Teoria probabilitatilor si statistica

matematica
B
arb
acioru Iuliana Carmen
CURSUL 1
Cursul 1

2
Cuprins

1 Introducere n teoria probabilit atilor 5

1.1 Probabilitatea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Evenimente . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Observatii asupra conceptului de probabilitate . . . . . . . 6
1.1.3 Teorema adun arii probabilitatilor evenimentelor
incompatibile . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.4 Evenimente independente si evenimente dependente . . . . 11
1.1.5 Teorema nmultirii evenimentelor independente. . . . . . . . 12
1.1.6 Independenta a dou a cte dou a evenimente si independenta
reciproc
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.7 Evenimente contrare . . . . . . . . . . . . . . . . . . . . . . 13
1.1.8 Sistem complet de evenimente . . . . . . . . . . . . . . . . . 14

Index 16

3
Cursul 1

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

Teoria probabilit
atilor este o disciplin
a matematica asem an
atoare geometriei sau
analizei. Ea este capabil a s
a interpreteze destul de multe categorii de fenomene.
Pe baza conceptelor clasice denite mai jos se aseaz
a teoria moderna a probabilit
atilor.

1.1 Probabilitatea
1.1.1 Evenimente
n teoria probabilit
atilor prin eveniment vom ntelege orice rezultat al unui
experiment.
n practic
a se nt alnesc trei tipuri de evenimente: sigure, imposibile si
ntmpl atoare.
Evenimentul sigur este acela care se produce n mod obligatoriu la efectuarea
unui anumit experiment.

Exemplul 1.1.1 Extragerea unei bile de culoare alba dintr-o urna ce nu contine
dect bile de culoare alba.

Evenimentul imposibil este acela care n mod obligatoriu nu se produce la

efectuarea unui anumit experiment.

Exemplul 1.1.2 Extragerea unei bile de culoare neagra dintr-o urna ce nu contine
dect bile de culoare alba.

5
 Cursul 1

Evenimentul ntmpl ator este acela care n urma efectu

arii unui experiment
poate sau nu s
a se produc
a.

Exemplul 1.1.3 Extragerea unei bile de culoare alba dintr-o urna ce contine bile
albe si negre este un eveniment ntmplator. Daca are loc un singur experiment
nu putem spune maui nimic despre aparitia unui eveniment ntmplator. Atunci
cnd experimentul se realizeaza de mai multe ori, n acelea si conditii, se poate
observa ca evenimentele ntmplatoare se supun anumitor legi, numite legi statistice.
Teoria probabilitatilor se ocupa tocmai de stabilirea acestor legi. Cunoa sterea
lor ne permit sa prevedem desfasurarea evenimentelor ntmplatoare de masa.
Vom nota cu evenimentul sigur, cu ; evenimentul imposibil si cu A; B; :::
evenimentele ntmplatoare.

1.1.2 Observa
tii asupra conceptului de probabilitate
Teoria matematic a a probabilit
atilor nu spune care lege de probabilitate introdusa
pe o multime permite toate legile posibile (si ele sunt numeroase...). Aceast a
problema face referire la natura zic a, dac
a putem spune asa, a conceptului de
probabilitate care formalizeaza si cuantica sentimentul de incertitudine fata de
un eveniment.

Conceptul obiectivist
Din acest punct de vedere, probabilitatea unui eveniment poate determinat
a
ntr-o manier
a unic
a.

A. Viziunea clasic
a

Este consecinta jocurilor de noroc. este n general nit a si nevoia de simetrie

conduce la a da ec arui eveniment elementar aceeasi posibilitate de realizare.
Asadar aruncarea unuia dintre zaruri conduce la o multime de 6 elemente egal
probabile. Calculul probabilit atilor nu este deci altceva mai mult dect o actiune
de num arare, dupa celebra formul a:

Num
arul cazurilor favorabile
P (A) =
Num
arul cazurilor posibile

Exemplul 1.1.4 Sa consideram experimentul aleator care consta n aruncarea a

doua zaruri.
i putem asocia acestuia multimea

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

= f(1; 1) ; (1; 2) ; (1; 3) ; :::(1; 6); (2; 1); (2; 2); :::(2; 6); :::; (6; 6)g
care are 36 de elemente.
Notam cu A evenimentul " suma numerelor de pe cele doua zaruri este un numar
par " si cu A multimea corespunzatoare realizarii evenimentului A:
A = f(1; 1) ; (1; 3) ; (1; 5); (2; 2); (2; 4); (2; 6); (3; 1); (3; 3); (3; 5); (4; 2); (4; 4); (4; 6);
(5; 1); (5; 3); (5; 5); (6; 2); (6; 4); (6; 6)g
care are 18 elemente.
18
Probabilitatea realizarii evenimentului A este P (A) = = 0; 5:
36
Analiza combinatorica furnizeaz a deci r
aspunsul pentru denitia clasic
a.
Aceast
a aproximare nu se extinde asupra cazului cnd este nenum arabil
a
si corespunde unei conceptii idealiste despre un experiment aleatoriu. Simetriile
perfecte nu exist
a: cele 6 fete ale zarului nu sunt n realitate identice avnd n
vedere neomogenitatea materialului si ndeosebi gravarea numerelor pe fete.

B. Paradox celebru

Limitele date de viziunea clasic a se pot vedea foarte bine n celebrul paradox
al lui Bertrand. Consider am un triunghi echilateral si cercul s au circumscris.
Trasam la ntmplare o coard a n cerc. Care este probabilitatea ca lungimea sa
s
a e mai mare dect latura triunghiului? Vom reproduce mai jos comentariile
lui Renyi:
Prima solu tie. Cum lungimea corzii este determinaat a de pozitia centrului
s
au, alegerea coardei poate consta n marcarea unui punct la ntmplare n
interiorul cercului. Probabilitatea ca ea sa e mai mare dect latura triunghiului
echilateral nscris n cerc este atunci evident egala cu aceea ca mijlocul coardei
s
a e n interiorul cercului nscris n triunghi (care este hasurat n g. 4.2).

Fig. 4.2

7
 Cursul 1

Dac
a admitem c a repartitia acestui punct este uniform
a n cerc, vom g
asi pentru
probabilitatea c
autat
a:

r 2
2 1
=
r2 4

A doua solu tie. Lungimea coardei este determinat a de distanta de la mijlocul

s
au la centrul cercului. Din motive de simetrie putem considera c a mijlocul
coardei este situat pe raza dat a a cercului si presupunem c a repartitia acestui
punct pe raz a este uniforma. Coarda va mai lung a dect latura triunghiului
echilateral nscris dac
a mijlocul s
au este situat fata de centru la o distanta mai
mica de r=2. Probabilitatea cautata este atunci de 1/2 (vezi g. 4.3).

Fig. 4.3

A treia solu tie. Din motive de simetrie putem presupune c a am xat una
dintre extremitatile coardei, sa zicem P0 : Cealalt
a va aleasa la ntmplare pe
circumferinta cercului. Dac a admitem c a probabilitatea ca cealalta extremitate
P sa cad
a pe un arc dat de circumferinta cercului este proportional a cu lungimea
acestui arc, coarda P0 P este mai mare dect latura triunghiului echilateral nscris
atunci cnd P se g aseste pe arcul P1 P2 deci lungimea este de 1/3 din circumferinta.

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

(vezi g. 4.4). Probabilitatea este deci 1/3.

Fig. 4.4

Este clar c
a cele trei ipoteze de repartitie sunt egal realizabile. Acest exemplu a
p
arut paradoxal la timpul sau deoarece nu se ntelegea ca, conditiile experimentale
diferite pentru alegerea la ntmplare a coardei, prin cele trei procedee descrise,
conduc la m asuri probabiliste diferite pe o aceeasi algebra de evenimente.

C. Viziunea obi
snuit
a

Ea se bazeaz a pe legea numerelor mari (vezi capitolul: Variabile aleatoare).

O singura experienta nu este sucient a pentru a evalua probabilitatea ca un
eveniment s
a aib
a loc. Trebuie repetat de un mare num ar de ori. Astfel, aruncnd
un zar, probabilitatea de a iesi fata cu num
arul 6 este limita raportului:

De cte ori s-a obtinut nr. 6

=f
Num arul de ncercari

cnd num arul de ncerc

ari creste nedeterminat. n consecinta legea numerelor
mari asigur a faptul ca f converge c atre probabilitatea p a evenimentului. Din
punct de vedere practic este clar c a viziunea obisnuit
a nu permite determinarea
probabilit atii unui eveniment pentru c a un asemenea proces, necesitnd un num ar
innit de observatii, este zic irealizabil. De remarcat c a n conceptia obisnuit a
este imposibil de dat o valoare si de asemenea un sens probabilit atii unui eveniment
nerepetabil de genul va ninge pe 25 octombrie 2110, ceea ce limiteaz a sfera de
aplicatii a calculului probabilit atilor. Cu toate acestea critica cea mai radical a
adusa punctului de vedere obisnuit este urm atoarea: denitia probabilit atii se
bazeaz a pe legea numerelor mari, ori aceasta din urm a este o teorem a care

9
 Cursul 1

presupune cunoscut conceptul de probabilitate. Este deci un cerc vicios. Din

denitia probabilitatii rezult
a urm
atoarele propriet
ati:
1. Probabilitatea evenimentului sigur este 1.
2. Probabilitatea evenimentului imposibil este 0.
3. Probabilitatea unui eveniment ntmpl ator este cuprins
a ntre 0 si 1.
Rezult a de aici c
a probabilitatea unui eveniment A satisface dubla inegalitate:

0 P (A) 1

Frecventa relativa a evenimentului A este o alt a notiune fundamental a n teoria

probabilit
atilor. Ea este egal
a cu raportul dintre num arul probelor n care evenimentul
A s-a produs si num arul total de probe. S-a demonstrat faptul c a dac a un
experiment se repet a de un num ar sucient de mare de ori, n conditii identice,
atunci frecventa relativa este stabil
a, adic
a variaz
a n jurul probabilit atii.

1.1.3 Teorema adun arii probabilit

a
tilor evenimentelor
incompatibile
Denitia 1.1.5 Doua sau mai multe evenimente se numesc incompatibile daca
producerea unuia dintre ele exclude producerea celorlalte ntr-o aceea
si proba.

Exemplul 1.1.6 Aparitia fetei 1 si a fetei 6 la aruncarea unui zar sunt doua
evenimente incompatibile.

Deni tia 1.1.7 Fiind date doua evenimente A; B se numeste reuniune a acestora
si se noteaza A[B evenimentul care consta n producerea a cel putin unuia dintre
cele doua evenimente, deci e a evenimentului A, e a evenimentului B, e a
ambelor evenimente A si B.

Exemplul 1.1.8 Fie A, B, C trei evenimente oarecare. Evenimentul " Cel putin
un eveniment din cele trei se produce " este A [ B [ C:

Dac
a A si B sunt incompatibile atunci A [ B const
a n aparitia unuia dintre
evenimentele A si B. Teorema de mai jos arata cum se calculeaz
a A [ B dac aA
si B sunt incompatibile.

Teorema 1.1.9 Probabilitatea producerii unuia dintre evenimentele incompatibile

A si B este egala cu suma probabilitatilor acestor evenimente:

P (A [ B) = P (A) + P (B)

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Demonstra tie: Facem urm atoarele notatii:

n = num arul rezultatelor incompatibile, egal posibile ale experimentului n
urma c aruia se pot produce evenimentele A si B;
a = num arul rezultatelor favorabile producerii evenimentului A;
b = num arul rezultatelor favorabile producerii evenimentului B;
a + b reprezint
a atunci num arul rezultatelor favorabile producerii unuia dintre
cele doua evenimente A si B: Deci:

a+b
P (A [ B) =
n
a b a b a+b
Pe de alt
a parte, P (A) = , P (B) = ) P (A) + P (B) = + = .
n n n n n

Observatia 1.1.10 Pentru un mumar mai mare de evenimente incompatibile,

demonstratia se face prin inductie matematica.

Exemplul 1.1.11 Sa consideram un pachet cu 52 de carti de joc. Fie experienta

aleatoare ce consta n extragerea unei singure carti de joc.
a) Determinati probabilitatea evenimentului A="extragerea unui as".
b) Determinati probabilitatea evenimentului B="extragerea unui as de inima ro
sie
sau a unui zece de inima ro sie sau a unui valet de inima rosie".

Solu tie: a) S tim ca un pachet cu 52 de c arti de joc are 4 asi. Prin urmare
4 1
probabilitatea de a extrage un as este: P (A) = 52 = 13 :
b) S
tim c a un pachet cu 52 de c arti de joc are un as de inim a rosie, un zece de
inima rosie si un valet de inim a rosie. Fie B1 evenimentul extragerii unui as de
1
inima rosie. P (B1 ) = 52 : Fie B2 evenimentul extragerii unui zece de inim a rosie.
1 1
P (B2 ) = 52 :Fie B3 evenimentul extragerii unui valet de inim a rosie. P (B3 ) = 52 :
Evenimentul B este detit prin: B = B1 [ B2 [ B3 : ntruct B1 ; B2 ; B3 sunt
incompatibile, avem: P (B) = P (B1 [ B2 [ B3 ) = P (B1 ) + P (B2 ) + P (B3 ) =
1 1 1 3
52 + 52 + 52 = 52 :

1.1.4 Evenimente independente

si evenimente dependente
Deni tia 1.1.12 Doua evenimente se zic independente daca probabilitate
realizarii unuia dintre ele nu depinde de faptul ca celalalt eveniment s-a produs
sau nu.

11
 Cursul 1

Exemplul 1.1.13 ntr-o urna se gasesc bile albe si rosii. Se fac doua extrageri.
Dupa prima extragere bila extrasa se repune n urna. Faptul ca la prima extragere
am obtinut o bila alba ( evenimentul A ) nu depinde de faptul ca la cea de-a doua
extragere am obtinut o bila rosie ( evenimentul B ). De asemenea, probabilitatea
lui B nu depinde de faptul ca s-a produs sau nu evenimentul A.

Denitia 1.1.14 Doua evenimente se zic dependente daca probabilitate realizarii

unuia dintre ele depinde de faptul ca celalalt eveniment s-a produs sau nu.

Exemplul 1.1.15 Daca n exemplul anterior, prima bila extrasa nu se repune

n urna, atunci numarul total de bile din urna pentru cea de-a doua extragere va
mai mic cu o unitate iar probabilitatea ca la cea de-a doua extragere sa obtinem
o bila ro
sie depinde de faptul ca prima data am extras sau nu o bila alba.

1.1.5 Teorema nmul

tirii evenimentelor independente.
Deni tia 1.1.16 Fie A ;i B doua evenimente. Se nume ste intersec
tie a lui A
cu B si se noteaza cu A \ B evenimentul care consta n producerea simultana a
celor doua evenimente.

Exemplul 1.1.17 Daca n doua urne sunt bile albe si bile negre, A este evenimentul
care consta n extragerea unei bile negre din prima urna, B este evenimentul care
consta n extragerea unei bile negre din cea de-a doua urna. Din ecare urna se
extrage cte o bila. Atunci A \ B este evenimentul care consta n extragerea a
doua bile negre.

Daca evenimentele A1 ; A2 ; :::; An au loc simultan atunci are loc evenimentul

A1 \ A2 \ ::: \ An : Dac
a evenimentele A1 ; A2 ; :::; An sunt incompatibile atunci
A1 \ A2 \ ::: \ An = ?:

Teorema 1.1.18 Daca A si B sunt doua evenimente independente atuci probabilitatea

producerii simultane a celor doua evenimente este egala cu suma probabilitatilor
celor doua evenimente:

P (A \ B) = P (A) P (B)

Demonstra tie: Facem urm atoarele notatii:

n - num arul cazurilor posibile producerii evenimentului A;
a - numarul cazurilor favorabile producerii evenimentului A;
m - num arul cazurilor posibile producerii evenimentului B;

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

b - num
arul cazurilor favorabile producerii evenimentului B;
a b a b
Atunci P (A \ B) = = deoarece:
n m n m
a b - numarul cazurilor favorabile producerii evenimentelor A si B sau A si
{B sau {A si {B sau {A si B;
n m- num arul cazurilor egal posibile producerii simultane a evenimentelor A
si B:
a b
Dar P (A) = ; P (B) = si deci am obtinut ceea ce trebuia demonstrat.
n m
Corolarul 1.1.19 Probabilitatea producerii simultane a mai multor evenimente
independente n totalitate este egala cu produsul probabilitatilor acestor evenimente.

1.1.6 Independen
ta a dou
a cte dou
a evenimente
si independen
ta
reciproc
a
Denitia 1.1.20 Consideram evenimentele A1 ; A2 ; :::; An : Ele se zic independente:
1. dou
a cte doua daca:

P (Ai \ Aj ) = P (Ai ) P (Aj ) (8) 1 i 6= j n;

2. reciproc independente (n totalitate sau global) daca pentru toate partile I

ale unei multimi de indici ce merge de la 1 la n avem:
!
\ Y
P Ai = P (Ai )
I I

Observa tia 1.1.21 Aceasta conditie este mult mai puternica dect independenta
doua cte doua, cu care nu este echivalenta si care este o simpla consecinta.

Exemplul 1.1.22 Evenimentele A, B si C sunt independente n totalitate daca

urmatoarele evenimente sunt independente:
A si B, A si C, B si C, A si B \ C ,B si A \ C; C si A \ B:

1.1.7 Evenimente contrare

Deni tia 1.1.23 Doua evenimente A si B se zic contrare (sau complementare)
daca ele sunt incompatibile si reuniunea lor este evenimentul sigur :

Dac au se va nota cu {A
a un evenimentul este notat cu A atunci contrarul s
sau A.

13
 Cursul 1

Exemplul 1.1.24 Daca ntr-o urna sunt bile albe si bile negre atunci evenimentul
ce consta n extragerea unei bile albe este contrar evenimentului ce consta n
extragerea unei bile negre.

Teorema 1.1.25 Suma probabilitatilor a doua evenimente contrare este egala cu

1:
P (A) + P {A = 1

Demonstra tie: S a A si {A sunt incompatibile si c

tim c a A [ {A = :
Conform teoremei 1.1.9 :

1 = P ( ) = P (A [ {A) = P (A) + P {A

Propriet
a
ti:

{(A [ B) = {A \ {B
{(A \ B) = {A [ {B
{({A) = A
A \ {A = ?
A [ {A =

1.1.8 Sistem complet de evenimente

Deni tia 1.1.26 A1 ; A2 ; :::; An formeaza un sistem complet de evenimente
daca partile A1 ; A2 ; :::; An ale lui constituie o partitie a lui :
(
8i 6= j ) Ai \ Aj = ;
[Ai =

Exemplul 1.1.27 Evenimentul A si contrarul sau {A este cel mai simplu exemplu
de sistem complet de evenimente.

Exemplul 1.1.28 Sa consideram experimentul aleator care consta n aruncarea

a doua zaruri. Daca notam evenimentele:
A1 - aparitia fetei 1;
A2 - aparitia fetei 2;
Un experiment conduce la unul si numai unul singur dintre aceste evenimente, adic a
A1 ; A2 ; :::; An sunt incompatibile si reuniunea lor este egal
a cu evenimentul sigur :

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

....
A6 - aparitia fetei 6
atunci A1 ; A2 ; :::; A6 formeaza un sistem complet de evenimente.

Teorema 1.1.29 Suma probabilitatilor dintr-un sistem complet de evenimente

este egala cu 1.
P (A) + P (A2 ) + ::: + P (An ) = 1

Demonstra tie: A1 ; A2 ; :::; An ind incompatibile, conform teoremei 1.1.9

avem: 1 = P ( ) = P (A1 + A2 + ::: + An ):

Exemplul 1.1.30 Fie A; B si C trei evenimente oarecare. Exprimati urmatoarele

evenimente:
1. Cele trei evenimente se produc;
2. Se produce mai putin de un eveniment;
3. Se produc mai putin de doua evenimente;
4. Se produce un singur eveniment;
5. Nu se produce niciun eveniment;
6. Se produc mai mult de doua evenimente;

Solutie: 1. Dac a not

am cu X evenimentul: se produc toate cele trei
evenimente A; B si C atunci X = A \ B \ C:
2. Daca not
am cu Y evenimentul: se produce mai putin de un eveniment
atunci Y = A [ B [ C:
3. Daca not
am cu Z evenimentul: se produc mai putin de dou
a evenimente
atunci Z = (A \ B \ C) [ A \ B \ C [ A \ B \ C [ A \ B \ C :
4. Daca not
am cu V evenimentul: se produce un singur eveniment atunci
V = A\B\C [ A\B\C [ A\B\C :
5. Daca not
am cu W evenimentul: nu se produce niciun eveniment atunci
W = A\B\C :
6. Daca not
am cu T evenimentul: se produc mai mult de dou a evenimente
atunci T = A \ B \ C:

Exemplul 1.1.31 Consideram evenimentele: A, B, C ce se pot produce n urma

unui experiment. Fie de asemenea evenimentele: X = A [ (B \ C) ; Y = A \
(B [ C) :Stiind
ca P(A) = a, P(B) = b, P(C) = c, P(A \ B) = x, P(A \ C) =
y, P(C \ B) = z, P(A \ B \ C) = w, calculati:
1. Probabilitatea evenimentului X, PX ;
2. Probabilitatea evenimentului Y, PY .

15
 Cursul 1

Solutie: 1. PX = P (A [ (B \ C)) = P (A) + P (B \ C) P (A \ B \ C) =

a + z w:
2. PY = P (A \ (B [ C)) = P ((A \ B) [ (A \ C)) = P (A \ B) + P (A \ C)
P (A \ B \ C) = x + y w:

Exemplul 1.1.32 Sa presupunem ca aruncam un zar. Notam cu A evenimentul:

rezultatul este un numar par si cu B evenimentul: rezultatul este un numar
impar. Determinati probabilitatile celor doua evenimente.

Solutie: n acest caz multimea tuturor posibilit

atilor este = f1; 2; 3; 4; 5; 6g :
3 1 3 1
A = f2; 4; 6g ; B = f1; 3; 5g :Atunci PA = 6 = 2 = 0; 5 iar PB = 6 = 2 =
0; 5:

16
Index

Eveniment, 5
ntmpltor, 6
imposibil, 5
sigur, 5
Evenimente
complementare, 13
contrare, 13
dependente, 12
incompatibile, 10
independente, 11
n totalitate, 13
dou cate dou, 13
global, 13
reciproc, 13

Frecventa
relativ, 10

Intersectie, 12

Sistem
complet de evenimente, 14

17
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 2
Cursul 2

2
Cuprins

1 Introducere n teoria probabilit a

tilor 5
1.1 Probabilitatea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Probabilitate conditionat a . . . . . . . . . . . . . . . . . . . 5
1.1.2 Formula lui Bernoulli . . . . . . . . . . . . . . . . . . . . . 7
1.2 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Denitii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Variabile aleatoare discrete si continue . . . . . . . . . . . . 9
1.2.3 Repartitia unei variabile aleatoare discrete . . . . . . . . . . 9
1.2.4 Operatii cu variabile aleatoare discrete. Independenta vari-
abilelor aleatoare . . . . . . . . . . . . . . . . . . . . . . . . 10

Index 11

3
Cursul 2

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

1.1 Probabilitatea
1.1.1 Probabilitate condi
tionat
a
Am vazut c
a dac
a doua evenimente sunt dependente atunci probabilitatea unuia
depinde de faptul c
a cel
alalt eveniment s-a produs sau nu.

Deni tia 1.1.1 Fie B un eveniment de probabilitate diferita de zero. Numim

probabilitate a evenimentului A conditionata de evenimentul B si o vom nota
cu P (A=B) probabilitatea evenimentului A calculata n ipoteza ca evenimentul B
s-a produs.

Observa tia 1.1.2 Daca doua evenimente sunt independente atunci P (A=B) =
P (A) : Altfel spus, realizarea lui B nu schimba sansele de realizare ale lui A.

Teorema 1.1.3 Probabilitatea producerii simultane a doua evenimente dependente

A si B este egala cu produsul dintre probabilitatea unuia dintre ele si probabilitatea
conditionata de acesta a celuilalt eveniment

P (A \ B) = P (A=B) P (B) (1.1)

Demonstra tie: Facem urm atoarele notatii:

n = num arul rezultatelor incompatibile, egal posibile ale experimentului n
urma c
aruia se pot produce evenimentele A si B;
b = numarul rezultatelor favorabile producerii evenimentului B;

5
 Cursul 2

a = num arul rezultatelor favorabile producerii evenimentului A n ipoteza c

a
evenimentul B s-a produs ( a b );
a
Probabilitatea producerii simultane a evenimentelor A si B, P (A \ B) este :
n
a a b a
Dar se poate scrie ca = :
n n n b
Pe de alt
a parte:
b
P (B) =
n
a
P (A \ B) a
P (A=B) = = n = :
P (B) b b
n
a b a
Deci: P (A \ B) = = = P (B) P (A=B) adic a ecuatia (1.1).
n n b

Teorema 1.1.4 (Teorema probabilitatii totale): Fie B1 ; B2 ; :::; Bn un sistem complet

de evenimente. Atunci pentru orice A avem:

P (A) = P (A=B1 ) P (B1 ) + P (A=B2 ) P (B2 ) + ::: + P (A=Bn ) P (Bn ) (1.2)

adica probabilitatea unui eveniment A care poate sa se produca conditionat de unul

din evenimentele B1 ; B2 ; :::; Bn , ce formeaza un sistem complet de evenimente,
este egala cu suma produselor dintre probabilitatile conditionate corespunzatoare
ale evenimentului A si probabilitatile evenimentelor B1 ; B2 ; :::; Bn :

Demonstra tie: Pentru ca evenimentul A s a se produc

a trebuie ca unul dintre
evenimentele incompatibile A \ B1 ; A \ B2 ; :::; A \ Bn s
a aib
a loc, adic
a:

A = (A \ B1 ) [ (A \ B2 ) ::: (A \ Bn ) (1.3)

Dar A \ B1 ; A \ B2 ; :::; A \ Bn sunt incompatibile si deci

P (A) = P (A \ B1 ) + P (A \ B2 ) + ::: + P (A \ Bn ) (1.4)

Aplicnd teorema (1.1.3), P (A \ Bi ) = P (A=Bi ) P (B) ; prin urmare are loc

ecuatia (1.2).

Exemplul 1.1.5 ntr-o urna se gasesc 3 bile albe, 5 bile ro sii si 7 bile negre. Se
extrag succesiv doua bile din urna fara a repune n urna bila obtinuta dupa prima
extragere. Care este probabilitatea ca la prima extragere sa se obtina o bila alba
iar la cea de-a doua una ro sie ?

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Solu tie: n urna se gasesc 15 bile. Consider am B evenimentul la prima

extragere s-a obtinut o bila alb
asi A evenimentul la prima extragere s-a obtinut
o bil
a rosie. trebuie s
a determinam probabilitatea evenimentului A\B: Conform
ecuatiei (1.1)1

5 3 1
P (A \ B) = P (A=B) P (B) = = (1.5)
14 15 14

1.1.2 Formula lui Bernoulli

Presupunem c a efectu
am n experimente independente. n ecare dintre acestea,
probabilitatea de aparitie a unui eveniment A este egal a cu p. Deci probabilitatea
ca A sa nu se produc a este 1 p = q. n multe probleme practice ne ntlnim
cu necesitatea de a determina probabilitatea ca n k (neprecizate ca ordine)
dintre cele n experimente, evenimentul A s a se produca. Adic a A nu are loc
de n k ori. Vom nota aceast a probabilitate cu Pn (k) : Probabilitate unei
succesiuni de tipul A are loc de k ori si A nu are loc de n k ori.este egal a cu
k
p q n k ; conform consecintei teoremei nmultirii probabilitatilor evenimentelor
independente. Num arul succesiunilor distincte n care A apare de k ori iar A de
n k ori este Cnk : Cum aceste succesiuni sunt incompatibile, conform consecintei
teoremei adun arii probabilit
atilor evenimentelor incompatibile, vom avea:

Pn (k) = Cnk pk q n k
(1.6)

relatie numit
a Formula lui Bernoulli.

Exemplul 1.1.6 Se arunca o moneda de trei ori. Probabilitatea ca n urma celor

3 aruncari sa obtinem de 2 ori capul este:
2
3! 1 1 3
P3 (2) = C32 p2 q 3 2
= = (1.7)
2!(3 2)! 2 2 8

Am tinut seama de faptul ca probabilitatea ca evenimentul sa apara capul n

1
urma unei aruncari este egala cu :
2
1. Dupa prima extragere n urn
a au mai r
amas 14 bile si se tine cont c
a B s-a produs deci
num
arul de bile rosii este 5.

7
 Cursul 2

1.2 Variabile aleatoare

1.2.1 Deni
tii
Exemple 1.2.1 Sa presupunem ca aruncam un zar. n acest caz multimea
tuturor posibilitatilor este = f1; 2; 3; 4; 5; 6g :

Atunci cnd facem acest experiment nu putem sti dinainte ce num ar o s

a apar
a
deoarece rezultatul depinde de foarte multi factori ntmpl atori. n acest sens,
num arul care apare la aruncarea zarului este o variabil
a aleatoare (ntmpl atoare)
ale c
arei valori posibile sunt 1; 2; 3; 4; 5; 6:

Deni tia 1.2.2 Se nume ste variabil a aleatoare o marime care n functie de
rezultatul unui experiment poate lua o valoare dintr-o multime bine denita de
valori (multimea tuturor posibilitatilor).

Aceasta valoare nu poate cunoscut a deoarece rezultatul depinde de foarte

multi factori ntmpl
atori care inuenteaz a rezultatul experimentului. Vom nota
variabilele aleatoare cu X, Y,..., valorile lor posibile cu x1 ; x2 ; :::; y1 ; y2 ; ::: .

Exemple 1.2.3 ntr-o urna se gasesc 8 bile, 3 bile albe si 5 bile ro sii. Fie
experienta aleatoare ce consta n extragerea a opt bile, cu repunerea bilei n urna
dupa ecare extragere. X poate considerata variabila aleatoare ce reprezinta
numarul de bile albe extrase. X poate lua una din valorile 0,1,2,...,8. Aceste
valori sunt separate una de alta prin intervale care nu contin valori posibile ale
lui X. Deci X poate lua numai valori izolate.

Exemple 1.2.4 Productia de mere dintr-un hectar de livada este un exemplu

de variabila aleatoare. Diferenta fata de exemplul anterior consta n aceea ca
productia de mere variaza de la un an la altul, de la o livada la alta, depinznd de
foarte multi factori ntmplatori (calitatea solului, cantitatea de apa, etc.) deci
valorile posibile sunt cuprinse ntr-un iterval determinat (a,b). Aici nu putem
deci separa o valoare posibila de alta printr-un interval care sa nu contina valori
posibile.

Iat
a deci c
a trebuie s
a distingem dou a feluri de variabile aleatoare: unele care
pot avea numai valori izolate si altele ale c
arori valori posibile umplu un interval.

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.2.2 Variabile aleatoare discrete

si continue
Plecnd de la exemplele (1.2.3) si (1.2.4) observ
am necesitatea denirii a dou
a
tipuri de variabile aleatoare:

Denitia 1.2.5 Numim variabil

a aleatoare discret
a acea variabila care poate
lua numai valori izolate.

Observa tia 1.2.6 Numarul valorilor posibile ale unei variabile aleatoare discrete
poate nit sau innit ( adica sa formeze un sir innit x1 ; x2 ; :::)

Deni tia 1.2.7 Numim variabil a aleatoare continu a acea variabila aleatoare
ale carei valori posibile umplu un interval nit sau innit.

Observa tia 1.2.8 Numarul valorilor posibile ale unei variabile aleatoare continue
este ntotdeauna innit.

1.2.3 Reparti
tia unei variabile aleatoare discrete
Plecnd de la exemplul (1.2.1) observ am ca probabilitatea ca s
a apar
a cifra 1
1 1
este , probabilitatea ca s a apara cifra 2 este ,... Este deci nevoie ca atunci
6 6
cnd denim o variabil a aleatoare discret
a s
a-i d
am nu numai valorile posibile ci
si probabilit
atile cu care au loc aceste valori.

Deni tia 1.2.9 Se nume ste repartitie a unei variabile aleatoare discrete enumerarea
valorilor ei posibila si a probabilitatilor cu care au loc aceste valori.

Repartitia unei variabile aleatoare discrete se scrie sub forma unui tablou n
care pe prima linie se trec valorile posibile x1 ; x2 ; ::: iar pe cea de-a doua linie se
trec probabilitatile respective cu care au loc aceste valori p1 ; p2 ; ::::
!
x1 x2 ::: xn xi
X: sau mai scurt X : ; 1 i n (1.8)
p1 p2 ::: pn pi

Deoarece ntr-un experiment variabila aleatoare X ia numai o singur a valoare din

multimea valorilor sale posibile, rezult
a c
a evenimentele care constau n aceea c a
variabila X ia valoarea x1 sau valoarea x2 ... sau valoarea xn formeaz a un sistem
complet de evenimente. Prin urmare suma probabilit atilor acestor evenimente
este egal
a cu 1
p1 + p2 + ::: + pn = 1 (1.9)

9
 Cursul 2

1.2.4 Operatii cu variabile aleatoare discrete. Independen

ta variabilelor
aleatoare
Deni tia 1.2.10 Prin puterea de ordinul k al variabilei aleatoare X vom ntelege
variabila aleatoare Xk cu repartitia:
!
x k xk ::: xk
1 2 n
Xk : (1.10)
p1 p2 ::: pn

Deni tia 1.2.11 Produsul dintre o constanta a si o variabila aleatoare X va

o variabila aleatoare a X cu repartitia:
!
a x1 a x2 ::: a xn
aX : (1.11)
p1 p2 ::: pn

S
a consider
am dou
a variabile aleatoare X si Y cu repartitiile:
! !
x1 x2 ::: xn y1 y2 ::: ym
X: si Y : (1.12)
p1 p2 ::: pn q1 q2 ::: qm

Deni tia 1.2.12 Prin suma variabilelor aleatoare X cu Y vom ntelege variabila
aleatoare X+Y cu repartitia:
!
x1 + y1 x1 + y2 ::: xn + ym
X +Y : (1.13)
11 12 ::: nm

unde prin ij vom ntelege probabilitatea ca X sa ia valoarea xi iar Y sa ia valoarea

yj :
P (X = xi ; Y = yj ) = ij (1.14)

Deoarece evenimentele (X = xi ; Y = yj ) cu 1 i n; 1 j m formeaz

a
un sistem complet de evenimente vom avea:
n X
X m
ij =1 (1.15)
i=1 j=1

Numerele ij reprezint
a reparti
tia probabilist a a variabilelor
a comun
aleatoare X si Y .

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

tia 1.2.13 Avem ntotdeauna relatiile:

Observa
X
pi = ij
j2J
X
qj = ij
i2I
XX X X
ij = pi = qj = 1
i2I j2J i2I j2J

si constatam ca daca se cunoa

ste repartitia comuna atunci se poate determina n
mod unic ecare repartitie marginala pi si qj .

Observa tia 1.2.14 Daca se dau repartitiile marginale atunci determinarea repartitiei
comune este o problema nedeterminata.
Exista nsa situatii cnd determinarea repartitiilor marginale este mai simpla si
anume atunci cnd variabilele aleatoare X si Y sunt independente.

Deni tia 1.2.15 Variabilele aleatoare X si Y sunt independente daca pentru

orice i si j cu 1 i n, 1 j m; evenimentele (X = xi ) si (Y = yj ) sunt
independente.

tia 1.2.16 Atunci cnd variabilele aleatoare X si Y sunt independente

Observa
avem:

ij = P (X = xi ; Y = yj ) = P (X = xi ) P (Y = yj ) = pi qj (1.16)

Deni tia 1.2.17 Prin produsul variabilelor aleatoare X cu Y vom ntelege variabila
aleatoare X Y cu repartitia:
!
x1 y1 x1 y2 ::: xn ym
X Y : (1.17)
11 12 ::: nm

Binenteles c
a putem deni sumele si produsele a mai mult de dou
a variabile
aleatoare.

11
Index

Formula lui Bernoulli, 7

Probabilitate
conditionat, 5

Repartitia
probabilist comun, 10
Repartitie, 9

Teorema
probabilitatii totale, 6

Variabil
aleatoare, 8
aleatoare continu, 9
aleatoare discret, 9
Variabile
aleatoare independente, 11

12
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 3
Cursul 3

2
Cuprins

1 Introducere n teoria probabilit a

tilor 5
1.1 Variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Repartitia binomiala (sau repartitia Bernoulli) . . . . . . . 5
1.1.2 Repartitia Poisson . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Valoarea medie a unei variabile aleatoare discrete . . . . . . . . . . 9
1.3 Propriet
atile mediei . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Index 13

3
Cursul 3

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

1.1 Variabile aleatoare

1.1.1 Reparti
tia binomial
a (sau reparti
tia Bernoulli)
Fie n 2 N si p 2 (0; 1) :
Presupunem c a efectu am n experimente independente. n ecare dintre acestea,
probabilitatea de aparitie a unui eveniment A este egal a cu p. Deci probabilitatea
ca A sa nu se produc a este 1 p = q. ( = A; A ): Num arul de aparitii ale
evenimentului A n cele n experimente este o variabil a aleatoare B (n; p) :
n cele n experimente evenimentul A poate s a nu apar a, s
a apar
a o dat a, s
a
apara de doua ori,..., s
a apara de n ori. Deci o variabil a aleatoare de tipul B (n; p)
va lua n + 1 valori: 0; 1; 2; 3; :::; n . Probabilit
atile cu care B (n; p) ia aceste valori
se g
asesc aplicnd formula lui Bernoulli (vezi cursul 2):

P (B (n; p) = xi ) = Pn (k) = {kn pk q n k

(1.1)

tia 1.1.1 Variabila aleatoare discreta B (n; p) urmeaza o lege de reparti

Deni tie
binomial
a daca are forma:
!
0 1 :::k::: n k
B (n; p) : sau mai scurt B (n; p) :
qn p qn 1 :::{kn pk q n k ::: pn pk
(1.2)
unde pk = {kn pk q n k; 0 k n; p; q > 0; q = 1 p:

5
 Cursul 3

Familia sau multimea variabilelor aleatoare discrete repartizate binomial o

vom nota cu B (n; p) iar daca vom scrie X B (n; p) vom ntelege c
a X este
repartizat
a binomial de parametrii n si p.
Faptul ca numerele pk denesc repartitia lui B (n; p) rezult
a din:
pk > 0; 0 k n
n
X Xn
pk = {kn pk q n k
= (p + q)n = 1
k=0 k=0

Repartitia binomiala a fost studiat

a pentru prima dat
a de J. Bernoulli si este
des ntlnit
a n studiul unor fenomene statistice.
Observa tia 1.1.2 O variabila aleatoare binomiala de parametrii n si p; B (n; p) ,
poate considerata ca suma a n variabile aleatoare independente de tip Bernoulli,
de acela
si parametru p.
Observa tia 1.1.3 Repartitia binomiala corespunde schemei bilei revenite pentru
urna cu doua culori: Dintr-o urna U care contine a bile albe si b bile negre
se extrag n bile succesiv, cte una, cu revenirea bilei extrase n urna. Atunci
variabila aleatoare X care da numarul de bile albe obtinute n cele n extrageri are
a
repartitia binomiala B (n; p) (sau X B (n; p) ) unde p = :
a+b
Exemplul 1.1.4 O moneda are doua fete: capul (C) si pajura (P ). Fie experimentul
aleator ce consta n aruncarea unei monezi de 30 de ori. Notam cu A evenimentul
obtinerea capului n urma unei aruncari. Fie X numarul de dati n care
evenimentul A se realizeaza pe parcursul celor 30 de aruncari. Vom calcula
probabilitatea ca variabila aleatoare X sa e egala cu 16, adica din 30 de aruncari
efectuate sa obtinem de 16 ori capul.
Avem deci de-a face cu 30 de experimente independente unde = fC; P g,
X( ) = f0; 1; 2; :::30g ; X este o variabila aleatoare discreta ce reprezinta numarul
de realizari ale lui A, probabilitatea aparitiei capului n ecare experiment este
1 1
egala cu ; adica X este repartizata binomial de parametrii 30 si (sau X
2 2
1
B 30; ).
2
n aceste conditii:
16 14
30! 1 1
P (X = 16) = {16
30 p
16
q 30 16
=
16!(30 16)! 2 2
145 422 675
= = 0; 135 44
1073 741 824

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.1.2 Reparti
tia Poisson

Mai este cunoscuta si ca legea evenimentelor rare. Am vazut la repartitia binomial

a
c
a pentru a determina probabilitatea ca n n experimente independente un eveniment
A s
a apara de n ori, utilizam formula lui Bernoulli Pn (k) = {kn pk q n k : Se pune
ns
a ntrebarea ce facem atunci cnd probabilitatea p este foarte mic a iar numarul
de experimente n este foarte mare. Adic a suntem spre exemplu n situatiile de
a determina num arul de apeluri primite de un abonat ntr-o perioad a de timp
dat
a, num arul de turisti ce se prezint
a la un birou de informatii ntr-un interval
de timp dat, etc.
n aceste situatii vom folosi formula asimptotic
a a lui Poisson. Pentru aceasta
vom admite c
a produsul np este constant, n p = : Deci p = .
n
Aceast
a ipotez
a nsemna de fapt c a valoarea medie a numarului de aparitii
ale evenimentului A n diferite serii de experimente r
amne aceeasi.
Conform formulei lui Bernoulli din ecuatia (1.1) vom avea:

n(n 1)(n 2)::: [n (k 1)]

Pn (k) = {kn pk q n k
= pk (1 p)n k
k!
k n k
n(n 1)(n 2)::: [n (k 1)]
= 1
k! n n

Cum suntem n ipoteza c a n este foarte mare vom trece la limit

a cnd n tinde la
innit n aceast
a relatie si obtinem:

k n k
n(n 1)(n 2)::: [n (k 1)]
lim Pn (k) = lim 1
n!1 n!1 k! n n
k n k
n(n 1)(n 2)::: [n (k 1)]
= lim 1
n!1 k! nk n
k n k
n(n 1)(n 2)::: [n (k 1)]
= lim 1
k! n!1 nk n
k n k
n(n 1)(n 2)::: [n (k 1)]
= lim n 1
k! n!1 | n{z::: n} n
k ori

7
 Cursul 3

k n k
n (n 1) (n 2) n (k 1)
= lim ::: 1
k! n!1 n n n n n
k n k
1 2 k 1
= lim 1 1 ::: 1 1
k! n!1 n n n n
k n k
1 2 k 1
= lim 1 1 ::: 1 lim 1
k! n!1 n n n n!1 n
k n k k n k
= lim 1 = lim 1 lim 1
k! n!1 n k! n!1 n n!1 n
k
= e 1
k!

Not
am lim Pn (k) = P (k; ): Am obtinut deci:
n!1

k
P (k; ) = lim Pn (k) = e (1.3)
n!1 k!

Aceast
a formul
a ne da repartitia Poisson n care valorilor ntregi k = 0; 1; 2; :::m:::
le corespund probabilit
atile P (k; ):

Denitia 1.1.5 Vom spune ca variabila aleatoare discreta X urmeaza o lege de

reparti
tie Poisson si vom nota acest lucru prin X P ( ), daca are forma:
0 1
0 1 2 ::: k ::: k
X:@ 2 k A sau mai scurt X : (1.4)
e e e ::: e ::: pk
2! k!
k
unde pk = e ; k 2 N; > 0:
k!

Exemplul 1.1.6 Numarul mediu de autovehicule ce trec n decurs de o ora

printr-o bariera de intrare pe o autostrada este de 200. Vom calcula probabilitatea
cu care n decurs de 10 minute trec 15 de autovehicule. Fie Xt variabila aleatoare
discreta ce reprezinta numarul de autovehicule ce trec prin bariera ntr-un interval
de timp t. Xt urmeaza o lege de repartitie Poisson cu X( ) = N; P (Xt = k) =
( t)k
e t unde reprezinta numarul mediu de autovehicule ce trec n unitatea
k!

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

10 1
de timp, adica = 200; unitatea de timp este 1 ora, t = = iar k = 15.
60 6
Avem deci:
15
1
200 1 100
6 200 3906 250 000 000 000 000 000 000
P (Xt = 15) = e 6 = e 3
15! 73 295 694 893 421
= 0; 0001779 1

Deci probabilitatea cu care n decurs de 10 minute trec prin bariera 15 autovehicule

este de 0; 0001779 1:

1.2 Valoarea medie a unei variabile aleatoare discrete

Sunt situatii n care repartitia unei variabile aleatoare nu ne este util
a n caracterizarea
acesteia (n unele cazuri se poate ntmpla chiar s a nu o cunoastem). n aceste
situatii folosim anumite valori numite valori tipice (media, dispersia, momente
centrate si necentrate, corelatia, etc.) pentru a caracteriza variabila aleatoare.
Una dintre cele mai importante valori tipice este media unei variabile aleatoare.
De exemplu, dac a se stie c
a valoarea medie a num arului de credite obtinute
de un student este mai mare dect valoarea medie obtinut a de un altul, atunci
putem spune c a primul student nvata mai bine dect cel de-al doilea.
Sa consider am variabila aleatoare X cu repartitia:
!
x1 x2 ::: xn
X: (1.5)
p1 p2 ::: pn

Deni tia 1.2.1 Valoarea medie a unei variabile aleatoare discrete X, notata cu
M(X), este suma tuturor valorilor posibile xi ale lui X, ponderate cu probabilitatile
corespunzatoare pi adica:
X n
M (X) = xi pi (1.6)
i=1

Exemplul 1.2.2 Pentru variabila aleatoare X cu repartitia:

0 1
0 1 2 3
X:@ 1 3 3 1 A
8 8 8 8
1 3 3 1 12 3
avem M (X) = 0 +1 +2 +3 = = :
8 8 8 8 8 2

9
 Cursul 3

Exemplul 1.2.3 Sa presupunem ca efectuam un experiment. Notam cu X variabila

aleatoare ce reprezinta numarul aparitiei unui eveniment A ce are loc n urma
efectuarii experimentului. Sunt doua posibilitati: evenimentul A se produce sau
nu. Deci multimea valorilor lui X este f0; 1g : Daca p este probabilitatea ca A sa
se produca atunci probabilitatea ca A sa nu se produca este 1 p. Repartitia lui
X va avea deci forma: !
1 0
X:
p 1 p
Avem M (X) = 1 p + 0 (1 p) = p: Deci media numarului de aparitii ale unui
eveniment ce are loc n urma efectuarii unui experiment este egala cu probabilitatea
acelui eveniment.
Se pune ntrebarea reasc a dac
a exist
a vre-o leg
atur a ntre media unei variabile
aleatoare discrete M (X) si media aritmetic a a valorilor observate ale lui X , pe
care o notam cu m, atunci cnd se efectueaz a k experimente independente. S a
presupunem c a n cele k experimente efectuate X a luat de k1 ori valoarea x1 ,
de k2 ori valoarea x2 ,...., de kn ori valoarea xn , asfel nct k1 + k2 + ::: + kn = k:
Atunci suma tuturor valorilor luate de X este
x1 k1 + x2 k2 + ::: + xn kn
si deci media lor aritmetic
a, m, este:
x1 k1 + x2 k2 + ::: + xn kn
m= (1.7)
k
echivalent cu:
k1 k2 kn
m = x1 + x2 + ::: + xn (1.8)
k k k
k1 k2
Pe de alt
a parte, reprezinta frecventa relativ
a a valorii x1 ; frecventa relativ
a
k k
kn
a valorii x2 ; :::; frecventa relativ
a a valorii xn : Dac a num arul experimentelor
k
k este mare, frecventa relativ a se apropie de probabilitate, adic a:
k1 k2 kn
p1 ; p2 ; :::; pn (1.9)
k k k
nlocuind n relatia (1.8) vom avea:
m x1 p1 + x2 p2 + ::: + xn pn (1.10)
adic
a:
m M (X) (1.11)

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.3 Propriet
a
tile mediei
Propriet
atile valorii medii sunt acelea ale integralelor.

tia 1.3.1 Daca a este o constanta atunci:

Propozi

1: M (a) = a
2: M (a X) = a M (X) (1.12)
3: M (X + a) = M (X) + a

Demonstra tie: 1. Constanta a poate cosiderat a ca o variabil

a aleatoare
discret
a X care ia o singur
a valore a cu probabilitatea p = 1:
!
a
X: (1.13)
1

si deci M (a) = M (X) = a 1 = a:

2. S a X are o repartitie de forma (1.5). Atunci
a presupunem c
!
a x1 a x2 ::: a xn
a X: (1.14)
p1 p2 ::: pn

iar M (a X) = ax1 p1 + ax2 p2 + ::: + axn pn = a (x1 p1 + x2 p2 + ::: + xn pn ) =

a M (X) :
3. S a X are o repartitie de forma (1.5). Atunci
a presupunem c
!
a + x1 a + x2 ::: a + xn
a+X : (1.15)
p1 p2 ::: pn

iar M (a + X) = (a + x1 ) p1 +(a + x2 ) p2 +:::+(a + xn ) pn = a (p1 + p2 + ::: + pn )+

x1 p1 + x2 p2 + ::: + xn pn = a + M (X) :

Propozi tia 1.3.2 Valoarea medie a unei sume de doua variabile aleatoare X +Y
este egala cu suma valorilor lor medii:

M (X + Y ) = M (X) + M (Y ) (1.16)

tie: S
Demonstra a consider
am dou
a variabile aleatoare X si Y cu repartitiile:
! !
x1 x2 ::: xn y1 y2 ::: ym
X: si Y : (1.17)
p1 p2 ::: pn q1 q2 ::: qm

11
 Cursul 3

Prin suma variabilelor aleatoare (vezi cursul 2) X cu Y ntelegem variabila

aleatoare X + Y cu repartitia:
!
x1 + y1 x1 + y2 ::: xn + ym
X +Y : (1.18)
11 12 ::: nm

unde prin ij ntelegem probabilitatea ca X s

a ia valoarea xi iar Y s
a ia valoarea
yj :
P (X = xi ; Y = yj ) = ij (1.19)
Vom avea deci
M (X + Y ) = (x1 + y1 ) 11 + (x1 + y2 ) 12 + ::: + (xn + ym ) nm
= x1 ( 11 + 12 + ::: + 1m ) + x2 ( 21 + 22 + ::: + 2m ) + :::+
+xn ( n1 + n2 + ::: + nm ) + y1 ( 11 + 21 + ::: + n1 ) +
+y2 ( 12 + 22 + ::: + n2 ) + ::: + ym ( 1m + 2m + ::: + nm )
= x1 p1 + x2 p2 + ::: + xn pn + y1 q1 + y2 q2 + ::: + ym qm = M (X) + M (Y ) :

Observa tia 1.3.3 Propozitia de mai naite se poate extinde la un numar oarecare
de variabile aleatoare. Pentru trei variabile aleatoare X, Y, Z vom avea:

M (X Y Z) = M [(X Y ) Z] = M (X Y ) M (Z) = M (X) M (Y ) M (Z)

Pentru mai mult de trei variabile aleatoare demonstratia se face prin inductie.

Teorema 1.3.4 Media unei variabile aleatoare binomiale de parametrii n si p;

B (n; p) este:
M (B (n; p)) = n p (1.20)

Demonstra tie: Conform Observatiei (1.1.2) sa consider am c a B (n; p) =

X1 + X2 + ::: + Xn ; unde X1 reprezint a num arul de aparitii al evenimentului A
n primul experiment, X2 reprezint a num arul de aparitii al evenimentului A n
cel de-al doilea experiment,...,Xn reprezint
a numarul de aparitii al evenimentului
A n experimentul n. X1 ; X2 ; :::; Xn sunt independente deoarece experimentele
considerate sunt independente.
Dar conform Exemplului (1.2.3):

M (X1 ) = M (X2 ) = ::: = M (Xn ) = p (1.21)

Deci conform Observatiei (1.3.3) M (B (n; p)) = M (X1 + X2 + ::: + Xn ) = M (X1 )+

M (X2 ) + ::: + M (Xn ) = p + p + ::: + p = np
| {z }
n ori

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

tia 1.3.5 Daca X si Y sunt independente atunci:

Propozi

M (X Y ) = M (X) M (Y ) (1.22)

tie: Vom folosi notatiile din demonstratia propozitiei precedente.

Demonstra
S
tim c
a: !
x1 y1 x1 y2 ::: xn ym
X Y : (1.23)
11 12 ::: nm

Deci
M (X Y ) = x1 y1 11 + x1 y2 12 + ::: + xn ym nm :
Dar X si Y sunt independente si atunci ij = pi qj pentru orice 1 i n si
1 j m: Prin urmare
M (X Y ) = x1 y1 p1 q1 + x1 y2 p1 q2 + ::: + xn ym pn qm
= y1 q1 (x1 p1 + x2 p2 + ::: + xn pn ) + y2 q2 (x1 p1 + x2 p2 + ::: + xn pn ) + :::
+ym qm (x1 p1 + x2 p2 + ::: + xn pn )
= (x1 p1 + x2 p2 + ::: + xn pn ) (y1 q1 + y2 q2 + ::: + ym qm )
= M (X) M (Y ):

13
Index

Legea de repartitie
binomial, 5
Poisson, 8

Repartitia
binomial (sau repartitia Bernoulli),
5
Poisson, 7

Valoare medie, 9

14
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 4
Cursul 4

2
Cuprins

1 Introducere n teoria probabilit a

tilor 5
1.1 Dispersia unei variabile aleatoare discrete . . . . . . . . . . . . . . 5
1.1.1 Proprietatile dispersiei . . . . . . . . . . . . . . . . . . . . . 7
1.2 Abaterea medie p atratica . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Variabile aleatoare independente cu aceeasi repartitie . . . . . . . . 11
1.4 Momente ale unei variabile aleatoare . . . . . . . . . . . . . . . . . 12
1.4.1 Momente initiale de ordinul k. . . . . . . . . . . . . . . . . 12
1.4.2 Momente centrate de ordinul k. . . . . . . . . . . . . . . . . 12

Index 13

3
Cursul 4

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

1.1 Dispersia unei variabile aleatoare discrete

Exist
a multe variabile aleatoare care au repartitii diferite dar care au mediile
egale:
! !
0 1 1 0 1 2
X : si Y :
1=2 1=2 1=4 1=4 1=4 1=4
1 1 1
M (X) = 0 +1 =
2 2 2
1 1 1 1 1
M (Y ) = 1 +0 +1 +2 =
4 4 4 4 2
Din acest exemplu se vede c a daca cunoastem media unei variabile aleatoare nu
putem caracteriza mpr astierea valorilor variabilei aleatoare.
Dispersia este o valoare tipica ce ne va ajuta s a caracterizam aceast
a mpr
astiere.
Consider
am X o variabil a aleatoare discret a cu repartitia:
!
x1 x2 ::: xn
X: (1.1)
p1 p2 ::: pn
si media M (X): Fie de asemenea X M (X) o alt
a variabil
a aleatoare discret
a.
Aceasta va avea repartitia:
!
x1 M (X) x2 M (X) ::: xn M (X)
X M (X) : (1.2)
p1 p2 ::: pn

5
 Cursul 4

deci media ei este egal

a cu:

M (X M (X)) = (x1 M (X)) p1 + (x2 M (X)) p2 + ::: + (xn M (X)) pn

= x1 p1 + x2 p2 + ::: + xn pn M (X) (p1 + p2 + ::: + pn )
= M (X) M (X) (p1 + p2 + ::: + pn ) = M (X) M (X) = 0:

Deci media abaterii unei variabile aleatoare de la media sa este ntotdeauna

0. Prin urmare nu putem m asura gradul de mpr astiere a valorilor variabilei
aleatoare utiliznd valoarea medie a abaterii. Pentru aceasta vom folosi dispersia,
a cu D2 (X) sau 2 (X):
notat

Deni ste dispersie a lui X, notata cu D2 (X) sau

tia 1.1.1 Se nume 2; cantitatea
denita de:

D2 (X) = M (X M (X))2 (1.3)

2
= M (X m)

unde m = M (X):

Avem deci:

D2 (X) = M (X m)2 = (x1 M (X))2 p1 +(x2 M (X))2 p2 +:::+(xn M (X))2 pn

Dac a plec a de la dezvoltarea lui (X m)2 si tinem seama de propriet

am ns atile
mediei obtinem:

D2 (X) = M (X m)2 = M X 2 2mX + m2 = M (X 2 ) M (2mX) + M m2

= M (X 2 ) 2mM (X) + m2 = M (X 2 ) 2m m + m2 = M (X 2 ) m2

iar dac
a nlocuim m = M (X) obtinem relatia:

D2 (X) = M (X 2 ) [M (X)]2 (1.4)

Altfel spus, dispersia este diferenta dintre media p

atratului variabilei aleatoare si
p
atratul mediei variabilei aleatoare.

Exemplul 1.1.2 Fie

!
1 0 1 2
Y :
1=4 1=4 1=4 1=4

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Am vazut la nceputul paragrafului ca M (Y ) = 0: Avem:

! ! !
2 2 2 2
( 1) (0) (1) (2) 1 0 1 4 0 1 4
Y2 : = =
1=4 1=4 1=4 1=4 1=4 1=4 1=4 1=4 1=4 2=4 1=4
1 1 1 5
deci M (Y 2 ) = 0 +1 +4 = : Prin urmare, conform relatiei (1.4) vom
4 4 4 4
avea:
5 5
D2 (Y ) = M (Y 2 ) [M (Y )]2 = (0)2 = :
4 4

1.1.1 Propriet
a
tile dispersiei
tia 1.1.3 Dispersia unei constante a este egala cu 0:
Propozi

D2 (a) = 0 (1.5)

tie: Conform relatiei (1.3) vom avea:

Demonstra

D2 (a) = M (a M (a))2

Folosind Propozitia 1.3.1 din cursul 3, avem

D2 (a) = M (a a)2 = M (0) = 0:

Propozi tia 1.1.4 Dispersia produsului dintre o constanta si o variabila aleatoare

este egala cu produsul dintre patratul constantei si dispersia variabilei aleatoare:

D2 (a X) = a2 D2 (X) (1.6)

tie: Conform relatiei (1.4) vom avea:

Demonstra

D2 (a X) = M (a2 X 2 ) [M (a X)]2 = a2 M (X 2 ) [a M (X)]2

= a2 M (X 2 ) a2 [M (X)]2 = a2 M (X 2 ) [M (X)]2
= a2 D2 (X):

Propozi tia 1.1.5 Dispersia sumei a doua variabile aleatoare independente este
egala cu produsul dintre dispersiile variabilelor aleatoare:

D2 (X + Y ) = D2 (X) + D2 (Y ) (1.7)

7
 Cursul 4

tie: Conform relatiei (1.4) vom avea:

Demonstra

D2 (X + Y ) = M ((X + Y )2 ) [M (X + Y )]2

Dac
a desfacem parantezele si folosim propozitiile 1.3.1 si 1.3.2 din cursul 3 avem:

D2 (X + Y ) = M (X 2 + 2XY + Y 2 ) [M (X) + M (Y )]2 =

= M (X 2 ) + 2M (X Y ) + M (Y 2 ) [M (X)]2 2M (X)M (Y ) [M (Y )]2
M (X 2 ) [M (X)]2 M (Y 2 ) [M (Y )]2
= | {z }+| {z }
2
D (X) 2
D (Y )
+2M (X)M (Y ) 2M (X)M (Y )
= D2 (X) + D2 (Y ):

Corolarul 1.1.6 Dispersia unei sume de variabile aleatoare independente este

egala cu produsul dintre dispersiile variabilelor aleatoare.

tie: Pentru o sum

Demonstra a de trei variabile aleatoare independente avem:

D2 (X+Y +Z) = D2 [(X + Y ) + Z] = D2 (X+Y )+D2 (Z) = D2 (X)+D2 (Y )+D2 (Z)

Pentru mai mult de trei variabile aleatoare independente demonstratia se face

prin inductie.

Corolarul 1.1.7 Dispersia sumei dintre o constanta si o variabila aleatoare este

egala cu dispersia variabilei aleatoare:

D2 (a + X) = D2 (X) (1.8)

Demonstra tie: a si X sunt independente deci conform propozitiei (1.1.5) si

propozitiei (1.1.4) vom avea:

D2 (a + X) = D2 (a) + D2 (X) = 0 + D2 (X) = D2 (X):

Teorema 1.1.8 Dispersia unei variabile aleatoare discreta B (n; p) ce urmeaza

o lege de repartitie binomiala este egala cu npq:

D2 (B (n; p)) = npq (1.9)

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Demonstra tie: Am vazut c

a o variabil
a aleatoare discreta X(n;p) urmeaz
ao
lege de repartitie binomial
a dac
a are forma (vezi cursul 3):
!
0 1 :::k::: n
B (n; p) :
q n p q n 1 :::{kn pk q n k ::: pn

unde pk = {kn pk q n k ; 0 k n; p; q > 0; q = 1 p:Tot n cursul 3,

teorema1.3.4 am calculat si media lui B (n; p) :

M (B (n; p)) = n p

Pentru a calcula dispersia D2 (X(n;p) ) folosim relatia (1.4):

D2 (B (n; p)) = M ((B (n; p))2 ) [M (B (n; p))]2

dar
n
X
M ((B (n; p))2 ) = k 2 {kn pk q n k

k=1
Deducem:
n
X
npx(px + q)n 1
= k{kn pk xk 1 n k
q ;
k=1
de unde, prin derivarea ambilor membrii si lund apoi x = 1, obtinem:
n
X
k 2 {kn pk q n k
= np + n(n 1)p2 ;
k=0

prin urmare,
M ((B (n; p))2 ) = np + n(n 1)p2
si deci:
D2 (B (n; p)) = np + n(n 1)p2 n2 p2 = n p q:

Observa tia 1.1.9 Demonstratia acestei teoreme se mai poate face plecnd si de
la observatia 1.1.2 si demonstratia teoremei 1.3.4 din cursul 3. Acolo am vazut
ca putem scrie ca B (n; p) = X1 + X2 + ::: + Xn ; unde X1 reprezinta numarul
de aparitii al evenimentului A n primul experiment, X2 reprezinta numarul
de aparitii al evenimentului A n cel de-al doilea experiment,..., Xn reprezinta
numarul de aparitii al evenimentului A n experimentul n. X1 ; X2 ; :::; Xn sunt

9
 Cursul 4

independente deoarece experimentele considerate sunt independente si avnd aceea

si
repartitie: !
1 0
p q
Dar conform corolarului (1.1.6) avem:
D2 (B (n; p)) = D2 (X1 ) + D2 (X2 ) + ::: + D2 (Xn )
Cum ecare dintre variabilele X12 ; X22 ; :::; Xn2 au repartitiile:
! !
12 02 1 0
=
p q p q
avem:
M X12 = M X22 = ::: = M Xn2 = p
deci:
D2 (Xi ) = M (Xi2 ) [M (Xi )]2 = p p2 = p (1 p) = pq
pentru 1 i n: Deci
D2 (B (n; p)) = pq + pq + ::: + pq = npq
| {z }
n ori

1.2 Abaterea medie p

atratic
a
Deni tia 1.2.1 Se nume ste abatere medie p atratic
a a unei variabile aleatoare
radacina patrata din dispersia variabilei aleatoare.

Deci dac
a o vom nota cu ; abaterea medie p
atratic
a a unei variabile aleatoare
X va egal
a cu: p
= D2 (X) (1.10)
Conform corolarului (1.1.6) abaterea medie p atratic
a a unei sume de variabile
aleatoare independente este egala cu r
ad
acina patrat
a din suma p atratelor abaterilor
medii p
atratice ale variabilelor aleatoare:
p
(X1 + X2 + ::: + Xn ) = D2 (X1 + X2 + ::: + Xn )
p
= D2 (X1 ) + D2 (X2 ) + ::: + D2 (Xn )
p
= 2 (X ) + 2 (X ) + ::: + 2 (X )
1 2 n

Spre deosebire de dispersie, abaterea medie p atratic

a a unei variabile aleatoare
se exprim
a n aceleasi unit
ati de m
asur
a ca si variabila aleatoare.

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.3 Variabile aleatoare independente cu aceea

si reparti
tie
S
a consider
am n variabile aleatoare independente X1 ; X2 ; :::; Xn cu aceeasi repartitie:
!
x1 x2 ::: xm
(1.11)
p1 p2 ::: pm
Not
am cu X media arirmetic a a variabilelor aleatoare:
X1 + X2 + ::: + Xn
X= (1.12)
n
Vom calcula n continuare media si dispersia variabilei aleatoare X: Avem:
X1 + X2 + ::: + Xn 1
M (X) = M = M (X1 + X2 + ::: + Xn )
n n
M (X1 ) + M (X2 ) + ::: + M (Xn )
=
n
P
n
Dar a = M (X1 ) = M (X2 ) = ::: = M (Xn ) = xi pi si deci
i=1
na
M (X) = =a (1.13)
n
Penntru calculul dispersiei D2 X :
X1 + X2 + ::: + Xn 1 2
D2 X = D2 = D (X1 + X2 + ::: + Xn )
n n2
1
= D2 (X1 ) + D2 (X2 ) + ::: + D2 (Xn )
n2
P
n
Pe de alt
a parte 2 = D2 (X1 ) = D2 (X2 ) = ::: = D2 (Xn ) = (xi a)2 pi si
i=1
deci:
1 2
D2 X = n 2
= (1.14)
n2 n
Abaterea medie p
atratic
a a variabilei aleatoare X va :
X =p (1.15)
n
Aceste rezultate ne conduc la concluzia c a daca pentru masurarea unei marimi
zice se fac mai multe m asur
atori si apoi se calculeaza media aritmetic
a a rezultatelor
obtinute care se ia ca valoare aproximativ a a marimii masurate, atunci dispersia
mediei aritmetice a m asur
atorilor va de n ori mai mic a dect dispersia unei
singure m asur
atori. Aceasta nseamn a ca media aritmetic a da un rezultat mai
exact dect m asuratorile separate.

11
 Cursul 4

1.4 Momente ale unei variabile aleatoare

Momentele sunt valori tipice ale unei variabile aleatoare pe care este util s
a le
cunoastem n anumite probleme.
Sunt dou a feluri de momente:

1. Momente initiale (pe scurt momente);

2. Momente centrate.

1.4.1 Momente ini

tiale de ordinul k.
Denitia 1.4.1 Momentul ini tial de ordinul k al unei variabile aleatoare X
k
este media variabilei aleatoare X :

k = M Xk (1.16)

Observ
am c
a:

1 = M (X) (1.17)
2
2 = M X (1.18)

De asemenea, formula dispersiei (1.4) se poate scrie:

D2 (X) = 2
2
4 (1.19)

1.4.2 Momente centrate de ordinul k.

tia 1.4.2 Denim, daca exista, momentul centrat de ordinul k :
Deni
h i
k
k = M (X M (X))

Pentru k = 1; 2 avem:

1 = M [X M (X)] = 0 (1.20)
2 2
2 = M (X M (X)) = D (X): (1.21)

Dac
a distributia variabilei aleatoare este simetric
a avem

2k+1 = 0; 8k:

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Momentele centrate de ordinul trei 3 si de ordinul patru 4 sunt utilizate

pentru a caracteriza forma distributiei.
ntre momentele initiale si cele centrate se pot obtine relatii, de exemplu dac
a
comparam relatia (1.19) cu relatia (1.21) obtinem:
2
2 = 2 1 (1.22)

Plecnd de la denitii si folosind propriet

atile mediei g
asim formulele:
3
3 = 3 3 1 2 +2 1 (1.23)
2 4
4 = 4 4 3 1 6 1 2 3 1 (1.24)

Exemplul 1.4.3 Sa se calculeze momentele initiale si centrate de ordinul 3 ale

variabilei aleatoare discrete X cu legea de probabilitate:
!
0 1 2 3
X: (1.25)
1=8 3=8 3=8 1=8

Solu
tie:

1 3 3 1 3
M (X) = 0 + 1 + 2 + 3 = :
8 8 8 8 2
1 3 3 1 27
3 = M X3 = 03 + 13 + 23 + 33 = :
8 8 8 8 4
3
27 3 27
3 = M X3 [M (X)]3 = = :
4 2 8

13
Index

Abaterea
medie patratica, 10

Dispersia
unei variabile aleatoare
continue, 6

Momente
ale unei variabile aleatoare, 12
centrate de ordinul k, 12
initiale de ordinul k, 12

14
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 5
Cursul 5

2
Cuprins

1 Introducere n teoria probabilit a

tilor 5
1.1 Functia de repartitie a unei variabile aleatoare . . . . . . . . . . . 5
1.1.1 Proprietatile functiei de repartitie . . . . . . . . . . . . . . 6
1.1.2 Gracul functiei de repartitie . . . . . . . . . . . . . . . . . 9
1.2 Densitatea de probabilitate . . . . . . . . . . . . . . . . . . . . . . 12

Index 15

3
Cursul 5

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

1.1 Func
tia de reparti
tie a unei variabile aleatoare
Dup a cum am v azut o variabila aleatoare discreta este caracterizata de repartitia
ei. Acest lucru nu mai este ns a valabil si pentru variabilele aleatoare continue.
ntr-adev ar daca X este o variabil a aleatoare continu a ale c
arei valori umplu un
interval (a; b), este evident faptul ca nu vom putea enumera toate valorile posibile
ale lui X. Acest fapt ne arat a c
a trebuie sa g
asim un mod mai general de denire
a ambelor tipuri de variabile aleatoare. n acest scop se introduce functia de
repartitie.
Sa consideram x un num ar real. Vom nota cu F (x) probabilitatea evenimentului
(X < x) ; care const a n aceea c a X ia o valoare mai mic a dect x. Dac a x
variaza, atunci se va modica si F (x) adic a F (x) este functie de x.(Pentru mai
multe am anunte vezi partea a -II- a, capitolul Variabile aleatoare)

Denitia 1.1.1 Func tia de reparti

tie a unei variabile aleatoare X este aplicatia
F : R ! [0; 1] denita prin:

F (x) = P (X < x) = P (f! 2 jX (!) < x g) (1.1)

Geometric, relatia (1.1) poate interpretata astfel: F (x) este probabilitatea

ca variabila aleatoare X sa ia o valoare care pe o ax
a de coordonate se reprezint a
la stnga punctului x.
Putem da acum o denitie a variabilei aleatoare continue:

5
 Cursul 5

Deni tia 1.1.2 O variabil a aleatoare se nume

ste continu
a daca functia ei
de repartitie F (x) este continua.

1.1.1 Propriet
a
tile func
tiei de reparti
tie
tia 1.1.3 Valorile functiei de repartitie se gasesc n intervalul [0; 1]:
Propozi

0 F (x) 1 (1.2)

Demonstra tie: Prin denitie, functia de repartitie reprezina probabilitatea

evenimentului (X < x) : Deoarece o probabilitate este cuprins a ntre 0 si 1 proprietatea
este demonstrat
a.

tia 1.1.4 F (x) este o functie monoton crescatoare:

Propozi

F (x2 ) F (x1 ) daca x2 > x1 (1.3)

tie: Presupunem x2 > x1 :

Demonstra

(1.4)
Evenimentul care const
a n aceea c
a X ia o valoare mai mic
a dect x2 poate
descompus n dou
a evenimente incompatibile:

1. X ia o valoare mai mic

a dect x1 , eveniment ce va avea probabilitatea
P (X < x1 );

2. X ia o valoare ce satisface dubla inegalitate x1 X < x2 , eveniment ce va

avea probabilitatea P (x1 X < x2 ).
Conform teoremei de adunare a probabilit atilor evenimentelor incompatibile
(vezi cursul 1, teorema 1.1.9) vom avea:

(X < x2 ) = (X < x1 ) [ (x1 X < x2 ) (1.5)

de unde:
P (X < x2 ) = P (X < x1 ) + P (x1 X < x2 ) (1.6)

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

echivalent cu:

P (X < x2 ) P (X < x1 ) = P (x1 X < x2 ) (1.7)

adic
a:
F (x2 ) F (x1 ) = P (x1 X < x2 ) (1.8)
Cum orice probabilitate este un num
ar cuprins ntre 0 si 1 avem:

P (x1 X < x2 ) 0 (1.9)

F (x2 ) F (x1 ) 0 (1.10)

deci:
F (x2 ) F (x1 ) (1.11)
adic
a ceea ce trebuia demonstrat.

Observa tia 1.1.5 Din relatia (1.8) rezulta ca probabilitatea ca o variabila aleatoare
continua sa ia o valoare bine denita este nula.
ntr-adevar, daca notam
x2 = x1 + x (1.12)
vom avea:
P (x1 X < x1 + x) = F (x1 + x) F (x1 ) (1.13)
Variabila aleatoare X ind continua, conform denitiei (1.1.1) are functia de
repartitie F (x) continua si deci daca

x!0 (1.14)

si
F (x1 + x) F (x1 ) ! 0 (1.15)
Prin urmare P (X = x1 ) = 0:

Observa tia 1.1.6 Din acest motiv, pentru o variabila aleatoare continua sunt
adevarate relatiile:

1. P (a X < b) = F (b) F (a) ; (1.16)

2. P (a < X < b) = F (b) F (a) P (X = a) ; (1.17)
3. P (a < X b) = F (b) F (a) + P (X = b) P (X = a) ; (1.18)
4. P (a X b) = F (b) F (a) + P (X = b) : (1.19)

7
 Cursul 5

ntr-adevar, sa notam cu:

A = f! jX (!) < a g ; B = f! jX (!) < b g
C = f! jX (!) = a g
D = f! jX (!) = b g
Se observa ca A B; A [ C B; A B [ D: Ca urmare a proprietatilor
probabilitatii putem scrie imediat ca:
1. P B \ A = P (B A) = P (B) P (A) = F (b) F (a) ;

2. P B \ (A [ C) = P (B) P (A [ C) = P (B) P (A) P (C) = F (b)

F (a) P (X = a) ;
h i
3. P (B [ D) \ (A [ C) = P (B) + P (D) P (A) P (C) = F (b) F (a) +
P (X = b) P (X = a) ;
4. P (B [ D) \ A = P (B) + P (D) P (A) = F (b) F (a) + P (X = b) :
Trebuie s a retinem deci c a pentru o variabila aleatoare continu a nu prezinta
interes sa vorbim despre probabilitatea ca variabila aleatoare s a ia o valoare bine
denita.
Din punct de vedere practic are sens ns a sa vorbim despre probabilitatea ca
variabila aleatoare s a ia o valoare ce este cuprinsa ntr-un interval, orict de mic
ar el.
De asemenea s a remarc am faptul c
a P (X = x1 ) = 0 nu nseamn a c
a evenimentul
(X = x1 ) este imposibil.
Se poate ntmpla ca variabila aleatoare s a ia una dintre valorile sale posibile si
n particular aceast a valoare sa e x1 .
Propozi tia 1.1.7 Daca valorile posibile ale variabilei aleatoare X sunt cuprinse
n intervalul (a; b), atunci:
F (x) = 0 daca x a (1.20)
F (x) = 1 daca x > b (1.21)
Demonstra tie: Fie x1 a: Atunci evenimentul (X < x1 ) este imposibil
deoarece X nu ia valori mai mici sau egale cu a. Prin urmare P (X < x1 ) = 0:
Deci 0 = P (X < x1 ) = F (x):
Daca x2 > b, evenimentul (X < x2 ) este sigur deoarece X nu ia valori mai mari
dect a. Prin urmare P (X < x2 ) = 1: Deci 1 = P (X < x1 ) = F (x):

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Corolarul 1.1.8 Au loc relatiile:

lim F (x) = 0 (1.22)

x! 1
lim F (x) = 1 (1.23)
x!1

1.1.2 Gracul func

tiei de reparti
tie
Propriet atile demonstrate mai nainte ne permit s a descriem gracul functiei de
repartitie.
Gracul este continut n bucata din plan m arginit a de dreptele y = 0 si y = 1
(proprietatea 1.1.3). Cnd x creste de la a la b, gracul are o form a crescatoare
(proprietatea 1.1.4).
Pentru x a ordonatele gracului sunt nule iar pentru x > b ordonatele
gracului sunt egale cu 1(proprietatea 1.1.7).
Un exemplu de grac al unei functii de repartitie corespunzatoare unei variabile
discrete este dat de gura 5.3.
Dup a cum se poate observa acesta este un grac n trepte.

Fig. 5.3

Figura 5.4 este un exemplu de functie de repartitie corespunz

atoare unei
variabile continue.

9
 Cursul 5

Fig. 5.4

Exemplul 1.1.9 Fie X o variabila aleatoare continua cu densitatea de repartitie:

(
3
32 x(4 x) daca 0 x 4
fX (x) =
0 n rest

Determinati functia de repartitie FX (x) a variabilei aleatoare X.

tie: Dac
Solu ax 0; FX (x) = 0;
Zx Zx x
3 3 t2 t3
Dac
a x 2 [0; 4] ; FX (x) = fX (t)dt = t(4 t) dt = 4 =
32 32 2 3 0
1 0
3 x3 1 2
2x2 = x (x 6) :
32 3 32
Daca x 4; FX (x) = 1:
Prin urmare:
8
>
> 0 dac
ax 0
<
1 2
FX (x) = x (x 6) dac
a x 2 [0; 4]
>
> 32
:
1 dac
ax 4

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Gracul functiei de repartitie va avea forma:

FX (x)

Exemplul 1.1.10 Fie variabila aleatoare discreta Y cu repartitia:

!
1 0 1 2
Y :
1=4 1=4 1=4 1=4

Determinati functia de repartitie si trasati gracul acesteia.

tie: Dac
Solu ax 1 atunci FY (x) = 0 (proprietatea 1.1.7).
1
Dac
a 1 < x 0 atunci FY (x) = .
4
1 1 1
a 0 < x 1 atunci FY (x) = + = .
Dac
4 4 2
1 1 1 3
Dac
a 1 < x 2 atunci FY (x) = + + = .
4 4 4 4
Dac
a 2 < x atunci FY (x) = 1 (proprietatea 1.1.7).

11
 Cursul 5

Prin urmare: 8
>
> 0 dac
ax 1
>
>
>
> 1
>
> dac
a 1<x 0
>
< 4
1
FY (x) = dac
a0<x 1
>
> 2
>
> 3
>
> dac
a1<x 2
>
> 4
>
: 1 dac
ax>2
Gracul functiei de repartitie va avea forma:

FY (x)

1.2 Densitatea de probabilitate

Deni tia 1.2.1 Se nume ste densitate de probabilitate (de repartitie) prima
derivata, daca exista, a functiei de repartitie F (x):

f (x) = F (x) (1.24)

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Observa tia 1.2.2 Pentru variabilele aleatoare discrete densitatea de probabilitate

nu exista.

Din denitie rezult

a c
a:
f (x) 0 (1.25)
deoarece densitatea de probabilitate este derivata unei functii nedescresc atoare
iar functia de repartitie F (x) este o primitiv
a a densit
atii de probabilitate f (x).
Justicarea denumirii date lui f (x) vine din faptul c a:
Conform denitiei avem:

F (x + x) F (x)
f (x) = lim (1.26)
x!0 x
Pentru x sucient de mic avem:

f (x) x F (x + x) F (x) (1.27)

Pe de alt
a parte, din relatia (1.8) avem:

F (x + x) F (x) = P (x X <x+ x) (1.28)

deci:
P (x X <x+ x) f (x) x (1.29)
a carei interpretare probabilistica este urm atoarea: probabilitatea ca variabila
aleatoare X sa ia o valoare care s
a apartin
a intervalului (x; x + x) este aproximativ
egala cu produsul dintre densitatea de probabilitate n punctul x si lungimea x
a intervalului.

Propozi tia 1.2.3 ntre densitatea de probabilitate f (x) si functia de repartitie

F (x) exista relatia: Z x
F (x) = f (t)dt (1.30)
1

tie: Conform denitiei densitat

Demonstra atii de probabilitate rezult
a c
a:
Z x
F (x) = f (t)dt + C (1.31)
1

unde C este o constant

a. Pentru x ! 1 si tinnd cont de corolarul( 1.1.8)
avem C = 0.

13
 Cursul 5

Teorema 1.2.4 Probabilitatea ca o variabila aleatoare continua X sa ia o valoare

din intervalul (a; b) este egala cu integrala densitatatii de probabilitate pe intervalul
(a; b):
Z b
P (a < X < b) = f (x)dx = F (b) F (a) (1.32)
a

Demonstra tie: Din relatia (1.8) avem: P (a < X < b) = F (b) F (a) =
Rb Ra Rb
1 f (t)dt 1 f (t)dt = a f (x)dx:
Interpretarea geometric a a teoremei anterioare este urm atoarea: probabilitatea
ca variabila aleatoare X s a ia o valoare care sa apartin
a intervalului (a; b) este
egal
a cu aria trapezului cuprins a ntre axa Ox, gracul densitatatii de probabilitate
si dreptele x = a si x = b, adic
a aria trapezului din gura de mai jos:

tia 1.2.5 O densitate f este deci o functie pozitiva de integrala egala cu

Propozi
1: Z +1
f (x)dx = 1
1

Demonstra tie: Dac

a n relatia (1.8) facem pe x ! 1 si tinem cont de
corolarul( 1.1.8) avem:
Z +1
lim F (x) = f (t)dt = 1 (1.33)
x!1 1

Exemplul 1.2.6 Fie X o variabila aleatoare continua cu densitatea de repartitie:

8
>
>
< 1 + x daca 1 x 0
fX (x) = 1 x daca 0 x 1
>
>
: 0 n rest

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Determinati functia de repartitie FX (x) a variabilei aleatoare X.

tie: Dac
Solu ax 1; FX (x) = 0;
Zx Zx x
t2 x2
Dac
a x 2 [ 1; 0] ; FX (x) = fX (t)dt = (1 + t) dt = t+ = x+ +
2 1 2
1 1
1 1
1 = (x + 1)2 :
2 2
Zx Z0 Zx
Dac
a x 2 [0; 1] ; FX (x) = fX (t)dt = (1 + t) dt + (1 t) dt =
1 1 0
0 x
t2 t2 1 x (2 x) x2 + 2x + 1
t+ + t = + =
2 1 2 0 2 2 2
Daca x 1; FX (x) = 1:
Prin urmare:
8
>
> 0 dac
ax 0
>
>
>
> 1
< (x + 1)2 dac
a x 2 [ 1; 0]
FX (x) = 2 2
>
> x + 2x + 1
>
> dac
a x 2 [0; 1]
>
> 2
: 1 dac
ax 1

15
Index

Densitate
de probabilitate, 12

Functia
de repartitie, 5

Variabila aleatoare
continua, 6

16
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 6
Cursul 6

2
Cuprins

1 Introducere n teoria probabilit a

tilor 5
1.1 Denirea valorilor tipice pentru variabile aleatoare continue . . . . 5
1.2 Functia de repartitie normal a . . . . . . . . . . . . . . . . . . . . . 6
1.3 Alte functii de repartitie continue clasice . . . . . . . . . . . . . . . 9
1.3.1 Functia de repartitie 2 . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Functia de repartitie Student . . . . . . . . . . . . . . . . . 10
1.4 Teorema limit a centrala . . . . . . . . . . . . . . . . . . . . . . . . 11

Index 13

3
Cursul 6

4
Capitolul 1

Introducere n teoria
probabilit
a
tilor

1.1 Denirea valorilor tipice pentru variabile aleatoare

continue
S
a presupunem c a valorile posibile ale variabilei aleatoare continue X sunt cuprinse
n intervalul (a; b) iar f (x) este densitatea sa de probabilitate.

tia 1.1.1 Media variabilei aleatoare continue X este:

Deni
Z b
M (X) = x f (x)dx (1.1)
a

Pentru o mai bun a ntelegere a denitiei de mai nainte s a diviz

am intervalul
(a; b) n n intervale (a; x1 ) ; (x1 ; x2 ) ; :::; (xn 1 ; xn ) : Not
am cu x1 ; x2 ; :::; xn
lungimile acestor intervale. Alegem n ecare interval un punct si not am cu
x1 ; x2 ; :::; xn abscisele punctelor alese.
Consider am suma:

x1 f (x1 ) x1 + x2 f (x2 ) x2 + ::: + xn f (xn ) xn (1.2)

Trecnd la limita cnd cea mai mare dintre lungimile x1 ; x2 ; :::; xn tinde la
zero, obtinem integrala denit
a din relatia (1.1).

Deni tia 1.1.2 Dispersia unei variabile aleatoare continue X ale carei valorile
posibile sunt cuprinse n intervalul (a; b) iar f (x) este densitatea sa de probabilitate

5
 Cursul 6

notata cu D2 (X) sau 2;este cantitatea denita de:

Z b
2 2
= M (X m) = (x m)2 f (x)dx (1.3)
a
unde m = M (X):

tia 1.1.3 Denim, daca exista, momentul ini

Deni tial de ordinul k:
h i Z b
k
k = M (X) = xk f (x)dx
a

tia 1.1.4 Denim, daca exista, momentul centrat de ordinul k:

Deni
h i Z b
k
k = M (X m) = (x m)k f (x)dx
a

Observa tia 1.1.5 Se poate arata ca proprietatile mediei si dispersiei variabilelor

aleatoare discrete se pastreaza si n cazul continuu.
tia 1.1.6 Este evident ca
Observa

1 =0 (1.4)
si
2 = D2 (X): (1.5)

1.2 Func
tia de reparti
tie normal
a
Este cea mai important a dintre toate repartitiile care apar n studiul unor fenomene
aleatoare prezente n probleme practice. Ea a fost evidentiat a de Gauss si Laplace
cu ocazia studierii repartitiei erorilor. Importanta repartitiei normale rezult a
din faptul c
a multe fenomene aleatoare sunt supuse acestei legi si din faptul c a
ea aproximeaz a multe repartitii ce se ntlnesc n practic a (binomiala, Poisson,
gamma, student, etc.).
Denitia 1.2.1 Spunem ca variabila aleatoare continua X urmeaza o lege de
reparti
tie normala de parametrii m si 2 si vom nota acest lucru prin X s
N m; 2 ; daca are forma:
(x m)2
x 1 2
X: unde fm; 2 (x) = p e 2 ; x 2 R; > 0; m 2 R
fm; 2 (x) 2
(1.6)

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Observa tia 1.2.2 Se vede imediat ca functia f este densitate de probabilitate

deoarece ea este continua, ia numai valori numere nenegative si de asemenea:

Z
+1 Z
+1 (x m)2
1
fm; 2 (x) dx = p e 2 2 dx (1.7)
2
1 1

x m
Facem schimbarea de variabila y = si obtinem:

Z
+1 Z
+1 y2
1 1 p
fm; 2 (x) dx = p e 2 dy = p 2 = 1: (1.8)
2 2
1 1

Parametrii m si 2 au urm
atoarele semnicatii: m este media repartitiei iar
2 dispersia repartitiei.

tia 1.2.3 1) Media si dispersia repartitiei normale au valorile:

Propozi
2
M N m; =m (1.9)
2 2 2
D N m; = (1.10)

2) Momentul de ordin r 2 N al repartitiei N 0; 2 este:

(
2 0 daca r = 2n 1
Mr N 0; = 2n
(1.11)
1 3 ::: (2n 1) daca r = 2n

2
R
+1
tie: 1) M N m;
Demonstra = x fm; 2 (x) dx
1
(x m)2
1 R
+1
2
= p x e 2 dx
2 1
y2
1 R
+1
=p (m + y) e 2 dy
2 1
Z
+1 y2 Z
+1 y2
m
=p e 2 dy + p y e 2 dy
2 2
1 1
| {z } | {z }
p
2 0

7
 Cursul 6

= m;
x m
unde am efectuat schimbarea de variabil
ay= :
2
R
+1
M2 N m; = x2 fm; 2 (x) dx
1
(x m)2
1 R
+1
2
= p x2 e 2 dx
2 1
y2
1 R
+1
2
=p (m + y) e 2 dy
2 1
y2
1 R
+1
=p m2 + 2m y + 2y2 e 2 dy
2 1
Z
+1 y2 Z
+1 y2 y2
m2 2m 2 R
+1
=p e 2 dy + p y e 2 dy + p y2 e 2 dy
2 2 2 1
1 1
| {z } | {z }
p
20 0
1
B +1 C
B y2 Z
+1 y2 C
B 2 C
= m2 + p B ye 2 + e 2 dy C
2 B
B
C
C
@ 1 |
1
{z }A
p
2
= m2 + 2:

Deci avem:
D2 N m; 2 = M2 N m; 2 M 2 N m; 2 = m2 + 2 m2 = 2 :
(x m)2
R
+1 1 R
+1
2) Mr N m; 2 = xr fm; 2 (x) dx = p xr e 2 2 dx
1 2 1
x2
1 R
+1
Deci pentru m = 0 vom avea:Mr N 0; 2 = p xr e 2 2 dx
2 1
a r = impar atunci Mr N 0; 2 = 0 deoarece functia de integrat este
Dac
impara.
x2
1 R
+1
a r = 2n atunci:Mr N 0; 2 = M2n N 0; 2 = p
Dac x2n e 2 2
2 1
dx

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a
0 1
x2
1 R
+1
1B 2 e 2 2 C dx
= p x2n @ A
2 1
20 +1 1 3
x2 x2
1 6B 2 x2n 1e 2 2 C 2
R
+1
2 e 2 2 dx7
= p 4@ A+ (2n 1) x2n 5
2 1
1
x2
2 1 R
+1
2 e 2 2 dx
= (2n 1) p x2n
2 1

= (2n 1) 2M 2
2n 2 N 0;
Am obtinut deci o relatie de recurenta pentru momentele de ordin par:
2 2 2
M2n N 0; = (2n 1) M2n 2 N 0; (1.12)

de unde rezult
a c
a:
2 2n
M2n N 0; = 1 3 ::: (2n 1) (1.13)

1.3 Alte func

tii de reparti
tie continue clasice
2
1.3.1 Func
tia de reparti
tie
Aceast a repartitie, descoperita de Helmert n 1876 si pus a n valoare cu 30 de
ani mai trziu de c atre K. Pearson, se dovedeste utila pentru vericarea ipotezelor
statistice asupra dispersiilor, testarea independentei variabilelor aleatoare, vericarea
concordantei ntre repartitiile teoretice si cele empirice.

Denitia 1.3.1 Fie n 2 N si > 0: Spunem ca variabila aleatoare continua

X urmeaza o lege de reparti tie 2 (hi patrat) cu n grade de libertate si de
parametru daca este de forma:
n n x
x 1 2 1 1
X: unde fn; (x) = 2 n x2 e 2 2 ,0 x<1
fn; (x) 2 2
(1.14)
Vom nota cu 2 (n; ) multimea tuturor variabilelor aleatoare a caror densitate
de repartitie fn; este data de relatia (1.14).

9
 Cursul 6

n 1
tia 1.3.2 Repartitia 2 (n; ) este de fapt repartitia
Observa 2; 2 2 . Atunci,
momentul de ordinul r 2 N al repartitiei 2 (n; ) este:
2 2r
Mr (n; ) = n (n + 2) ::: (n + 2 (r 1)) (1.15)

n particular
M 2 (n; ) =n 2
(1.16)
D2 ( 2 (n; )) = 2n 4

Observa tia 1.3.3 Daca = 1 atunci n loc de 2 (n; 1) se obi snuieste sa se

scrie 2 (n) si vom spune ca avem o repartitie 2 cu n grade de libertate.

1.3.2 Func
tia de reparti
tie Student
Aceast
a repartitie este util
a n inferenta statistic a.
Astfel, ea este folosit
a n studiul propriet atilor variabilelor de sondaj de volum
n 2 N , n teoria estimatiilor si la obtinerea testelor pentru compararea mediilor
a dou
a populatii normale cnd dispersiile sunt cunoscute, etc.

tia 1.3.4 Spunem ca variabila aleatoare continua X

Deni este repartizat
a
Student cu n grade de libertate daca este de forma:
n+1 n+1
x 2 x2 2
X: unde fn (x) = p n 1+ , n 2 R+ (1.17)
fn (x) n n
2
Vom nota cu S (n) multimea tuturor variabilelor aleatoare a caror densitate de
repartitie fn este data de relatia (1.17).

tia 1.3.5 Momentul de ordinul r 2 N al repartitiei S (n) este:

Propozi
8
< 0 daca r = 2k + 1; r < n
Mr (S (n)) = 1 3 ::: (2k 1)
: nk daca r = 2k; r < n
(n 2) (n 4) ::: (n 2k)

n+1 n+1
2 R r
+1 x2 2
Demonstra tie: Mr (S (n)) = p n x 1+ dx
n 1 n
2
Deoarece pentru r impar functia de sub integral
a este impar
a rezult
a c
a

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

M2k+1 (S (n)) = 0.
Dac
a r = 2k, atunci

n+1 n+1
2 R 2k
+1 x2 2
M2k (S (n)) = p n 2 x 1 + dx
n 0 n
2
p
a x = n t)
= (cu schimbarea de variabil

n+1
n+1
2 k
R k 1
+1
=p n n t 2 (1 + t) 2 dt
n 0
2
n
= (integrala este convergent
a pt. k > 0)
2
n+1 n+1 1 n
k+ k
2 1 n k 2 2 2
=p n B k + 2; 2 k n = nk
n p n n+1
2 n
2 2
1 n
k+ k
k 2 2 1 3 ::: (2k 1)
=n p n = nk
n (n 2) (n 4) ::: (n 2k)
2
Ne-am folosit de faptul c
a:

1 1 3 1 1
k+ = k k :::
2 2 2 2 2
n n n n n
= 1 2 ::: k k :
2 2 2 2 2

tia 1.3.6 n particular:

Observa
M (S (n)) = 0
n (1.18)
D2 (S (n)) = M2 (S (n)) =
n 2

1.4 Teorema limit

a central
a
Atunci cnd am prezentat repartitia normal a am spus c
a este cea mai important
a
dintre toate repartitiile care apar n studiul unor fenomene aleatoare. Vom motiva
n continuare acest lucru.

11
 Cursul 6

Erorile de observatie care se pot produce, n general, n timpul oric arei m

asur atori
sau experiment sunt de dou a tipuri:
- erori sistematice ;
- erori accidentale.
Erorile sistematice se datoreaz a instrumentelor cu care se fac m asuratorile si
ele pot n general corectate.
Erorile accidentale apar ca urmare a actiunii mai multor factori. Ele nu pot
sesizate individual, nici n timpul procesului de m asurare, nici dupa ce acesta
s-a ncheiat.
Fiecare dintre factori produce cte o eroare ( s a-i zicem eroare partiala ).
Aceast a eroare partiala poate asimilat a cu o variabila aleatoare. Ea are ns ao
pondere mic a fata de totalul erorii produse ( s a-i zicem eroare totala ). Eroarea
totala reprezinta deci cumulul tuturor erorilor partiale. Dac a erorii totale i
asimilam tot o variabil a aleatoare atunci se poate demonstra c a daca aceast a
variabila aleatoare total a este suma unui num ar mare de variabile aleatoare (nu
neap arat independente ), ecare variabil a aleatoare partial
a avnd o pondere mic a
n sum a, variabila totala are o functie de repartitie normal a.
Acest lucru este un caz particular al unei teoreme celebre cunoscut a sub
numele de teorema limit a centrala si care n varianta lui Leapunov se enunta
astfel:

Teorema 1.4.1 (Leapunov) Fie X1 ; X2 ; :::; Xn variabile aleatoare independente.

Notam cu:
mk = M (Xk )
2
k = D2 (Xk )
2
k = M (jXk mk j3 )
2 2 2 2
(n) = 1 + 2 + ::: n
3 3 3 3
(n) = 1 + 2 + ::: n

Daca
(n)
lim =0
n!1 (n)
atunci functia de repartitie a variabilei
X1 + X2 + ::: + Xn
(1.19)
(n)

1 Rx y2
tinde, cnd n ! 1; la functia lui Laplace (x) = p e 2 dy:
2 1

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Teorema limit a central

a si legea numerelor mari (pe care o vom expune n
continuare) pun n evidenta importanta metodelor teoriei probabilit
atilor si a
aplicatiilor lor.

13
Index

Dispersia
unei variabile aleatoare
continue, 6

Legea de repartitie
Hi ptrat, 9
normal, 6
Student, 10

Momente
centrate de ordinul k, 6

Repartitia
Hi ptrat, 9
normala unidimensional, 6
Student, 10

14
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 7
Cursul 7

2
Cuprins

1 Legea numerelor mari 5

1.1 Generalitati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Inegalitatea lui Cebsev . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Teorema lui Cebsev . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Teorema lui Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . 9

Index 10

3
Cursul 7

4
Capitolul 1

Legea numerelor mari

1.1 Generalit
a
ti
Dup a cum am v azut, nu putem cunoaste dinaintea efectu arii unui experiment ce
valori va lua variabila aleatoare pe care o cercet am. La prima vedere deci, cu
att mai putin am putea spune cum se comport a media (ce fel de lege urmeaza)
unui num ar sucient de mare de variabile aleatoare. Practic, n conditii destul de
putin restrictive ea si pierde caracterul ntmpl ator. Este deci foarte important
s
a cunoastem n ce conditii rezultatul factorilor ntmpl atori nu mai conduce la
ceva neprev azut. Diversele rezultate privind aceast a problem a sunt cunoscute sub
numele de variante ale legii numerelor mari. Vom prezenta n acest paragraf
doua teoreme privind legea slab a a numerelor mari: teoremele lui Cebsev si
Bernoulli. ntruct pentru demonstrarea acestora avem nevoie de inegalitatea lui
Cebsev (aplicabilitatea practic a a inegalit
atii lui Cebsev este limitat
a deoarece
d
a o evaluare grosolan a) vom ncepe cu prezentarea acesteia.

1.2 Inegalitatea lui Ceb

sev
Ea este valabil
a pentru ambele tipuri de variabile aleatoare: discrete si continue.
Pentru simplicare vom prezenta demonstratia inegalit atii lui Cebsev numai
pentru variabile aleatoare discrete.

Propozi tia 1.2.1 (Inegalitatea lui Cebsev)Fie X o variabila aleatoare discreta

si " un numar pozitiv. Probabilitatea ca abaterea variabilei aleatoare X sa e n

5
 Cursul 7

D2 (X)
valoare absoluta mai mica dect " este cel putin egala cu 1 , adica:
"2
D2 (X)
P (jX M (X)j < ") 1 (1.1)
"2

Demonstra tie: Contrarul evenimentului ce veric

a inegalitatea jX M (X)j <
" este jX M (X)j ". Dar suma a dou a evenimente contrare este egal
a cu 1
(vezi 0.1.7, Teorema 0.1.25)

P (jX M (X)j < ") + P (jX M (X)j ") = 1 (1.2)

De unde:
P (jX M (X)j < ") = 1 P (jX M (X)j ") (1.3)
deci pentru a demonstra inegalitatea trebuie sa calcul
am P (jX M (X)j ") :Pentru
acesta scriem expresia dispersiei variabilei aleatoare X cu repartitia:
!
x1 x2 ::: xn
X: (1.4)
p1 p2 ::: pn

D2 (X) = [x1 M (X)]2 p1 +[x2 M (X)]2 p2 +:::+[xn M (X)]2 pn 0: ntruct

toti termenii dispersiei sunt numere pozitive putem elimina acei termeni pentru
care jxi M (X)j < "; i = 1::k; cu scopul de a micsora D2 (X): Am presupus (f
ar
a
a micsora generalitatea) ca acestia sunt primii k termeni. Obtinem:

[xk+1 M (X)]2 pk+1 + [xk+2 M (X)]2 pk+2 + ::: + [xn M (X)]2 pn D2 (X)
(1.5)
unde
jxk+1 M (X)j "; jxk+2 M (X)j "; :::; jxn M (X)j " (1.6)
echivalent cu

[xk+1 M (X)]2 "2 ; [xk+2 M (X)]2 "2 ; :::; [xn M (X)]2 "2 (1.7)

nlocuind n inecuatia (1.5) obtinem succesiv:

"2 pk+1 + "2 pk+2 + ::: + "2 pn D2 (X) (1.8)

2 2
" (pk+1 + pk+2 + ::: + pn ) D (X) (1.9)
D2 (X)
pk+1 + pk+2 + ::: + pn (1.10)
"2

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Pe de alta parte pk+1 + pk+2 + ::: + pn = P (jX M (X)j ") ; deoarece pk+1 +
pk+2 + ::: + pn este probabilitatea evenimentului ce const a n faptul ca X ia una
din valorile xk+1 ; xk+2 ; :::; xn , valori ce satisfac inegalit
atile (1.6). nlocuind n
inecuatia (1.10) obtinem:
D2 (X)
P (jX M (X)j ") (1.11)
"2
nlocuind (1.11) n (1.3) obtinem:
D2 (X)
P (jX M (X)j < ") = 1 P (jX M (X)j ") 1 (1.12)
"2
adic
a ceea ce trebuia s
a demonstr
am.
D2 (X)
Observa tia 1.2.2 Daca, spre exemplu D2 (X) "2 ; atunci 1 0
"2
armatie care nu ne este cu nimic de folos. De aceea inegalitatea lui Ceb sev nu
are o prea mare importanta practica. Ne este nsa folositoare pentru demonstrarea
urmatoarelor teoreme:

1.3 Teorema lui Ceb

sev
Aceasta teorema expus a mai jos ne spune c a media aritmetic a a unui num ar
sucient de mare de variabile aleatoare independente ce au dispersiile m arginite,
ia, cu o probabilitate destul de mare, valori apropiate de un num ar constant
M (X1 ) + M (X2 ) + ::: + M (Xn )
desi variabilele aleatoare pot lua valori dep
artate
n
de mediile lor.
Teorema 1.3.1 (Teorema lui Ceb sev) Fie X1 ; X2 ; :::; Xn variabile aleatoare (discrete
sau continue) independente cu dispersiile mai mici dect o constanta k. Pentru
orice " > 0 are loc:
X1 + X2 + ::: + Xn M (X1 ) + M (X2 ) + ::: + M (Xn )
lim P <" =1
n!1 n n
(1.13)
X1 + X2 + ::: + Xn
Demonstra tie: Aplicnd propriet atile mediei expresiei
n
si tinnd cont de faptul c
a X1 ; X2 ; :::; Xn sunt independente, avem:
X1 + X2 + ::: + Xn 1 M (X1 ) + M (X2 ) + ::: + M (Xn )
M = M (X1 + X2 + ::: + Xn ) =
n n n
(1.14)

7
 Cursul 7

X1 + X2 + ::: + Xn
Not
am = X:
n
atii lui Cebsev (vezi 1.1) avem:
Conform inegalitat
D2 (X)
P X M (X) < " 1 (1.15)
"2
X1 + X2 + ::: + Xn (1) 1
Dar D2 (X) = D2 ( ) = 2 D2 (X1 + X2 + ::: + Xn ) (2) =
n n
D2 (X1 ) + D2 (X2 ) + ::: + D2 (Xn ) (3) k + k + ::: + k nk k
2 2
= 2 = :
n n n n
nlocuind n (1.15) avem:
k
P X M (X) < " 1 (1.16)
n "2
Trecem la limit
a, pentru n ! 1 si obtinem:
k
lim P X M (X) < " lim 1 =1 (1.17)
n!1 n!1 n "2
adic
a:
lim P X M (X) < " 1 (1.18)
n!1
Pe de alta parte o probabilitate nu poate mai mare ca 1. R
amne deci c
a
lim P X M (X) < " = 1: nlocuind X cu expresia sa obtinem ceea ce
n!1
trebuia s
a demonstram.

Observa tia 1.3.2 De foarte multe ori n practica variabile aleatoare independente
X1 ; X2 ; :::; Xn au aceea
si medie, sa presupunem m. n acest caz particular (1.13)
devine:
lim P X m < " = 1 (1.19)
n!1
X1 + X2 + ::: + Xn
unde X = si D2 (X1 ) k; D2 (X2 ) k; :::; D2 (Xn ) k:
n
Observa tia 1.3.3 Media aritmetica a unui numar sucient de mare de variabile
X1 + X2 + ::: + Xn
aleatoare independente ce au dispersiile marginite
si pierde
n
caracterul de variabila aleatoare. Acest lucru se datoreaza faptului ca abaterile
variabilelor aleatoare de la mediile lor sunt unele pozitive, altele negative si astfel
ele se compenseaza.
(1) Am tinut cont de proprietatile dispersiei.
(2) Variabile aleatoare X1 ; X2 ; :::; Xn sunt independente
(3) Prin ipoteza D2 (X1 ) k; D2 (X2 ) k; :::; D2 (Xn ) k

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Teorema lui Cebsev are n practic a o mare importanta ntruct explica de

ce ne putem pronunta asupra unei anumite calit ati ale unui material omogen
analiznd o prob a mica n comparatie cu ntrega cantitate.
Explicatia consta n aceea c a proba comport a un num ar sucient de mare
de m asuratori prin el nsusi. Pe acest
a teorema se bazeaz a metoda selectiv
a a
statisticii.

1.4 Teorema lui Bernoulli

S
a presupunem c a ne intereseaz a aparitia unui anumit eveniment A. Pentru
aceasta efectuam n experimente independente. n ecare din aceste experimente
probabilitatea sa aib
a loc A o not am cu p. Ne punem ntrebarea dac a putem
a (4) cu care are loc evenimentul A n aceste experimente.
prevedea frecventa relativ
Un r aspuns armativ la aceast a ntrebare ni-l da teorema lui Bernoulli, care a
primit numele de legea numerelor mari si a pus bazele teoriei probabilit atilor ca
stiinta.

Teorema 1.4.1 (Teorema lui Bernoulli) Daca se fac n experimente independente,

n ecare experiment probabilitatea evenimentului A ind p, cu notam numarul
de aparitii al evenimentului A n cele n experimente iar " > 0 este un numar
arbitrar de mic, atunci:

lim P p <" =1 (1.20)

n!1 n
adica daca un experiment se repeta de un numar sucient de mare de ori, n
conditii identice, atunci frecventa relativa este stabila, adica variaza n jurul
probabilitatii.

Demonstra tie: Vom ar ata c

a teorema lui Bernoulli este un caz particular al
teoremei lui Cebsev (1.3.1).
S
a presupunem c a facem primul experiment. Evenimentul A poate s a apara
sau nu, adic
a avem repartitia:
!
1 0
X1 : (1.21)
p q

(4) Frecventa relativ a a evenimentului A este o alt a notiune fundamentala n teoria

probabilit
atilor. Ea este egala cu raportul dintre num
arul probelor n care evenimentul A s-
a produs si num arul total de probe: .
n

9
 Cursul 7

cu q = 1 p: Facem cel de-al doilea experiment, s.a.m.d pn

a la experimentul n,
obtinnd repartitiile:
! ! !
1 0 1 0 1 0
X1 : ; X2 : ; :::; Xn : (1.22)
p q p q p q

Am v
azut la repartitia Bernoulli c
a

M (X1 ) = M (X2 ) = ::: = M (Xn ) = p (1.23)

si
D2 (X1 ) = D2 (X2 ) = ::: = D2 (Xn ) = p q: (1.24)
Cum
1
p q (1.25)
4
(Produsul a doi factori de sum
a constant
a este maxim atunci cnd factorii sunt
egali. n cazul nostru p + q = 1 si maximul produsului p q se obtine pentru
1
p = q = :)
2
Putem deci aplica teorema lui Cebsev (cazul paricular 1.3.2) variabilelor
aleatoare X1 ; X2 ; :::; Xn :

X1 + X2 + ::: + Xn
lim P p <" =1 (1.26)
n!1 n

deci
lim P p <" =1 (1.27)
n!1 n
ntruct X1 + X2 + ::: + Xn = :

10
Index

Frecventa
relativ, 9

Inegalitatea
lui Cebsev, 6

Teorema
lui Bernoulli, 9
lui Cebsev, 7

11
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 8
Cursul 8

2
Cuprins

1 Vectori aleatori bidimensionali 5

1.1 Variabile aleatoare vectoriale . . . . . . . . . . . . . . . . . . . . . 5
1.2 Repartitia unui vector aleator bidimensional discret . . . . . . . . . 5
1.3 Functia de repartitie a unui vector aleator bidimensional . . . . . 8
1.4 Densitate de probabilitate bidimensional a . . . . . . . . . . . . . . 10

Index 14

3
Cursul 8

4
Capitolul 1

Vectori aleatori bidimensionali

1.1 Variabile aleatoare vectoriale

Pna acum am vorbit despre variabile aleatoare ale c aror valori posibile sunt
numere. Aceste variabile aleatoare se numesc unidimensionale. Exist a ns a si
variabile aleatoare ale c
aror valori posibile sunt sisteme de cte doua, trei,..., n
numere. Aceste variabile aleatoare se numesc bi-dimensionale, tri-dimensionale,...,
n-dimensionale.
Vom nota cu (X; Y ) un vector (variabil a) bidimensional.
Daca (X; Y ) este un vector aleator, atunci componentele sale X si Y sunt
variabile aleatoare unidimensionale si se numesc variabile aleatoare marginale.

tia 1.1.1 Spunem ca vectorul aleator (X; Y ) este:

Deni

1. discret, daca variabilele aleatoare componente sunt discrete;

2. continuu, daca variabilele aleatoare componente sunt continue.

1.2 Reparti
tia unui vector aleator bidimensional discret
Asemeni repartitiei variabilelor aleatoare unidimensionale discrete, prin repartitie
a unui vector aleator bidimensional discret vom ntelege enumerearea valorilor
posibile ale vectorului, adic
a enumerarea perechilor de numere reale (xi ; yj ), 1
i n; 1 j m; si a probabilit atilor lor corespunz
atoare ij .

5
 Cursul 8

Repartitia unui vector aleator bidimensional discret se scrie sub forma unui
tablou cu dubla intrare:

XnY y1 y2 ... yj ... ym p

x1 11 12 ... 1j ... 1m p1
x2 21 22 ... 2j ... 2m p2
... ... ... ... ... ... ... ...
xi j1 j2 ... ij ... im pi
... ... ... ... ... ... ... ...
xn n1 n2 ... nj ... nm pn
q q1 q2 ... qj ... qm 1

Pe coloana lui X sunt trecute toate valorile posibile ale lui X: x1 ; x2 :::xn , iar
pe linia lui Y sunt trecute toate valorile posibile ale lui Y : y1 ; y2 ; :::; ym : Pe coloana
lui p sunt trecute toate probabilit atile corespunz atoare valorilor posibile ale lui
X: p1 ; p2 :::pn , iar pe linia lui Y sunt trecute toate probabilit atile corespunzatoare
valorilor posibile ale lui Y : q1 ; q2 ; :::; qm :La intersectia liniei valorii i a lui X : xi ;
cu coloana j a lui Y : yj este trecut a probabilitatea ij ca vectorul aleator s a ia
valoarea (xi ; yj ) :
Deoarece evenimentele (X = xi ; Y = yj ); 1 i n; 1 j m; formeaz a
un sistem complet de evenimente, suma tuturor probabilit atilor din c
asutele
tabloului este egal a cu 1:
X n X m
ij = 1 (1.1)
i=1 j=1

tia 1.2.1 Daca Z = (X; Y ) este un vector aleator discret atunci:

Deni

1. numerele

ij = P (Z = zij ) = P (X = xi ; Y = yj ); 1 i n; 1 j m

reprezinta reparti
tia probabilist a comun a a variabilelor aleatoare X si
Y sau repartitia probabilista a vectorului aleator (X ; Y );

2. numerele

pi = P (X = xi ); qj = P (Y = yj ); 1 i n; 1 j m

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

reprezinta reparti
tiile probabiliste individuale ale componentelor vectorului
aleator (X ; Y ) sau repartitiile probabiliste marginale ale vectorului aleator
(X ; Y ):

Daca se cunoaste repartitia comun

a atunci se poate determina n mod unic
ecare repartitie marginal
a.
ntr-adev
ar, evenimentele:

(X = x1 ; Y = y1 ) ; (X = x1 ; Y = y2 ) ; :::; (X = x1 ; Y = ym ) (1.2)

sunt incompatibile si deci probabilitatea 1j ca X s

a ia valoarea x1 este egal
a cu:

1j = 11 + 12 + ::: 1m (1.3)

Deci probababilitatea ca X s a ia valoarea x1 este egal a cu suma probabilitatilor

de pe linia lui x1 . Analog, pentru a g asi probabilitatea i1 , ca Y s
a ia valoarea
yj trebuie s
a facem suma probabilit atilor de pe coloana lui yj .

Observatia 1.2.2 Daca se dau repartitiile marginale atunci determinarea repartitiei

comune este o problema nedeterminata.

Exemplul 1.2.3 Fie Z = (X; Y ) un vector aleator discret a carui repartitie

probabilista este data n tabelul de mai jos. Calculati repartitiile componentelor
X si Y.
XnY -1 0 1 2
1 1/12 1/24 1/48 1/48
2 1/24 1/6 1/24 1/12
3 1/8 1/8 1/8 1/8

tie: Deducem imediat c

Solu a:

1j = 1=12 + 1=24 + 1=48 + 1=48 = 8=48

2j = 1=24 + 1=6 + 1=24 + 1=12 = 8=24
3j = 1=8 + 1=8 + 1=8 + 1=8 = 4=8

Deci X va avea repartitia:

!
1 2 3
X:
8=48 8=24 4=8

7
 Cursul 8

Analog,

i1 = 1=12 + 1=24 + 1=8 = 6=24

i2 = 1=24 + 1=6 + 1=8 = 8=24
i3 = 1=48 + 1=24 + 1=8 = 9=48
i4 = 1=48 + 1=12 + 1=8 = 11=48

Deci Y va avea repartitia:

!
1 0 1 2
Y :
6=24 8=24 9=48 11=48

1.3 Func
tia de reparti
tie a unui vector aleator bidimensional

S
a consider
am vectorul aleator bidimensional (discret sau continuu) Z = (X; Y ).
Func tie a vectorul aleator bidimensional Z = (X; Y ) are
tia de reparti
forma:

F (z) = F (x; y) = P (Z < z) = P (X < x; Y < y) (1.4)

Dupa cum se observ a, F (x; y) variaz

a dup
a cum x si y variaz
a deci F (x; y)
este functie de x si y.
Geometric, egalitatea (1.4) poate interpretat
a astfel:
F (x; y) reprezint
a probabilitatea ca punctul de coordonate (X; Y ) s
a se g
aseasc
a
n domeniul plan hasurat din gura de mai jos:

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Figura 8.1

Ca si n cazul unidimensional (n = 1), functia de repartitie a unui vector

aleator bidimensional are urmatoarele propriet
ati:

tia 1.3.1 Valorile functiei de repartitie F (x; y) sunt cuprinse n intervalul

Propozi
[0; 1]
0 F (x; y) 1 (1.5)

Propozi tia 1.3.2 Functia de repartitie F (x; y) este nedescrescatoare n raport

cu ecare argument:

F (x1 ; y) F (x2 ; y) pentru orice x1 < x2 (1.6)

F (x; y1 ) F (x; y2 ) pentru orice y1 < y2 (1.7)

tia 1.3.3 Au loc:

Propozi

lim F (x; y) = 0 (1.8)

x! 1
lim F (x; y) = 0 (1.9)
y! 1
lim F (x; y) = 0 (1.10)
x! 1
y! 1

lim F (x; y) = 1
x!1
(1.11)
y!1

9
 Cursul 8

tia 1.3.4 Functia de repartitie a variabilei X este egala cu:

Propozi
FX (x) = lim F (x; y) (1.12)
y!1

Functia de repartitie a variabilei Y este egala cu:

FY (y) = lim F (x; y) (1.13)
x!1

Observa tia 1.3.5 Functiile de repartitie FX (x) si FY (y) se numesc func

tii de
reparti
tie marginale (sau individuale) ale vectorului aleator Z.

Se poate ar
ata c
a:
P (x1 < X < x2 ; Y < y) = F (x2 ; y) F (x1 ; y)
P (X < x; y1 < Y < y2 ) = F (x; y2 ) F (x; y1 )
P (x1 < X < x2 ; y1 < Y < y2 ) = F (x2 ; y2 ) F (x1 ; y2 ) F (x2 ; y1 ) + F (x1 ; y1 )

1.4 Densitate de probabilitate bidimensional

a
S
a consider
am vectorul aleator bidimensional continuu Z = (X; Y ).

Denitia 1.4.1 Se nume ste densitate de probabilitate bidimensional a a

doua derivata partiala mixta (daca exista) a functiei de repartitie F (x; y)
@ 2 F (x; y)
f (x; y) = (1.14)
@x@y
Propriet atile densitat
atii de probabilitate bidimensionale sunt analoage celor
densitat
atii de probabilitate unidimensionale:
f (x; y) 0; 8 (x; y) 2 R2 ; (1.15)

Z +1 Z +1
f (x; y) dxdy = 1; (1.16)
1 1
Daca se cunoaste densitatea de repartitie f (x; y) atunci se poate determina
functia de repartitie F (x; y) cu ajutorul relatiei:
Z x Z y
F (x; y) = f (u; v) dudv (1.17)
1 1

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Geometric, densitatea de repartitie poate interpretat

a astfel: dac
a x si
y sunt sucient de mici, atunci produsul f (x; y) x y poate interpretat ca
ind aproximativ egal cu probabilitatea ca punctul de coordonate X si Y sa se
g
aseasc
a n dreptunghiul din gura de mai jos:

Figura 8.2

Teorema 1.4.2 Probabilitatea ca punctul de coordonate (X; Y ) sa se gaseasca

ntr-un domeniu plan D (g 8.3) este egala cu integrala dubla a densitatii de
probabilitate bidimensionale luate pe domeniul D:

ZZ
P [(X; Y ) 2 D] = f (x; y) dxdy (1.18)
D

11
 Cursul 8

Figura 8.3

Propozi tia 1.4.3 Daca notam cu h (x) si g (y) densitatile de repartitie ale variabilelor
aleatoare X si Y atunci au loc relatiile:
Z
h (x) = f (x; y) dy (1.19)
R
Z
g (y) = f (x; y) dx (1.20)
R

Demonstra tie: Conform relatiei (1.12) FX (x) = lim F (x; y) iar dac a tinem
y!1 R R
x y
cont de relatia (1.17) avem mai departe lim F (x; y) = lim 1 1 f (u; v) dudv =
Rx R1 y!1 y!1

1 1 f (u; v) dudv. Avem deci:

Z x Z +1
FX (x) = f (u; v) dudv (1.21)
1 1

Derivnd n raport cu x si tinnd cont de faptul ca am notat cu h (x) densitatea

de repartitie a variabilei aleatoare X obtinem:
Z +1
0
(FX (x)) = h (x) = f (x; v) dv (1.22)
1

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Analog obtinem si cealalt

a relatie.

Exemplul 1.4.4 Fie Z = (X; Y ) : ! R2 o variabila aleatoare cu densitatea

de probabilitate:
8
< 1 + xy daca (x; y) 2 ( 1; 1) ( 1; 1)
fZ (x; y) = 4
: 0 n rest

a) Sa se determine densitatile si functiile de repartitie ale variabilelor aleatoare

X; Y ;
b) Sa se determine functiile de repartitie ale variabilelor aleatoare X 2 ; Y 2 si
t
functia de repartitie a variabilei aleatoare W = X 2 ; Y 2 ;

Solu
tie: a) 8
(
< R 1 + xy dy dac
> 1
R a jxj < 1 1
4 2 dac
a jxj < 1
fX (x) = fZ (x; y) dy = 1 =
R >
: 0 0 dac
a jxj 1
dac
a jxj 1
n mod analog obtinem c
a:
8
(
< R 1 + xy dx dac
> 1
R a jyj < 1 1
4 2 dac
a jyj < 1
fY (y) = fZ (x; y) dx = 1 =
R >
: 0 0 dac
a jyj 1
dac
a jyj 1
Functiile de repartitie ale 8
variabilelor aleatoare X respectiv Y vor :
>
>
Rx < 0 dac
ax 1
FX (x) = fX (u) du = x+1
dac
a x 2 ( 1; 1]
1 >
>
2
: 1 dac
a x>1
8
>
>
Ry < 0 dac
ay 1
y+1
FY (y) = fY (v) dv = dac
a y 2 ( 1; 1]
1 >
>
2
: 1 dac
ay>1
(
0 dacax 0
b) FX 2 (x) = P X 2 < x = p p
P( x < X < x) dac a x>0
8
( >
> 0 dac
a x 0
0 dac ax 0 < p
= p p = x daca x 2 (0; 1]
FX ( x) FX ( x) dac ax>0 >
>
: 1 dac
a x>1

13
 Cursul 8

si n mod analog
8
>
>
< 0 dac
a y 0
p
FY 2 (y) = y dac
a y 2 (0; 1]
>
>
: 1 dac
a y>1
t
Functia de repartitie ale variabilei 8
aleatoare W = X 2; Y 2 va :
>
> 0 dac
a x 0 sau y 0
>
> p
>
> x dac
>
< a (x; y) 2 (0; 1] (1; 1)
2 2 p
FW (x; y) = P X < x; Y < y = y dac
a (x; y) 2 (1; 1) (0; 1]
>
> p
>
> xy dac a (x; y) 2 (0; 1] (0; 1]
>
>
>
: 1 dac
a (x; y) 2 (1; 1) (1; 1)
ntr-adevar, dac
a x 0 sau y 0 atunci

FW (x; y) = P (;) = 0

dac
a (x; y) 2 (0; 1] a P Y 2 < y = 1 deducem c
(1; 1) atunci tinnd seama c a:
p
FW (x; y) = P X 2 < x; Y 2 < y = P X 2 < x = x

dac a P X 2 < x = 1 deducem

a (x; y) 2 (1; 1) (0; 1] atunci tinnd seama c
c
a:
p
FW (x; y) = P X 2 < x; Y 2 < y = P Y 2 < y = y
dac
a (x; y) 2 (0; 1] (0; 1] avem:
p p
ZxZy
p p p p 1 + uv p
FW (x; y) = P x<X< x; y<Y < y = dudv = xy
4
1 1

dac
a (x; y) 2 (1; 1) (1; 1) avem:

Z1 Z1
p p p p 1 + uv
FW (x; y) = P x<X< x; y<Y < y = dudv = 1
4
1 1

14
Index

Functia
de repartitie, 8
marginal, 10

Densitate
de repartitie, 10

Repartitia
probabilist comun, 6
probabilist individual, 7

Variabila
aleatoare marginala, 5
Vector
aleator continuu, 5
aleator discret, 5

15
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 9
Cursul 9

2
Cuprins

1 Vectori aleatori bidimensionali 5

1.1 Repartitii conditionate discrete . . . . . . . . . . . . . . . . . . . . 5
1.2 Densitati de repartitie conditionate . . . . . . . . . . . . . . . . . . 9
1.3 Valori medii conditionate . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Conditii necesare si suciente pentru independenta a dou a variabile
aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

Index 13

3
Cursul 9

4
Capitolul 1

Vectori aleatori bidimensionali

1.1 Reparti
tii condi
tionate discrete
Dupa cum am v azut n paragraful Probabilitate conditionat
a, probabilitatea
evenimentului A conditionat
a de evenimentul B si notat
a cu P (A=B) este egala
cu:
P (A \ B)
P (A=B) = (1.1)
P (B)
Aceasta probabilitate conditionata intervine n mod esential n caracterizarea
dependentei variabilelor aleatoare X si Y ce compun vectorul aleator Z = (X; Y ):
S
a presupunem c a variabilele aleatoare discrete X si Y ce compun vectorul aleator
Z = (X; Y ) au repartitiile:
! !
x1 x2 ::: xn y1 y2 ::: ym
X: respectiv Y : (1.2)
p1 p2 ::: pn q1 q2 ::: qm

Deni tia 1.1.1 Fie Z = (X; Y ) un vector aleator bidimensional discret avnd
repartitia comuna ( ij ) si repartitiile marginale (pi ) respectiv (qj ). n aceste
conditii, se nume
ste:

1. reparti a a variabilei aleatoare X condi

tie probabilist tionat
a de
evenimentul (Y = yj ) si notata X yj , repartitia:
!
x1 x2 ::: xn
X yj : (1.3)
p (x1 yj ) p (x2 yj ) ::: p (xn yj )

5
 Cursul 9

unde numerele p (xi yj ) sunt denite astfel:

P (X = xi ; Y = yj ) ij
p (xi yj ) = = P (X = xi Y = yj ) = ; qj 6= 0
P (Y = yj ) qj
(1.4)
2. reparti a a variabilei aleatoare Y condi
tie probabilist tionat
a de
evenimentul (X = xi ) si notata Y xi , repartitia:
!
y1 y2 ::: ym
Y xi : (1.5)
p (y1 xi ) p (y2 xi ) ::: p (ym xi )
unde numerele p(yj xi ) sunt denite astfel:
P (X = xi ; Y = yj ) ij
p (yj xi ) = = P (Y = yj X = xi ) = ; pi 6= 0
P (X = xi ) pi
(1.6)

Observa tia 1.1.2 n cazul unui vector aleator discret avem attea variabile aleatoare
conditionate de tipul:
xi
X yj : ; 1 i n; j xat
p (xi yj )
cte valori ia variabila aleatoare Y si analog, attea variabile aleatoare conditionate
de tipul:
yj
Y xi : ; 1 j m; i xat
p (yj xi )
cte valori ia variabila aleatoare X:
Astfel, daca X ia n valori atunci avem n variabile aleatoare conditionate de tipul
Y xi , conditia pi 6= 0 ind formala deoarece, n practica, nu se considera valorile
imposibile ale unor experimente si implicit variabile aleatoare.
tia 1.1.3 Din relatia (1.4) remarcam ca pentru orice 1
Observa i n; 1
j m avem:
n
X n
1 X
p (xi yj ) = ij =1 (1.7)
qj
i=1 i=1
m
X m
X
p (xi yj ) qj = ij = pi
j=1 j=1

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

constatnd ca numerele (p (xi yj )) ; 1 i n; reprezinta o repartitie probabilista

completa pentru ecare j xat, 1 j m si analog pentru probabilitatile (1.6):

Exemplul 1.1.4 Daca vectorul aleator bidimensional Z = (X; Y ) este dat de

tabelul:

X Y 1 2 3 pi
1 0,1 0,2 0,3 0,6
2 0 0,1 0,2 0,3
3 0 0 0,1 0,1
qj 0,1 0,3 0,6 1

atunci putem scrie urmatoarele sase variabile aleatoare conditionate:

X (Y = 1) ; X (Y = 2) ; X (Y = 3)
Y (X = 1) ; Y (X = 2) ; Y (X = 3)

Din relatia (1.4) obtinem:

11 0; 1
P (X = 1 Y = 1) = = =1
q1 0; 1
21 0
P (X = 2 Y = 1) = = =0
q1 0; 1
31 0
P (X = 3 Y = 1) = = =0
q1 0; 1
deci X (Y = 1) va avea repartitia:
!
1 2 3
X (Y = 1) :
1 0 0

Pentru variabila aleatoare X (Y = 2) avem nevoie de probabilitatile:

12 0; 2 2
P (X = 1 Y = 2) = = =
q2 0; 3 3
22 0; 1 1
P (X = 2 Y = 2) = = =
q2 0; 3 3
32 0
P (X = 3 Y = 2) = = =0
q2 0; 3

7
 Cursul 9

deci X (Y = 2) va avea repartitia:

!
1 2 3
X (Y = 2) : 2 1
3 3 0

Pentru variabila aleatoare X (Y = 3) avem nevoie de probabilitatile:

13 0; 3 1
P (X = 1 Y = 3) = = =
q3 0; 6 2
23 0; 2 1
P (X = 2 Y = 3) = = =
q3 0; 6 3
33 0; 1 1
P (X = 3 Y = 3) = = =
q3 0; 6 6
deci X (Y = 3) va avea repartitia:
!
1 2 3
X (Y = 3) : 1 1 1
2 3 6

Din relatia (1.6) obtinem pentru variabila aleatoare Y (X = 1):

11 0; 1 1
P (Y = 1 X = 1) = = =
p1 0; 6 6
12 0; 2 1
P (Y = 2 X = 1) = = =
p1 0; 6 3
13 0; 3 1
P (Y = 3 X = 1) = = =
p1 0; 6 2
deci Y (X = 1) va avea repartitia:
!
1 2 3
Y (X = 1) : 1 1 1
6 3 2

Din relatia (1.6) obtinem pentru variabila aleatoare Y (X = 2):

21 0
P (Y = 1 X = 2) = = =0
p2 0; 3
22 0; 1 1
P (Y = 2 X = 2) = = =
p2 0; 3 3
23 0; 2 2
P (Y = 3 X = 2) = = =
p2 0; 3 3

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

deci Y (X = 2) va avea repartitia:

!
1 2 3
Y (X = 2) : 1 2
0 3 3

Din relatia (1.6) obtinem pentru variabila aleatoare Y (X = 3):

31 0
P (Y = 1 X = 3) = = =0
p3 0; 3
32 0
P (Y = 2 X = 3) = = =0
p3 0; 3
33 0; 1
P (Y = 3 X = 3) = = =1
p3 0; 1
deci Y (X = 3) va avea repartitia:
!
1 2 3
Y (X = 3) :
0 0 1

1.2 Densit
a
ti de reparti
tie condi
tionate
Deni tia 1.2.1 Fie Z = (X; Y ) un vector aleator bidimensional continuu avnd
densitatea de repartitie comuna f (x; y) si densitatile de repartitie marginale g (x)
respectiv h (y), (x; y) 2 D R2 . n aceste conditii numim:

1. densitate de reparti
tie a variabilei aleatoare X condi tionat a de
evenimentul (Y = y) si notata X y, functia f1 (x y) denita astfel:
f (x; y)
f1 (x y) = ; h (y) 6= 0 (1.8)
h (y)
pentru orice x 2 Dx R si orice y xat din Dy R;

2. densitate de reparti
tie a variabilei aleatoare Y condi tionat a de
evenimentul (X = x) si notata Y x , functia f2 (y x) denita astfel:
f (x; y)
f2 (y x) = ; g (x) 6= 0 (1.9)
g (x)
pentru orice y 2 Dy R si orice x xat din Dx R, unde

Dx Dy = D R2 (1.10)

9
 Cursul 9

tia 1.2.2 Din relatia (1.8) remarcam ca (8) x 2 Dx si (8) y 2 Dy ;

Observa
Dx Dy = D avem relatiile:

f (x; y)
f1 (x y) = ;
R
+1
f (x; y) dx
1 (1.11)
f (x; y)
f2 (y x) =
R
+1
f (x; y) dy
1

Ca orice densitate de repartitie, densit

atile de repartitie conditionate f1 (x y)
si f2 (y x) satisfac relatiile:

Z
+1

f1 (x y) 0 si f1 (x y) dx = 1 (1.12)
1
Z
+1

f2 (y x) 0 si f2 (y x) dy = 1 (1.13)
1

1.3 Valori medii condi

tionate
Valorile medii conditionate sunt valorile medii asociate repartitiilor conditionate.

Deni tia 1.3.1 Fie Z = (X; Y ) un vector aleator bidimensional discret avnd
repartitia comuna ( ij ) si repartitiile marginale (pi ) respectiv (qj ). n aceste
conditii, se nume
ste:

1. valoare medie condi a a variabilei aleatoare X (conditionata) de

tionat
evenimentul (Y = yj ) sau valoare medie a variabilei aleatoare conditionate
X yj si notata cu M (X yj ), daca exista, expresia:
n
X
M (X yj ) = xi p (xi yj ) ; 1 j m (1.14)
i=1

2. valoare medie condi tionata a variabilei aleatoare Y conditionata de

evenimentul (X = xi ) sau valoare medie a variabilei aleatoare conditionate

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Y xi si notata
M (Y xi ), daca exista, expresia:
m
X
M (Y xi ) = yj p (yj xi ) ; 1 i n (1.15)
j=1

Deni tia 1.3.2 Daca Z = (X; Y ) este un vector aleator bidimensional continuu
avnd densitatea de repartitie comuna f (x; y) si densitatile de repartitie marginale
g (x) respectiv h (y), (x; y) 2 Dx Dy = D R2 atunci putem introduce, daca
exista:

1. valoare medie a variabilei aleatoare condi

tionata X y ce are expresia:
Z
M (X y) = x f1 (x y) dx (1.16)
Dx

2. valoare medie a variabilei aleatoare condi aY

tionat x ce are expresia:
Z
M (Y x) = y f2 (y x) dy (1.17)
Dy

Exemplul 1.3.3 Pentru exemplul 1.1.4 M (Y x1 ) va media variabilei aleatoare:

!
1 2 3
Y (X = 1) : 1 1 1
6 3 2

adica:
3
X 1 1 1 7
M [Y (X = 1)] = yj p (yj x1 ) = 1 +2 +3 =
6 3 2 3
j=1

M (Y x2 ) va media variabilei aleatoare:

!
1 2 3
Y (X = 2) : 1 2
0 3 3

adica:
3
X 1 2 8
M [Y (X = 2)] = yj p (yj x2 ) = 1 0 + 2 +3 =
3 3 3
j=1

11
 Cursul 9

M (Y x3 ) va media variabilei aleatoare:

!
1 2 3
Y (X = 3) :
0 0 1
adica:
3
X
M [Y (X = 3)] = yj p (yj x3 ) = 1 0 + 2 0 + 3 1 = 3
j=1

1.4 Condi
tii necesare
si suciente pentru independen
ta
a dou
a variabile aleatoare
Se poate vedea c a dac a X si Y sunt dou a variabile aleatoare independente
repartitia lui (X Y = y) sau densitatea de repartitie a lui (X Y = y) pe care
am notat-o f1 (x y) nu depind de y, dup a cum repartitia lui (Y X = x) sau
densitatea de repartitie a lui (Y X = x) pe care am notat-o f2 (y x) nu depind
de x.
Cu ajutorul functiei de repartitie se poate da o conditie necesar
a si sucient
a
pentru ca dou a variabile aleatoare s
a e independente.
Teorema 1.4.1 Pentru ca variabilele aleatoare X si Y sa e independente este
necesar si sucient ca functia de repartitie a vectorului aleator bidimensional
Z = (X; Y ) sa e egala cu produsul functiilor de repartitie marginale FX (x) si
FY (y)
FZ (x; y) = FX (x) FY (y) (1.18)
Demonstra tie: (necesitatea) S a presupunem ca X si Y sunt independente
si demonstr
am c
a are loc relatia (1.18). Cum X si Y sunt independente atunci
evenimentele (X < x) si (Y < y) sunt independente si deci
P (X < x; Y < y) = P (X < x) P (Y < y)
Atunci avem:
F (x; y) = P (Z < z) = P (X < x; Y < y) = P (X < x) P (Y < y) = FX (x) FY (y)
(sucienta) Reciproc, presupunem c
a are loc relatia (1.18). Adic
a
P (X < x; Y < y) = P (X < x) P (Y < y)
si deci evenimentele (X < x) si (Y < y) sunt independente. Rezult
a c
a X si Y
sunt independente.

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Corolarul 1.4.2 Pentru ca variabilele aleatoare X si Y sa e independente este

necesar si sucient ca densitatea de repartitie a vectorului aleator bidimensional
Z = (X; Y ) ; notata cu f (x; y) sa e egala cu produsul densitatilor de repartitie
marginale h (x) si g (y)
f (x; y) = h (x) g (y) (1.19)

Demonstra tie: (necesitatea) S a presupunem ca X si Y sunt independente

si demonstr am ca are loc relatia (1.19). Cum X si Y sunt independente atunci
are loc relatia (1.18). Derivnd-o mai nti n raport cu x si apoi n raport cu y
obtinem derivata partiala mixt a de ordinul 2:

@ 2 F (x; y) @ @ dFX (x) dFY (y)

= (FX (x) FY (y)) =
@x@y @y @x dx dy

adic
a tocmai relatia (1.19).
(sucienta) Reciproc, presupunem c a are loc relatia (1.19). Integrnd-o n
raport cu x si n raport cu y obtinem:
Zx Zy Zx Zy
f (x; y) dxdy = h (x) dx g (y) dy = FX (x) FY (y) = FZ (x; y)
1 1 1 1

si conform teoremei variabilele aleatoare X si Y sunt independente.

13
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 10
Cursul 10

2
Cuprins

1 Variabile aleatoare 5
1.1 Corelatie sau covarianta . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Coecient de corelatie. Matrice de corelatie . . . . . . . . . . . . . 7
1.3 Rapoarte de corelatie . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Functii de regresie . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Index 19

3
Cursul 10

4
Capitolul 1

Variabile aleatoare

1.1 Corela
tie sau covarian
ta

tia 1.1.1 Fie vectorul aleator Z = (X; Y ) :
Deni ! R2 : Se nume
ste:

1. Moment ini tial de ordinul (r; s) al vectorului aleator Z si se noteaza cu

Mrs = Mrs (Z) expresia, daca exista,

8 PP
>
< xri yjs ij pentru Z discret
i2I j2J
Mrs (Z) = R R r s (1.1)
>
: x y f (x; y) dxdy pentru Z continuu
R2

2. Moment centrat de ordinul (r; s) al vectorului aleator Z si se noteaza cu

mrs = mrs (Z) expresia, daca exista,

8 PP
>
< (xi M10 )r (yj M01 )s ij pentru Z discret
i2I j2J
mrs (Z) = R R
>
: (x M10 )r (y M01 )s f (x; y) dxdy pentru Z continuu
R2
(1.2)
unde I N; J N; M10 = M10 (Z) ; M01 = M01 (Z) :

tia 1.1.2 Din (1.1) si (1.2) se remarca faptul ca:

Observa

5
 Cursul 10

M10 (Z) = M (X) ; M20 (Z) = M X 2 ; m20 (Z) = D2 (X)

M01 (Z) = M (Y ) ; M02 (Z) = M Y 2 ; m02 (Z) = D2 (Y )
M11 (Z) = M (XY ) ; m11 (Z) = M (XY ) M (X) M (Y )
(1.3)

Deni tia 1.1.3 Fie vectorul aleator Z = (X; Y ) : ! R2 : Se nume ste corela
tie
sau covarian t
a a variabileleor aleatoare X si Y si se noteaza cu cov (X; Y )
expresia, daca exista,

cov (X; Y ) = m11 (Z) = m11 (X; Y ) = M [(X M (X)) (Y M (Y ))] (1.4)

Propozi tia 1.1.4 Daca exista, covarianta variabileleor aleatoare X si Y are

urmatoarele proprietati:

1. cov (X; Y ) = M (XY ) M (X) M (Y ) 8X si Y ;

2. cov (X; Y ) = cov (Y; X) 8X si Y ;

3. Daca X si Y sunt independente probabilistic atunci cov (X; Y ) = 0 dar nu

si reciproc;

4. D (X) D (Y ) cov (X; Y ) D (X) D (Y ) 8X si Y ;

5. cov (X; X) = D2 (X) ;

!
P
m P
n P
m P
n
6. cov ai Xi ; bj Yj = ai bj cov (Xi ; Yj ) 8 variabilele aleatoare
i=1 j=1 i=1 j=1
(Xi ) si (Yj ) si 8 constantele reale (ai ) si (bj ) ; 1 i m; 1 j n:

Demonstra tie: Armatiile 1, 2, 3, 5 sunt evidente iar armatia 6 rezult a

imediat prin calcul direct pornind de la denitie si de la armatia 1.
Pentru armatia 4 avem n vedere ca pentru orice variabile aleatoare neconstante
X si Y are loc relatia:

0 D2 (X Y ) = D2 (X) + D2 (Y ) 2cov (X; Y )

" #
2
2 D (X) cov (X; Y ) D (X)
= D (Y ) 2 +1
D (Y ) D (X) D (Y ) D (Y )

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

n care expresiile din paranteza p atrata (ca trinoame de gradul doi n variabila
D (X)
strict pozitiv
at= ) sunt pozitive dac a are loc inegalitatea:
D (Y )
(cov (X; Y ))2 D2 (X) D2 (Y )
ceea ce conduce la armatia 4 si astfel demonstratia este ncheiata.

Observa tia 1.1.5 Daca avem cov (X; Y ) = 0 fara ca X si Y sa e independente,

atunci vom spune ca variabilele aleatoare X si Y sunt necorelate.
n cazul n care cov (X; Y ) 6= 0 se spune ca variabilele aleatoare X si Y sunt:

1. pozitiv corelate, daca avem cov (X; Y ) > 0;

2. negativ corelate, daca avem cov (X; Y ) < 0:

Deoarece intervalul n care cov (X; Y ) ia valori este sucient de mare si nu

are margini xe, este greu de precizat gradul de dependenta dintre X si Y pentru
a aprecia daca sunt puternic corelate sau nu.
Acest fapt a impus o asa zisa normare a indicatorului corelatiei pentru ca
masura gradului de dependenta s a ia valori ntr-un interval x, indiferent de
variabilele studiate.

1.2 Coecient de corela

tie. Matrice de corela
tie
Deni tia 1.2.1 Fie vectorul aleator Z = (X; Y ) : ! R2 : Se nume ste coecient
de corela tie dintre variabilele aleatoare X si Y si se noteaza cu (X; Y ) raportul,
daca exista,
cov (X; Y )
(X; Y ) = (1.5)
D (X) D (Y )

Observa tia 1.2.2 Conditiilor de existenta ale corelatiilor li se mai adauga acum
si precizarea ca variabilele aleatoare X si Y sunt neconstante, cu probabilitatea
1, ceea ce nseamna D (X) 6= 0; D (Y ) 6= 0; pentru raportul (1.5).

Propozi tia 1.2.3 Daca exista, coecientul de corelatie dintre variabilele aleatoare
X si Y are urmatoarele proprietati:

1. (X; Y ) = (Y; X) ,(8) X si Y ;

7
 Cursul 10

2. Daca X si Y sunt independente probabilistic atunci (X; Y ) = 0 dar nu si

reciproc;
3. 1 (X; Y ) 1 (8) X si Y ;
4. Daca (X; Y ) = 1 atunci Y = aX + b cu a > 0 si daca (X; Y ) = 1
atunci Y = aX + b cu a < 0;
5. Daca Y = aX + b atunci (X; Y ) = 1 daca a > 0 si (X; Y ) = 1 daca
a < 0;
6. (aX + b; cY + d) = (X; Y ) daca ac > 0 si (aX + b; cY + d) = (X; Y )
daca ac < 0:
Demonstra tie: Conform propozitiei anterioare punctul(2) avem:
cov (X; Y ) cov (Y; X)
1. (X; Y ) = = = (Y; X) ;
D (X) D (Y ) D (X) D (Y )
2. Dac a X si Y sunt independente probabilistic atunci cov (X; Y ) = 0 deci
cov (X; Y )
(X; Y ) = = 0;
D (X) D (Y )
3. S
tim c a D (X) D (Y ) cov (X; Y ) D (X) D (Y ) :
mpartind aceast a dubla inegalitate prin D (X) D (Y ) obtinem inegalitatea ce
trebuia demonstrat a;
X M (X) Y M (Y )
4. Consider am variabilele aleatoare X1 = ; Y1 = : Avem:
D(X) D(Y )
X M (X) Y M (Y )
M (X1 ) = M = 0; M (Y1 ) = M = 0;
D(X) D(Y )
X 2 2XM (X) + M 2 (X) M X2 2M (X) M (X) + M 2 (X)
M X12 = M =
D2 (X) D2 (X)
M X 2 2
M (X)
= 2
= 1;
D (X)
X M (X) D2 (X)
D2 (X1 ) = D2 = 2 = 1;
D(X) D (X)
Y 2 2Y M (Y ) + M 2 (Y ) M Y2 2M (Y ) M (Y ) + M 2 (Y )
M Y12 = M =
D2 (Y ) D2 (Y )
2
M (Y ) M Y 2
= = 1;
D2 (Y )
Y M (Y ) D2 (Y )
D2 (Y1 ) = D2 = 2 = 1;
D(Y ) D (Y )
X M (X) Y M (Y ) M [(X M (X)) (Y M (Y ))]
M (X1 Y1 ) = M =
D(X) D(Y ) D(X)D(Y )

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

cov (X; Y )
= = (X; Y ) ;
D(X)D(Y )
cov (X1 ; Y1 ) = M [(X1 M (X1 )) (Y1 M (Y1 ))] = M (X1 Y1 ) M (X1 ) M (Y1 )
| {z }
0
= M (X1 Y1 ) = (X; Y ) ;
cov (X1 ; Y1 )
(X1 ; Y1 ) = = cov (X1 ; Y1 ) = (X; Y ) :
D (X1 ) D (Y1 )
Prin ipotez a atunci cnd (X; Y ) = 1 avem conform celor de mai sus c a (X1 ; Y1 ) =
1 sih deducem ca i urmare a acestui fapt c a:
2 2
M (X1 Y1 ) = M X1 2M (X1 Y1 ) + M Y12 = 1 2 (X; Y ) + 1 = 0
ceea ce nseamn a c
a X1 = Y1 si tinnd cont de expresiile acestora rezult
a c
a:
X M (X) Y M (Y )
= , D(Y ) (X M (X)) = D(X) (Y M (Y ))
D(X) D(Y )
D(Y ) D(Y )
,Y =X + M (Y ) M (X) + M (Y )
D(X) D(X)
| {z } | {z }
a b
adica Y este de forma Y = aX + b cu a > 0:
Atunci
h cnd (X;i Y ) = 1 avem (X1 ; Y1 ) = 1 si prin urmare
2
M (X1 + Y1 ) = M X12 + 2M (X1 Y1 ) + M Y12 = 1 2 (X; Y ) + 1 = 0
ceea ce nseamn a c
a X1 = Y1 si tinnd cont de expresiile acestora rezult
a c
a:
X M (X) Y + M (Y )
= , D(Y ) (X M (X)) = D(X) ( Y + M (Y ))
D(X) D(Y )
D(Y ) D(Y )
,Y = X + M (Y ) + M (X)
D(X) D(X)
| {z } | {z }
a b
adic
a Y este de forma Y = aX + b cu a < 0:
5. n ipoteza ca Y = aX + b avem relatiile:
D (Y ) = D (aX + b) = a2 D2 (X);
2 2

M (X Y ) = M (X (aX + b)) = M aX 2 + bX = aM (X 2 ) + bM (X);

M (X) M (Y ) = M (X)M (aX + b) = aM 2 (X) + bM (X);
cov (X; Y ) M (X Y ) M (X) M (Y )
(X; Y ) = =
D(X)D(Y ) D(X)D(Y )
aM (X 2 ) + bM (X) aM 2 (X) bM (X)
=
D(X)D(Y )
a M (X 2 ) M 2 (X) aD2 (X) D(X) D(X)
= = =a =a = 1 dac
aa>0
D(X)D(Y ) D(X)D(Y ) D(Y ) aD(X)
respectiv a < 0:

9
 Cursul 10

cov (aX + b; cY + d)
6. (aX + b; cY + d) =
D(aX + b)D(cY + d)
M [(aX + b) (cY + d)] M (aX + b) M (cY + d)
=
D(aX + b)D(cY + d)
acM (X Y ) + adM (X) + bcM (Y ) + bd (aM (X) + b) (cM (Y ) + d)
=
aD(X) cD(Y )
acM (X Y ) acM (X) M (Y ) ac [M (X Y ) M (X) M (Y )]
= =
acD(X)D(Y ) acD(X)D(Y )
ac cov (X; Y )
= = (X; Y ) dac
a ac > 0 respectiv ac < 0:
acD(X)D(Y )

tia 1.2.4 De remarcat faptul ca din propozitia (1.2.3) avem:

Observa

(X; X) = 1 si (X; X) = 1

Observa tia 1.2.5 Pentru demonstratia armatiei 4. din propozitia (1.2.3) precum
si a armatiei 3. din propozitia (1.1.4) se poate considera de asemenea variabila
aleatoare:
U = t (X M (X)) + (Y M (Y )) ; t 2 R
constatnd fara nici o dicultate ca pentru 8 t 2 R avem:

0 M U 2 = t2 D2 (X) + 2t cov (X; Y ) + D2 (Y )

fapt care este posibil daca si numai daca (cov (X; Y ))2 D2 (X) D2 (Y ); de unde
rezulta simplu armatiile mentionate.

Observa tia 1.2.6 Daca (X; Y ) = 0 fara ca X si Y sa e independente probabilistic

atunci se spune ca X si Y sunt necorelate. n practica se mai spune ca:

1. X si Y sunt pozitiv perfect corelate daca (X; Y ) = 1;

2. X si Y sunt negativ perfect corelate daca (X; Y ) = 1;

3. X si Y sunt puternic pozitiv (sau negativ) corelate daca

0; 75 (X; Y ) < 1 (sau 1 < (X; Y ) 0; 75) ;

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

4. X si Y sunt slab pozitiv (sau negativ) corelate daca 0 < (X; Y ) <
0; 25
(sau 0; 25 < (X; Y ) < 0) ;

marginile valorice decizionale ind alese conventional.

Exemplul 1.2.7 Fie Z = (X; Y ) un vector aleator discret a carui repartitie

probabilista este data n tabelul de mai jos. Calculati coecientul de corelatie
(X; Y ) :
XnY -1 0 1 2 pi
1 1/12 1/24 1/48 1/48 8=48
2 1/24 1/6 1/24 1/12 8=24
3 1/8 1/8 1/8 1/8 4=8
qj 6=24 8=24 9=48 11=48 1

Solu tie: Deducem imediat c a:

8 8 4 7
M (X) = 1 +2 +3 = ;
48 24 8 3
2 8 8 4
M X =1 +4 +9 = 6;
48 24 8
49 5
D2 (X) = M X 2 M 2 (X) = 6 = ;
9 9
6 8 9 11 19
M (Y ) = 1 +0 +1 +2 = ;
24 24 48 48 48
6 8 9 11 65
M Y2 =1 +0 +1 +4 = ;
24 24 48 48 48
2
65 19 2759
D2 (Y ) = M Y 2 M 2 (Y ) = = ;
48 48 2304
1 1 1 1 1 1 1 1
M (X Y ) = 1 1 +0 +1 +2 +2 1 +0 +1 2
12 24 48 48 24 6 24 12
1 1 1 1 95
+3 1 +0 +1 +2 = ;
8 8 8 8 144
95 7 19 19
cov (X; Y ) = M (X Y ) M (X) M (Y ) = = ;
144 3 48 72
19
cov (X; Y ) 38
(X; Y ) = = r 72 = p = 0; 323 54
D (X) D (Y ) 5 2759 13 795
9 2304

11
 Cursul 10

Observa tia 1.2.8 Coecientul de corelatie (X; Y ) reprezinta prima masura a

gradului de dependenta n sens clasic. Introdusa de catre statisticianul englez
K. Pearson n anul 1901 ca rod al colaborarii acestuia cu antropologul englez
F. Galton, aceasta masura a gradului de dependenta a fost criticata nca de la
aparitia ei pentru diverse motive, printre care si acelea ca:

1. Este dependent a de valorile vectorului aleator (X; Y ) si ca urmare nu este

aplicabil
a pentru cazul variabilelor aleatoare necantitative;

2. Nu este precis
a n cazul independentei si al necorel
arii deoarece dac
a (X; Y ) =
0 nu exist
a un raspuns categoric (n sensul independentei sau necorel arii);

3. Nu poate extinsa la mai mult de dou a variabile aleatoare sau chiar la doi
sau mai multi vectori aleatori, fapte cerute de practica.

Daca la prima obiectie a dat chiar K. Pearson un r aspuns, pentru celelalte

doua nu s-au dat raspunsuri clare dect dup a aparitia n 1948 a teoriei matematice
a informatiei, rezultate remarcabile n acest sens obtinnd scoala romneasc a de
matematic a (prin colectivul si tezele de doctorat coordonate de profesorul Silviu
Guiasu de la Universitatea din Bucuresti) introducnd m asurile entropice ale
dependentei dintre variabile aleatoare sau vectori aleatori cu o larg a aplicabilitate
teoretic
a si practic
a.

1.3 Rapoarte de corela

tie
tia 1.3.1 Daca Z = (X; Y ) este un vector aleator bidimensional atunci:
Deni

1. expresia
2 M (D2 (X Y ))
XY = ; D2 (X) 6= 0 (1.6)
D2 (X)
se nume
ste raport de corela
tie al lui X fa de Y ;
ta

2. expresia
2 M (D2 (Y X))
Y X = ; D2 (Y ) 6= 0 (1.7)
D2 (Y )
se nume
ste raport de corela
tie al lui Y fa de X:
ta

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Observa tia 1.3.2 Raportul de corelatie este o masura a dependentei unilaterale

a unei componente a vectorului aleator Z = (X; Y ) fata de cealalta componenta.
n general,
2 2
X Y 6= Y X

ceea ce nseamna ca dependenta unilaterala nu este simetrica.

Sa mai remarcam de asemenea ca:
2 0; cu egalitate dac a D2 (X Y ) = 0;
a si numai dac
XY
2 1; cu egalitate dac a M D2 (X Y ) = D2 (X) :
a si numai dac
Y X

Observa tia 1.3.3 Egalitatea D2 (X Y ) = 0 are loc daca si numai daca X si Y

sunt dependente functional iar egalitatea M D2 (X Y ) = D2 (X) are loc daca
si numai daca X si Y sunt independente, ceea ce justica interesul pentru raportul
de corelatie sau pentru o masura complementara a dependentei unilaterale data
de expresia:
2 2
XY =1 XY (1.8)

Exemplul 1.3.4 Consideram exemplul

! anterior care ilustreaza relat!
iile:
7=9 1=3 7=9 7=11 7=13
M (X Y ) : si M (Y X) :
3=8 1=4 3=8 11=24 13=24
! !
32=81 8=9 32=81 50=121 68=169
D2 (X Y ) : si D2 (Y X) :
3=8 1=4 3=8 11=24 13=24
2
constatnd ca ntmplator, doua valori ale lui D (Y X) coincid.
Deducem ca
3 32 1 8 14 143
M D2 (X Y ) = 2 + = ; D2 (X) =
8 81 4 9 27 144
si ca urmare avem raportul de corelatie

2 224 2 2 205
XY = sau XY =1 Y X =
429 429
Analog deducem ca:
11 50 13 68 233 3
M D2 (Y X) = + = D2 (Y ) =
24 121 24 169 572 4

13
 Cursul 10

si ca urmare rezulta celalalt raport de corelatie

2 233 2 2 196
XY = sau XY =1 Y X =
429 429
Deoarece 2X Y < 2Y X sau 2X Y > 2Y X se spune ca X depinde de Y mai mult
dect depinde Y de X:
Sa mai constatam pentru acelea
si variabile aleatoare ca
14
(X; Y ) = p ' 0; 68
429
fapt care indica o corelatie a grupului (X; Y ) destul de mare.

Observa tia 1.3.5 Rapoartele de corelatie completeaza studiul dependentei dintre

doua variabile aleatoare. Ele pot extinse si la mai mult de doua variabile
aleatoare, odata cu extensia variabilelor aleatoare conditionate de vectori aleatori.

1.4 Func
tii de regresie
tia 1.4.1 Fiind dat vectorul aleator bidimensional Z = (X; Y ) se nume
Deni ste:

1. functie de regresie a variabilei aleatoare Y n raport cu (sau fata de)

variabila aleatoare X; daca exista, functia R : Dx ! R data de relatia:

R(y x) = M (Y X = x); x 2 Dx R (1.9)

2. functie de regresie a variabilei aleatoare X n raport cu (sau fata de)

variabila aleatoare Y; daca exista, functia R : Dy ! R data de relatia:

R(x y) = M (X Y = y); y 2 Dy R (1.10)

Observa tia 1.4.2 Gracul functiei de regresie se nume ste curba de regresie.
Dupa cum functia de regresie este liniara sau neliniara, se spune ca regresia este
liniara sau neliniara. Analog functiilor de regresie (1.9), (1.10) pot denite
functii de regresie si pentru mai mult de doua variabile aleatoare.

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Pentru exemplicare, s
a presupunem c
a (X; Y; Z) este un vector aleator tridimensional
discret pentru care putem deni probabilit
ati conditionate de forma:

p (xi ; yj ; zk )
p (zk (xi ; yj )) = ; p (xi ; yj ) 6= 0; i 2 I; j 2 J; k 2 K
p (xi ; yj )

precum si valori medii conditionate de forma:

X
M (Z (X = xi ; Y = yj )) = zk p (zk (xi ; yj )) ; i 2 I; j 2 J; k 2 K (1.11)
k

n acest context se poate introduce functia de regresie a variabilei aleatoare

Z n raport cu (sau fata de) vectorul (X; Y ) prin relatia:

R(Z (x; y)) = M (Z (x; y)); (x; y) 2 Dx Dy (1.12)

ceea ce ilustreaza armatia de mai sus.

Revenind la vectorul aleator bidimensional Z = (X; Y ) ; s a presupunem c
a
regresiile lui Y n raport cu X si lui X n raport cu Y sunt liniare, adic
a:

R(y x) = Ax + B si R(x y) = Cy + D; x 2 Dx ; y 2 Dy (1.13)

Acest lucru nseamn a c

a ntre variabilele aleatoare M (Y X) si X precum si
ntre variabilele aleatoare M (X Y ) si Y au loc relatiile:

M (Y X) = Ax + B si M (X Y ) = Cy + D (1.14)

tia 1.4.3 n conditiile relatiilor (1.14) rezulta ca:

Propozi

D (Y ) cov (X; Y )
A = (X; Y ) =
D (X) D2 (X)
cov (X; Y )
B = M (Y ) A M (X) = M (Y ) M (X)
D2 (X)
D (X) cov (X; Y ) (1.15)
C = (X; Y ) =
D (Y ) D2 (Y )
cov (X; Y )
D = M (X) C M (Y ) = M (X) M (Y )
D2 (Y )

15
 Cursul 10

tie: Calculnd valoarea medie n (1.14) avem:

Demonstra

M [M (Y X)] = M (Y ) = A M (X) + B si
M [M (X Y )] = M (X) = C M (Y ) + D

nmultind prima relatie cu X si pe a doua cu Y si aplicnd din nou valoarea

medie deducem ca:

M [X M (Y X)] = M (XY ) = A M X 2 + B M (X)

M [Y M (X Y )] = M (XY ) = C M Y 2 + D M (Y )

astfel c
a putem scrie acum sistemele liniare:
( (
A M (X) + B = M (Y ) C M (Y ) + D = M (X)
2
si
A M X + B M (X) = M (XY ) C M Y 2 + D M (Y ) = M (XY )

a c
aror solutionare conduce la relatiile (1.15).

Observatia 1.4.4 Ca urmare a propozitiei anterioare, n cazul regresiei liniare

putem scrie ecuatiile celor doua drepte de regresie ca ind:
( D(Y )
y = A X + B adica y M (Y ) = (X; Y ) D(X) (x M (X))
D(X) (1.16)
x = C y + D adica x M (X) = (X; Y ) D(Y ) (y M (Y ))

sau punnd chiar variabilele aleatoare X si Y;

( D(Y )
Y M (Y ) = (X; Y ) D(X) (X M (X))
D(X) (1.17)
X M (X) = (X; Y ) D(Y ) (Y M (Y ))

constatnd ca aceste drepte se intersecteaza n punctul (M (X) ; M (Y )) denumit

centru de greutate al repartitiei vectorului aleator Z = (X; Y ) :

Observa tia 1.4.5 La aceleasi expresii ale coecientilor dreptelor de regresie se

ajunge si aplicnd metoda celor mai mici patrate pentru minimizarea expresiilor
h i
E1 (A; B) = M (Y AX B)2 (1.18)
h i
E2 (C; D) = M (X CY D)2

16
 Teoria probabilit
a
tilor
si statistic
a matematic
a

care n cazul continuu are forma:

Z Z
E1 (A; B) = (y AX B)2 f (x; y) dxdy (1.19)
R2
Z Z
E2 (C; D) = (x CY D)2 f (x; y) dxdy
R2

Observa tia 1.4.6 Analog se poate proceda daca presupunem functii de regresie
parabolice de forma:
R(y x) = A0 x2 + A1 x + A2
(1.20)
R(x y) = B0 y 2 + B1 y + B2
sau alte expresii neliniare, calculele ind mai greoaie si neconducnd la formule
simple si elegante ca n cazul liniar.

Exemplul 1.4.7 Pentru vectorul aleator discret Z = (X; Y ) a carui repartitie

este data de tabelul de mai jos:

X Y -1 0 1 pi
-1 1/3 1/6 1/12 7/12
1 1/12 1/6 1/6 5/12
qj 5/12 1/3 1/4 1

deducem imediat urmatoarele:

1 35
M (X) = ; M (X 2 ) = 1; D2 (X) = ;
6 36
1 2 23
M (Y ) = ; M (Y 2 ) = ; D2 (Y ) = ;
6 3 36
1 1 11
M (XY ) = ; M (X)M (Y ) = ; cov(X; Y ) = ;
3 36 36
11 11
(X; Y ) = p =p ;
23 35 805

si ca urmare vom putea scrie dreptele de regresie:

1 11 1 1 11 1
Y + = X+ si X + = Y +
6 35 6 6 23 6

17
 Cursul 10

Observa tia 1.4.8 Presupunerea sau alegerea formri curbei de regresie nu este
ntmplatoare. O reprezentere graca a valorilor variabilelor aleatoare M (Y =X)
si respectiv M (X=Y ) poate sugera forma curbei. Pentru ca o astfel de informatie
sa e ct mai buna si deci utila este necesar ca numarul de valori al variabilelor
aleatoare discrete M (Y =X) si M (X=Y ) sa e sucient de mare.

18
Teoria probabilit
a
tilor
si statistic
a matematic
a

19
Index

Coecient
de corelatie, 7
Corelate
negativ, 7
pozitiv, 7
Corelatie sau covariant, 6
Corelatie sau covarianta, 5
Curb
de regresie, 14

Functie
de regresie, 14

Matrice
de corelatie, 7
Moment
centrat, 5
initial, 5

Raport de corelatie, 12

Variabile
aleatoare, 5
Variabile aleatoare
negativ perfect corelate, 10
pozitiv perfect corelate, 10
puternic negativ corelate, 10
puternic pozitiv corelate, 10
slab negativ corelate, 11
Variabile aleatoare
slab pozitiv corelate , 11

20
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 11
Cursul 11

2
Cuprins

1 S
iruri de variabile aleatoare 5
1.1 Siruri de variabile aleatoare . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Denitii generale . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Tipuri de convergenta ale sirurilor de variabile aleatoare . . . . . . 8
1.2.1 Convergenta n probabilitate . . . . . . . . . . . . . . . . . 8
1.2.2 Convergenta aproape sigur a . . . . . . . . . . . . . . . . 14
1.2.3 Convergenta n repartitie . . . . . . . . . . . . . . . . . . . 15
1.2.4 Convergenta n medie de ordinul p . . . . . . . . . . . . . . 17

Index 17

3
Cursul 11

4
Capitolul 1

S
iruri de variabile aleatoare

n acest capitol vom prezenta cteva probleme legate de studiul sirurilor si seriilor
de variabile aleatoare, asa cum intervin ele n teoria probabilit atilor.
n 1 vom ar ata cum organiz am anumite subspatii ale spatiului variabilelor
aleatoare denite pe un cmp borelian de probabilitate ca spatii semimetrice sau
metrice, studiind apoi relatiile care exist
a ntre diversele tipuri de convergenta.
n 2 vom studia convergenta seriilor de variabile aleatoare independente,
criteriile corespunz
atoare si legea logaritmului iterat.

1.1 S
iruri de variabile aleatoare
1.1.1 Deni
tii generale
Fie X o multime arbitrar
a.

Deni tia 1.1.1 O aplicatie d : X ste semidistan

X ! R se nume t
a pe X
daca:
(sd1) pentru orice x 2 X are loc:

d(x; x) = 0 (1.1)

(sd2) are loc inegalitatea triunghiului, adica: oricare ar x; y; z 2 X are loc:

d(x; y) d(z; x) + d(z; y) (1.2)

n propozitia ce urmeaz
a vom prezenta si demonstra cteva din propriet
atile
semidistantei.

5
 Cursul 11

tia 1.1.2 Oricare ar x; y; z 2 X au loc urmatoarele relatii:

Propozi

(sd3) d(x; y) = d(y; x) (1.3)

(sd4) d(x; y) 0 (1.4)
(sd5) d(x; y) d(x; z) + d(z; y) (1.5)

tie: (sd3) Lu
Demonstra am z = y n (sd2) si tinem cont de (sd1). Obtinem:

d(x; y) d(y; x) + d(y; y) = d(y; x) + 0 = d(y; x) (1.6)

Schimb
am x cu y, lu
am z = x n (sd2) si tinem cont de (sd1). Obtinem:

d(y; x) d(z; y) + d(z; x) = d(x; y) + d(x; x) = d(x; y) + 0 = d(x; y) (1.7)

Din ecuatiile (1.6) si (1.7) rezult

a ecuatia (1.3).
(sd4) Lu am x = y n (sd2). Obtinem:

d(y; y) d(z; y) + d(z; y)

echivalent cu:
0 d(z; y)
Lu
am z = x n aceast
a ultim
a relatie si avem:

0 d(x; y)

adic
a tocmai ecuatia (1.4).
(sd5) Ne folosim de ecuatia (1.3):

d(x; z) = d(z; x)

si nlocuim n (sd2). Obtinem:

d(x; y) d(x; z) + d(z; y)

adic
a tocmai ecuatia (1.5).

ste distan
tia 1.1.3 O semidistanta d : X X ! R se nume
Deni t
a pe X daca:

(d) d(x; y) = 0 () x = y (1.8)

Deni ste spa

tia 1.1.4 O multime X nzestrata cu o semidistanta se nume tiu
semimetric si-l vom nota cu (X; sd) iar o multime X nzestrata cu o distanta
ste spa
se nume tiu metric si-l vom nota cu (X; d) :

6
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Observa tia 1.1.5 Evident, orice spatiu metric este un spatiu semimetric.
Reciproc nu este ntotdeauna adevarat. Daca nsa pe spatiul semimetric (X; sd)
introducem relatia de echivalenta:

x y () d(x; y) = 0 (1.9)

notam cu

x
~ = clasa elementelor din X echivalente cu x (1.10)
y~ = clasa elementelor din Y echivalente cu y (1.11)

si consideram x 2 x
~; y 2 y~ , atunci spatiul ct corespunzator este un spatiu
~
metric mpreuna cu distanta d:
~ x; y~) = d(x; y)
d(~ (1.12)

tia 1.1.6 Sirul

Deni (xn )n 1 X este convergent catre x0 2 X daca:

lim d(xn ; x0 ) = 0 (1.13)

n!1

Lu
am x = xn ; y = y0 si z = x0 n ecuatia (1.5). Obtinem:

d(xn ; y0 ) d(xn ; x0 ) + d(x0 ; y0 ) (1.14)

Deducem c
a dac
a sirul (xn )n 1 ! x0 iar y0 x0 atunci avem si (xn )n 1 ! y0 :

Observatia 1.1.7 Limita unui sir convergent ntr-un spatiul semimetric nu este
unica.

Observa tia 1.1.8 Limita unui sir convergent ntr-un spatiul metric este unica
deoarece axioma (d) din ecuatia (1.8) asigura unicitatea limitei pentru sirurile
convergente.

Denitia 1.1.9 Sirul

(xn )n 1 ste sir Cauchy n semidistanta sd,
X se nume
daca
lim sd(xn ; xm ) = 0 (1.15)
n;m!1

Ecuatia (1.15) este echivalent

a cu:

lim sd(xn+p ; xn ) = 0 (1.16)

n;p!1

7
 Cursul 11

Propozi tia 1.1.10 ntr-un spatiu semimetric (X; sd) orice sir convergent este
sir Cauchy.

Demonstra tie: Consider

am ca sirul (xn )n 1 (X; sd) este convergent c
atre
x0 2 (X; sd), adic
a:
lim sd(xn ; x0 ) = 0 (1.17)
n!1

Atunci conform axiomei (sd5) avem:

sd(xn ; xm ) sd(xn ; x0 ) + sd(x0 ; xm ) (1.18)

Trecnd la limit
a obtinem:

lim sd(xn ; xm ) lim sd(xn ; x0 ) + lim sd(x0 ; xm ) = 0 + 0 = 0 (1.19)

n;m!1 n;m!1 n;m!1

deci sirul (xn )n 1 este sir Cauchy.

Deni tia 1.1.11 Un spatiu semimetric (X; sd) se nume

ste complet daca orice
sir Cauchy este convergent.

1.2 Tipuri de convergen

ta
ale
sirurilor de variabile
aleatoare
1.2.1 Convergen
ta n probabilitate
Fie ( ; K; P ) un cmp borelian de probabilitate.
Notam cu X multimea variabilelor aleatoare denite pe acest cmp.
Pentru ecare X 2 X introducem notatia:

EX = f" > 0 jP (f! jjX (!)j " g) < " g (1.20)

Aceasta multime nu este vid

a deoarece contine orice num
ar real " > 1:
0
Fie " > "; " 2 EX : Atunci:

! jX (!)j "0 f! jjX (!)j "g (1.21)

Conform 6.2. (??) are loc:

P ! jX (!)j "0 P (f! jjX (!)j " g) (1.22)

dar
P (f! jjX (!)j " g) < " < "0 (1.23)

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

deci
P ! jX (!)j "0 "0 (1.24)
a " 0 2 EX :
adic
Fie X; Y 2 X dou
a variabile aleatoare. Not
am:

dP (X; Y ) = inf EX Y (1.25)

De aici rezult
a n mod evident c
a:

dP (X Y; 0) = dP (X; Y ) (1.26)

tia 1.2.1 Variabilele aleatoare X si Y sunt egale aproape sigur daca

Deni

dP (X; Y ) = 0

tia 1.2.2 Aplicatia dP : X

Propozi X ! R este o semidistanta pe X .

Demonstra tie: Vom ar

ata c
a sunt ndeplinite axiomele (sd1) si (sd2) din
denitia semidistantei.
(sd1) Fie X 2 X , oarecare. Evident

dP (X; X) = inf EX X =0

adic
a are loc (sd1).
(sd2) S a consider
am c
a X = Y aproape sigur. Atunci (8) " > 0 are loc:

P (f! jjX (!) Y (!)j " g) < "

deci " 2 EX Y: Atunci:

dP (X; Y ) = 0
Reciproc, dac
a dP (X; Y ) = 0 atunci este satisf
acut
a

P (f! jjX (!) Y (!)j " g) < "

adic
a X = Y aproape sigur.
Fie a > 0, oarecare si " < a: Facem notatia:

Aa = f! jjX (!) Y (!)j ag

Atunci
Aa A"

9
 Cursul 11

si deci
P (Aa ) P (A" ) < "; (8) " > 0
Rezult
a atunci c
a
P (Aa ) = 0
Dar
P (Aa ) + P {Aa = 1 (1.27)
rezult
a:
P (f! jjX (!) Y (!)j < a g) = 1
Deoarece a a fost ales arbitrar, deducem

P (f! jX (!) = Y (!) g) = 1

Fie X; Y; Z 2 X trei variabile aleatoare. Lu

am

a = dP (Z; X)
b = dP (Z; Y )

Utiliznd aceste notatii avem:

P (f! jjZ (!) X(!)j a + g) < a +

P (f! jjZ (!) Y (!)j b + g) < b +

Conform relatiei (1.27) are loc:

P (f! jjZ (!) X(!)j a + g) 1 (a + )

P (f! jjZ (!) Y (!)j b + g) 1 (b + )

Fie acum:

A = A1 \ A2
A1 = f! jjZ (!) X(!)j < a + g
A2 = f! jjZ (!) Y (!)j < b + g

Atunci pe A avem:

jX (!) Y (!)j jZ (!) X(!)j + jZ (!) Y (!)j < a + b + 2

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Dar

P (A) = 1 P {A = 1 P {A1 [ {A2 1 P {A1 P {A2

= 1 (a + b + 2 )

Not
am cu a
~ evenimentul

a
~ = f! jjX (!) Y (!)j < a + b + 2 g

Prin urmare

a
~ A
si deci

P (~
a) P (A) 1 (a + b + 2 )
Rezult
a atunci c
a:

P {~
a <a+b+2
dar pentru evenimentul {~
a avem:

jX (!) Y (!)j a+b+2

adic
a a + b + 2 2 EX Y: Atunci:

dP (X; Y ) a+b+2

Cum > 0 este ales arbitrar, rezult

a:

dP (X; Y ) dP (Z; X) + dP (Z; Y )

adic
a ceea ce trebuia s
a demonstr
am.

Deni tia 1.2.3 Sirul

(Xn )n 1 de variabile aleatoare converge n probabilitate
catre de variabila aleatoare X daca:

lim dP (Xn ; X) = 0 (1.28)

n!1

P
Vom nota aceasta cu (Xn ) ! X:

11
 Cursul 11

Propozi tia 1.2.4 Daca sirul (Xn )n 1 de variabile aleatoare converge n probabilitate
catre variabila aleatoare X si catre variabila aleatoare Y atunci X = Y aproape
sigur.

P P
Demonstra tie: )S a presupunem ca (Xn ) ! X si (Xn ) ! Y: Atunci are
loc (sd2), adic
a:
dP (X; Y ) dP (Xn ; X) + dP (Xn ; Y )

Trecem la limit
a si obtinem:

lim dP (X; Y ) lim dP (Xn ; X) + lim dP (Xn ; Y ) = 0

n!1 n!1 n!1

ceea ce nseamn
a
lim dP (X; Y ) = 0
n!1

adic
a conform denitiei (1.2.1) c a X = Y aproape sigur.
(S a presupunem ca sirul (Xn )n 1 de variabile aleatoare converge n probabilitate
c
atre X si X = Y aproape sigur. Trebuie s a demonstr am ca sirul (Xn )n 1 converge
n probabilitate catre Y: Pentru aceasta trebuie s a arat
am c a

lim dP (Xn ; Y ) = 0
n!1

Dar

dP (Xn ; Y ) dP (Xn ; X) + dP (X; Y )

Trecem la limit
a si obtinem:

lim dP (Xn ; Y ) lim dP (Xn ; X) + lim dP (X; Y ) = 0

n!1 n!1 n!1

P
adic
a (Xn ) ! Y:

Propozi tia 1.2.5 Sirul

de variabile aleatoare (Xn )n 1 converge n probabilitate
catre variabila aleatoare X daca si numai daca pentru orice " > 0 avem:

lim P (f! jjXn (!) X(!)j " g) = 0 (1.29)

n!1

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

tie: Deoarece dP este o semidistanta s

Demonstra a remarc
am faptul c
a:

P (f! jjXn (!) X(!)j dP (Xn ; X) g) < dP (Xn ; X) (1.30)

P
) Fie " > 0: S
a presupunem c
a (Xn ) ! X adic
a

lim dP (Xn ; X) = 0
n!1

Atunci exist
a un n" astfel nct pentru orice n > n" s
a avem:

dP (Xn ; X) < "

Are loc relatia de incluziune:

f! jjXn (!) X(!)j "g f! jjXn (!) X(!)j dP (Xn ; X) g

Atunci:

P (f! jjXn (!) X(!)j " g) P (f! jjXn (!) X(!)j dP (Xn ; X) g) < dP (Xn ; X)

Trecnd la limit
a, obtinem:

lim P (f! jjXn (!) X(!)j " g) < lim dP (Xn ; X) = 0

n!1 n!1
(S a are loc relatia (1.29). Atunci pentru orice " > 0 exist
a presupunem c a
un n" astfel nct:
P (f! jjXn (!) X(!)j " g) < "
pentru orice n > n" ; ceea ce nseamn
a c
a " 2 EXn X adic
a:

dP (Xn ; X) < "

P
Rezult
a c
a (Xn ) ! X:

Observa tia 1.2.6 Atta timp ct M (Xn ) ! a este sucient de aratat ca D2 (Xn ) !
0 pentru a stabili convergenta n probabilitate a lui Xn catre a. ntr-adevar,
conform inegalitatii lui Bienaime-Ceb
sev:
D2 (Xn )
P (jXn M (Xn )j > ") < (1.31)
"2
P
Se deduce de aici fara dicultate ca Xn M (Xn ) ! 0 ceea ce stabile
ste rezultatul
dorit.

13
 Cursul 11

1.2.2 Convergen
ta aproape sigur
a
Am v azut n denitia (1.2.1) ce ntelegem prin egalitatea aproape sigur
a a dou
a
variabile aleatoare.

Deni tia 1.2.7 Sirul

(Xn )n 1 de variabile aleatoare converge aproape sigur
catre variabila aleatoare X daca:
n o
P ! lim Xn (!) 6= X(!) =0 (1.32)
n!1

a:s:
si vom nota aceasta cu Xn ! X:
Altfel spus, multimea punctelor de divergenta este de probabilitate nul a. De
remarcat faptul ca limita lui (Xn )n 1 nu este unica dar dou
a limite sunt aproape
sigur egale. (vezi Propozitia 1.2.4)
Se trage imediat concluzia ca, convergenta aproape sigur
a implic a convergenta
n probabilitate. n acest sens vom enunta, f ar
a a mai demonstra, urm atoarele
teoreme ce stabilesc legatura dintre convergenta aproape sigura si convergenta n
probabilitate.

Teorema 1.2.8 Daca sirul de variabile aleatoare marginite (Xn )n 1 converge

aproape sigur catre o variabila aleatoare marginita X, atunci sirul considerat
converge n probabilitate catre X.

Teorema 1.2.9 Daca sirul de variabile (Xn )n 1 este convergent (sau Cauchy) n
probabilitate, atunci exista un sub
sir (Xnk )k 1 care converge aproape sigur catre
limita sirului considerat (sau este sir Cauchy aproape sigur).

Observa tia 1.2.10 Sub

sirul despre care se face vorbire n teorema anterioara
are proprietatea ca:

X 1
P ! jXn (!) Xnk (!)j <1 (1.33)
2k
k 1

Teorema 1.2.11 (E.E. Slutki) Spatiul semimetric (X; dP ) este complet.

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.2.3 Convergen
ta n reparti
tie
S
a not
am cu F spatiul functiilor de repartitie si s
a consider
am:

dL (F; G) = inf f" jF (x ") " G(x) F (x + ") + " g ; x 2 R (1.34)

pentru orice F; G 2 F .

tia 1.2.12 Aplicatia dL : F

Propozi F ! R este o distanta pe F .

Demonstra tie: Vom ar ata c

a sunt ndeplinite axiomele (sd1) si (sd2) din
denitia semidistantei si n plus are loc (1.8) din denitia distantei.
(sd1) Fie F; G 2 F , oarecare. Not am cu:

EF;G = f" jF (x ") " G(x) F (x + ") + " g ; x 2 R

Cum F este o functie nedescresc atoare, oricare ar " > 0; " 2 EF;G : Deci
dL (F; F ) = 0; adic
a are loc (sd1).
(sd2) Sa consideram F; G; H 2 F trei functii de repartitie. Lu
am

a = dL (H; F )
b = dL (H; G)

Atunci pentru orice > 0; x 2 R; avem:

H(x a ) a F (x) H(x + a + ) + a + (1.35)

H(x b ) b G(x) H(x + b + ) + b + (1.36)

Dac
a n loc de x lu
am x a b 2 n partea dreapt
a a relatiei (1.35), obtinem:

F (x a b 2 ) H(x b )+a+

adic
a
F (x a b 2 ) a H(x b )
nlocuind aceast
a expresie n membrul stng al inegalit
atii (1.36), obtinem:

F (x a b 2 ) a b 2 G(x) H(x + b + ) + b + (1.37)

Vom face acum acelasi lucru pentru partea stng

a a inegalit
atii (1.35), lund n
loc x pe x + a + b + 2 . Obtinem:

H(x + b + ) a F (x + a + b + 2 )

15
 Cursul 11

adic
a:
H(x + b + ) + b + F (x + a + b + 2 ) + a + b + 2
nlocuind aceast
a expresie n membrul drept al inegalit
atii (1.36), obtinem:

G(x) H(x + b + ) + b + F (x + a + b + 2 ) + a + b + 2 (1.38)

Din relatiile (1.37) si (1.38) rezult

a c
a:

a + b + 2 2 EF;G

si deci
dL (F; G) a+b+2
oricare ar > 0: Tinnd
cont cu ce am notat pe a si b, rezulta inegalitatea
(sd2).
(d) S
a presupunem ca dL (F; G) = 0: Atunci conform relatiei (1.34) rezult
a
c
a:
F (x ") " G(x) F (x + ") + "
oricare ar " > 0: Deci

F (x 0) G(x) F (x + 0)

oricare ar x 2 R:
Folosind simetria unei semidistante, rezult
a:

G(x 0) F (x) G(x + 0)

oricare ar x 2 R: Are loc deci egalitatea F = G adic

a (1.8).

Deni tia 1.2.13 Sirul

de functii de repartitie (Fn )n 1 converge n reparti
tie
catre functia de repartitie F daca

lim dL (Fn ; F ) = 0 (1.39)

n!1

r
Vom nota Fn ! F:

Teorema 1.2.14 Fie (Fn )n 1 un sir de functii de repartitie, iar F o functie de

repartitie. Urmatorele conditii sunt echivalente:

a) Sirul
de functii de repartitie (Fn )n 1 converge catre functia de repartitie F
n ecare punct de continuitate al lui F;

16
 Teoria probabilit
a
tilor
si statistic
a matematic
a

b) Sirul
de functii de repartitie (Fn )n 1 converge catre F pe o multime D densa
n R;

c) Sirul
de functii de repartitie (Fn )n 1 converge n repartitie catre functia de
repartitie F ;

d) Daca f este o functie reala continua si marginita pe R atunci:

Z Z
lim f (x)dFn (x) = f (x)dF (x) (1.40)
n!1
R R

1.2.4 ta n medie de ordinul p

Convergen
Dac
a M [(Xn X)p ] exist
a avem:

tia 1.2.15 Se spune ca (Xn )n

Deni 1 converge n medie de ordinul p catre
M:p:
X daca M [(Xn X)p ] ! 0 si vom nota aceasta cu Xn ! X:

Convergenta n repartitie este strns legat

a de convergenta functiilor caracteristice,
dup
a cum vom vedea n urm atorul rezultat important, pe care-l vom enunta f ar
a
demonstratie:
F
Teorema 1.2.16 (Levy-Cramer-Dugu) Daca Xn ! X atunci 'Xn (t) !
'X (t) uniform, pe toate intervalele nite de forma [ u; u] : Daca sirul de functii
caracteristice 'Xn (t) converge catre o functie ' a carei parte reala este continua
n origine, atunci ' este o functie caracteristica iar sirul Xn converge n repartitie
catre o variabila aleatoare X pentru care ' este functia caracteristica.

Convergenta n probabilitate atrage dup a sine convergenta n repartitie si

avem, pentru a sintetiza, urm
atoarea ierarhie a convergentelor:

Medie de ordin p & vezi

vezi Probabilitate ! Repartitie
Aproape sigur %

17
Index

Convergenta
sirurilor, 7
sirurilor de functii de repartitie, 16
sirurilor de variabile aleatoare
n medie de ordinul p, 17
n repartitie, 15
aproape sigur, 14
in probabilitate, 11

Distanta, 6

Semidistanta, 5
Sir
Cauchy, 7
Siruri
de variabile aleatoare, 5
Spatiu
complet, 8
metric, 6
semimetric, 6

Variabile aleatoare
egale aproape sigur, 9

18
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 12
Cursul 12

2
Cuprins

I Statistic
a matematic
a 5

1 Repartitii statistice 7
1.1 Repartitii discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Repartitia uniform a discret
a. . . . . . . . . . . . . . . . . . 7
1.1.2 Repartitia binomial a (sau repartitia Bernoulli) . . . . . . . 9

Index 14

3
Cursul 12

4
 Part I

Statistic
a matematic
a

5
Capitolul 1

Reparti
tii statistice

1.1 Reparti
tii discrete
1.1.1 Reparti
tia uniform
a discret
a
Denitia 1.1.1 Variabila aleatoare discreta X urmeaza o lege de reparti
tie
uniform a (sau este uniform repartizata) daca este de forma:
xk 1
X: unde pk = ; 1 k n (1.1)
pk n

Fig. 9.1

tia 1.1.2 Daca X este de forma (1.1) atunci:

Propozi
1 Pn
M (X) = xk (1.2)
n k=1
2
1 Pn 1 Pn
D2 (X) = x2 xk (1.3)
n k=1 k n k=1

7
 Cursul 12

Demonstra
tie: a)
n
X n
X n
1 1X
M (X) = xk pk = xk = xk
n n
k=1 k=1 k=1

b)
n n
!2
X X
D2 (X) = M2 (X) M 2 (X) = x2k pk xk
k=1 k=1
n n
!2 n n
!2
X 1 X 1 1X 2 1X
= x2k xk = xk xk :
n n n n
k=1 k=1 k=1 k=1

tia 1.1.3 Deoarece ntotdeauna D2 (X)

Observa 0 din relatia (1.3) avem:
n n
!2
1X 2 1X
xk xk (1.4)
n n
k=1 k=1

relatie utila n diverse aplicatii practice.

Propozi tia 1.1.4 Daca variabila aleatoare discreta, uniform repartizata X ia

valori numere ntregi de forma xk = k; 1 k n atunci:
n+1
M (X) = (1.5)
2
n2 1
D2 (X) = (1.6)
12
tie: Deoarece xk = k rezult
Demonstra a c
a X va avea forma:
k 1
X: unde pk = ; 1 k n
pk n
deci:
a)
n
X n
X n
1 1X 1 n (n + 1) n+1
M (X) = k pk = k = k= =
n n n 2 2
k=1 k=1 k=1

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

b)

n
X n
2 2 2 n+1 2
1X 2 n+1 2
D (X) = M2 (X) M (X) = k pk = k
2 n 2
k=1 k=1
2
1 n 2n2 + 3n + 1 n+1 n2 1
= = :
n 6 2 12

1.1.2 Reparti
tia binomial
a (sau reparti
tia Bernoulli)

Fie n 2 N si p 2 (0; 1) :

tia 1.1.5 Variabila aleatoare discreta X urmeaza o lege de reparti

Deni tie
binomial
a daca are forma:

k
X: unde pk = {kn pk q n k; 0 k n; p; q > 0; q = 1 p (1.7)
pk

Familia sau multimea variabilelor aleatoare discrete repartizate binomial o

vom nota cu B (n; p) iar dac
a vom scrie X B (n; p) vom ntelege c
a X este

9
 Cursul 12

repartizat
a binomial de parametrii n si p.

Fig. 9.2

Figura 9.2 reprezint

a cteva diagrame n bastoane corespunz atoare la diverse
valori ale lui n si p.
Faptul ca numerele pk din (1.7) denesc repartitia lui X rezult
a din:

pk > 0; 0 k n (1.8)
n
X Xn
pk = {kn pk q n k
= (p + q)n = 1 (1.9)
k=0 k=0

Repartitia binomiala a fost studiat

a pentru prima dat
a de J. Bernoulli si este
des ntlnit
a n studiul unor fenomene statistice.

Observatia 1.1.6 Repartitia binomiala corespunde schemei bilei revenite pentru

urna cu doua culori: Dintr-o urna U care contine a bile albe si b bile negre

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

se extrag n bile succesiv, cte una, cu revenirea bilei extrase n urna. Atunci
variabila aleatoare X care da numarul de bile albe obtinute n cele n extrageri are
a
repartitia binomiala B (n; p) (sau X B (n; p) ) unde p = :
a+b

tia 1.1.7 Functia caracteristica a repartitiei B (n; p) este:

Propozi

n
'B(n;p) (t) = p eit + q ,t2R (1.10)

iar functia generatoare de momente a repartitiei B (n; p) este:

n
GB(n;p) (t) = p et + q ;t2R (1.11)

Demonstra
tie:
n
X n
X
'B(n;p) (t) = pk eitk = {kn pk q n k
eitk =
k=0 k=0
n
X k n k n
= {kn p eit q = p eit + q :
k=0
Xn n
X
GB(n;p) (t) = pk etk = {kn pk q n k
etk
k=0 k=0
n
X k n k n
= {kn p et q = p et + q :
k=0

Propozi
tia 1.1.8

M (B (n; p)) = n p (1.12)

D2 (B (n; p)) = n p q (1.13)

Demonstra
tie: a)
n
X n
X
M (B (n; p)) = k pk = k {kn pk q n k
:
k=0 k=0

11
 Cursul 12

P
n
Pentru calculul sumei k {kn pk q n k consider
am identitatea:
k=0

n
X
(px + q)n = {kn pk xk q n k

k=0

pe care o deriv
am n raport cu x si obtinem:
n
X
np(px + q)n 1
= k{kn pk xk 1 n k
q
k=0

Punnd x = 1 n ultima relatie si tinnd cont c

a p + q = 1 obtinem:
n
X
k{kn pk q n k
= np
k=0

prin urmare
M (B (n; p)) = np
b) Pentru a calcula dispersia D2 (B (n; p)) folosim egalitatea

D2 (X) = M2 (X) M 2 (X)

unde
n
X
M (B (n; p) ) = 2
k 2 {kn pk q n k

k=1
Deducem:
n
X
n 1
npx(px + q) = k{kn pk xk 1 n k
q ;
k=1
de unde, prin derivarea ambilor membrii si lund apoi x = 1, obtinem:
n
X
k 2 {kn pk q n k
= np + n(n 1)p2 ;
k=0

prin urmare, M (B (n; p)2 ) = np + n(n 1)p2 si deci:

D2 (B (n; p)) = M2 (B (n; p)) M 2 (B (n; p)) = np + n(n 1)p2 n2 p2 = n p q:

Aplicnd propriet atile functiei generatoare de momente G (t) si functiei caracteristice

' (t) referitoare la momentele lui B (n; p) pot reg asite de asemenea valoarea

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

medie
M (B (n; p)) si momentul de ordinul doi M2 (B (n; p)). Astfel:

0 n 1
'B(n;p) (t) = p n i eit p eit + q ;
00 n 1 n 2
'B(n;p) (t) = p n i2 eit p eit + q + p2 n (n 1) i2 e2it p eit + q :

Rezult
a deci:

0
'B(n;p) (0) = p n i;
00
'B(n;p) (0) = p n p2 n (n 1) ;

Atunci:

1 0
M (B (n; p)) = 'B(n;p) (0) = p n;
i
1 00
D2 (B (n; p)) = M2 (B (n; p)) M 2 (B (n; p)) = 'B(n;p) (0) p2 n 2
i2
= p n + p2 n 2 n p2 p2 n2 = n p q:

k
tia 1.1.9 Fiind data o variabila aleatoare discreta X :
Deni ;1 k n
pk
, se spune ca valoarea xk este cea mai probabil
a daca:

pk = max fpj g (1.14)

1 j n

tia 1.1.10 Valoarea cea mai probabila k a lui B (n; p) este data de relatia:
Propozi

n p q k np + p; k 2 N (1.15)

Demonstra tie: Dac

a valoarea xk = k a variabilei B (n; p) este cea mai
probabil
a atunci nseamn
a c
a exist
a k 2 N astfel nct pk 1 pk pk+1 adica:

{kn 1 pk 1 n k+1
q {kn pk q n k
{k+1
n p
k+1 n
q k 1

si rezolvnd aceast
a dubl
a inecuatie n necunoscuta k rezult
a (1.15).

13
 Cursul 12

Propozi tia 1.1.11 a) Fie ( ; K; P) un spatiu de probabilitate si X1 ; X2 : !

R variabile aleatoare reale, independente, astfel nct Xi B (ni ; p) ; i = 1; 2:
Atunci
repartitia variabilei aleatoare X = X1 + X2 este B (n1 + n2 ; p) ;
b) Multimea fB (n; p) jn 2 N g este nchisa fata de convolutie, adica:

B (n1 ; p) B (n2 ; p) = B (n1 + n2 ; p) ; n1 ; n2 2 N (1.16)

Demonstra
tie: a)

'X1 +X2 (t) = 'X1 (t) 'X2 (t) = 'B(n1 ;p) (t) 'B(n2 ;p) (t)
n1 n2 n1 +n2
= p eit + q p eit + q = p eit + q
= 'B(n1 +n2 ;p) (t)

b) Rezult
a usor cu ajutorul functiei caracteristice.

14
Index

Legea de repartitie
binomial, 9
uniform, 7

Repartitia
binomial (sau repartitia Bernoulli),
9
uniform discret, 7
Repartitii
discrete, 7

Valoare
cea mai probabil, 13

15
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 13
Cursul 13

2
Cuprins

I Statistic
a matematic
a 5

1 Repartitii statistice 7
1.1 Repartitii discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Repartitia hipergeometric a . . . . . . . . . . . . . . . . . . 7
1.1.2 Repartitia Poisson . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.3 Repartitia geometric a . . . . . . . . . . . . . . . . . . . . . 15

Index 16

3
Cursul 13

4
 Part I

Statistic
a matematic
a

5
Capitolul 1

Reparti
tii statistice

1.1 Reparti
tii discrete
1.1.1 Reparti
tia hipergeometric
a
Fie N1 ; N2 ; n 2 N astfel nct n N1 + N2 :

Denitia 1.1.1 Se spune ca variabila aleatoare discreta X urmeaza o lege de

reparti
tie hipergeometric a daca are forma:

k {kN1 {nN2 k
X: unde pk = ; 0 k n N1 + N2 ; k N1 ; n k N2
pk {nN1 +N2
(1.1)

Observa tia 1.1.2 Numerele N1 ; N2 ; n sunt date si reprezinta parametrii repartitiei

hipergeometrice notata uneori prin H (n; N1 ; N2 ).
Numerele pk date de (1.1) reprezinta repartitia lui H (n; N1 ; N2 ) deoarece faptul
ca
Xn
{kN1 {nN2 k
=1 (1.2)
{nN1 +N2
k=0

sor daca egalam coecientul lui xn din membrul stng al egalitatii

rezulta u

(1 + x)N1 (1 + x)N2 = (1 + x)N1 +N2 ; N = N1 + N2

cu coecientul lui xn din membrul drept.

7
 Cursul 13

Propozi
tia 1.1.3

n N1
M (H (n; N1 ; N2 )) = (1.3)
N1 + N2
N1 N2 N n
D2 (H (n; N1 ; N2 )) = n (1.4)
N2 N 1

tie: a) Valoarea mediei va :

Demonstra

n
X {kN1 {nN2 k n
X k {kN1 {N
n k
2
M (H (n; N1 ; N2 )) = k =
{nN1 +N2 {nN
k=0 k=0
n n
1 X 1 X N1 k 1
= k {N1 {N2 = n
k n k
k {N1 1 {N
n k
{N
n {N k 2
k=0 k=0
n
N1 X k 1
= {N1 1 {nN2 k
{nN
k=0
N1
(1:14) N1 n 1 N1 n N1
= n {kN1 1+n k
= { = {N
n 1
= :
{N 1+N2
{nN N1 +N2 1
n {N 1
N n 1 1
N

b) Pentrul calculul dispersiei trebuie s

a determin
am momentul de ordinul al
doilea pentru H (n; N1 ; N2 ).

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

n
X {kN1 {nN2 k n
X k 2 {kN1 {nN2 k
M2 (H (n; N1 ; N2 )) = k2 =
{nN1 +N2 {nN
k=0 k=1
n n
1 X 2 k 1 X
= k { { n k
= [k (k 1) + k] {kN1 {nN2 k
{nN N1 N2
{nN
k=1 k=1
" n n
#
1 X X
= k (k 1) {kN1 {nN2 k + k {kN1 {nN2 k
{nN
k=1 k=1
" n #
1 X N1 N1 1 k 2 n N1
= k (k 1) {N1 2 {Nn k
+
{Nn k k 1 2 N
k=1
n
N1 (N1 1) X n N1
= {kN1 2 2 {N
n k
+
{nN 2 N
k=1
N1 (N1 1) k 2+n k n N1
= {N1 2+N2 +
{nN N
N1 (N1 1) n 2 n N1
= {N 2 +
{nN N
N1 (N1 1) n N1
= {nN 22 +
N N 1 n 2 N
{
n n 1 N 2
n (n 1) N1 (N1 1) n N1
= + ;
N (N 1) N

Deci

D2 (H (n; N1 ; N2 )) = M2 (H (n; N1 ; N2 )) M (H (n; N1 ; N2 ))2

n (n 1) N1 (N1 1) n N1 n2 N12
= +
N (N 1) N N2
n (n 1) N N1 (N1 1) + n N1 N (N 1) n2 N12 (N 1)
=
N 2 (N 1)
n N1 N2 N n
= :
N N 1

9
 Cursul 13

Observa tia 1.1.4 Repartitia hipergeometrica este corespunzatoare schemei bilei

nerevenite pentru urna cu doua culori:

Dintr-o urn a U care contine N1 bile albe si N2 bile negre se fac n; n

N1 + N2 = N; extrageri succesive a cte o bil a, f
ar
a repunerea n urn a a bilei
extrase (echivalent cu a extrage n bile deodat a). Atunci variabila aleatoare X
care d
a numarul de bile albe n cele n extrageri are repartitia H (n; N1 ; N2 ).
O generalizare natural a a schemei care conduce la repartitia hipergeometric a
este
urm atoarea: Dintr-o urn a U care contine bile de culoarea bi ; i = 1; m; se
extrag n bile, succesiv, cte una, f ar
a a pune bila extras a napoi n urn a. Dac a
Xi ; i = 1; m; este variabila aleatoare care d a num arul de bile de culoarea bi
aparute n cele n extrageri atunci vectorul aleator X = (X1 ; :::; Xm )t are repartitia
H (n; N1 ; :::; Nm ) adic
a probabilitatea ca n aceste n extrageri sa se scoata ki bile
de culoarea i este:

{kN11 ::: {kNmm

Pn (k1 ; :::; km ; N1 ; :::; Nm ) =
{nN

unde ki Ni ; ki 2 N; i = 1; m: Vom scrie H H (n; N1 ; :::; Nm ).

1.1.2 Reparti
tia Poisson

Denitia 1.1.5 Vom spune ca variabila aleatoare discreta X urmeaza o lege de

reparti
tie Poisson si vom nota acest lucru prin X P (a), daca are forma:

k ak a;
X: unde pk = e k 2 N; a > 0 (1.5)
pk k!

n gura 9.3 am reprezentat cteva diagrame n bastoane corespunz

atoare la
diverse valori ale lui a.

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Fig. 9.3

Observa tia 1.1.6 Faptul ca numerele pk date de (1.5) denesc o repartitie Poisson
rezulta daca tinem seama ca

X ak 1
a a a2 ak
e =1+ + + ::: + + ::: = ; (8) a 2 R (1.6)
1! 2! k! k!
k=0

si deci:

11
 Cursul 13

P P ak a a
P ak a
pk = e =e =e ea = 1
k2N k2N k! k2N k!

Propozi tia 1.1.7 Functia caracteristica 'P (a) (t) si functia generatoare de momente
GP (a) (t) ale repartitieiPoisson vor avea expresiile:

it
'P (a) (t) = ea(e 1)
(1.7)
t
GP (a) (t) = ea(e 1)
(1.8)

Demonstra
tie: a)
1
X 1
X 1
X
ak ak
'P (a) (t) = pk eitk = e a
eitk = e a
eitk
k! k!
k=0 k=0 k=0
1
X k
a eit (1:18) it
ea e = ea(e 1)
a a it
= e = e :
k!
k=0

b)
1
X 1
X 1
X
tk ak a tk a ak
GP (a) (t) = pk e = e e =e eitk
k! k!
k=0 k=0 k=0
1
X t k
a e (1:18) t
ea e = ea(e 1)
a a t
= e = e :
k!
k=0

Propozi
tia 1.1.8

M (P (a)) = a (1.9)

D2 (P (a)) = a (1.10)

tie: a) S
Demonstra tim c
a, n general

1 (r)
Mr (X) = r
'X (0) :
i

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a

n cazul nostru:
1
M (P (a)) = 'P (a) (0)
i
Dar
it
'P (a) (t) = aieit ea(e 1)

deci
'P (a) (0) = ai

Rezult
a c
a
1 1
M (P (a)) = 'P (a) (0) = ai = a:
i i

n plus

it it
'P (a) (t) = ai2 eit ea(e 1)
+ a2 i2 e2it ea(e 1)

'P (a) (0) = ai2 + a2 i2 = a a2

deci
1
M P (a)2 = 'P (a) (0) = a + a2
i2
de unde:

D2 (P (a)) = M P (a)2 M 2 (P (a)) = a + a2 a2 = a

Propozi tia 1.1.9 La limita, repartitia binomiala B (n; p) , coincide cu legea de

repartitie Poisson P (a) adica:

ak
lim {p pk q n
n!1 n
k
= e a
(1.11)
np=a k!

daca np = a =constant.

13
 Cursul 13

Demonstra
tie:

n (n 1) ::: (n k + 1)
lim {pn pk q n k
= lim pk (1 p)n k
n!1
np=a
n!1
np=a k!
1 a nk
= lim n (n 1) ::: (n k + 1) pk 1
k! np=a
n!1 n

2 (n k) a
n3 n
ak n (n 1) ::: (n k + 1) a
= lim lim 4 1 a5
k! np=a
n!1 nk n!1 n

ak a
= e :
k!

Observa tia 1.1.10 n ipoteza ca n este foarte mare si ca np = a =constant

rezulta ca p este foarte mic n conditiile Propozitiei 1.1.9. Acest fapt a atras
denumirea de lege de repartitie a evenimentelor rare pentru repartitia Poisson.
Ca urmare, n aplicatiile practice n care numarul de probe sau ncercari din
schema binomiala este destul de mare (n 100) se aproximeaza repartitia binomiala
prin repartitia Poisson

B (n; p) = P (a) ; np = a

Propozi tia 1.1.11 a) Fie ( ; K; P ) un spatiu de probabilitate si X1 ; X2 : ! R

doua variabile aleatoare independente, astfel nct X1 s P (a1 ); X2 s P (a2 ).
Atunci:
X1 + X2 s P (a1 + a2 )
b) Multimea fP (a) ja > 0 g este nchisa fata de convolutie, mai exact:

P (a1 ) P (a2 ) = P (a1 + a2 ) ,8a1 ; a2 > 0

Demonstra
tie: a)
it it
'X1 +X2 (t) = 'P (a1 ) (t) 'P (a2 ) (t) = ea1 (e 1)
ea2 (e 1)

it
= e(a1 +a2 )(e 1)
= 'P (a1 +a2 ) (t) :

Deci X1 + X2 s P (a1 + a2 ):
b) Rezult
a la fel de usor cu ajutorul functiei caracteristice.

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1.1.3 Reparti
tia geometric
a
Deni tia 1.1.12 Vom spune ca variabila aleatoare discreta X urmeaza o lege
de repartitie geometric
a, si vom nota acest lucru prin X G (p; q), daca are
forma:

k
X: unde pk = p q k ; k 2 N; p; q > 0; p + q = 1 (1.12)
pk

tia 1.1.13 Numerele pk date de (1.12) denesc o repartitie deoarece:

Observa
X X X 1
pk = p qk = p qk = p = 1:
1 q
k2N k2N k2N

Observa tia 1.1.14 Repartitia geometrica reecta schema geometrica: n conditiile

schemei bilei revenite pentru urna cu bile de doua culori, sa zicem albe si negre,
se poate pune ntrebarea cu ce probabilitate din k extrageri consecutive se obtine o
bila alba exact la extragerea k, primele (k 1) extrase ind negre? Daca notam cu
Ai evenimentul aparitiei unei bile albe la extragerea i si cu Ai opusul sau, atunci
evenimentul aparitiei unei bile albe exact la extragerea k n timp ce primele (k 1)
bile sunt negre, va :

A = A1 \ A2 \ ::: \ Ak 1 \ Ak

Deoarece bila revine n urna dupa ecare extragere, rezulta ca extragerile sunt
independente n totalitate si prin urmare vom avea:

P (A) = P (A1 ) P (A2 ):::P (Ak 1) P (Ak ) = pq k 1

tinnd cont ca P (Ai ) = p si P (Ai ) = q ; i 1:

tia 1.1.15 a) Functia caracteristica 'G(p;q) (t) si functia generatoare de

Propozi
momente GG(p;q) (t) ale repartitiei geometrice vor avea expresiile:

p
'G(p;q) (t) = (1.13)
1 qeit
p
GG(p;q) (t) = , 0 < qet < 1 (1.14)
1 qet

15
 Cursul 13

b) Media si dispersia repartitiei geometrice vor avea expresiile:

q
M (G (p; q)) = (1.15)
p
q
D2 (G (p; q)) = (1.16)
p2

Demonstra
tie: a)
1
X 1
X 1
X
itk k itk k
'G(p;q) (t) = pk e = pk q e =p q eit
k=0 k=0 k=0
1
= p ;
k!1 1 qeit
X1 1
X
tk k p
GG(p;q) (t) = pk e = p q et = ;
k!1 1 qet
k=0 k=0

b)
qieit pqieit
'G(p;q) (t) = p = ;
(1 qeit )2 (1 qeit )2
2
pqi2 eit 1 qeit +2 1 qeit pqeit qi2 eit
'G(p;q) (t) =
(1 qeit )4
pqi2 eit 1 qeit 1 qeit + 2qeit pqi2 eit 1 qeit
= = ;
(1 qeit )4 (1 qeit )3

1 1 pqi q
M (G (p; q)) = 'G(p;q) (0) = = ;
i i (1 q)2 p
1 1 pqi2 (1 + q) pq (1 + q) q (1 + q)
M2 (G (p; q)) = 2
' G(p;q) (0) = 2 3 = 3
= ;
i i (1 q) p p2
2
q (1 + q) q q
D2 (P (a)) = M2 (G (p; q)) M 2 (G (p; q)) = = :
p2 p p2

Observa tia 1.1.16 Existenta functiei caracteristice este asigurata de faptul ca:
0 < q < 1 si eit = 1 astfel ca seria geometrica denitoare este convergenta.

16
Index

Legea de repartitie
geometric, 15
hipergeometric, 7
Poisson, 10

Repartitia
geometric, 15
hipergeometric, 7
Poisson, 10
Repartitii
discrete, 7

17
Teoria probabilitatilor si statistica
matematica
B
arb
acioru Iuliana Carmen
CURSUL 14
Cursul 14

2
Cuprins

I Statistic
a matematic
a 5

1 Repartitii statistice 7
1.1 Repartitii continue . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.1 Repartitia uniform a continua . . . . . . . . . . . . . . . . . 7
1.1.2 Repartitia exponential a negativa . . . . . . . . . . . . . . . 9
1.1.3 Repartitia normal a unidimensional a . . . . . . . . . . . . . 10
1.1.4 Repartitia 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.1.5 Repartitia Student . . . . . . . . . . . . . . . . . . . . . . . 22

Index 26

3
Cursul 14

4
 Part I

Statistic
a matematic
a

5
Capitolul 1

Reparti
tii statistice

1.1 Reparti
tii continue
1.1.1 Reparti
tia uniform
a continu
a
Fie a; b 2 R; a < b:

Deni tia 1.1.1 Spunem ca variabila aleatoare continua X urmeaza o lege de

reparti tie uniform a de parametrii a si b si vom nota acest lucru prin X
U [a; b], daca are forma:
8
x < 1 daca x 2 [a; b]
X: unde f (x) = b a (1.1)
f (x) : 0 daca x 2 Rn [a; b]

tia 1.1.2 Se constata imediat ca f (x) este densitate de repartitie deoarece:

Observa

1. f (x) 0; 8x 2 R;
R
+1 Rb 1
2. f (x) dx = dx = 1:
1 a b a

Propozi tia 1.1.3 a) Media si dispersia repartitiei uniform continue vor avea
expresiile:

b+a
M (U [a; b]) = (1.2)
2
(b a)2
D2 (U [a; b]) = (1.3)
12

7
 Cursul 14

b) Functia caracteristica 'U [a;b] (t) si functia generatoare de momente GU [a;b] (t)
ale repartitiei uniform continue vor avea expresiile:
8
> itb eita
< e daca t 6= 0
'U [a;b] (t) = it (b a) (1.4)
>
: 1 daca t = 0
8
> tb eta
< e daca t 6= 0
GU [a;b] (t) = t (b a) (1.5)
>
: 1 daca t = 0

c) Functia de repartitie a repartitiei uniform continue va avea expresia:

8
>
> 0 daca x<a
< x a
FU [a;b] (x) = daca x 2 [a; b] (1.6)
>
> b a
:
1 daca x>b

R Rb 1
tie: a) M (U [a; b]) =
Demonstra x f (x) dx = x dx
R a b a
b
1 Rb 1 x2 b2 a2 b+a
= x dx = = = ;
b aa b a 2 a 2 (b a) 2
D2 (U [a; b]) = M2 (U [a; b]) M 2 (U [a; b])
unde:
R Rb 1
M2 (U [a; b]) = x2 f (x) dx = x2 dx
R a b a
b
1 Rb 2 1 x3 b3 a3 b2 + ab + a2
= x dx = = =
b aa b a 3 a 3 (b a) 3
iar
b+a 2
M 2 (U [a; b]) =
2
si deci avem:
b2 + ab + a2 b + a 2 (b a)2
D2 (U [a; b]) = = :
3 2 12
b) Functia caracteristica va egal a cu:
b
R 1 Rb itx 1 eitx
'U [a;b] (t) = eitx f (x) dx = e dx =
R b aa b a it a

8
 Teoria probabilit
a
tilor
si statistic
a matematic
a

1 eitb eita
= dac a t 6= 0:
b a it R
Pentru t = 0 avem 'U [a;b] (0) = f (x) dx = 1:
R
Functia generatoare de momente GU [a;b] (t) va egal
a cu:
b
R tx 1 R tx
b 1 etx
GU [a;b] (t) = e f (x) dx = e dx =
R b aa b a t a
etb e ta
= :
t (b a)
c) Functia de repartitie va avea forma:
8
>
> 0 daca x<a
Rx Rx 1 < x a
FU [a;b] (x) = f (y) dy = dy = daca x 2 [a; b]
1 1 b a >
> b a
:
1 daca x>b

1.1.2 Reparti
tia exponen
tial
a negativ
a
Denitia 1.1.4 Spunem ca variabila aleatoare continua X urmeaza o lege de
reparti
tie exponential
a negativ
a de parametru > 0, daca are forma:
(
e x daca x 0
x
X: unde f (x) = (2.6)
f (x) 0 n rest

si vom nota cu E ( ) multimea tuturor variabilelor aleatoare continue a caror

densitate de repartitie este data de (2.6).

tia 1.1.5 Se constata imediat ca f (x) este densitate de repartitie deoarece:

Observa

1. f (x) 0; 8x 2 R;

R
+1 R
+1
x x 1
2. f (x) dx = e dx = e 0
= e0 = 1:
1 0

9
 Cursul 14

Propozi tia 1.1.6 Daca variabila aleatoare continua X este repartizata exponential
negativ de parametru atunci:

1
M (E ( )) = (2.7.a)

1
D2 (E ( )) = 2 (2.7.b)
(
0 daca x<0
FE( ) (x) = x
(2.7.c)
1 e daca x 0

'E( ) (t) = (2.7.d)

it

GE( ) (t) = (2.7.e)

t

1.1.3 Reparti
tia normal
a unidimensional
a
Este cea mai important a dintre toate repartitiile care apar n studiul unor fenomene
aleatoare prezente n probleme practice. Ea a fost evidentiat a de Gauss si Laplace
cu ocazia studierii repartitiei erorilor. Importanta repartitiei normale rezult a
din faptul c
a multe fenomene aleatoare sunt supuse acestei legi si din faptul c a
ea aproximeaz a multe repartitii ce se ntlnesc n practic a (binomiala, Poisson,
gamma, student, etc.).

Denitia 1.1.7 Spunem ca variabila aleatoare continua X urmeaza o lege de

reparti
tie normala de parametrii m si 2 si vom nota acest lucru prin X s
N m; 2 ; daca are forma:

(x m)2
x 1 2
X: unde fm; 2 (x) = p e 2 , x 2 R; > 0; m 2 R
fm; 2 (x) 2
(2.8)

Observa tia 1.1.8 Se vede imediat ca functia f este densitate de probabilitate

deoarece ea este continua, ia numai valori numere nenegative si de asemenea:

10
 Teoria probabilit
a
tilor
si statistic
a matematic
a

(x m)2
R
+1 1 R
+1
2
fm; 2 (x) dx = p e 2 dx =(Facem schimbarea
1 2 1
y2
x m 1 R
+1 1 p
de variabil
ay= )= p e 2 dy = p 2 = 1:
2 1 2

Parametrii m si 2 au urm
atoarele semnicatii: m este media repartitiei iar
2 dispersia repartitiei.

tia 1.1.9 1) Media si dispersia repartitiei normale au valorile:

Propozi

M N m; 2 =m (2.9.a)

D2 N m; 2 = 2 (2.9.b)

2) Momentul de ordin r 2 N al repartitiei N 0; 2 este:

(
2 0 daca r = 2n 1
Mr N 0; = 2n
(2.10)
1 3 ::: (2n 1) daca r = 2n

3) Functia caracteristica 'N (m; 2) (t) a repartitiei uniforme va avea expresia:

t2 2
itm
'N (m; 2) (t) = e 2 , t2R (2.11)

2
R
+1
tie: 1) M N m;
Demonstra = x fm; 2 (x) dx
1
(x m)2 y2
1 R
+1
2
R
1 +1
= p x e 2 dx = p (m + y) e 2 dy
2 1 2 1
Z
+1 y2 Z
+1 y2
m
=p e 2 dy + p y e 2 dy = m;
2 2
1 1
| {z } | {z }
p
2 0
x m
unde am efectuat schimbarea de variabil
ay= :
2
R
+1
M2 N m; = x2 fm; 2 (x) dx
1

11
 Cursul 14

(x m)2 y2
1 R
+1 1 R
+1
2
= p x2 e 2 2 dx = p (m + y) e 2 dy
2 1 2 1
y2
1 R
+1
=p m2 + 2m y + 2 y 2 e 2 dy
2 1
Z
+1 y2 Z
+1 y2 y2
m2 2m 2 R
+1
=p e 2 dy + p y e 2 dy + p y2 e 2 dy
2 2 2 1
1 1
| {z } | {z }
p
2 0
0 1
B +1 C
B y2 Z
+1 y2 C
B 2 C
= m2 + p B ye 2 + e 2 dy C 2
C=m +
2:
2 B
B C
@ 1 |
1
{z }A
p
2
Deci avem:
D2 N m; 2
= M2 N m; 2 M 2 N m; 2

= m2 + 2 m2 = 2 :
+1R r
2) Mr N m; 2 = x fm; 2 (x) dx
1
(x m)2
1 +1R r
= p x e 2 2 dx
2 1
Deci pentru m = 0 vom avea:
x2
1 R
+1
Mr N 0; 2 = p xr e 2 2 dx
2 1
Daca r =impar atunci Mr N 0; 2 = 0 deoarece functia de integrat este
impar
a.
Daca r = 2n atunci:
x2
1 R
+1
Mr N 0; 2 = M2n N 0; 2 = p x2n e 2 2 dx
2 1
0 2
1
x
1 +1 R 2n 1 B 2 C
= p x @ e 2 2 A dx
2 1

12
 Teoria probabilit
a
tilor
si statistic
a matematic
a
20 +1 1 3
x2 x2
1 6B 2 x2n 1e 2 2 C 2
R
+1
2 e 2 2 dx7
= p 4@ A+ (2n 1) x2n 5
2 1
1
x2
1 R
+1
= (2n 1) 2 p x2n 2 e 2 2 dx = (2n 1) 2 M2n 2 N 0; 2
2 1
Am obtinut deci o relatie de recurenta pentru momentele de ordin par:
M2n N 0; 2 = (2n 1) 2 M2n 2 N 0; 2
de unde rezult a ca:
M2n N 0; 2 = 1 3 ::: (2n 1) 2n
3) Determin am mai nti functia caracteristic
a a repartitiei N (0; 1) :
x 2 x2
R itx
+1 1 1 +1R itx
'N (0;1) (t) = e p e 2 dx = p e e 2 dx
1 2 2 1
itx itx (itx)2 (itx)n
Dar e = 1 + + + :: + deci vom avea mai departe:
2 1! 2!
2
3 n!
x x2
1 +1 R 6 P 1 (itx)n 1 P1 (it)n +1
R
7
=p 4 e 2 5dx = p xn e 2 dx
2 1 n=0 n! 2 n=0 n! 1

P1 (it)n
= Mn (N (0; 1)) :
n=0 n! (
0 dac
a r = 2n 1
ntruct Mr (N (0; 1)) = avem:
1 3 ::: (2n 1) dac
a r = 2n
1 (it)2n
P P1 ( t)2n (2n)!
'N (0;1) (t) = 1 3 ::: (2n 1) =
n=0 (2n)! n=0 (2n)! 2n n!
2 t2
P1 t2 1
= =e 2:
n=0 2 n!
Revenind la N m; 2 avem:
(x m)2
1 +1 R itx
'N (m; 2 ) (t) = p e e 2 2 dx
2 1
y2 y2
1 R
+1 1 R
+1
=p eit(m+y ) e 2 dy = eitm p ei( t)y e 2 dy
2 1 2 1
t2 2
itm
= eitm 'N (0;1) ( t) = e 2 :
Toate curbele normale au urm atoarele propriet ati:

13
 Cursul 14

Admit cte un punct de maxim x = m si scad la dreapta si la stnga lui,

apropiindu.se de axa absciselor;

Sunt simetrice fata de o paralel

a la axa ordonatelor dus
a prin punctul de
maxim;

Au forma de clopot, avnd convexitatea ndreptat a n sus, n apropierea

punctului de maxim. n punctele m si m+ ele si schimb a convexitatea.
Cu ct este mai mic cu att clopotul este mai ascutit si cu ct este
mai mare cu att clopotul este mai turtit. Schimbarea lui m ( r amnnd
constant) nu revine dect la o translatie si deci forma curbei nu se modica.

Observa tia 1.1.10 Gracul densitatii de repartitie a repartitiei normale se nume

ste
curba normala (curba lui Gauss) cu parametrii m si 2 :

Fig. 6.4

Teorema 1.1.11 Fie f ; K; P g un spatiu de probabilitate iar X1 ; X2 ; :::; Xn :

! R variabile aleatoare independente astfel nct Xj s N mj ; 2j , j = 1; n.

14
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Atunci oricare ar numerele reale 1; 2 ; :::; n avem:

0 1
n
X Xn n
X
X
j j s N @ j mj ;
2 2A
j j (2.12)
j=1 j=1 j=1

Corolarul 1.1.12 Daca X1 ; X2 ; :::; Xn s N m; 2 sunt variabile aleatoare independente

atunci:
n
1X 2
Xk s N m; (2.13)
n n
k=1

Teorema 1.1.13 Fie f ; K; P g un spatiu de probabilitate, X1 ; X2 ; :::; Xn : !

R variabile aleatoare independente astfel nct Xj s N mj ; 2j , j = 1; n si
P
n
2
numerele reale j ; j astfel nct j j j = 0: Atunci variabilele aleatoare
k=1

n
X
X = 1 X1 + 2 X2 + ::: + n Xn = j Xj
j=1
si
n
X
Y = 1 X1 + 2 X2 + ::: + n Xn = j Xj
j=1

sunt independente.

Corolarul 1.1.14 Daca Xi s N mi ; 2 , i = 1; 2 sunt variabile aleatoare independente

atunci variabilele aleatoare X1 + X2 si X1 X2 sunt independente.

Deni tia 1.1.15 Se spune ca variabila aleatoare continua X urmeaza o lege de

repartitie normala standard (normal a normat a sau normal a redus a)
daca are forma:

x2
x 1
X: unde f (x) = p e 2 ;x 2 R (2.15)
f (x) 2

Observa tia 1.1.16 Repartitia normala standard notata cu N (0; 1) este un caz
particular al repartitiei normale generalizate N m; 2 :

15
 Cursul 14

tia 1.1.17 Functia

Deni : R ! R data de relatia:

t2
1 Rz
(z) = p e 2 dt (2.16)
2 0

ste func
se nume tie integral
a a lui Laplace.

Observa tia 1.1.18 Dupa cum am vazut si n demonstratia propozitiei 6.15,

functia lui Laplace are proprietatile:

1) (0) = 0
2) ( z) = (z)
1 (2.17)
3) (1) =
2
1
4) ( 1) = (1) =
2

Functia lui Laplace este tabelat

a.
Propozi tia 6.16 Daca X s N m; 2 atunci functia de repartitie a variabilei
aleatoare X va avea forma:

1 x m
F (x) = P (X < x) = 2 + (2.18)

tie: Avem:
Demonstra

(t m)2 y2
1 Rx 2 1 Rz
F (x) = p e 2 dt = p e 2 dy
2 1 2 1

(x m)
unde z = : Ca urmare a schimb
arii de variabil
ax m= y si tinnd
cont de functia lui Laplace dat
a de (2.16) rezulta (2.18).
Observa tia 6.16 Ca o consecinta a propozitie 6.16 deducem ca daca m = 0
si = 1, adica daca X s N (0; 1), atunci:

1
F (x) = P (X < x) = + (x)
2
t2 (2.19)
' (t) = e 2

16
 Teoria probabilit
a
tilor
si statistic
a matematic
a

2 X m
tia 6.17 Daca X s N m;
Propozi atunci Y = s N (0; 1) :
tie: S
Demonstra tim c
a dac
a:

t2 2
itm
1. X s N m; 2 atunci 'X (t) = e 2 ;

t2
2. Y s N (0; 1) atunci 'Y (t) = e 2 ;

itm t2
1 m t
3. Y s X atunci 'Y (t) = e 'X =e 2;

4. Daca dou a variabile aleatoare au aceeasi functie caracteristic

a atunci ele au
aceeasi lege de repartitie.

X m
Ca urmare a acestor rezultate, variabila aleatoare Y = (denumit
a
si variabil
a normala redus
a) urmeaza o lege de repartitie standard N (0; 1) si
demonstratia este ncheiat
a.
Observa tia 6.17 Pentru orice variabila aleatoare X s N m; 2 ; variabila
X m
aleatoare redusa Y = are M (Y ) = 0 si D2 (Y ) = 1. Nu toate variabilele
reduse sunt normale standard! Numai cele care provin din variabile normale,
adica X 2 N m; 2 .
Propozi tia 6.18 Daca X s N m; 2 atunci:

b m a m
P (a < X < b) = (2.20)

tie: Din (2.18)

Demonstra

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

1 b m 1 a m
= +
2 2
b m a m
= :

tia 6.18 Particulariznd (2.20) pentru a =

Observa b, b > 0, atunci:

17
 Cursul 14

b m b+m
P ( b < X < b) = P (jXj < b) = + :

De asemenea, tinnd cont de (2.20) putem scrie imediat c

a dac
a X s N m; 2

atunci:

P (jX mj < ) = =2 ; >0

dac
a tinem cont de functia lui Laplace si

P (jX mj < ) = F ( ) F = 2F 1

daca tinem cont de functia de repartitie normal

a pentru repartitia standard
N (0; 1) cu

t2
1 Rx
F (x) = p e 2 dt:
2 1

Propozi tia 6.19 Fie f ; K; P g un spatiu de probabilitate, X : ! R o

2
variabila aleatoare astfel nct X s B (n; p) cu M (X) = np si D (X) = npq.
Fie de asemenea variabila aleatoare redusa:

X M (X) X np
Y = p = p (2.21)
2
D (X) npq

F
Atunci Y ! Z unde Z s N (0; 1).
n!1
tia 6.20 Daca X este repartizata Poisson de parametru
Propozi (X s P ( ))
cu M (X) = D2 (X) = atunci variabila aleatoare redusa:

X M (X) X
Y = = p (2.22)

urmeaza la limita (cnd ! 1) o repartitie normala standard.

18
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Fig. 6.5

2
1.1.4 Reparti
tia
Aceast a repartitie, descoperita de Helmert n 1876 si pus a n valoare cu 30 de
ani mai trziu de c atre K. Pearson, se dovedeste utila pentru vericarea ipotezelor
stati
-stice asupra dispersiilor, testarea independentei variabilelor aleatoare, vericarea
concordantei ntre repartitiile teoretice si cele empirice.
Deni tia 6.18 Fie n 2 N si > 0: Spunem ca variabila aleatoare continua
X urmeaza o lege de reparti tie 2 (hi patrat) cu n grade de libertate si de

19
 Cursul 14

parametru daca este de forma:

n n x
x 1 2 1 1
X: unde fn; (x) = 2 n x2 e 2 2 ,0 x<1
fn; (x) 2 2
(2.46)
Vom nota cu 2 (n; ) multimea tuturor variabilelor aleatoare a c
aror densitate
de repartitie fn; este dat
a de (2.46).
2 (n; n 1
tia 6.26 Repartitia
Observa ) este de fapt repartitia 2; 2 2 . Atunci
avem:

1. Functia caracteristica a repartitiei 2 (n; ) este:

n
1 2
' 2 (n; ) (t) = 2
8t 2 R (2.47)
1 2it

2. Momentul de ordinul r 2 N al repartitiei 2 (n; ) este:

Mr 2 (n; ) = n (n + 2) ::: (n + 2 (r 1)) 2r (2.48)

n particular
M 2 (n;
) =n 2
(2.49)
D2 ( 2 (n; )) = 2n 4

3. Daca f ; K; P g este un spatiu de probabilitate si X1 ; X2 : ! R sunt

variabile aleatoare independente astfel nct Xj s 2 (nj ; ) ; j = 1; 2 atunci
X1 + X2 s 2 (n1 + n2 ; ) ;

4. 2 (n 2 (n 2 (n
1; ) 2; )= 1 + n2 ; ) :

Observa tia 6.27 Daca = 1 atunci n loc de 2 (n; 1) se obi snuieste sa se

scrie 2 (n) si vom spune ca avem o repartitie 2 cu n grade de libertate.
Lema 6.1 Fie f ; K; P g un spatiu de probabilitate si X : ! R o variabila
aleatoare astfel nct X s N 0; 2 . Atunci X 2 s 2 (1; ).
Demonstra tie: Din demonstratia teoremei 6.6 am v azut c
a daca o variabil a
1 1
aleatoare X s N 0; 2 atunci X 2 s ;
2 2 2
s i deci folosindu-ne de observa t ia
6.27 rezult
a ca X 2 s 2 (1; ).
Teorema 6.7 Fie f ; K; P g un spatiu de probabilitate si X1 ; X2 ; :::; Xn :
! R variabile aleatoare, identic repartizate, cu repartitia N 0; 2 . Atunci

20
 Teoria probabilit
a
tilor
si statistic
a matematic
a

X12 + X22 + ::: + Xn2 s 2 (n; )

Teorema 6.8 Fie f ; K; P g un spatiu de probabilitate si X1 ; X2 ; :::; Xn :

! R variabile aleatoare, identic repartizate, cu repartitia U[0;1] . Atunci:
n
X
2
2 ln Xj s (2n) (2.50)
j=1

Teorema 6.9 Fie f ; K; P g un spatiu de probabilitate, n 2 N , > 0 ,

X : ! R o variabila aleatoare astfel nct X s 2 (n; ) si variabila aleatoare
redusa
X M (X) X n 2
Y = p = p
D2 (X) 2 2n

F
Atunci Y ! Z unde Z s N (0; 1) :
n!1
Observa tia 6.28 Tendinta spre normalitate, cnd n tinde la innit a repartitiei
2 (n; ) este ilustrat
a si de gracul din gura 6.6 al densitatii de repartitie (6.71)
pentru = 1 si diferite valori ale lui n (orientativ plasate) mai ales cnd n cre ste
( n 25).

Fig. 6.8

21
 Cursul 14

Observatia 6.29 Functia de repartitie a variabilei aleatoare X s 2 (n; )

este conform denitiei:

2
2 2)
R" 2 ):
F " = P (X < " =" f (x) dx = 1 P (X > "
0

Adeseori se cer numerele 21 < 22 astfel nct P ( 21 < X < 22 ) = p (dat),

pentru n 30 (n practica, n general, cazul n > 30 corespunde la un num ar
mare de grade de libertate ). Pentru c a o astfel de ecuatie are dou
a necunoscute,
n practica, dac
a p este sucient de mare (apropiat de unu), se adaug a relatia sau
conditia suplimentar a:

2) 2) 1 p
P (X < 1 = P (X > 2 = 2

R1
asa cum se ilustreaz
a n g. 6.8 avnd n vedere c
a f (x) dx = 1 (integrala
0
reprezentnd o arie de valoare unu)
Integralele de genul celor sugerate n g. 6.8 sunt tabelate pentru diverse
valori ale lui n si p sub forma

2) 1 p
P (X > 2 = = 2

putnd citi pentru un n dat, e P (X > 2) si deci sau p pentru 2 dat, e

2 2
2 pentru dat.
2

1.1.5 Reparti
tia Student
Aceasta repartitie este util
a n inferenta statistica.
Astfel, ea este folosit
a n studiul proprietatilor variabilelor de sondaj de volum
n 2 N , n teoria estimatiilor si la obtinerea testelor pentru compararea mediilor
a doua populatii normale cnd dispersiile sunt cunoscute, etc.
Deni tia 6.19 Fie f ; K; P g un spatiu de probabilitate. Spunem ca variabila
aleatoare continua X : ! R este repartizat a Student cu n grade de
libertate daca este de forma:

n+1
n+1
x 2 x2 2
X: unde fn (x) = p n 1+ ,n 2 R+ (2.51)
fn (x) n 2
n

22
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Vom nota cu S (n) multimea tuturor variabilelor aleatoare a c

aror densitate de
repartitie fn este dat
a de (2.51).

Densitatea de probabilitate a repartitiei Student pentru

n=1, 2, 5, 10, 50.
(1.7)

Fig. 6.9

Propozi tia 6.29 Aplicatia fn : R ! [0; 1) data de (2.51) este o densitate

de repartitie pe R.
Propozi tia 6.30 Momentul de ordinul r 2 N al repartitiei S (n) este:

8
< 0 dac
a r = 2k + 1; r < n
Mr (S (n)) = 1 3 ::: (2k 1)
: nk dac
a r = 2k; r < n
(n 2) (n 4) ::: (n 2k)

Demonstra
tie:

n+1
n+1 R
2
+1 x2 2
Mr (S (n)) = p n xr 1+ dx
n 2 1 n

23
 Cursul 14

Deoarece pentru r impar functia de sub integral a este impara rezult

a c
a
M2k+1 (S (n)) = 0.
Daca r = 2k, atunci
n+1
n+1 R
+1 2
2 x 2
M2k (S (n)) = p n 2 x2k 1 + dx
n 0 n
2 p
= (cu schimbarea de variabil a x = n t)
n+1 n+1
2 k
R k 1
+1
=p n n t 2 (1 + t) 2 dt
n 2 0
= (integrala este convergent a pt. n2 k > 0)
n+1 n+1
2 1 n k = 2 k + 12 n
2 k
=p n B k + ;
2 2 k n p n n+1 nk
n 2 n 2 2
k
k + 21 n
2 k k 1 3 ::: (2k 1)
=n p n =n
n 2
(n 2) (n 4) ::: (n 2k)
Ne-am folosit de faptul c a:
k + 12 = k 21 k 32 ::: 12 12
n n
2 = 2 1 n2 2 ::: n2 k n
2 k
Observa tia 6.30 n particular

M (S (n)) = 0
n
D2 (S (n)) = M2 (S (n)) = n 2

tia 6.31 Fie f ; K; P g un spatiu de probabilitate si Xn :

Propozi ! R
F
o variabila aleatoare cu repartitia S (n) ; n 2 N . Atunci Xn ! X unde
n!1
X s N (0; 1) :
Teorema 6.10 Fie f ; K; P g un spatiu de probabilitate si X; Y : ! R
variabile aleatoare independente astfel nct X s N 0; 2 si Y s 2 (n; ).
Atunci:
X
q s S (n)
Y
n

Corolarul 6.4 Fie f ; K; P g un spatiu de probabilitate si X1 ; :::; Xn+1 : !

R variabile aleatoare independente, identic repartizate, cu repartitia N 0; 2 .
Atunci variabila aleatoare
Xn+1
r s S (n)
X12 + ::: + Xn2
n

24
 Teoria probabilit
a
tilor
si statistic
a matematic
a

Teorema 6.11 Fie f ; K; P g un spatiu de probabilitate si X1 ; :::; Xn : !

R variabile aleatoare independente, identic repartizate, cu repartitia N 0; 2 .
Atunci sunt adevarate urmatoarele armatii:
1 Pn Pn
2
1. Variabilele aleatoare Xn s Xi si Xi Xn sunt independente;
n i=1 i=1
2 P
n
2 2 (n
2. Xn s N 0; ; Xi Xn s 1; ) ;
n i=1
p
n (n 1)
3. s s S (n 1) :
P
n
2
Xi Xn
i=1

Corolarul 6.5 Daca f ; K; P g este un spatiu de probabilitate si X1 ; :::; Xn :

! R sunt variabile aleatoare independente, identic repartizate, cu repartitia
N m; 2 , atunci sunt adevarate urmatoarele armatii:
1 Pn Pn
2
1. Variabilele aleatoare Xn s Xi si Xi Xn sunt independente;
n i=1 i=1
2 P
n
2 2 (n
2. Xn s N m; iar Xi Xn s 1; ) ;
n i=1
p
n (n 1)
3. s Xn m s S (n 1) :
P
n
2
Xi Xn
i=1

tia 6.31 Fie variabilele aleatoare X1 ; :::; Xn :

Observa ! R identic
p repartizate,
2 n
cu repartitia N m; . Deoarece repartitia variabilei aleatoare p Xn m ,
s2n
1 P
n
2
unde s2n = Xi Xn , nu depinde de m si de
, aceasta permite
n 1 i=1
construirea unor intervale de ncredere pentru media teoretica m.
Corolarul 6.4 Daca X1 ; :::; Xn sunt variabile aleatoare independente, identic
repartizate, cu repartitia N 0; 2 atunci matricea de covarianta a variabilei
t
aleatoare Y = Xn ; s2n este:
0 2 1
B n 0 C
@ 2 4 A
0
n 1

25
Cursul 14

26
Index

Functia
lui Laplace, 16

Legea de repartitie
exponential negativ, 9
Hi ptrat, 19
normal, 10
normal standard, 15
Student, 22
uniform de parametrii a si b, 7

Repartitia
exponentiala negativa, 9
Hi ptrat, 19
normala unidimensional, 10
Student, 22
uniform continu, 7
Repartitii
continue, 7

27