2
+ (1 0)
2
1
2
= 1,
iar pentru X
2
din acelasi exemplu vom avea:
D(X
2
) = (100 0)
2
1
2
+ (100 0)
2
1
2
= 2
100
2
2
= 10000.
86
Abaterea medie p atratic a
Denitie 0.78 Se numeste abatere medie p atratic a a variabilei
aleatoare X si se noteaz a (X) num arul dat prin relat ia
(X) =
_
D(X).
Observatie 0.79 Abaterea medie p atratic a a fost introdus a pentru c a
unit at ile de m asur a ale acesteia sunt exact aceleasi cu unit at ile de
m asur a ale valorilor variabilei aleatoare.
Momente centrate de ordin superior
Pentru k N se introduc ca o extensie a dispersiei momentele
centrate de ordin superior prin denit ia 0.80.
87
Denitie 0.80 Se numeste moment centrat de ordinil k al variabilei
aleatoare X si se noteaz a
k
valoarea medie a puterii k a variabilei
abatere

k
= M
_
(X M (X))
k
_
.
Observatie 0.81
1
= 0;
2
= D(X) . Cele mai des utilizate sunt

3
,
4
.
Are loc urm atorul rezultat:
Teorem a 0.82

Intre momentele centrate de ordin superior
k
si
momentele de ordin superior
k
exist a relat ia de leg atur a:

k
=
k

i=0
C
i
k
(1)
i

ki
(
1
)
i
.
88

In particular avem:

2
=
2

2
1
;

3
=
3
3
2

1
+ 2
3
1
;

4
=
4
4
3

1
+ 6
2

2
1
3
4
1
.
Demonstratie. Demonstrat ia se face folosind denit ia 0.80 a
momentului centrat de ordin superior, formula binomului lui Newton
pentru (X M (X))
k
si propriet at ile valorii medii.
89
Cazul distributiilor clasice
Prezent am n continuare valoarea medie si dispersia n cazul
variabilelor aleatoare care urmeaz a distribut ii clasice.
:
Distribut ia M(X) D(X)
Binomial a np npq
Hipergeometric a n
a
a+b
n
a
a+b
b
a+b
a+bn
a+b1
Poisson
Pascal (Geometric a)
1
p
q
p
2
Uniform a
a+b
2
(ba)
2
12
Normal a m
2
.
90