
Probabilități și Statistică · Cursul 3
Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027
| Partea | Conținut |
|---|---|
| I | Variabile aleatoare, funcția de repartiție, funcția de masă |
| II | Repartiții discrete uzuale (Bernoulli … Poisson) |
| III | Funcții de v.a., independență |
| IV | Media, momentele și varianța; media și varianța repartițiilor uzuale |
| V | Exerciții rezolvate |
Obiective: lucrul cu \(F_X\) și \(p_X\); recunoașterea repartițiilor discrete uzuale; calculul lui \(\E[X]\) și \(\Var(X)\) (liniaritate, metoda indicatorilor).
Aruncăm două zaruri: \(\Omega=\{1,2,3,4,5,6\}^2\). Ne pot interesa întrebări precum:
Nu ne interesează rezultatul exact \(\omega=(\omega_1,\omega_2)\), ci un număr calculat din el: \[ \omega_1+\omega_2,\qquad \Ind_{\{\omega_1=3\}}+\Ind_{\{\omega_2=3\}},\qquad \omega_2^3 . \] La fel, la aruncarea repetată a unei monede ne interesează doar câte „capete” (H) s-au obținut.
Ideea: asociem fiecărui \(\omega\in\Omega\) o valoare numerică \(X(\omega)\in\R\), adică o funcție \(X:\Omega\to\R\). Pentru a calcula \(\PP(X\le x)\) avem nevoie ca \(\{\omega\mid X(\omega)\le x\}\in\F\).
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate. O funcție reală \(X:\Omega\to\R\) se numește variabilă aleatoare dacă \[ \{\omega\in\Omega\mid X(\omega)\le x\}\in\F,\qquad \forall x\in\R . \] Mulțimea \(\{\omega\in\Omega\mid X(\omega)\le x\}\) se notează prescurtat \(\{X\le x\}\).
Variabilele aleatoare se notează cu litere mari de la sfârșitul alfabetului (\(X,Y,Z,T,W,\ldots\)), iar valorile lor cu litere mici (\(x,y,z,\ldots\)).
Condiția \(\{X\le x\}\in\F\), \(\forall x\), se numește condiție de măsurabilitate. Ea este echivalentă cu \[ X^{-1}(A)=\{\omega\in\Omega\mid X(\omega)\in A\}\in\F \quad\text{pentru orice mulțime boreliană } A\in\B(\R), \] unde \(\B(\R)\) este \(\sigma\)-algebra generată de intervalele \((-\infty,x]\) (conține toate intervalele, reuniunile numărabile de intervale, mulțimile cel mult numărabile etc.).
Pentru orice mulțime „rezonabilă” \(A\subseteq\R\), \(\{X\in A\}\) este un eveniment. Dacă \(\F=\mathcal{P}(\Omega)\) (de exemplu \(\Omega\) finit), orice funcție \(X:\Omega\to\R\) este variabilă aleatoare.
\(\Omega=\{HH,HT,TH,TT\}\), \(\F=\mathcal{P}(\Omega)\); \(X\) = numărul de capete: \(X(HH)=2\), \(X(HT)=X(TH)=1\), \(X(TT)=0\). Codificând \(H\mapsto1\), \(T\mapsto0\): \(X((x,y))=x+y\). Pentru orice \(x\in\R\), \[ \{X\le x\}=\begin{cases} \emptyset, & x<0,\\ \{TT\}, & 0\le x<1,\\ \{TT,HT,TH\}, & 1\le x<2,\\ \Omega, & x\ge 2, \end{cases} \] toate fiind evenimente (de exemplu \(\{X\le\sqrt2\}=\{TT,TH,HT\}\)). Deci \(X\) este v.a., cu \(X(\Omega)=\{0,1,2\}\).
\(X\) „transportă” fiecare rezultat elementar într-un număr real; rezultatele \(HT\) și \(TH\) au aceeași imagine, \(1\).
Fie \(X:\Omega\to\R\) o variabilă aleatoare. Mulțimea \(X(\Omega)=\{X(\omega)\mid\omega\in\Omega\}\) se numește mulțimea valorilor lui \(X\). Spunem că \(X\) este o variabilă aleatoare discretă dacă \(X(\Omega)\) este cel mult numărabilă (finită sau numărabilă). În caz contrar spunem că \(X\) este o variabilă aleatoare continuă.
Alegem la întâmplare \(a\in[-1,1]\). \(X=a^3\) ia toate valorile din \([-1,1]\) (continuă), pe când \(Y=\sgn(a)\in\{-1,0,1\}\) ia doar trei valori (discretă).
Vrem să calculăm probabilități \(\PP(X\in A)\), \(A\subseteq\R\). Evenimentul \(\{X\in A\}=X^{-1}(A)\) este preimaginea lui \(A\) prin \(X\), iar \(\PP(X\in A)=(\PP\circ X^{-1})(A)\).
Fie \(X:\Omega\to\R\) o variabilă aleatoare pe \((\Omega,\F,\PP)\). Se numește repartiția (distribuția) lui \(X\) măsura de probabilitate \(\PP_X\) pe \(\R\), \[ \PP_X(A)=\PP(X\in A)=\PP\big(X^{-1}(A)\big),\qquad A\in\B(\R), \] adică \(\PP_X=\PP\circ X^{-1}\).
\(\PP_X\) este o măsură de probabilitate pe \((\R,\B(\R))\): \(\PP_X(\R)=\PP(\Omega)=1\), iar dacă \(A_1,A_2,\ldots\) sunt disjuncte, preimaginile \(X^{-1}(A_n)\) sunt disjuncte și \(X^{-1}\big(\bigcup_n A_n\big)=\bigcup_n X^{-1}(A_n)\), deci \(\PP_X\big(\bigcup_n A_n\big)=\sum_n\PP_X(A_n)\). Repartiția „transportă” probabilitatea de pe \(\Omega\) pe dreapta reală.
Pentru \(X\) din Exemplul 1: \(X(\Omega)=\{0,1,2\}\) și \[ \PP(X=0)=\PP(\{TT\})=\tfrac14,\quad \PP(X=1)=\PP(\{HT,TH\})=\tfrac12,\quad \PP(X=2)=\tfrac14 . \] Pentru \(A=[0.5,\,1.7]\): \(\{X\in A\}=\{X=1\}\), deci \(\PP_X(A)=\tfrac12\).
Repartiția \(\PP_X\) este o funcție de mulțimi, greu de manipulat direct; ea este complet determinată de valorile pe semidreptele \((-\infty,x]\).
Fie \(X:\Omega\to\R\) o variabilă aleatoare. Se numește funcția de repartiție a lui \(X\) (funcția cumulativă) funcția \(F_X:\R\to[0,1]\), \[ F_X(x)=\PP(X\le x),\qquad \forall x\in\R . \] Pentru \(A=(-\infty,x]\): \(F_X(x)=\PP_X\big((-\infty,x]\big)\).
Când nu există pericol de confuzie, scriem \(F\) în loc de \(F_X\).
Continuăm Exemplul 1. Calculăm \(F(x)=\PP(X\le x)\) pe intervale:
\[ F(x)=\begin{cases}0, & x<0,\\ 1/4, & 0\le x<1,\\ 3/4, & 1\le x<2,\\ 1, & x\ge 2 .\end{cases} \]
Funcție în scară, cu salturi în \(0,1,2\); mărimea fiecărui salt este probabilitatea valorii respective.

Fie \(F\) funcția de repartiție a unei variabile aleatoare \(X\). Atunci:
Reciproc (admis fără demonstrație): orice \(F:\R\to[0,1]\) cu a), b), c) este funcția de repartiție a unei v.a.; \(F\) determină în mod unic repartiția \(\PP_X\).
Demonstrație.
Dacă \(x<y\), atunci \(\{X\le x\}\subseteq\{X\le y\}\), deci, din monotonia probabilității, \(F(x)\le F(y)\).
\(F\) fiind monotonă, este suficient să arătăm \(F(x_n)\to F(x_0)\) pentru un șir \(x_n\downarrow x_0\). Evenimentele \(A_n=\{X\le x_n\}\) formează un șir descrescător cu \(\bigcap_n A_n=\{X\le x_0\}\), deci, din continuitatea probabilității, \[ F(x_n)=\PP(A_n)\to\PP(X\le x_0)=F(x_0). \]
Dacă \(x_n\downarrow-\infty\), atunci \(\{X\le x_n\}\downarrow\emptyset\), deci \(F(x_n)\to\PP(\emptyset)=0\). Dacă \(x_n\uparrow+\infty\), atunci \(\{X\le x_n\}\uparrow\Omega\) și \(F(x_n)\to\PP(\Omega)=1\).
■
Notăm \(F(x-)=\lim_{y\to x,\,y<x}F(y)\) limita la stânga (există, \(F\) fiind monotonă).
Fie \(X\) o variabilă aleatoare cu funcția de repartiție \(F\). Pentru orice \(x<y\):
Demonstrație.
rezultă din \(\{X>x\}=\{X\le x\}^c\).
Evenimentele \(\{X\le x-\frac1n\}\) cresc către \(\{X<x\}\), deci \(F(x-\frac1n)\to\PP(X<x)\); din monotonia lui \(F\), limita coincide cu \(F(x-)\).
\(\{X\le y\}=\{X\le x\}\cup\{x<X\le y\}\), reuniune disjunctă.
\(\{X\le x\}=\{X<x\}\cup\{X=x\}\), reuniune disjunctă.
■
Pentru Exemplul 4: \(\PP(X=2)=F(2)-F(2-)=1-\frac34=\frac14\) și \(\PP(X<1)=F(1-)=\frac14\), pe când \(\PP(X\le1)=F(1)=\frac34\).
Relația g) arată că \(\PP(X=x)\) este exact mărimea saltului lui \(F\) în \(x\). În particular, \(F\) este continuă în \(x\) dacă și numai dacă \(\PP(X=x)=0\). Combinând e) și g): \[ \begin{aligned} \PP(x\le X\le y)&=F(y)-F(x-), & \PP(x<X<y)&=F(y-)-F(x),\\ \PP(x\le X<y)&=F(y-)-F(x-). && \end{aligned} \] Pentru variabilele discrete aceste probabilități pot fi diferite: atenție la inegalitățile stricte!
Fie \(X\) discretă, cu \(X(\Omega)=\{x_1,x_2,\ldots\}\). Evenimentele \(\{X=x_i\}\), \(i\ge1\), sunt disjuncte două câte două și au reuniunea \(\Omega\) — formează o partiție a lui \(\Omega\). Pentru orice \(A\subseteq\R\), \[ \{X\in A\}=\bigcup_{x\in A\cap X(\Omega)}\{X=x\}\quad\text{(reuniune disjunctă)}, \] deci, din \(\sigma\)-aditivitatea lui \(\PP\), \[ \PP(X\in A)=\sum_{x\in A\cap X(\Omega)}\PP(X=x). \] Așadar repartiția unei v.a. discrete este complet determinată de probabilitățile \(\PP(X=x)\), \(x\in X(\Omega)\).
Fie \(X:\Omega\to\R\) o variabilă aleatoare discretă. Se numește funcția de masă a lui \(X\) (engl. probability mass function, PMF) funcția \(p_X:\R\to[0,1]\), \[ p_X(x)=\PP(X=x),\qquad x\in\R . \] Evident \(p_X(x)=0\) pentru \(x\notin X(\Omega)\), iar \(\PP(X\in A)=\sum_{x\in A\cap X(\Omega)}p_X(x)\).
În literatură se folosește și \(f(x)\) sau \(p(x)\); aici \(f\) este rezervat densităților. Pentru \(A=(-\infty,x]\): \[ F_X(x)=\PP(X\le x)=\sum_{y\in X(\Omega),\ y\le x}p_X(y). \]
Funcția de masă a unei v.a. discrete \(X\) verifică:
Reciproc, dacă \(D=\{x_1,x_2,\ldots\}\subset\R\) este cel mult numărabilă și \(p_i\ge0\) cu \(\sum_i p_i=1\), atunci există o v.a. discretă \(X\) cu \(X(\Omega)=D\) (eliminând eventual punctele cu \(p_i=0\)) și \(\PP(X=x_i)=p_i\).
Demonstrație.
■
Notație. Dacă \(X\) este discretă cu \(X(\Omega)=\{x_1,x_2,\ldots\}\), scriem \[ X\sim\begin{pmatrix} x_1 & x_2 & x_3 & \cdots\\ \PP(X=x_1) & \PP(X=x_2) & \PP(X=x_3) & \cdots\end{pmatrix} \quad\text{sau}\quad X\sim\begin{pmatrix} x_1 & x_2 & x_3 & \cdots\\ p_1 & p_2 & p_3 & \cdots\end{pmatrix}. \] Pe primul rând: valorile variabilei; pe al doilea: masa de probabilitate din fiecare punct. Simbolul „\(\sim\)” se citește „este repartizată ca”.
Exemplu: numărul de capete la două aruncări, \[ X\sim\begin{pmatrix}0&1&2\\ \frac14&\frac12&\frac14\end{pmatrix}. \]
Fie \(X(\Omega)=\{x_1<x_2<\cdots<x_n\}\), \(p_i=\PP(X=x_i)\). Atunci \[ F(x)=\begin{cases} 0, & x<x_1,\\ p_1+\cdots+p_k, & x_k\le x<x_{k+1},\ k=1,\ldots,n-1,\\ 1, & x\ge x_n . \end{cases} \]
\(F\) are salturi în \(0,1,5,9\), cu \(F(0)=0.2\), \(F(1)=0.5\), \(F(5)=0.7\), \(F(9)=1\). Din Propoziția 6 g): \[ \begin{aligned} \PP(X=0)&=F(0)-F(0-)=0.2, & \PP(X=1)&=0.5-0.2=0.3,\\ \PP(X=5)&=0.7-0.5=0.2, & \PP(X=9)&=1-0.7=0.3, \end{aligned} \] deci \(X\sim\begin{pmatrix}0 & 1 & 5 & 9\\ 0.2 & 0.3 & 0.2 & 0.3\end{pmatrix}\). De exemplu, \(\PP(1<X\le 9)=F(9)-F(1)=0.5\), iar \(\PP(1\le X<9)=F(9-)-F(1-)=0.7-0.2=0.5\).

Salturile funcției de repartiție au exact înălțimile barelor funcției de masă.
# Simularea unei v.a. discrete: împărțim [0,1] în intervale de lungimi p_i
x <- c(0, 1, 5, 9); p <- c(0.2, 0.3, 0.2, 0.3)
set.seed(3)
u <- runif(1e5) # numere uniforme pe [0,1]
# x_k dacă u cade în al k-lea interval; echivalent: sample(x, 1e5, TRUE, p)
esant <- x[findInterval(u, cumsum(p)) + 1]
round(table(esant) / length(esant), 3) # frecvențe relative, apropiate de p#> esant
#> 0 1 5 9
#> 0.201 0.299 0.202 0.298
Cel mai simplu exemplu: \(X(\omega)=c\) pentru orice \(\omega\in\Omega\). Atunci \(X(\Omega)=\{c\}\), \[ p_X(x)=\begin{cases}1, & x=c,\\ 0, & x\ne c,\end{cases} \qquad F_X(x)=\begin{cases}0, & x<c,\\ 1, & x\ge c .\end{cases} \] Scriem \(X\sim\begin{pmatrix}c\\ 1\end{pmatrix}\).
Mai general, \(X\) este degenerată dacă \(\PP(X=c)=1\) pentru un anumit \(c\in\R\).
Fiecare repartiție este introdusă pornind de la un context (un experiment aleator tipic):
În R, pentru fiecare repartiție există patru funcții, cu prefixele
d — funcția de masă, p — funcția de repartiție,q — cuantile, r — generare de valori aleatoare,de exemplu dbinom, pbinom, qbinom, rbinom.
Succes/eșec: \(X(\omega)=1\) dacă \(\omega\in A\), \(X(\omega)=0\) altfel; \(\PP(X=1)=\PP(A)=p\).
\(X\) este repartizată Bernoulli de parametru \(p\in[0,1]\), \(X\sim\Bern(p)\), dacă \(X(\Omega)\subseteq\{0,1\}\) și \(\PP(X=1)=p\): \[ p_X(x)=p^x(1-p)^{1-x},\ x\in\{0,1\}, \qquad X\sim\begin{pmatrix}0 & 1\\ 1-p & p\end{pmatrix}, \] iar \(F(x)=0\) pentru \(x<0\), \(F(x)=1-p\) pentru \(0\le x<1\), \(F(x)=1\) pentru \(x\ge 1\).
Funcția indicatoare \(\Ind_A\) (\(=1\) pe \(A\), \(0\) în rest) verifică \(\Ind_A\sim\Bern(\PP(A))\); reciproc, \(X\sim\Bern(p)\) este indicatoarea lui \(\{X=1\}\). Dacă \(X\sim\Bern(p)\), atunci \(1-X\sim\Bern(1-p)\).
Efectuăm \(n\) experimente independente și identice; la fiecare ne interesează realizarea lui \(A\), \(\PP(A)=p\). Fie \(X\) = numărul de realizări ale lui \(A\); \(X(\Omega)=\{0,1,\ldots,n\}\).
Exemplul tipic: aruncăm de \(n\) ori o monedă cu \(\PP(H)=p\), \(X\) = numărul de capete.
Deci \(\PP(X=k)=\binom{n}{k}p^k(1-p)^{n-k}\), \(k\in\{0,1,\ldots,n\}\).
\(X\) este repartizată binomial de parametri \(n\in\N^*\) și \(p\in[0,1]\), \(X\sim\Bin(n,p)\), dacă \(X(\Omega)=\{0,1,\ldots,n\}\) și \[ \PP(X=k)=\binom{n}{k}p^k(1-p)^{n-k},\qquad k=0,1,\ldots,n . \]
Funcție de masă validă: termenii sunt \(\ge0\) și, din binomul lui Newton, \(\sum_{k=0}^n\binom{n}{k}p^k(1-p)^{n-k}=\big(p+(1-p)\big)^n=1\).
\(\Bin(1,p)=\Bern(p)\). Mai mult, \(X=Y_1+\cdots+Y_n\), unde \(Y_j=1\) dacă \(A\) s-a realizat la experimentul \(j\): o sumă de \(n\) variabile Bernoulli independente. Urne: \(n\) extrageri cu întoarcere dintr-o urnă cu \(M\) bile negre din \(N\) \(\Rightarrow\) numărul de bile negre este \(\Bin(n,M/N)\).
Un bit este transmis incorect cu probabilitatea \(p=0.1\); pentru fiabilitate este transmis de \(n=5\) ori (independent), iar receptorul decide prin vot majoritar. Numărul de transmisii eronate este \(X\sim\Bin(5,0.1)\); decodare corectă dacă \(X\le2\): \(\PP(X\le 2)=F(2)=\sum_{k=0}^{2}\binom5k 0.1^k\,0.9^{5-k}=0.59049+0.32805+0.0729=0.99144\), față de \(0.9\) la o singură transmisie.

Funcția de masă a lui \(\Bin(20,p)\): pentru \(p=0.5\) este simetrică față de \(n/2\); pentru \(p<0.5\) (respectiv \(p>0.5\)) masa se concentrează spre valorile mici (mari). Graficele pentru \(p\) și \(1-p\) sunt simetrice, deoarece \(n-X\sim\Bin(n,1-p)\).
Urnă cu \(N\) bile: \(M\) negre și \(N-M\) albe. Extragem \(n\) bile fără întoarcere (echivalent, simultan); \(X\) = numărul de bile negre extrase. Cele \(\binom Nn\) submulțimi de \(n\) bile sunt egal probabile, iar \(\binom Mk\binom{N-M}{n-k}\) dintre ele conțin exact \(k\) bile negre.
\(X\sim\HGeom(N,M,n)\) (total \(N\), negre \(M\le N\), extrase fără întoarcere \(n\le N\)) dacă \[ \PP(X=k)=\frac{\binom{M}{k}\binom{N-M}{n-k}}{\binom{N}{n}},\qquad k=0,1,\ldots,\min(n,M), \] cu convenția \(\binom{a}{b}=0\) pentru \(b>a\).
Valorile efectiv posibile: \(\max(0,\,n-(N-M))\le k\le\min(n,M)\).
Pentru ca suma probabilităților să fie \(1\) trebuie arătat că \[ \sum_{k=0}^{n}\binom{M}{k}\binom{N-M}{n-k}=\binom{N}{n}. \]
Ideea demonstrației. Pornim de la identitatea polinomială \((1+x)^M(1+x)^{N-M}=(1+x)^N\) și identificăm coeficientul lui \(x^n\) în ambii membri:
Interpretare combinatorie: alegem \(n\) bile din \(N\), clasificând după numărul \(k\) de bile negre.
La Loto 6/49 se extrag, fără întoarcere, \(6\) bile dintr-o urnă cu \(49\) de bile numerotate. Un jucător a ales \(6\) numere; fie \(X\) numărul de numere câștigătoare dintre cele alese. Privind numerele jucătorului ca „bile negre”, \(X\sim\HGeom(49,6,6)\): \[ \PP(X=k)=\frac{\binom6k\binom{43}{6-k}}{\binom{49}{6}},\qquad k=0,1,\ldots,6 . \] Jucătorul câștigă un premiu dacă ghicește cel puțin \(3\) numere: \[ \PP(X\ge3)=1-\PP(X=0)-\PP(X=1)-\PP(X=2)\approx 0.01864 , \] iar probabilitatea de a ghici toate cele \(6\) numere este \(1/\binom{49}{6}=1/13\,983\,816\approx 7.15\cdot10^{-8}\).
#> [1] 0.435965 0.413019 0.132378 0.017650 0.000969 0.000018 0.000000
#> [1] 0.01864
Parametrii funcțiilor R dhyper, phyper, rhyper sunt numărul de bile negre, numărul de bile albe (nu numărul total!) și numărul de extrageri. Pentru \(X\sim\HGeom(N,M,n)\) se scrie dhyper(k, M, N - M, n).
Controlul calității. Un lot are \(N=100\) de piese, dintre care \(M=5\) defecte; se extrag fără întoarcere \(n=10\) piese și lotul este acceptat dacă nu apare nicio piesă defectă. Cu \(X\sim\HGeom(100,5,10)\): \[ \PP(\text{lot acceptat})=\PP(X=0)=\frac{\binom50\binom{95}{10}}{\binom{100}{10}}\approx 0.5838 \qquad(\text{cu întoarcere: } 0.95^{10}\approx0.5987). \] Captură-recaptură. Pentru a estima numărul necunoscut \(N\) de pești dintr-un lac se capturează, se marchează și se eliberează \(M\) pești; apoi se capturează \(n\) pești, dintre care \(X\sim\HGeom(N,M,n)\) sunt marcați. Cum \(X/n\approx M/N\), estimăm \[ \hat N=\frac{Mn}{X};\qquad M=100,\ n=80,\ X=16\ \Rightarrow\ \hat N=500 . \]

Dacă \(N\) este mare față de \(n\), extragerea unei bile modifică foarte puțin compoziția urnei: dacă \(N\to\infty\) și \(M/N\to p\), atunci \(\HGeom(N,M,n)\) se apropie de \(\Bin(n,p)\).
Fie \(D=\{x_1,x_2,\ldots,x_n\}\subset\R\) o mulțime finită. \(X:\Omega\to D\) este repartizată uniform pe \(D\), \(X\sim\Unif(D)\), dacă \[ \PP(X=x)=\frac{1}{|D|}=\frac1n,\qquad x\in D . \]
Dacă \(A\subseteq D\), atunci \[ \PP(X\in A)=\sum_{x\in A}\PP(X=x)=\sum_{x\in A}\frac{1}{|D|}=\frac{|A|}{|D|}, \] adică regăsim definiția clasică a probabilității („cazuri favorabile / cazuri posibile”).
sample(D, size, replace = TRUE).O urnă conține bile numerotate de la \(1\) la \(100\). Extragem \(5\) bile, una după alta.
Considerăm două situații: I. extrageri cu întoarcere; II. extrageri fără întoarcere.
Există \(31\) de bile cu valori \(\ge70\) (\(70,71,\ldots,100\)), deci numărul \(X\) de astfel de bile extrase este \(X\sim\Bin\big(5,\frac{31}{100}\big)\).
Fie \(X_i\) valoarea de la a \(i\)-a extragere. Urna are aceeași compoziție la fiecare extragere, deci \(\PP(X_i=k)=\frac{1}{100}\), \(k\in\{1,\ldots,100\}\): \(X_i\sim\Unif(\{1,\ldots,100\})\).
Fie \(A_i=\{X_i=100\}\). Trecând la complementară și folosind independența extragerilor, \[ \PP\Big(\bigcup_{i=1}^5 A_i\Big)=1-\PP\Big(\bigcap_{i=1}^5 A_i^c\Big)=1-\prod_{i=1}^5\PP(X_i\ne100)=1-\left(\frac{99}{100}\right)^5\approx 0.04901 . \]
Numărul \(Y\) de bile cu valoare \(\ge 70\) este \(Y\sim\HGeom(100,31,5)\).
Fie \(Y_i\) valoarea de la a \(i\)-a extragere; \(Y_1\sim\Unif(\{1,\ldots,100\})\). Pentru \(Y_2\) aplicăm formula probabilității totale cu \(A_i=\{Y_1=i\}\), \(\PP(A_i)=\frac1{100}\): \(\PP(Y_2=j\mid Y_1=i)=0\) dacă \(i=j\) și \(\frac1{99}\) dacă \(i\ne j\), deci, pentru orice \(j\in\{1,\ldots,100\}\), \[ \PP(Y_2=j)=\sum_{i=1}^{100}\PP(Y_2=j\mid Y_1=i)\,\PP(Y_1=i)=99\cdot\frac1{99}\cdot\frac1{100}=\frac{1}{100}. \] Deci \(Y_2\sim\Unif(\{1,\ldots,100\})\); analog \(Y_i\sim\Unif(\{1,\ldots,100\})\) pentru orice \(i\): fiecare extragere, privită separat, este uniformă, deși extragerile nu mai sunt independente.
Acum evenimentele \(\{Y_i=100\}\), \(i=1,\ldots,5\), sunt disjuncte două câte două (bila \(100\) poate fi extrasă cel mult o dată), deci \[ \PP\Big(\bigcup_{i=1}^5\{Y_i=100\}\Big)=\sum_{i=1}^5\PP(Y_i=100)=\frac{5}{100}=0.05 . \]
Comparație: cu întoarcere \(1-0.99^5\approx0.04901\), fără întoarcere \(0.05\).
Aruncăm repetat o monedă cu \(p=\PP(\{H\})\in(0,1)\); \(X\) = numărul de aruncări până la primul succes, inclusiv; \(X\in\N^*\). \(\{X=k\}=\{\underbrace{TT\cdots T}_{k-1}H\}\), deci, din independență, \(\PP(X=k)=(1-p)^{k-1}p\).
\(X\) este repartizată geometric de parametru \(p\in(0,1]\), \(X\sim\Geom(p)\), dacă \(X(\Omega)=\N^*\) și \[ \PP(X=k)=(1-p)^{k-1}p,\qquad k=1,2,\ldots \]
Validitate, cu \(q=1-p\) și seria geometrică (\(|q|<1\)): \(\sum_{k=1}^\infty(1-p)^{k-1}p=p\sum_{i=0}^\infty q^i=p\cdot\frac{1}{1-q}=1\). Coada: \(\{X>n\}\) = primele \(n\) încercări sunt eșecuri, deci \[ \PP(X>n)=(1-p)^n,\qquad F(n)=\PP(X\le n)=1-(1-p)^n,\qquad n\in\N . \]
În unele cărți (și în R) se numără eșecurile dinaintea primului succes: \(Y=X-1\in\N\), \(\PP(Y=k)=(1-p)^k p\), \(k\ge0\). Pentru \(X\sim\Geom(p)\) din curs, \(\PP(X=k)=\) dgeom(k - 1, p).

Funcția de masă este descrescătoare (o progresie geometrică de rație \(1-p\)). Dacă după \(n\) încercări nu s-a obținut niciun succes, numărul de încercări suplimentare are aceeași repartiție ca la început: moneda „nu își amintește” eșecurile anterioare.
Dacă \(X\sim\Geom(p)\), atunci pentru orice \(n\in\N\) și \(k\in\N^*\), \[ \PP(X=n+k\mid X>n)=\PP(X=k)\qquad\text{și}\qquad \PP(X>n+k\mid X>n)=\PP(X>k). \]
Demonstrație. Deoarece \(\{X=n+k\}\subseteq\{X>n\}\) și \(\PP(X>n)=(1-p)^n\), \[ \PP(X=n+k\mid X>n)=\frac{\PP(X=n+k,\,X>n)}{\PP(X>n)}=\frac{(1-p)^{n+k-1}p}{(1-p)^n}=(1-p)^{k-1}p=\PP(X=k). \] Analog, \(\PP(X>n+k\mid X>n)=\frac{(1-p)^{n+k}}{(1-p)^n}=(1-p)^k=\PP(X>k)\).■
Reciproc, repartiția geometrică este singura repartiție pe \(\N^*\) cu proprietatea lipsei de memorie. Într-adevăr, dacă \(G(k)=\PP(X>k)\) verifică \[ G(n+k)=G(n)\,G(k)\qquad\text{pentru orice } n,k\in\N, \] atunci prin inducție \(G(k)=G(1)^k\), adică \(\PP(X>k)=(1-p)^k\) cu \(1-p=G(1)\), deci \(X\sim\Geom(p)\).
Eroarea jucătorului: ideea că, după o serie lungă de eșecuri, un succes devine „mai probabil” este falsă pentru încercări independente. După \(10\) aruncări fără \(6\), probabilitatea ca \(6\) să apară la aruncarea următoare este tot \(1/6\).
Repetăm independent un experiment până la \(r\ge1\) succese; \(X\) = numărul total de încercări, \(X\in\{r,r+1,\ldots\}\). \(\{X=k\}\): a \(k\)-a încercare este succes și printre primele \(k-1\) sunt exact \(r-1\) succese — \(\binom{k-1}{r-1}\) secvențe, fiecare de probabilitate \((1-p)^{k-r}p^r\).
\(X\) este repartizată negativ binomial de parametri \(r\in\N^*\) și \(p\in(0,1]\), \(X\sim\NBin(r,p)\), dacă \[ \PP(X=k)=\binom{k-1}{r-1}(1-p)^{k-r}p^r,\qquad k=r,r+1,\ldots \]
\(\NBin(1,p)=\Geom(p)\) și \(X=X_1+\cdots+X_r\), cu \(X_i\sim\Geom(p)\) independente (\(X_i\) = numărul de încercări de după al \((i-1)\)-lea succes până la al \(i\)-lea). În R: \(\PP(X=k)=\) dnbinom(k - r, r, p).
Un baschetbalist înscrie o aruncare liberă cu probabilitatea \(0.7\), independent de la o aruncare la alta. Probabilitatea ca al treilea coș să fie înscris exact la a cincea aruncare este, cu \(X\sim\NBin(3,0.7)\), \[ \PP(X=5)=\binom{4}{2}(0.3)^2(0.7)^3=6\cdot0.09\cdot0.343=0.18522 . \]
\(X\) este repartizată Poisson de parametru \(\lambda>0\), \(X\sim\Pois(\lambda)\), dacă \(X(\Omega)=\N=\{0,1,2,\ldots\}\) și \[ \PP(X=k)=e^{-\lambda}\frac{\lambda^k}{k!},\qquad k\in\N . \]
Validitate: termenii sunt \(>0\) și, din seria Taylor a exponențialei, \(\sum_{k=0}^\infty e^{-\lambda}\frac{\lambda^k}{k!}=e^{-\lambda}e^{\lambda}=1\).

Repartiția Poisson modelează numărul de apariții ale unui eveniment rar: repetăm un experiment de un număr mare de ori, iar șansa de apariție a evenimentului la fiecare repetare este mică. Exemple tipice:
S. D. Poisson a obținut repartiția în 1837 ca limită a binomialei. L. von Bortkiewicz (1898): numărul anual de soldați uciși de lovituri de cal în cavaleria prusacă urmează o repartiție Poisson („legea numerelor mici”).
Fie \(\lambda>0\) și \(X_n\sim\Bin(n,p_n)\), unde \(np_n\to\lambda\) când \(n\to\infty\) (\(n\) mare, \(p_n\) mic). Atunci, pentru orice \(k\in\N\) fixat, \[ \lim_{n\to\infty}\PP(X_n=k)=e^{-\lambda}\frac{\lambda^k}{k!} . \]
În practică: dacă \(X\sim\Bin(n,p)\) cu \(n\) mare și \(p\) mic, atunci \[ \PP(X=k)\approx e^{-\lambda}\frac{\lambda^k}{k!},\qquad \lambda=np . \] Aproximarea este cu atât mai bună cu cât \(n\) este mai mare și \(p\) mai mic.
Demonstrație. Considerăm \(p_n=\lambda/n\) (cazul general este analog). Atunci \[ \PP(X_n=k)=\binom{n}{k}\left(\frac{\lambda}{n}\right)^k\left(1-\frac\lambda n\right)^{n-k} =\frac{\lambda^k}{k!}\cdot\frac{n!}{(n-k)!\,n^k}\cdot\left(1-\frac\lambda n\right)^{n}\cdot\left(1-\frac\lambda n\right)^{-k}. \] Analizăm pe rând cei trei factori care depind de \(n\). Pentru \(k\) fixat, \[ \frac{n!}{(n-k)!\,n^k}=\frac{(n-k+1)\cdots(n-1)n}{n^k}=\frac{n-k+1}{n}\cdot\frac{n-k+2}{n}\cdots\frac{n}{n}\xrightarrow[n\to\infty]{}1, \] fiind un produs de \(k\) factori care tind la \(1\).
(continuare pe slide-ul următor)■
Demonstrație. Deoarece \(\lambda/n\to0\), avem o nedeterminare de tipul \(1^\infty\): \[ \lim_{n\to\infty}\left(1-\frac\lambda n\right)^n=\lim_{n\to\infty}\left[\left(1-\frac\lambda n\right)^{-\frac n\lambda}\right]^{-\lambda}=e^{-\lambda}, \qquad \lim_{n\to\infty}\left(1-\frac\lambda n\right)^{-k}=1 . \] Înmulțind limitele celor trei factori obținem \[ \PP(X_n=k)\xrightarrow[n\to\infty]{}\frac{\lambda^k}{k!}\cdot1\cdot e^{-\lambda}\cdot1=e^{-\lambda}\frac{\lambda^k}{k!}. \]■
Un produs nou este prezentat la \(n=10^6\) potențiali clienți, fiecare cumpărându-l, independent, cu probabilitatea \(p=10^{-5}\). Care este probabilitatea să aibă cel puțin \(5\) cumpărători? Numărul de cumpărători este \(X\sim\Bin(10^6,10^{-5})\); aproximarea Poisson cu \(\lambda=np=10\) dă \[ \PP(X\ge5)=1-\sum_{k=0}^4\PP(X=k)\approx1-e^{-10}\left(1+10+\frac{10^2}{2!}+\frac{10^3}{3!}+\frac{10^4}{4!}\right)\approx 0.97075 . \]

\(\Bin(n,3/n)\) comparată cu \(\Pois(3)\): pentru \(n=10\) diferențele sunt vizibile, pentru \(n=100\) repartițiile aproape coincid.
Fie \(X:\Omega\to\R\) o v.a. discretă și \(g:\R\to\R\). Atunci \(Y=g(X)=g\circ X\) este o v.a. discretă, cu \(Y(\Omega)=g(X(\Omega))\) și \[ \PP(Y=y)=\PP(g(X)=y)=\sum_{x\in X(\Omega):\ g(x)=y}\PP(X=x),\qquad y\in Y(\Omega). \]
Demonstrație. \(g(X(\Omega))\) este cel mult numărabilă. \(\{Y=y\}=\bigcup_{x\in X(\Omega),\,g(x)=y}\{X=x\}\) este o reuniune cel mult numărabilă de evenimente disjuncte, deci eveniment, cu probabilitatea dată de sumă. Măsurabilitatea: \(\{Y\le y\}=\bigcup_{x\in X(\Omega),\,g(x)\le y}\{X=x\}\in\F\).■
O particulă pornește din origine și face \(n\) pași pe dreapta reală: la fiecare pas, independent, merge o unitate la dreapta cu probabilitatea \(p\) sau la stânga cu probabilitatea \(1-p\). Fie \(Y\) poziția după \(n\) pași. Vrem \(\PP(Y=k)\).
Fie \(X\sim\Bin(n,p)\) numărul de pași spre dreapta. Dacă \(X=i\), particula a făcut \(n-i\) pași spre stânga, deci este în \(i-(n-i)=2i-n\): \(Y=2X-n=g(X)\), cu \(g(x)=2x-n\) injectivă. Pentru \(k\in\{-n,-n+2,\ldots,n-2,n\}\) (\(|k|\le n\), \(n+k\) par): \[ \PP(Y=k)=\PP\left(X=\frac{n+k}{2}\right)=\binom{n}{\frac{n+k}{2}}p^{\frac{n+k}{2}}(1-p)^{\frac{n-k}{2}}, \] iar \(\PP(Y=k)=0\) în rest (după un număr par de pași particula este într-o poziție pară).
Fie \(p=\frac12\), \(n\) par și \(Z=|Y|\in\{0,2,4,\ldots,n\}\) distanța față de origine.

Stânga: șase traiectorii ale mersului simetric (\(p=1/2\), \(n=200\)). Dreapta: funcția de masă a lui \(Y\) după \(n=20\) pași (doar pozițiile pare au probabilitate nenulă).
Dacă \(X_1,\ldots,X_n\) sunt v.a. (discrete) și \(g:\R^n\to\R\), atunci \(Y=g(X_1,\ldots,X_n)\) este o v.a. (discretă). De exemplu: \(X_1+X_2+X_3\), \(X_1X_2X_3\), \(\max(X_1,X_2,X_3)\).
Aruncăm două zaruri; \(X\), \(Y\) = punctele de pe primul, respectiv al doilea zar, \(Z=\max(X,Y)\in\{1,\ldots,6\}\).
Variabilele aleatoare discrete \(X\) și \(Y\) (pe același câmp de probabilitate) sunt independente, \(X\indep Y\), dacă evenimentele \(\{X=x\}\) și \(\{Y=y\}\) sunt independente pentru orice \(x,y\): \(\PP(X=x,\,Y=y)=\PP(X=x)\,\PP(Y=y)\) pentru orice \(x,y\in\R\), unde \(\PP(X=x,\,Y=y)=\PP(\{X=x\}\cap\{Y=y\})\).
Pentru \(X\), \(Y\) discrete, următoarele afirmații sunt echivalente:
Demonstrație. Implicațiile \(3\Rightarrow2\) (cu \(A=(-\infty,x]\), \(B=(-\infty,y]\)) și \(3\Rightarrow1\) (cu \(A=\{x\}\), \(B=\{y\}\)) sunt imediate; \(2\Rightarrow1\) se obține exprimând \(\PP(X=x,Y=y)\) cu funcția \((x,y)\mapsto\PP(X\le x,Y\le y)\) și limitele ei laterale (o admitem).
\(1\Rightarrow3\): \(\{X\in A,Y\in B\}\) este reuniunea disjunctă a evenimentelor \(\{X=x,Y=y\}\) cu \(x\in A\cap X(\Omega)\), \(y\in B\cap Y(\Omega)\), deci \[ \begin{aligned} \PP(X\in A,Y\in B)&=\sum_{x\in A\cap X(\Omega)}\ \sum_{y\in B\cap Y(\Omega)}\PP(X=x)\PP(Y=y)\\ &=\Big(\sum_{x\in A\cap X(\Omega)}\PP(X=x)\Big)\Big(\sum_{y\in B\cap Y(\Omega)}\PP(Y=y)\Big)=\PP(X\in A)\PP(Y\in B). \end{aligned} \]■
Dacă \(X\indep Y\) și \(g,h:\R\to\R\), atunci \(g(X)\indep h(Y)\).
Demonstrație. Pentru orice \(u,v\), din Propoziția 20, \[ \begin{aligned} \PP(g(X)=u,h(Y)=v)&=\PP\big(X\in g^{-1}(\{u\}),\,Y\in h^{-1}(\{v\})\big)\\ &=\PP\big(X\in g^{-1}(\{u\})\big)\,\PP\big(Y\in h^{-1}(\{v\})\big)=\PP(g(X)=u)\,\PP(h(Y)=v). \end{aligned} \]■
De exemplu, dacă \(X\indep Y\), atunci \(3X^2+7X-1\indep e^{Y-\cos Y}+Y^2\).
Variabilele aleatoare discrete \(X_1,\ldots,X_n\) sunt independente dacă \[ \PP(X_1=x_1,\ldots,X_n=x_n)=\prod_{i=1}^n\PP(X_i=x_i),\qquad\forall x_1,\ldots,x_n\in\R . \] Un șir \((X_n)_{n\ge1}\) are variabile independente dacă orice subfamilie finită are.
Spre deosebire de evenimente, ajunge o singură relație pentru fiecare \(x_1,\ldots,x_n\) (cele pentru subfamilii se obțin sumând după variabilele lipsă). Echivalent: \(\PP(X_1\le x_1,\ldots,X_n\le x_n)=\prod_i\PP(X_i\le x_i)\). Funcții de grupuri disjuncte de variabile independente sunt independente; de exemplu, \(X_1+X_3\indep X_2\) și \(X_1\cos X_2\indep\tan X_3\).
Demonstrație. a), b) rezultă din interpretările repartițiilor. c) Formula probabilității totale cu \(\{X=i\}\), \(i=0,\ldots,n\), și independența (\(q=1-p\)): \[ \begin{aligned} \PP(X+Y=j)&=\sum_{i=0}^n\PP(X+Y=j\mid X=i)\PP(X=i)=\sum_{i=0}^n\PP(Y=j-i)\PP(X=i)\\ &=\sum_{i=0}^n\binom{m}{j-i}p^{j-i}q^{m-j+i}\binom{n}{i}p^iq^{n-i}\\ &=p^jq^{n+m-j}\sum_{i=0}^n\binom{n}{i}\binom{m}{j-i}=\binom{n+m}{j}p^jq^{n+m-j}, \end{aligned} \] din identitatea lui Vandermonde (coeficientul lui \(x^j\) în \((1+x)^n(1+x)^m=(1+x)^{n+m}\)).■
Demonstrație.
■
Repetăm un experiment de \(N\) ori și notăm valorile \(x_1,\ldots,x_N\) ale unei v.a. \(X\). Media aritmetică este \(m=\frac{1}{N}\sum_{i=1}^N x_i\). Pentru \(N=8\) și valorile \(1,1,1,2,3,3,4,5\): \[ m=\frac{1+1+1+2+3+3+4+5}{8}=\frac{3\cdot1+1\cdot2+2\cdot3+1\cdot4+1\cdot5}{8}=2.5 , \] grupând termenii după valorile distincte: fiecare valoare \(x\) apare de \(N(x)\) ori.
Interpretarea frecvențială: pentru \(N\) mare, \(\frac{N(x)}{N}\approx p_X(x)\), adică \(N(x)\approx p_X(x)\,N\). Atunci \[ m=\frac1N\sum_x x\,N(x)\approx\frac1N\sum_x x\,p_X(x)\,N=\sum_x x\,p_X(x), \] o sumă ponderată a valorilor lui \(X\), cu ponderile egale cu probabilitățile.
Fie \(X\) o v.a. discretă cu funcția de masă \(p_X\). Se numește media (speranța matematică, valoarea așteptată) lui \(X\) numărul \[ \E[X]=\sum_{x\in X(\Omega)}x\,p_X(x)=\sum_{x}x\,\PP(X=x), \] ori de câte ori seria \(\sum_x|x|\,p_X(x)\) este convergentă. Dacă \(\sum_x|x|\,p_X(x)=\infty\), media lui \(X\) nu este definită.
Convergența absolută garantează că suma nu depinde de ordinea valorilor. Dacă \(X(\Omega)\) este finită, media există întotdeauna: pentru \(X\sim\begin{pmatrix}x_1&\cdots&x_n\\p_1&\cdots&p_n\end{pmatrix}\), \(\E[X]=x_1p_1+\cdots+x_np_n\).
Masele \(m_1\), \(m_2\) în punctele \(x_1\), \(x_2\) ale unei bare fără greutate: bara este în echilibru în punctul \(\bar x\) cu \(\bar x\,(m_1+m_2)=m_1x_1+m_2x_2\), adică \[ \bar x=\frac{m_1}{M}x_1+\frac{m_2}{M}x_2,\qquad M=m_1+m_2 . \] Cu \(p=m_1/M\), \(\bar x=px_1+(1-p)x_2\) este media lui \(X\sim\begin{pmatrix}x_1&x_2\\p&1-p\end{pmatrix}\).
În general, media este centrul de greutate al maselor \(p_X(x)\) plasate în punctele \(x\in X(\Omega)\).
Un cazinou propune jocul: se aruncă o monedă echilibrată până la primul cap; dacă acesta apare la aruncarea \(K\), jucătorul primește \(2^K\) lei. Câștigul este \(X=2^K\), \(K\sim\Geom(1/2)\), deci \(\PP(X=2^k)=2^{-k}\), \(k\ge1\), și \[ \sum_{k=1}^\infty 2^k\cdot 2^{-k}=\sum_{k=1}^\infty 1=\infty: \] câștigul nu are medie finită. Totuși, puțini ar plăti o sumă mare pentru a juca: probabilitatea de a câștiga mai mult de \(2^{10}=1024\) lei este \(\PP(K>10)=2^{-10}<0.001\).
Paradoxul (discutat de Daniel Bernoulli în 1738) a condus la noțiunea de utilitate.
Dacă \(X\) este o v.a. discretă și \(g:\R\to\R\), atunci \(Y=g(X)\) este o v.a. discretă de medie \[ \E[g(X)]=\sum_{x}g(x)\,\PP(X=x), \] cu condiția ca seria \(\sum_x|g(x)|\,\PP(X=x)\) să fie convergentă.
Formula (numită în engleză „LOTUS”, law of the unconscious statistician) permite calculul lui \(\E[g(X)]\) fără a determina repartiția lui \(g(X)\). Ea se extinde la funcții de mai multe variabile: dacă \(X,Y\) sunt discrete și \(g:\R^2\to\R\), \[ \E[g(X,Y)]=\sum_{x,y}g(x,y)\,\PP(X=x,Y=y). \]
Demonstrație. Din Propoziția 18, \(\PP(Y=y)=\sum_{x:\,g(x)=y}\PP(X=x)\). Grupând termenii seriei (absolut convergente) după valorile lui \(g\), \[ \begin{aligned} \E[Y]&=\sum_y y\,\PP(Y=y)=\sum_y y\sum_{x:\,g(x)=y}\PP(X=x)\\ &=\sum_y\sum_{x:\,g(x)=y}g(x)\PP(X=x)=\sum_x g(x)\PP(X=x). \end{aligned} \] Pe ultimul rând am folosit că, pentru \(x\) cu \(g(x)=y\), \(y=g(x)\), iar mulțimile \(\{x: g(x)=y\}\), \(y\in Y(\Omega)\), formează o partiție a lui \(X(\Omega)\).■
\(X\sim\begin{pmatrix}-2&-1&1&3\\1/4&1/8&1/2&1/8\end{pmatrix}\) și \(Y=X^2\).
Metoda 1 (repartiția lui \(Y\)). \(\PP(Y=1)=\PP(X=-1)+\PP(X=1)=\frac58\), \(\PP(Y=4)=\frac14\), \(\PP(Y=9)=\frac18\): \[ Y\sim\begin{pmatrix}1&4&9\\5/8&1/4&1/8\end{pmatrix},\qquad \E[Y]=1\cdot\frac58+4\cdot\frac14+9\cdot\frac18=\frac{22}{8}=2.75 . \] Metoda 2 (formula de transport), cu \(g(x)=x^2\): \[ \E[X^2]=4\cdot\frac14+1\cdot\frac18+1\cdot\frac12+9\cdot\frac18=\frac{22}{8}. \]
Fie \(X\) și \(Y\) variabile aleatoare discrete cu medii finite. Atunci:
În general \(\E[g(X)]\ne g(\E[X])\): în exemplul anterior \(\E[X^2]=2.75\), dar \((\E[X])^2=\frac1{16}\). Egalitatea are loc pentru funcții afine \(g(x)=ax+b\) (din d).
Demonstrație.
\(X\sim\begin{pmatrix}c\\1\end{pmatrix}\), deci \(\E[X]=c\). b) Toți termenii sumei \(\sum_x x\,\PP(X=x)\) sunt \(\ge0\).
Presupunem \(\Omega\) cel mult numărabil, \(\F=\mathcal{P}(\Omega)\) (cazul general: formula de transport cu \(g(x,y)=ax+by\)). Mulțimile \(\{X=x\}\) formează o partiție a lui \(\Omega\), deci \[ \E[X]=\sum_x x\,\PP(X=x)=\sum_x\sum_{\omega:\,X(\omega)=x}X(\omega)\PP(\{\omega\})=\sum_{\omega\in\Omega}X(\omega)\,\PP(\{\omega\}). \] Aplicând formula variabilei \(aX+bY\): \[ \E[aX+bY]=\sum_\omega\big(aX(\omega)+bY(\omega)\big)\PP(\{\omega\})=a\E[X]+b\E[Y]. \]
■
Demonstrație.
Din \(X-Y\ge0\) și b), d): \(\E[X]-\E[Y]=\E[X-Y]\ge0\).
\(\Ind_A\sim\begin{pmatrix}0&1\\1-\PP(A)&\PP(A)\end{pmatrix}\), deci \(\E[\Ind_A]=0\cdot(1-\PP(A))+1\cdot\PP(A)=\PP(A)\).
Din formula de transport cu \(g(x,y)=xy\) și din independență, \[ \begin{aligned} \E[XY]&=\sum_{x,y}xy\,\PP(X=x,Y=y)=\sum_x\sum_y xy\,\PP(X=x)\PP(Y=y)\\ &=\Big(\sum_x x\PP(X=x)\Big)\Big(\sum_y y\PP(Y=y)\Big)=\E[X]\E[Y]. \end{aligned} \]
■
Liniaritatea + \(\E[\Ind_A]=\PP(A)\): dacă \(X\) numără câte evenimente dintre \(A_1,\ldots,A_n\) se realizează, atunci \(X=\Ind_{A_1}+\cdots+\Ind_{A_n}\) și \(\E[X]=\sum_{i=1}^n\PP(A_i)\), chiar dacă evenimentele \(A_i\) nu sunt independente. Utilă mai ales când repartiția lui \(X\) este greu de calculat.
O secretară distrată pune la întâmplare \(n\) scrisori în \(n\) plicuri adresate. \(X\) = numărul de scrisori ajunse în plicul corect (repartiția: formula lui Poincaré, complicată). Fie \(A_i\) = scrisoarea \(i\) în plicul corect; \(\PP(A_i)=\frac{(n-1)!}{n!}=\frac1n\). Deci \[ \E[X]=\sum_{i=1}^n\PP(A_i)=n\cdot\frac1n=1,\qquad\text{indiferent de } n . \]
#> [1] 1.004
#> potriviri
#> 0 1 2 3 4 5 6 7 8
#> 0.3652 0.3698 0.1840 0.0620 0.0155 0.0029 0.0006 0.0000 0.0000
Repartiția empirică este apropiată de \(\Pois(1)\): \(e^{-1}\approx0.3679\), \(e^{-1}\approx0.3679\), \(e^{-1}/2\approx0.1839\), …
Media descrie „centrul” repartiției, dar nu spune nimic despre cât de împrăștiate sunt valorile în jurul acestui centru.
Fie \(X\) o variabilă aleatoare discretă și \(k\in\N^*\). Numim:
ori de câte ori mediile respective există.
Momentul de ordin \(1\) este media; momentul centrat de ordin \(1\) este nul: \(\E[X-\E[X]]=\E[X]-\E[X]=0\).
Momentul centrat de ordin doi se numește varianța (dispersia) lui \(X\): \[ \Var(X)=\E\big[(X-\E[X])^2\big]=\sum_x(x-\E[X])^2\,\PP(X=x). \] Se notează adesea \(\sigma^2=\Var(X)\). Numărul \(\sigma=\mathrm{SD}(X)=\sqrt{\Var(X)}\) se numește abaterea standard (engl. standard deviation).
Varianța măsoară gradul de împrăștiere a valorilor în jurul mediei: media pătratului distanței dintre \(X\) și \(\E[X]\). Dacă \(X\) se măsoară în metri, \(\Var(X)\) se măsoară în m\(^2\), iar \(\mathrm{SD}(X)\) în metri — de aceea abaterea standard este mai ușor de interpretat.
\[ \begin{aligned} X_1&\sim\begin{pmatrix}1&2&3&4&5\\ \frac15&\frac15&\frac15&\frac15&\frac15\end{pmatrix}, & X_2&\sim\begin{pmatrix}1&2&3&4&5\\ \frac1{10}&\frac2{10}&\frac4{10}&\frac2{10}&\frac1{10}\end{pmatrix},\\ X_3&\sim\begin{pmatrix}1&2&3&4&5\\ \frac12&0&0&0&\frac12\end{pmatrix}, & X_4&\sim\begin{pmatrix}1&2&3&4&5\\ 0&0&1&0&0\end{pmatrix}. \end{aligned} \] Toate au media \(3\): \(\E[X_1]=\frac15(1+\cdots+5)=3\), \(\E[X_2]=\frac{1+4+12+8+5}{10}=3\), \(\E[X_3]=\frac12+\frac52=3\), \(\E[X_4]=3\). Varianțele diferă: \[ \begin{aligned} \Var(X_1)&=\tfrac15\big(4+1+0+1+4\big)=2, & \Var(X_3)&=4\cdot\tfrac12+4\cdot\tfrac12=4,\\ \Var(X_2)&=4\cdot\tfrac1{10}+1\cdot\tfrac2{10}+0+1\cdot\tfrac2{10}+4\cdot\tfrac1{10}=1.2, & \Var(X_4)&=0 . \end{aligned} \]

Media \(3\) este marcată cu roșu. Cu cât masa este plasată mai departe de medie, cu atât varianța este mai mare.
Fie \(X\) o variabilă aleatoare discretă cu \(\E[X^2]<\infty\) și \(a,b\in\R\). Atunci:
Formula f) este cea mai comodă pentru calcul. Din b): \(\E[X^2]\ge(\E[X])^2\). \(\Var(X)=0\) dacă și numai dacă \(X\) este degenerată, \(\PP(X=\E[X])=1\) (termenii sumei \(\sum_x(x-\E[X])^2\PP(X=x)\) se anulează).
Demonstrație.
Dacă \(X=c\), atunci \(\E[X]=c\) și \((X-\E[X])^2=0\). b) \((X-\E[X])^2\ge0\), deci media sa este \(\ge0\).
\(\E[X+a]=\E[X]+a\), deci \(\Var(X+a)=\E\big[(X+a-\E[X]-a)^2\big]=\E\big[(X-\E[X])^2\big]=\Var(X)\).
\(\E[aX]=a\E[X]\), deci \(\Var(aX)=\E\big[(aX-a\E[X])^2\big]=\E\big[a^2(X-\E[X])^2\big]=a^2\Var(X)\). e) rezultă din c) și d).
Dezvoltând pătratul și folosind liniaritatea mediei: \[ \Var(X)=\E\big[X^2-2X\E[X]+(\E[X])^2\big]=\E[X^2]-2\E[X]\E[X]+(\E[X])^2=\E[X^2]-(\E[X])^2. \]
■
Fie \(X\) și \(Y\) v.a. discrete cu momente de ordin doi finite. Atunci \[ \Var(X+Y)=\Var(X)+\Var(Y)+2\,\E\big[(X-\E[X])(Y-\E[Y])\big]. \] Dacă \(X\) și \(Y\) sunt independente, atunci \(\Var(X+Y)=\Var(X)+\Var(Y)\).
Demonstrație. Cu \(a=X-\E[X]\), \(b=Y-\E[Y]\): \(X+Y-\E[X+Y]=a+b\), \((a+b)^2=a^2+2ab+b^2\), deci \(\Var(X+Y)=\E[(a+b)^2]=\E[a^2]+2\E[ab]+\E[b^2]=\Var(X)+\Var(Y)+2\E[ab]\). Dacă \(X\indep Y\), atunci \(X-\E[X]\indep Y-\E[Y]\) (Propoziția 21), deci, din Teorema 26 f), \(\E[ab]=\E[a]\,\E[b]=0\cdot0=0\).■
Cantitatea \(\E\big[(X-\E[X])(Y-\E[Y])\big]=\E[XY]-\E[X]\E[Y]\) se numește covarianța lui \(X\) și \(Y\), \(\Cov(X,Y)\) (studiată în Cursul 6). Prin inducție, \[ \Var\Big(\sum_{i=1}^n X_i\Big)=\sum_{i=1}^n\Var(X_i)+2\sum_{1\le i<j\le n}\E\big[(X_i-\E[X_i])(X_j-\E[X_j])\big], \] iar pentru variabile independente \(\Var(X_1+\cdots+X_n)=\Var(X_1)+\cdots+\Var(X_n)\).
Pentru \(X\indep Y\): \(\Var(X-Y)=\Var(X)+\Var(-Y)=\Var(X)+\Var(Y)\) — varianțele se adună și în cazul diferenței!
Bernoulli. Dacă \(X\sim\Bern(p)\): \(\E[X]=0\cdot(1-p)+1\cdot p=p\), \(\E[X^2]=p\), deci \[ \E[X]=p,\qquad \Var(X)=p-p^2=p(1-p). \] Varianța este maximă (\(=\frac14\)) pentru \(p=\frac12\) și nulă pentru \(p\in\{0,1\}\).
Binomială, calcul direct. Pentru \(X\sim\Bin(n,p)\), cu \(k\binom nk=n\binom{n-1}{k-1}\): \[ \begin{aligned} \E[X]&=\sum_{k=0}^n k\binom nk p^k(1-p)^{n-k}=np\sum_{k=1}^n\binom{n-1}{k-1}p^{k-1}(1-p)^{(n-1)-(k-1)}\\ &=np\sum_{l=0}^{n-1}\binom{n-1}{l}p^l(1-p)^{n-1-l}=np\,(p+1-p)^{n-1}=np . \end{aligned} \]
Reamintim: \(X=X_1+\cdots+X_n\), cu \(X_i\sim\Bern(p)\) independente. Din liniaritatea mediei și Teorema 30: \[ \begin{aligned} \E[X]&=\E[X_1]+\cdots+\E[X_n]=n\E[X_1]=np,\\ \Var(X)&=\Var(X_1)+\cdots+\Var(X_n)=n\Var(X_1)=np(1-p). \end{aligned} \]
\[ X\sim\Bin(n,p)\quad\Longrightarrow\quad\E[X]=np,\qquad \Var(X)=np(1-p). \]
\(X\sim\HGeom(N,M,n)\). Fie \(X_j=1\) dacă bila de la extragerea \(j\) este neagră, \(0\) altfel: \(X=X_1+\cdots+X_n\), dar \(X_1,\ldots,X_n\) nu sunt independente. Totuși, toate sunt \(\Bern(M/N)\): \(\PP(X_1=1)=\frac MN\) și \[ \begin{aligned} \PP(X_2=1)&=\PP(X_2=1\mid X_1=0)\PP(X_1=0)+\PP(X_2=1\mid X_1=1)\PP(X_1=1)\\ &=\frac{M}{N-1}\cdot\frac{N-M}{N}+\frac{M-1}{N-1}\cdot\frac MN=\frac{M(N-1)}{N(N-1)}=\frac MN ; \end{aligned} \] în general, prin simetrie (ca la urna cu 100 de bile), \(\PP(X_j=1)=\frac MN\). Din liniaritate (fără independență): \[ \E[X]=n\,\E[X_1]=n\frac MN . \]
Pentru \(i\ne j\), \(X_iX_j=1\) dacă și numai dacă ambele bile sunt negre; prin simetrie, \(\E[X_iX_j]=\frac{M}{N}\cdot\frac{M-1}{N-1}\) și \[ \E\big[(X_i-\E[X_i])(X_j-\E[X_j])\big]=\E[X_iX_j]-\frac{M^2}{N^2}=\frac MN\left(\frac{M-1}{N-1}-\frac MN\right)=-\frac{1}{N-1}\cdot\frac MN\left(1-\frac MN\right). \] Din formula varianței unei sume (\(n\) varianțe, \(n(n-1)\) termeni încrucișați): \[ \Var(X)=n\frac MN\left(1-\frac MN\right)-n(n-1)\frac{1}{N-1}\frac MN\left(1-\frac MN\right)=n\frac MN\left(1-\frac MN\right)\frac{N-n}{N-1}. \] Cu \(p=M/N\): aceeași medie ca \(\Bin(n,p)\), dar varianța are factorul de corecție \(\frac{N-n}{N-1}<1\) — extragerea fără întoarcere reduce variabilitatea; pentru \(N\to\infty\) factorul tinde la \(1\).
Fie \(X\sim\Unif(\{1,2,\ldots,n\})\). Cu \(\sum_{i=1}^n i=\frac{n(n+1)}2\) și \(\sum_{i=1}^n i^2=\frac{n(n+1)(2n+1)}6\): \[ \E[X]=\frac1n\sum_{i=1}^n i=\frac{n+1}{2},\qquad \E[X^2]=\frac1n\sum_{i=1}^n i^2=\frac{(n+1)(2n+1)}{6}, \] deci \[ \Var(X)=\frac{(n+1)(2n+1)}{6}-\frac{(n+1)^2}{4}=\frac{(n+1)\big[2(2n+1)-3(n+1)\big]}{12}=\frac{(n+1)(n-1)}{12}=\frac{n^2-1}{12}. \]
Fie \(X\sim\Pois(\lambda)\). Termenul \(k=0\) este nul; cu \(l=k-1\): \[ \E[X]=\sum_{k=0}^\infty k\,e^{-\lambda}\frac{\lambda^k}{k!}=e^{-\lambda}\sum_{k=1}^\infty\frac{\lambda^k}{(k-1)!}=\lambda e^{-\lambda}\sum_{l=0}^\infty\frac{\lambda^l}{l!}=\lambda e^{-\lambda}e^{\lambda}=\lambda . \] Analog, pentru momentul de ordin doi, \[ \begin{aligned} \E[X^2]&=\sum_{k=1}^\infty k^2e^{-\lambda}\frac{\lambda^k}{k!}=\lambda e^{-\lambda}\sum_{l=0}^\infty(l+1)\frac{\lambda^l}{l!}=\lambda e^{-\lambda}\Big[\sum_{l=1}^\infty\frac{l\,\lambda^l}{l!}+\sum_{l=0}^\infty\frac{\lambda^l}{l!}\Big]\\ &=\lambda e^{-\lambda}(\lambda e^\lambda+e^\lambda)=\lambda^2+\lambda, \end{aligned} \] deci \(\E[X]=\lambda\) și \(\Var(X)=\lambda^2+\lambda-\lambda^2=\lambda\).
Pentru repartiția Poisson media și varianța sunt egale (test util pentru date de numărare). Acord cu aproximarea Poisson: dacă \(X\sim\Bin(n,\lambda/n)\), \(\E[X]=\lambda\) și \(\Var(X)=\lambda(1-\lambda/n)\to\lambda\).
Fie \(X\sim\Geom(p)\), \(q=1-p\). O serie de puteri se poate deriva termen cu termen în interiorul intervalului de convergență (derivăm în raport cu \(q\)): \[ \begin{aligned} \E[X]&=\sum_{k=1}^\infty k\,q^{k-1}p=p\sum_{k=1}^\infty\big(q^k\big)'=p\Big(\sum_{k=1}^\infty q^k\Big)'\\ &=p\,\frac{\dd}{\dd q}\Big(\frac{1}{1-q}-1\Big)=p\cdot\frac{1}{(1-q)^2}=\frac{p}{p^2}=\frac1p . \end{aligned} \] Intuitiv: dacă un eveniment are probabilitatea \(p\) la fiecare încercare, așteptăm în medie \(1/p\) încercări până la prima realizare (de exemplu, în medie \(6\) aruncări ale unui zar până la primul \(6\)).
Momentul factorial \(\E[X(X-1)]\), derivând de două ori: \[ \E[X(X-1)]=\sum_{k=2}^\infty k(k-1)q^{k-1}p=pq\sum_{k=2}^\infty\big(q^k\big)''=pq\,\frac{\dd^2}{\dd q^2}\Big(\frac1{1-q}\Big)=pq\cdot\frac{2}{(1-q)^3}=\frac{2q}{p^2}. \] Atunci \(\E[X^2]=\E[X(X-1)]+\E[X]=\frac{2q}{p^2}+\frac1p\) și \[ \E[X]=\frac1p,\qquad \Var(X)=\frac{2q}{p^2}+\frac1p-\frac1{p^2}=\frac{2q+p-1}{p^2}=\frac{1-p}{p^2}. \] Pentru \(Y=X-1\) (numărul de eșecuri): \(\E[Y]=\frac{1-p}{p}\), \(\Var(Y)=\frac{1-p}{p^2}\).
Negativ binomiala. \(X\sim\NBin(r,p)\) este suma a \(r\) variabile \(\Geom(p)\) independente, deci \[ \E[X]=\frac rp,\qquad \Var(X)=\frac{r(1-p)}{p^2}. \]
Fiecare pachet de cereale conține un cupon, ales uniform și independent dintre \(n\) tipuri. Câte pachete trebuie cumpărate, în medie, pentru a obține toate tipurile?
Fie \(T\) numărul de pachete necesare: \(T=G_1+\cdots+G_n\), unde \(G_i\) este numărul de pachete cumpărate după ce avem \(i-1\) tipuri, până la al \(i\)-lea tip nou. Cu \(i-1\) tipuri deja obținute, un pachet conține un tip nou cu probabilitatea \(p_i=\frac{n-i+1}{n}\), deci \(G_i\sim\Geom(p_i)\) și \[ \E[T]=\sum_{i=1}^n\frac1{p_i}=\sum_{i=1}^n\frac{n}{n-i+1}=n\left(1+\frac12+\cdots+\frac1n\right)=nH_n , \] cu \(H_n\approx\ln n+0.5772\), deci \(\E[T]\approx n\ln n\). Pentru un zar: \(6H_6=14.7\) aruncări. \(G_i\) fiind independente, \(\Var(T)=\sum_{i=1}^n\frac{1-p_i}{p_i^2}\).
#> simulare teoretic
#> 14.72 14.70
Pentru un zar, \(\Var(T)=\sum_{i=1}^6\frac{1-p_i}{p_i^2}\approx38.99\), deci \(\mathrm{SD}(T)\approx6.24\) aruncări.
Media și varianța se pot verifica generând multe valori cu funcțiile r... și calculând media aritmetică și varianța empirică:
set.seed(2026)
n <- 1e5
x_bin <- rbinom(n, 10, 0.3) # Bin(10, 0.3): medie 3, varianță 2.1
x_hip <- rhyper(n, 6, 14, 5) # HGeom(20, 6, 5): medie 1.5, varianță 0.829
x_geo <- rgeom(n, 0.25) + 1 # Geom(0.25): medie 4, varianță 12
x_poi <- rpois(n, 4) # Pois(4): medie 4, varianță 4
sim <- sapply(list(bin = x_bin, hip = x_hip, geo = x_geo, poi = x_poi),
function(x) c(medie = mean(x), varianta = var(x)))
round(sim, 3)#> bin hip geo poi
#> medie 3.007 1.503 3.987 4.019
#> varianta 2.115 0.823 11.943 4.011
| Repartiția | Valori | \(\PP(X=k)\) | \(\E[X]\) | \(\Var(X)\) |
|---|---|---|---|---|
| \(\Bern(p)\) | \(\{0,1\}\) | \(p^k(1-p)^{1-k}\) | \(p\) | \(p(1-p)\) |
| \(\Unif(\{1,\ldots,n\})\) | \(\{1,\ldots,n\}\) | \(\frac1n\) | \(\frac{n+1}{2}\) | \(\frac{n^2-1}{12}\) |
| \(\Bin(n,p)\) | \(\{0,\ldots,n\}\) | \(\binom nk p^k(1-p)^{n-k}\) | \(np\) | \(np(1-p)\) |
| \(\HGeom(N,M,n)\) | \(\{0,\ldots,\min(n,M)\}\) | \(\binom Mk\binom{N-M}{n-k}\big/\binom Nn\) | \(\frac{nM}{N}\) | \(\frac{nM}{N}\big(1-\frac MN\big)\frac{N-n}{N-1}\) |
| \(\Geom(p)\) | \(\{1,2,\ldots\}\) | \((1-p)^{k-1}p\) | \(\frac1p\) | \(\frac{1-p}{p^2}\) |
| \(\NBin(r,p)\) | \(\{r,r+1,\ldots\}\) | \(\binom{k-1}{r-1}(1-p)^{k-r}p^r\) | \(\frac rp\) | \(\frac{r(1-p)}{p^2}\) |
| \(\Pois(\lambda)\) | \(\{0,1,2,\ldots\}\) | \(e^{-\lambda}\frac{\lambda^k}{k!}\) | \(\lambda\) | \(\lambda\) |
Funcții R: dbinom, sample, dhyper(k, M, N-M, n), dgeom(k-1, p), dnbinom(k-r, r, p), dpois (prefixul p pentru funcția de repartiție).
Fie \(X\sim\begin{pmatrix}-1&0&1\\0.3&0.2&0.5\end{pmatrix}\). Determinați repartițiile variabilelor \(5X-2\), \(X^3\) și \(X+X^2\), mediile și varianțele lor, precum și probabilitatea \(\PP\big(X<\frac18\mid X\ge-\frac18\big)\).
Media și varianța lui \(X\). \(\E[X]=-0.3+0+0.5=0.2\); \(\E[X^2]=1\cdot0.3+0\cdot0.2+1\cdot0.5=0.8\) (de altfel \(X^2\sim\begin{pmatrix}0&1\\0.2&0.8\end{pmatrix}\)), deci \(\Var(X)=0.8-0.2^2=0.76\).
Variabila \(5X-2\). \(x\mapsto5x-2\) este injectivă, deci \[ 5X-2\sim\begin{pmatrix}-7&-2&3\\0.3&0.2&0.5\end{pmatrix},\qquad \E[5X-2]=5\E[X]-2=-1,\qquad \Var(5X-2)=25\Var(X)=19 . \] Variabila \(X^3\). Deoarece \(x^3=x\) pentru \(x\in\{-1,0,1\}\), \(X^3=X\): aceeași repartiție, \(\E[X^3]=0.2\), \(\Var(X^3)=0.76\).
Variabila \(Y=X+X^2\). Imaginile: \(-1\mapsto0\), \(0\mapsto0\), \(1\mapsto2\); valorile \(-1\) și \(0\) au aceeași imagine: \[ Y=X+X^2\sim\begin{pmatrix}0&2\\0.3+0.2&0.5\end{pmatrix}=\begin{pmatrix}0&2\\0.5&0.5\end{pmatrix}. \] \(\E[Y]=1\) (sau \(\E[X]+\E[X^2]=0.2+0.8=1\)); \(Y^2\sim\begin{pmatrix}0&4\\0.5&0.5\end{pmatrix}\), \(\E[Y^2]=2\), \(\Var(Y)=2-1^2=1\).
Probabilitatea condiționată. \(A=\{X<\frac18\}\), \(B=\{X\ge-\frac18\}\). Cum \(X\in\{-1,0,1\}\): \(A\cap B=\{X=0\}\), \(B=\{X=0\}\cup\{X=1\}\), deci \[ \PP(A\mid B)=\frac{\PP(X=0)}{\PP(X=0)+\PP(X=1)}=\frac{0.2}{0.7}=\frac27 . \]
Funcția de repartiție a unei variabile aleatoare \(X\) este \[ F(x)=\begin{cases}0, & x<-1,\\ 0.25, & -1\le x<0,\\ 0.4, & 0\le x<2,\\ 0.8, & 2\le x<3,\\ 1, & x\ge 3 .\end{cases} \] a) Determinați tabelul de repartiție al lui \(X\). b) Calculați \(\PP(0<X\le 2)\), \(\PP(X<2)\), \(\PP(X\ge 0)\) și \(\PP(-1\le X<2)\). c) Calculați \(\E[X]\) și \(\Var(X)\).
\(F\) este în scară, cu salturi în \(-1,0,2,3\); \(\PP(X=x)=F(x)-F(x-)\) este mărimea saltului: \[ X\sim\begin{pmatrix}-1&0&2&3\\0.25&0.15&0.4&0.2\end{pmatrix}. \]
Din Propoziția 6: \[ \begin{aligned} \PP(0<X\le2)&=F(2)-F(0)=0.4, & \PP(X<2)&=F(2-)=0.4,\\ \PP(X\ge0)&=1-F(0-)=0.75, & \PP(-1\le X<2)&=F(2-)-F(-1-)=0.4 . \end{aligned} \]
\(\E[X]=-0.25+0+0.8+0.6=1.15\), \(\E[X^2]=0.25+0+1.6+1.8=3.65\), \(\Var(X)=3.65-1.15^2=2.3275\).
Determinați constanta \(c\) astfel încât \[ p(k)=\frac{c}{k(k+1)},\qquad k=1,2,\ldots, \] să fie funcția de masă a unei v.a. \(X\). Calculați \(\PP(X>n)\) și arătați că \(X\) nu are medie finită.
Pentru \(c>0\), \(p(k)>0\). Cum \(\frac1{k(k+1)}=\frac1k-\frac1{k+1}\), suma este telescopică: \[ \sum_{k=1}^\infty\frac{1}{k(k+1)}=\lim_{n\to\infty}\sum_{k=1}^n\Big(\frac1k-\frac1{k+1}\Big)=\lim_{n\to\infty}\Big(1-\frac{1}{n+1}\Big)=1 , \] deci \(\sum_k p(k)=1\) impune \(c=1\). Analog, \(\PP(X\le n)=1-\frac1{n+1}\), deci \(\PP(X>n)=\frac{1}{n+1}\). În fine, \[ \sum_{k=1}^\infty k\,p(k)=\sum_{k=1}^\infty\frac{1}{k+1}=\infty \] (seria armonică este divergentă), deci media lui \(X\) nu este definită, deși \(X\) ia valori finite cu probabilitate \(1\).
Dintre \(5\) tranzistoare, \(2\) sunt defecte. Tranzistoarele sunt testate unul câte unul, în ordine aleatoare, până când cele două defecte sunt identificate. Fie \(N_1\) numărul de teste până la identificarea primului defect și \(N_2\) numărul de teste suplimentare până la identificarea celui de-al doilea. (Dacă după un anumit număr de teste tranzistoarele rămase sunt toate defecte, ele sunt identificate fără a mai fi testate.) Determinați repartițiile lui \(N_1\) și \(N_2\) și mediile lor.
Numerotăm tranzistoarele în ordinea testării, \(T_1,\ldots,T_5\). Pozițiile celor două defecte formează o pereche \((T_i,T_j)\), \(i<j\), uniformă printre cele \(\binom52=10\) perechi (probabilitate \(\frac1{10}\) fiecare):
Sumând probabilitățile cazurilor cu aceeași valoare, \[ N_1\sim\begin{pmatrix}1&2&3\\ \frac{4}{10}&\frac{3}{10}&\frac{3}{10}\end{pmatrix},\qquad N_2\sim\begin{pmatrix}0&1&2&3\\ \frac{1}{10}&\frac{4}{10}&\frac{3}{10}&\frac{2}{10}\end{pmatrix}. \] Mediile sunt \[ \E[N_1]=\frac{4+6+9}{10}=1.9,\qquad \E[N_2]=\frac{0+4+6+6}{10}=1.6, \] deci numărul mediu total de teste este \(\E[N_1+N_2]=3.5\).
(Repartiția comună a perechii \((N_1,N_2)\) va fi studiată în Cursul 6.)
Un test grilă are \(10\) întrebări, fiecare cu \(4\) variante de răspuns, dintre care exact una corectă. Un student nepregătit alege la întâmplare câte un răspuns la fiecare întrebare. Care este probabilitatea ca el să răspundă corect la cel puțin \(5\) întrebări? Care sunt media și abaterea standard a numărului de răspunsuri corecte?
Răspunsurile fiind alese independent, numărul \(X\) de răspunsuri corecte este \(X\sim\Bin(10,0.25)\). Atunci \[ \PP(X\ge5)=1-\PP(X\le4)=1-\sum_{k=0}^4\binom{10}{k}0.25^k\,0.75^{10-k}\approx0.0781 . \] Media este \(\E[X]=10\cdot0.25=2.5\), varianța \(\Var(X)=10\cdot0.25\cdot0.75=1.875\), iar abaterea standard \(\sqrt{1.875}\approx1.369\).
Un lot de \(50\) de piese conține \(4\) piese defecte. Se extrag la întâmplare, fără întoarcere, \(5\) piese, iar lotul este acceptat dacă eșantionul conține cel mult o piesă defectă. Calculați probabilitatea de acceptare a lotului și comparați-o cu aproximarea binomială. Calculați media și varianța numărului de piese defecte din eșantion.
Numărul de piese defecte din eșantion este \(X\sim\HGeom(50,4,5)\): \[ \PP(X\le1)=\frac{\binom40\binom{46}5+\binom41\binom{46}4}{\binom{50}5}=\frac{1\,370\,754+4\cdot163\,185}{2\,118\,760}\approx0.9550 . \] Cu \(\Bin(5,0.08)\): \(\PP(X\le1)\approx0.92^5+5\cdot0.08\cdot0.92^4\approx0.9456\) — aproximare grosieră (\(n=5\) nu este neglijabil față de \(N=50\)). Media \(\E[X]=5\cdot\frac{4}{50}=0.4\), varianța \(\Var(X)=5\cdot0.08\cdot0.92\cdot\frac{45}{49}\approx0.338\).
Un zar echilibrat este aruncat până la apariția primei fețe \(6\). Fie \(X\) numărul de aruncări.
\(X\sim\Geom(1/6)\). a) \(\PP(X>10)=(5/6)^{10}\approx0.1615\). Cu \(q=5/6\), \(p=1/6\), \[ \PP(X\text{ par})=\sum_{j=1}^\infty\PP(X=2j)=\sum_{j=1}^\infty q^{2j-1}p=\frac{pq}{1-q^2}=\frac{q}{1+q}=\frac{5/6}{11/6}=\frac{5}{11}\approx0.4545 . \] b) Din lipsa de memorie, \(\PP(X>13\mid X>10)=\PP(X>3)=(5/6)^3\approx0.5787\) — aceeași ca la începutul jocului.
Fie \(X\sim\Bin(4,\frac12)\) și \(Y=(X-2)^2\). Determinați repartiția lui \(Y\) și calculați \(\E[Y]\) în două moduri.
Fie \(X\sim\Bin(n,p)\), \(p\in(0,1)\). Arătați că \[ \E\left[\frac{1}{X+1}\right]=\frac{1-(1-p)^{n+1}}{(n+1)p}. \]
Pentru \(n=4\), \(p=\frac12\): \(\frac{1-1/32}{5/2}=\frac{31}{80}=0.3875\ne\frac{1}{\E[X]+1}=\frac13\).
Se aruncă două zaruri echilibrate. Fie \(Z\) maximul și \(W\) minimul numerelor obținute. Calculați \(\E[Z]\), \(\Var(Z)\) și \(\E[W]\).
Din Exemplul 14, \(\PP(Z=k)=\frac{2k-1}{36}\), \(k=1,\ldots,6\). Cu \(\sum k=21\), \(\sum k^2=91\), \(\sum k^3=441\): \[ \E[Z]=\sum_{k=1}^6k\,\frac{2k-1}{36}=\frac{2\cdot91-21}{36}=\frac{161}{36}\approx4.472,\qquad \E[Z^2]=\frac{2\cdot441-91}{36}=\frac{791}{36}, \] deci \(\Var(Z)=\frac{791}{36}-\big(\frac{161}{36}\big)^2=\frac{2555}{1296}\approx1.971\).
Pentru minim nu mai este nevoie de repartiție: \(Z+W=X+Y\) (suma celor două numere), deci, din liniaritate, \[ \E[W]=\E[X]+\E[Y]-\E[Z]=7-\frac{161}{36}=\frac{91}{36}\approx2.528 . \]
Numărul de apeluri primite de o centrală telefonică într-un minut de la persoane fizice este \(X\sim\Pois(2)\), iar de la persoane juridice \(Y\sim\Pois(3)\), \(X\indep Y\).
Din Propoziția 23 d), \(X+Y\sim\Pois(5)\), deci \(\PP(X+Y=4)=e^{-5}\frac{5^4}{4!}\approx0.1755\).
Din Propoziția 23 e), condiționat de \(X+Y=4\), \(X\sim\Bin(4,\frac{2}{5})\): \[ \PP(X=1\mid X+Y=4)=\binom41\cdot0.4\cdot0.6^3=0.3456 . \]
\(\E[X+Y]=2+3=5\); din independență, \(\Var(X-Y)=\Var(X)+\Var(Y)=5\) și \(\E[XY]=\E[X]\E[Y]=6\).
Două echipe, \(A\) și \(B\), joacă o serie în sistemul „cel mai bun din \(7\)”: câștigă seria prima echipă care obține \(4\) victorii. Echipa \(A\) câștigă fiecare meci cu probabilitatea \(0.6\), independent de celelalte. Care este probabilitatea ca \(A\) să câștige seria? Care este numărul mediu de meciuri jucate?
Dacă meciurile ar continua indefinit, numărul de meciuri necesare pentru ca \(A\) să obțină \(4\) victorii ar fi \(T_A\sim\NBin(4,0.6)\). \(A\) câștigă seria dacă și numai dacă \(T_A\le7\): \[ \PP(A\text{ câștigă})=\sum_{k=4}^7\binom{k-1}{3}0.6^4\,0.4^{k-4}=0.6^4\left(1+4\cdot0.4+10\cdot0.4^2+20\cdot0.4^3\right)=0.710208 . \] Seria se încheie după exact \(k\) meciuri (\(k=4,\ldots,7\)) dacă una dintre echipe obține a patra victorie la meciul \(k\): \[ \PP(L=k)=\binom{k-1}{3}\left(0.6^4\,0.4^{k-4}+0.4^4\,0.6^{k-4}\right), \] adică \(\PP(L=4)=0.1552\), \(\PP(L=5)=0.2688\), \(\PP(L=6)=0.29952\), \(\PP(L=7)=0.27648\), iar \(\E[L]=\sum_k k\,\PP(L=k)\approx5.697\) meciuri.
#> [1] 0.7102
#> [1] 0.1552 0.2688 0.2995 0.2765
#> [1] 5.697
Deși \(A\) câștigă un meci cu probabilitatea \(0.6\), seria o câștigă cu probabilitatea \(\approx0.71\).
Quicksort randomizat sortează \(n\) numere distincte astfel: alege uniform la întâmplare un pivot, îl compară cu toate celelalte elemente, împărțind mulțimea în elementele mai mici și cele mai mari decât pivotul, apoi sortează recursiv cele două părți. Fie \(C_n\) numărul total de comparații. Arătați că \[ \E[C_n]=\sum_{1\le i<j\le n}\frac{2}{j-i+1}=2(n+1)H_n-4n,\qquad H_n=1+\frac12+\cdots+\frac1n . \]
Fie \(z_1<\cdots<z_n\) elementele sortate. Două elemente sunt comparate cel mult o dată (doar când unul este pivot), deci \(C_n=\sum_{i<j}\Ind_{A_{ij}}\), \(A_{ij}\) = „\(z_i\) și \(z_j\) sunt comparate”.
Din metoda indicatorilor, grupând perechile după \(d=j-i\) (există \(n-d\) perechi cu diferența \(d\)) și notând \(k=d+1\): \[ \begin{aligned} \E[C_n]&=\sum_{1\le i<j\le n}\frac{2}{j-i+1}=\sum_{d=1}^{n-1}(n-d)\frac{2}{d+1}=2\sum_{k=2}^{n}\frac{n+1-k}{k}\\ &=2\Big[(n+1)(H_n-1)-(n-1)\Big]=2(n+1)H_n-4n . \end{aligned} \] În particular \(\E[C_n]\approx2n\ln n\); pentru \(n=10\), \(\E[C_{10}]\approx24.44\).
set.seed(10)
comparatii <- function(v) { # nr. de comparații în Quicksort
if (length(v) <= 1) return(0)
pivot <- v[sample.int(length(v), 1)]
length(v) - 1 + comparatii(v[v < pivot]) + comparatii(v[v > pivot])
}
n <- 10
c(simulare = mean(replicate(2e4, comparatii(sample(n)))),
teoretic = 2 * (n + 1) * sum(1 / (1:n)) - 4 * n)#> simulare teoretic
#> 24.43 24.44
Lecturi recomandate: Blitzstein and Hwang (2019, cap. 3–4), Ross (2014, cap. 4–5), Bertsekas and Tsitsiklis (2008, cap. 2), Wagaman and Dobrow (2021, cap. 3–5) și notele de curs Olariu (2025).
Probabilități și Statistică · Cursul 3 — Variabile aleatoare discrete