Académique Documents
Professionnel Documents
Culture Documents
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 Constantin Târcolea, Cristiana Ionescu
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, . . . ).
{2, 3, 4, 5, 6, 7, 8, 9, 10} = Ω.
10 Constantin Târcolea, Cristiana Ionescu
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.
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 .
∪
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.
14 Constantin Târcolea, Cristiana Ionescu
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.
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.
18 Constantin Târcolea, Cristiana Ionescu
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?
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?
1 8 9
W (”Rege de treflă ” sau ”Inimă”) = W (”Rege de treflă ”)+W (”Inimă”) = + = .
32 32 32
d)
e)
−W (”Rege”şi ”Inimă”)
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?
A doua soluţie:
Deoarece A ∩ B = {10, 11, 12}, A ∩ C = {2, 4, 6, 8, 10, 12},
W (A ∩ B)
W (A/B) = , W (B) > 0,
W (B)
sau
W (B ∩ A)
W (B/A) = , W (A) > 0.
W (A)
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
28 Constantin Târcolea, Cristiana Ionescu
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.
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%.
30 Constantin Târcolea, Cristiana Ionescu
{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
∑
∞
α1 = µ = E{X} = xn · pn .
n=1
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.
Observaţii 3.2.
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.
34 Constantin Târcolea, Cristiana Ionescu
M: R→R
∑
∞
tX
M (t) := E(e ) = etxn · pn
n=1
Proprietăţi 3.1.
E{X} = M ′ (0),
E{X 2 } = M ′′ (0),
..................
E{X r } = M (r) (0).
..................
C: R → C
∑
∞
C(t) := E(e itX
)= eitxn · pn
n=1
Proprietăţi 3.2.
C ′ (0)
E{X} = ,
i
C ′′ (0)
E{X } =
2
,
i2
..................
C (r) (0)
E{X r } = .
ir
..................
36 Constantin Târcolea, Cristiana Ionescu
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:
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
F (x) = W (X ≤ x), x ∈ R,
1) 0 ≤ F (x) ≤ 1,
F (x + 0) := lim F (x + h) = F (x), ∀x ∈ R,
h→0
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).
40 Constantin Târcolea, Cristiana Ionescu
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)!
42 Constantin Târcolea, Cristiana Ionescu
−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)!
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
44 Constantin Târcolea, Cristiana Ionescu
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)!
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 ,
deoarece p + q = 1.
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
48 Constantin Târcolea, Cristiana Ionescu
Soluţie.
C ′ (t) = npieit (peit + q)n−1 ,
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
50 Constantin Târcolea, Cristiana Ionescu
∑
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
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”.
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!
52 Constantin Târcolea, Cristiana Ionescu
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.
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.
56 Constantin Târcolea, Cristiana Ionescu
( ) ( )
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
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
= 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
60 Constantin Târcolea, Cristiana Ionescu
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!
62 Constantin Târcolea, Cristiana Ionescu
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):
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?
( ) ( )
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.
66 Constantin Târcolea, Cristiana Ionescu
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!
0 1 2 ... n ...
X : −λ λ λ2 λn , λ > 0.
e e−λ · e−λ · ... e−λ · ...
1! 2! n!
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)!
68 Constantin Târcolea, Cristiana Ionescu
Soluţie.
M ′ (t) = e−λ λet eλe ,
t
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.
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!
70 Constantin Târcolea, Cristiana Ionescu
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!
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?
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!
Calculaţi:
a) funcţia generatoare de momente;
b) valoarea medie a variabilei aleatoare;
c) variabila aleatoare Y = X 3 !
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
Proprietăţi 4.1.
1. γ(a + 1) = a · γ(a);
∫ ∞
2. γ(1) = e−x dx = 1;
0
Funcţia Beta ∫ 1
β(a; b) := xa−1 · (1 − x)b−1 dx, a, b > 0;
0
Proprietăţi 4.2.
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
76 Constantin Târcolea, Cristiana Ionescu
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
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
−∞ −∞ −∞
M: R→R
∫ +∞
tX
M (t) := E(e ) = etx f (x)dx
−∞
Proprietăţi 5.2.
E{X} = M ′ (0),
E{X 2 } = M ′′ (0),
..................
E{X r } = M (r) (0).
..................
C: R → C
∫ +∞
itX
C(t) := E(e )= eitx f (x)dx
−∞
Proprietăţi 5.3.
C ′ (0)
E{X} = ,
i
C ′′ (0)
E{X } =
2
,
i2
..................
C (r) (0)
E{X r } = .
ir
..................
∫ +∞
1 y2
deoarece √ · e− 2 dy = 1.
2π −∞
84 Constantin Târcolea, Cristiana Ionescu
(x − µ)2
1 −
f (x) = √ e 2σ 2 , x ∈ R.
σ 2π
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 .
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 !
86 Constantin Târcolea, Cristiana Ionescu
∫ ∞
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
( ) ( ) ( ) ( )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.
88 Constantin Târcolea, Cristiana Ionescu
√ 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.
1) Calculaţi a!
2) Calculaţi funcţia de repartiţie!
3) Calculaţi W (x > 0)!
90 Constantin Târcolea, Cristiana Ionescu
∫ ∞
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.
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 !
Calculaţi
a) funcţia de repartiţie;
b) W (1 ≤ X ≤ 2);
c) Var(X)!
C(t) = e−|t| , t ∈ R.
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 )
94 Constantin Târcolea, Cristiana Ionescu
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
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.
96 Constantin Târcolea, Cristiana Ionescu
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) + W (X ≥ 8, 527864)
= 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.
98 Constantin Târcolea, Cristiana Ionescu
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.
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.
100 Constantin Târcolea, Cristiana Ionescu
∫ 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
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.
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
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
104 Constantin Târcolea, Cristiana Ionescu
( )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.
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)
Cu transformarea corespunzătoare
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;
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
densitatea de probabilitate este:
{
λe−λx , x≥0
f (x) =
0, ı̂n rest.
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
110 Constantin Târcolea, Cristiana Ionescu
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!
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 !
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
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 )
1. M (t) = (1 − 2t)− 2 ;
K
2. C(t) = (1 − 2it)− 2 .
K
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).
116 Constantin Târcolea, Cristiana Ionescu
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.
= (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
Rezultă: ∫ +∞
1 −x2
√ e 2 dx = 1.
2π −∞
X = µ + σ · Y ∼ N (µ, σ 2 ).
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.
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 .
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
.
122 Constantin Târcolea, Cristiana Ionescu
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.
( )
36 − 36, 5
3) W (X < 36) = F (36) = Φ = Φ(−2, 5)
0, 2
= 1 − Φ(2, 5)
X ∼ N (0, σ 2 ), Y ∼ N (0, σ 2 ).
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 )
128 Constantin Târcolea, Cristiana Ionescu
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),
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!
130 Constantin Târcolea, Cristiana Ionescu
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
132 Constantin Târcolea, Cristiana Ionescu
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?
= 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.
134 Constantin Târcolea, Cristiana Ionescu
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.
1
Dacă β = 1 şi η = obţinem
λ
( )
1
W e 1, = Exp(λ).
λ
136 Constantin Târcolea, Cristiana Ionescu
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
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
142 Constantin Târcolea, Cristiana Ionescu
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
144 Constantin Târcolea, Cristiana Ionescu
( )
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
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.
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
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
148 Constantin Târcolea, Cristiana Ionescu
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
150 Constantin Târcolea, Cristiana Ionescu
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
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
152 Constantin Târcolea, Cristiana Ionescu
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
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)
E(h(X))
W (h(X) ≥ ε) ≤ .
ε
= εW (h(X) ≥ ε).
De aici rezultă inegalitatea cerută. Demonstraţia ı̂n cazul discret este similară.
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
156 Constantin Târcolea, Cristiana Ionescu
σ2
W (| X − µ |≥ ε) ≤ 2
ε
22
⇔ W (| X − 3 |≥ 2) ≤ = 1 (inegalitate trivială).
22
158 Constantin Târcolea, Cristiana Ionescu
W/fs W/fs
X χ → µ, E(Xk ) = µ sau X χ − µ → 0, E(Xk ) = µ.
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).
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:
160 Constantin Târcolea, Cristiana Ionescu
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 −∞
( 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 .
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
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.
166 Constantin Târcolea, Cristiana Ionescu
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
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 ).
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 ))).
168 Constantin Târcolea, Cristiana Ionescu
Momentul centrat de ordinul µz1;1 al unui vector aleator (X, Y ) se numeşte covarianţa
perechii X, Y .
Observaţie 8.3.
Calculaţi:
1) Repartiţiile condiţionate;
2) Cov(X;Y);
3) Var(X+Y).
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.
X \Y -2 2
-1 0,3 0,1
0 0,4 0,2
1) Calculaţi a.
2) Calculaţi repartiţiile condiţionate.
3) Cov(X;Y).
4) Var(X+Y).
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
176 Constantin Târcolea, Cristiana Ionescu
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
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 .
−∞ −∞
∂ 2F
= f (x, y).
∂x∂y
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.
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.
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)
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
Observaţie 8.4.
f (x| y) = f (x) und f (x| y) = f (y),
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,
−∞ −∞
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 ).
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 ))).
O caracteristică principală a unui vector aleator (X, Y ) este momentul centrat µz1;1 , numit
covarianţa perechii 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 .
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
∫ 1 ∫ 2
3 8
d) E(XY ) = xy(x + y 2 )dxdy = .
11 0 0 11
190 Constantin Târcolea, Cristiana Ionescu
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
{
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 )!
{
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)!
192 Constantin Târcolea, Cristiana Ionescu
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.
Cov(X, Y ) = 0 → necorelate;
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
Pentru descrierea variabilei aleatoare T este suficientă cunoaşterea unei funcţii din cele
trei: f (t), F (t), R(t).
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.
198 Constantin Târcolea, Cristiana Ionescu
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:
2) Probabilitatea ca durata de viaţă a unui produs să fie ı̂ntre 500 şi 1000 ore!
200 Constantin Târcolea, Cristiana Ionescu
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
202 Constantin Târcolea, Cristiana Ionescu
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)
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
204 Constantin Târcolea, Cristiana Ionescu
∫ 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
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
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
λ
1 −
R(m) = e λ = =≈ 0, 37.
e
208 Constantin Târcolea, Cristiana Ionescu
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,
dependentă de timp, constantă:
−(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 .
210 Constantin Târcolea, Cristiana Ionescu
Din relaţiile anterioare rezultă faptul că repartiţia Weibull are o rată de defectare,
dependentă de timp, constantă:
( )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
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
214 Constantin Târcolea, Cristiana Ionescu
∫ 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
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
216 Constantin Târcolea, Cristiana Ionescu
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
218 Constantin Târcolea, Cristiana Ionescu
Literaturverzeichnis
1. Abels H: Wirtschafts-und Bevölkerungsstatistik, 3. Auflage, Wiesbaden.
4. Anderson T.W: The Statistical Analysis of Time Series, New York, (1971).
13. Billingsley P: Probability and Measure, J. Wiley und Sons, New York (1995).
16. Costas I: Grundlagen der Wirtschafts- und Sozialstatistik, Frankfurt a. M./ New
York, (1985).
20. Feller W: An introduction to probability theory and its applications, Vol I/II J, Wiley
und Sons, New York, (1970/71).
220 Constantin Târcolea, Cristiana Ionescu
24. Georgii H-O: Stochastik ,Walter de Gruyter, Berlin, New York, (2002).
32. Shiryayev A.N: Probability, Springer-Verlag, New York (1996). (deutsche Überset-
zung: Wahrscheinlichkeit, Deutscher Verlag der Wissenschaften, Berlin, (1988).)