Unitate de Invatare

Capitolul IV Elemente de teoria
probabilităţilor
4.1. Evenimente
4.2. Operaţii cu evenimente
4.3. Probabilităţi
4.4. Scheme probabilistice clasice
4.5. Variabile aleatoare
4.6. Repartiţii clasice
------------------------------------------------------------------------------------------
Multe fenomene din viaţa reală sunt caracterizate de incertitudine sau de

evoluţie întâmplătoare. Teoria probabilităţilor este un instrument matematic care
permite modelarea unor astfel de situaţii.
4.1. Evenimente
Teoria probabilităţilor se ocupă cu studiul modelelor matematice ce descriu

experienţe aleatoare.
Exemple: Controlul tehnic al calităţii produselor alimentare, jocuri de noroc, asigurări,
prognoza vremii etc.
Pentru a construi un model matematic se pleacă de la un experiment.
Definţie 1. Prin experiment aleator se înţelege o acţiune a cărui rezultat este supus
întâmplării, nu poate fi anticipat cu exactitate, dar mulţimea rezultatelor posibile este
cunoscută.
Exemple:
Aruncarea unui zar, aruncarea unei monede, extragerea unei bile dintr-o urnă ce
conţine bile de mai multe culori, observarea duratei de viaţă a unei maşini, cercetarea
duratei de viaţă a unui individ dintr-o populaţie umană sau biologică şi altele.
Definiţie 2. Proba este o punere în aplicare a unui experiment aleator.
85
Elemente de teoria probabilităţilor
Definiţie 3. Evenimentele reprezintă situaţii legate de experienţă care se pot realiza sau
nu în urma acelui experiment.
Un eveniment cu o singură variantă de realizare se numeşte eveniment elementar.

Evenimentele cu mai multe variante de realizare le numim evenimente compuse.
Exemplu:
Se consideră aruncarea unui zar. Experimentul constă în acţiunea de aruncare a
unui zar care poate fi repetată în condiţii similare. Proba constă într-o singură realizare a
experimentului, adică o aruncare a zarului, iar evenimentul care ne interesează este
apariţia unei feţe cu un număr de puncte.
Un exemplu de eveniment elementar: să apară faţa cu numărul {6}.
Un exemplu de eveniment compus este să apară feţele cu număr par, {2, 4,
6}.
Definiţie 4. Se numeşte spaţiu de selecţie al unui experiment mulţimea tuturor

evenimentelor elementare asociate acelui experiment (mulţimea tuturor rezultatelor
posibile ale experimentului).
Exemplu:
a). Spaţiul de selecţie la aruncarea unui zar este format din   1, 2, 3, 4, 5, 6.
b). La verificarea calităţii unui fruct spaţiul de selecţie este alcătuit din
   bun, stricat  .
Definiţie 5. Definim un eveniment ca fiind un element a mulţimii P  . Vom considera
o submulţime de evenimente relevante pentru experiment, F  P   
Notaţie: P  este mulţimea formată din toate submulţimile mulţimii  .
Definiţie 6. Se numeşte eveniment sigur, evenimentul care se realizează întotdeauna în

orice probă a unui experiment.
Definiţie 7. Se numeşte eveniment imposibil evenimentul care nu se poate realiza la nici

o efectuare a experimentului.
Notaţii:  – eveniment sigur şi  - eveniment imposibil.
Exemple:
Se aruncă un zar, spaţiul de selecţie este   1, 2, 3, 4, 5, 6. Evenimentul A
este să apară o faţă cu număr par: A  2, 4, 6, evenimentul B este să apară o faţă cu
86
Elemente de matematică
număr impar B  1, 3, 5 sau evenimentul C este să apară o faţă cu un număr mai mare
sau egal cu 4: C  4, 5, 6. Un eveniment imposibil este să apară o faţă cu numărul 7.
Evenimentul sigur este să apară o faţă cu unul dintre numerele 1, 2, 3, 4, 5, 6.
Definiţie 8. Se numeşte evenimentul contrar lui A evenimentul care se realizează ori de
câte ori nu se realizează A. Notaţie A sau cA .
Definiţie 9. Se spune că evenimentul A implică evenimentul B dacă B se realizează ori

de câte ori se realizează A. Notaţie A  B .
Observaţie: Următoarele implicaţii sunt evidente:   A (evenimentul imposibil implică

orice eveniment), A  A şi A   oricare ar fi A.
Exemplu: A  2, 4, 6    1, 2, 3, 4, 5, 6 .
Definiţie 10. Se spune că evenimentul A este echivalent cu evenimentul B dacă A

implică B şi B implică A. Adică A  B şi B  A  A  B .
4.2. Operaţii cu evenimente
Definiţie 11. Fie date două evenimente A şi B. Se numeşte reuniunea lui A cu B

evenimentul care se realizează atunci când are loc cel puţin unul dintre cele două
evenimente. Notaţie: A  B .
Proprietăţi: Reuniunea evenimentelor are următoarele proprietăţi:

1. A  B  B  A comutativitate;
2.  A  B   C  A  B  C  asociativitate;
3. A  A  B şi B  A  B legile absorbţiei;
4. A  A  A ;
5. A     ;
6. A    A .
Definiţie 12. Fie date două evenimente A şi B. Se numeşte intersecţia lui A cu B

evenimentul care se realizează atunci când se realizează simultan cele două evenimente.
Notaţie: A  B .
Proprietăţi: Intersecţia evenimentelor are următoarele proprietăţi:

1. A  B  B  A comutativitate;
87
2.  A  B  C  A  B  C  asociativitate;
3. A  B  C    A  B   A  C  , distributivitatea intersecţiei faţă de
reuniune;
4. A  B  C    A  B   A  C  , distributivitatea reuniunii faţă de
intersecţiei;
5. A  B  A  B  A ; A  A  A, A    A, A ;
6. A  B  A, A  B  B .
n
Observaţie: Prin Ai vom înţelege intersecţia familiei de evenimente  Ai i 1,n .

i 1
Definiţie 13. Două evenimente A şi B se numesc compatibile dacă ele se pot realiza
simultan, adică există probe comune care realizează atât pe A cât şi pe B. Dacă
evenimentele nu se pot realiza simultan se numesc incompatibile.
A  B   - compatibile; A  B   - incompatibile.
Definiţie 14. Fiind date două evenimente A şi B, se numeşte diferenţa dintre A şi B

evenimentul care se realizează atunci când se realizează A, dar nu se realizează B.
Notaţie: A \ B .
Proprietăţi:
1.   ,   , A   A ;
2. A A ;
3. A A;
4. A  B  B  A ;
5. Legile lui De Morgan:
a). A  B  A  B ;
b). A  B  A  B .
Definiţie 15. Fie date două evenimente A şi B. Se numeşte diferenţa simetrică dintre A
şi B evenimentul notat A  B   A \ B  B \ A .
Definiţie 16. Fie dat spaţiul evenimentelor elementare  şi F  P    . Spunem că
perechea  , F),  F, este un câmp finit de evenimente dacă
a).  F,
88
b).  A  F atunci A  F,
c).  A  F şi  B  F atunci A B  F şi A B  F.
Proprietate: Un spaţiu de evenimente are următoarele proprietăţi:

1.   F;
2. Dacă A  F, B  F şi A  B atunci B \ A F;
3. Dacă Ai  F, i  atunci:
n n
 Ai  F şi
i 1
 A  F.
i 1
i
Definiţie 17. Fie spaţiul de evenimente F. O mulţime de evenimente Ai , i 
formează un sistem complet de evenimente dacă sunt îndeplinite următoarele condiţii:

n
(i). A
i 1
i   , reuniunea tuturor evenimentelor dă evenimentul sigur;
(ii). Ai  A j  , i  j, i, j  1, 2,..., n - evenimentele sunt incompatibile două câte
două.
Observaţie: Evenimentele A şi A formează un sistem complet de evenimente.
89
4.3. Probabilităţi
Fiind dat un spaţiu de evenimente F. Se pune problema de a caracteriza printr-

un număr cuprins între 0 şi 1 şansa de apariţie a fiecărui eveniment. Se poate spune că
probabilitatea de apariţie a fiecărui eveniment este o cuantificare a şanselor de a se
produce acel eveniment.
Definiţie statistică a probabilităţii
Fie A un eveniment asociat unui experiment E. Presupunem că experimentul E a

fost repetat de n ori şi că evenimentul A s-a realizat de n A ori. Numărul n A se numeşte
frecvenţa absolută de apariţie a evenimentului A. Numărul
f n  A 
nA
n
se numeşte frecvenţa relativă a evenimentului A în seria de repetări a experimentului.

Observaţie:
S-a constatat că, dacă numărul de repetări a experimentului creşte, numărul de
apariţii a evenimentului A va aproxima (în anumite condiţii) probabilitatea de producere
a evenimentului A.
Exemplu:
Se aruncă o monedă de 200 de ori şi se urmăreşte evenimentul apariţiei feţei cu

stemă. Presupunem că evenimentul a apărut de 75 de ori. Numărul
f 200 A 
75 15 3
  reprezintă frecvenţa relativă a evenimentului A.
200 40 8
Definiţie 18. Se numeşte probabilitatea evenimentului A numărul
P  A  lim
n
f n  A
care indică frecvenţa relativă de apariţie a evenimentului A într-o serie de n repetiţii ale
experimentului. Pentru n suficient de mare, putem aproxima P  A prin f n  A .
Definiţie clasică a probabilităţii
Această definiţie a probabilităţii este utilă pentru că este intuitivă şi poate fi

aplicată într-o clasă destul de largă de evenimente.
90
Presupunem că numărul de cazuri posibile este finit şi evenimentele elementare

sunt echiprobabile (au aceeaşi probabilitate). În acest caz putem da următoarea
definiţie.
Definiţie 19. Se numeşte probabilitatea evenimentului A, numărul P(A) care se

calculează ca raportul între numărul de cazuri favorabile producerii evenimentului şi
numărul de cazuri posibile ce pot apărea în urma efectuării experimentului.
P A 
n nr. de cazuri favorabile
 .
N nr. de cazuri posibile
Exemplu:
Fie o urnă U ce conţine 10 bile roşii şi 20 bile albastre. Din urnă se extrage o bilă.
Care este probabilitatea să obţinem o bilă albastră?
Notăm cu A evenimentul să obţinem o bilă albastră dintr-o extragere. Numărul
de cazuri favorabile evenimentului A este n = 20; numărul de cazuri posibile n = 30.
Probabilitatea să obţinem o bilă albastră se calculează:
n 20 2
P  A     0.66  66% .
N 30 3
Definiţie axiomatică a probabilităţii
Funcţia de probabilitate cuantifică şansa de realizare a fiecărui eveniment dintr-

un experiment efectuat. În anul 1931 Kolmogorov13 a pus bazele axiomatice ale teoriei
probabilităţilor.
Definiţie 20. Se numeşte probabilitate pe spaţiul de evenimente F  P o funcţie
P : F   0,1 ce asociază fiecărui eveniment A F un număr real P(A) cu
proprietăţile:
1. P  1 ;
2. PcA 1  P A ; oricare A  F;
3. În cazul în care spaţiul de evenimente  este finit

P A1  A2   An   P A1   P A2     P An  ,
oricare A1 , A2 ,, An evenimente incompatibile din F.
Observaţie:
1). Din prima relaţie, probabilitatea evenimentului sigur este egală cu 1;
13
Andrei Nikolaevici Kolmogorov (1903 - 1987) - matematician rus.
91
2). Din a treia relaţie, probabilitatea reuniunii a mai multor evenimente

incompatibile este egal cu suma probabilitaţilor acelor evenimente.
Un triplet  , F , P  în care  , F) este un câmp finit de evenimente, iar P
este probabilitatea definită pe F se numeşte câmp finit de probabilitate.
Proprietăţi:
Dacă P este o probabilitate P : P  0, 1 atunci are loc
1). P  0 ;
2). Oricare A, B  F, A  B   , are loc :
P A  B  P A  PB ;
3). PB \ A  PB   P A  B, A, B  F;
4). PB \ A  PB  P A, A  B ;
5). P A  PB  dacă A  B, A, B  F (regulă de monotonie);
6). P A  B  P A  PB  P A  B , A, B F (regulă de adunare) pentru
evenimente nu neapărat incompatibile;
 n  n
  
P  Ai   P  Ai   P Ai    1 P  A1 An  ,
n 1
Aj  A2
7).  i 1  i 1 i j
Ai  P    , i  1, , n.
Probabilităţi condiţionate
Există multe probleme în care evenimentul A urmărit este condiţionat de

realizarea unui alt eveniment B. Datorită acestui fapt probabilitatea evenimentului A se
va calcula în ipoteza că evenimentul B s-a realizat. Această probabilitate se numeşte
probabilitatea lui A condiţionată de evenimentul B şi se notează PB  A .
Definiţie 21. Fie spaţiul F cu n evenimente elementare şi evenimentele A  B şi B
evenimente. În ipoteza că evenimentul B nu este imposibil şi respectă PB   0 , se
numeşte probabilitatea evenimentului A condiţionată de evenimentul B expresia:
P A  B 
PB  A  .
P B 
Observaţie: Formula a fost propusă de Moivre14 (1718).
14
Abraham de Moivre (1667 - 1754) - matematician francez.
92
Se poate defini analog, dacă A respectă P A  0
P A  B 
PA B   .
P  A
Vom obţine din cele două relaţii formula care leagă probabilităţile condiţionate
reciproc de două evenimente:
P A  B   PB   PB  A
şi
P A  B   P A  PA B  .
Adică:
P A  PA B  PB   PB  A .
Exemplu:
Analizăm defectele a două mere extrase simultan dintr-un lot de 100 mere
culese de studenţi. Se ştie că în lot există 70% mere bune. Dorim să stabilim
probabilitatea ca să obţinem două mere stricate din extragerile efectuate. Fie A
evenimentul ca la prima extragere să obţinem un măr stricat şi B evenimentul ca al
doilea măr să fie stricat. Pentru ca să obţinem două mere stricate din două extrageri,
presupunem că primul măr ales este stricat. Ceea ce înseamnă că extragerea celui de al
doilea măr este condiţionată de presupunerea că primul să fie extras stricat (după o
extragere numărul de mere din lot scade cu o unitate, la fel şi numărul de mere stricate).
Probabilitatea ca primul măr ales să fie stricat este P  A  30 / 100  0.3 . Probabilitatea
ca al doilea măr ales să fie stricat PA  B   29 / 99  0.2929 . Care este probabilitatea ca
ambele mere să fie stricate?
P A B   P  A  PA  B   0.2929  0.3  0.087878 .
Evenimente independente
Definiţie 22. Se spune că A şi B sunt evenimente independente dacă
P A  B  P A  PB .
Dacă A  B   atunci PA B  PB (şansa de realizare a lui B nu este influenţată de
şansa de realizare a lui A) şi PB  A  P A (şansa de realizare a lui A nu este influenţată
de şansa de realizare a lui B).
93
Definiţie 23. Se spune că evenimentele A1, A2, … An sunt independente dacă

probabilitatea intersecţiei oricărora dintre ele este egală cu produsul probabilităţilor
evenimentelor respective ( m  2, n ).
P Ai1  Ai 2    Aim   P Ai1   P Ai 2     P Aim  .
Formule pentru calcularea unor probabilităţi
Definiţie 24. Fie spaţiu de evenimente F şi A1, A2, … An un sistem complet de
evenimente, P Ai   0 . Atunci probabilitatea oricărui eveniment A din F se determină
cu formula:
n
P A   P  A   P  A 
i 1
i Ai
Formula P A  P A1   PA1  A  P A2   PA2  A    P An   PAn  A se numeşte fomula
probabilităţii totale.
Această formula apare deoarece evenimentul A se scrie sub forma:
 n  n
A  A    A   Ai    A  Ai 
 i 1  i 1
Stim că evenimentele Ai formează un sistem complet de evenimente şi atunci are loc:
 A  A    A  A   , i  j,
j i
i, j  1... n ,
de unde obţinem
n  n
P  A  P   A  Ai    P  Ai   PA  A  .
 i 1  i 1
i
Definiţie 25. Fie A1, A2, … An un sistem complet de evenimente, P Ai   0 şi B un
eveniment oarecare. Presupunem că evenimentul B s-a realizat; în acest caz care este
probabilitatea ca realizarea lui B să se datoreze cauzei Ai.
Formula lui Bayes15:
P Ai   PAi B 
PB  Ai   n
.
 P  A   P B 
i 1
i Ai
15
Thomas Bayes (1701 - 1761) - matematician englez, a fost preot presbiterian.
94
Definiţie 26. Fie A1, A2, … An un sistem de evenimente care nu sunt independente. Are
loc inegalitatea
 PA  .
n
P A1  A2    An   1  i
i 1
n
sau P A1  A2    An    P A   n  1
i 1
i (Inegalitatea lui Boole16).
Exemple:
1. Doi sportivi aruncă independent aceeaşi greutate şi doresc să depăşească

distanţa de 10 metri. Probabilitatea ca primul să depăşească distanţa este 1/3, iar
probabilitatea ca al doilea să depăşească distanţa este 3/5. Cei doi sportivi au câte o
încercare. Să se calculeze probabilitatea ca limita să fie depăşită de:
1. cel puţin unul din sportivi;
2. ambii sportivi;
3. doar primul sportiv.
Care este probabilitatea ca nici un sportiv să nu depăşească distanţa propusă?
Soluţie:
Vom considera evenimentele următoare:
A - evenimentul ca primul sportiv să depăşească distanţa;
B - evenimentul ca al doilea sportiv să depăşească distanţa;
P A  , PA   , PB   , PB   .

1 2 3 2
3 3 5 5
1. P A  B   P A  PB   P A  PB  
1 3 1 3 1 2 11
      .
3 5 3 5 3 5 15
2. P A  B   P A  PB     .
1 3 1
3 5 5
   
3. P A  B  P A  P B    .
1 2 2
3 5 15
PA  B   PA   PB  

2 2 4
  .
3 5 15
2. Într-o piaţă există 3 cuşti pentru iepuri cu următoarele compoziţii: cuşca C1
conţine un iepure alb şi 2 negri, cuşca C2 conţine 3 iepuri albi şi 2 negri iar cuşca C3
16
George Boole (1815 - 1864) - matematician, logician şi filozof englez, creatorul logicii
matematicii moderne şi a algebrelor booleene.
95
conţine 2 iepuri albi şi 4 negri. Un cumpărător alege un iepure dintr-o cuşca la

întâmplare. Care este probabilitatea ca iepurele ales să fie alb?
R: Notăm cu B evenimentul ca iepurele ales să fie alb şi cu A1 , A2 , A3
evenimentele ca iepurele extras să fie din cuşca C1, C2, respectiv C3.
Probabilitatea evenimentului B se va calcula cu ajutorul formulei probabilităţii totale (se

presupune că toate cele trei cuşti au aceeaşi şansă de a fi alease):
1 1 1 3 1 2
P  B   P  A1   PA  B   P  A2   PA  B   P  A3   PA  B         0.41
1 2 3
3 3 3 5 3 6
deoarece B   A1  B    A2  B    A3  B  .
3. Într-un magazin se aduc piese de la trei fabrici. Prima fabrică F1 are două
secţii care produce piese şi dă 4% rebut, a două fabrică F2 are trei secţii şi dă 3% rebut
iar a treia fabrică F3 are două secţii şi dă 3% rebut. Un cumpărător a ales o piesă din
magazin care s-a dovedit a fi stricată. Care este probabilitatea ca piesa să provină de la
prima fabrică F1?
R: Fie evenimentul A ca piesa cumpărată să fie defectă şi A1 , A2 , A3
evenimentele ca piesa să provină de la fabrica F1, F2 respectiv F3. În total sunt 7 secţii
care au aceeaşi şansă să producă o piesă stricată. În fabrica F1 avem două secţii
2 3 2
P  A1   , în fabrica F2 sunt 3 secţii P  A2   , iar pentru fabrica F3 P  A3   .
7 7 7
Pentru rezolvare se va aplica formula lui Bayes:
P  A1   PA  A P  A1   PA  A 
PA  A1   1
 1

3
P  A1   PA  A  P  A2   PA  A   P  A3   PA  A 
 P  A   P  A
i 1
i Ai
1 2 3
2 4

8
PA  A1   7 100   0.34.
2 4 3 3 2 3 23
    
7 100 7 100 7 100
Probabilitatea ca piesa stricată să vină de la fabrica F1 este 0.34.
 Exerciţii
1. Doi arcaşi trag independent în aceeaşi ţintă. Probabilitatea ca primul să

lovească ţinta este 0.25, iar probabilitatea ca al doilea să lovească ţinta este 0.5. Cei doi
sportivi au câte o încercare. Să se calculeze probabilitatea ca ţinta să fie lovită de:
1. cel puţin unul dintre arcaşi;
2. ambii arcaşi;
96
3. exact un arcaş.
Care este probabilitatea ca nici un arcaş să nu atingă ţinta?
R: Fie A1 , A2 , A3 evenimentele de la punctul 1, 2 respectiv 3 şi B1 , B2
evenimentele ca ţinta să fie nimerită de primul, respectiv al doilea trăgător. Atunci:

P  A1   P  B1  B2   P  B1   P  B2   P  B1  B2   0.75  0.125  0.625 ,
P  A2   P  B1  B2   P  B1   P  B2   0.125 şi
P  A3   P  B1  B2    B1  B2   0.5
2. Trei trăgători trag simultan asupra aceleaşi ţinte. Probabilitatea ca fiecare

trăgător să nimerească ţinta este de p1  0.3, p2  0.4, p3  0.5 . Să se determine
probabilitatea ca ţinta să fie nimerită exact o dată.

R: Fie A evenimentul ca ţinta să fie nimerită exact o dată şi A1 , A2 , A3
evenimentele ca ţinta să fie nimerită de primul, al doilea respectiv al treilea trăgător.

Atunci
    
P  A  P  A1  A2  A3  A1  A2  A3  A1  A2  A3   0.44 .
  
3. Dacă 45% dintre studenţii unei grupe nu au promovat examenul de
matematică, 25% nu au promovat examenul de fizică şi 10% nu au promovat ambele
examene atunci dacă alegem la întâmplare un student din acea grupă care este
probabilitatea ca studentul să aibă restanţă sau la matematică sau la fizică?
R: 0.6
4.4. Scheme probabilistice clasice
Extragerea aleatoare dintr-o populaţie este un procedeu de a alege la întâmplare

un element şi se poate face în mod repetat.
Există două moduri prin care se poate face extragerea respectivă şi anume: cu
revenire - elementul extras este repus în populaţie înainte de următoarea extragere şi
fără revenire - elementul extras este eliminat din mulţime după extragere.
Schema Poisson17
Se consideră un experiment E şi n evenimente asociate experimentului A1, A2,

… An, având probabilităţi de realizare:
P( A1 )  p1 , P( A2 )  p2 ,  , P( An )  pn ,
17
Simeon Denis Poisson (1781 - 1840) - matematician, fizician, astronom francez; în memoria sa
numele i-a fost scris pe Turnul Eiffel.
97
P( A1 )  1  p1  q1 , P( A2 )  1  p2  q2 , , P( An )  1  pn  qn .
Să se determine probabilitatea ca la o efectuare a experimentului E să se

realizeze evenimentul A, care constă în realizarea exact a k ( 0  k  n ) din evenimentele
A1, A2, … An .
Probabilitatea căutată este:
P( A)  coeficientul lui x k din dezvoltarea  p1 x  q1  p2 x  q2   pn x  qn  .
Exemplu:
Se dau 3 urne: U1 ce conţine 2 bile albe şi 3 bile negre, U2 ce conţine 4 bile albe
şi 1 bilă neagră, U3 ce conţine 3 bile albe şi 2 bile negre. Din fiecare urnă se extrage câte
o bilă.
Care este probabilitatea ca 2 bile să fie albe şi una neagră?
Rezolvare:
Evenimentul A1 - bila extrasă din prima urnă să fie albă,
Evenimentul A2 - bila extrasă din a doua urnă să fie albă,
Evenimentul A3 - bila extrasă din a treia urnă să fie albă,
n = 3, k = 2,
Conform definiţiei probabilitatea căutată este coeficientul lui x2 din polinomul
 p1 x  q1  p2 x  q2  p3 x  q3  ,
2 2 3
p1  P( A1 )  , q1  1   ,
5 5 5
4 4 1
p2  P( A2 )  , q2  1   ,
5 5 5
3 3 2
p3  P( A3 )  , q3  1   ,
5 5 5
de unde rezultă că
 p1 x  q1  p2 x  q2  p3 x  q3    2 x  3   4 x  1   3 x  2  =
5 5 5 55 5

1
125 125

2 x  34 x  13x  2  1 24x3  58x 2  37x  6 . 
58
Deci, probabilitatea căutată este P( A)   0.464.
125
Schema Binomială
Această schemă este un caz particular al schemei Poisson.
98
Considerăm experimentul în care apar evenimentele A sau A cu
probabilităţile P  A  p şi P  A   1  p  q . Acest experiment se poate repeta în
aceleaşi condiţii de mai multe ori. Probabilităţile p şi q vor rămâne cu aceleaşi valori
pentru oricare repetare a experimentului.
Se consideră o urnă U care conţine a bile albe şi b bile negre. Din această urnă
se fac n extrageri cu repunerea bilei extrase în urnă după extragere. Care este
probabilitatea să obţinem k bile albe?
Observăm că la fiecare extragere structura urnei rămâne neschimbată.
Alegem A evenimentul sa obţinem k bile albe. Probabilitatea evenimentului A se

calculează dupa formula:
P A  Cnk  p k  q nk .
unde p este probabilitatea evenimentului să extragem o bilă albă la prima încercare iar q
este probabilitatea evenimentului să extragem o bilă neagră.
Domeniile unde poate fi aplicată schema binomială sunt diverse, cum ar fi:
jocuri de noroc (aruncarea unui zar, aruncarea repetată a unei monede) extragerea
dintr-o urnă a unei bile cu repunere (toate aruncările se produc în aceleaşi condiţii);
verificarea unui produs conform unui model (corespunde DA sau NU); opinia unei
populaţii în legătură cu un aspect la care se poate răspunde cu DA sau NU.
Exemple:
1. Se consideră o urnă care conţine 15 bile albe şi 10 bile negre. Din această urnă
se fac 5 extrageri punându-se de fiecare dată bila extrasă înapoi.
Care este probabilitatea ca din 5 extrageri să obţinem 2 bile albe?
Soluţie:
Evenimentul A – evenimentul ca din 5 extrageri să obţinem 2 bile albe,
P( A)  Cnk  p k  q nk . Scriem n = 5, k = 2,
Numărul de bile albe a = 15, bile negre B = 10,

a 15 3 b 10 2
p   , q   .
a  b 25 5 a  b 25 5
2 3
 3  2 5!  9   8  144
Deci: P( A)  C52           0.2304  23.04%
5  5 2!5  2!  25   25  625
.
2. Un atlet reuşeşte să depăşească un barem cu probabilitatea p  0.55 .
99
a) care este probabilitatea ca din 20 de încercări să reuşească să depăşească

baremul de 15 ori?
b) care este probabilitatea ca din 10 încercări să reuşească de cel puţin 8 ori să
depăşească baremul?
R: a). Fiecare încercare este independentă şi se realizează în aceleeaşi condiţii
deci folosim schema binomială:
p  0.55 , q  1  p  1  0.55  0.45, n  20, k  15 ,
P  A  Cnk  p k  q n k  C20   0.55   0.45 .

15 15 5
b). Probabilitatea evenimentului căutat este o sumă de probabilităţi:
P  A  C108   0.55   0.45  C109   0.55   0.45  C1010   0.45 .

8 2 9 1 10
Interpretare: Probabilitatea P  A exprimă probabilitatea de a avea de k ori
succes în n încercări independente, desfăşurate în aceleaşi condiţii, al cărui rezultat

poate fi succesul, cu probabilitatea p, sau insuccesul cu probabilitatea q.
Schema Hipergeometrică
Se consideră o urnă U care conţine a bile albe şi b bile negre. Din această urnă se
fac n extrageri fără a pune bila extrasă înapoi în urnă.
Să se determine probabilitatea evenimentului A care constă în extragerea a k
bile albe unde max 0, n  b  k  min a, n .
Cak  Cbnk
P( A)  .
Canb
Exemplu:
Se consideră o urnă care conţine 5 bile albe şi 5 bile negre. Din această urnă se
extrag 3 bile, fără a le pune înapoi.
a). Care este probabilitatea extrageri a 3 bile albe?
b). Dar probabilitatea obţinerii a 2 bile albe şi o bilă neagră?
Soluţie:
a). Evenimentul E1 este evenimentul ca din 3 extrageri să obţinem 3 bile albe,
Cak  Cbnk
P( E1 )  ,
Canb
a = 5, b = 5, a + b = 10,
n = 3, k = 3,
100
Cak  Cbnk C53  C50 1

P( E1 )     0,083  8,3% .
Canb C103
12
b). Evenimentul E2 este evenimentul ca din 3 extrageri să obţinem 2 bile albe si o bilă
neagră,
Cak  Cbnk
P( E2 )  ,
Canb
a = 5, b = 5, a + b = 10,
n = 3, k = 2,
Cak  Cbnk C53  C51 5
P( E 2 )     0,416  41,6%.
Canb C10 3
12
Observaţie: În schema binomială şi schema hipergeometrică pot apărea numai două

evenimente: evenimentul A sau evenimentul contrar lui A. Din acest motiv ambele
scheme se numesc (Iancu, 1996) scheme cu două stări.
Schema Hipergeometrică generalizată

O urnă U conţine mi bile de culori ci, i=1, 2, ...p. Din această urnă se extrag fără
repunere n bile.
Probabilitatea ca dintre cele n bile extrase ki să fie de culoarea ci este dată de
formula:
Cmk  Cmk   Cm
1 2
kp
Pm ...m ( A) 
k1 .... k p 1 2 p
k1 k2  k p ,
1 p
Cm m 
1 2 mp
unde k1+k2+ ... +kp = n.
Exemplu:
Se consideră o urnă care conţine 3 bile roşii, 2 bile albastre, 4 bile verzi şi 2 bile
albe. Din această urnă se extrag 3 bile fără repunere. Care este probabilitatea ca să
obţinem o bilă roşie şi două verzi.
Rezolvare:
Evenimentul A – evenimentul ca din 3 extrageri să obţinem o bilă roşie şi două
verzi.
C31  C20  C42  C20 C31  C42 6

P31204220 ( A)     0.109 .
C31022402 C113
55
101
Tehnicile de numărare (permutări, aranjamente şi combinări) se vor aminti la

seminar, dar ele trebuie pregătite individual de fiecare student, deoarece au fost în
progama analitică a clasei a X-a.
Amintim următoarele formule importante:
n! Ank n!
Pn  1 2  3   n  n!, A 
k
, Cn 
k
 , unde n  k .
n
n  k ! k ! k !n  k !
 Exerciţii
1. Se aruncă o monedă de 15 ori. Se cere probabilitatea de a obţine de 3 ori

stema. (Indicaţie: se foloseşte schema binomială).
2. Într-o fabrică sunt 3 strunguri. Primul dă 1,3% rebuturi, al doilea 0,8% şi al
treilea 1%. Dacă luăm la întâmplare o piesă de la fiecare strung care este probabilitatea
ca două din piesele alese să fie bune şi una să fie rebut? (Indicaţie: schema Poisson).
3. O urnă conţine 40 bile numerotate cu 1, 2, 3, … 40. Se extrag simultan 12 bile.
Care este probabilitatea să obţinem 5 dintre numele 5, 13, 18, 24, 29, 30? (Indicaţie:
schema bilei neîntoarse).
4. La un concurs de pian se prezintă 12 concurenţi dintre care 8 pianişti şi 4
pianiste. Prin tragere la sorţi cei 12 concurenţi sunt împărţiţi în grupe de câte 4 fiecare
grupă prezentânsu-se la concurs într-o zi. Care este probabilitatea ca în prima zi de
concurs să se prezinte în faţa juriului 3 pianiste? (Schema hipergeometrică).
5. Într-un magazin pe 3 rafturi se găsesc câte 40 de conserve în termen sau
expirate. Pe primul raft sunt 5 conserve expirate, pe al doilea sunt 10 conserve expirate,
iar pe al treilea raft 8 conserve expirate. Un client alege de pe fiecare raft câte o
conservă. Care este probabilitatea să aleagă 3 conserve în termen. (schema Poisson).
6. La un concurs studenţesc participă 11 studenţi şi 9 studente. Organizatorii
împart participanţii pe grupe de câte 5 prin tragere la sorţi. Care este probabilitatea ca în
prima grupă să se găsească 3 studente şi 2 studenţi? (Schema hipergeometrică).
102
4.5. Variabile aleatoare
Fie F mulţimea alcătuită din Ai evenimente elementare ale unei experienţe

(fiecare eveniment Ai se realizează printr-o probă şi numai una i = 1, 2, ... n). Fiecărui
eveniment elementar Ai i se ataşează un număr real xi ce are probabilitatea de
apariţie pi .
Definiţie 26. O funcţie care ia valori dintr-o mulţime dată şi fiecărei valori fiindu-i ataşată
probabilitatea cu care ia valoarea respectivă se numeşte variabilă aleatoare.
Notaţie: X :   R .
Definiţie 27. Numim variabilă aleatoare discretă variabila aleatoare pentru care
mulţimea valorilor este un număr finit sau cel mult numărabil (experiment în care
"numărăm": Numărul fructelor stricate dintr-un lot; numărul studenţilor ce au trecut un
examen).
Variabilele aleatoare de tip discret s-au dovedit în practică insuficiente pentru marea
gamă de fenomene aleatoare cu care se confruntă un cercetător. Se impune utilizarea
unor variabile aleatoare ale căror valori să acopere o mulţime continuă de numere reale.
Definiţie 28. Numim variabilă aleatoare continuă variabila aleatoare pentru care
mulţimea valorilor este un interval finit sau infinit (experiment în care "măsurăm":
timpul de aşteptare a unui student să intre la un examen etc).
Exemple: Timpul de aşteptare a unui mijloc de transport în staţie.

Fie X o variabilă aleatoare şi valorile x1 , x2 ,  , xn ce apar cu probabilitatile pi ,
i=1, 2, .., n. Spunem că pi este probabilitatea cu care variabila aleatoare X ia valoarea
xi .
Notaţie: p1  P  X  x1  ; p2  P  X  x2  ; , pn  P  X  xn  .
Schematic, variabila aleatoare X se reprezintă astfel:
 x  xn  x  n
X :  1  sau X :  i , i  1, n ,  pi  1 .
 p1  pn   pi  i 1
Observaţii:
1. Valorile xi se scriu în ordine crescătoare;
103
2. Scrierea de mai sus poartă denumirea de tablou de repartiţie (tablou de

distribuţie) a variabilei aleatoare X. Putem să notăm variabila aleatoare şi în forma:
X xi , pi  .
3. Suma tuturor probabilităţilor corespunzătoare X este egală cu 1.
n n
i 1
pi   PX  x   PX x , x , , x   P  1 .
i 1
i 1 2 n
4. Variabila aleatoarea X care reprezintă numărul de realizări ale unui

eveniment A în cele n repetări ale unui experiment are distribuţia:
k 
X :  k k n  k  , k  0,..., n , p  q  1 spunem că urmează legea binomială.
 Cn p q 
k 
 
X :  Cak Cbn  k  , max  0, n  b   k  min  a, n  spunem că urmează legea
 Cn 
 a b 
hipergeometrică.
k 
X :     k  , k  0,1, 2,...,   0 ; spunem că urmează legea lui Poisson.
 e 
 k! 
Exemple:
1. Considerăm următorul experiment: se aruncă un zar ideal. Atunci variabila

aleatoare care determină numărul de puncte apărute la o singură aruncare este.
1 2 3 4 5 6
X : 1 1 1 1 1 1.
 
6 6 6 6 6 6
n
Se verifică uşor că p
i 1
i  1 adică
1 1 1 1 1 1
p1  p2  p3  p4  p5  p6       1.
6 6 6 6 6 6
2. Un tratament împotriva obezităţii urmat timp de o săptămână, conduce cu

probabilitatea p = 0,75 la scăderea cu un kilogram a greutăţii corporale, ceea ce
înseamnă că tratamentul a avut succes. În celelalte cazuri nu se observă modificări.
Presupunem că 4 pacienţi urmează acest tratament. Variabila aleatoare ataşată
104
experimentului pentru care tratamentul a avut succes este de tip binomial. Să se scrie
tabloul de repartiţie al lui X.
Pornim de la faptul că variabila aleatoare urmează o lege binomială. De aici
rezultă că
75 3 3 1
p  0,75   de unde q  1  p  1   .
100 4 4 4
Variabila aleatoare notată X are următoarea formă:
0 1 2 3 4
X :  
 p0 p1 p2 p3 p4 
unde P X  k   Cnk  p k  q nk .
Pentru a completa variabila aleatoare prezentăm ce rezultate pot sa apară la cei

4 pacienţi:
Probabilitatea ca pentru nici un pacient tratamentul să nu aibă rezultate:
0 4 0
3 1
p0  P X  0  Cn0  p 0  q n0  C40      
1
 = 0.0039;
4 4 256
Probabilitatea ca numai pentru un singur pacient să aibă rezultat:
1 3
3 1
p1  P X  1  Cn1  p1  q n1  C41   
3
   = 0.0468;
4  
4 64
Probabilitatea ca tratamentul să aibă rezultat pentru 2 pacienţi:
2 2
3 1
p2  P X  2  n2 27
 Cn2  p q
2
 C42      = 0.2109;
 4   4  128
Probabilitatea ca tratamentul să aibă rezultat pentru 3 pacienţi:
3 1
 3   1  27
p3  P X  3  Cn3  p 3  q n3  C43        = 0.42187;
 4   4  64
Probabilitatea ca toţi cei 4 pacienţi să răspundă pozitiv la tratament.
4 0
3 1
p4  P X  4  Cn4  p 4  q n4  C44       
81
= 0.3164.
   
4 4 256
De unde obţinem variabila aleatoare cerută în problemă:
 0 1 2 3 4 
X : 1 3 27 27 81  .
 
 256 64 128 64 256 
1 3 27 27 81
Verificare:     1.
256 64 128 64 256
105
4.5.1. Operaţii cu variabile aleatoare discrete
În cele ce urmează vom presupune că variabilele aleatoare X şi Y au

următoarele tablouri de distribuţie şi sunt independente una faţa de cealaltă:
 x  xi  xn   y1  yi  ym 
X :  1  şi Y :  .

 1
p  pi  p n  q1  q j  q m 
Adunarea variabilelor aleatoare
Variabila aleatoare X + Y are tabloul de distribuţie
 x1  y1 x1  y2  xi  y j  xn  ym 
X  Y :  ,
 p11 p12  pij  pnm 
n m
unde pij  PX  Y  xi  y j   P X  xi   Y  y j  şi  p ij 1.
i 1 j 1
În urma calculelor, valorile se aşează în ordine crescătoare, iar dacă există valori
ce se repetă, atunci valoarea va fi scrisă o singură dată iar probabilităţile valorilor
identice se vor aduna.
Dacă variabilele aleatoare X şi Y sunt independente atunci
   
pij  P X  Y  xi  y j  P X  xi   P Y  y j  pi  q j , ceea ce conduce la
scrierea:
 xi  y j 
X  Y :  .

 pi  q j 
Variabila aleatoare X + Y se numeşte suma variabilelor aleatoare X şi Y.
În cazul în care Y = a constantă se obţine suma dintre o constantă şi o variabilă
aleatoare şi avem:
 x  a x2  a  xi  a  xn  a 
X  a :  1 .
 p1 p2  pi  pn 
Înmulţirea variabilelor aleatoare
Fie variabilele aleatoare X şi Y independente. Variabila aleatoare X Y are tabloul

de distribuţie
 x1 y1 x1 y2  xi y j  xn ym 
X  Y :  
 p11 p12  pij  pnm 
106
unde     
pij  P X  Y  xi  y j  P  X  xi   Y  y j  P X  xi   P Y  y j  pi  q j   şi
n m
 p
i 1 j 1
ij 1.
Variabila aleatoare X Y se numeşte produsul variabilelor aleatoare X şi Y.

În cazul în care Y = a constanta, iar a  0 se obţine produsul dintre o constanta
şi o variabilă aleatoare şi avem:
 ax a x2  a xi  a xn 
a X :  1 .
 p1 p2  pi  pn 
P  aX  axi   P  a  a    X  xi   P  a  a   P  X  xi   1 pi  pi .
În urma calculelor valorile se aşează în ordine crescătoare iar dacă există valori
ce se repetă atunci valoarea va fi scrisă o singură dată iar probabilităţile celor două valori
identice se vor aduna.
Ridicarea la putere a unei variabile aleatoare:
xn x2 n xi n xn n 
X n : 1 , n 
*
.
 p1 p2 pi pn 
 
P X n  x1  P X  x1   p1 ,
n
PX  x2   PX  x   p ,
n n
2 2
PX  xi   PX  x   p ,
n n
i i
PX  xn   PX  x   p .
n n
n n
Exemplu:
Fie următoarele două variabile aleatoare:
0 2 4 1 2
X :  2 3 5  şi Y :  3 7  .
   
 10 10 10   10 10 
Să se calculeze: 2  X ,  4 X , X3, X+Y, X Y.

 2  0 2  2 2  4
2  X : 2  2 4 6 
,
 3 5   0.2 0.3 0.5 

 10 10 10 
P2  X  2  P X  0 
2
,
10
P2  X  4  P X  2 
3
,
10
107
P2  X  6  P X  4 
5
.
10
 4  0 4  2 4  4 
4  X :  2   16 8 0  ,
 3 5  
  0.5 0.3 0.2 
 10 10 10 
P 4  X  0  P X  0 
2
,
10
P 4  X  8  P X  2 
3
,
10
P 4  X  16  P X  4 
5
.
10
0 2 4 1 2
X Y   2 3 5   3 7  =
   
 10 10 10   10 10 
 0 1 02 2 1 22 4 1 42 

= 2 3 2 7 3 3 3 7 5 3 5 7 =
       
 10 10 10 10 10 10 10 10 10 10 10 10 
 1 2 3 4 5 6 
= 6 14 9 21 15 35  .
 
 100 100 100 100 100 100 
0 2 4 1 2
X Y   2 3 5    3 7  =
   
 10 10 10   10 10 
 0 1 02 2 1 22 4 1 42 

 2 3 2 7 3 3 3 7 5 3 5 7 = 0 2 4 8 
         0.2 0.09 0.36 0.35  .
 10 10 10 10 10 10 10 10 10 10 10 10   
4.5.2. Funcţia de repartiţie a unei variabile aleatoare
În practică apare nevoia de a determina probabilitatea ca o variabilă aleatoare

să ia o valoare mai mică decât o valoare reală. Pentru a descrie acest lucru vom defini în
continuare funcţia de repartiţie a variabilei aleatoare.
Definiţie 29. Fie X :   o variabilă aleatoare. Se numeşte funcţie de repartiţie a

variabilei aleatoare X, notată FX , o funcţie FX :  0,1 cu proprietatea că:
FX x   P X  x  ,  x  .
Observaţie:
a
1. Dacă variabila aleatoare este o constantă, X :   atunci funcţia de repartiţie
1
este definită în modul următor:
108
0, x  a
FX x    .
1, x  a
Figura 4 - Reprezentarea grafică a funcţiei de repartiţie
0 1
2. Dacă variabila aleatoare are tabloul de distribuţie: X A :   , unde
q p 
A  X  1/ P A  p atunci funcţia de repartiţie este definită astfel:
0, x  0,

FX x   q, 0  x  1,
1, x  1.

3. După cum am definit funcţia de repartiţie putem deduce în continuare
probabilitatea ca variabila X să ia valori într-un anumit interval (a, b].
Pa  X  b  F b  F a  .
Pentru aceasta pornim de la faptul că intervalele  X  a; a  X  b sunt
disjuncte, iar reuniunea lor dau intervalul  X  b  :
F b  P  X  b  P  X  a   a  X  b   P  X  a   P  a  X  b  
 F  a   P  a  X  b  de unde rezultă imediat
definitie
Pa  X  b  F b  F a  .
Exemplu:
1. Fie variabila aleatoare X:
x x2  xi  xn 
X :  1 .
 p1 p2  pi  pn 
Funcţia de repartiţie pentru această variabilă aleatoare se determină astfel:
109
0, x  x1 ,

 p1 , x1  x  x2 ,
 p  p2 , x2  x  x3 ,
FX  x    1

 p1  p2   pn1 , xn1  x  xn ,

1, xn  x.
2. Se consideră variabila aleatoare X, reprezentând rezultatul aruncării unui zar.

Tabloul de repartiţie va fi:
1 2 3 4 5 6
X :1 1 1 1 1 1.
 
6 6 6 6 6 6
Pentru x  1 , F  x   P  X  1  P     0 ;
1
Pentru 1  x  2 , F  x   P  X  x   P  X  1  ;
6
Pentru 2  x  3 , F  x   P  X  x   P   X  1   X  2  
1 1 2
F  x   P  X  1  P  X  2     ;
6 6 6
Pentru 3  x  4 , F  x   P  X  x   P   X  1   X  2   X  3  
1 1 1 3
F  x   P  X  1  P  X  2   P  X  3     ;
6 6 6 6
Pentru 4  x  5 ,
F  x   P  X  x   P   X  1   X  2   X  3   X  4  
1 1 1 1 4
F  x   P  X  1  P  X  2   P  X  3  P  X  4       ;
6 6 6 6 6
Pentru 5  x  6 ,
F  x   P  X  x   P   X  1   X  2   X  3   X  4   X  5  
5
F  x   P  X  1  P  X  2   P  X  3  P  X  4   P  X  5  ;
6
Pentru 6  x ,
F  x   P   X  1   X  2   X  3   X  4   X  5   X  6 
F  x   P  X  1  P  X  2  P  X  3  P  X  4  P  X  5  P  X  6  1 ;
4 1 3 1
Pentru a calcula P  2  X  5  F  5  F  2       0,5 .
6 6 6 2
5 2 3 1
Pentru a calcula P  3  X  6   F  6   F  3      0,5 .
6 6 6 2
110
4 4
Pentru a calcula P 1  X  5  F  5  F 1 0 .
6 6
Această variabilă aleatoare are funcţia de repartiţie F definită astfel:
0, x  1,
1
 , 1  x  2,
6
2
 , 2  x  3,
6
3
FX  x    , 3  x  4,
6
4
6 , 4  x  5,

5 , 5  x  6,
6

1, x  6.
Figura 5 - Reprezentarea grafică a funcţiei de repartiţie F
Proprietăţi:
P1. Funcţia de repartiţie F este nedescrescătoare;
P2. F    lim F x   0 ;
x
F    lim F x   1 ;
x
P3. Funcţia de repartiţie F este continuă la stânga  x  , adică
F  x  0  F  x  ,  x  ;
P4. Fie X o variabilă aleatoare şi F x  funcţia de repartiţie. Atunci au loc:
Pa  X  b  F b  F a   P X  b .
Pa  X  b  F b  F a   P X  a   P X  b .
Pa  X  b  F b  F a   P X  a  .
Demonstraţie:
F    lim F x   P X    P  0 ,
x
F    lim F x   P X    P  1 .

x
111
Observaţie:
 xi 
Pentru o variabilă aleatoare discretă X :   , i  1, n se defineşte funcţia de
 pi 
densitate prin:
 p , daca x  xi ,
f x    i
0, in rest .
Astfel funcţia de distribuţie poate fi determinată în modul următor:
F x    f x    p
xi  x
i
xi  x
i .
Pentru o variabilă aleatoare continuă putem introduce funcţia densitate de

probabilitate în felul următor:
Definim o funcţie
f :  a, b  ,
care atribuie oricărei valori x0   a, b valoarea unui factor de proporţionalitate f  x0  ,
corespunzător probabilităţii ca variabila aleatoare X să ia valori în intervalul de lungime
x , x
0 0  dx  . O asemenea funcţie îndeplineşte condiţiile:
(1) f  x   0, x   a, b ,
b
(2)  f  x  dx  1 .
a
Observaţie: Condiţia a doua corespunde realizării evenimentului sigur.
Definiţie 30. Fie F funcţia de repartiţie a unei variabile aleatoare continuă X. Se numeşte
densitate de repartiţie (densitate de probabilitate) a variabilei aleatoare X orice funcţie
f:  
, integrabilă pe , care verifică egalitatea:
x
F x    f t dt .

Deoarece funcţia de densitate este continuă cu excepţia eventual a unui număr

finit de puncte de discontinuitate de specia întâi vom spune că variabila aleatoare este
de tip continuu. Mai mult, ea este şi derivabilă şi conform definiţiei 30 obţinem prin
derivare în raport cu x:
F ' x   f x  ,  x  R .
112
Această relaţie ne permite să cunoaştem funcţia densitate de repartiţie f când

cunoaştem funcţia de repartiţie F.
În cazul când repartiţiile sunt continue pe intervalul  a, b  funcţia de repartiţie
F este dată prin:
F  x    f  x  dx, daca a  x  b.
a
Proprietăţi: Dacă X este variabilă aleatoare continuă cu funcţia densitate de reparţie f şi

funcţia de repartiţie F atunci au loc proprietăţile:
1. Dacă I  R :
P X  I    f t  dt ;
I
2. Dacă I  a, b :
b
Pa  X  b   F b   F a   f t  dt ;

a
3. Dacă I este R:

 f t  dt  P   X    P  1.


4. Pentru variabile aleatoare continue are loc:
b
P  a  X  b   P  a  X  b   P  a  X  b   P  a  X  b   f t  dt 
a
P  a  X  b   F b   F  a  oricare a , b  R.
4.5.3. Valori tipice ale unei variabile aleatoare
Analiza unui fenomen sau experiment se realizează cu dificultate pe baza

analizei valorilor sau a probabilităţilor de apariţie. De aici apare necesitatea utilizării
unor valori standard ale unei variabile aleatoare numite în continuare valori tipice.
În momentul în care dorim să comparăm diferite fenomene aleatoare vom avea
nevoie să introducem anumite caracteristici numerice care să fie uşor de calculat, să fie
importante pentru fiecare fenomen şi să prezinte variaţia fenomenului aleator.
Exemplu: Clasificarea studenţilor pentru a primi bursă se face cu ajutorul mediei
notelor obţinute la toate examenele, nu se compară notele între ele.
113
I. Caracteristici numerice ce exprimă tendinţa centrală a valorilor

unei variabile aleatoare
a). Media
x 
Definiţie 31. Fie X o variabilă aleatoare discretă, având tabelul de repartiţie: X :  i  ,
 pi 
i= 1,n. Se numeşte media variabilei aleatoare discrete numărul:
n
M  X   x1  p1  x2  p2    xn  pn  x  p
i 1
i i .
Observaţie:
Media se notează M  X  ,  sau  X şi caracterizează tendinţa centrală a
valorilor variabilei aleatoare.
Definiţie 32. Fie X o variabilă aleatoare continuă. Se numeşte media variabilei aleatoare
continue (dacă există):
M  X    x  f  x  dx .
a
Proprietăţi: Fie a  R , X şi Y două variabile aleatoare:

1. M a  a ;
2. M a X   a M  X  ;
3. M  X  Y   M  X   M Y  ;
4. M  X  a  M  X   a ;
5. M  X Y   M  X  M Y , X şi Y variabile aleatoare independente.
Demonstraţie:
a
1. a constantă X :   conform definiţiei M  X   a 1  a ;
1
n n
2. M aX   
i 1
a  xi  pi  a  x  p
i 1
i i  a  M X  ;
x   yj 
3. X :  i  şi Y :   variabile independente şi conform definiţiei
 pi  qj 
 xi  y j 
X  Y :  

 pi  q j 
114
 x  y  p  q   x  p  q   y
n m n m n m
M X  Y   i j i j i i j j  pi  q j 
i 1 j 1 i 1 j 1 i 1 j 1
 xi  pi  q j   pi  y j  q j   M X   M Y  , deoarece

n m n m

i 1 j 1 i 1 j 1
n m

i 1
pi  1 şi q
j 1
j  1.
4. demonstraţia este imediată deoarece alegem la relaţia anterioară variabila

aleatoare y constantă.
M  X  Y    xi  y j  pij  folosind independenţa variabilelor obţinem

n m
5.
i 1 j 1
  xi  y j  pi  q j    xi  pi     y j  q j   M  X   M Y 
n m n m
i 1 j 1 i 1 j 1
Observaţie:
Media unei variabile aleatoare discrete X are următoarea interpretare: M  X 
este valoarea în jurul căreia se grupează valorile variabilei aleatoare X.
b). Mediana
Având în vedere faptul că valoarea medie este influenţată de valorile extreme ce

pot aparea accidental într-o serie de date trebuie să găsim o altă valoare tipică care să
nu aibă acest inconvenient.
Definiţie 33. Mediana unei variabile aleatoare discrete X este o valoare numerică,
notată Me  X  , care împarte valorile variabilei X în două grupe de probabilităţi egale:
P  X  Me  X   
1
,
2 .
P  X  Me  X    .
1
2
Pentru a determina mediana unei variabile aleatoare continue folosim funcţia de
repartiţie F x   P X  x  . Această proprietatea se scrie:
P  X  Me  X    F  Me  X   ,
definitie
P  X  Me  X    1  F  Me  X   de unde obţinem:
F  Me  X   
1
.
2
Pentru variabilă aleatoare continuă X relaţia F x  

1
conduce la
2
115
Me
1
 f  x  dx  2 .

Având în vedere că funcţia F este continuă şi crescătoare rezultă o soluţie unică.
c). Cuantile (de ordin n)
Ca o generalizare a noţiunii de mediană se obţin valorile cuantile de ordin n. Ele

sunt valori ale unei variabile aleatoare care împart repartiţia în n părţi egale. Trebuie
iniţial ca valorile să fie ordonate crescător. În funcţie de valorile lui n identificăm mai
multe cazuri:
- cuantila de ordinul n = 2 este chiar mediana;

- cuantila de ordin n = 4; vorbim despre cuartile, în număr de 3: prima x 0.25 sau
Q1 - cuartila inferioară, x 0.50 sau Q2 este chiar mediana, x 0.75 sau Q3 cuartila
superioară, iar diferenţa Q3 - Q1 reprezintă intervalul intercuartilic;

- cuantila de ordin n = 10, atunci vorbim despre decile (în număr de 9);
- cuantila de ordin n = 100, atunci vorbim despre percentile (în număr de 99).
d). Valoarea modală
Valoarea modală sau dominantă este valoarea variabilei X care are

probabilitatea cea mai mare de apariţie. Notaţia este M 0  X  .
M 0  X   xk unde pk  max pi  max f xi  i =1, 2, …n.
Dacă variabila aleatoare are două valori cu probabilitaţi egale maxime spunem
că variabila este bimodală. Dacă are trei valori cu probabilitaţi egale maxime spunem că
este trimodală, iar dacă toate valorile au aceeaşi probabilitate de apariţie atunci
variabila nu are valoare modală.
Exemplu:
Un sportiv incearcă să depăşească să-şi îmbunătăţească recordul personal la
saritura în lungime în trei încercări. Şansa să-l depăşească din prima încercare este de
0.1, din a doua 0,2 şi din a treia 0,4. Să se scrie variabila aleatoare ataşată acestui
experiment şi să se calculeze valoarea medie, mediana, şi valoarea modală.
R: Distribuţia variabilei aleatoare X este reprezentată astfel:
 0 1 2 3 
X  
 0.3 0.1 0.2 0.4 
P  X  1  0.1 Probabilitatea ca sportivul să reuşească din prima încercare;
116
P  X  2   0.2 Probabilitatea ca sportivul să reuşească din a doua încercare;
P  X  3  0.4 Probabilitatea ca sportivul să reuşească din a treia încercare;
P  X  0  1  0.1  0.2  0.4  0.3 Probabilitatea ca sportivul să nu reuşească din cele
trei încercări.
Calculăm valoarea medie a variabilei aleatoare:
M  X   0  0.3  1 0.1  2  0.2  3  0.4  0.1  0.4  1.2  1.7
0 , pentru x  0,
0.3, pentru 0  x  1,

F  x   0.4, pentru 1  x  2,
0.6, pentru 2  x  3,

1 , pentru 3  x.
P  X  2   0.6,
P  X  2   0.6 de unde rezultă că Me  X   2
Valoarea modală Mo  X   3 deoarece valoarea variabilei cu probabilitatea de reuşită
cea mai mare este x  3 .

Interpretare: Dacă am calcula media aritmetică a valorilor variabilei aleatoare X vom
obţine valoarea 1.5. Ea este diferită de valoarea obţinută 1.7 deoarece se calculează o
media ponderată a valorilor adică fiecare încercare a sportivului are o altă pondere
(şansă de reuşită).
e). Momentul iniţial de ordin r
Momentul iniţial de ordin r generalizează noţiunea de medie.
Definiţie 28. Se numeşte momentul iniţial de ordin r ( r  N * ) al variabilei aleatoare

discrete X, numărul:
  x
n
M r X   M X r  r
i pi .
i 1
În particular
M1  X   M  X  .
Pentru varibile aleatoare continue se defineşte în mod analog (daca integrala există):
b
M r  X    x r  f  x  dx .
a
117
Din cauză că prin ridicarea la puterea r valorile ce rezultă devin foarte mari pentru a
uşura calculele se foloseşte noţiunea de moment centrat în care se utilizează valoarea X-
M(X).
Definiţie 29. Se numeşte momentul centrat de ordin r al variabilei aleatoare X numărul:
   x  M X  p .
n
mr  M r  X  M  X   M  X  M  X  
r r
i i
i 1
II. Caracteristici numerice ce caracterizează gradul de împrăştiere a

valorilor unei variabile aleatoare
Caracteristicile introduse în paragraful precedent nu acoperă toate tipurile de

experimente din practică. De exemplu, doi studenţi care la 20 de examene au obţinut,
primul, 10 note de 10 şi 10 note de 4; al doilea a obţinut 20 de note de 7 din punct de
vedere al mediei ambii studenţi sunt identici (media este 7) deşi unul este repetent şi
celălalt integralist. Diferenţa apare în modul împrăştiere a datelor.
f). Amplitudinea
Amplitudinea este valoarea egală cu diferenţa dintre cea mai mare şi cea mai
mică dintre valorile variabilei X.
A X   maxx1 , x2 ,..., xn   minx1 , x2 ,..., xn .
Media unei variabile aleatoare poate da o idee greşită asupra mărimii majorităţii
valorilor dacă în seria de valori apar valori extreme (foarte mici sau foarte mari). Astfel
introducem următoare definiţie.
g). Abaterea individuală
Definiţie 30. Abaterea individuală se calculează ca diferenţa dintre valoarea

variabilei aleatoare minus media valorilor:
d i  xi  M  X 
sau în procent relativ:
xi  M  X 
di %  100 .
M X 
h). Abaterea medie liniară
Definiţie 31. Abaterea medie liniară reprezintă valoarea obţinută ca o medie

aritmetică a abaterilor individuale faţă de medie:
118
x
i 1
i  M X 
d
n
i). Dispersia
Definiţie 32. Se numeşte dispersia (varianţa) lui X momentul centrat de ordin

doi al variabilei aleatoare discrete X.
Dispersia unei variabile aleatoare X se notează cu D 2  X  sau  X2 .
   x  M X   p .
n
D 2  X   m2  X   M  X  M  X  
2 2
i i
i 1
Observaţie:
1. Dacă urmărim raţionamentul de mai jos observăm că
x   x  M  X 
X :  i , i  1...n , X  M  X  :  i , i  1...n
 pi   pi 
de unde M  X  M  X   M  X   M M  X   0 . Astfel dispersia se defineşte ca fiind

media pătratelor a abaterii de la medie.
2. În calcule, este mai uşor de utilizat expresia:
  
D 2  X   M  X  M  X   M X 2  2  X  M  X   M 2  X   .
2

 
 M X 2  2  M  X  M  X   M 2  X   M X 2  M 2  X  .  
 
D2 X   M X 2  M 2 X  .
Dacă X este o variabilă aleatoare continuă, cu funcţia densitate de repartiţie

f x  , spunem că dispersia se calculează în modul următor (dacă integrala există):
2
b
b 
D  X   x f x  dx   x  f x  dx  .
2

2

 
a a 
Proprietăţi: Dispersia unei variabile aleatoare are proprietăţile a  R :
D a   0;
2
1.
D a X   a 2 D 2  X ;
2
2.
D a  X   D 2  X ;
2
3.
119
D  X  Y   D 2  X   D 2 Y ; dacă X şi Y sunt independente.

2
4.
Demonstraţie:
 
1. D 2 a   M a 2  M 2 a   0;
 a  X   M  a 2  X 2   M 2  a  X   a 2  M  X 2   a 2 M 2  X   a 2  D2  X  ;
2
2. D
3. D
2
 a  X   D2  a   D2  X   0  D2  X   D2  X  ;
   
4. D 2  X  Y   M  X  Y 2  M 2  X  Y   M X 2  2  X  Y  Y 2  M 2  X  Y  
   
 M X 2  2  M  X  M Y   M Y 2  M  X   M Y  
2
 M X   2  M  X  M Y   M Y   M  X   2 M  X  M Y   M
2 2 2 2
Y  
 M X   M Y   M  X   M Y   D  X   D Y  .
2 2 2 2 2 2
j). Abaterea medie pătratică (deviaţia standard)
Definiţie 31. Abaterea medie pătratică este definită ca fiind rădăcina pătrată a
dispersiei. Se notează cu D(X) sau  X .
D X    X  D 2  X  ,
adică:
n
D X    X   x  M  X 
i 1
i
2
 pi .
Observaţie:
1. Cantităţile precum media şi dispersia care indică anumite proprietăţi ale

distribuţiei se numesc parametrii distribuţiei.
2. Abaterea medie pătratică reflectă într-o măsură mai mare influenţa factorilor
aleatori comparativ cu abaterea medie liniară deoarece abaterile extreme prin ridicare
la pătrat au o influenţă mai mare decât abaterile intermediare, mai apropiate de medie.
Inegalitatea lui Cebîşev18: Fie X o variabilă aleatoare, iar a un număr pozitiv

oarecare atunci
D2 X 
P X  M  X   a   1  a  , a  0.
a2
18
Pafnuti Lvovici Cebîşev (1821 - 1894 ) - matematician rus; este cunoscut pentru teorema limită
centrală şi legea numerelor mari.
120
D2  X 
adică cu o probabilitate cel puţin egală cu 1  variabila aleatoare X ia valori în
a2
intervalul  M  X   a, M  X   a  .
Exemplu:
1. Variabila aleatoare X are valoarea medie M  X   20 şi abaterea medie
pătratică   2 . Să se determine o margine inferioară pentru probabilitatea că X să ia

valori cuprinse între 10 şi 30.
2. Gramajul unei pâini de 500 g poate varia într-un interval foarte precis  30 g (
 6%) conform Ordinul Autoritatii Nationale pentru Protectia Consumatorilor.
R: Construim relaţia din inegalitatea lui Cebîşev: Din intervalul 10  X  35 ,
scădem media 10  20  X  20  30  20 de unde obţinem 10  X  20  10 .
Probabilitatea P 10  X  30   P  10  X  20  10   P  X  20  10  .
Suntem în condiţiile din inegalitatea lui Cebîşev:

22
P  X  20  10   1 
96 48
2
   0.96 .
10 100 50
Interpretare: Probabilitatea minimă ca variabila aleatoare din ipoteză să ia valori
cuprinse în intervalul 10, 30  este de 96%.
k). Coeficientul de variaţie
Acest coeficient este utilizat în scopul stabilirii gradului de omogenitate a unui

eşantion şi se obţine din raportul dintre abaterea medie pătratică şi media variabilei.
D X 
C.V . X   100
M X 
Observaţie:
Interpretarea rezultatelor se face în felul următor (Jaba, 2005):
1. pentru variabila aleatoare X, variabilitatea caracteristică se consideră mică atunci
când C.V . X %  17% . În acest caz, împrăştierea valorilor este mică de unde rezultă că
media este strict reprezentativă.

2. variabilitatea caracteristică se consideră medie atunci când 17%  C.V . X  %  35% .
În acest caz împrăştierea datelor este medie de unde rezultă că media este suficient de
reprezentativă.
3. variabilitatea caracteristică se consideră mare atunci când 35%  C.V . X  %  50% .
În acest caz media este reprezentativă în sens larg.

4. variabilitatea caracteristică se consideră foarte mare atunci când C.V . X %  50% .
121
Împrăştierea valorilor este foarte mare şi media nu mai este reprezentativă pentru
reprezentarea tendinţei centrale a datelor. În acest caz se recomandă utilizarea
medianei în analiza statistică.
l). Coeficientul de asimetrie – skewness (Pearson19)
m3  X 
1  X   ,
 X 3
unde m3  X  reprezintă momentul centrat de ordin 3, iar  X2 varianţa.
Dacă valoarea mărimii 1  X  este zero atunci variabila are distribuţia simetrică,
iar dacă valoarea coeficientului de asimetrie este nenulă atunci distribuţia este
asimetrică. Semnul indică direcţia asimetriei.
m). Coeficientul de boltire – kurtosis (Pearson)
m4  X 
 2 X   ,
 
2 2
X
unde m4  X  reprezintă momentul centrat de ordin 4, iar  X2 varianţa variabilei
aleatoare X.
Observaţii:
1. Pentru o distribuţie normală acest coeficient va avea valoarea 3 (distribuţie

mezocurtică). Pentru valori mai mari de 3 distribuţia poartă denumirea de distribuţie
leptocurtică ("leptos" = subţire), iar pentru valori mai mici de 3 poartă denumirea de
distribuţie platicuritcă ("platus" = lat).
2. În diferite lucrări se utilizează şi coeficientul lui Fischer ce se calculează după
formula:
 2  2  3 .
Exemple:
1. Să se calculeze caracteristicile numerice ale variabilei aleatoare X determinată

de suma punctelor obţinute la aruncarea a două zaruri.
Rezolvare:
Se cer media, mediana, dominanta, dispersia, abaterea medie pătratică,
amplitudinea. Vom folosi definiţiile anterioare. Trebuie să determinăm iniţial valorile
variabilei aleatoare.
19
Karl Pearson (1857 - 1936) - matematician englez, părintele disciplinei Statistică matematică.
122
 2 3 4 5 6 7 8 9 10 11 12 
X : 1 2 3 4 5 6 5 4 3 2 1 .
 
 36 36 36 36 36 36 36 36 36 36 36 
Modul de calcul a fost următorul: valoarea 2 o obţinem când pe ambele zaruri

apare faţa cu numărul 1. Probabilitatea de apariţie a acestui caz se determină folosind
Definiţie probabilităţilor: există un singur caz favorabil şi 36 cazuri posibile (6 feţe are un
zar şi 6 feţe al doilea zar).
11
Media: formula este M  X   x  p :
i 1
i i
1 2 3 4 5 6 5 4
M  X   2  3  4   5  6  7   8  9 
36 36 36 36 36 36 36 36
.
3 2 1
10   11   12  7
36 36 36
Mediana: M e  X   7 verificăm dacă îndeplineşte condiţiile din definiţie:
P X  7  
1 2 3 4 5 15 1
      ,
36 36 36 36 36 36 2
P X  7  
15 6 1
  (adevărat).
36 36 2
Dominanta: M 0  X   7 valoarea are probabilitatea cea mai mare.
 
Dispersia: Folosim formula D 2  X   M X 2  M  X 2 .
Trebuie să mai calculăm media lui X2:
 4 9 16 25 36 49 64 81 100 121 144

X 2 : 1 2 3 4 5 6 5 4 3 2 1 .
 
 36 36 36 36 36 36 36 36 36 36 36 
 
M X 2  4
1
36
2 3 4 5 6 5
 9   16   25   36   49   64  
36 36 36 36 36 36
4 3 2 1 1974
 81  100  121  144  .
36 36 36 36 36
 
D 2  X   M X 2  M  X  
2 1974 2
36
 7  5.83 .
Abaterea pătratică medie:
 X  D 2  X   5.83  2.41 .
2. Se consideră variabila aleatoare X cu următorul tablou de repartiţie:
 1 0 1
X : 1 1.
 
 3 3
a). Să se determine valoarea  şi tabloul de repartiţie al variabilei aleatoare
123
Y  2X  X 2 ;
b). Să se calculeze M 3Y  şi D 2 2011 2Y  .
Rezolvare:
n
a). Folosim proprietatea p
k 1
k  1 pentru a găsi valoarea  :
1 1 1 1 1
   1  1   .
3 3 3 3 3
 1 0 1  2 0 2
De unde obţinem X :  1 1 1  . Calculăm valoarea 2X :  1 1 1  unde
   
3 3 3  3 3 3
am folosit realaţiile:
P2 X  2  P X  1 

1
,
3
P2 X  0  P X  0  ,
1
3
P2 X  2  P X  1  .
1
3
0 1
Calculăm variabila aleatoare X 2 :  1
 
 
2  ; P X 2  0  P X  0  şi
1
3
3 3
 
P X 2  1  P X  0   X  1  P X  0  P X  1    .
1 1 2
3 3 3
  2 1 0 1 2 3
Y  2X  X 2 :  1 2 1 2 1 2.
 
 9 9 9 9 9 9
Modul de calcul pentru probabilităţile ce apar în variabila aleatoare y este

următorul:
  
PY  2  P 2 X  2  X 2  0  P2 X  2P X 2  0    ,
1 1 1
3 3 9
 
  
PY  1  P 2 X  2  X 2  1  P2 X  2P X 2  1    ,
1 2 2
3 3 9
 
  
PY  0  P 2 X  0  X 2  0  P2 X  0P X 2  0    ,
1 1 1
3 3 9
 
  
PY  1  P 2 X  0  X 2  1  P2 X  0P X 2  1    ,
1 2 2
3 3 9
 
  
PY  2  P 2 X  2  X 2  0  P2 X  2P X 2  0    ,
1 1 1
3 3 9
 
  
PY  3  P 2 X  2  X 2  1  P2 X  2P X 2  1    .
1 2 2
3 3 9
 
124
b). Pentru a calcula media folosim proprietăţile mediei M 3Y   3  M Y  unde
2 22226 2
M Y    2    1   0   1   2   3  
1 2 1 2 1
 .
9 9 9 9 9 9 9 3
Deci media ce trebuia calculată este M 3Y   3 

2
2.
3
Pentru a calcula dispersia variabilei aleatoare folosim proprietăţile dispersiei
2
 
D 2 2011 2Y   D 2  2Y    2  D 2 Y   4  D 2 Y  unde D 2 Y   M Y 2  M Y  .
2
0 1 4 9
Y 2 : 1 4 2 2 .
 
9 9 9 9
Modul de calcul pentru probabilităţile ce apar în variabila aleatoare Y2 este

următorul:
 
P Y 2  0  PY  0 
1
9
,
 
P Y 2  1  PY  1  Y  1  PY  1  PY  1 
2 2 4
  ,
3 3 9
 
P Y 2  4  PY  2  Y  2  PY  2  PY  2    ,
1 1 2
3 3 9
 
P Y 2  9  PY  3 
2
9
,
  1
9
4
9
2
9
2 4  8  18 30 10
M Y 2  0   1  4   9  
9 9

9
 ,
3
2
2
M Y 2 4
    . Înlocuim valorile găsite în Definiţie dispersiei:
3 9
 
D 2 Y   M Y 2  M Y  
2 10 4 30  4 26
 
3 9 9

9
.
De unde obţinem în final: D 2 2011 2Y   4  D 2 Y   4 

26 104
 .
9 9
3. Un partid a estimat că un anumit candidat are 35% şanse să câştige alegerile

locale. Câţi alegători trebuie să chestionăm dacă vrem să verificăm poziţia partidului cu
o probabilitate de cel puţin 0.97, ştiind că procentul de alegători ce intenţionează să-l
voteze pe candidat se încadrează între 30% şi 40%?
Rezolvare: Considerăm o variabilă aleatoare Xn este numărul celor care votează
candidatul din n participanţi aleşi aleator. Vom calcula numărul cel mai mic n pentru
care
125
 X 
P  0.3  n  0,4   0,97 .
 n 
Variabila aleatoare X are repartiţia de tip binomial Bn, 0.25 unde n este
numărul de oameni pe care vrem să-l determinăm.

Xn
Frecvenţa relativă cu care este votat candidatul se calculează uşor . Media
n
 X  np
este dată M  X n   n  p , dar M  n    p  0.35 , iar pentru a calcula dispersia
 n  n
X  1
folosim proprietăţile D 2  n   2 D 2 X n  de unde rezultă
 n  n
1 91
2
npq  0.35  0.65  . Aplicăm inegalitatea lui Cebîşev pentru a = 0.05.
n 400n
X 
D2  n 
 X   n   0,97 , de aici putem determina numărul
P n  0,35  0.05  1 
 n  0.052
n:
91
9110000 91
1  400n2  0,97 adică 1  0,97 de unde  0,03
0.05 400n  25 n
9100
n  3033.
3
Concluzia: chestionarul trebuie făcut pe un minim de 3033 de alegători.
 Exerciţii
1. Fie X şi Y două variabile aleatoare cu repartiţiile:
 2 3   0 4 6 
X :   , Y :   .
 0.4 0.6   0.3 0.5 0.2 
a). Să se determine tabloul de repartiţie pentru următoarele variabile aleatoare:
12X  4Y , X 2  Y 2 , X  Y , X 2  Y 2 ;
b). Să se calculeze M  X  , M Y  , D2  X  , D2 Y  .
c) Să se calculeze M 12 X  4Y  , M  X  Y  , M  X  Y  , D 12 X  4Y  .

2 2 2
 3 1 2  1 2 3
X : 1

6. Y : 1 
2.
 2   2 
 9 9 5 5
a). Să se determine valorile  şi  ;
126
b). Să se calculeze X  Y , X  Y ,  2  X , 4  Y , X 3 , X 4 ;
c). Să se calculeze M  X  , M Y  , D2  X  , D2 Y  ;
d). Să se determine M  4 X 2  Y 2  , D2   2  X  4  Y  .
 1 2 4 5   2 1 2 4
X : 1 2 1
. Y : 1 1 
1.
 2   2 
 10 10 10  9 9 9
a). Să se determine valorile  şi  ;
b). Să se calculeze X  Y , X  Y ,  4  X , 5  Y , Y 3 , Y 4 ;
c). Să se calculeze M  X  , M Y  , D2  X  , D2 Y  ;
d). Să se determine M  4 X  2016 , D 12 X  2016 .

2 2
a 1 2 a 1 1 2
X :1 1 1, Y : 1 1 1.
   
3 3 3  4 4 2
Să se determine valoarea lui a dacă D 2  X  Y  

2
.
3
5. Se aruncă o monedă de 9 ori. Să se calculeze caracteristicile numerice ale
variabilei aleatoare X ce reprezintă numărul de apariţii ale stemei.
4.6. Repartiţii clasice
Repartiţiile clasice ale unei variabile aleatoare X definesc modul în care este
distribuită probabilitatea totală (egală cu 1) pe fiecare valoare posibilă a variabilei
aleatoare X. Descrierea unei repartiţii se face cu ajutorul funcţiei de repartiţie F(x) în
cazul unei variabile aleatoare discrete, respectiv prin funcţia de densitate f(x) pentru
cazul unei variabile aleatoare continue.
În continuare, pentru a desemna legea urmată de variabila X vom folosi litera
majusculă a denumirii legii. De exemplu, variabila X N   ,  2  are o repartiţie
normală de parametrii  şi  2 .
A. Repartiţii de tip discret
Vom defini câteva variabile aleatoare cu un număr finit de valori mai des
întâlnite în aplicaţii.
127
1). Repartiţia uniformă discretă U(n)
Definiţie 33. Spunem că variabila aleatoare X are repartiţie uniformă U(n) dacă
valorile lui X au aceeaşi probabilitate de apariţie:
1 2  n
X :  ,
 p1 p2  pn 
unde pk  P X  k  
1
, k  1, , n.
n
În acest caz media este
1 1 1 1  2  n n  n  1 n  1
 X  M ( X )  1   2   n     .
n n n n 2n 2
 12 22  n2 
Calculăm X 2 :   de unde
 p1 p2  pn 
1 1 1 12  22   n2
M ( X 2 )  12   22   n 2   
n n n n
n   n  1 2n  1  n  1 2n  1
  .
6n 6
Dispersia este
 
 X2  D 2 ( X )  M X 2  M 2  X  
n  12n  1  n  12 
n2 1
.
6 4 12
2). Repartiţia Bernoulli de parametru p
Definiţie 34. Variabila aleatoare X are repartiţie Bernoulli de parametru p dacă

ia valorile 0 şi 1 cu probabilităţile: p  P X  1 şi q  P X  0 :
0 1 
X :   unde p + q = 1, şi X2 este identic cu X.
 q p 
 
 X  M  X   M X 2  0  q  1 p  p ;
 
 X2  D 2  X   M X 2  M 2  X   p  p 2  p1  p   p  q .
Notaţie: B1, p  .
128
3). Repartiţia binomială de parametrii n şi p ( Bn, p  )
Definiţie 35. Variabila aleatoare X are repartiţie Bernoulli de parametrii n şi p

dacă ia ca valori numărul de realizări ale unui eveniment A în n încercări cu
probabilitatea: P X  k   Cn  p  q
k k nk
, k  0,1, 2, , n.
Variabila X are următorul tablou de distribuţie:
0 1 2  k  n
X :  n 
q Cn1 pqn1 Cn2 p 2 q n2  Cnk p qk nk
p n 
n
unde C
k 1
k
n p k q nk   p  q   1
n
.
Notaţie: Bn, p  .
În acest caz media este X  M (X )  n  p şi dispersia este
 X2  D 2 ( X )  n  p  q .
Observaţie:
1. Variabila aleatoare X poate fi considerată ca suma a n variabile Bernoulli
independente de parametru p.
2. În practică este folosită la experimentele în care extragerile se efectuează cu
revenire.
4). Repartiţia hipergeometrică de parametrii n, a, b
Definiţie 35. Variabila aleatoare X are repartiţie hipergeometrică cu parametrii

n, a, B (n – numărul de extrageri, a numărul de bile albe, b numărul de bile negre) dacă
Cak  Cbnk
ia valorile k, cu max 0, n  b  k  min n, a  , cu probabilitatea P X  k   ,
Canb
nab.
abn a b
 X2  D 2 ( X )  n  p  q  , unde p  , q , n reprezintă numărul de
a  b 1 ab ab
extrageri şi n = a+ b.
Observaţie
1. Această repartiţie se utilizează în practică la experimentele în care extragerile
se efectuează fără revenire.
Notaţie H N , n, p  .
129
2. În practică se aproximează repartiţia hipergeometrică cu o repartiţie

n 1
binomială dacă are loc relaţia:  .
N 10
abn N n
D 2 ( X )  npq  npq , n >>N.
a  b 1 N 1
Exemplu:
Se ştie că 150 din cei 1500 de studenţi, din anul I, ai unei universităţi sunt
cetăţeni străini. Dacă se aleg la întâmplare 9 studenţi, care este probabilitatea ca ei sa
nu fie studenţi străini?
Demonstraţie:
Variabila aleatoare ce rezultă din problemă este X  H 1500, 9, p  .
a = 150, b = 1500-150=1350, n = 9, N = 1500.

9 1
În acest caz se respectă regula  de aici rezultă că repartiţia
1500 10
hipergometrică se aproximeaxă cu o repartiţie binomială X  Bn, p  .
150
Probabilitatea ca să alegem un student străin p  0,1 şi
1500
q  1  p  1  0,1  0,9 de unde X  B9, 0,1 .
Alegem A evenimentul ca cei 9 studenţi aleşi să nu fie străini.
P A  C90  p 0  q 9  0,9  0,3467 .

9
Dacă folosim formulele de la repartiţia hipergeometrică obţinem:

0
 C1350
9
1 3.9961022
P A 
C150
  0.347 .
9
C1500 1.0341023
5). Repartiţia Poisson de parametru λ (repartiţia evenimentelor

rare)
Definiţie 36. Variabila aleatoare X are repartiţie Poisson de parametru λ (media

variabilei), λ > 0, dacă
k
P  X  k   e  , k  N .
k!
 0 1 2 k n 
X :     2
 k
 n .
 e e   e   e   e   
 1! 2! k! n! 
130
În acest caz media este  X  M (X )   şi dispersia este  X2  D 2 ( X )   .
Notaţie: X P   .
Observaţii:
1. Această repartiţie este utilizată în practică în situaţii diferite: numărul de
studenţi ce intră la un examen într-un interval dat, numărul de animale cu efecte
negative la acelaşi tratament etc.
2. Repartiţia Poisson de parametru λ poate fi o bună aproximare a repartiţiei
binomiale atunci când probabilitatea p este foarte mică şi valoarea n este mare (n > 40).
3. Atunci când λ > 20 repartiţia Poisson poate fi aproximată printr-o repartiţie
normală: X P     N ,  . 
B. Repartiţii continue
1. Repartiţia uniformă U(a,b)
Definiţie 36. Variabila aleatoare X are repartiţie uniformă U(a, b) dacă funcţia
sa de densitate este definită:
 1
 , daca x  a, b 
f  x, a , b    b  a .

0 , daca x  a , b 
Observaţie: Repartiţia uniformă corespunde cazului în care densitatea de probabilitate
este constantă pe un interval mărginit.
ab
În acest caz, media este X  M (X )  şi dispersia este
2
 X2  D 2 ( X ) 
b  a 2 .
12
Figura 6 - Reprezentarea grafică a repartiţiei uniformă
131
2. Repatiţia normală N  ,  
Definiţie 37. Variabila aleatoare X are repartiţie normală N  ,   dacă funcţia
sa densitate de probabilitate este defintă astfel:
 x   
2
1
f  x,  ,    2 2
e dacă x  R .
 2
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-10 -8 -6 -4-0.05
-2 0 2 4 6 8 10
Figura 7 - Reprezentarea grafică a funcţiei densitate de probabilitate

pentru diferite valori ale dispersiei şi media 0
În acest caz media este  X  M (X )   şi dispersia este  X2  D 2 ( X )   2 .
Această repartiţie poartă denumirea de repartiţia gaussiană deoarece graficul

funcţiei de densitate este clopotul lui Gauss.
Dacă pentru medie şi dispersie alegem valorile 0 şi 1 atunci funcţia de densitatea
de repartiţie devine:
x2
1 
f  x,0,1  e 2 , dacă x  R .
2
Aceasta poartă denumirea de repartiţie normală standard, notată N 0, 1 .
Observaţie:
În analiza statistică repartiţia normală este considerată o repartiţie importantă
deoarece este asociată diverselor caracteristici ale unei populaţii.
Considerăm o variabilă aleatoare X N  0,1 . Atunci funcţia de repartiţie
F : R  R se defineşte astfel:
x t2

F  x   P X  x  
1


2
e 2 dt
de unde prin calcule obţinem:
132
0 t2 x t2 x t2
  
F x   e 2 dt   x  .
1 1 1 1 1
2 e

2 dt 
2 e
0
2 dt  
2 2 0 2
x t2

În continuare funcţia notată x  
1
2 
e 2 dt
se numeşte funcţia Laplace20.
0
Observaţie:
1. Funcţia Laplace este o funcţie impară:
 x   x  .
2. În urma notaţiei obţinem:
F x    x  .
1
2
La finalul cărţii, în anexa 1, se găsesc valorile pentru funcţia Laplace.
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
-10 -8 -6 -4 -0.05
-2 0 2 4 6 8 10
Figura 8 - Curba lui Gauss pentru diferite valori ale dispersiei şi media 0, -3, +3
Proprietăţi:
Fie o variabilă aleatoare X cu repartiţie X N  0,1 atunci:
1. P  a  X  b   b  a  ;
2. Dacă X N   ,   atunci are loc relaţia:
b   a
P  a  X  b       ;
     
3. P  X  k   2   k  sau P   k  X  k   2   k  .
Demonstraţie:
20
Pierre-Simon, marquis de Laplace (1749 - 1827) matematician francez, a avut contribuţii la
dezvoltarea matematicii, statisticii, fizicii şi astronomiei.
133
1 
1. P  a  X  b   F b   F a     b     a    b   a  .
1
2 2 
2. Dacă variabila aleatoare X are repartiţie normală X N   ,   atunci prin
X 
procedeul de normalizare noua variabilă aleatoare Y  N  0,1 .

Astfel obţinem:
 a   X X   X b   X  prop 1  b   X   a  X 
P  a  X  b  P          .
 X X X   X   X 
3. Dacă X  N 0, 1 şi a  k , b  k atunci P   k  X  k    k     k  .
Funcţia Laplace fiind impară atunci:

P   k  X  k    k    k   2   k  .
Exemple:
1. Să determinăm prin calcul câteva din valorile importante pentru o repartiţie
normală
În intervalul  X   X ,  X   X  se găsesc aproximativ 68% din valorile
variabilei. În acest caz a   X   X , b   X   X . Aplicăm proprietatea de mai sus:
 b  X   a  X 
P  a  X  b   P   X   X  X   X   X        
 X   X 
    X  X   X   X  X  anexa 1
 X       1    1  2   1 
 X   X  .
 2  0.3413  0.6826  68%
În mod analog, în intervalul  X  2   X ,  X  2   X  se găsesc aproximativ 95% din
valorile variabilei:
   2  X  X   X  2  X  X  anexa 1
 X        2     2   2    2   .
 X   X 
 2  0.4772  0.954  95%
În mod analog, în intervalul  X  3   X ,  X  3   X  se găsesc aproximativ 99% din
valorile variabilei:
   3  X  X   X  3  X  X  anexa 1
 X        3    3  2    3 
 X   X  .
 2  0.4985  0.997  99,73%
2. Se presupune că greutatea la naştere a unui copil urmează o distribuţie
normală de medie   3.3 kg şi o dispersie  2  0.0324 . Se cere:
a). să se determine probabilitatea de a se naşte un copil cu greutatea mai mică
decât 3.4 kg.
134
b). să se determine probabilitatea de a se naşte un copil cu greutatea cuprinsă

între 3.1 şi 3.4 kg.
Rezolvare:
Notăm cu X variabila aleatoare care reprezintă greutatea la naştere a unui copil.
Variabila X are distribuţie normală de medie 3.3 şi dispersie 0.0324 adică
X N  3.3, 0.0324  .
Abaterea medie standard este     0.0324  0.18 .

2
normalizam
 X  3.3 3.4  3.3  def  1  3.4  3.3  1
a). P  X  3.4  P          0.5556
 0.18 0.18  2  0.18  2
din tabelul Anexă 1. obţinem valoarea funcţiei  0.5556 de unde obţinem:
P  X  3.4 
1
 0.2088 = 0.7088.
2
Probabilitatea de a se naşte un copil cu greutatea mai mică decât 3.4 kg este de 70,88%.
normalizam
 3.1  3.3 X  3.3 3.4  3.3  def 
b). P  3.1  X  3.4   P    
 0.18 0.18 0.18 
 X  3.3  fct impara

 P  1.1111   0.5556     0.5556     1.1111 
 0.18 
   0.5556    1.1111  0.2088  0.3665  0.5753 .
Probabilitatea de a se naşte un copil cu greutatea cuprinsă între 3.1 şi 3.4 kg

este 57,53%.
3. Repartiţia Hi pătrat  2  n 
Fie n variabilele aleatoare independente X 1 , X 2 , X 3 , , X n cu distribuţie
normală standard. Variabila aleatoare obţinută prin însumarea pătratelor lor
X  X 12  X 22  X 32    X n2 are o repartiţie hi-pătrat cu n grade de libertate notată
 2 n .
Funcţia densitate de probabilitate se defineşte astfel:
 1
n
1 
x
2 e 2 , daca x  0,
 x
 n
f  x, n      n  2 2
 2
0 , daca x  0

135
unde  este funcţia lui Euler21 dată de relaţia:

 :  1,   R şi x   t x1  e t dt , x>0.
0
În acest caz media este M ( X )  n şi dispersia este D 2 ( X )  2n .
5. Repatiţia "t" (student) t n 
Fie două variabile aleatoare X  2  n  şi Y N  0,1 . Atunci variabila
aleatoare Z are repartiţie t n  (repartiţie Student cu n grade de libertate) dacă
Y
Z t n .
X
n
Funcţia densitate de probabilitate este defintă astfel:
 n 1 n 1
   x 2  2
f  x, n   
2 
1   , dacă x  R .
 n n 
n   
2
n
În acest caz media este M ( X )  0 şi dispersia este D 2 ( X )  , n > 2.
n2
Observaţii:
1. Distribuţia Student cunoscută ca "distribuţia t" fost publicată de W.S. Gosset22
sub pseudonimul Student. Această lege este folosită în descrierea distribuţiilor în cazul
unor eşantioane cu volum mai mic de 30 elemente.
2. Distribuţia Student cu numărul gradelor de libertate mai mare de 30 se poate
aproxima cu o distribuţie normală.
Exemplu:
Se ştie că 52% din absolvenţii unei şcoli de şoferi sunt bărbaţi şi 48% sunt femei.
Să se determine cu o probabilitate de 0.99 intervalul în care variază numărul de bărbaţi
la 1000 de absolvenţi.
Rezolvare:
21
Leonhard Euler (1707 - 1783) - matematician şi fizician elveţian. Secolul al XVIII-lea a fost
dominat de Euler în mai multe domeniii cum ar fi: analiza matematică, teoria numerelor,
mecanică, astronomie, logică şi principii filozofice.
22
William Sealy Gosset (1876 - 1937) - statistician britanic.
136
Xn variabila aleatoare care ia drept valori numărul de bărbaţi din n absolvenţi.

Xn are o repartiţie binomială Bn, p  cu n=1000 şi p = 0.52 şi q = 1 - p = 0.48.
Aducem variabila aleatoare la o variabilă normală:

Xn  n  p
X n  Bn, p   Yn   N 0, 1 .
n pq
 X n p 
Ştim din ipoteză că P  n  k   2  k   0.99 .
 n pq 
 
Din tabelul Anexa 1 (de la sfârşitul cărţii) calculăm valoarea lui k.
2  k   0.99 de unde k   0.4955 , k = 2.58.
Xn  n  p X1000  1000  0.52

k   2.58 
n pq 1000  0.52  0.48
X1000  1000  0.52

2.58   2.58 .
1000  0.52  0.48
Continuăm calculele:
X1000  520 X1000  520
2.58   2.58  2.58   2.58 
249.6 15.798
40.76  X1000  520  40.76 
 40.76  X 1000  40.76  479.76  X 1000  560.76 .

Deci intervalul în care variază numărul de bărbaţi din 1000 de absolvenţi este
I  479.76, 560.76 .
 Exerciţii
1. Se ştie că 25 0 00 din pâinile fabricate de o maşină nu sunt standard. Să se
determine cu o probabilitate de 0.95 un interval în care se găseşte numărul de pâini

standard din 5000 fabricate.
R: X 5000   4853, 4897  .
2. În urma unei analize s-a constatat că 51 % dintre absolvenţii unei universităţi

sunt băieţi şi restul fete. Să se determine cu o probabilitate de 0,99 intervalul în care
variază numărul de băieţi la 10000 de absolveţi ai universităţii.
R: X 10000   4971, 5229 .
3. S-a aruncat un zar de 800 de ori şi s-a obţinut faţa cu numărul 1 de 80 de ori.
Se poate admite că zarul este corect cu o probabilitate de 0.95?
137

Unitate de Invatare

Încărcat de

Drepturi de autor:

Formate disponibile

Unitate de Invatare

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Unitate de Invatare

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul IV Elemente de teoria

Multe fenomene din viaţa reală sunt caracterizate de incertitudine sau de

Teoria probabilităţilor se ocupă cu studiul modelelor matematice ce descriu

Definiţie 2. Proba este o punere în aplicare a unui experiment aleator.

Un eveniment cu o singură variantă de realizare se numeşte eveniment elementar.

Definiţie 4. Se numeşte spaţiu de selecţie al unui experiment mulţimea tuturor

Definiţie 5. Definim un eveniment ca fiind un element a mulţimii P  . Vom considera

o submulţime de evenimente relevante pentru experiment, F  P   

Notaţie: P  este mulţimea formată din toate submulţimile mulţimii  .

Definiţie 6. Se numeşte eveniment sigur, evenimentul care se realizează întotdeauna în

Definiţie 7. Se numeşte eveniment imposibil evenimentul care nu se poate realiza la nici

Definiţie 8. Se numeşte evenimentul contrar lui A evenimentul care se realizează ori de

câte ori nu se realizează A. Notaţie A sau cA .

Definiţie 9. Se spune că evenimentul A implică evenimentul B dacă B se realizează ori

Observaţie: Următoarele implicaţii sunt evidente:   A (evenimentul imposibil implică

Exemplu: A  2, 4, 6    1, 2, 3, 4, 5, 6 .

Definiţie 10. Se spune că evenimentul A este echivalent cu evenimentul B dacă A

4.2. Operaţii cu evenimente

Definiţie 11. Fie date două evenimente A şi B. Se numeşte reuniunea lui A cu B

Proprietăţi: Reuniunea evenimentelor are următoarele proprietăţi:

Definiţie 12. Fie date două evenimente A şi B. Se numeşte intersecţia lui A cu B

Proprietăţi: Intersecţia evenimentelor are următoarele proprietăţi:

3. A  B  C    A  B   A  C  , distributivitatea intersecţiei faţă de

Observaţie: Prin Ai vom înţelege intersecţia familiei de evenimente  Ai i 1,n .

Definiţie 14. Fiind date două evenimente A şi B, se numeşte diferenţa dintre A şi B

Definiţie 16. Fie dat spaţiul evenimentelor elementare  şi F  P    . Spunem că

perechea  , F),  F, este un câmp finit de evenimente dacă

Proprietate: Un spaţiu de evenimente are următoarele proprietăţi:

Definiţie 17. Fie spaţiul de evenimente F. O mulţime de evenimente Ai , i 

formează un sistem complet de evenimente dacă sunt îndeplinite următoarele condiţii:

(ii). Ai  A j  , i  j, i, j  1, 2,..., n - evenimentele sunt incompatibile două câte

Observaţie: Evenimentele A şi A formează un sistem complet de evenimente.

Fiind dat un spaţiu de evenimente F. Se pune problema de a caracteriza printr-

Definiţie statistică a probabilităţii

Fie A un eveniment asociat unui experiment E. Presupunem că experimentul E a

frecvenţa absolută de apariţie a evenimentului A. Numărul

se numeşte frecvenţa relativă a evenimentului A în seria de repetări a experimentului.

Se aruncă o monedă de 200 de ori şi se urmăreşte evenimentul apariţiei feţei cu

Definiţie 18. Se numeşte probabilitatea evenimentului A numărul

Definiţie clasică a probabilităţii

Această definiţie a probabilităţii este utilă pentru că este intuitivă şi poate fi

Presupunem că numărul de cazuri posibile este finit şi evenimentele elementare

Definiţie 19. Se numeşte probabilitatea evenimentului A, numărul P(A) care se

Definiţie axiomatică a probabilităţii

Funcţia de probabilitate cuantifică şansa de realizare a fiecărui eveniment dintr-

Definiţie 20. Se numeşte probabilitate pe spaţiul de evenimente F  P o funcţie

P : F   0,1 ce asociază fiecărui eveniment A F un număr real P(A) cu

3. În cazul în care spaţiul de evenimente  este finit

oricare A1 , A2 ,, An evenimente incompatibile din F.

2). Din a treia relaţie, probabilitatea reuniunii a mai multor evenimente

este probabilitatea definită pe F se numeşte câmp finit de probabilitate.

Dacă P este o probabilitate P : P  0, 1 atunci are loc

2). Oricare A, B  F, A  B   , are loc :

4). PB \ A  PB  P A, A  B ;

5). P A  PB  dacă A  B, A, B  F (regulă de monotonie);

6). P A  B  P A  PB  P A  B , A, B F (regulă de adunare) pentru

evenimente nu neapărat incompatibile;

Există multe probleme în care evenimentul A urmărit este condiţionat de

Definiţie 21. Fie spaţiul F cu n evenimente elementare şi evenimentele A  B şi B