Carte TARCOLEA. Romana

Constantin Târcolea
Cristiana Ionescu
Calculul Probabilităţilor
Noţiuni, Exemple, Exerciţii
Editura
4 Constantin Târcolea, Cristiana Ionescu
Cuprins
1 Conceptul de probabilitate 8
Evenimente şi probabilităţi 10
Operaţii cu mulţimi şi importanţa lor 10
2 Câmp de probabilitate 12
Definiţia probabilităţii şi consecinţe 12
Proprietatea de aditivitate a probabilităţilor 18
Probabilităţi condiţionate 24
Formula de ı̂nmulţire a probabilităţilor 26
Formula probabilităţii totale 28
Formula Bayes 28
3 Variabile aleatoare discrete 30
Caracteristici numerice ale variabilelor aleatoare discrete 30
Funcţia generatoare de momente a variabilelor aleatoare discrete 32
Funcţia caracteristică a variabilelor aleatoare discrete 34
Funcţia de repartiţie a unei variabile aleatoare discrete 36
Repartiţia binomială 42
Funcţia generatoare de momente a repartiţiei binomiale 44
Funcţia caracteristică a repartiţiei binomiale 44
Repartiţia hipergeometrică 54
Repartiţia Poisson 64
Funcţia generatoare de momente a repartiţiei Poisson 64
Funcţia caracteristică a repartiţiei Poisson 66
4 Integrale Euler 72
5 Variabile aleatoare continue 74
Caracteristici numerice ale variabilelor aleatoare continue 76
Funcţia generatoare de momente a variabilelor aleatoare continue 78
Funcţia caracteristică a variabilelor aleatoare continue 78
Repartiţia uniformă 94
Repartiţia Gamma 98
Densităţi de probabilitate ale repartiţiei Beta 98
Repartiţia exponenţială 104
Repartiţia χ2 110
Repartiţia normală 114
Repartiţia Weibull 132
Repartiţia Student 136
Repartiţia Fisher 142
6 Inegalităţile Markov şi Cebâşev 70

7 Legea numerelor mari 71
Legea slabă a numerelor mari 72
Teoremă limită centrală 72
8 Vectori aleatori de tip discret şi continuu 75
Vectori aleatori de tip discret 75
Valori medii pentru funcţii de vectori aleatori de tip discret 76
Momente ale vectorilor aleatori de tip discret 76
Covarianţa a două variabile aleatoare de tip discret 77
Vectori aleatori de tip continuu 81
Valori medii pentru funcţii de vectori aleatori de tip continuu 84
Momente ale vectorilor aleatori de tip continuu 84
Covarianţa a două variabile aleatoare de tip continuu 85
Coeficientul de corelaţie 89
9 Caracteristici numerice ale fiabilităţii 89
Durata de viaţă 89
Funcţia de defectare 90
Funcţia de fiabilitate (supravieţuire) 90
Densitatea de probabilitate de defectare 90
Durata medie de viaţă 91
Rata de defectare 91
Repartiţia exponenţială 95
Repartiţia normală 96
Repartiţia Weibull 96
10 Distribuţii trunchiate 97
Semne matematice 100
Bibliografie 100
1 Conceptul de probabilitate
Calculul probabilităţilor se ocupă cu experimente de tip aleator. Un experiment ı̂n
care ı̂n aceleaşi condiţii se pot obţine rezultate diferite se numeşte experiment aleator
(exemple: aruncarea unei monezi, aruncarea unui zar, rezultatul ruletei, generarea de
numere pseudoaleatoare).
În continuare se presupune că un experiment aleator poate fi repetat ı̂n condiţii iden-
tice. Un experiment aleator cu n paşi constă din n experimente consecutive sau poate
fi obţinut simultan printr-un singur experiment : ”aruncarea unui zar” de 5 ori sau a 5
zaruri o dată.
Un singur rezultat al unui experiment aleator se notează cu ω şi mulţimea tuturor
rezultatelor experimentelor este mulţimea evenimentelor Ω.
Uneori Ω se numeţe mulţimea evenimentelor sau spaţiul evenimentelor. Acest fapt se
bazează pe următoarea explicaţie:
Fiecare submulţime A din Ω poate fi un eveniment aleator. Evenimentul A poate fi
descris ca mulţimea rezultatelor ω din Ω, A = {ω1 , ω2 , ω3 , . . . , ωn }. Se spune că evenimen-
tul A are loc dacă rezultatul ω al experimenului aleator este un element din A. În cazul
ı̂n care rezultatul ω nu este un element din A, se spune că evenimentul A nu are loc.
Evenimentele aleatoare (scurt-evenimentele) se notează de regulă cu litere latine mari,
spre exemplu: A, B, C sau Ak (k = 1, 2, . . . ).
Exemplu 1.1. 1) Fie o ruletă cu numere de la 1 la 5. Se ı̂nvârte ruleta de 2 ori şi se

obţine perechea (m, n).
Mulţimea evenimentelor conţine 25 elemente:
Ω = {(1, 1), (1, 2), . . . , (5, 5)}.

2) Este de asemenea posibil, ı̂n exemplul de mai sus, a se considera ca eveniment şi
produsul numerelor perechilor de numere obţinute.
Mulţimea evenimentelor mai conţine ı̂ncă 14 evenimente şi evident un alt Ω:
{1, 2, 3, 4, 5, 6, 8, 9, 10, 12, 15, 16, 20, 25} = Ω.

3) Dacă alegem ı̂n locul produsului suma numerelor fiecărei perechi se mai obţin 9
evenimente şi un alt Ω:
{2, 3, 4, 5, 6, 7, 8, 9, 10} = Ω.
4) La aruncarea unui zar se pot defini printre altele următoarele evenimente:
A = {2, 4, 6} Rezultatul este un număr par

B = {4, 5, 6} Rezultatul este un număr ≥ 4
C = {6}
Noi cunoaştem ı̂n calculul probabilităţilor evenimente pe care le vom enumera: Eveni-
mentele formate dintr-un singur eveniment se numesc evenimente elementare; eveni-
mentul elementar E = {ω} are loc ⇔ ω este rezultatul evenimentului aleator; evenimen-
tul Ω are loc ı̂ntotdeauna, deoarece el conţine toate rezultatele posibile; de aceea Ω se
numeşte evenimentul sigur; evenimentul complementar evenimentului sigur este eveni-
mentul imposibil; el corespunde mulţimii ∅, deoarece nu conţine nici un rezultat posibil
al experimentului.
1.1 Evenimente şi probabilităţi

În continuare se consideă evenimentele ca fiind mulţimi. De aceea o mulţime se consideră
ca un ı̂ntreg de obiecte diferite.
Mod de scriere: Ω este mulţimea de bază, ω este un element.
ω ∈ Ω este element din Ω.
ω∈/ Ω nu este element din Ω.
A = {a, b, c, . . . }:
Mulţimea A constă din elementele a, b, c, . . . .
A = {ω| ω ∈ Ω are proprietatea E}.
Exemplu 1.2. Ω = N, A = {2, 4, 6, . . . } = {n|n ∈ N; n este divizibil cu 2}.

Compararea evenimentelor urmează aceleaşi reguli ca şi compararea mulţimilor.
Definiţia 1.1.
1) A1 ⊂ A2 ı̂nseamnă faptul că, A1 este o submulţime din A2 , dacă ω ∈ A1 atunci ω ∈ A2 .
2) A1 = A2 , atunci A1 ⊂ A2 şi A1 ⊂ A2 .
1.2 Operaţii cu mulţimi şi importanţa lor

1. Reuniunea A1 ∪ A2 , este mulţimea tuturor elementelor care aparţin lui A1 sau A2 ;
(evenimentul A1 ∪ A2 =cel puţin un eveniment A1 sau A2 are loc)
∪
∞
Ai = A1 ∪ A2 ∪ . . . este mulţimea tuturor elementelor care aparţin cel puţin unei
i=1
mulţimi Ai ;
∪
Evenimentul ∞ i=1 Ai = A1 ∪ A2 ∪ . . . =cel puţin un eveniment din evenimentele
A1 , A2 , . . . are loc.
2. Intersecţia A1 ∩ A2 este mulţimea tuturor elementelor care aparţin şi lui A1 şi A2 ;
Evenimentul A1 ∩ A2 = ambele evenimente A1 şi A2 au loc.
Observaţie: Evenimentele A1 , A2 ⊂ Ω cu A1 ∩ A2 = ∅; se numesc disjuncte; ele nu
pot avea loc simultan.
∩∞
i=1 Ai = A1 ∩A2 ∩. . . este mulţimea tuturor elementelor care aparţin fiecărei mulţimi
A1 , A 2 . . .
∩
Evenimentul ∞ i=1 Ai = A1 ∩ A2 ∩ . . . are loc daca fiecare A1 , A2 , . . . au loc.
3. Diferenţa mulţimilor A1 \ A2 este mulţimea tuturor elementelor din A1 care nu
aparţin lui A2 .
Caz particular: Ā = Ω \ A (Evenimentul complementar);
Evenimentul Ā=evenimentul A nu are loc.
4. Diferenţa simetrică a 2 mulţimi A1 ∆A2 = (A1 \ A2 ) ∪ (A2 \ A1 ) este mulţimea
tuturor elementelor care aparţin lui
A1 sau A2 , dar nu aparţin simultan ambelor mulţimi.
Exemplu 1.3. Fie Ω = {a, b, c, d}, A1 = {a, b, c}, A2 = {b, d}. Atunci
A1 ∪ A2 = {a, b, c, d}, A1 ∩ A2 = {b}, A1 \ A2 = {a, c}, Ā = {d}, A1 ∆A2 = {a, c, d}.
2 Câmp de probabilitate
2.1 Definiţia probabilităţii şi consecinţe
Fie o mulţime nevidă Ω, ale cărei elemente reprezintă toate rezultatele posibile ale unui
element aleator. Mulţimea tuturor submulţimilor mulţimii Ω o vom nota cu P(Ω) şi se
numeşte mulţimea părţilor mulţimii Ω; această mulţime conţine toate submulţimile lui
Ω, precum şi Ω şi ∅. Aceasă mulţime conţine deseori, ı̂n special când Ω este ∞, ”prea
multe” elemente şi ca urmare este imposibil de a defini o probabilitate pe P(Ω). De aceea
se consideră submulţimi de mulţimi A din P(Ω), ale cărei elemente se numesc eveni-
mente. Cu alte cuvinte unele submulţimi din Ω nu au calitatea de eveniment. O mulţime
A de submulţimi din Ω se numeşte spaţiu de evenimente dacă ı̂ndeplineţe Axiomele unei
einer algebre sau unei σ-algebre. O mulţime nevidă A din mulţimea părţilor mulţimii
Ω se numeşte câmp (sau algebră sau inel)de evenimente pe Ω dacă ı̂ndeplineşte
următoarele axiome:
a) Dacă A ∈ A, atunci Ā ∈ A, b) Dacă A, B ∈ A, atunci A ∪ B ∈ A.
Observaţie 2.1. Dacă axioma b) este ı̂ndeplinită pentru o reuniune numărabilă de
mulţimi, (ceteris paribus) se obţine definiţia unei σ-algebre.
Se observă că ı̂ntotdeauna, mulţimea părţilor unei mulţimi nevide Ω este o algebră.
Din axiomele prezentate rezultă următoarele consecinţe:
a) Ω ∈ A; ∅ ∈ A,
b) Dacă A, B ∈ A, atunci A ∩ B ∈ A,
c) Dacă A, B ∈ A, atunci A \ B ∈ A.
Definiţia 2.1. Fie (Ω, A) un spaţiu de evenimente, A − σ-algebră.

Funcţia de mulţime:
W : A → R,
se numeşte probabilitate dacă ı̂ndeplineşte următoarele axiome:
W (A) ≥ 0, pentru oricare A ∈ A, funcţia ia valori pozitive

W (Ω) = 1, funcţia este normată
W (∪∞ ∞
k=1 Ak ) = Σk=1 W (Ak ),
dacă Ak , Al ∈ A şi Ak ∩ Al = ∅ pentru k ̸= l, (k, l = 1, 2, . . . ) funcţia este σ-aditivă.
Un câmp, respectiv un σ-câmp de evenimente, ı̂nzestrat cu o probabilitate, se numeşte

spaţiu de probabilitate: pe scurt tripletul (Ω, A,W) este spaţiu de probabilitate.
Exemplul 2.1. Fie un zar numerotat de la 1 la 6:

1
W (1) = = W ({i}) ≥ 0 (i = 2, . . . , 6) ⇒ W ({1, . . . , 6}) = 1;
6
W (Ω) = W ({1, . . . , 6}) = W ({1} ∪ {2} ∪ {3} ∪ {4} ∪ {5} ∪ {6})
= W ({1}) + W ({2}) + W ({3}) + W ({4}) + W ({5}) + W ({6}) = 1.
Noţiunile de probabilitate clasică, respectiv statistică, respectiv subiectivă, sunt com-

patibile cu axiomele probabilităţii; cu ajutorul lor vom determina probabilităţile numeric.
Oricărui element elementar i se ataşează o probabilitate, W ({ωk }) = pk , k ∈ N, astfel
∑
ı̂ncât sunt ı̂ndeplinite condiţiile: 0 ≤ pk ≤ 1, ∞ k=1 pk = 1.
Aruncarea unui zar omogen, a unei monede omogene etc. se numesc experienţe-
Laplace.
Fie Ω = {ω1 , . . . , ωK } un spaţiu de evenimente ı̂nzestrat cu K evenimente elementare,
egal probabile. Rezultă:
1
W ({ω1 }) = W ({ω2 }) = · · · = W ({ωk }) = · · · = W ({ωK }) = ,
K
Prin urmare rezultă pentru un eveniment oarecare A ∈ P(Ω):

Numărul cazurilor favorabile producerii evenimentului A
W (A) = .
Numărul cazurilor posibile
Exemplul 2.2. 1) Dintr-un pachet de 32 de cărţi se extrage aleator o carte. Probabilitatea
4
de a extrage un ”Rege” este: W (”Rege”) = .
32
18
2) Probabilitatea ca la ruletă să cadă bila pe culoarea ”roşie” este: W (”Rot”) = .
37
(La ruletă sunt 18 numere marcate cu roşu şi tot atâtea numere marcate cu negru, ı̂n plus
este şi numărul 0; ı̂n total sunt 37 de numere posibile)
Proprietăţi ale funcţiei de probabilitate:
W (∅) = 0,
W (Ā) = W (Ω \ A) = W (Ω) − W (A) = 1 − W (A),
W (A ∩ B) = W (A) · W (B), dacă A şi B sunt evenimente independente
W (A ∩ B) ̸= W (A) · W (B), dacă A şi B sunt evenimente dependente.
Exemplul 2.3. Se consideră experienţa aruncării unui zar. În acest caz Ω = {1, 2, 3, 4, 5, 6}.
Notăm cu A evenimentul ca numărul obţinut să fie impar. Ā (evenimentul complementar
evenimentului A) este evenimentul ca numărul obţinut să fie par. Deci, A = {1, 3, 5} şi
3 1 3 1
Ā = {2, 4, 6}. Rezultă că W (A) = = , W (Ā) = = .
6 2 6 2
1 1
Obţinem W (A) + W (Ā) = + = 1, respectiv W (A) = 1 − W (Ā).
2 2
Exemplul 2.4. Se aruncă două monede. Se reprezintă ”stema” prin ”1” şi ”numărul”
prin ”0”. Se obţine următoarea mulţime de evenimente elementare:
Ω = {(0, 0), (0, 1), (1, 0), (1, 1)} .
Fie următoarele evenimente:
A=”Pe prima monedă apare 1”(stema);
B=”Pe a doua monedă apare 1”(stema).
În acest caz are loc relaţia W (A∩B) = W (A)·W (B), deci A şi B sunt două evenimente
independente .
Deoarece: A = {(1, 1), (1, 0)} ; B = {(0, 1), (1, 1)} ; A ∩ B = {(1, 1)}; rezultă:
2 2 1
W (A) = ; W (B) = ; W (A ∩ B) = .
4 4 4
Cum
1 1 1
· =
2 2 4
atunci W (A ∩ B) = W (A) · W (B) are loc.
2.2 Proprietatea de aditivitate a probabilităţilor

Se dau două evenimente A şi B:
W (A ∪ B) = W (A) + W (B) − W (A ∩ B).
Dacă A şi B sunt evenimente independente, rezultă W (A ∩ B) = W (A) · W (B).
Exemplul 2.5. Într-o ı̂ntreprindere care produce manometre, sunt ı̂n medie 3% defecte
de fabricaţie şi 4% defecte de montaj. Calculaţi probabilitatea ca un produs să fie defect!
Soluţie. A este evenimentul: ”produsul are defect de fabricaţie”.
B este evenimentul: ”produsul are defect de montaj”.
Atunci rezultă:
3 4 3 4
W (A∪B) = W (A)+W (B)−W (A∩B) = + − · = 0, 07−0, 0012 = 0, 0688.
100 100 100 100
Se dau trei evenimente A, B şi C, atunci:

W (A ∪ B ∪ C) = W (A) + W (B) + W (C)−
−W (A ∩ B) − W (A ∩ C) − W (C ∩ B) + W (A ∩ B ∩ C).
Exemplul 2.6. Trei studenţi ı̂ncearcă independent unul de celălalt, să rezolve o problemă.
S-a observat că probabilitatea ca primul student să rezolve problema este de 12 ; probabili-
tatea ca al doilea student să rezolve problema este de 13 ; probabilitatea ca al treilea student
să rezolve problema este de 52 . Care este probabilitatea să se obţină cel puţin o soluţie
corectă a problemei?
Soluţie. A este evenimentul, ca primul student să rezolve problema.

B este evenimentul, ca al doilea student să rezolve problema.
C este evenimentul, ca al treilea student să rezolve problema.
Prima soluţie:
1 1 2
Deoarece W (A) = , W (B) = , W (C) = , rezultă
2 3 5
1 1 2 1 1 1 2 1 2 1 1 2 4
W (A ∪ B ∪ C) = + + − · − · − · + · · = .
2 3 5 2 3 2 5 3 5 2 3 5 5
A doua soluţie:
1 2 3
Deoarece W (Ā) = , W (B̄) = , W (C̄) = , rezultă
2 3 5
1 2 3 4
W (A ∪ B ∪ C) = 1 − W (Ā ∩ B̄ ∩ C̄) = 1 − · · = .
2 3 5 5
Exemplul 2.7. M studenţi ı̂ncearcă independent unul de celălalt, să rezolve o problemă.
Se ştie că probabilitatea ca fiecare dintre studenţi să rezolve problema este de 12 .
Care este probabilitatea să se obţină cel puţin o soluţie corectă a problemei?
Soluţie.
∪
M ∑
M ∑
M
W( Am ) = W (Am ) − W (Am1 ∩ Am2 ) + . . .
m=1 m=1 m1 ,m2 =1,m1 <m2
+(−1)M −1 W (A1 ∩ · · · ∩ AM )
( ) ( ) ( )2 ( ) ( )M
M 1 M 1 M −1 M 1
= − + · · · + (−1)
1 2 2 2 M 2
{( ) ( ) ( ) ( ) ( )M }
0
M 1 M 1 M 1
=1− − + · · · + (−1)M
0 2 1 2 M 2
( )M
1 1
=1− 1− =1− M.
2 2
Exerciţiul 2.1. Patru studenţi ı̂ncearcă ı̂n mod independent, să rezolve o problemă. Se
ştie că probabilitatea ca primul student să rezolve problema este de 15 ; probabilitatea ca al
doilea student să rezolve problema este de 13 ; probabilitatea ca al treilea student să rezolve
problema este de 54 şi probabilitatea ca al patrulea student să rezolve problema este de 12 .
Care este probabilitatea să se obţină cel puţin o soluţie corectă a problemei?
Exemplul 2.8. Se dă un pachet de 32 de cărţi. Din pachet se extrage o carte. Determinaţi
probabilitatea să se obţină evenimentele:
a) Rege sau As;
b) Rege sau Inimă;
c) Rege de treflă sau Inimă;
d) Rege sau As sau Damă;
e) Rege sau Damă sau Inimă?
Soluţie. a) Evenimentele ”Rege” sau ”As” sunt disjuncte, adică

”Rege”∩”As”= ∅ şi rezultă
4 4 8 1
W (”Rege”sau”As”) = W(”Rege”) + W(”As”) = + = = .
32 32 32 4
b) Evenimentele ”Rege” sau ”Inimă” nu sunt disjuncte, deoarece se poate extrage rege
de inimă. De aceea rezultă
W (”Rege” sau ”Inimă”) = W (”Rege”) + W (”Inimă”) − W (”Rege” ∩ ”Inimă”)

4 8 1 11
= + − = .
32 32 32 32
c) Evenimentele ”Rege de treflă ” sau ”Inimă” sunt disjuncte, deci se obţine:
1 8 9
W (”Rege de treflă ” sau ”Inimă”) = W (”Rege de treflă ”)+W (”Inimă”) = + = .
32 32 32
d)
W (”Rege” sau ”As” sau ”Damă”) = W (”Rege”) + W (”As”) + W(”Damă”)

4 4 4 3
= + + = .
32 32 32 8
e)
W (”Rege” sau ”Damă” sau ”Inimă”) = W (”Rege”) + W (”Damă”) + W (”Inimă”)
−W (””Rege” şi ”Damă”)
−W (”Damă” şi ”Inimă”)
−W (”Rege”şi ”Inimă”)
+W (”Rege” şi ”Damă” şi ”Inimă”)

4 4 8 1 1 7
= + + −0− − +0= .
32 32 32 32 32 16
Exemplul 2.9. Se consideră jocul de ruletă. În total sunt 37 de elemente elementare.
Fie evenimentele: A = {1, 2, . . . , 11, 12}, B = {10, 11, . . . , 18, 19}, C = {2, 4, . . . , 18, 20}.
Care este probabilitatea să se obţină un număr de la 1 la 20?
Soluţie. A este evenimentul de a se obţine un număr de la 1 la 12.

B este evenimentul de a se obţine un număr de la 10 la 19.
C este evenimentul de a se obţine un număr par de la 2 la 20.
Prima soluţie:
Deoarece A ∪ B ∪ C = {1, . . . , 20} rezultă
20
W (A ∪ B ∪ C) = .
37
A doua soluţie:
Deoarece A ∩ B = {10, 11, 12}, A ∩ C = {2, 4, 6, 8, 10, 12},
B ∩ C = {10, 12, 14, 16, 18}, A ∩ B ∩ C = {10, 12}

rezultă
12 10 10
W (A) = , W (B) = , W (C) =
37 37 37
3 6 5 2
W (A ∩ B) = , W (A ∩ C) = , W (B ∩ C) = , W (A ∩ B ∩ C) =
37 37 37 37
12 10 10 3 6 5 2 20
W (A ∪ B ∪ C) = + + − − − + = .
37 37 37 37 37 37 37 37
2.3 Probabilităţi condiţionate
Definiţia probabilităţii condiţionate
W (A ∩ B)
W (A/B) = , W (B) > 0,
W (B)
sau
W (B ∩ A)
W (B/A) = , W (A) > 0.
W (A)
Exemplul 2.10. Fie jocul de ruletă cu 37 de evenimente elementare posibile. Se con-

sideră două evenimente definite după cum urmează: A = ”mulţimea numerelor pare”,
B = ”mulţimea numerelor de la 1 la 10”.
Care este probabilitatea să se obţină un element din mulţimea A, ştiind că este un
număr din mulţimea B?
Soluţie. Se cere W (B/A).

5
W (B ∩ A) 5
W (B/A) = = 37 = .
W (A) 18 18
37
2.4 Formula de ı̂nmulţire a probabilităţilor

Din formula probabilităţii condiţionate W (A1 /A2 ), rezultă formula de ı̂nmulţire a proba-
bilităţilor pentru două evenimente:
W (A1 ∩ A2 ) = W (A1 ) · W (A2 /A1 ), W (A1 ) > 0.

Formula se poate generaliza pentru 3, 4, . . . , evenimente :
W (A1 ∩ A2 ∩ A3 ) = W (A1 ) · W (A2 /A1 ) · W (A3 /A1 ∩ A2 ),
W (A1 ∩ A2 ∩ A3 ∩ A4 ) = W (A1 ) · W (A2 /A1 ) · W (A3 /A1 ∩ A2 ) · W (A4 /A1 ∩ A2 ∩ A3 )
cu W(A1 ∩ A2 ∩ A3 ) > 0.
Exemplul 2.11. Fie Ω = {1, . . . , 30} şi se definesc următoarele evenimente:

A1 = {2, 4, 6, . . . , 30}, A2 = {3, 6, 9, . . . , 30},
A3 = {4, 8, 12, 16, 20, 24, 28}, A4 = {6, 12, 18, 24, 30}.
Probabilitatea căutată este W (A1 ∩ A2 ∩ A3 ∩ A4 ).
Soluţie. A1 ∩ A2 ∩ A3 ∩ A4 = {12, 24}.

Prima soluţie:
2 1
W (A1 ∩ A2 ∩ A3 ∩ A4 ) = = .
30 15
A doua soluţie:
Se obţine:
2
W (A1 ∩ A2 ∩ A3 ∩ A4 )
W (A4 /A1 ∩ A2 ∩ A3 ) = = 30 = 1 cu A1 ∩ A2 ∩ A3 = {12, 24},
W (A1 ∩ A2 ∩ A3 ) 2
30
2
W (A1 ∩ A2 ∩ A3 ) 2
W (A3 /A1 ∩ A2 ) = = 30 = cu A1 ∩ A2 = {6, 12, 18, 24, 30},
W (A1 ∩ A2 ) 5 5
30
5
W (A1 ∩ A2 ) 5 1 15 1
W (A2 /A1 ) = = 30 = = , W (A1 ) = = .
W (A1 ) 15 15 3 30 2
30
Rezultă:
1 1 2 1
W (A1 ) · · · · · W (A4 /A1 ∩ A2 ∩ A3 ) = · · ·1= = W (A1 ∩ A2 ∩ A3 ∩ A4 ).
2 3 5 15
2.5 Formula probabilităţii totale

Fie A1 , . . . , AK o partiţie a lui Ω. Atunci:
∑K
W (B) = W (B/Ak ) · W (Ak ).
k=1
Exemplul 2.12. O firmă fabrică 3 tipuri diferite de aparate electronice. În medie 2%
din primul tip de aparate electronice, 5% din al doilea tip şi 3% din ultimul tip de aparate
sunt defecte. Ponderea aparatelor de primul tip este de 20% (Evenimentul A1 ), ponderea
celor de al doilea tip este de 30% (Evenimentul A2 ) şi ponderea celor de al treilea tip
este jumătate din toată cantitatea (Evenimentul A3 ). Să se determine probabilitatea ca
un aparat ales la ı̂ntâmplare să fie defect.
Soluţie. Fie B evenimentul: ”aparatul ales este defect”. Rezultă:
W (B) = W (B/A1 ) · W (A1 ) + W (B/A2 ) · W (A2 ) + W (B/A3 ) · W (A3 )

2 20 5 30 3 50
= · + · + · = 0, 034.
100 100 100 100 100 100
2.6 Formula lui Bayes

Fie A1 , . . . , AK o partiţie a lui Ω. Atunci:
W (B/Ak ) · W (Ak )
W (Ak /B) = ,
W (B)
sau
W (B/Ak ) · W (Ak )
W (Ak /B) = ∑K .
k=1 W (B/Ak ) · W (Ak )
Exemplul 2.13. Se consideră situaţia din exemplul 2.12. Care este probabilitatea ca
alegând un produs defect, acesta să aparţină primului tip de aparat electronic?
Soluţie.
0, 02 · 0, 2
W (A1 /B) = = 0, 11765;
0.034
cu alte cuvinte aproximativ 11%.
Exemplul 2.14. Se consideră campionatul de fotbal al Germaniei. Şansele ca o echipă

să câştige un meci ı̂n campionat sunt de 80%, ı̂n cazul ı̂n care căpitanul echipei este ı̂ntr-o
formă bună. În cazul ı̂n care căpitanul echipei nu este ı̂ntr-o formă bună, şansele echipei
să câştige sunt de 50%. De regulă la 60% din meciurile din campionat, căpitanul este ı̂n
formă bună.
Care este probabilitatea, ca
1) echipa de fotbal să câştige un meci din campionat?
2) deşi căpitanul să fie ı̂ntr-o formă bună, echipa să nu câştige meciul?
Soluţie. Considerăm următoatrele partiţii de evenimente:

Evenimentul A: Căpitanul este ı̂ntr-o formă bună,
Evenimentul Ā: Căpitanul nu este ı̂ntr-o formă bună.
Evenimentul B: Echipa câştigă meciul,
Evenimentul B̄: Echipa nu câştigă meciul.
Atunci au loc: W (B/A) = 0, 80, W (B/Ā) = 0, 50, W (A) = 0, 60, W (Ā) = 0, 40
Rezultă deci
1) W (B) = W (B/A)W (A) + W (B/Ā)W (Ā) = 0, 80 · 0, 60 + 0, 50 · 0, 40 = 0, 68;
W (B̄/A)W (A) 0, 20 · 0, 60
2) W (A/B̄) = = = 0, 375.
W (B̄/A)W (A) + W (B̄/Ā)W (Ā) 0, 20 · 0, 60 + 0, 50 · 0, 40
3 Variabile aleatoare discrete

O variabilă aleatoare X se numeşte de tip discret, dacă are codomeniul
{x1 , . . . , xn , . . . } = {xn }, (n = 1, 2, . . . )
= {xn }n∈N
o mulţime finită sau infinită, dar numărabilă.
De obicei, o variabilă aleatoare discretă X poate fi reprezentată sub forma unui tabel
de repartiţie: ( )
x1 x2 . . . xn . . .
X: ,
p1 p2 . . . p n . . .
∑
unde: W (X = xn ) = pn , pn ≥ 0 şi pn = 1.
n∈N
Mulţimea valorilor variabilei aleatoare X, {xn }n∈N , este mulţimea punctelor de

discontinuitate şi probabilităţile lor se numesc ı̂nălţimile salturilor.
3.1 Caracteristici numerice ale variabilelor aleatoare discrete

1. Momentul de ordinul r
∑
∞
αr = E{X } =
r
xrn · pn .
n=1
2. Valoarea medie (r=1)
∑
∞
α1 = µ = E{X} = xn · pn .
n=1
Fie X şi Y două variabile aleatoare şi a ∈ R. Atunci rezultă:
Observaţii 3.1.
E{a} = a,
E{aX} = aE{X},
E{X + Y } = E{X} + E{Y },
E{X + a} = E{X} + a,
E{XY } = E{X} · E{Y }, dacă X şi Y sunt variabile aleatoare independente.
3. Momentul centrat de ordinul r

∑
∞
βr = µr = E{(X − µ)r } = (xn − µ)r · pn .
n=1
Observaţii 3.2.
µ1 = E{(X − µ)} = E{X} − E{µ} = µ − µ = 0.

µ2 = E{(X − µ)2 } = D2 X = σ 2 = V ar(X),
se numeşte dispersia variabilei aleatoare.
√
σ = σ 2 , se numeşte abaterea medie pătratică a variabilei aleatoare.
Observaţii 3.3.
V ar(a) = 0, a ∈ R.
V ar(aX) = a2 · V ar(X).
V ar(X) = α2 − α12 = E{X 2 } − E{X}2 = E{X 2 } − µ2 .
V ar(X ± Y ) = V ar(X) + V ar(Y ), dacă X şi Y sunt variabile aleatoare independente.
V ar(X + a) = V ar(X), a ∈ R.
3.2 Funcţia generatoare de momente a variabilelor aleatoare

discrete
Fie X o variabilă aleatoare discretă. Funcţia
M: R→R
∑
∞
tX
M (t) := E(e ) = etxn · pn
n=1
se numeşte funcţia generatoare de momente a variabilei aleatoare X.
Proprietăţi 3.1.
E{X} = M ′ (0),
E{X 2 } = M ′′ (0),
..................
E{X r } = M (r) (0).
..................
3.3 Funcţia caracteristică a variabilelor aleatoare discrete

Fie X o variabilă aleatoare discretă. Funcţia
C: R → C
∑
∞
C(t) := E(e itX
)= eitxn · pn
n=1
se numeşte funcţia caracteristică a a variabilei aleatoare X.
C ′ (0)
E{X} = ,
i
C ′′ (0)
E{X } =
2
,
i2
..................
C (r) (0)
E{X r } = .
ir
..................
Observaţii 3.4.
C(t) = M (it).
( )
t
M (t) = C .
i
Observaţii 3.5. 1. Se dă o variabilă aleatoare X şi o funcţie h(X). Funcţia caracteristică
a lui h(X) este:
Ch(X) (t) = E(eith(X) ).
2. Se dă o variabilă aleatoare X şi o funcţie liniară: Y = b0 + b1 X;
funcţia caracteristică a lui Y este:
CY (t) = E(eit(b0 +b1 X) )

= E(eitb0 · eitb1 X )
= eitb0 · E(eitb1 X )
= eitb0 · CX (b1 t).
3. Se dau variabilele aleatoare independente X1 , . . . , XM şi combinaţia liniară

Z = b1 X1 + · · · + bM XM . Funcţia caracteristică a lui Z este:
CZ (t) = CX1 (b1 t) · · · · · CXM (bM t).
Într-adevăr, deoarece
CZ (t) = E(eit(b1 X1 +···+bM XM ) ),
şi variabilele aleatoare X1 , . . . , XM sunt independente, atunci şi variabilele aleatoare
eitb1 X1 , . . . , eitbM XM sunt independente, şi se obţine
CZ (t) = E(eit(b1 X1 ) ) · E(eit(b2 X2 ) · · · · · E(eit(bM XM )

= CX1 (b1 t) · · · · · CXM (bM t).
3.4 Funcţia de repartiţie a unei variabile aleatoare discrete
Funcţia F : R → R definită prin relaţia
F (x) = W (X ≤ x), x ∈ R,
se numeşte funcţia de repartiţie a variabilei aleatoare discrete X. Funcţia de repartiţie

reprezintă probabilitatea ca variabila aleatoare X să ia cel mult valoarea x şi această
funcţie are următoarele proprietăţi:
1) 0 ≤ F (x) ≤ 1,
2) F (x) nu este descrescătoare din x1 < x2 rezultă F (x1 ) ≤ F (x2 ),
3) F (x) este continuă la dreapta,
F (x + 0) := lim F (x + h) = F (x), ∀x ∈ R,
h→0
4) F (−∞) := lim F (x) = 0, F (∞) := lim F (x) = 1,

x→−∞ x→∞
5) F (x) are o mulţime cel mult numărabilă de discontinuităţi,
6) W (a < X ≤ b) = F (b) − F (a),
7) W (a ≤ X ≤ b) = F (b) − F (a) + W (X = a),
8) W (a < X < b) = F (b) − F (a) − W (X = b),
9) W (a ≤ X < b) = F (b) − F (a) − W (X = b) + W (X = a).
 
0 1 2 3
Exemplul 3.1. Fie variabila aleatoare discretă X :  1 3 3 1 . Să se calculeze:
8 8 8 8
E(X), E(X 2 ), V ar(X), M (t), C(t) şi F (x).
Soluţie.
1 3 3 1 12 3
1) E(X) = 0 · +1· +2· +3· = = .
8 8 8 8 8 2
1 3 3 1 24
2) E(X 2 ) = 02 · + 12 · + 22 · + 32 · = = 3.
8 8 8 8 8
( )2
3 3
3) V ar(X) = 3 − = .
2 4
1 3 3 1 1 + 3 · et + 3 · e2t + e3t
4) M (t) = et·0 · + et·1 · + et·2 · + et·3 · = .
8 8 8 8 8
1 3 3 1 1 + 3 · eit + 3 · e2it + e3it
5) C(t) = eit·0 · + eit·1 · + eit·2 · + eit·3 · = .
8 8 8 8 8
Observaţii :
3 · et + 6 · e2t + 3e3t 3 · et + 12 · e2t + 9e3t
1. M ′ (t) = , M ′′ (t) = şi rezultă
8 8
3+6+3 3 3 + 12 + 9 24
E(X) = M ′ (0) = = , E(X 2 ) = M ′′ (0) = = = 3.
8 2 8 8
i(3 · eit + 6 · e2it + 3e3it ) ′′ i2 (3 · eit + 12 · e2it + 9e3it )
2. C ′ (t) = , C (t) = şi se obţine
8 8
C ′ (0) i(3 + 6 + 3) 3 C ′′ (0) i2 (3 + 12 + 9) 24
E(X) = = = , E(X 2 ) = 2
= 2
= = 3.
i 8i 2 i 8i 8


 0 pentru x < 0



 1
pentru 0 ≤ x < 1



 8



 4
pentru 1 ≤ x < 2
6) F (x) = 8



 7

 pentru 2 ≤ x < 3

 8





 1 pentru x ≥ 3.
 
0 1 2
Exerciţiul 3.1. Fie variabila aleatoare X :  1 1 1 . Să se calculeze:
4 2 4
2
E(X), E(X ), V ar(X), M (t), C(t) şi F (x)!
 
−2 −1 0 1 2
Exerciţiul 3.2. Fie variabila aleatoare X :  1 3 2 2 1 . Să se calculeze:
9 9 9 9 9
2
E(X), E(X ), V ar(X), M (t), C(t) şi F (x)!
Exemplul 3.2. Fie variabila aleatoare

 
2 3 ... 6 7 8 ... 11 12
X:1 2 5 6 5 2 1 .
... ...
36 36 36 36 36 36 36
a) Calculaţi W (| X − µ |≥ 2)!
b) Calculaţi W (| X − µ |< 2)!
Soluţie. a)
Prima soluţie:
1 2 3 4 5
µ = E(X) = 2 · +3· +4· +5· +6· +
36 36 36 36 36
6 5 4 3 2 1
+7 · +8· +9· + 10 · + 11 · + 12 ·
36 36 36 36 36 36
= 7.
W (| X − µ |≥ 2) = W (| X − 7 |≥ 2)
= W ({X − 7 ≤ −2} ∪ {X − 7 ≥ 2})
= W ({X ≤ 5} ∪ {X ≥ 9})
= W (X ≤ 5) + W (X ≥ 9) − W ({X ≤ 5} ∩ {X ≥ 9})
= W (X = 2) + W (X = 3) + W (X = 4) + W (X = 5)
+W (X = 9) + W (X = 10) + W (X = 11) + W (X = 12)
1 2 3 4 4 3 2 1
= + + + + + + +
36 36 36 36 36 36 36 36
20
= = 0, 5556.
36
A doua soluţie:
W (| X − µ |≥ 2) = 1 − W (| X − µ |< 2)
= 1 − W (−2 < X − 7 < 2) = 1 − W (5 < X < 9)
= 1 − (W (X = 6) + W (X = 7) + W (X = 8))
( )
5 6 5
=1− + +
36 36 36
16 20
=1− = = 0, 5556.
36 36
b)
W (| X − µ |< 2) = W (| X − 7 |< 2)
= W (−2 < X − 7 < 2) = W (5 < X < 9)
= W (X = 6) + W (X = 7) + W (X = 8)
5 6 5
= + +
36 36 36
16
= = 0, 4444.
36
 
1 2 3 4 5 6
Exerciţiul 3.3. Fie variabila aleatoare discretă X :  1 1 1 1 1 1 .
6 6 6 6 6 6
Calculaţi: a) W (| X − µ |≥ 3)!
b) W (| X − µ |< 3)!
3.5 Repartiţia binomială

O variabilă aleatoare discretă X are o distribuţie binomială de parametri n şi p, dacă
 ( )
 n
 · pk · q n−k , pentru k ∈ {0, . . . , n}, k ∈ N
W (X = k) = k

 0, ı̂n rest
cu 0 < p < 1 şi p + q = 1; şi se notează succint X ∼ Bi(n; p) sau detaliat:

 
0 ( ) 1 ( ) 2 . . . ( ) k . . . n
X: n n n n .
q ·p·q n−1
·p ·q
2 n−2
... · pk · q n−k . . . pn
1 2 k
Corespunzător acestei definiţii o distribuţie binomială se poate modela astfel: se consideră
o populaţie dichotomică {1; 0}, din care se extrag iterativ n elemente cu revenire (de
fiecare dată). La fiecare extragere probabilitatea de apariţie a unui element de tip ”1”
este constantă şi egală cu p, iar probabilitatea de apariţie a unui element de tip ”0”
este constantă şi egală cu 1 − p = q. Fie variabila aleatoare X: numărul de realizări a
evenimentului ”1” din n probe; rezultă că variabila aleatoare X are o distribuţie binomială
cu parametri n şi p.
3.5.1 Funcţia generatoare de momente a repartiţiei binomiale
M: R→R
( )
∑
n ∑n ( )
n n
tX
M (t) := E(e ) = e · ·p ·q
k tk
n−k
= · (pet )k · q n−k = (pet + q)n .
k=0
k k=0
k
Exemplul 3.3. Calculaţi E(X) şi V ar(X) cu ajutorul funcţiei M (t)!
Soluţie.
M ′ (t) = npet (pet + q)n−1 ,
E(X) = M ′ (0) = np(p + q)n−1 = np, deoarece p + q = 1.
M ′′ (t) = npet (pet + q)n−1 + n(n − 1)p2 e2t (pet + q)n−2 ,
E(X 2 ) = M ′′ (0) = np(p + q)n−1 + n(n − 1)p2 (p + q)n−2 = np + n(n − 1)p2
= np + n2 p2 − np2 = np(1 − p) + n2 p2 = npq + n2 p2 ,
deoarece p + q = 1.
V ar(X) = E(X 2 ) − E 2 (X) = npq + n2 p2 − (np)2 = npq.
3.5.2 Funcţia caracteristică a repartiţiei binomiale
C: R → C
∑
n ( ) ∑n ( )
n n
C(t) := E(e itX
)= itk
e · ·p ·q
k n−k
= · (peit )k · q n−k = (peit + q)n .
k=0
k k=0
k
Exemplul 3.4. Calculaţi E(X) şi V ar(X) folosind funcţia C(t).
Soluţie.
C ′ (t) = npieit (peit + q)n−1 ,
C ′ (0) npi(p + q)n−1

E(X) = = = np, deoarece p + q = 1.
i i
C ′′ (t) = npi2 eit (peit + q)n−1 + n(n − 1)i2 p2 e2it (peit + q)n−2 ,
C ′′ (0) i2 [np(p + q)n−1 + n(n − 1)p2 (p + q)n−2 ]

E(X 2 ) = 2
= 2
= np + n(n − 1)p2 =
i i
= np + n2 p2 − np2 = np(1 − p) + n2 p2 = npq + n2 p2 , deoarece p + q = 1 .
V ar(X) = E(X 2 ) − E 2 (X) = npq + n2 p2 − (np)2 = npq + n2 p2 − n2 p2 = npq.
Exemplul 3.5. Pentru fabricarea unor piese cota rebuturilor, p, este constantă şi egală
cu 0,1. Se extrag patru piese, cu revenire.
1) Determinaţi repartiţia variabilei aleatoare X, care reprezintă numărul pieselor de-
fecte!
2) Calculaţi probabilitatea ca ı̂n eşantionul de probă să se găsească cel mult două piese
defecte!
3) Calculaţi funcţia generatoare de momente!
4) Calculaţi funcţia caracteristică!
5) Calculaţi media variabilei aleatoare!
Soluţie. 1) Variabila aleatoare are o repartiţie binomială cu parametri n = 4; p = 0, 1 şi
q = 0, 9. Rezultă:
 
0 ( ) 1 ( ) 2 ( ) 3 4
 4 4 4 
X : q 4 ·p·q 3
·p ·q
2 2
· p3 · q p4 
1 2 3
 
0 ( ) 1 ( ) 2 ( ) 3 4
X: 4 4 4 .
(0, 9)4
· 0, 1 · (0, 9) 3
· (0, 1) · (0, 9)
2 2
· (0, 1)3 · 0, 9 (0, 1)4
1 2 3
2) W (X ≤ 2) = W (X = 0) + W (X = 1) + W (X = 2)
( ) ( )
4 4
4
= (0, 9) + · 0, 1 · (0, 9) +
3
· (0, 1)2 · (0, 9)2 .
1 2
∑
4 ( )
4
3) M (t) := E(e ) =tX
e · · (0, 1)k · (0, 9)4−k = (0, 1et + 0, 9)4 .
tk
k=0
k
∑4 ( )
4
itX
4) C(t) := E(e ) = e ·
itk
· (0, 1)k · (0, 9)4−k = (0, 1eit + 0, 9)4 .
k=0
k
5) M ′ (t) = 4 · 0, 1et (0, 1et + 0, 9)3 ;

E(X) = M ′ (0) = 4 · 0, 1 = 0, 4 sau
C ′ (t) = 4 · 0, 1ieit (0, 1eit + 0, 9)3 ;
C ′ (0) 4i · 0, 1
E(X) = = = 4 · 0, 1 = 0, 4.
i i
Exerciţiul 3.4. Producerea unor articole de serie ı̂nregistrează zilnic o rată a rebuturilor
de 5%. Volumul eşantionului de probă este de 3 articole.
1) Determinaţi variabila aleatoare X, unde X reprezintă numărul articolelor defecte!
2) Calculaţi probabilitatea ca ı̂n eşantionul de probă să se găsesească exact 3 articole
defecte!
3) Calculaţi probabilitatea ca ı̂n eşantionul de probă să fie cel puţin 2 articole defecte!
4) Calculaţi funcţia generatoare de momente!
5) Calculaţi funcţia caracteristică!
6) Calculaţi media variabilei aleatoare!
Observaţie: În cazul producţiei de serie mare extragerile fără revenire se pot considera
extrageri cu revenire; cu alte cuvinte probabilitatea p rămâne ”constantă”.
Exerciţiul 3.5. Fie X ∼ Bi(4; 31 ). Determinaţi:

a) Repartiţia variabilei aleatoare 3X;
b) M3X (t).
Exemplul 3.6. Asupra unei ţinte se trag independent 100 de gloanţe. Probabilitatea de
succes la fiecare tragere este constantă şi egală cu 0,6.
Calculaţi probabilitatea ca:
a) exact 4 trăgători nimeresc ţinta;
b) cel puţin 2 trăgători nimeresc ţinta;
c) cel mult 5 trăgători nimeresc ţinta!
d) Calculaţi valoarea medie!
Soluţie. Fie variabila aleatoare X: numărul de lovituri corecte.

Variabila aleatoare urmează o repartiţie binomială de parametri n = 100 şi p = 0, 6.
 
0 ... ( ) k . . . 100
X: 100 .
(0, 4)100
... · (0, 6)k · (0, 4)100−k ... (0, 6)100
k
a) ( )
100
W (X = 4) = · (0, 6)4 · (0, 4)96 .
4
b)
W (X ≥ 2) = 1 − W (X < 2) = 1 − [W (X = 0) + W (X = 1)]
( )
100
= 1 − (0, 4) −
100
· (0, 6) · (0, 4)99
1
= 1 − (0, 4)100 · (1 + 150)
= 1 − 151 · (0, 4)100 .
c)
W (X ≤ 5) = W (X = 0) + W (X = 1) + W (X = 2)
+W (X = 3) + W (X = 4) + W (X = 5)
∑5 ( )
100
= · (0, 6)k · (0, 4)100−k .
k=0
k
d)
E(X) = 100 · 0, 6 = 60.
Exerciţiul 3.6. Asupra unei ţinte se trag independent 20 de gloanţe. Probabilitatea de

succes la fiecare tragere este constantă şi egală cu 0,8.
Calculaţi probabilitatea ca:
a) exact 5 trăgători nimeresc ţinta;
b) cel puţin un trăgător nimereşte ţinta;
c) cel mult 10 trăgători nimeresc ţinta!
d) Calculaţi valoarea medie!
Exemplul 3.7. La producerea unor pahare de calitate superioară se ı̂nregistrează o rată

a rebuturilor de 30%. În cadrul unui control al calităţii produselor se aleg la ı̂ntâmplare
(cu revenire) 6 pahare.
1) Calculaţi probabilitatea următoarelor evenimente:

a)ı̂n eşantionul de probă este exact un pahar defect;
b)ı̂n eşantionul de probă sunt cel puţin 3 pahare defecte;
c)ı̂n eşantionul de probă este exact un pahar fără defect;
d)ı̂n eşantionul de probă sunt cel puţin 2 pahare fără defect!
2) Calculaţi atât valoarea medie şi dispersia pentru variabila aleatoare care reprezintă
paharele cu defect, cât şi pentru cele fără defect!
Soluţie. X : Numărul paharelor defecte din eşantionul de probă şi

Y : Numărul paharelor fără defect din eşantionul de probă.
Rezultă că X ∼ Bi(6; 0, 3) şi Y ∼ Bi(6; 0, 7).
 
0 ( ) 1 ... ( ) 5 6
X: 6 6 .
(0, 7)6 · (0, 3) · (0, 7)5 ... · (0, 3)5 · (0, 7) (0, 3)6
1 5
 
0 ( ) 1 ... ( ) 5 6
Y :  6 6 .
(0, 3)6 · (0, 7) · (0, 3)5 ... · (0, 7)5 · (0, 3) (0, 7)6
1 5
1) ( )
6
a) W (X = 1) = · (0, 3) · (0, 7)5 = 6 · (0, 3) · (0, 7)5 .
1
b) W (X ≥ 3) = 1 − W (X < 3) = 1 − [W (X = 0) + W (X = 1) + W (X = 2)]
[ ( ) ( ) ]
6 6
= 1 − (0, 7) +
6
· (0, 3) · (0, 7) +
5
· (0, 3) · (0, 7) .
2 4
1 2
( )
6
c) W (Y = 1) = · (0, 7) · (0, 3)5 = 6 · (0, 7) · (0, 3)5 .
1
d) W (Y ≥ 2) = 1 − W (Y < 2) = 1 − [W (Y = 0) + W (Y = 1)]
[ ( ) ]
6
= 1 − (0, 3) +
6
· (0, 7) · (0, 3) .
5
1
2)
E(X) = 6 · 0, 3 = 1, 8;
V ar(X) = 6 · 0, 3 · 0, 7 = 1, 26;
E(Y ) = 6 · 0, 7 = 4, 2;
V ar(Y ) = 6 · 0, 7 · 0, 3 = 1, 26.
Exerciţiul 3.7. La producerea unor pahare de calitate superioară se ı̂nregistrează o rată

a rebuturilor de 10%. În cadrul unui control al calităţii produselor se aleg la ı̂ntâmplare
(cu revenire) 3 pahare.
1) Calculaţi probabilitatea următoarelor evenimente:
a)ı̂n eşantionul de probă este exact un pahar defect;
b)ı̂n eşantionul de probă sunt cel puţin 2 pahare defecte;
c)ı̂n eşantionul de probă este exact un pahar fără defect;
d)ı̂n eşantionul de probă sunt cel puţin 4 pahare fără defect!
2) Calculaţi atât valoarea medie şi dispersia pentru variabila aleatoare care reprezintă
paharele cu defect, cât şi pentru cele fără defect!
3.6 Repartiţia hipergeometrică

O variabilă aleatoare discretă X are o distribuţie hipergeometrică de parametri n, N, R,
dacă funcţia de probabilitate (repartiţie) este:
 ( ) ( )

 R N − R

 ·

 r n−r

 ( ) , max(0; n − N + R) ≤ r ≤ min(n; R);
N
W (X = r) = f (r; n, N, R) =

 n

 r ∈ N0



 0, ı̂n rest
cu n, N, R ∈ N şi n ≤ N, R < N date; se notează X ∼ Hy(n; N ; R) sau detaliat

 
0 ... r ... n
 ( ) ( ) 
 R N −R 
 · 
X: r ( n)− r .
 
 N 
n
Corespunzător acestei definiţii o distribuţie hipergeometrică se poate modela astfel: se

consideră o populaţie dichotomică {0; 1} cu un volum de N elemente, din care se extrag
iterativ n elemente fără revenire. Din cele N elemente sunt ı̂n total R care sunt de tipul
”1”.
Observaţii 3.6. Valoarea medie şi dispersia repartiţiei hipergeometrice sunt date de
expresiile:
E(X) = n · p ;
N −n
V ar(X) = n · p · q ·
N −1
R
cu p = şi q = 1 − p
N
Demonstraţie.
(R) (N −R) (R) (N −R)
∑
n
· ∑
n
·
E(X) = r · r (N )n−r = r · r (N )n−r
r=0 n r=1 n
(R−1) (N −R) (R−1) (N −R)
∑n
· ∑n
R ·
= R · r−1 (N ) n−r = · n · r−1(N −1)n−r
r=1 n r=1
N n−1
(R−1) (N −R)
R ∑ r−1 · n−r
n
= ·n· (N −1)
N r=1 n−1
R
= · n = n · p.
N
În mod analog rezultă:
E(X(X − 1)) = E(X 2 − X)
= E(X 2 ) − E(X)
R R−1
= n · (n − 1) · · ,
N N −1
deci
V ar(X) = [E(X 2 ) − E(X)] + E(X) − [E(X)]2
R R−1 R R2
= n · (n − 1) ·
· +n· − n2 · 2
N N −1 N N
( )
R R N −n
=n· · 1− ·
N N N −1
N −n
=n·p·q· .
N −1
Exemplul 3.8. O cutie conţine 100 de şuruburi, dintre care 95 sunt bune. Determinaţi:
a) variabila aleatoare: numărul şuruburilor bune, dacă se extrag 4 şuruburi, fără
revenire.
b) variabila aleatoare: numărul şuruburilor defecte, dacă se extrag 4 şuruburi, fără
revenire.
c) variabila aleatoare: numărul şuruburilor bune, dacă se extrag 4 şuruburi, cu revenire.
d) variabila aleatoare: numărul şuruburilor defecte, dacă se extrag 4 şuruburi, cu
revenire.
Soluţie. a) X ∼ Hy(4; 100; 95) şi obţinem
 
( )0 ( ) ( )1 ( ) ( )2 ( ) ( )3 ( ) 4
( ) ( )
 95 5 95 5 95 5 95 5 95 5 
 · · · · · 
X: 0 4( )0 
4 1( )3 2( )2 3( )1 .
 (100) 100 100 100 100 
4 4 4 4 4
b) X ∼ Hy(4; 100; 5) şi obţinem
 
( )0 ( ) ( )1 ( ) ( )2 ( ) ( )3 ( ) ( )4 ( )
 95 5 95 5 95 5 95 5 95 5 
 · · · · · 
X: 4 .
( )0 3
( )1 2( )2 1
( )3 0( )4 
 100 100 100 100 100 
4 4 4 4 4
( ) ( )
95 19
c) X ∼ Bi 4; ⇒ X ∼ Bi 4; şi obţinem
100 20
 
0 1 2 3 4
( ) ( ) ( )3 ( ) ( )2 ( )2 ( ) ( )3 ( )4 
X: 1 4 4 19 1 4 19 1 4 19 1 19 .
20 1 20 20 2 20 20 3 20 20 20
( ) ( )
5 1
d) X ∼ Bi 4; ⇒ X ∼ Bi 4; şi obţinem
100 20
 
0 1 2 3 4
( ) ( ) ( )3 ( ) ( )2 ( )2 ( ) ( )3 ( )4 
X :  19 4 4 1 19 4 1 19 4 1 19 1 .
20 1 20 20 2 20 20 3 20 20 20
Exemplul 3.9. O urnă conţine 5 lozuri câştigătoare şi 15 lozuri necâştigătoare. Se extrag
2 lozuri, fără revenire.
a) Calculaţi probabilitatea ca ambele lozuri să fie câştigătoare!
b) Calculaţi probabilitatea ca exact un loz să fie câştigător!
Soluţie. Fie variabila aleatoare discretă X reprezentând numărul lozurilor câştigătoare.

X are o distribuţie hipergeometrică: X ∼ Hy(2; 20; 5)
 
( )0 ( ) ( )1 ( ) ( )2 ( )
 15 5 15 5 15 5 
 · · · 
X:
 2( ) 0 1( ) 1 0( ) 2  .
 20 20 20 
2 2 2
Se obţine:  
0 1 2
X :  21 15 1 .
38 38 19
1
a) W (X = 2) = .
19
15
b) W (X = 1) = .
38
Exerciţiul 3.8. O urnă conţine 6 lozuri câştigătoare şi 43 lozuri necâştigătoare. Se extrag
fără revenire 6 lozuri.
a) Calculaţi probabilitatea ca toate cele 6 lozuri să fie câştigătoare!
b) Calculaţi probabilitatea ca 4 lozuri să fie câştigătoare!
c) Calculaţi probabilitatea ca exact un loz să fie câştigător!
Exemplul 3.10. Dintr-un lot de 300 de piese 20 sunt defecte. Din acest lot sunt vândute
10 piese.
Care este probabilitatea ca dintre piesele vândute să nu existe nici o piesă defectă?
Soluţie. Variabila aleatoare X descrie numărul pieselor defecte vândute. Deoarece vânzarea
pieselor intră ı̂n categoria extragerilor fără revenire, rezultă: variabila aleatoare X are o
distribuţie hipergeometrică. De aici se obţine W (X = 0):
W (X = 0) = f (0; 10; 300; 20)

( ) ( )
20 300 − 20
·
0 10 − 0
= ( )
300
10
= 0, 4961657.
Exerciţiul 3.9. Dintr-un lot de 150 de piese 19 sunt defecte. Din acest lot sunt vândute
10 piese.
Care este probabilitatea ca dintre piesele vândute să nu existe nici o piesă defectă?
Exemplul 3.11. O livrare de 200 de produse a fost supusă unui control al calităţii. Din
cele 200 de produse 15 sunt defecte. Se extrag ı̂n mod aleator 25 de produse care sunt
verificate.
Care este probabilitatea ca cel mult un produs din cele selectate să fie defect?
Soluţie. Variabila aleatoare X descrie numărul produselor defecte.

X are o distribuţie hipergeometrică.
X ∼ Hy(25; 200; 15).
Rezultă
W (X ≤ 1) = W (X = 0) + W (X = 1)
( ) ( ) ( ) ( )
15 200 − 15 15 200 − 15
· ·
0 25 1 24
= ( ) + ( ) .
200 200
25 25
Observaţii 3.7. 1) O repartiţie limită a repartiţiei hipergeometrice este repartiţia bino-

R
mială cu parametri n şi p, p = lim
R→∞ N
N →∞
( ) ( )
R N −R
· ( )
r n−r n
lim ( ) = · pr · q n−r .
R
N
→p N r
N →∞R→∞
n
Fie variabila aleatoare X ∼ Hy(n; N ; R). Această variabilă aleatoare având distribuţia
hipergeometrică, poate fi aproximată ”grobian” cu o variablă aleatoare, având o distribuţie
n
binomială dacă ≤ 0.05 (alternativ se mai poate ı̂ntâlni ı̂n literatura de specialitate
N
n
n > 10; 0, 1 < p < 0, 9 şi < 0, 1).
N
2) Dacă ipotezele pentru repartiţia binomială (extrageri cu revenire) nu sunt ı̂ndeplinite
nici aproximativ se foloseşte repartiţia hipergeometrică.
3.7 Repartiţia Poisson
O variabilă aleatoare discretă X are o distribuţie Poisson de parametru λ, dacă are funcţia
de probabilitate (repartiţie):
−λ λn
W (X = n) = e · , λ > 0 şi n = {0, 1, 2, . . . }
n!
şi se notează X ∼ P o(λ) sau detaliat:
 
0 1 2 ... n ...
X :  −λ λ λ2 λn  , λ > 0.
e e−λ · e−λ · ... e−λ · ...
1! 2! n!
Observaţii 3.8. 1) Repartiţia Poisson se poate obţine ca repartiţie limită a repartiţiei

binomiale, dacă volumul eşantionului este foarte mare şi p este foarte mic.
2) Repartiţia hipergeometrică tinde la repartiţia Poisson dacă n → ∞, N → ∞,
n· →λR
N
( ) ( )
R N −R
·
r n−r λr · e−λ
lim ( ) = .
n→∞, R→∞
N →∞ n· R →λ
N r!
N
n
Se dă variabila aleatoare X ∼ Hy(n; N ; R). O aproximare a unei repartiţii hipergeo-

metrice a unei variabile aleatoare X, printr-o repartiţie Poisson este permisă, dacă sunt
R n
ı̂ndeplinite condiţiile: n > 10, p − < 0, 05 şi < 0, 05 (alternativ se mai poate ı̂ntâlni
N N
n
ı̂n literatura de specialitate n ≥ 30, p ≤ 0, 1 şi ≤ 0, 1).
N
3.7.1 Funcţia generatoare de momente a repartiţiei Poisson
M: R→R
∑
∞
λn ∑∞
(λet )n
−λ −λ
= e−λ eλe .
t
tX
M (t) := E(e ) = e ·e
tn
· =e ·
n=0
n! n=0
n!
Exemplul 3.12. Calculaţi E(X) şi V ar(X) folosind funcţia generatoare de momente
M (t)!
Soluţie.
M ′ (t) = e−λ λet eλe ,
t
E(X) = M ′ (0) = e−λ λeλ = λ.

[ ] t ( )
M ′′ (t) = e−λ λ et eλe + et λet eλe = e−λ λet eλe 1 + λet ,
t t
E(X 2 ) = M ′′ (0) = e−λ λeλ (1 + λ) = λ (1 + λ) .
V ar(X) = E(X 2 ) − E 2 (X) = λ (1 + λ) − (λ)2 = λ.
3.7.2 Funcţia caracteristică a repartiţiei Poisson
C: R → C
∑
∞
λn ∑∞
(λeit )n
−λ −λ
= e−λ eλe .
it
C(t) := E(e itX
)= e itn
·e · =e ·
n=0
n! n=0
n!
Exemplul 3.13. Calculaţi E(X) şi V ar(X) folosind funcţia caracteristică C(t)!
Soluţie.
C ′ (t) = e−λ λieit eλe ,

it
C ′ (0) e−λ λieλ

E(X) = = = λ.
i i
[ ] it ( )
′′ −λ
C (t) = e λi ie e it λeit it it λeit
+ e λie e = e−λ λi2 eit eλe 1 + λeit ,
C ′′ (0) e−λ i2 λeλ (1 + λ)

E(X 2 ) = = = λ (1 + λ) .
i2 i2
V ar(X) = E(X 2 ) − E 2 (X) = λ (1 + λ) − (λ)2 = λ.
Exemplul 3.14. O centrală telefonică recepţionează ı̂n medie 600 de apeluri pe oră.
Calculaţi:
1) probabilitatea ca ı̂ntr-un minut centrala să
a) nu ı̂nregistreze nici un apel;
b)ı̂nregistreze cel mult 3 apeluri;
c)ı̂nregistreze exact 5 apeluri;
2) funcţia generatoare de momente!
3) funcţia caracteristică!
4) valoarea medie a variabilei aleatoare!
5) dispersia variabilei aleatoare!
Soluţie. Apelurile ı̂ntr-o centrală telefonică se pot modela printr-o repartiţie Poisson.
600
Numărul de apeluri pe minut este: λ = = 10.
60
 
0 1 2 ... n ...
1) X :  −10 100 −10 10 −10 10
2
−10 10
n 
e e e ... e ...
0! 1! 2! n!
 
0 1 2 ... n ...
X :  −10 10n .
e 10e−10 50e−10 . . . e−10 ...
n!
a) W (X = 0) = e−10 ≈ 0;
b) W (X ≤ 3) = W (X = 0) + W (X = 1) + W (X = 2) + W (X = 3)
0 2 3
−10 10 −10 10 −10 10 −10 10
=e +e +e+e
0! 1!
2! 3!
500
= e−10 + 10e−10 + 50e−10 + e−10 .
3
105
c) W (X = 5) = e−10 ;
5!
∑
∞
10n
etn · e−10 · = e−10 · e10e .
tX t
2) M (t) := E(e ) =
n=0
n!
∑
∞
10n
eitn · e−10 · = e−10 · e10e .
itX it
3) C(t) := E(e )=
n=0
n!
4) M ′ (t) = e−10 · 10 · et · e10e ,

t
E(X) = M ′ (0) = e−10 · 10 · e10 = 10.

[ ] t ( )
5) M ′′ (t) = e−10 10 et e10e + et 10et e10e = e−10 · 10et e10e 1 + 10et ,
t t
E(X 2 ) = M ′′ (0) = e−10 10e10 (1 + 10) = 10 (1 + 10) = 10 · 11.
V ar(X) = E(X 2 ) − E 2 (X) = 10 · 11 − 102 = 110 − 100 = 10.

Exerciţiul 3.10. Ştiind că numărul apelurilor telefonice ı̂nregistrate pe minut, ı̂ntr-o
centrală telefonică este o variabilă aleatoare repartizată Poisson, de parametru λ = 2, 5,
să se calculeze:
1) probabilitatea ca ı̂ntr-un minut centrala să
a) nu ı̂nregistreze nici un apel;
b)ı̂nregistreze cel mult 2 apeluri;
c)ı̂nregistreze exact 3 apeluri!
2) funcţia generatoare de momente!
3) funcţia caracteristică!
4) valoarea medie a variabilei aleatoare!
5) dispersia variabilei aleatoare!
Exerciţiul 3.11. Pentru lăcuirea carcaselor se fac ı̂n medie două greşeli de lăcuire pentru
fiecare carcasă. Care este probabilitatea să fie:
a) 3 greşeli de lăcuire pentru fiecare carcasă;
b) cel puţin 2 greşeli de lăcuire pentru fiecare carcasă?
Indicaţie: se poate folosi distribuţia Poisson.
Exerciţiul 3.12. Ştiind că numărul muşcăturilor de câine suferite ı̂ntr-o săptamână, de
factorii poştali dintr-un mic orăşel, poate fi exprimat de o variabilă aleatoare repartizată
Poisson, de parametru λ = 3, să se calculeze:
a) probabilitatea ca ı̂ntr-o săptamână să se ı̂nregistreze 6 muşcături;
b) probabilitatea ca ı̂n trei săptamâni să se ı̂nregistreze mai mult de 8 muşcături!
Exerciţiul 3.13. Fie variabila aleatoare discretă

 
0 1 ... n ...
X: 3n 
. . . e−3 · ...
n!
Calculaţi:
a) funcţia generatoare de momente;
b) valoarea medie a variabilei aleatoare;
c) variabila aleatoare Y = X 3 !
Exerciţiul 3.14. Fie variabila aleatoare discretă

 
0 1 ... n ...
X: 5n 
. . . e−5 · ...
n!
Calculaţi:
a) funcţia generatoare de momente;
b) valoarea medie a variabilei aleatoare;
c) variabila aleatoare Y = −X + 2!
4 Integrale Euler
Funcţia Gamma ∫ ∞
γ(a) := xa−1 · e−x dx, a > 0;
0
∫ ∞
γ(a; b) := xa−1 · e−bx dx, a, b > 0.
0
1. γ(a + 1) = a · γ(a);
∫ ∞
2. γ(1) = e−x dx = 1;
0
3. γ(n) = (n − 1)! pentru n ∈ N;

π
4. γ(a)γ(1 − a) = ;
sin aπ
( )
1 √
5. γ = π
2
γ(a)
6. γ(a; b) = .
ba
Funcţia Beta ∫ 1
β(a; b) := xa−1 · (1 − x)b−1 dx, a, b > 0;
0
γ(a) · γ(b)
1. β(a; b) = ;
γ(a + b)
∫ ∞
ta−1
2. β(a; b) = dt, a, b > 0.
0 (1 + t)a+b
Completări:
∫ ∞
xa−1 β(a; b)
β(a; b; c) := a+b
dx = , a, b, c > 0
0 (c + x) cb
∫ ∞
xa−1 β(a; b)
β(a; b; c; d) := dx = b a , a, b, c > 0;
0 (c + dx) a+b c ·d
Exemplul 4.1. Calculaţi:

∫ ∞
1) x7 · e−x dx = γ(8) = 7!,
0
∫ ∞
γ(8) 7!
2) x7 · e−5x dx = γ(8; 5) = 8
= 8,
0 5 5
( )
3
∫ 1 ( ) γ(2) · γ
1 3 2
3) x · (1 − x) 2 dx = β 2; = ( )
0 2 7
γ
2
( )
3
1! · γ
2 4
= ( )= .
5 3 3 15
· ·γ
2 2 2
( ) ( ) ( ) ( )
7 5 5 5 5 3
γ =γ +1 = ·γ = ·γ +1
2 2 2 2 2 2
( )
5 3 3
= · ·γ .
2 2 2
5 Variabile aleatoare continue

Codomeniul unei variabile aleatoare continue este o mulţime nenumărabilă. Fie X o
variabilă aleatoare şi F funcţia sa de repartiţie. Variabila aleatoare se numeşte continuă,
dacă există o funcţie f nenegativă, astfel ı̂ncât:
∫ x
F (x) = f (u)du
−∞
.
Funcţia f se numeşte densitate de probabilitate.
Exemple de variabile aleatoare continue:
1) Durata de viaţă a unui semiconductor
2) Durata unei convorbiri telefonice
3) Timpul de aşteptare a pasagerilor ı̂ntr-o staţie.
Proprietăţi 5.1. Densitatea de probabilitate a unei variabile aleatoare continue are

următoarele proprietăţi:
1) f(x) ≥ 0; deoarece funcţia de repartiţie nu e descrescătoare atunci f(x) ≥ 0,

dFX (x)
2) f(x) = ı̂n punctele de continuitate ale funcţiei f,
dx ∫
x
3) W(X = x) = f(u)du = 0 deşi X=x nu este evenimentul imposibil. Rezultă:
x
W(a < X ≤ b) = W(a ≤ X ≤ b) = W(a ≤ X < b) = W(a < X < b)

∫ b
= F (b) − F (a) = f (x) dx.
a
∫ +∞ ∫ x
4) f(x) dx = 1; deoarece F(x) = f(u) du rezultă lim F(x) = 1.
−∞ −∞ x→∞
5.1 Caracteristici numerice ale variabilelor aleatoare continue

1. Momentul de ordinul r
∫ +∞
αr = E{X } = r
xr f (x)dx.
−∞
2. Valoarea medie (r=1)

∫ +∞
α1 = µ = E{X} = xf (x)dx.
−∞
3. Momentul centrat de ordinul r

∫ +∞
βr = µr = E{(X − µ) } = r
(x − µ)r f (x)dx.
−∞
4. Dispersia
∫ +∞
µ2 := Var(X) = σ = 2
(x − µ)2 f(x)dx
−∞
∫ +∞ ∫ +∞ ∫ +∞
= x f (x)dx − 2µ
2
xf (x)dx + µ 2
f (x)dx
−∞ −∞ −∞
= α2 − 2µ2 + µ2 = α2 − µ2 = E(X 2 ) − E(X)2
se numeşte dispersia variabilei aleatoare.

√
σ = σ 2 , se numeşte abaterea medie pătratică a variabilei aleatoare
( volatilitateaı̂n domeniul financiar).
5.2 Funcţia generatoare de momente a variabilelor aleatoare

continue
Fie X o variabilă aleatoare de tip continuu. Funcţia
M: R→R
∫ +∞
tX
M (t) := E(e ) = etx f (x)dx
−∞
se numeşte funcţia generatoare de momenteX.
E{X} = M ′ (0),
E{X 2 } = M ′′ (0),
..................
E{X r } = M (r) (0).
..................
5.3 Funcţia caracteristică a variabilelor aleatoare continue

Fie X o variabilă aleatoare de tip continuu. Funcţia
C: R → C
∫ +∞
itX
C(t) := E(e )= eitx f (x)dx
−∞
se numeşte funcţia caracteristică a variabilei aleatoare X.
C ′ (0)
E{X} = ,
i
C ′′ (0)
E{X } =
2
,
i2
..................
C (r) (0)
E{X r } = .
ir
..................
Observaţii 5.1. 1) Fie X o variabilă aleatoare continuă şi o funcţie h(X).

Funcţia caracteristică a lui h(X) este:
Ch(X) (t) = E(eith(X) ).

2) Fie X o variabilă aleatoare de tip continuu şi funcţia liniară Y = b0 + b1 X;

Funcţia caracteristică a lui Y este:
CY (t) = E(eit(b0 +b1 X) )
= eitb0 · CX (b1 t).
3) Fie variabilele aleatoare independente X1 , . . . , XM şi combinaţia liniară

Z = b1 X1 + · · · + bM XM . Funcţia caracteristică a lui Z este:
CZ (t) = CX1 (b1 t) · · · · · CXM (bM t).
Teorema 5.1. 1) (Inegalitatea-Raikov) Dacă C(t) este o funcţie caracteristică reală,

atunci:
1 − C(2t) ≤ 22 (1 − C(t)).
2) (Inegalitatea-Târcolea) Dacă C(t) este o funcţie caracteristică reală
şi n ∈ N, atunci:
1 − C(nt) ≤ n2 (1 − C(t)).
Indicaţie: În acest caz funcţia caracteristică este:
∫ +∞
itX
C(t) := E(e ) = cos(tx)f (x)dx;
−∞
relaţia se poate demonstra folosind inegalitatea: | sin(nt) |≤ n | sin(t) | (inducţie).

O variabilă aleatoare X are o repartiţie normală standard X ∼ N (0; 1), dacă densi-
x2
1 −
tatea sa de probabilitate este f (x) = √ · e 2 , x ∈ R.
2π
Exemplul 5.1. Determinaţi funcţia caracteristică a repartiţiei normale standard.
Soluţie. Deoarece densitatea de probabilitate a variabilei aleatoare este
x2
−
f (x) = √1 · e 2 , x ∈ R, rezultă
2π
∫ x2
+∞
1 −
C(t) = eitx · √ · e 2 dx
−∞ 2π
 
t2 ∫ +∞ (x − it)2 t2
−  1 −  −
= e 2 · √ · e 2 dx = e 2 ,
2π −∞
∫ +∞
1 y2
deoarece √ · e− 2 dy = 1.
2π −∞
Exemplul 5.2. Se dă funcţia caracteristică a variabilei aleatoare X ∼ N (0; 1):

t2
C(t) = e− 2 . Se cere să se determine funcţia caracteristică a variabilei aleatoare
Y = σX + µ, µ ∈ R, σ > 0.
Soluţie. Deoarece Y este o funcţie liniară de X, rezultă

(σt)2
CY (t) = eitµ · e− 2 .
Această funcţie caracteristică corespunde variabilei aleatoare X ∼ N (µ; σ 2 ), care are

densitatea de probabilitate:
(x − µ)2
1 −
f (x) = √ e 2σ 2 , x ∈ R.
σ 2π
Exemplul 5.3. Se dă funcţia caracteristică a variabilei aleatoare cu repartiţie normală

X ∼ N (µ; σ 2 ),
(σt)2
CX (t) = eitµ− 2
X −µ
şi funcţia liniară Y = , µ ∈ R, σ > 0. Se cere să se determine funcţia caracteristică
σ
a variabilei aleatoare Y .
X −µ µ 1
Soluţie. Deoarece funcţia Y = este o funcţie liniară, avem b0 = − , b1 = .
σ σ σ
Rezultă ( )
µ µ σ 2 t2 t2
CY (t) = e−it σ ei σ t− 2σ2 = e− 2 .
Exemplul 5.4. Fie X o variabilă aleatoare cu densitatea de probabilitate


 ax3 , pentru 0 ≤ x ≤ 1
f (x) =
 0, ı̂n rest.
1) Calculaţi a!
2) Calculaţi W (− 12 < x ≤ 13 )!
3) Calculaţi funcţia de repartiţie pentru variabila aleatoare a) Y = 4X − 1,
b) Y = X 2 ,
c) Y = eX !
∫ ∞
Soluţie. 1) Densitatea de probabilitate are proprietatea f (x) = 1; rezultă
−∞
∫ 1
x4 1 a
ax3 dx = 1 ⇒ a = 1 ⇒ = 1 ⇒ a = 4.
0 4 0 4

 4x3 , pentru 0 ≤ x ≤ 1
Obţinem: f (x) =
 0, ı̂n rest.
∫ x
Funcţia de repartiţie este F (x) = f (t)dt.
−∞
Dacă x < 0, atunci F (x) = 0.
Dacă 0 ≤ x < 1, atunci
∫ 0 ∫ x
F (x) = 0 dt + 4t3 dt = x4 .
−∞ 0
Dacă x ≥ 1, atunci F (x) = 1.

Rezultă 

 0, pentru x < 0



F (x) = x4 , pentru 0 ≤ x < 1




 1, pentru x ≥ 1.
( ) ( ) ( ) ( )4
1 1 1 1 1 1
2) W − < x ≤ =F −F − = −0= .
2 3 3 2 3 81
y+1 dx 1
3) a) y = 4x − 1 ⇒ x = ⇒ = .
4 dy 4
( )3 ( )3
dx y + 1 1 y + 1
g(y) = f (x(y)) = 4 = ,
dy 4 4 4
0 ≤ x ≤ 1 ⇒ −1 ≤ 4x − 1 ≤ 3 ⇒ −1 ≤ y ≤ 3; rezultă
∫ y ∫ y( )3 ( )4
u+1 1 (u + 1)4 y y+1
G(y) = g(u)du = du = 3 = .
−1 −1 4 4 4 −1 4


 0, pentru y < −1

 ( y + 1 )4

G(y) = , pentru − 1 ≤ y < 3

 4


 1, pentru y ≥ 3.
√ dx 1
b) y = x2 ⇒ x = y⇒ = √ .
dy 2 y

dx √ 1
g(y) = f (x(y)) = 4( y)3 √ = 2y,
dy 2 y
0 ≤ x ≤ 1 ⇒ 0 ≤ x2 ≤ 1 ⇒ 0 ≤ y ≤ 1; rezultă
∫ y ∫ y
u2 y
G(y) = g(u)du = 2udu = 2 = y 2 .
0 0 2 0



 0, pentru y < 0
G(y) = y 2 , pentru 0 ≤ y < 1


 1, pentru y ≥ 1.
dx 1
c) y = ex ⇒ x = ln y ⇒ = .
dy y

dx ln3 y
g(y) = f (x(y)) = 4 ,
dy y
0 ≤ x ≤ 1 ⇒ 1 ≤ ex ≤ e ⇒ 1 ≤ y ≤ e; rezultă
∫ y ∫ y
ln3 u ln4 u y
G(y) = g(u)du = 4 du = 4 = ln4 y.
1 1 u 4 0


 0, pentru y < 1

G(y) = ln4 y, pentru 1 ≤ y < e


 1, pentru y ≥ e.
Exemplul 5.5. Fie o variabilă aleatoare continuă X cu densitatea de probabilitate



 pentru − 1 ≤ x ≤ 0
 a,
f (x) = 2a, pentru 0 < x ≤ 2


 0, ı̂n rest.
1) Calculaţi a!
2) Calculaţi funcţia de repartiţie!
3) Calculaţi W (x > 0)!
∫ ∞
Soluţie. 1) Densitatea de probabilitate are proprietatea f (x) = 1; rezultă
−∞
∫ −1 ∫ 0 ∫ 2 ∫ ∞ 0 2
1
0dx + adx + 2adx + 0dx = 1 ⇒ ax + 2ax = 1 ⇒ 5a = 1 ⇒ a = .
−∞ −1 0 2 −1 0 5


 1
pentru − 1 ≤ x ≤ 0

 ,

 5

2
f (x) =
 , pentru 0 < x ≤ 2

 5



 0, ı̂n rest.
∫ x
2) Funcţia de repartiţie este F (x) = f (t)dt.
−∞
Dacă x < −1, atunci F (x) = 0.
Dacă −1 ≤ x < 0, atunci
∫ −1 ∫ x
1 x+1
F (x) = 0 dt + dt = .
−∞ −1 5 5
Dacă 0 ≤ x < 2, atunci
∫ −1 ∫ 0 ∫ x
1 2 2x + 1
F (x) = 0 dt + dt + dt = .
−∞ −1 5 0 5 5
Dacă x ≥ 2, atunci F (x) = 1.
Rezultă 

 0, pentru x < −1





 x+1

 , pentru − 1 ≤ x < 0
5
F (x) =

 2x + 1

 , pentru 0 ≤ x < 2

 5



 1, x ≥ 2.
3) Deoarece F (x) = W (X ≤ x) se obţine

1 4
W (x > 0) = 1 − W (x ≤ 0) = 1 − F (0) = 1 − = .
5 5
Exerciţiul 5.1. Fie X o variabilă aleatoare cu densitatea de probabilitate


 ax2 , pentru 0 ≤ x ≤ 1
f (x) =
 0, ı̂n rest.
1) Calculaţi a!
2) Calculaţi W (− 13 < x ≤ 14 )!
3) Calculaţi funcţia de repartiţie pentru a) Y = 3X + 2,
b) Z = −2X + 3,
c) U = X 2,
d) V = X 5,
e) T = eX !
Exerciţiul 5.2. Fie X o variabilă aleatoare continuă cu densitatea de probabilitate

{
0, 5 − 0, 125x, pentru 0 ≤ x ≤ 4
f (x) =
0, ı̂n rest.
Calculaţi
a) funcţia de repartiţie;
b) W (1 ≤ X ≤ 2);
c) Var(X)!
Exemplul 5.6. Fie X o variabilă aleatoare continuă cu funcţia caracteristică
C(t) = e−|t| , t ∈ R.
Calculaţi densitatea de probabilitate!
Soluţie. Deoarece ∫ ∞
′1
f (x) = F (x) = e−itx C(t)dt,
2π −∞
eitx + e−itx
cos(tx) = ,
2
rezultă:
∫ ∞ [∫ 0 ∫ ∞ ]
1 −itx −|t| 1 −itx t −itx −t
f (t) = e e dt = e e dt + e e dt
2π −∞ 2π −∞ 0
∫ ∞
1 ( )
= e−t eitx + e−itx dt
2π 0
∫
1 ∞ −t 1
= e cos(tx) dt = , x ∈ R.
π 0 π · (1 + x2 )
Exemplul 5.7. Fie X o variabilă aleatoare continuă cu densitatea de probabilitate

 x−1

 36 , pentru 1 ≤ x ≤ 7
f (x) =

 13 − x
 , pentru 7 < x ≤ 13.
36
( √ )
Calculaţi W | X − µ |≥ 6 − 20 !
Soluţie.
∫ ∞ ∫ ∫ 13
x−1 7
13 − x
µ = E(X) = xf (x) dx = x· dx + x· dx
−∞ 1 36 7 36
[ ]
1 x3 7 x2 7 x2 13 x3 13
= − + 13 −
36 3 1 2 1 2 7 3 7
=7
∫ x
Funcţia de repartiţie este F (x) = f (t)dt.
−∞
Dacă x < 1, atunci F (x) = 0.
∫ ∫
1 x
t−1 (x − 1)2
Dacă 1 ≤ x < 7, atunci F (x) = 0 dt + dt = .
−∞ 1 36 72
∫ ∫ ∫
1 7
t−1 x
13 − t (x − 13)2
Dacă 7 ≤ x < 13, atunci F (x) = 0 dt+ dt+ dt = 1− .
−∞ 1 36 7 36 72
Dacă x ≥ 13, atunci F (x) = 1. Rezultă


 0, pentru x < 1





 (x − 1)2

 , pentru 1 ≤ x < 7
 72
F (x) =

 (x − 13)2

 1− , pentru 7 ≤ x < 13



 72


 1, pentru x ≥ 13.
Prima soluţie:
√ √
W (| X − µ |≥ 6 − 20) = W (| X − 7 |≥ 6 − 20)
({ √ } { √ })
=W X − 7 ≤ −6 + 20 ∪ X − 7 ≥ 6 − 20
({ √ } { √ })
=W X ≤ 1 + 20 ∪ X ≥ 13 − 20
( √ ) ( √ )
= W X ≤ 1 + 20 + W X ≥ 13 − 20
({ √ } { √ })
−W X ≤ 1 + 20 ∩ X ≥ 13 − 20
= W (X ≤ 5, 472136) + W (X ≥ 8, 527864)
−W ({X ≤ 5, 472136} ∩ {X ≥ 8, 527864})
= W (X ≤ 5, 472136) + W (X ≥ 8, 527864)
= W (X ≤ 5, 472136) + 1 − W (X < 8, 527864)

√ √
= F (5, 472136) + 1 − F (8, 527864) = F (1 + 20) + 1 − F (13 − 20)
( √ )2 [ ( √ )2 ] √
1 + 20 − 1 13 − 20 − 13 ( 20)2
= +1− 1− =2·
72 72 72
= 0, 555556.
A doua soluţie:
√ √
W (| X − µ |≥ 6 − 20) = 1 − W (| X − 7 |< 6 − 20)
( √ √ )
= 1 − W −6 + 20 < X − 7 < 6 − 20
( √ √ )
= 1 − W 1 + 20 < X < 13 − 20
( √ √ )
= 1 − F (13 − 20) − F (1 + 20)
√ √
= 1 − F (8, 527864) + F (5, 472136) = 1 − F (13 − 20) + F (1 + 20)
[ ( √ )2 ] ( √ )2 √
13 − 20 − 13 1 + 20 − 1 ( 20)2
=1− 1− + =2·
72 72 72
= 0, 555556.
Repartiţia uniformă
O variabilă aleatoare continuă X are o repartiţie uniformă pe intervalul [a, b], dacă
densitatea de probabilitate este:
 1

 , x ∈ [a, b]
 b−a
f (x) =


 0, ı̂n rest.
Se notează succint: X ∼ Re(a; b).

Funcţia de repartiţie a distribuţiei uniforme pe intervalul [a, b] este:


 0, pentru x < a



 x−a
F (x) = , pentru a ≤ x < b

 b−a



 1, pentru x ≥ b.
Observaţii 5.2. Fie X ∼ Re(a; b). Atunci rezultă:
a+b
1) E(X) = ;
2
b2 + ba + a2
2) E(X 2 ) = ;
3
(b − a)2
3) V ar(X) = .
12
Exemplul 5.8. Dintr-o gară pleacă trenurile la intervale de 15 minute. Un călător, care
ignoră mersul trenurilor, apare la un moment dat ı̂n gară. Timpul de aşteptare este o
variabilă aleatoare X cu repartiţie uniformă cu domeniul valorilor T = [0; 15′ ]. Calculaţi:
1) densitatea de probabilitate;
2) funcţia de repartiţie;
3) probabilitatea ca timpul de aşteptare să fie de cel mult 3 minute;
4) probabilitatea ca timpul de aşteptare să fie mai mare de 10 minute;
5) probabilitatea ca timpul de aşteptare să fie ı̂ntre 6 şi 10 minute;
6) probabilitatea ca timpul de aşteptare, cu o diferenţă de 5 minute, ı̂n valoare absolută,
să devieze cel mult cu 2 minute.
Observaţie. Deoarece toţi timpii de aşteptare din domeniul valorilor sunt egal probabili,
se utilizează o distribuţie uniformă.
Soluţie. 1) Densitatea de probabilitate este:


 1
 15 , pentru 0 ≤ x ≤ 15

f (x) =


 0, ı̂n rest.
∫ x
1 x
2) Deoarece F (x) = du = ,
0 15 15
funcţia de repartiţie este:


 0, pentru x < 0


 x
F (x) = , pentru 0 ≤ x < 15

 15


 1, pentru x ≥ 15.
3 1
3) W (X ≤ 3) = F (3) = = = 0, 2;
15 5
10 5 1
4) W (X > 10) = 1 − F (10) = 1 − = = ≈ 0, 3334;
15 15 3
10 6 4
5) W (6 < X < 10) = F (10) − F (6) = − = ≈ 0, 2667;
15 15 15
6) W (| X − 5 |≤ 2) = W (−2 ≤ X − 5 ≤ 2) = W (3 ≤ X ≤ 7)
7 3 4
= F (7) − F (3) = − = ≈ 0, 2667.
15 15 15
Exerciţiul 5.3. Fie X o variabilă aleatoare continuă cu repartiţie uniformă pe intervalul

[a; 2a]. Determinaţi
a) F (x);
( )
b) W 32 a ≤ X ≤ 2a !
Repartiţia Gamma
O variabilă aleatoare X spunem că are o repartiţia Gamma cu parametri a > 0 şi
b > 0, dacă densitatea de probabilitate este:
 1
 xa−1 e−bx , x≥0
f (x) = γ(a; b)
 0, ı̂n rest.
Se notează succint X ∼ Γ(a; b).

Repartiţia Gamma standard se obţine, dacă b = 1 şi densitatea de probabilitate

este:  1
 xa−1 e−x , x≥0
f (x) = γ(a)
 0, ı̂n rest.
Se notează succint X ∼ Γ(a).
Observaţii 5.3. Fie X ∼ Γ(a; b). Rezultă:

a
1) E(X) = ;
b
a2 + a
2) E(X 2 ) = ;
b2
a
3) V ar(X) = 2 .
b
Densităţi de probabilitate ale repartiţiei Beta
1
1) f (x) = xa−1 (1 − x)b−1 , x ∈ [0, 1] a, b > 0.
β(a; b)
1 xa−1
2) f (x) = , x ≥ 0, a, b > 0.
β(a; b) (1 + x)a+b
Exemplul 5.9. Fie variabilele aleatoare X ∼ Γ(3) şi Y ∼ Γ(7). Calculaţi densităţile de
probabilitate ale variabilelor aleatoare T , U şi V :
1) T = 6X;
X
2) U = ;
Y
X
3) V = .
X +Y
Soluţie. Densităţile de probabilitate corespunzătoare sunt
1 2 −x
f (x) = x e , x ≥ 0;
γ(3)
1 6 −y
f (y) = y e , y ≥ 0.
γ(7)
1) t = 6x şi x ≥ 0 ⇒ t ≥ 0.
t dx 1
x= ⇒ = .
6 dt 6
( )2 t t
dx 1 t − 1 1 t2 −

g(t) = f (x(t)) = · ·e 6 · = · · e 6,
dt γ(3) 6 6 γ(3) 63
t ( )
1 − 1
= · t · e 6 ⇒ T ∼ Γ 3;
2
.
γ(3; 16 ) 6
x
2) u = şi x ≥ 0, y ≥ 0 ⇒ u ≥ 0.
y
Densitatea de probabilitate a vectorului aleator (X, Y ) este egală cu produsul densităţilor
de probabilitate, deoarece X şi Y sunt independente. Rezultă
1 2 −x 1 6 −y 1 1 2 6 −(x+y)
f (x, y) = f (x)f (y) = xe · y e = · x y e .
γ(3) γ(7) γ(3) γ(7)
Se ştie că
g(u, w) = f (x(u, w), y(u, w)) |J| .
Cu transformarea corespunzătoare
 x 

 u=  x = uw
y
⇒

 w = y  y=w ,
rezultă
∂x ∂x
w u
∂u ∂w
J = =

= w.

∂y ∂y 0 1

∂u ∂w
Densitatea de probabilitate a vectorului aleator (U, W ) este:
1 1 1 1
g(u, w) = · · u2 · w8 · e−w(u+1) · w = · · u2 · w9 · e−w(u+1) ,
γ(3) γ(7) γ(3) γ(7)
dacă u ≥ 0, w ≥ 0.
Densitatea de probabilitate marginală a variabilei aleatoare U este:

∫ ∞
1 1 1 1
g(u) = · ·u ·
2
w9 · e−w(u+1) dv = · · u2 · γ(10; u + 1)
γ(3) γ(7) 0 γ(3) γ(7)
1 1 γ(10) 1 u2
= · · u2 · = ·
γ(3) γ(7) (u + 1)10 β(3; 7) (u + 1)3+7
⇒ U ∼ β (3; 7) pe intervalul [0, ∞).
x
3) v = şi x ≥ 0, y ≥ 0 ⇒ 0 ≤ v ≤ 1.
x+y
1 2 −x 1 6 −y 1 1 2 6 −(x+y)
f (x, y) = f (x)f (y) = xe · y e = · x y e .
γ(3) γ(7) γ(3) γ(7)
g(v, z) = f (x(v, z), y(v, z)) |J| .
 x 
  vz
 v=  x=
x+y
⇒ 1−v

 z = y 
 y = z
şi rezultă
∂x

∂x
z v
∂v (1 − v)2
∂z 1−v z
J = =
= .
∂y ∂y (1 − v)2
0 1
∂v ∂z
( )2 z
−
1 1 vz z
g(v, z) = · · · z · e (1 − v) ·
6
γ(3) γ(7) 1−v (1 − v)2
z
−
1 1 v2
= · · · z 9 · e (1 − v)
γ(3) γ(7) (1 − v)4
pentru 0 ≤ v ≤ 1, z ≥ 0;
g(v, z) este densitatea de probabilitate a vectorului aleator (V, Z).

Densitatea de probabilitate marginală a variabilei aleatoare V este:
∫ ∞ z
−
1 1 v2
g(v) = · · · z 9 · e (1 − v) dz
γ(3) γ(7) (1 − v)4 0
( )
1 1 v2 1
= · · · γ 10;
γ(3) γ(7) (1 − v)4 1−v
1 1 v2 γ(10)
= · · · γ(10)(1 − v)10 = · v 2 · (1 − v)6
γ(3) γ(7) (1 − v)4 γ(3)γ(7)
1
= · v 2 · (1 − v)6
β(3; 7)
⇒ V ∼ β (3; 7) din intervalul [0, 1].
Exerciţiul 5.4. Fie variabilele aleatoare X ∼ Γ(4) şi Y ∼ Γ(2). Determinaţi densitatea
X
de probabilitate a variabilei aleatoare U = .
Y
Exerciţiul 5.5. Fie variabilele aleatoare X ∼ Γ(3) şi Y ∼ Γ(5). Determinaţi densitatea
X
de probabilitate a variabilei aleatoare U = .
X +Y
Repartiţia exponenţială
O variabilă aleatoare X are o repartiţie exponenţială cu parametrul λ > 0, dacă
{
λe−λx , x≥0
f (x) =
0, ı̂n rest.
Se notează succint X ∼ Exp(λ).

Funcţia de repartiţie este:
∫ x ∫ x
F (x) = f (u) du = λ · e−λu du = 1 − e−λx , pentru x ≥ 0.
−∞ 0
Observaţii 5.4. Fie X ∼ Exp(λ), atunci rezultă:

1
1) E(X) = ;
λ
2
2) E(X 2 ) = 2 ;
λ
1
2) V ar(X) = 2 .
λ
Exemplul 5.10. Fie variabila aleatoare X ∼ Exp(λ).

Să se arate că: W (X > s + t/X > t) = W (X > s).
Soluţie. Funcţia de repartiţie este
∫ x ∫ x
F (x) := W (X ≤ x) = f (u)du = λe−λu du.
−∞ 0
∫ x ∫ ∞
−λu
Deoarece W (X > x) = 1 − W (X ≤ x) = 1 − λe du = λ e−λu du = e−λx ,
0 x
−λ(s+t) −λt
rezultă W (X > s + t) = e şi W (X > t) = e .
W (X > s + t; X > t)
Într-adevăr: W (X > s + t/X > t) =
W (X > t)
e−λ(s + t)
= = e−λs = W (X > s).
−λt
e
Exerciţiul 5.6. Fie variabila aleatoare X ∼ Exp(7).

Să se arate că: W (X > 10/X > 7) = W (X > 3).
Exerciţiul 5.7. Fie variabila aleatoare X ∼ Exp(8).

Să se arate că: W (X > 20/X > 2) = W (X > 18).
1
Exerciţiul 5.8. Fie variabila aleatoare X cu densitatea de probabilitate f (x) = ,
(1 + x)2
x ≥ 0. Calculaţi:
1
a) densitatea de probabilitate a variabilei aleatoare U = ;
X
b) W (X > 5);
c) W (X > 5/X > 4).
Exemplul 5.11. La un ghişeu al unei bănci, timpul măsurat ı̂n minute ı̂ntre sosirile a
doi clienţi, are o repartiţie exponenţială cu parametrul λ = 0, 16. Calculaţi probabilitatea
ca timpul scurs ı̂ntre sosirile a doi clienţi să fie mai mare de 5 minute!
Soluţie. Deoarece funcţia de repartiţie este:
F (x) = 1 − e−λx ,
rezultă:
F (x) = 1 − e−0, 16x ;
W (X > 5) = 1 − W (X ≤ 5)
= 1 − F (5) = 1 − (1 − e−0, 16 · 5 )
= e−0,8 ≈ 0, 4493.
Exerciţiul 5.9. Fie două variabilele aleatoare X şi Y independente, identic repartizate
exponenţial, cu parametru 5. Calculaţi funcţia caracteristică a variabilei aleatoare:
a) U = 5X;
b) V = X + Y !
Exerciţiul 5.10. Fie două variabilele aleatoare independente X ∼ Exp(3), Y ∼ Exp(7).

Calculaţi funcţia caracteristică a variabilei aleatoare:
a) U = 7Y ;
b) V = X + Y !
Exemplul 5.12. Durata de viaţă a semiconductorilor are o repartiţie exponenţială cu

1
parametrul λ = .
1250h
a) Calculaţi valoarea medie a duratei de viaţă a semiconductorilor!
b) Calculaţi dispersia duratei de viaţă a semiconductorilor!
c) Calculaţi probabilitatea ca durata de viaţă a semiconductorilor să fie ı̂ntre 1875 şi
2500 de ore!
Soluţie. a) Valoarea medie a unei variabile aleatoare X care are o repartiţie exponenţială
este:
1
E(X) = .
λ
Rezultă:
1
E(X) = = 1250h.
1
1250h
b) Dispersia unei variabile aleatoare X care are o repartiţie exponenţială este:
1
V ar(X) = .
λ2
Rezultă:
1
V ar(X) = = (1250h)2 = 1562500h2 .
1
1250h2
c)
W (1875 < X < 2500) = W (1875 < X ≤ 2500)
= F (2500) − F (1875)
   
2500 1875
− −
= 1 − e 1250  − 1 − e 1250 
= e−1, 5 − e−2 ≈ 0, 0878.
Exerciţiul 5.11. Durata de viaţă a semiconductorilor are o repartiţie exponenţială cu

1
parametrul λ = .
1000h
a) Calculaţi valoarea medie a duratei de viaţă a semiconductorilor!
b) Calculaţi dispersia duratei de viaţă a semiconductorilor!
c) Calculaţi probabilitatea ca durata de viaţă a semiconductorilor să fie ı̂ntre 1500 şi
2000 de ore!
Repartiţia χ2
O variabilă aleatoare X are o repartiţie χ2 cu K grade de libertate, dacă densitatea
de probabilitate este:
1
x 2 −1 e− 2 x , x > 0.
K 1
f (x) =
γ( K2 ; 12 )
Se notează succint X ∼ χ2 (K).
Proprietăţi 5.4. Fie variabila aleatoare X ∼ χ2 (K), atunci rezultă :
1. M (t) = (1 − 2t)− 2 ;
K
2. C(t) = (1 − 2it)− 2 .
K
Demonstraţie. Funcţia generatoare de momente a unei variabile aleatoare cu o repartiţie

χ2 cu K grade de libertate este definită după cum urmează:
∫ ∞
1
etx · x 2 −1 · e− 2 dx
K x
M (t) = ·
K 1
γ( ; ) 0
2 2
∫ ∞
1
x 2 −1 · e−( 2 −t)x dx
K 1
= ·
K 1
γ( ; ) 0
2 2
K 1 − 2t
γ( ; )
= 2 2
K 1
γ( ; )
2 2
1
= K .
(1 − 2t) 2
Funcţia caracteristică a unei variabile aleatoare cu o repartiţie χ2 cu K grade de

libertate este definită după cum urmează:
1
= (1 − 2it)− 2 .
K
C(t) = M (it) = K
(1 − 2it) 2
Exemplul 5.13. Calculaţi E(X) şi V ar(X) a unei variabile aleatoare cu repartiţia χ2 (K),
folosind funcţia generatoare de momente M (t).
Soluţie.
M ′ (t) = K · (1 − 2t)− 2 −1 ,
K
E(X) = M ′ (0) = K.
Deoarece ( )
′′ K
+ 1 · (1 − 2t)− 2 −2 ,
K
M (t) = 2K
2
rezultă
E(X 2 ) = M ′′ (0) = 2K + K 2
şi se obţine
V ar(X) = E(X 2 ) − E 2 (X) = 2K.
Exemplul 5.14. Fie variabilele aleatoare X ∼ χ2 (n) şi Y ∼ χ2 (m), independente.

Determinaţi repartiţia variabilei aleatoare X + Y .
Soluţie. Folosim relaţia:

CX+Y (t) = CX (t) · CY (t)
= (1 − 2it)− 2 · (1 − 2it)− 2
n m
= (1 − 2it)−
n+m
2
⇒ X + Y ∼ χ2 (n + m).
Repartiţia normală
O variabilă aleatoare de tip continuu X are o repartiţie normală cu parametri µ şi
σ (µ ∈ R, σ > 0), dacă are densitatea de probabilitate:
−(x − µ)2
1
f (x) = √ · e 2σ 2 ,x ∈ R
σ 2π
Se notează succint: X ∼ N (µ, σ 2 ).

Densitatea de probabilitate a repartiţiei normale standardizate se poate obţine cu
transformarea:
x − µ dy 1
y= , = .
σ dx σ
Rezultă:
1 −y 2 1 −y 2
f (y) = √ · e 2 · σ = √ · e 2 .
σ 2π 2π
După cum se poate uşor remarca, f (x) este densitate de probabilitate:

∫ +∞ {∫ +∞ }2
−x2 −x2
I= e 2 dx ⇒ I =
2
e 2 dx ,
−∞ −∞
∫ +∞ ∫ +∞
−x2 −y 2
I2 = e 2 dx e 2 dy
−∞ −∞
∫ +∞ ∫ +∞ 2 +y 2
∫ +∞ ∫ 2π
−r 2
−x
= e 2 dxdy = e 2 · rdrdθ = 2π.
−∞ −∞ 0 0
Rezultă: ∫ +∞
1 −x2
√ e 2 dx = 1.
2π −∞
Dacă X ∼ N (µ, σ 2 ), atunci

X −µ
Y = ∼ N (0; 1).
σ
Invers, dacă Y ∼ N (0; 1), atunci
X = µ + σ · Y ∼ N (µ, σ 2 ).
Funcţia de repartiţie a variabilei aleatoare normale X ∼ N (µ, σ 2 ) este

∫ x
1 (u−µ)2
F (x) = √ e− 2σ2 du, x ∈ R;
σ 2π −∞
pentru că nu există o funcţie a cărei derivată este integrantul, calculul se poate efectua
doar aproximativ.
Deoarece funcţia F (x) depinde de doi parametrii, µ, σ 2 şi variabila x, este imposibil
practic o tabelare a valorilor sale.
Important este faptul că pentru repartiţia normală standardizată se poate efectua o
astfel de tabelare pentru funcţia sa de repartiţie:
∫ y
1 u2
Φ(y) = √ e− 2 du, y ∈ R.
2π −∞
Acestă funcţie permite calculul numeric al valorilor pentru orice funcţie de repartiţie
normală, dacă se cunosc media şi dispersia
( )
x−µ
F (x) = Φ .
σ
Funcţia Φ(y) are şi proprietatea:
Φ(−y) = 1 − Φ(y), y > 0,
deoarece densitatea de probabilitate este o funcţie pară.

Observaţii 5.5. 1) Funcţia generatoare de momente a unei variabile aleatoare X care are
o repartiţie normală cu parametrii µ şi σ este:
σ 2 t2
M (t) = eµt+ 2 , t ∈ R.
2) Funcţia caracteristică a unei variabile aleatoare X care are o repartiţie

normală cu parametrii µ şi σ este:
σ 2 t2
C(t) = eµit− 2 , t ∈ R.
Demonstraţie.
∫ ∞
(x − µ)2
1 −
1) M (t) = √ etx · e 2σ 2 dx
σ 2π −∞
∫ 1 2 σ 2 t2
1 ∞ − [x − 2(µ + σ 2
t)x + (µ + σ 2 2
t) ] µt +
= √ e 2σ 2 ·e 2 dx
σ 2π −∞
 
σ 2 t2  ∫ ∞ 1 
µt + 1 − [x − (µ + σ t)]
2 2
=e 2 √ e 2σ 2 dx
 σ 2π −∞ 
σ 2 t2
µt +
=e 2 .
σ 2 (it)2 σ 2 t2
µit + µit −
2) C(t) = M (it) = e 2 =e 2 .
Funcţia generatoare de momente a unei variabile aleatoare cu o repartiţie normală

standard, X ∼ N (0; 1) este:
t2
M (t) = e 2 , t ∈ R.
Funcţia caracteristică a unei variabile aleatoare cu o repartiţie normală standard,

X ∼ N (0; 1) este:
t2
C(t) = e− 2 , t ∈ R.
Exemplul 5.15. Fie variabilele aleatoare independente X1 ∼ N (0; 1), X2 ∼ N (0; 1),. . . ,
XK ∼ N (0; 1). Determinaţi repartiţia variabilei aleatoare: X12 + X22 + · · · + XK
2
.
Demonstraţie. Vom calcula mai ı̂ntâi, repartiţia variabilei aleatoare X12 . Obţinem:
√ 1 dx 1
y = x2 ⇒ x = ± y ⇒ dx = ± √ dy ⇒ =± √ .
2 y dy 2 y
x2
1 −
Deoarece X1 ∼ N (0; 1), atunci densitatea de probabilitate este: f (x) = √ ·e 2 .
2π
Rezultă:
dx y2 ( )
1 − 1 1
g(y) = f (x(y)) · = √ · e 2 √ + √
dy 2π 2 y 2 y
1 y2
1 − −
= √ · y 2 · e 2 ⇒ X12 ∼ χ2 (1).
2π
Din exemplul 5.14 rezultă: X12 + X22 + · · · + XK
2
∼ χ2 (1 + · · · + 1).
Obţinem: X12 + X22 + · · · + XK
2
∼ χ2 (K).
Exemplul 5.16. Diametrul scândurilor fabricate la o rindea are o repartiţie normală cu
valoarea medie µ =1,5 cm şi cu distribuţia σ 2 =0,0004 cm2 . Dintre scândurile produse se
alege la ı̂ntâmplare o scândură.
1) Calculaţi probabilitatea ca diametrul scândurii alese să fie mai mare decât 1,56 cm!
2) Calculaţi probabilitatea ca diametrul scândurii alese să fie ı̂ntre 1,48 cm şi 1,524 cm!
Soluţie. Se foloseşte următoarea teoremă:
( )
x−µ
F (x) = Φ .
σ
1) W (X > 1, 56) = 1 − W (X ≤ 1, 56) = 1 − F (1, 56)
( )
1, 56 − 1, 5
=1−Φ = 1 − Φ(3)
0, 02
= 1 − 0, 9987 = 0, 0013.
2) W (1, 18 ≤ X ≤ 1, 524) = F (1, 524) − F (1, 18)

( ) ( )
1, 524 − 1, 5 1, 48 − 1, 5
=Φ −Φ
0, 02 0, 02
= Φ(1, 2) − Φ(−1) = Φ(1, 2) − (1 − Φ(1))
= 0, 8849 − (1 − 0, 8413) = 0, 7262.

Exemplul 5.17. Diametrul osiilor produse la un strung are o distribuţie normală

X ∼ N (36, 5; 0, 04). Pentru o osie cu diametrul reprezentat de variabila aleatoare X are
loc:
Osia este lucrată standard: 36 ≤ X ≤ 36, 8;
Osia este defectă: X < 36;
Osia mai trebuie prelucrată: X > 36, 8.
1) Ce procent din producţie reprezintă osiile lucrate standard?
2) Ce procent din producţie reprezintă osiile care nu au fost lucrate standard?
3) Ce procent din producţie reprezintă osiile cu defect?
4) Ce procent din producţie reprezintă osiile care mai trebuie prelucrate?
Soluţie. Se foloseşte următoarea teoremă:

( )
x−µ
F (x) = Φ .
σ
1) W (36 ≤ X ≤ 36, 8) = F (36, 8) − F (36)

( ) ( )
36, 8 − 36, 5 36 − 36, 5
=Φ −Φ
0, 2 0, 2
= Φ(1, 5) − Φ(−2, 5) = Φ(1, 5) − (1 − Φ(2, 5))
= 0, 9332 − (1 − 0, 9938) = 0, 9270.
2) W (Ā) = 1 − W (A) = 1 − 0, 9270 = 0, 073.
( )
36 − 36, 5
3) W (X < 36) = F (36) = Φ = Φ(−2, 5)
0, 2
= 1 − Φ(2, 5)
= 1 − 0, 9938 = 0, 0062 ≈ 0, 6%.
4) W (X > 36, 8) = 1 − W (X ≤ 36, 8) = 1 − F (36, 8)

( )
36, 8 − 36, 5
=1−Φ = Φ(1, 5)
0, 2
= 1 − 0, 9332 = 0, 0661 ≈ 6, 6%.
Exemplul 5.18. Fie X şi Y variabile aleatoare independente, cu distribuţie normală
X ∼ N (0, σ 2 ), Y ∼ N (0, σ 2 ).
Atunci variabilele aleatoare

U = X + Y, V = X − Y
sunt independente şi au de asemenea distribuţie normală.
Demonstraţie. Densitatea de probabilitate a vectorului aleator (X, Y ) este

1 2
− x +y
2
f (x, y) = 2
· e 2σ 2 , (x, y) ∈ R .
2
2πσ
u=x+y
v =x−y
şi
∂(x, y) 1 1
J= = =− ,
∂(u, v) ∂(u, v) 2
∂(x, y)
rezultă: ∂(x, y)

g(u, v) = f (x(u, v), y(u, v))
∂(u, v)
( )
u+v u−v 1
=f , ·−
2 2 2
u2 + v 2
1 −
= · e 4σ 2 .
4πσ 2
Se obţine:
1
− √ u2
1 2( 2σ)2
g(u) = √ √ ·e ,
2π( 2σ)
1
− √ v2
1 2
g(v) = √ √ · e 2( 2σ) .
2π( 2σ)
Rezultă, pe de o parte
U ∼ N (0, 2σ 2 ),
V ∼ N (0, 2σ 2 )
şi pe de altă parte

g(u, v) = g(u) · g(v),
adică, U şi V sunt independente şi au de asemenea distribuţie normală.
Exemplul 5.19. Arătaţi că probabilitatea unei variabile aleatoare de tip continuu X, cu
distribuţia normală N (µ, σ 2 ), care deviază de la valoarea medie, cu cel mult c > 0, este
dată de formula: (c)
W (| X − µ |≤ c) = 2Φ − 1.
σ
Demonstraţie.
W (| X − µ |≤ c) = W (µ − c ≤ X ≤ µ + c) = F (µ + c) − F (µ − c)
( ) ( )
µ+c−µ µ−c−µ
=Φ −Φ
σ σ
(c) ( )
−c
=Φ −Φ
σ σ
(c) [ ( c )]
=Φ − 1−Φ
σ σ
(c)
= 2Φ − 1.
σ
Exerciţiul 5.12. Fie X şi Y două variabile aleatoare de tip continuu, independente, cu
distribuţiile normale
X ∼ N (0, 2), Y ∼ N (0, 2),
atunci, variabilele aleatoare

U = X + Y, V = X − Y
sunt independente, cu distribuţiile normale.

Calculaţi de asemenea, densităţile de probabilitate ale variabilelor aleatoare U = X +Y
şi V = X − Y !
Exemplul 5.20. Durata de viaţă a unei lampe are distribuţia normală N (900h; 8100h2 ).
a) Calculaţi probabilitatea, ca alegând la ı̂ntâmplare o lampă, durata acesteia de viaţă
să fie mai mare de 900h!
b) Calculaţi probabilitatea ca durata de viaţă a unei lampe să fie ı̂ntre 900h şi 1350h!
c) Calculaţi probabilitatea, ca o lampă, a cărei durată de viaţă a fost de 900h, să mai
funcţioneze ı̂ncă 270h!
Soluţie. Fie X variabila aleatoare care descrie durata de viaţă a unei lampe.
a)
W (X > 900) = 1 − W (X ≤ 900)
= 1 − F (900)
( )
900 − 900
=1−Φ
90
= 1 − Φ(0)
1
= 1 − 0, 5 = 0, 5 = .
2
b)
W (900 ≤ X ≤ 1350) = W (1350) − W (900)
= F (1350) − F (900)
( ) ( )
1350 − 900 900 − 900
=Φ −Φ
90 90
= Φ(5) − Φ(0)
1
= 1 − 0, 5 = 0, 5 = .
2
c)
W ({990 ≤ X ≤ 1260} ∩ {X ≥ 990})
W (990 ≤ X ≤ 1260|X ≥ 990) =
W (X ≥ 990)
W (990 ≤ X ≤ 1260)
=
1 − W (X < 990)
F (1260) − F (990)
=
1 − F (990)
( ) ( )
1260 − 990 990 − 900
Φ −Φ
90 90
= ( )
990 − 900
1−Φ
90
Φ(3) − Φ(1)
=
1 − Φ(1)
0, 9987 − 0, 8413
= = 0, 99181 ≈ 1.
1 − 0, 8413
Exerciţiul 5.13. Durata de viaţă a unei lampe are distribuţia normală N (1000h; 10000h2 ).
a) Calculaţi probabilitatea, ca alegând la ı̂ntâmplare o lampă, durata acesteia de viaţă
să fie mai mare de 1000h!
b) Calculaţi probabilitatea ca durata de viaţă a unei lampe să fie ı̂ntre 1000h şi 1500h!
c) Calculaţi probabilitatea, ca o lampă, a cărei durată de viaţă a fost de 1100h, să mai
funcţioneze ı̂ncă 300h!
Exemplul 5.21. Un produs are calitatea dorită, dacă modulul abaterii măsurii sale din
măsura nominală, nu este mai mare decât 4,8mm.
Se consideră că procesul de fabricaţie are o distribuţie normală, pentru a coincide cu
exigenţa dorită ı̂n ceea ce priveşte calitatea produsului şi se consideră cunoscută abaterea
medie pătratică σ =4mm.
Care este procentul produselor care au calitatea dorită şi care sunt obţinute ı̂n medie
ı̂ntr-o serie de producţie?
Soluţie. Prima soluţie:

X reprezintă abaterea măsurii produsului faţă de măsura nominală şi are o distribuţie
normală de parametrii
E(X) = µ = 0 şi σ 2 = 16.

X X
Y = = este variabila aleatoare standardizată corespunzătoare.
σ 4
( ) ( )
X 4, 8
W X ≤ 4, 8 = W ≤
4 4
( )

= W Y ≤ 1, 2
= W (−1, 2 ≤ Y ≤ 1, 2)
= F (1, 2) − F (−1, 2)
( ) ( )
1, 2 − 0 −1, 2 − 0
=Φ −Φ
1 1
= Φ(1, 2) − Φ(−1, 2) = Φ(1, 2) − [1 − Φ(1, 2)]
= 2 · Φ(1, 2) − 1
= 2 · 0, 88493 − 1 = 0, 76986.
A doua soluţie:
X reprezintă abaterea măsurii produsului faţă de valoarea nominală şi are o distribuţie
normală de parametrii E(X) = µ = 0 şi σ 2 = 16. Rezultă X ∼ N (0; 42 ).
( )

W X ≤ 4, 8 = W (−4, 8 ≤ X ≤ 4, 8)
= F (4, 8) − F (−4, 8)
( ) ( )
4, 8 − 0 −4, 8 − 0
=Φ −Φ
4 4
= Φ(1, 2) − Φ(−1, 2) = Φ(1, 2) − [1 − Φ(1, 2)]
= 2 · Φ(1, 2) − 1
= 2 · 0, 88493 − 1 = 0, 76986.
Repartiţia Weibull
O variabilă aleatoare de tip continuu X are o repartiţie Weibull cu parametrii β > 0
şi η > 0, dacă are densitatea de probabilitate:
 ( )β
 x

 β β−1 −
f (x) = β
x e η , x≥0
 η

 0, ı̂n rest.
Se notează succint: X ∼ W e(β, η).

Funcţia de repartiţie a unei variabile aleatoare cu o distribuţie Weibull este:
( )β
∫ u
β x −
F (x) = · uβ − 1 e η du
ηβ 0
( )β ( )β − 1
u dz u 1
Folosind substituţia z = − şi = −β · rezultă:
η du η η
( )β
x
−
F (x) = 1 − e η .
1
Dacă β = 1 şi η = obţinem
λ
( )
1
W e 1, = Exp(λ).
λ
Observaţii 5.6. Fie X ∼ W e(β, η). Atunci rezultă

( )
β+1
1) E(X) = η · γ ;
β
( )
β+2
2) E(X ) = η · γ
2 2
;
β
{ ( ) [ ( )]2 }
β + 2 β + 2
3) V ar(X) = η 2 γ − γ ;
β β
Observaţii 5.7. 1) O variabilă aleatoare are o repartiţie Weibull triparametrică, dacă

 ( )β

 ( )β−1 − x − a
 x−a
f (x) = β · η −1 ·e η , x ≥ a,
 η

 0, ı̂n rest.
Se notează succint X ∼ W e(a; β; η).

2) Repartiţia Weibull standardizată se obţine din repartiţia Weibull triparametrică cu
η = 1 şi a = 0: 
 β
β · xβ−1 e−x , x > 0.
f (x) =
 0, ı̂n rest.
( )β
X −a
3) Fie X ∼ W e(a; β; η) şi substituţia Y = , rezultă Y ∼ Exp(1).
η
Demonstraţie. Fie densitatea de probabilitate
(
( )β−1 x − a )β
x−a −
f (x) = β · η −1 ·e η , x ≥ a,
η
cu ( )β
x−a
y= ,
η
deci ( )β−1
dy x−a 1
=β· ·
dx η η
şi rezultă
f (y) = e−y .
1
4) Dacă β = 1, a = 0 şi η = rezultă
λ
( )
1
W e 0, 1, = Exp(λ).
λ
5) W e(2, η) se numeşte repartiţia Rayleigh.
6) Fie variabila aleatoare X ∼ W e(3; 6; η) cu E(X) = µ şi V ar(X) = σ 2 . Atunci
approx.
rezultă: X ∼ N (µ; σ 2 ).
7) Repartiţia Weibull se aplică ı̂n studiul fiabilităţii sistemelor şi ı̂n controlul de calitate
al produselor, dacă repartiţia exponenţială nu este suficient de flexibilă, de exemplu, dacă
rata de defectare nu este constantă.
Repartiţia Student
O variabilă aleatoare X se numeşte t-repartizată (sau Student) cu K grade de
libertate, dacă are densitatea de probabilitate:
1 1
f (x) = ( )· , x ∈ R.
1 K 1 ( ) K +1
β ; ; 1; x2
2 2 K 2
1+
K
Se notează succint X ∼ St(K).

Teorema 5.2. Fie X ∼ N (0, 1) şi Y ∼ χ2 (K). Dacă variabilele aleatoare X şi Y sunt
X
independente, atunci U = √ ∼ St(K).
Y
K
√
KX
Demonstraţie. Se observă că: U = .
Y
−x2
1
X ∼ N (0, 1) ⇒ f (x) = √ · e 2 , x ∈ R
2π
K 1
1 −1 − y
Y ∼ χ (K) ⇒ f (y) = (
2
) ·y 2 · e 2 , y ≥ 0.
K 1
γ ;
2 2
Deoarece X şi Y sunt independente, atunci f (x, y) = f (x)f (y).

Rezultă:
−(x2 + y) K
1 1 −1
f (x, y) = √ · ( ) ·e 2 ·y 2 .
2π K 1
γ ;
2 2
Obţinem  √  √

u = Kx ,  u v
√ u∈R x= √
y ⇒ K

 v = y, 
v≥0 y=v
şi rezultă: √
∂x v

∂x
√ u √
∂u √
∂v v
J = = K

2 vK = √ .
∂y ∂y K
0 1
∂u ∂v
Se obţine:
g(u, v) = f (x(u, v), y(u, v)) |J| . ( 2 )
K 1 u √
1 1 − 1 −2v K + 1 v
g(u, v) = √ · ( ) ·v 2 ·e ·√
2π K 1 K
γ ;
2 2 ( 2 )
K 1 −1v u + 1
1 1 1 −
=√ ·√ · ( ) ·v 2 2 ·e 2 K .
K 2π K 1
γ ;
2 2
( 2 )
∫ ∞ K 1 1 u
− − v +1
1 1 1
g(u) = √ · √ · ( )· v2 2 ·e 2 K dv
K 2π K 1 0
γ ;
2 2 ( ( ))
1 1 1 K 1 1 u2
=√ ·√ · ( ) ·γ + ; +1
K 2π K 1 2 2 2 K
γ ;
( 2) 2
K +1
γ
1 2 1
= · ( ) ( )·
1
γ
1
·γ
K ( 2 )K + 1
K2 2 2 u 2
+1
K
K ( )1
1 2
12 ·
K 1
= ( ) ·
β
1 K
; ( 2 )K + 1
2 2 u 2
+1
K
1 1
= (1 K )· ⇒ U ∼ St(K).
)K + 1
1
β 2 ; 2 ; 1; K ( 2
u 2
+1
K
Exemplul 5.22. Fie X ∼ N (0, 1) şi Y ∼ χ2 (9) variabilele aleatoare independente.

3X
Determinaţi densitatea de probabilitate a variabilei aleatoare √ .
Y
X 3X
Soluţie. Se observă că: U = √ = √ .
Y Y
9
−x2
1
X ∼ N (0, 1) ⇒ f (x) = √ · e 2 , x ∈ R
2π
9 1
1 −1 − y
Y ∼ χ (9) ⇒ f (y) = (
2
) · y2 ·e 2 , y ≥0
9 1
γ ;
2 2
7 1 2
1 1 − (x + y)
f (x, y) = √ · ( ) · y2 · e 2 .
2π 9 1
γ ;
2 2
g(u, v) = f (x(u, v), y(u, v)) |J| .
Avem
  √
 3x  u v
u = √ , u ∈ R x =
y ⇒ 3

v = y, v≥0 
y = v
şi rezultă:
√
∂x ∂x v u √
√
∂u ∂v 3 v
J = =

6 v= .
∂y ∂y 3
0 1
∂u ∂v
Se obţine: ( )
1 vu2 √
1 1 − +v v
) · v2 · e 2 9
7
g(u, v) = √ · ( ·
2π 9 1 3
γ ;
2 2
( )
1 u2
− v +1
1 1 1
= ·√ · ( ) · v4 · e 2 9 .
3 2π 9 1
γ ;
2 2
( )
1 u2
− v +1
1 1 1
C= ·√ · ( ) ⇒ g(u, v) = C · v 4 · e 2 9 .
3 2π 9 1
γ ;
2 2
Densitatea de probabilitate marginală este:
( 2 )
∫ ∞ 1 u
− v +1
g(u) = C · v4 · e 2 9 dv
0
( ( ))
1 u2 γ(5)
= C · γ 5; +1 =C·[ ( 2 )]5
2 9 1 u
+1
2 9
4! · 25 1
=C·( ) = C1· ;
)9 + 1
5
u2 ( 2
+1 u 2
9 +1
9
1
C1 = ( ) ⇒ U ∼ St(9).
1 9 1
β ; ; 1;
2 2 9
Observaţii 5.8. Fie X ∼ St(K). Atunci rezultă:
1) E(X) = 0;
K
2) V ar(X) = E(X 2 ) = , pentru K > 3.
K −2
Repartiţia Fisher
O variabilă aleatoare X se numeşte (central) F-repartizată cu (K, M ) grade de
libertate, dacă are densitatea de probabilitate:



K
−1



 1 x2
 · , x≥0
f (x) = K M M +K
 β( ; ; M ; K)

 2 2 (M + Kx) 2



 0, ı̂n rest.
Se notează succint X ∼ F (K, M ).

Teorema 5.3. Fie X ∼ χ2 (K) şi Y ∼ χ2 (M ) variabile aleatoare independente, atunci

X Y
U= : ∼ F (K, M ).
K M
MX
Demonstraţie. Se observă că: U = .
KY
K 1
1 −1 − x
X ∼ χ (K) ⇒ f (x) = (
2
) ·x 2 ·e 2 , x≥0
K 1
γ ;
2 2
M 1
1 −1 − y
Y ∼ χ (5) ⇒ f (y) = (
2
) ·y 2 ·e 2 , y ≥0
M 1
γ ;
2 2
Deoarece X şi Y sunt independente, atunci f (x, y) = f (x)f (y).

Rezultă:
K M 1
1 1 −1 − 1 − (x + y)
f (x, y) = ( )· ( ) ·x 2 ·y 2 ·e 2 .
K 1 M 1
γ ; γ ;
2 2 2 2
g(u, v) = f (x(u, v), y(u, v)) |J| .
Se obţine:
 
u = M x , u ≥ 0  Kuv
x=
Ky ⇒ M
  y=v
v = y, v ≥ 0

∂x ∂x Kv Ku

∂u
J =
∂v =M M = Kv .
M
∂y ∂y 0 1

∂u ∂v
( )
( )K − 1 M 1 Kuv
+v
1 1 Kuv 2 − 1 −
Kv
g(u, v) = ( )· ( )· ·v 2 ·e 2 M ·
K 1 M 1 M M
γ ; γ ;
2 2 2 2 ( )
( )K K K M 1 Ku
1 1 K 2 −1 + − 1 −2v M
+1
= ( )· ( )· ·u 2 ·v 2 2 ·e .
K 1 M 1 M
γ ; γ ;
2 2 2 2
Rezultă:
( )
( )K K ∫ ∞ K M 1 Ku
1 1 K 2 −1 + − 1 −2v M
+1
g(u) = ( )· ( )· ·u 2 · v2 2 e dv
K 1 M 1 M 0
γ ; γ ;
2 2 2 2
( )K K ( ( ))
1 1 K 2 −1 K M 1 Ku
= ( )· ( )· ·u 2 ·γ + ; +1
K 1 M 1 M 2 2 2 M
γ ; γ ;
2 2 2 2
( )
K K M
( ) K γ +
1 1 K 2 −1 2 2
= ( )· ( )· ·u 2 ·
γ
K 1
; γ
M 1
;
M [ ( )] K + M
2 2 2 2 1 Ku 2
+1
2 M
( )
K M K
γ + ( )K K +M −1
2 2 K 2 u2
= ( ) ( )· · (2M ) 2 ·
K 1 M 1 M K +M
γ ; ·γ ;
2 2 2 2 (Ku + M ) 2
( )
K M K
γ + K M K +M −1
2 2 u2
= ( ) ( ) ·K 2 ·M 2 ·2 2 ·
K 1 M 1 K +M
γ ; ·γ ;
2 2 2 2 (Ku + M ) 2
( )
K M K
γ + K M −1
2 2 u2
= ( ) ( ) ·K 2 ·M 2 ·
K M K +M
γ ·γ
2 2 (Ku + M ) 2
K
−1
1 u2
= ( )·
K M K +M
β ; ; K; M
2 2 (Ku + M ) 2
⇒ U ∼ F (K, M ).
Exemplul 5.23. Fie X ∼ χ2 (3) şi Y ∼ χ2 (5) variabilele aleatoare independente. Determinaţi
5X
densitatea de probabilitate a variabilei aleatoare .
3Y
5X X Y 5X
Soluţie. Se observă că = : şi notăm U = .
3Y 3 5 3Y
3 1
1 −1 − x
X ∼ χ (3) ⇒ f (x) = (
2
) · x2 ·e 2 , x≥0
3 1
γ ;
2 2
5 1
1 − 1 − y
Y ∼ χ2 (5) ⇒ f (y) = ( ) · y2 ·e 2 , y ≥0
5 1
γ ;
2 2
1 3 1
1 1 − (x + y)
f (x, y) = ( )· ( ) · x2 · y 2 · e 2 .
3 1 5 1
γ ; γ ;
2 2 2 2
g(u, v) = f (x(u, v), y(u, v)) |J| .
Avem
 
 5x  3uv
u = , u≥0 x =
3y ⇒ 5

v = y, v≥0 
 y = v
şi rezultă

∂x ∂x 3v 3u

∂u
J =
∂v =5 5 = 3v .
5
∂y ∂y 0 1

∂u ∂v
Se obţine:
( )
( )1 3 −1 3uv
+v
1 1 3uv 2 3v
g(u, v) = ( )· ( )· · v2 · e 2 5 ·
3 1 5 1 5 5
γ ; γ ;
2 2 2 2
( )
√ 1
− v
3u
+1
1 1 3 3 1
= ( )· ( ) · √ · u 2 · v3 · e 2 5 .
3 1 5 1 5 5
γ ; γ ;
2 2 2 2
Rezultă: √
1 1 3 3
C= ( )· ( )· √
3 1 5 1 5 5
γ ; γ ;
2 2 2 2
( )
1 3u
− v +1
⇒ g(u, v) = C · u 2 · v 3 · e 2 5
1
.
( )
∫ 1 3u
∞ − v +1
v3 · e 2 5
1
g(u) = C · u 2 · dv
0
( ( ))
1 1 3u γ(4) 1
= C · u · γ 4;
2 +1 =C·[ ( )]4 · u 2
2 5 1 3u
+1
2 5
3
1 −1
4! · 2 · 5 4 4
u2
=C· · u 2 = C1 · ;
(3u + 5)4 3+5
(3u + 5) 2
1
C1 = ( ) ⇒ U ∼ F (3, 5).
3 5
β ; ; 5; 3
2 2
Observaţii 5.9. Fie X ∼ F (K, M ). Atunci rezultă:
M
1) E(X) = , pentru M > 2;
M −2
M2 K +2
2) E(X 2 ) = · , pentru M > 4;
K (M − 2)(M − 4)
2M 2 (M + K − 2)
3) V ar(X) = , pentru M > 4.
K(M − 2)2 (M − 4)
6 Inegalităţile Markov şi Cebâşev

Inegalităţile Markov şi Cebâşev permit calculul de limite superioare pentru proba-
bilitate ı̂n funcţie de momentele unei variabile aleatoare.
Aceste inegalităţi sunt instrumente valoroase ale teoriei asimptotice pe deoparte şi pe
de altă parte permit stabilirea legăturii dintre dispersie şi ı̂mprăştierea densităţii ı̂n raport
cu valoarea medie.
Cele două inegaliăţi se pot deduce cu ajutorul următoarei inegalităţi:

Fie X o variabilă aleatoare şi o funcţie nenegativă h; dacă există valoarea medie
E(h(X)), atunci pentru oricare ε > 0, are loc inegalitatea
E(h(X))
W (h(X) ≥ ε) ≤ .
ε
Demonstraţie. Dacă f (x) este densitatea de probabilitate a variabilei aleatoare de tip

continuu X, atunci
∫ ∞
E(h(X)) = h(x)f (x) dx
−∞
∫ ∫
= h(x)f (x) dx + h(x)f (x) dx
{x;h(x)<ε} {x;h(x)≥ε}
∫
≥ h(x)f (x) dx
{x;h(x)≥ε}
∫
≥ εf (x) dx
{x;h(x)≥ε}
= εW (h(X) ≥ ε).
De aici rezultă inegalitatea cerută. Demonstraţia ı̂n cazul discret este similară.
Cele două inegaliăţi sunt cazuri particulare ale inegalităţii demonstrate.

Fie variabila aleatoare X, al cărei moment absolut de ordinul r există. Atunci pentru
orice a > 0 cu h(X) =| X |r şi ε = ar
E(| X |r ) E(| X |r )
W (| X |r ≥ ar ) ≤ sau W (| X |≥ a) ≤ .
ar ar
Ultima inegalitate este o variantă a inegalităţii Markov.
Fie variabila aleatoare X, având dispersia finită. Atunci are loc, pentru oricare λ > 0,
1
W (| X − µ |≥ λσ) ≤ .
λ2
Demonstraţie. Cu h(X) = (X − µ)2 şi ε = λ2 σ 2 se obţine
E((X − µ)2 )
W ((X − µ) ) ≥ λ σ ) ≤
2 2 2
şi prin urmare rezultă
λ2 σ 2
1
W (| X − µ |≥ λσ) ≤ 2 .
λ
Ultima inegalitate este o variantă a inegalităţii Cebâşev.

Este evident faptul că inegalitatea Cebâşev foloseşte dispersia pentru a determina o
limită superioară a inegalităţii pentru care abaterile de la valoarea medie sunt mai mari.
Dacă, de exemplu, λ = 2, atunci W (| X − µ |≥ 2σ) ≤ 41 .
Inegalitatea Cebâşev se poate scrie şi sub forma:
1
W (| X − µ |< λσ) > 1 − 2 .
λ
2
Se utilizează numai parametrii µ, σ pentru a estima probabilitatea pentru domeniul
ales. Dacă λ = 1 se obţine
W (| X − µ |< σ) > 0 (inegalitate trivială).
Dacă λ · σ = ε, se obţine o altă variantă a inegalităţii Cebâşev
σ2
W (| X − µ |≥ ε) ≤ .
ε2
Exemplul 6.1. Fie variabila aleatoare

 
1 2 3 4 5
X : 1 1 1 1 1 .
5 5 5 5 5
a) Calculaţi W (| X − µ |≥ 2)!
b) Determinaţi o limită a acestei probabilităţi folosind inegalitatea Cebâşev !
Soluţie.
1 1 1 1 1
E(X) = µ = 1 · + 2 · + 3 · + 4 · + 5 · = 3.
5 5 5 5 5
a) W (| X − µ |≥ 2) = W (| X − 3 |≥ 2) = 1 − W (| X − µ |< 2)
= 1 − W (1 < X < 5) = 1 − [W (2) + W (3) + W (4)]

1 2
=1−3· = .
5 5
b)
1 1 1 1 1
E(X 2 ) = 12 ·+ 22 · + 32 · + 42 · + 52 · = 11.
5 5 5 5 5
V ar(X) = E(X ) − E (X) = 11 − 3 = 2.
2 2 2
σ2
W (| X − µ |≥ ε) ≤ 2
ε
22
⇔ W (| X − 3 |≥ 2) ≤ = 1 (inegalitate trivială).
22
7 Legea numerelor mari
Legile numerelor mari se aplică de regulă ı̂n următoarele situaţii:

Se consideră un şir de variabile aleatoare {Xk } (k = 1, 2, . . . , χ, . . . ), care ı̂n anumite
condiţii ı̂ndeplineşte următoarele relaţii:
W/fs W/fs
X χ → µ, E(Xk ) = µ sau X χ − µ → 0, E(Xk ) = µ.
7.1 Legea slabă a numerelor mari
Conform legii slabe a numerelor mari a lui Hincin un şir de variabile aleatoare
independente, identic repartizate {Xk }k∈N cu proprietăţile E(Xk ) = µ < ∞ ∀k ∈ N,
ı̂ndeplineşte condiţia:
( )
1 ∑ χ

lim W Xk − µ ≥ ε = 0, ε > 0,
χ→∞ χ k=1
W
sau succint X k → µ.
Un caz particular al legii slabe a numerelor mari a lui Hincin este legea slabă a
numerelor mari a lui Bernoulli. Fie un experiment cu x probe independente, repetat
χA
ı̂n condiţii identice, ı̂n care evenimentul A are loc cu o frecvenţă relativă , atunci
χ
rezultă:
( )
χA
lim W − W (A) ≤ ε = 1, ε > 0,
χ→∞ χ
( )
χA
sau succint W lim χ
= W (A).
7.2 Teoremă limită centrală
Teoremele de tip limită centrală impun condiţiile necesare şirurilor stocastice, astfel ı̂ncât
aceste şiruri converg ı̂n probabilitate către repartiţii cunoscute.
Ne vom mărgini ı̂n esenţă la următoarea situaţie:
Fie şirul de variabile aleatoare {Xk }, (k = 1, 2, . . . , χ, . . . ) cu caracteristicile:

σχ2
E(X χ ) = µχ , V ar(X χ ) =
χ
atunci şirul standardizat este:
∑
χ
(Xk − µ)
X χ − µχ k=1
Yχ = σχ sau Yχ = √ ;
√ χσ
χ
V
ı̂n continuare se determină condiţiile ı̂n care are loc proprietatea Yχ → N (0, 1).
Conform teoremei limită centrală Lindeberg-Levy rezultă faptul că pentru un şir
de variabile aleatoare independente, identic repartizate {Xk }k∈N cu µ = E(Xk ) < ∞ şi
V ar(Xk ) = σ 2 < ∞, ∀k ∈ N:
( )
√ X −µ
lim W χ ≤ x = lim Fχ (x)
χ→∞ σ χ→∞
= Φ(x)
∫ v2
1 x −
=√ e 2 dv.
2π −∞
Teorema limită centrală se poate aplica, de exemplu, la şirurile independente, identic

repartizate, de tip Bernoulli-, χ2 şi Student. Fie şirul {Xk }k∈N de variabile aleatoare inde-
pendente, identic repartizate de tip χ2 ; atunci conform teoremei limită centrală Lindeberg-
Levy rezultă:
∑
χ
(Xk − χ) ( ∑χ )
V Xk − x
Y = k=1
√ → N (0, 1) sau lim W k=1
√ ≤y = Φ(y)
2χ χ→∞ 2χ
şi
∑
χ
Xk ∼ N (χ; 2χ).
k=1
Alte exemple ale teoremei limită centrală sunt: convergenţa repartiţiei binomiale către
repartiţia Poisson şi convergenţa repartiţiei Poisson către repartiţia standard-normală.
Fie o variabilă aleatoare X, repartizată Poisson de parametru λ; atunci
X − λ λ→∞
Z= √ → N (0, 1).
λ
( it )
Demonstraţie. Deoarece funcţia caracteristică a repartiţiei Poisson este CX (t) = eλ e − 1 ,
folosind formula CaX+b (t) = eitb CX (at), rezultă că variabila aleatoare
1 √
Z=√ X− λ
λ
are funcţia caracteristică:
( it )
√
√ λ e λ −1
−it λ
CZ (t) = e ·e
 [ ]
it i2 t2 ik tk
√
−it λ 
 λ 1!√λ + 2!(√λ)2 + · · · + k!(√λ)k + . . . 
=e · e 

t2 t3 ik tk
− −i √ + · · · + (−1) √ + ...
=e 2 2!( λ)2 (k − 1)!( λ)k−2 ;
deci
t2
λ→∞ −
CZ (t) → e 2 .
Exemplul 7.1. Fie χ variabile aleatoare independente, repartizate standard normal

Xk , k = 1, 2, . . . , χ;
atunci variabila aleatoare
X1 + · · · + Xχ
√ Y =
χ
este de asemenea standard normal repartizată.
Justificarea se bazează pe funcţia generatoare de momente:
Variabila aleatoare Y repartizată standard normal are funcţia generatoare de momente
t2
MY (t) = e 2 .
Rezultă: ( )
MY (t) = E etY
( X +···+X ) ( t )
t 1 √χ χ √ (X +···+Xχ )
=E e =E e χ 1
( t ) ( t )
√ X √ X
= E e χ 1 · ... · E e χ χ
( ) ( )
t t
= MX1 √ · ... · MXχ √
χ χ
t2 t2 t2
= e 2χ · ... · e 2χ = e 2 .
Generalizări ale teoremei limită centrală Lindeberg-Levy se pot face ı̂n cazul ı̂n care
şirul de variabile aleatoare nu este identic repartizat (teorema limită centrală a lui Ljapunov
şi teorema limită centrală a lui Lindeberg). Şi ı̂n astfel de cazuri se poate demon-
stra convergenţa sumelor/mediilor variabilelor aleatoare standardizate. În continuare ne
referim succint la teorema limită centrală a lui Lindeberg.
Fie şirul de variabile aleatoare independente {Xk } cu E(Xk ) = µk şi
V ar(Xk ) = σk2 < ∞. Atunci pentru δ > 0
∑χ 2+δ

k=1 k
E X − µk
lim ∑ = 0,
1+ δ
χ→∞
( χk=1 σk2 ) 2
rezultă: ∑χ ∑
Xk − χk=1 µk 1 X χ − µχ V
k=1
∑χ 0,5 = χ 2 → N (0, 1).
( k=1 σk2 ) σχ
8 Vectori aleatori de tip discret şi continuu

8.1 Vectori aleatori de tip discret
Un vector I-dimensional X = (X1 , . . . , XI ), definit pe (Ω, A, W), se numeşte discret,
dacă fiecare componentă poate lua un număr finit sau cel mult numărabil de valori. Un
exemplu de vector aleator de tip discret este:
X = (X1 , X2 , X3 )
X1 : Numărul ştirilor electronice sosite pe oră
X2 : Numărul ştirilor sosite prin fax pe oră
X3 : Numărul convorbirilor telefonice ı̂nregistrate pe oră.
Funcţia
{
W (X = xm ; Y = yn ) = pmn , dacă m ∈ I, n ∈ J
p(xm , yn ) =
0, ı̂n rest.
(I şi J sunt mulţimi finite sau cel mult numărabile de indici din N) se numeşte funcţia
de probabilitate a vectorului aleator (X, Y ). Funcţia ataşează fiecărei perechi de valori
(xm , yn ) probabilităţile corespunzătoare pmn .
Funcţia p(xm , yn ) are următoarele proprietăţi:
a) pmn ≥ 0;
∑ ∑
b) m∈I n∈J pmn = 1.
Funcţia de probabilitate comună a vectorului aleator (X, Y ) se poate reprezenta cu

ajutorul unui tabel de valori şi probabilităţi; valorile variabilei X sunt xm (m = 1, . . . , M )
şi valorile variabilei Y sunt yn (n = 1, . . . , N ).
∑
X \Y y1 . . . yn . . . yN
x1 p11 . . . p1n . . . p1N p1.
.. .. .. ..
. . . .
xm pm1 pmn pmN pm.
.. .. .. ..
. . . .
xM pM 1 ... pM n ... pM N pM.
∑
p.1 p.n p.N 1
8.1.1 Valori medii pentru funcţii de vectori aleatori de tip discret
Fie variabila aleatoare bidimensională de tip discret (X, Y ) cu repartiţia (xm , yn , pmn ),
m ∈ I, n ∈ J şi funcţia h : R2 → R.
Valoarea medie a funcţiei h(X, Y ) este dată de egalitatea
∑∑
E(h(X, Y )) = h(xm , yn ) · pmn
m∈I n∈J
dacă seria dublă este absolut convergentă.
8.1.2 Momentele vectorilor aleatori de tip discret
Valoarea medie E(X r Y s ), r, s ∈ N se numeşte momentul necentrat de ordinul

(r,s) al vectorului discret (X, Y ), dacă există
∑∑
µr;s = E(X r Y s ) = xrm · yns · pmn .
m∈I n∈J
Observaţie 8.1.
µ1;0 = E(X), µ0;1 = E(Y ), µ2;0 = E(X 2 ), µ0;2 = E(Y 2 ), µ1;1 = E(XY ).
Valoarea medie E((X − E(X))r (Y − E(Y ))s ), r, s ∈ N, se numeşte momentul

centrat de ordinul (r,s) al vectorului discret (X, Y ), dacă există
∑∑
µzr;s = E((X − E(X))r (Y − E(Y ))s ) = (X − E(X))r (Y − E(Y ))s · pmn ; r, s ∈ N.
m n
Observaţie 8.2.
µz1;0 = 0, µz0;1 = 0, µz2;0 = V ar(X), µz0;2 = V ar(Y ), µz1;1 = E((X − E(X))(Y − E(Y ))).
8.1.3 Covarianţa a două variabile aleatoare de tip discret
Momentul centrat de ordinul µz1;1 al unui vector aleator (X, Y ) se numeşte covarianţa
perechii X, Y .
Cov(X, Y ) = E((X − E(X))(Y − E(Y ))) = E(XY ) − E(X)E(Y ).
În cazul discret rezultă:

( ) ( )
∑∑ ∑ ∑
Cov(X, Y ) = xm yn · pmn − x m · pm · yn · pn .
m∈I n∈J m∈I n∈J
Observaţie 8.3.
V ar(aX + bY ) = a2 V ar(X) + b2 V ar(Y ) + 2ab · Cov(X, Y ).
Exemplul 8.1. Fie vectorul aleator

X \Y -1 0 1
-2 0,1 0,2 0,3
2 0,2 0,1 0,1
Calculaţi:
1) Repartiţiile condiţionate;
2) Cov(X;Y);
3) Var(X+Y).
Soluţie. Completăm tabelul:

∑
X \Y -1 0 1
-2 0,1 0,2 0,3 0,6
2 0,2 0,1 0,1 0,4
∑
0,3 0,3 0,4 1
Repartiţiile marginale sunt:
( )
−2 2
X: ,
0, 6 0, 4
( )
−1 0 1
Y : .
0, 3 0, 3 0, 4
1) Repartiţiile condiţionate sunt:

      
−2 2 −2 2 −2 2 −2 2
/     /    
X :

= , X : = ,
Y =−1 0, 1 0, 2   1 2 Y =0  0, 2 0, 1   2 1
0, 3 0, 3 3 3 0, 3 0, 3 3 3
   
−2 2 −2 2
/    
X :
 0, 3
= ,
Y =1 0, 1   3 1
0, 4 0, 4 4 4
   
−1 0 1 −1 0 1
/    
Y :
 0, 1
= 
X=−2 0, 2 0, 3   1 2 3
0, 6 0, 6 0, 6 6 6 6
   
−1 0 1 −1 0 1
/    
Y :

= 
X=2 0, 2 0, 1 0, 1   2 1 1
0, 4 0, 4 0, 4 4 4 4
2)
E(XY ) = (−1) · (−2) · 0, 1 + (−1) · 2 · 0, 2 + 0 · (−2) · 0, 2
+0 · 2 · 0, 1 + 1 · (−2) · 0, 3 + 1 · 2 · 0, 1 = −1;
E(X) = (−2) · 0, 6 + 2 · 0, 4 = −0, 4;
E(Y ) = (−1) · 0, 3 + 0 · 0, 3 + 1 · 0, 4 = 0, 1
Cov(X; Y ) = E(XY ) − E(X)E(Y ) = −1 − (−0, 4)(0, 1) = −0, 96.
3)
E(X 2 ) = 4 · 1 = 4;
E(Y 2 ) = 1 · 0, 7 + 0 · 0, 3 = 0, 7;
V ar(X) = E(X 2 ) − E 2 (X) = 4 − (−0, 4)2 = 4 − 0, 16 = 3, 84
V ar(Y ) = E(Y 2 ) − E 2 (Y ) = 0, 7 − (0, 1)2 = 0, 7 − 0, 01 = 0, 69
V ar(X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X; Y )
= 3, 84 + 0, 69 + 2 · (−0, 96) = 2, 61.
Exerciţiul 8.1. Fie vectorul aleator

X \Y -2 2
-1 0,3 0,1
0 0,4 0,2
1) Calculaţi repartiţiile condiţionate.

2) Cov(X;Y).
3) Var(X+Y).

X \Y -2 0 2
0 0,2 0,4 0
2 0,3 0 0,1

2) Cov(X;Y).
3) Var(X+Y).

X \Y -1 0 1
0 0,2 0,2 0,1
2 0,1 0,1 ?

2) Cov(X;Y).
3) Var(X+Y).

X \Y -1 0 1
-1 a 3a a
.
1 2a 2a a
1) Calculaţi a.
3) Cov(X;Y).
4) Var(X+Y).
Exemplul 8.2. Fie

 
1 2 3 4 ( )
  1
X:7 8 7 10  şi Y ∼ Bi 3; .
2
32 32 32 32
Următorul tabel conţine probabilităţile condiţionate W (X = i/Y = k) pentru i ∈ {1, 2, 3, 4},

k ∈ {0, 1, 2, 3}.
k\i 1 2 3 4
0 1/4 1/4 1/2 0
1 1/4 1/4 1/4 1/4 .
2 1/4 1/4 0 1/2
3 0 1/4 1/2 1/4
Calculaţi W (X = i, Y = k)!
Soluţie.
 
0 1 2 3
( ) ( )3 ( ) ( )2 ( ) ( )2 ( ) ( )3 
Y : 3 1 3 1 1 3 1 1 3 1 .
· · · · · ·
0 2 1 2 2 2 2 2 3 2
Rezultă:
 
0 1 2 3
Y : 1 3 3 1
.
8 8 8 8
a)
1 W (X = 1; Y = 0) W (X = 1; Y = 0)
W (X = 1/Y = 0) = = =
4 W (Y = 0) 1
8
1 1 1
⇒ W (X = 1; Y = 0) = · = ;
4 8 32
1 W (X = 1; Y = 1) W (X = 1; Y = 1)
W (X = 1/Y = 1) = = =
4 W (Y = 1) 3
8
1 3 3
⇒ W (X = 1; Y = 1) = · = ;
4 8 32
1 W (X = 3; Y = 0) W (X = 3; Y = 0)
W (X = 3/Y = 0) = = =
2 W (Y = 0) 1
8
1 1 1
⇒ W (X = 3; Y = 0) = · = ;
2 8 16
W (X = 3; Y = 2) W (X = 3; Y = 2)
W (X = 3/Y = 2) = 0 = =
W (Y = 2) 3
8
3
⇒ W (X = 3; Y = 2) = 0 · = 0.
8
În mod analog sunt găsite toate valorile şi se obţine următorul tabel:
∑
X \Y 0 1 2 3
1 1/32 3/32 3/32 1/32 7/32
2 1/32 3/32 3/32 1/32 8/32
3 1/16 3/32 0 1/16 7/32
4 0 3/32 3/16 1/32 10/32
∑
1/8 3/8 3/8 1/8 1
8.2 Vectori aleatori de tip continuu

Un vector de tip continuu I-dimensional, X = (X1 , . . . , XI ), are domeniul valorilor o
mulţime de tip continuu din RI ; de exemplu un dreptunghi, o coroană circulară, etc.
Exemple:
1) (X1 , X2 ): X1 : Durata de viaţă a semiconductoarelor;

X2 : rezistenţa specifică a semiconductoarelor;
2) (X1 , X2 ): X1 : Veniturile gospodăriilor;
X2 : Averea gospodăriilor;
3)(X1 , X2 , X3 ): X1 : Vârsta absolvenţilor;
X2 : Durata de studiu a absolvenţilor;
X3 : Veniturile absolvenţilor.
Fie un vector de tip continuu I-dimensional, X = (X1 , . . . , XI ) şi funcţia de repartiţie
corespunzătoare FX (x1 , . . . , xI ). Vectorul aleator se numeşte de tip continuu, dacă există
o funcţie nenegativă
f : RI → R,
astfel ı̂ncât pentru orice mulţime de numere reale cu I elemente (x1 , . . . , xI ) este ı̂ndeplinită
egalitatea ∫ ∫ x1 xI
FX (x1 , . . . , xI ) = ... fX (u1 , . . . , uI )du1 . . . duI .
−∞ −∞
În continuare se va considera cazul vectorilor aleatori bidimensionali (X, Y ) cu funcţia de

repartiţie ∫ ∫ x y
F(X,Y ) (x, y) = f (u, v)dudv.
−∞ −∞
Funcţia f (x, y) se numeşte densitatea comună a vectorului aleator (X, Y ).

Din definiţia funcţiei de repartiţie F(X,Y ) (x, y) că pentru fiecare pereche de valori (x, y)
pentru care f (x, y) este continuă, are loc egalitatea
∂ 2F
= f (x, y).
∂x∂y
Deoarece F (∞, ∞) = 1, rezultă

∫ ∞ ∫ ∞
f (x, y)dxdy = 1.
−∞ −∞
Pentru domenii rectangulare se pot calcula probabilităţile astfel

∫ b1 ∫ b2
W (a1 ≤ X ≤ b1 , a2 ≤ Y ≤ b2 ) = f (x, y)dxdy.
a1 a2
Această relaţie este valabilă şi pentru un domeniu B oarecare

∫ ∫
W ((X, Y ) ∈ B) = f (x, y)dxdy.
B
Exemplul 8.3. Un vector aleator are densitatea de probabilitate

{
4e−2x e−2y , 0 ≤ x < ∞; 0 ≤ y < ∞
f (x, y) =
0, ı̂n rest.
Calculaţi W (1 ≤ x ≤ 3, 2 ≤ Y ≤ 4)!
Soluţie. Funcţia de repartiţie este
{
[1 − e−2x ][1 − e−2y ], 0 ≤ x < ∞; 0 ≤ y < ∞
F (x, y) =
0, −∞ < x < 0 sau − ∞ < y < 0.
Cu această funcţie se poate calcula de exemplu

W (1 ≤ x ≤ 3, 2 ≤ Y ≤ 4) = F (3, 4) − F (3, 4) − F (1, 4) + F (1, 2)
= [1 − e−6 ][1 − e−8 ] − [1 − e−6 ][1 − e−4 ]
−[1 − e−2 ][1 − e−8 ] + [1 − e−2 ][1 − e−4 ]
= 0, 00239.
Densităţile componentelor ale variabilelor aleatoare, X şi Y , notate f (x) şi f (y) se
obţin din densitatea comună f (x, y) după cum urmează:
∫ ∞ ∫ ∞
f (x) = f (x, y)dy, f (y) = f (x, y)dx.
−∞ −∞
Exemplul 8.4. În exemplul anterior 8.3 densitatea comună a vectorului aleator (X, Y )
este {
4e−2x e−2y , 0 ≤ x < ∞; 0 ≤ y < ∞
f (x, y) =
0, ı̂n rest.
Calculaţi densităţile marginale!

Soluţie. Se obţin cele două densităţi astfel:
∫ ∞ ∫ ∞
−2x −2y −2x
f (x) = 4e e dy = 2e , f (y) = 4e−2x e−2y dx = 2e−2y .
0 0
Funcţiile de repartiţie marginale se obţin cu ajutorul densităţilor marginale:

∫ x ∫ ∞
F (x) = W (X ≤ x) = fX (u)du = F (x, y)dy
−∞ −∞
∫ y ∫ ∞
F (y) = W (Y ≤ y) = fY (v)dv = F (x, y)dx.
−∞ −∞
Exemplul 8.5. În exemplul 8.4 a fost calculată densitatea variabilei aleatoare X,
f (x) = 2e−2x . Rezultă funcţia de repartiţie marginală
∫ x
F (x) = 2e−2u du = 1 − e−2x .
0
Funcţiile
f (x, y)
f (x| y) = , f (y) > 0,
f (y)
f (x, y)
f (y| x) = , f (x) > 0,
f (x)
se numesc funcţiile de repartiţie condiţionate ale variabilei aleatoare X (respectiv

Y ) cu condiţia {Y = y} respectiv ({X = x}).
Exemplul 8.6. În exemplul 8.4 densitatea de probabilitate comună este f (x, y) = 4e−2x e−2y .
Se obţine densitatea de probabilitate condiţionată X dacă Y = y
f (x, y) 4e−2x e−2y

f (x| y) = = = 2e−2x .
f (y) 2e−2y
Se obţine densitatea de probabilitate condiţionată Y dacă X = x
f (x, y) 4e−2x e−2y

f (y| x) = = = 2e−2y .
f (x) 2e−2x
Observaţie 8.4.
f (x| y) = f (x) und f (x| y) = f (y),
deoarece X şi Y sunt independente.
8.2.1 Valori medii pentru funcţii de vectori aleatori de tip continuu
Fie variabila aleatoare bidimensională de tip continuu (X, Y ) cu densitatea comună f (x, y)
şi funcţia h : R2 → R.
Valoarea medie a funcţiei h(X, Y ) este dată de egalitatea
∫ ∞ ∫ ∞
E(h(X, Y )) = h(x, y)f (x, y)dxdy,
−∞ −∞
dacă integrala dublă este absolut convergentă.

8.2.2 Momente ale vectorilor aleatori de tip continuu
Valoarea medie E(X r Y s ), r, s ∈ N, se numeşte momentul necentrat de ordinul

(r,s) al vectorului aleator de tip continuu (X, Y ), dacă există
∫ ∞∫ ∞
r s
µr;s = E(X Y ) = xr y s · f (x, y)dxdy.
−∞ −∞
Observaţie 8.5.
µ1;0 = E(X), µ0;1 = E(Y ), µ2;0 = E(X 2 ), µ0;2 = E(Y 2 ), µ1;1 = E(XY ).
Valoarea medie E((X − E(X))r (Y − E(Y ))s ), r, s ∈ N, se numeşte momentul

centrat de ordinul (r,s) al vectorului aleator de tip continuu (X, Y ), dacă există
∫ ∞∫ ∞
µr;s = E((X − E(X)) (Y − E(Y )) ) =
z r s
(x − E(x))r (y − E(y))s · f (x, y)dxdy.
−∞ −∞
Observaţie 8.6.
µz1;0 = 0, µz0;1 = 0, µz2;0 = V ar(X), µz0;2 = V ar(Y ), µz1;1 = E((X − E(X))(Y − E(Y ))).
8.2.3 Covarianţa a două variabile aleatoare de tip continuu
O caracteristică principală a unui vector aleator (X, Y ) este momentul centrat µz1;1 , numit
covarianţa perechii X, Y
Cov(X, Y ) = E((X − E(X))(Y − E(Y ))) = E(XY ) − E(X)E(Y ).
În cazul continuu rezultă:

∫ ∞ ∫ ∞
Cov(X, Y ) = xy · f (x, y)dxdy
−∞ −∞
(∫ ∞ ) (∫ ∞ )
= x · f (x)dx y · f (y)dy .
−∞ −∞
Exemplul 8.7. Fie densitatea de probabilitate f (x, y) = cxy 2 e−x e−2y , x ≥ 0, y ≥ 0.

Calculaţi:
a) c;
b) f (x), f (y);
c) f (x| y), f (y| x);
d) E(XY );
e) Cov(X, Y )!
Soluţie.
∫ ∞∫ ∫ ∫
∞ ∞ ∞
a) f (x, y)dxdy = 1 ⇒ c xy 2 e−x e−2y dxdy = 1
−∞ −∞ 0 0
(∫ ∞ ) (∫ ∞ )
−x 2 −2y
⇒c xe dx · y e dy =1
0 0
γ(3)
⇒ c · γ(2) · γ(3; 2) = 1 ⇒ c = 1 ⇒ c = 4.
23
Deci se obţine f (x, y) = 4xy 2 e−x e−2y , x ≥ 0, y ≥ 0.
∫ ∞ ∫ ∞
b) f (x) = f (x, y)dy = 4xy 2 e−x e−2y dy = 4xe−x γ(3; 2)
−∞ 0
γ(3)
= 4xe−x 3 = xe−x ;
∫ ∞ 2 ∫ ∞
f (y) = f (x, y)dx = 4xy 2 e−x e−2y dx = 4y 2 e−2y γ(2)
−∞ 0
= 4y 2 e−2y .
f (x, y) 4xy 2 e−x e−2y

c) f (x| y) = = = xe−x = f (x);
f (y) 4y 2 e−2y
f (x, y) 4xy 2 e−x e−2y
f (y| x) = = −x
= 4y 2 e−2y = f (y).
f (x) xe
∫ ∞∫ ∞
d) E(XY ) = 4 xyxy 2 e−x e−2y dxdy
0 0
(∫ ∞ ) (∫ ∞ )
2 −x 3 −2y
=4 x e dx · y e dy
0 0
γ(4)
= 4γ(3)γ(4; 2) = 4 · 2! · = 3.
24
3
e) Cov(X, Y ) = E(XY ) − E(X)E(Y ) = 3 − 2 · = 0.
2
∫ ∞ ∫ ∞
E(X) = xf (x)dx = x2 e−x dx = γ(3) = 2;
∫ 0∞ ∫ 0∞
3! 3
E(Y ) = yf (y)dy = 4y 3 e−2y dy = 4γ(4; 2) = 4 · 4 = .
0 0 2 2
Exemplul 8.8. Fie densitatea de probabilitate:

{
c(x + y 2 ), 0 ≤ x ≤ 1; 0 ≤ y ≤ 2
f (x, y) =
0, ı̂n rest.
Calculaţi:
a) c;
b) f (x), f (y);
c) f (x| y), f (y| x);
d) E(XY );
e) Cov(X, Y )!
Soluţie.
∫ ∞∫ ∞ ∫ 1 ∫ 2
a) f (x, y)dxdy = 1 ⇒ c c(x + y 2 )dxdy = 1
−∞ −∞ 0 0
∫ 1 (∫ 2 )
⇒c (x + y )dy dx = 1 2
0 0
( )
8 11 3
⇒c· 1+ =1⇒c· =1⇒c= .
3 3 11
Deci rezultă 
 3 · (x + y 2 ), 0 ≤ x ≤ 1; 0 ≤ y ≤ 2
f (x, y) = 11
 0, ı̂n rest.
∫ ∞ ∫ 2
3
b) f (x) = f (x, y)dy = · (x + y 2 )dy
−∞ 0 11
( ) 6x + 8
3 2 y 3 2
= xy + = .
11 0 3 0 11
∫ ∞ ∫ 1
3
f (y) = f (x, y)dx = · (x + y 2 )dx
−∞ 0 11
( 1 ) 6y 2 + 3
3 x2 1 2
= + xy = .
11 2 0 0 22
f (x, y) 3(x + y 2 ) 22 2(x + y 2 )

c) f (x| y) = = · = ;
f (y) 11 3(1 + 2y 2 ) 1 + 2y 2
f (x, y) 3(x + y 2 ) 11 3(x + y 2 )
f (y| x) = = · = .
f (x) 11 6x + 8) 6x + 8
∫ 1 ∫ 2
3 8
d) E(XY ) = xy(x + y 2 )dxdy = .
11 0 0 11
8 6 15 2
e) Cov(X, Y ) = E(XY ) − E(X)E(Y ) = − · =− .
11 11 11 11
∫ 1 ∫ 1
6x + 8 6
E(X) = xf (x)dx = x· dx = ;
0 0 11 11
∫ 2 ∫ 2
3 + 6y 2 15
E(Y ) = yf (y)dy = y· = .
0 0 22 11
Exerciţiul 8.5. Fie vectorul aleator (X; Y ) cu densitatea de probabilitate:
{
c(x + y), 0 ≤ x ≤ 1; 0 ≤ y ≤ 1
f (x, y) =
0, ı̂n rest.
Calculaţi:
a) c;
b) densităţile de probabilitate condiţionate;
c) V ar(X, Y )!
Exerciţiul 8.6. Fie densitatea de probabilitate:
{
c(x2 + y), 0 ≤ x ≤ 1; 0 ≤ y ≤ 1
f (x, y) =
0, ı̂n rest.
Calculaţi:
a) c;
b) densităţile de probabilitate condiţionate;
e) Cov(X, Y )!
Exerciţiul 8.7. Fie funcţia de repartiţie F (x, y) = 1 − e−x − e−y + e−x e−y , x > 0, y > 0.
Calculaţi:
a) f (x, y); b) f (x| y); c) F (y); d) f (y)!
Observaţii 8.1.
1) Cov(X, Y ) = Cov(Y, X);
2) Cov(X, X) = V ar(X);
3) În comparaţie cu dispersia, care ia doar valori pozitive, covarianţa poate lua şi
valori negative.
Semnul dă informaţii asupra direcţiei legăturii :
Cov(X, Y ) > 0 → corelate positiv;
Cov(X, Y ) = 0 → necorelate;
Cov(X, Y ) < 0 → corelate negativ.
4) Se poate folosi şi scrierea matriceală a covarianţelor :

( ) ( )
Cov(X, X) Cov(X, Y ) V ar(X) Cov(X, Y )
Cov(X, Y ) = = ;
Cov(X, Y ) Cov(Y, Y ) Cov(X, Y ) V ar(Y )
pentru un vector aleator I-dimensional matricea de covarianţă este:

 
Cov(X1 , X1 )
. . . Cov(X1 , XI )
 .. .. .. 
Cov(X1 , . . . , XI ) =  . . . 
Cov(XI , X1 ) . . . Cov(XI , XI )
 
V ar(X1 ) . . . Cov(X1 , XI )
 .. .. .. 
= . . . .
Cov(XI , X1 ) . . . V ar(XI )
8.3 Coeficientul de corelaţie

Cov(X, Y )
Relaţia de definire a coeficientului de corelaţie este: ρ(X, Y ) = √ .
V ar(X) · V ar(Y )
Proprietăţi 8.1. 1) Valoarea absolută a coeficientului de corelaţie a două variabile aleatoare
este invariant la transformările liniare:
ρ2 (aX + b, cY + d) = ρ2 (X, Y )
2) Coeficientul de corelaţie este o mărime normată, iar valorile sale sunt situale ı̂n
intervalul [−1, 1], adică | ρ |≤ 1.
3) ρ(X, X) = 1 şi ρ(X, −X) = −1.
9 Caracteristici numerice ale fiabilităţii

Prin caracteristică numerică se ı̂nţelege, o măsurare ce evaluează fiabilitatea.
9.1 Durata de viaţă

Un element, care ı̂ncepe lucrul la momentul t = 0 şi se defectează la momentul t = T ,
are durata de viaţă, T , 0 ≤ t ≤ T .
Variabila t nu semnifică necondiţionat timpul; la elementele electrice reprezintă numărul
de ore de funcţionare, sau numărul de cicluri, la motoare ei Motoren die Anzahl der
ausgeführten Umdrehungen sau numărul de kilometri.
Die Variable t muss nicht unbedingt das ”Symbol” der Zeit bedeuten: bei elektrischen
Elementen repräsentiert sie als die Anzahl der Betribsstunden oder der Schaltvorgänge,
bei Motoren die Anzahl der ausgeführten Umdrehungen oder der zurückgelegten Kilome-
terzahl.
9.2 Funcţia de defectare

Probabilitatea de defectare F (t) = 1 − R(t) = Q(t) exprimă probabilitatea ca un
element să nu lucreze mai mult de t unităţi de timp; aceasta ı̂nseamnă ca ı̂n parcurgerea
unui timp precizat T < t, ı̂n anumite condiţii de lucru, să se defecteze. Cu alte cuvinte,
elementul se va defecta după un timp finit, T < ∞.
Rezultă:
F (t) = W (T ≤ t), t ∈ [0, ∞] mit F (0) = 0 und F (∞) = 1.
O variabilă aleatoare T , având funcţia de defectare F (t), se numeşte de tip continuu,

dacă există o funcţie nenegativă f (x), numită densitate de probabilitate, astfel ı̂ncât:
∫ t
F (t) = f (x)dx.
0
Dacă T este o variabilă aleatoare discretă, atunci are loc relaţia:

∑
F (t) = pj .
j≤t
9.3 Funcţia de fiabilitate (supravieţuire)

Probabilitatea de supravieţuire (durata de viaţă sau funcţia de fiabilitate) se
defineşte astfel:
∫ ∞
R(t) = 1 − F (t) = W (T > t) = f (x)dx, R(0) = 1, R(∞) = 0.
t
Cu egalitatea de mai sus se poate reprezenta probabilitatea timpului de lucru fără defect
ı̂n forma următoare:
∫ ∞ ∫ t ∫ ∞
R(t) = f (x)dx − f (x)dx = f (x)dx.
0 0 t
9.4 Densitatea de probabilitate de defectare

Densitatea de probabilitate de defectare f (t) este derivata funcţiei de defectare;
produsul f (t)∆t reprezintă probabilitatea ca defecţiunea să se producă ı̂n intervalul (t, t +
∆t]:
∆F (t) ∆R(t)
f (t) ≈ =− .
∆t ∆t
Rezultă ∫ ∞
f (t)dt = 1.
0
Densitatea de probabilitate (de defectare) este definită pentru unităţile considerate

până la prima defecţiune.
Variabila aleatoare T poate fi definită ı̂n intervalul (0, ∞),
( )
(0, ∞)
T : .
f (x)
Pentru descrierea variabilei aleatoare T este suficientă cunoaşterea unei funcţii din cele
trei: f (t), F (t), R(t).
9.5 Durata medie de viaţă

Durata medie de viaţă se numeşte media variabilei aleatoare T ; cu alte cuvinte este
valoarea medie a duratelor de viaţă a unităţilor considerate fără reparaţie.
Dacă T este durata de viaţă a unui element, atunci
∫ ∞ ∫ ∞
T ≈ E(T ) = tf (t)dt = R(t)dt = m.
0 0
Durata medie de viaţă empirică T poate fi definită ca media timpilor de lucru fără de-
fectare şi aproximează valoarea medie a timpului de bună funcţionare a ı̂ntregii populaţii,
m; valoarea medie reprezintă aria mărginită de funcţia R(t) şi axa timpului, t.
9.6 Rata de defectare
Dacă f (t) este densitatea de probabilitate şi F (t) este funcţia de defectare, atunci rata
de defectare a(t) este definită prin expresia
f (t)
a(t) = ,
1 − F (t)
∫t
unde funcţia de defectare este F (t) = f (τ )dτ .
0
Rata de defectare se poate defini şi cu ajutorul funcţiei de fiabilitate R(t);
∂ ∂
f (t) f (t) F (t) (1 − R(t)) ∂
a(t) = = = ∂t = ∂t = − ln (R(t)) .
1 − F (t) R(t) R(t) R(t) ∂t
Rezultă
d
a(t) = − ln(1 − F (t))
dt
sau
∫t
− a(τ )dτ
F (t) = 1 − e 0 .
Exemplul 9.1. Durata de viaţă a unui sortiment de lămpi electrice are densitatea de
probabilitate:
t
t −
f (t) = · e 1000 , t > 0.
10002
Calculaţi:
1) a)F (t); b) R(t); c) a(t); d) M(t); e) c(t);
2) Probabilitatea ca durata de viaţă a unui produs să fie ı̂ntre 500 şi 1000 ore!
Soluţie. 1)
∫ t ∫ t
x ∫ t ( x )′
x − 1 −
a) F (t) = f (x)dx = 2
· e 1000 dx = · x · −1000 · e 1000 dx
−∞ 0 1000 10002 0
[ ]
x t ∫ t x
1 − −
= 2
· −1000 · e 1000 · x + 1000 · e 1000 dx
1000 0 0
 
t t
1 − −
= 2
· −1000 · e 1000 − 10002 · e 1000 + 10002 
1000
t
1001 −
=1− · e 1000 .
1000
b)
 
t t
1001 − 1001 −
R(t) = 1 − F (t) = 1 − 1 − · e 1000  = · e 1000 .
1000 1000
c)
t
t −
f (t) 2
· e 1000 t
a(t) = = 1000 = .
R(t) t 1001000
1001 −
· e 1000
1000
d)
∫ ∫ x
( ) ∞ ∞
x −
M (t) = E e tX
= tx
e f (x)dx = e ·
tx
· e 1000 dx
−∞ 0 10002
( )
∫ 1
1 ∞ −x −t
= · x·e 1000 dx
10002 0
( ( ))
1 1 1 γ(2)
= 2
· γ 2; −t = 2
·( )2
1000 1000 1000 1
−t
1000
1
= .
(1 − 1000t)2
e)
∫ ∫ x
( ) ∞ ∞
x −
C(t) = E e itX
= itx
e f (x)dx = itx
e · · e 1000 dx
−∞ 0 10002
( )
∫ 1
1 ∞ −x − it
= · x·e 1000 dx
10002 0
( ( ))
1 1 1 γ(2)
= 2
· γ 2; − it = 2
·( )2
1000 1000 1000 1
− it
1000
1
= .
(1 − 1000it)2
1
Sau C(t) = M (it) şi rezultă C(t) .
(1 − 1000it)2
2)
W (500 ≤ X ≤ 1000) = F (1000) − F (500)

   
1000 500
1001 − 1001 −
= 1 − · e 1000  − 1 − · e 1000 
1000 1000
 
1
1001  −
= · e 2 − e−1  ≈ 0, 238891.
1000
1
Exemplul 9.2. Rata de defectare a unui sistem este a(t) = 2t + .
1 + 3t
Calculaţi: a) F(t); b) R(t)!
Soluţie. a)
∫ t ∫ t( )
1
a(τ )dτ 2τ + dτ
F (t) = 1 − e 0 =1−e 0 1 + 3τ .
∫ t( )
1
Calculăm ı̂ntâi 2τ + dτ . Obţinem
0 1 + 3τ
∫ t( ) t 1 t
1
2τ + dτ = τ 2 + · ln (1 + 3τ )
0 1 + 3τ 0 3 0
1
= t2 + ln (1 + 3t)
3
şi rezultă
1
t2 + ln (1 + 3t) 2 √
F (t) = 1 − e 3 = 1 − et · 3 1 + 3t.
b) ( )
2 √ 2 √
R(t) = 1 − F (t) = 1 − 1 − e · 1 + 3t = et · 3 1 + 3t.
t 3
Exemplul 9.3. Fie variabila aleatoare de tip continuu X ∼ Γ(2; 0, 01).

Calculaţi:
a) R(t); b) a(t)!
Soluţie. Densitatea de probabilitate a unei variabile aleatoare X este

1
f (x) = x · e−0, 01x , x ≥ 0.
γ(2; 0, 01)
a) ∫ t
1
R(t) = 1 − F (t) = 1 − x · e−0, 01x dx
−∞ γ(2; 0, 01)
∫ t
1
=1− · x · e−0, 01x dx.
γ(2; 0, 01) 0
∫ t
Calculăm ı̂ntâi x · e−0, 01x dx.
0
∫ t ∫ t( )′
1
x · e−0, 01x dx = x· − ·e −0, 01x dx
0 0 0, 01
t ∫ t
−x − − 0, 01x 1
= ·e + e−0, 01x dx
0, 01 0 0, 01 0
−t 1 1
= · e−0, 01t − 2
· e−0, 01t +
0, 01 0, 01 0, 012
= 1002 − 100te−0, 01t − 1002 e−0, 01t .

Obţinem
1 ( )
R(t) = 1 − · 1002 − 100te−0, 01t − 1002 e−0, 01t
γ(2; 0, 01)
1 ( )
=1− · 100 2
− 100te−0, 01t − 1002 e−0, 01t
1002
( )
t
= 1+ · e−0, 01t .
100
b)
1
t · e−0, 01t
f (t) γ(2; 0, 01) t
a(t) = =( ) = .
R(t) t −0, 01t 100(100 + t)
1+ ·e
100
Exemple 9.1.
1. Repartiţia exponenţială
Densitatea de probabilitate a unei repartiţii exponenţiale este
f (t) = λe−λt
şi obţinem : ∫ t
F (t) = λe−λτ dτ = 1 − e−λt ;
0
∫ ∞
R(t) = λe−λt dt = e−λt .
t
Din relaţiile anterioare rezultă faptul că repartiţia exponenţială are o rată de defectare,
dependentă de timp, constantă:
f (t) λe−λt
a(t) = = −λt = λ.
R(t) e
Valoarea medie este ∫ ∞

1
T =m= λe−λt dt = .
0 λ
1
Probabilitatea ratei de defectare independentă de timp este T = m = λ
şi rezultă
λ
1 −
R(m) = e λ = =≈ 0, 37.
e
2. Repartiţia normală
Densitatea de probabilitate a unei repartiţii normale este
−(t − m)2
1
f (t) = √ ·e 2σ 2 ,m=T
σ 2π
şi obţinem :
∫ t
−(τ − m)2
1
F (t) = √ · e 2σ 2 dτ ;
σ 2π 0
∫ t
−(τ − m)2
1
R(t) = 1 − √ · e 2σ 2 dτ.
σ 2π 0
Din relaţiile anterioare rezultă faptul că repartiţia normală are o rată de defectare,
−(τ − m)2
f (t) e 2σ 2
a(t) = = .
R(t) ∫ ∞ −(τ − m)2
e 2σ 2
t
3. Repartiţia Weibull
Densitatea de probabilitate a unei repartiţii Weubull este
( )β
t
β β−1 − η
f (t) = β · t ·e .
η
şi obţinem :
( )β ( )β
∫ τ t
t − −
β η dτ = 1 − e η ;
F (t) = · τ β−1 · e
ηβ 0
( )β  ( )β
t t
 −  −
R(t) = 1 − F (t) = 1 − 
1 − e
η =e

η .
Din relaţiile anterioare rezultă faptul că repartiţia Weibull are o rată de defectare,
( )β
t
β β−1 − η
·t ·e
f (t) ηβ β
a(t) = = ( )β = β · tβ−1 .
R(t) t η
−
e η
10 Distribuţii trunchiate
O repartiţie trunchiată se poate obţine dintr-o repartiţie prin eliminarea valorilor mai
mici decât o valoare dată α şi/sau superioare unui punct ales β.
Fie o variabilă aleatoare X cu funcţia de repartiţie F (x) dacă a ≤ x ≤ b. Con-
siderăm variabila aleatoare X ∗ definită pe intervalul [α, β]; se obţine astfel o distribuţie
trunchiată bilateral. Dacă se elimină doar valorile mai mici decât α sau doar valorile
mai mari decât β, se obţine o repartiţie trunchiată unilateral.
Funcţia de repartiţie a variabilei aleatoare X ∗ , F ∗ (x) cu α ≤ x ≤ β şi α > a, β < b
este definită prin egalitatea
F (x) − F (α)
F ∗ (x) = , α ≤ x ≤ β.
F (β) − F (α)
Deoarece ı̂ntreaga masă de probabilitate este concentrată ı̂n intervalul [α, β], a fost
necesară o renormare pe noul domeniu de valori, care se realizează cu relaţia de mai sus.
Funcţia F ∗ (x) are toate proprietăţile unei funcţii de repartiţie:
1) F ∗ (x) este monoton crescătoare.
2) F ∗ (x) are ı̂n punctul x = α valoarea zero şi are ı̂n punctul x = β valoarea unu.
Dacă X este o variabilă aleatoare discretă, atunci repartiţia trunchiată X ∗ este definită
pe [α, β] prin egalitatea:
W (X ∗ = xi ) = W (X ∗ = xi |X ∈ [α, β])
W (X ∗ = xi , X ∈ [α, β])
=
W (X ∈ [α, β])
pi
=∑ dacă xi ∈ [α, β].
{j:xj ∈[α,β]} pj
Exemplul 10.1. Fie variabilă aleatoare discretă:

 
−2 −1 3 5
X: 1 3 4 2

10 10 10 10
1) Determinaţi variabila aleatoare discretă X ∗ care ia doar valorile 3 şi 5.

2) Determinaţi variabila aleatoare discretă X ∗∗ care ia doar valorile -1, 3 şi 5.
Soluţie. 1) Repartiţia trunchiată este:

 
3 5  
  3 5

∗ 
4 2
X : = 
 2 1
 4 10 2 4
10
2 
+ + 3 3
10 10 10 10
2) Repartiţia trunchiată este:

 
−1 3 5  
  −1 3 5
 3 4 2 
X ∗∗ :

=
 3 4 2

 3 10 10 10
4 2 3 4 2 3 4 2  9 9 9
+ + + + + +
10 10 10 10 10 10 10 10 10
Fie X o variabilă aleatoare continuă şi F ∗ (x) derivabilă, atunci se obţine densitatea
de probabilitate f ∗ (x) a lui X ∗ prin derivare:
dF ∗ (x) f (x)
f ∗ (x) = =
dx F (β) − F (α)
f (x)
=∫ β
, α ≤ x ≤ β.
f (x)dx
α
Se obţine:
∫ β
∗ 1
E(X ) = · x · f (x)dx
F (β) − F (α) α
∫ β
x · f (x)dx
= ∫ β
α
, α ≤ x ≤ β.
f (x)dx
α
∫ β
∗ 1
V ar(X ) = · [x − E(X ∗ )]2 · f (x)dx
F (β) − F (α) α
∫ β
[x − E(X ∗ )]2 · f (x)dx
= α
∫ β , α ≤ x ≤ β.
f (x)dx
α
Exemplul 10.2. Fie densitatea de probabilitate:

{
x, x ∈ [0, 1]
f (x) =
2 − x, x ∈ (1, 2].
1) Determinaţi densitatea de probabilitate trunchiată pe intervalul [0, 1].

2) ,Determinaţi densitatea de probabilitate trunchiată pe intervalul [1, 2].
3) Determinaţi densitatea de probabilitate trunchiată pe intervalul [ 12 , 32 ].
Soluţie.
1) Se calculează:
∫ 1
x2 1 1 f (x) f (x)
x dx = = ⇒ f ∗ (x) = ∫ 1 = = 2f (x).
0 2 0 2 1
x dx 2
0
Rezultă:
{
2x, x ∈ [0, 1]
f ∗ (x) =
0, ı̂n rest.
2) Se calculează:
∫ 2 2 x2 2 1
f (x) f (x)
(2 − x) dx = 2x − = ⇒ f ∗ (x) = ∫ 2 = = 2f (x).
1 1 2 1 2 1
x dx 2
1
Rezultă:
{
2(2 − x), x ∈ [1, 2]
f ∗ (x) =
0, ı̂n rest.
3) Se calculează:
∫ 1 ∫ 3
2 3 f (x) 4f (x)
x dx + 2 − x dx = ⇒ f ∗ (x) = = .
1
1 4 3 3
2
4
Rezultă:
 [ ]
 4

 x, x ∈ 12 , 1

 3



4 ( ]
f ∗ (x) = (2 − x), x ∈ 1, 32

 3





 0, ı̂n rest.
Semne matematice
∈ aparţine
⊆ submulţime
⊂ submulţime strictă
∪ ∪
n
, reuniunea a două sau a n mulţimi
i=1
∩ ∩
n
, intersecţia a două sau a n mulţimi
i=1
\ diferenţa mulţimilor
∅ mulţimea vidă
∀ oricare, ”pentru orice...”
:= definit prin
< mai mic decât
> mai mare decât
∑ ∑ n ∑
3
, sumă, de exemplu ai = a1 + a2 + a3
i=1 i=1
10
−, / linie de fracţie, de exemplu 10/5 = =2
5
an a la puterea n
√
rădăcina pătrată
ln logaritm natural
n! n-factorial
( )
n
coeficientul binomial
p
|a| modulul lui a
Literaturverzeichnis
1. Abels H: Wirtschafts-und Bevölkerungsstatistik, 3. Auflage, Wiesbaden.
2. Abels H, Degen H: Handbuch des statistischen Schaubilds, Herne, Berlin.
3. Afferbach H: Statistik-Praktikum mit dem P.C., Stuttgart, (1987).
4. Anderson T.W: The Statistical Analysis of Time Series, New York, (1971).
5. Andrews A: Robust Estimation of Location, Princeton, (1972).
6. Arminger G: Pflicht- versus Freiwilligenerhebung im Mikrozensus, Allgemeines

Statistisches Archiv 74, (1990), 161–187.
7. Bamberg G, Baur F: Statistik-Arbeitsbuch, 10. Aufgabe, München/ Wien, (1998).
8. Bamberg G, Baur F: Statistik, 4. Aufgabe, München/ Wien, (1994).
9. Bartel H: Statistik II, Stuttgart, (1976).
10. Bartel H: Statistik I, Stuttgart, (1983).
11. Barth F, Haller R: Stochastik-Leistungskurs, München, (1984).
12. Bauer H: Wahrscheinlichkeitstheorie, Verlag De Gruyter, Berlin, (1991).
13. Billingsley P: Probability and Measure, J. Wiley und Sons, New York (1995).
14. Breiman L: Probability, SIAM, Philadelphia, (1993).
15. Chatfield C: Problem Solving, 2nd edition, London,(1995).
16. Costas I: Grundlagen der Wirtschafts- und Sozialstatistik, Frankfurt a. M./ New
York, (1985).
17. Dehling H, Haupt B: Einführung in die Wahrscheinlichkeitstheorie und Statistik,

Springer-Verlag, Berlin, (2003).
18. Dillmann R: Statistik I-Grundlagen der Wahrscheinlichkeitstheorie, Heidelberg,

(1995).
19. Dümbgen L: Stochastik für Informatiker , Springer-Verlag, Berlin, (2003).
20. Feller W: An introduction to probability theory and its applications, Vol I/II J, Wiley
und Sons, New York, (1970/71).
21. Gänssler P, Stute W: Wahrscheinlichkeitstheorie, Springer-Verlag, Berlin, (1977).
22. Heike H-D, Tarcolea C: Grundlagen der Statistik und Wahrscheinlichkeitsrech-

nung. Statistik I. Internationale Standardlehrbücher der Wirtschafts- und Sozial-
wissenschaften,
Oldenbourg Verlag GmbH, Pappband, (2000).
23. Hesse C: Angewandte Wahrscheinlichkeitstheorie, Vieweg-Verlag, Braunschweig,

(2003).
24. Georgii H-O: Stochastik ,Walter de Gruyter, Berlin, New York, (2002).
25. Irle A: Wahrscheinlichkeitstheorie und Statistik, Teubner, Stuttgart, Leipzig, Wies-

baden, (2001).
26. Jacod J, Protter P: Probability essentials, Springer-Verlag, Berlin, (2003).
27. Kallenberg O: Foundations of modern probability, Springer-Verlag, New York, (2001).
28. Karr A. F: Probability, Springer-Verlag, New York, (1993).
29. Krengel U: Einführung in die Wahrscheinlichkeitstheorie und Statistik, Vieweg-

Verlag, Braunschweig, (2002).
30. Meester R: Introduction to Probability Theory, Birkhäuser-Verlag, Basel, Cambridge,

(2003).
31. Resnick S: A probability path, Birkhäuser-Verlag, Basel, (1999).
32. Shiryayev A.N: Probability, Springer-Verlag, New York (1996). (deutsche Überset-
zung: Wahrscheinlichkeit, Deutscher Verlag der Wissenschaften, Berlin, (1988).)

Carte TARCOLEA. Romana

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Carte TARCOLEA. Romana

Transféré par

Droits d'auteur :

Formats disponibles

Constantin Târcolea

6 Inegalităţile Markov şi Cebâşev 70

Exemplu 1.1. 1) Fie o ruletă cu numere de la 1 la 5. Se ı̂nvârte ruleta de 2 ori şi se

Ω = {(1, 1), (1, 2), . . . , (5, 5)}.

{1, 2, 3, 4, 5, 6, 8, 9, 10, 12, 15, 16, 20, 25} = Ω.

4) La aruncarea unui zar se pot defini printre altele următoarele evenimente:

A = {2, 4, 6} Rezultatul este un număr par

1.1 Evenimente şi probabilităţi

Exemplu 1.2. Ω = N, A = {2, 4, 6, . . . } = {n|n ∈ N; n este divizibil cu 2}.

1.2 Operaţii cu mulţimi şi importanţa lor

Definiţia 2.1. Fie (Ω, A) un spaţiu de evenimente, A − σ-algebră.

W (A) ≥ 0, pentru oricare A ∈ A, funcţia ia valori pozitive

dacă Ak , Al ∈ A şi Ak ∩ Al = ∅ pentru k ̸= l, (k, l = 1, 2, . . . ) funcţia este σ-aditivă.

Un câmp, respectiv un σ-câmp de evenimente, ı̂nzestrat cu o probabilitate, se numeşte

Exemplul 2.1. Fie un zar numerotat de la 1 la 6:

Noţiunile de probabilitate clasică, respectiv statistică, respectiv subiectivă, sunt com-

Prin urmare rezultă pentru un eveniment oarecare A ∈ P(Ω):

2.2 Proprietatea de aditivitate a probabilităţilor

Se dau trei evenimente A, B şi C, atunci:

Soluţie. A este evenimentul, ca primul student să rezolve problema.

Soluţie. a) Evenimentele ”Rege” sau ”As” sunt disjuncte, adică

W (”Rege” sau ”Inimă”) = W (”Rege”) + W (”Inimă”) − W (”Rege” ∩ ”Inimă”)

c) Evenimentele ”Rege de treﬂă ” sau ”Inimă” sunt disjuncte, deci se obţine:

W (”Rege” sau ”As” sau ”Damă”) = W (”Rege”) + W (”As”) + W(”Damă”)

W (”Rege” sau ”Damă” sau ”Inimă”) = W (”Rege”) + W (”Damă”) + W (”Inimă”)

−W (””Rege” şi ”Damă”)

−W (”Damă” şi ”Inimă”)

+W (”Rege” şi ”Damă” şi ”Inimă”)

Soluţie. A este evenimentul de a se obţine un număr de la 1 la 12.

B ∩ C = {10, 12, 14, 16, 18}, A ∩ B ∩ C = {10, 12}

2.3 Probabilităţi condiţionate

Deﬁniţia probabilităţii condiţionate

Exemplul 2.10. Fie jocul de ruletă cu 37 de evenimente elementare posibile. Se con-

Soluţie. Se cere W (B/A).

2.4 Formula de ı̂nmulţire a probabilităţilor

W (A1 ∩ A2 ) = W (A1 ) · W (A2 /A1 ), W (A1 ) > 0.

Exemplul 2.11. Fie Ω = {1, . . . , 30} şi se definesc următoarele evenimente:

Soluţie. A1 ∩ A2 ∩ A3 ∩ A4 = {12, 24}.

2.5 Formula probabilităţii totale

Soluţie. Fie B evenimentul: ”aparatul ales este defect”. Rezultă:

W (B) = W (B/A1 ) · W (A1 ) + W (B/A2 ) · W (A2 ) + W (B/A3 ) · W (A3 )

2.6 Formula lui Bayes

Exemplul 2.14. Se consideră campionatul de fotbal al Germaniei. Şansele ca o echipă

Soluţie. Considerăm următoatrele partiţii de evenimente:

3 Variabile aleatoare discrete

Mulţimea valorilor variabilei aleatoare X, {xn }n∈N , este mulţimea punctelor de

3.1 Caracteristici numerice ale variabilelor aleatoare discrete

2. Valoarea medie (r=1)

Fie X şi Y două variabile aleatoare şi a ∈ R. Atunci rezultă:

3. Momentul centrat de ordinul r

µ1 = E{(X − µ)} = E{X} − E{µ} = µ − µ = 0.

3.2 Funcţia generatoare de momente a variabilelor aleatoare

se numeşte funcţia generatoare de momente a variabilei aleatoare X.

3.3 Funcţia caracteristică a variabilelor aleatoare discrete

se numeşte funcţia caracteristică a a variabilei aleatoare X.

CY (t) = E(eit(b0 +b1 X) )

3. Se dau variabilele aleatoare independente X1 , . . . , XM şi combinaţia liniară

CZ (t) = CX1 (b1 t) · · · · · CXM (bM t).

CZ (t) = E(eit(b1 X1 ) ) · E(eit(b2 X2 ) · · · · · E(eit(bM XM )

3.4 Funcţia de repartiţie a unei variabile aleatoare discrete

Funcţia F : R → R deﬁnită prin relaţia

se numeşte funcţia de repartiţie a variabilei aleatoare discrete X. Funcţia de repartiţie

2) F (x) nu este descrescătoare din x1 < x2 rezultă F (x1 ) ≤ F (x2 ),