Sei sulla pagina 1di 169

Lecţii de Matematici Speciale

TANIA-LUMINIŢA COSTACHE
2

*
Prefaţă

Lucrarea este rezultatul cursurilor şi seminariilor de Probabilităţi şi


statistică matematică , Matematici avansate şi Matematici 3 ţinute de au-
toare studenţilor anilor ı̂ntâi ai Facultăţilor de Automatică şi Calculatoare
şi Electronică din Universitatea Politehnică Bucureşti.
Cartea este structurată ı̂n unsprezece capitole, conţinând teoria cu prin-
cipalele noţiuni şi rezultate necesare rezolvării exerciţiilor, exemple rezol-
vate care acoperă programa seminarului de Matematici 3 şi probleme pro-
puse studenţilor pentru o fixare mai bună a cunoştinţelor predate, precum
şi pentru ı̂nţelegerea altor cursuri de specialitate.
Pentru aprofundarea conceptelor fundamentale sunt necesare o pregătire
teoretică suplimentară şi o participare activă ı̂n cadrul seminariilor şi cur-
surilor.
Mult succes!

3
4

*
Cuprins

Prefaţă 3

1 Funcţii complexe. Integrale complexe 8


1.1 Funcţii olomorfe. Condiţiile Cauchy-Riemann. . . . . . . . . 8
1.2 Funcţii elementare . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Funcţia exponenţială . . . . . . . . . . . . . . . . . 14
1.2.2 Funcţia logaritm . . . . . . . . . . . . . . . . . . . . 16
1.2.3 Funcţia putere . . . . . . . . . . . . . . . . . . . . . 16
1.2.4 Funcţia radical . . . . . . . . . . . . . . . . . . . . . 17
1.2.5 Funcţiile trigonometrice complexe . . . . . . . . . . 17
1.3 Integrala complexă . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Dezvoltări ı̂n serie Laurent . . . . . . . . . . . . . . . . . . . 23
1.5 Teorema reziduurilor . . . . . . . . . . . . . . . . . . . . . . 29
1.6 Calculul unor integrale reale . . . . . . . . . . . . . . . . . . 36
1.7 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 40

2 Transformata Laplace 43
2.1 Formula de inversare Mellin-Fourier . . . . . . . . . . . . . 43
2.2 Proprietăţile transformării Laplace . . . . . . . . . . . . . . 45
2.3 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 53

3 Transformarea Z 58
3.1 Semnale discrete. Transformata Z . . . . . . . . . . . . . . . 58
3.2 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 62

4 Transformarea Fourier 63
4.1 Transformarea Fourier a funcţiilor integrabile pe IR . . . . . 63
4.2 Proprietăţile transformării Fourier . . . . . . . . . . . . . . 64
4.3 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 67

5 Elemente de analiză combinatorică 69


5.1 Principiul de bază al analizei combinatorii . . . . . . . . . . 69
5.2 Permutări. Aranjamente. Combinări . . . . . . . . . . . . . 70
5.2.1 Permutări . . . . . . . . . . . . . . . . . . . . . . . . 70

5
6 CUPRINS

5.2.2 Aranjamente . . . . . . . . . . . . . . . . . . . . . . 70
5.2.3 Numărul funcţiilor injective şi bijective . . . . . . . 71
5.2.4 Combinări . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.5 Proprietăţile combinărilor . . . . . . . . . . . . . . . 73
5.3 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 73

6 Evenimente şi probabilitate 75


6.1 Evenimente aleatoare . . . . . . . . . . . . . . . . . . . . . . 75
6.2 Probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.3 Probabilităţi condiţionate. . . . . . . . . . . . . . . . . . . . 81
6.4 Scheme de probabilitate . . . . . . . . . . . . . . . . . . . . 85
6.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 87

7 Variabile aleatoare 93
7.1 Legi de repartiţie discrete clasice . . . . . . . . . . . . . . . 94
7.2 Funcţia de repartiţie a unei variabile aleatoare . . . . . . . 96
7.3 Densitatea de probabilitate . . . . . . . . . . . . . . . . . . 98
7.4 Legi de repartiţie continue clasice . . . . . . . . . . . . . . . 100
7.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 102

8 Vectori aleatori bidimensionali 106


8.1 Densităţi marginale . . . . . . . . . . . . . . . . . . . . . . . 106
8.2 Repartiţii condiţionate . . . . . . . . . . . . . . . . . . . . . 109
8.3 Independenţa variabilelor aleatoare . . . . . . . . . . . . . . 110
8.4 Caracteristici numerice . . . . . . . . . . . . . . . . . . . . . 112
8.4.1 Valoarea medie (sau speranţa matematică ) . . . . . 112
8.4.2 Dispersia (sau variaţia) . . . . . . . . . . . . . . . . 115
8.4.3 Momente . . . . . . . . . . . . . . . . . . . . . . . . 117
8.4.4 Covarianţa şi coeficientul de corelaţie . . . . . . . . 118
8.5 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 125

9 Siruri de variabile aleatoare 129


9.1 Inegalitatea lui Cebâşev . . . . . . . . . . . . . . . . . . . . 129
9.2 Tipuri de convergenţă . . . . . . . . . . . . . . . . . . . . . 130
9.3 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . 132
9.4 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 138

10 Lanţuri Markov 140


10.1 Lanţ Markov omogen . . . . . . . . . . . . . . . . . . . . . . 140
10.2 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 144

11 Statistică matematică 148


11.1 Teoria selecţiei . . . . . . . . . . . . . . . . . . . . . . . . . 148
11.2 Selecţii dintr-o populaţie normală . . . . . . . . . . . . . . 150
CUPRINS 7

11.2.1 Repartiţia mediei de selecţie dintr-o populaţie nor-


mală . . . . . . . . . . . . . . . . . . . . . . . . . . 150
11.2.2 Repartiţia dispersiei de selecţie pentru selecţii dintr-o
populaţie normală . . . . . . . . . . . . . . . . . . . 151
11.3 Elemente de teoria estimaţiei . . . . . . . . . . . . . . . . . 152
11.3.1 Estimator nedeplasat, consistent, eficient . . . . . . 152
11.3.2 Metoda verosimilităţii maxime . . . . . . . . . . . . 153
11.4 Intervale de ı̂ncredere . . . . . . . . . . . . . . . . . . . . . 154
11.4.1 Intervale de ı̂ncredere pentru media şi dispersia repartiţiei
normale . . . . . . . . . . . . . . . . . . . . . . . . . 154
11.5 Verificarea ipotezelor statistice parametrice . . . . . . . . . 156
11.5.1 Verificarea ipotezei asupra mediei m a unei populaţii
normale cu σ 2 cunoscut . . . . . . . . . . . . . . . . 157
11.5.2 Verificarea ipotezei asupra mediei m a unei populaţii
normale cu σ 2 necunoscut . . . . . . . . . . . . . . . 157
11.5.3 Verificarea ipotezei asupra dispersiei unei populaţii
normale . . . . . . . . . . . . . . . . . . . . . . . . . 157
11.6 Probleme propuse . . . . . . . . . . . . . . . . . . . . . . . . 160

Bibliografie 166
Capitolul 1

Funcţii complexe. Integrale


complexe

1.1 Funcţii olomorfe. Condiţiile Cauchy-Riemann.


Funcţii elementare
Definiţia 1.1. Fie A ⊂ C. Se numeşte funcţie complexă orice funcţie
f : A → C (deci o funcţie cu valori complexe de variabilă complexă ).
Dacă notăm w = f (z) cu z ∈ A şi z = x + iy, w = u + iv, unde
x, y, u, v ∈ IR, iar f = P + iQ (adică P = Ref, Q = Imf ), se pun ı̂n
evidenţă două funcţii reale P, Q : A → IR, unde am considerat A ⊂ IR2
ca o mulţime de perechi de numere reale. Atunci egalitatea w = f (z)
este echivalentă cu două egalităţi reale u = P (x, y) şi v = Q(x, y) şi
funcţia f : A → C este echivalentă cu o transformare punctuală A −→ IR2 ,
(x, y) −→ (P (x, y), Q(x, y)).
Definiţia 1.2. Dacă A ⊂ C este o mulţime deschisă , funcţia complexă
f este continuă ı̂ntr-un punct z0 = x0 + iy0 ∈ A dacă şi numai dacă P şi
Q sunt simultan continue ı̂n punctul (x0 , y0 ).
Definiţia 1.3. Fie A ⊂ C o mulţime deschisă şi f : A → C o funcţie
complexă . Funcţia f se numeşte olomorfă ı̂ntr-un punct z0 ∈ A (sau
C- derivabilă ı̂n z0 sau monogenă ı̂n z0 ) dacă există şi este finită (adică
f (z) − f (z0 )
aparţine lui C) limita l = lim . Notăm l cu f ′ (z0 ) şi se
z→z0 ,z̸=z0 z − z0
numeşte derivata complexă a lui f ı̂n z0 .
Observaţia 1.1. Dacă funcţia f : A → C este olomorfă ı̂n z0 ∈ A, atunci
ea este continuă ı̂n z0 .
Definiţia 1.4. Funcţia f : A → C se numeşte olomorfă pe deschisul A
dacă ea este olomorfă ı̂n orice punct z0 ∈ A.
Observaţia 1.2. Suma, produsul, câtul şi compunerea a două funcţii
olomorfe pe un deschis A sunt funcţii olomorfe.
Fie w = f (z), f : A → C definită pe un deschis A ⊂ C şi z0 ∈ A,

8
1.1. FUNCŢII OLOMORFE. CONDIŢIILE CAUCHY-RIEMANN. 9

z0 = x0 + iy0 .
f (z0 + h) − f (z0 )
Dacă f este olomorfă ı̂n z0 , atunci f ′ (z0 ) = lim . In
h→0 h
particular, pentru h real va rezulta că
f (z0 + h) − f (z0 ) f (z0 + ih) − f (z0 )
lim = lim = f ′ (z0 )
h→0 h h→0 ih
şi ţinând cont că f = P + iQ se obţine
P (x0 + h, y0 ) − P (x0 , y0 ) Q(x0 + h, y0 ) − Q(x0 , y0 )
lim + i lim =
h→0 h h→0 h
P (x0 , y0 + h) − P (x0 , y0 ) Q(x0 , y0 + h) − Q(x0 , y0 )
lim + i lim
h→0 ih h→0 ih
Dacă funcţiile P şi Q au derivate parţiale ı̂n raport cu x şi y ı̂n punctul
(x0 , y0 ), atunci
∂P ∂Q 1 ∂P ∂Q
(x0 , y0 ) + i (x0 , y0 ) = (x0 , y0 ) + (x0 , y0 )
∂x ∂x i ∂y ∂y
de unde deducem
∂P ∂Q
=
∂x ∂y
∂Q ∂P
=−
∂x ∂y
numite condiţiile Cauchy-Riemann.

Teorema 1.1. Fie A ⊂ C o mulţime deschisă . Funcţia f : A → C,


f = P + iQ este olomorfă ı̂n z0 ∈ A dacă şi numai dacă P, Q : A → R sunt
diferenţiabile ı̂n z0 = (x0 , y0 ) şi derivatele lor parţiale ı̂n (x0 , y0 ) verifică
condiţiile Cauchy-Riemann.

Demonstraţie. Presupunem că f este olomorfă ı̂n z0 ∈ A şi fie f ′ (z0 ) =


a + ib = c. Definim
{
f (z)−f (z0 )
z−z0 − f ′ (z0 ), pentru z ∈ A, z ̸= z0
β(z) =
0, pentru z = z0

Evident lim β(z) = 0.


z→z0
Definim
{ z−z0
β(z) |z−z 0|
, pentru z ∈ A, z ̸= z0
α(z) =
0, pentru z = z0

Atunci lim |α(z)| = lim |β(z)| = 0, deci lim α(z) = 0. Putem scrie
z→z0 z→z0 z→z0

f (z) − f (z0 ) = c(z − z0 ) + (z − z0 )β(z) = c(z − z0 ) + α(z)|z − z0 |. (1.1)


10 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Dar
f (z) = P (x, y) + iQ(x, y), z − z0 = (x − x0 ) + i(y − y0 )
deci
P (x, y) − P (x0 , y0 ) + i(Q(x, y) − Q(x0 , y0 )) =

= a(x − x0 ) − b(y − y0 ) + Reα(x, y) (x − x0 )2 + (y − y0 )2 +

+i[b(x − x0 ) + a(y − y0 ) + Imα(x, y) (x − x0 )2 + (y − y0 )2 ]
Rezultă formulele
P (x, y) − P (x0 , y0 ) = a(x − x0 ) − b(y − y0 )+
√ (1.2)
+ Reα(x, y) (x − x0 )2 + (y − y0 )2
Q(x, y) − Q(x0 , y0 ) = b(x − x0 ) + a(y − y0 )+
√ (1.3)
+ Imα(x, y) (x − x0 )2 + (y − y0 )2
unde lim Reα(x, y) = 0, lim Imα(x, y) = 0, deci funcţiile P
(x,y)→(x0 ,y0 ) (x,y)→(x0 ,y0 )
şi Q sunt diferenţiabile ı̂n z0 = (x0 , y0 ) şi atunci
∂P ∂Q ∂P ∂Q
a= (x0 , y0 ) = (x0 , y0 ), b = − (x0 , y0 ) = (x0 , y0 )
∂x ∂y ∂y ∂x
adică am obţinut condiţiile Cauchy-Riemann.
Reciproc, dacă P şi Q sunt diferenţiabile ı̂n z0 = (x0 , y0 ) şi au loc
condiţiile Cauchy-Riemann, atunci avem
∂P ∂P
P (x, y) − P (x0 , y0 ) = (x0 , y0 )(x − x0 ) + (x0 , y0 )(y − y0 )+
∂x ∂y (1.4)

+ α1 (x, y) (x − x0 )2 + (y − y0 )2
∂Q ∂Q
Q(x, y) − Q(x0 , y0 ) = (x0 , y0 )(x − x0 ) + (x0 , y0 )(y − y0 )+
∂x ∂y (1.5)

+ α2 (x, y) (x − x0 )2 + (y − y0 )2
unde lim α1 (x, y) = 0, lim α2 (x, y) = 0.
(x,y)→(x0 ,y0 ) (x,y)→(x0 ,y0 )
Notând a = ∂P ∂x (x0 , y0 )= ∂Q ∂P
= ∂Q
∂y (x0 , y0 ), b = − ∂y (x0 , y0 )∂x (x0 , y0 ) şi
α = α1 + iα2 , obţinem din relaţiile (1.4) şi (1.5), relaţiile (1.2) şi (1.3), iar
acestea sunt echivalente cu (1.1) dacă notăm c = a + ib. (Din (1.1) obţinem )
f (z)−f (z0 ) |z−z0 | f (z) − f (z0 )
−c = α(z)· z−z0 , pentru z ̸= z0 şi atunci lim =
z−z0 z→z0 z − z0
c ∈ C, deci f este olomorfă ı̂n z0 ∈ C.
In plus, avem
( ) ( )
′ ∂P ∂Q ∂Q ∂P
f (z0 ) = +i (z0 ) = −i (z0 ) =
∂x ∂x ∂y ∂y
( ) ( )
∂P ∂P ∂Q ∂Q
= −i (z0 ) = +i (z0 )
∂x ∂y ∂y ∂x
1.1. FUNCŢII OLOMORFE. CONDIŢIILE CAUCHY-RIEMANN. 11

Corolarul 1.1. Fie A ⊂ C o mulţime deschisă şi f : A → C, f = P +


iQ. Dacă P, Q ∈ C 1 (A) şi dacă pentru ∀z ∈ A au loc condiţiile Cauchy-
Riemann, atunci f este olomorfă pe A.

Demonstraţie. Dacă P, Q ∈ C 1 (A), atunci P, Q sunt diferenţiabile ı̂n orice


punct z0 ∈ A. Având loc şi condiţiile Cauchy-Riemann ı̂n orice punct
z0 ∈ A afirmaţia rezultă din Teorema 1.1.
( ) ( )
Notăm ∂f
∂z = 1 ∂f
2 ∂x − i ∂f
∂y şi ∂f
∂z = 1 ∂f
2 ∂x + i ∂f
∂y (numită derivata
areolară a lui f ı̂n z0 ; introdusă de Dimitrie Pompeiu ı̂n 1912).

Corolarul 1.2. Fie A ⊂ C o mulţime deschisă şi f : A → C, f = P + iQ.


Dacă P, Q ∈ C 1 (A) şi ∂f
∂z = 0 pe A, atunci funcţia f este olomorfă pe A.

Demonstraţie. Vom arăta că relaţia ∂f


∂z = 0 pe A este echivalentă cu condiţiile
Cauchy-Riemann şi apoi aplicăm Corolarul 1.1. Intr-adevăr,
( ) ( ) ( )
∂f 1 ∂f ∂f 1 ∂P ∂Q 1 ∂P ∂Q
= +i = +i +i +i =
∂z 2 ∂x ∂y 2 ∂x ∂x 2 ∂y ∂y
( ) ( )
1 ∂P ∂Q i ∂Q ∂P
− + + ,
2 ∂x ∂y 2 ∂x ∂y
deci
∂f ∂P ∂Q ∂Q ∂P
= 0 ⇐⇒ = şi =− .
∂z ∂x ∂y ∂x ∂y

Exemplul 1.1. Studiaţi olomorfia următoarei funcţii

f : C → C, f (z) = z 2 + eiz .

Demonstraţie. Punem ı̂n evidenţă partea reală şi partea imaginară a funcţiei
f şi aplicăm Corolarul 1.1.
f (z) = z 2 + eiz = (x + iy)2 + ei(x+iy) = x2 − y 2 + 2ixy + eix e−y =
x − y 2 + 2ixy + e−y (cos x + i sin x) = x2 − y 2 + e−y cos x + i(2xy + e−y sin x),
2

deci P (x, y) = x2 − y 2 + e−y cos x, Q(x, y) = 2xy + e−y sin x.


Avem ∂P −y sin x, ∂P = −2y−e−y cos x, ∂Q = 2y+e−y cos x, ∂Q =
∂x = 2x−e ∂y ∂x ∂y
2x − e−y sin x. Aşadar, ∂P
∂x = ∂Q
∂y şi ∂P
∂y = − ∂Q
∂x , de unde rezultă că f este
olomorfă .

Exemplul 1.2. Să se arate că funcţia f : C → C, f (z) = |z 2 − z 2 | este
continuă ı̂n z = 0, satisface condiţiile Cauchy-Riemann ı̂n acest punct, dar
nu este olomorfă .
12 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Demonstraţie. lim f (z) = 0 = f (0), deci f este continuă ı̂n z = 0


z→0 √ √
Dacă z = x + iy, avem f (z) = 2 |xy|, deci P (x, y) = 2 |xy| şi Q = 0.
∂P P (x, 0) − P (0, 0) ∂Q
∂x (0, 0) = x→0
lim
x−0
=0=
∂y
(0, 0)
P (0, y) − P (0, 0) ∂Q
∂P
∂y (0, 0) = y→0
lim =0=− (0, 0)
y−0 ∂x
Totuşi f nu este olomorfă ı̂n z = 0, deoarece P nu e diferenţiabilă ı̂n
acest punct. Presupunem că P ar fi diferenţiabilă , deci

P (x, y) − P (0, 0) = 0 · (x − 0) + 0 · (y − 0) + P1 (z)|z − 0|,

unde lim P1 (z) = 0.


z→0 √
2 |xy|
Pentru z ̸= 0 avem P1 (z) = √P (x,y) = √
x2 +y 2 2 2
√ √ x +y √
2 |xy| 2 |mx2 | 2 |m|
lim √ = lim √ = √ , deci P1 nu
(x,y)→(0,0) x2 + y 2 x→0,y=mx x2 + m2 x2 1 + m2
are limită ı̂n (0, 0).

Exemplul 1.3. Să se determine punctele ı̂n care funcţia f (z) = z 2 +


2zz − 2z 2 + 3z + 2z este olomorfă şi calculaţi derivatele ı̂n aceste puncte.

Demonstraţie. f (z) = z 2 + 2zz − 2z 2 + 3z + 2z = (x + iy)2 + 2(x + iy)(x −


iy) − 2(x − iy)2 + 3(x + iy) + 2(x − iy) = x2 + 3y 2 + 5x + i(6xy + y), deci
P (x, y) = x2 + 3y 2 + 5x, Q(x, y) = 6xy + y.
Pentru ca funcţia f să fie olomorfă trebuie să fie ı̂ndeplinite condiţiile
∂Q ∂Q
Cauchy-Riemann ∂P ∂x = ∂y şi ∂y = − ∂x , adică 2x+5 = 6x+1 şi 6y = −6y,
∂P

de unde rezultă că x = 1, y = 0, deci z = 1 este punctul ı̂n care funcţia f


este olomorfă . ( )
Atunci ∂f (1) = 1 ∂f
(1) − ∂f
(1) =
[ ∂z 2 ∂x
( ∂y
)]
∂Q ∂Q
1 ∂P
2 ∂x (1, 0) + i ∂x (1, 0) − i ∂P
∂y (1, 0) + i ∂y (1, 0) =7

Exemplul 1.4. Să se determine constantele a şi b astfel ı̂ncât funcţia


f (z) = chx(cos y + a sin y) + ishx(cos y + b sin y) să fie olomorfă .

Demonstraţie. Punând condiţiile Cauchy-Riemann obţinem


shx(cos y + a sin y) = shx(− sin y + b cos y) şi chx(− sin y + a cos y) =
−chx(cos y + b sin y), de unde rezultă a = −1, b = 1.

Definiţia 1.5. Fie u : A → IR o funcţie de clasă C 2 pe deschisul A. Funcţia


2 2
u se numeşte armonică dacă pentru ∀a ∈ A avem ∂∂xu2 (a) + ∂∂yu2 (a) = 0,
adică ∆u = 0 ı̂n orice punct din A.

Corolarul 1.3. Fie A ⊂ C o mulţime deschisă şi f : A → C, f = P + iQ


şi P, Q ∈ C 2 (A). Dacă f este olomorfă pe A, atunci P, Q sunt funcţii
armonice pe A.
1.1. FUNCŢII OLOMORFE. CONDIŢIILE CAUCHY-RIEMANN. 13

Demonstraţie. Din condiţiile Cauchy-Riemann şi Teorema lui Schwarz avem


( ) ( )
∂2P ∂2P ∂ ∂P ∂ ∂P
+ = + =
∂x2 ∂y 2 ∂x ∂x ∂y ∂y
( ) ( )
∂ ∂Q ∂ ∂Q ∂2Q ∂2Q
= + − = − =0
∂x ∂y ∂y ∂x ∂x∂y ∂y∂x

Definiţia 1.6. Un deschis D ⊂ C este conex (deci un domeniu)


dacă şi numai dacă pentru orice două puncte z1 , z2 ∈ D există un drum
γ : [a, b] → D astfel ca γ(a) = z1 şi γ(b) = z2 . Un domeniu D se numeşte
simplu conex dacă frontiera lui D este conexă , adică orice curbă ı̂nchisă
cu suportul ı̂n D se poate deforma continuu către un punct.
Observaţia 1.3. Se poate arăta că aceasta este echivalent cu faptul că
orice curbă ı̂nchisă cu suportul ı̂n D se poate deforma continuu către un
punct. Coroana K(z0 ; r, R) nu este un domeniu simplu conex.

Teorema 1.2. Fie D ⊂ IR2 un domeniu simplu conex. Dacă funcţia


P : D → IR este armonică pe D, atunci există funcţia Q : D → IR ar-
monică pe D astfel ı̂ncât funcţia f : D → C, f = P + iQ să fie olomorfă
.

Demonstraţie. Dacă ar exista funcţia Q armonică pe D astfel ı̂ncât f =


P + iQ să fie olomorfă pe D, atunci Q ar verifica relaţiile Cauchy-Riemann
∂Q ∂Q ∂Q ∂Q
∂x = ∂y şi ∂x = − ∂y , deci dQ = ∂x dx + ∂y dy = − ∂y dx + ∂x dy.
∂P ∂P ∂P ∂P

Considerăm forma diferenţială ω = − ∂P ∂P


∂y dx + ∂x dy = P1 dx + Q1 dy.
2
∂ P ∂Q1 2 ∂Q1 2 2
Avem ∂P ∂y = − ∂y 2 , ∂x = ∂x2 , deci ∂y = ∂x , deoarece ∂x2 + ∂y 2 = 0,
1 ∂ P ∂P1 ∂ P ∂ P

P fiind armonică pe D. Aşadar, forma ω este ı̂nchisă , deci ω este exactă


deoarece D este simplu conex. Atunci există funcţia Q pe D, Q ∈ C 2 (D)
astfel ı̂ncât ω = ∂Q ∂Q ∂Q ∂P ∂Q
∂x dx+ ∂y dy = dQ. Rezultă relaţiile ∂x = − ∂y , ∂y = ∂x ,
∂P

adică tocmai condiţiile Cauchy-Riemann. Aplicând Corolarul 1.1, rezultă


că f = P + iQ este olomorfă pe D.

Observaţia 1.4. Din relaţia ω = dQ rezultă că funcţia Q este unică până
la adăugarea unei constante reale, deci f este unică până la adăugarea unei
constante pur imaginare.
Exemplul 1.5. Să se determine funcţia olomorfă f = P + iQ astfel ı̂ncât
P (x, y) = ex (x cos y − y sin y), f (0) = 0.

Demonstraţie. Relaţiile Cauchy-Riemann sunt verificate dacă :


∂Q
∂y = ∂x = e (x cos y − y sin y) + e cos y
∂P x x

− ∂Q
∂x = ∂y = e (−x sin y − sin y − y cos y)
∂P x

Atunci integrând
∫ x prima xrelaţie ı̂n xraport cu y obţinem
Q(x, y) = (e x cos y−e y sin y+e cos y)dy = ex x sin y+ex y cos y+k(x)
14 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Introducând rezultatul ı̂n a doua relaţie avem


−(ex x sin y + ex sin y + ex y cos y + k ′ (x)) = ex (−x sin y − sin y − y cos y),
de unde k ′ (x) = 0, deci k(x) = c, c ∈ IR.
Atunci Q(x, y) = ex x sin y + ex y cos y + c.
Aşadar, f = ex (x cos y − y sin y) + i(ex x sin y + ex y cos y + c) =
e x(cos y + i sin y) + iex y(cos y + i sin y) + ic = ex xeiy + iex yeiy + ic =
x

ex eiy (x + iy) + ic = ex+iy (x + iy) + ic = ez z + ic


Cum f (0) = 0, rezultă ic = 0, deci c = 0.

Exemplul 1.6. Să se determine funcţia olomorfă f = P + iQ pe C, unde


Q(x, y) = φ(x2 − y 2 ), φ ∈ C 2 .

Demonstraţie. Notăm α = x2 − y 2 .
′ ′ ∂2Q
Avem ∂Q ∂Q
∂x = 2xφ (α), ∂y = −2yφ (α), deci ∂x2
= 2φ′ (α) + 4x2 φ′′ (α),
∂2Q
∂y 2
= −2φ′ (α) + 4y 2 φ′′ (α)
Cum Q este armonică , adică ∆Q = 0, avem

∂2Q ∂2Q
+ = 4(x2 + y 2 )φ′′ (α) = 0 =⇒ φ′′ (α) = 0 =⇒ φ′ (α) = c =⇒
∂x2 ∂y 2

=⇒ φ(α) = cα + c1 =⇒ Q(x, y) = c(x2 − y 2 ) + c1 , c, c1 ∈ IR


Din condiţiile Cauchy-Riemann obţinem
∂P ∂Q
= = −2cy
∂x ∂y
∂P ∂Q
=− = −2cx
∂y ∂x
Integrând a doua ecuaţie ı̂n raport cu y obţinem P (x, y) = −2cxy + g(x) şi
ı̂nlocuind ı̂n prima obţinem −2cy + g ′ (x) = −2cy =⇒ g ′ (x) = 0 =⇒ g(x) =
k =⇒ P (x, y) = −2cxy + k, deci f (z) = −2cxy + k + i(c(x2 − y 2 ) + c1 ) =⇒
f (z) = ciz 2 + ic1 + k, c, c1 , k ∈ IR

1.2 Funcţii elementare


1.2.1 Funcţia exponenţială
Definiţia 1.7. Se numeşte exponenţiala complexă funcţia

exp : C → C∗ , z −→ ez ,
∞ n
∑ z
unde exp z = ez = .
n!
n=0
Proprietăţi :

a) e0 = 1;
1.2. FUNCŢII ELEMENTARE 15

b) ez1 +z2 = ez1 ez2 , ∀ z1 , z2 ∈ C;

c) eiy = cos y + i sin y, ∀ y ∈ IR (formula lui Euler);

d) funcţia exponenţială este olomorfă şi periodică de perioadă 2πi.

∑ ∑ zn ∑ ∑ zn
1 2
Demonstraţie. b) Considerăm seriile un = , vn = . Atunci
n! n!
n≥0 n≥0 n≥0 n≥0

n ∑
n
1 (z1 + z2 )n
wn = up vn−p = z1p z2n−p = .
p!(n − p)! n!
p=0 p=0
∑ ∑ ∑
Cum seria produs wn = up vq , avem
n≥0 p≥0 q≥0

   
∑ (z1 + z2 )n ∑ zp ∑ zq
= 1 
· 1
.
n! p! q!
n≥0 p≥0 q≥0

c) Avem

∑ (iy)n y2 y4 (−1)n y 2n
eiy = =1− + − ... + + ...+
n! 2! 4! (2n)!
n≥0

( )
y3 (−1)n y 2n+1
+i y − + ... + + . . . = cos y + i sin y
3! (2n + 1)!

folosind dezvoltările ı̂n serie ale funcţiilor reale cos y şi sin y.
d) Pentru orice z ∈ C avem ez = ex+iy = ex eiy = ex (cos y + i sin y), deci
Re exp z = P (x, y) = ex cos y şi Im exp z = Q(x, y) = ex sin y. Funcţiile P şi
∂Q ∂Q
Q sunt de clasă C 1 şi ∂P
∂x = e cos y = ∂y şi ∂y = −e sin y = − ∂x . Atunci
x ∂P x

conform Corolarului 1.1, funcţia exp z este olomorfă pe C.


Pentru orice z ∈ C avem

ez+2πi = ex+iy+2πi = ex ei(y+2π) = ex (cos(y + 2π) + i sin(y + 2π)) =

= ex (cos y + i sin y) = ez ,

deci funcţia exp z este periodică de perioadă 2πi.


Exemplul 1.7. Calculaţi ez , unde z = 2 − 12 πi.

√ √ √
2− 21 πi
Demonstraţie. ez = e =e 2 (cos π
2 − i sin π2 ) = −ie 2
16 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

1.2.2 Funcţia logaritm


Pentru orice z ∈ C∗ fixat ne punem problema să aflăm toate soluţiile
w = u + iv ∈ C ale ecuaţiei ew = z. Folosind scrierea trigonometrică a unui
număr complex, z = reiθ , unde r = |z|, iar θ = arg z, obţinem eu = |z|,
de unde rezultă u = ln |z| şi ţinând cont că funcţia exp z este periodică de
perioadă 2πi, avem v = arg z + 2kπ, k ∈ ZZ. Aşadar, toate soluţiile ecuaţiei
sunt ew = z, z ∈ C∗ sunt w = ln |z| + i(arg z + 2kπ), k ∈ ZZ.
Definiţia 1.8. Se numeşte logaritmul { numărului complex z ∈}C∗ ,
mulţimea de numere complexe Lnz = ln |z| + i(arg z + 2kπ) | k ∈ ZZ .
Funcţia Lnz este o funcţie multiformă (care asociază unei valori z mai
multe valori numerice). Funcţia logaritm are o infinitate de ramuri.
Pentru k = 0 obţinem valoarea principală a logaritmului

ln z = ln |z| + i arg z.

Exemplul 1.8. Calculaţi Ln(2 − 2i).

√ √
Demonstraţie. Avem |2−2i| = 2 2 şi arg z = 7π
4 , deci Ln(2−2i) = ln 2 2+
4 + 2kπ), k ∈ ZZ
i( 7π

Exemplul 1.9. Rezolvaţi ecuaţia Lnz = e − πi, z ∈ C.

Demonstraţie. Lnz = e−πi =⇒ z = ee−πi = ee ·e−πi = ee ·(cos π −i sin π) =


−ee

1.2.3 Funcţia putere


Este o funcţie multiformă
{ }
z m = emLnz = em(ln |z|+i(arg z+2kπ)) | k ∈ ZZ , m ∈ C.

Exemplul 1.10. Calculaţi ii .

{ }
Demonstraţie. ii = eiLni = ei(ln |i|+i(arg(i)+2kπ)) | k ∈ ZZ =
{ − π −2kπ }
= e 2 | k ∈ ZZ .

Exemplul 1.11. Calculaţi (−1)1−2i .

= e(1−2i)Ln(−1) = e(1−2i)(ln |−1|+i(π+2kπ)) =


1−2i
Demonstraţie. (−1)1−2i = eLn(−1)
e (1−2i)i(π+2kπ) =e 2(π+2kπ) ·e i(π+2kπ) = −e2(π+2kπ) , k ∈ ZZ
1.2. FUNCŢII ELEMENTARE 17

1.2.4 Funcţia radical


√ { }
Este o funcţie multiformă n z = w ∈ C | wn = z , n ∈ IN, n ≥ 2.
Dacă z ̸= 0, z = reiθ , funcţia radical o definim cu ajutorul funcţiei putere
şi scriem
√ { 1 } { 1 }
z = z n = e n Lnz = e n (ln |z|+i(arg z+2kπ)) | k ∈ ZZ = e n ln |z| ·ei n | k ∈ ZZ =
1 1 θ+2kπ
n

{√ θ+2kπ } { √ θ+2kπ }
= n
rei n | k ∈ ZZ = n rei n | k = 0, 1, 2, . . . , n − 1
Exemplul 1.12. Să se rezolve ecuaţia z 3 + 2 − 2i = 0.

Demonstraţie. Avem ecuaţia z 3 = 2(−1 + i). Cum |w| = | − 1 + i| = 2 şi
|w| = − 2 + i 2 , rezultă arg w = 4 .
w √1 √1 3π

{ √ 3π 4 +2kπ } {√ 2kπ π }
Deci z = 6 2ei 3 | k = 0, 1, 2 = 6 2ei( 3 + 4 ) | k = 0, 1, 2 =
{√ ( ( ) ( 2kπ π )) }
6
2 cos 2kπ π
3 + 4 + i sin 3 + 4 | k = 0, 1, 2 .

1.2.5 Funcţiile trigonometrice complexe


Pentru orice z ∈ C, definim funcţiile cos z şi sin z prin

eiz + e−iz eiz − e−iz


cos z = , sin z = .
2 2i
Se verifică relaţiile
eiz = cos z + i sin z
cos2 z + sin2 z = 1
{ } iz −e−iz
Definim tg : C \ π2 + kπ, k ∈ ZZ → C, tg z = −i eeiz +e −iz şi

{ } eiz + e−iz
ctg : C \ kπ, k ∈ ZZ → C, ctg z = i iz
e − e−iz
Funcţiile sin, cos, tg , ctg sunt funcţii uniforme (nu sunt multiforme) şi
toate formulele trigonometrice din cazul real ramân valabile.
Se definesc şi funcţiile hiperbolice complexe

ez − e−z ez + e−z shz


shz = , chz = , thz = (pentru ch z ̸= 0)
2 2 chz
Se observă că shz = −i sin(iz), chz = cos(iz).
Inversarea funcţilor trigonometrice complexe conduce la alte funcţii
multiforme. Astfel, rezolvând ecuaţia z = sin w, rezultă :

eiw − e−iw
z= sau e2iw − 2izeiw − 1 = 0,
2i
18 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE
√ √
de unde eiw = iz ± 1 − z 2 şi iw = Ln(iz ± 1 − z 2 ). Atunci se defineşte

Arcsinz = −iLn(iz ± 1 − z 2 ).

Analog se definesc

Arccosz = −iLn(z ± z 2 − 1),
i i−z
Arctgz = − Ln etc.
2 i+z
( )
Exemplul 1.13. Să se calculeze z = ctg π4 − i ln 3 .
i( π −i ln 3) −i( π −i ln 3)
Demonstraţie. Avem z = i ei( π4 −i ln 3) +e−i( π4 −i ln 3) .
e 4 ( √−e 4 √ ) √
i( π4 −i ln 3) πi
Cum e = e e 4 = 3 22 + i 22 =
ln 3 3 2
2 (1 + i).

3 2
2
(1+i)+ √ 2
3 2(1+i) 11+7i 77−36i
Atunci z = √
3 2
= 7+11i = 85 .
(1+i)− √ 2
2 3 2(1+i)
( πi
)
Exemplul 1.14. Să se calculeze z = th ln 2 + 4 .
− ln 2+ πi
4 −e (
ln 2+ πi 4 ) πi πi
Demonstraţie. Avem z = e −(ln 2+ πi
, dar eln 2+ 4 = eln 2 e 4 =
e ln 2+ πi
4 +e 4 )
(√ √
√ ) √ 2(1+i)− √ 1
2 2
= 2 2 + i 2 = 2(1 + i). Atunci z = √2(1+i)+ √2(1+i) 1 = 4i−1
4i+1 =
15+8i
17 .
2(1+i)

(√ √ )
3+i 5
Exemplul 1.15. Să se calculeze z = Arctg 2 .
√ √

i− 3+i 5
Demonstraţie. Avem z = = − 2i Ln −1+i
− 2i Ln √3+i
2√
5
√ 3.
3+ 5
√ 2
i+
√ √

Cum −1+i√ 3 =
3+ 5 [
2√
şi z
|z| = − 1
+ i 3
, rezultă arg −1+i
√ 3 = 2π
3 .
)] 3k+1
3+ 5 2 2 3+ 5
( √
Aşadar, z = − 2 ln 3+ 5 + i 2kπ + 3
i 2√ 2π
= 3 π − 2 ln 2 , k ∈ ZZ
i 3− 5

Exemplul 1.16. Să se demonstreze egalităţile :


a) | sin z|2 = sin2 x + sh2 y
b) | cos z|2 = cos2 x + sh2 y
unde z = x + iy.

Demonstraţie. a) Avem sin z = sin(x + iy) = sin x cos iy + sin iy cos x. Dar
cos iy = chy, sin iy = i · shy, deci sin z = sin x · chy + i cos x · shy.
De aici deducem | sin z|2 = sin2 x · ch2 y + cos2 x · sh2 y.
Tinând cont că ch2 y − sh2 y = 1, rezultă | sin z|2 = sin2 x + sh2 y.
b) Analog avem

cos z = cos(x + iy) = cos x cos iy − sin x sin iy = cos x · chy − i sin x · shy,

deci | cos z|2 = cos2 x · chy 2 + sin2 x · sh2 y, adică | cos z|2 = cos2 x + sh2 y.
1.3. INTEGRALA COMPLEXĂ 19

Exemplul 1.17. Rezolvaţi in mulţimea numerelor complexe ecuaţia

chz − shz = 1 + i.
−z −z
− e −e = 1 + i =⇒ e−z = 1 + i =⇒
z z
Demonstraţie. Ecuaţia devine e +e
2 2
=⇒ −z = Ln(1 + i) =⇒ z = −[ln |1 + i| + i( π4 + 2kπ)] =

= − ln 2 − i( π4 + 2kπ), k ∈ ZZ

1.3 Integrala complexă . Teorema lui Cauchy.


Formula integrala Cauchy
Fie A ⊂ C o mulţime deschisă şi γ : [a, b] → A un drum (curbă ) de clasă
C1 pe porţiuni. Fie f : A → C o funcţie complexă continuă , f = P + iQ.
Notăm γ(t) = z(t) = x(t) + iy(t), deci x, y : [a, b] → IR sunt funcţii
de clasă C 1 pe porţiuni. Drumul γ − : [a, b] → IR este drumul opus lui γ,
γ − (t) = γ(a + b − t).
Fie △n : a = t0 < t1 < . . . < tn = b o diviziune a intervalului [a, b]
care ı̂mparte drumul γ ı̂n n arce l0 , l1 , . . . , ln−1 . Inceputul arcului lk este
punctul zk = γ(tk ) şi sfârşitul lui lk este punctul zk+1 = γ(tk+1 ). Alegem
τk ∈ [tk , tk+1 ] o valoare arbitrară şi scriem ζk = γ(τk ) = ξk + iηk .

n−1
Definiţia 1.9. Suma f (ζk )(zk+1 − zk ) se numeşte sumă integrală
k=0
complexă (relativ la γ, f, △
{ n , ζk ). }
Notăm cu ν(△n ) = max t1 − t0 , t2 − t1 , . . . , tn − tn−1 norma diviziunii
△n .

Lema 1.1. In condiţiile anterioare, pentru orice alegere a punctelor ζk ,


există limita

n−1 ∫ ∫
lim f (ζk )(zk+1 − zk ) = P dx − Qdy + i Qdx + P dy
ν(△n )→0 γ γ
k=0

(două integrale curbilinii reale).

Demonstraţie. Avem f (ζk ) = P (ξk , ηk ) + iQ(ξk , ηk ) şi

zk+1 − zk = (xk+1 − xk ) + i(yk+1 − yk ).

Deci

n−1 ∑
n−1 ∑
n−1
f (ζk )(zk+1 − zk ) = P (ξk , ηk )(xk+1 − xk ) − Q(ξk , ηk )(yk+1 − yk )+
k=0 k=0 k=0


n−1 ∑
n−1
+i Q(ξk , ηk )(xk+1 − xk ) + i P (ξk , ηk )(yk+1 − yk )
k=0 k=0
20 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Din ipoteză f este continuă , deci P şi Q sunt continue, iar x şi y sunt
funcţii de clasă C 1 pe porţiuni. Rezultă că


n−1 ∫ ∑
n−1 ∫
P (ξk , ηk )(xk+1 −xk ) −→ P dx şi Q(ξk , ηk )(yk+1 −yk ) −→ Qdy, etc.
k=0 γ k=0 γ

Definiţia 1.10. Limita


n−1
lim f (ζk )(zk+1 − zk )
ν(△n )→0(orice ζk )
k=0

se numeşte integrala
∫ complexă a funcţiei f de-a lungul curbei γ şi
se notează cu γ f (z)dz.
∫ ∫b
Corolarul 1.4. Avem γ f (z)dz = a f (z(t)) · z ′ (t)dt, unde

γ : z = z(t), t ∈ [a, b].

Demonstraţie. Din Lema 1.1 avem


∫ ∫ ∫
f (z)dz = P dx − Qdy + i Qdx + P dy.
γ γ γ

Dar
∫ ∫ b
P dx − Qdy = [P (x(t), y(t)) · x′ (t) − Q(x(t), y(t)) · y ′ (t)]dt
γ a
∫ ∫ b
Qdx + P dy = [Q(x(t), y(t)) · x′ (t) + P (x(t), y(t)) · y ′ (t)]dt,
γ a

deci
∫ ∫ b ∫ b
′ ′
f (z)dz = [P (x(t), y(t))+iQ(x(t), y(t))](x (t)+iy (t))dt = f (z(t))·z ′ (t)dt.
γ a a

Aşadar, o integrală complexă revine la o pereche de integrale Riemann


reale.

Proprietăţile integralei complexe :


∫ ∫
1. (schimbarea sensului) γ − f (z)dz = − γ f (z)dz

2. (liniaritatea) ∀λ, µ ∈ C şi f, g : A → C continuă ,


∫ ∫ ∫
(λf (z) + µg(z))dz = λ f (z)dz + µ g(z)dz
γ γ γ
1.3. INTEGRALA COMPLEXĂ 21

3. (aditivitatea) Fie γ1 : [a, b] → A, γ2 : [b, c] → A drumuri de clasă C 1


pe porţiuni cu γ1 (b) = γ2 (b) şi γ = γ1 ∪ γ2 . Atunci
∫ ∫ ∫
f (z)dz = f (z)dz + f (z)dz.
γ γ1 γ2

∫ ∫

4. γ f (z)dz ≤ γ |f (z)|ds .

5. (limitarea modulului integralei)


∫ Fie L lungimea drumului γ şi fie

M = sup|f (z)| < ∞. Atunci γ f (z)dz ≤ M L.
z∈A
∫ ∫
Exemplul 1.18. Să se calculeze integralele I1 = |z|=1 z|dz|, I2 = S z|dz|,
unde cercul unitate este parcurs pozitiv o singură dată , iar S e segmentul
care uneşte 0 şi i.

Demonstraţie.
∫ 2π it z = eit , t ∈ [0, 2π] =⇒ dz = ieit dt =⇒ |dz| = dt =⇒ I1 =
1 it 2π
= 0 e dt = i e /0 = 0
Segmentul S are reprezentarea∫1 parametrică z = ti, t ∈ [0, 1] =⇒ dz =
= idt =⇒ |dz| = dt =⇒ I2 = 0 tidt = 2i

Exemplul 1.19. Să se calculeze integrala complexă γ (z 2 + 1)dz, unde
{ }
γ = Fr z ∈ C/|z| ≤ r, Imz ≥ 0 cu r > 1.

Demonstraţie. γ este reuniunea curbelor δ, unde δ(t) = (2t − 1)r, t ∈ [0, 1]


∫ 2= re , t ∈ [0,
şi σ, unde σ(t) it
∫ π] ∫
Atunci γ (z + 1)dz = δ (z 2 + 1)dz + σ (z 2 + 1)dz =
∫1 ∫π
= 0 (2t − 1)2 r2 2rtdt + 0 r2 e2it rieit dt etc.

Teorema 1.3. (Cauchy) Fie D ⊂ C un domeniu simplu conex şi f : D →


C o funcţie olomorfă pe D astfel ı̂ncât P = Ref, Q = Imf să fie de
clasă C 1 (D). Dacă γ : [a, b] → D este o curbă ı̂nchisă jordaniană (i.e.
o curbă fără autointersecţii ı̂n IR2 = C) de clasă C 1 pe porţiuni astfel
∫ı̂ncât compactul Intγ să verifice condiţiile formulei Green-Riemann, atunci
γ f (z)dz = 0.

Demonstraţie. Aplicând formula Green-Riemann obţinem


∫ ∫ ∫
f (z)dz = P dx − Qdy + i Qdx + P dy =
γ γ γ
∫ ∫ ( ) ∫ ∫ ( )
∂Q ∂P ∂P ∂Q
= − − dxdy+i − dxdy, unde K = Intγ.
K ∂x ∂y K ∂x ∂y
Cum f este olomorfă , au loc condiţiile Cauchy-Riemann, deci cele două
integrale duble sunt nule.

Exemplul 1.20. Să se calculeze integrala |z|=1 sec z2 dz.
22 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

∫ ∫
Demonstraţie. |z|=1 sec z2 dz = |z|=1 cos1 z dz = 0 conform Teoremei 1.3,
2
deoarece soluţiile ecuaţiei cos z2 = 0 sunt ı̂n afara cercului unitate.
iz −i z
= 0 =⇒ ei 2 + e−i 2 = 0 =⇒ eiz + 1 = 0 =⇒ iz =
z z
cos z2 = 0 =⇒ e 2 +e
2
2

Ln(−1) =⇒ z = i [ln |−1|+i(π+2kπ)] = −i·i(π+2kπ) = π+2kπ, k ∈ ZZ


1

{ }
Lema 1.2. Fie C = z ∈ C| |z − a| = r > 0 un cerc considerat ca un
drum ı̂nchis jordanian de clasă C 1 , orientat pozitiv (parcurs o singură dată
ı̂n sens trigonometric direct). Pentru orice n ∈ ZZ avem
∫ {
0, n ̸= −1
(z − a) dz =
n
C 2πi, n = −1

Demonstraţie. Fie z(t) = a + reit , t ∈ [−π, π] parametrizarea cercului.


Avem z ′ (t) = rieit . Deci
∫ ∫ π ∫ π
(z − a) dz =
n it n it
(re ) rie dt = r n+1
i ei(n+1)t dt.
C −π −π

Dacă n ̸= −1, atunci


∫ π ∫ π ∫ π
ei(n+1)t dt = cos(n + 1)tdt + i sin(n + 1)tdt = 0.
−π −π −π
∫π ∫
Dacă n = −1, atunci −π ei0t dt = 2π, deci dz
C z−a = 2πi.

Teorema 1.4. (formula integrală a lui Cauchy) Fie D ⊂ C un dome-


niu şi f : D → C o funcţie olomorfă pe D. Fie △ ⊂ D, unde △ este un
domeniu simplu conex, mărginit cu frontiera γ o curbă ı̂nchisă jordaniană ,
de clasă C 1 pe porţiuni, orientată pozitiv. Atunci, pentru orice punct a ∈ △
fixat, are loc formula ∫
1 f (z)
f (a) = dz
2πi γ z − a

Demonstraţie. Alegem două discuri B(a; r0 ) ⊂ B(a; ρ) ⊂ △ şi fie C fron-


tiera discului B(a; ρ) orientată pozitiv. In domeniul D \ B(a; r0 ) funcţia
f (z) ∫ f (z) ∫ f (z)
z−a este olomorfă . Deci γ z−a dz = C z−a dz.
Acum
∫ f (z) putem ∫scrie ∫ f (a) ∫ 1
f (z)−f (a)
dz = dz + dz = I + f (a) C z−a dz = I +
C z−a C
∫ z−a
f (z)−f (a)
C z−a
2πif (a), unde I = C z−a dz. Vom arăta că I = 0. Funcţia f este
olomorfă ı̂n a, deci continuă ı̂n a. Pentru ∀ε > 0, ∃δ > 0 astfel ı̂ncât
ε
|z − a| < δ =⇒ |f (z) − f (a)| < .

Deoarece discurile erau alese arbitrar, vom lua ρ < δ şi atunci rezultă
∫ ∫ ∫
f (z) − f (a) |f (z) − f (a)| ε

|I| =
dz ≤ ds < ds = ε
C z−a C |z − a| 2πρ C
1.4. DEZVOLTĂRI ÎN SERIE LAURENT 23

Dar ε este arbitrar (ε −→ 0), deci obţinem I = 0 şi atunci


∫ ∫
1 f (z) 1 f (z)
f (a) = dz = dz
2πi C z − a 2πi γ z − a

Corolarul 1.5. In condiţiile Teoremei 1.4 avem,



n! f (z)
f (n) (a) = dz, n ∈ IN
2πi γ (z − a)n+1
∫ e3z
Exemplul 1.21. Calculaţi integrala |z|=1 3z−i dz.
z
Demonstraţie. Conform Teoremei 1.4, luând f (z) = e3 şi a = i
3 avem
∫ e3z
(i) i
e3· 3
|z|=1 3z−i dz = 2πif 3 = 2πi · 2πi
3 = 3 (cos 1 + i sin 1)
∫ z 4 −3z 2 +6
Exemplul 1.22. Calculaţi integrala |z|=2 (z+i)3
dz.

Demonstraţie. In Corolarul 1.5 luăm f (z) = z 4 − 3z 2 + 6, a = −i, n = 2 şi


∫ 4 −3z 2 +6 2πi ′′
obţinem |z|=2 z (z+i) 3 dz = 2! f (−i) = πi(12i − 6) = −18πi
2

1.4 Funcţii analitice complexe. Dezvoltări ı̂n serie


Laurent

Definiţia 1.11. Seria an (z − z0 )n , unde z ∈ C, z0 ∈ C fixat, an ∈ C
n≥0
se numeşte serie de puteri centrată ı̂n punctul∑z0 .
{ }
Definiţia 1.12. Fie R = sup r ∈ IR/r ≥ 0, seria an |r|n convergentă .
n≥0
Numărul
{ R se numeşte }rază de convergenţă , iar discul B(z0 , R) =
= z ∈ C, |z − z0 | < R se { numeşte
} disc de convergenţă . Convenţie :
pentru R = 0, B(z0 , R) = z0 , iar pentru R = ∞, B(z0 , R) = C.

Teorema 1.5. (Cauchy - Hadamard) Fie o serie de puteri cu raza de


convergenţă R. Atunci R = √
1
.
lim n |an |
n→∞

Teorema 1.6. (Teorema lui Abel) Fie seria de puteri an (z − z0 )n cu
n≥0
raza de convergenţă R. Atunci

1. seria este absolut convergentă pe |z − z0 | < R;

2. seria este divergentă pe |z − z0 | > R;

3. seria este uniform convergentă pe |z − z0 | ≤ ρ, oricare ar fi ρ < R.


24 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Teorema 1.7. Fie z0 ∈ C fixat şi S(z) = an (z −z0 )n , ∀z cu |z −z0 | < R
n≥0
suma seriei centrate ı̂n punctul z0 , unde R este raza de convergenţă . Atunci
funcţia S(z) este olomorfă ı̂n orice punct z ∈ B(z0 , R) şi

S ′ (z) = nan (z − z0 )n−1 , ∀z ∈ B(z0 , R).
n≥1

Corolarul 1.6. Fie z0 ∈ C fixat şi S(z) = an (z − z0 )n , ∀z cu |z − z0 | <
n≥0
R suma seriei centrate ı̂n punctul z0 , unde R este raza de convergenţă .
Atunci funcţia S(z) are derivate complexe de orice ordin ı̂n orice punct
S (k) (z0 )
z ∈ B(z0 , R) şi ak = k! , ∀k ∈ IN.

Definiţia 1.13. Fie A ⊂ C o mulţime deschisă . Funcţia f : A∑


→ C se
numeşte analitică pe A dacă ∀z0 ∈ A, există o serie formală an X n
n≥0
convergentă ı̂ntr-un disc de rază R > 0 astfel ı̂ncât există discul B(z0 , r) ⊂
A, 0 < r ≤ R cu proprietatea

f (z) = an (z − z0 )n , ∀z ∈ B(z0 ; r).
n≥0

Propoziţia 1.1. Fie A ⊂ C o mulţime deschisă şi f : A → C o funcţie


analitică pe A. Atunci există derivatele complexe de orice ordin ale lui f
ı̂n A şi ı̂ntr-o vecinătate a oricărui punct z0 ∈ A avem
∑ f (n) (z0 )
f (z) = (z − z0 )n .
n!
n≥0

Noţiunile de analiticitate şi olomorfie sunt echivalente şi vom evidenţia


acest fapt ı̂n următoarea teoremă :

Teorema 1.8. (Weierstrass-Riemann-Cauchy) Fie A ⊂ C o mulţime


deschisă şi f : A → C o funcţie complexă . Atunci f este analitică pe A
dacă şi numai dacă f este olomorfă pe A.

Demonstraţie. Presupunem că f este analitică pe A. Fie z0 ∈ A un punct


oarecare. Atunci există B(z0 ; r) ⊂ A (r > 0) astfel ı̂ncât

f (z) = cn (z − z0 )n , ∀ z ∈ B(z0 ; r).
n≥0

f (z)−f (z0 )

Deoarece f (z0 ) = c0 putem scrie z−z0 = cn (z − z0 )n−1 pentru
n≥1
f (z) − f (z0 )
̸ z0 , z ∈ B(z0 ; r) şi atunci lim
z= = c1 ∈ C.
z→z0 z − z0
1.4. DEZVOLTĂRI ÎN SERIE LAURENT 25

Reciproc, presupunem că f este olomorfă pe A şi fie z0 ∈ A un punct


fixat oarecare. Fie ρ = d(z0 , FrA) şi fie B(z0 ; r) ⊂ A cu 0 < r < ρ.
Fie C = FrB(z0 ; r), circumferinţa parcursă ı̂n sens trigonometric direct.
Atunci, din formula integrală a lui Cauchy, rezultă

1 f (u)
f (z) = du, ∀ z ∈ B(z0 ; r).
2πi C u − z
Scriem
1 1 1 1
= = ·
u−z (u − z0 ) − (z − z0 ) u − z0 1 − u−z
z−z0
0

|z−z |
z−z0
şi notând w = u−z 0
(u ∈ C, deci u ̸= z0 ) avem |w| = u−z
z−z0
0
= r 0 < 1.
∑ ∑ 1
Atunci seria wn este convergentă şi wn = , deci obţinem
1−w
n≥0 n≥0

1 1 ∑( z − z0
)n
f (u) ∑ (z − z0 )n
= · ; = f (u) .
u−z u − z0 u − z0 u−z (u − z0 )n+1
n≥0 n≥0

Pentru z ∈ B(z0 ; r) fixat putem scrie



n
f (u) (z − z0 ) ≤ sup |f (u)| · |z − z0 | = M · |z − z0 | ,
n n
(u − z0 )n+1 u∈C rn+1 rn+1
deoarece |f | este o funcţie continuă pe compactul C ⊂ A. Rezultă că seria
∑ (z − z0 )n
de funcţii f (u) este majorată (ı̂n modul) de seria numerică
(u − z0 )n+1
∑ ( |z − z0 | )n
n≥0

convergentă rM
(o progresie geometrică cu raţia |z−z
r
0|
<
r
n≥0
1). Atunci, conform criteriului lui Weierstrass, seria de funcţii converge
uniform ı̂n raport cu u ∈ C (C compact) şi poate fi integrată termen cu
termen (părţile reală şi imaginară converg uniform şi aplicăm rezultatele
de la integrale reale). Aşadar obţinem
∫ ∑
1 (z − z0 )n
f (z) = f (u) du =
2πi C (u − z0 )n+1
n≥0

1 ∑ (∫ f (u)
) ∑
= du · (z − z 0 )n
= cn (z − z0 )n ,
2πi C (u − z0 )n+1
n≥0 n≥0

unde ∫
1 f (u)
cn = du, ∀n ∈ IN.
2πi C (u − z0 )n+1
Deoarece
∑ cn nu depinde de punctul z, ci numai de f şi de z0 şi cum seria
cn (z − z0 )n este convergentă pentru orice z ∈ B(z0 ; r), rezultă că funcţia
n≥0
f este analitică pe A.
26 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Observaţia∑ 1.5. Din demonstraţie rezultă că , pentru o funcţie olomorfă


f pe A, seria cn (z −z0 )n este convergentă cu suma f (z) ı̂n discul B(z0 ; ρ)
n≥0
(0 < r < ρ, cu r arbitrar), unde ρ este distanţa de la punctul z0 la frontiera
deschisului A.
∑ Laurent centrată ı̂n punctul z0 ∈ C
Definiţia 1.14. Se numeşte serie
orice serie de funcţii de forma an (z − z0 )n , an ∈ C.
∑ n∈Z
Definiţia 1.15. Seria an (z − z0 )n , an ∈ C se numeşte convergentă
∑ n∈Z ∑
dacă seriile an (z − z0 ) şi
n
a−n (z − z0 )−n sunt simultan convergente.
n≥0 n≥1

Definiţia 1.16. Seria a−n (z − z0 )−n se numeşte partea principală
n≥1

a seriei Laurent, iar seria an (z − z0 )n se numeşte partea Taylor a
n≥0
seriei Laurent.
∑ √ 1
Teorema 1.9. Fie seria Laurent an (z−z0 )n şi fie r = lim n
|a−n |, =
n→∞ R
√ n∈Z
= lim n
|an |; presupunem că 0 ≤ r < R. Atunci :
n→∞ { }
a) In coroana circulară B(z0 ; r, R) = z ∈ C/r < |z − z0 | < R seria
Laurent converge absolut şi uniform pe compacţi.
b) In mulţimea C \ B(z0 ; r, R) seria Laurent diverge.

c) Suma seriei Laurent S(z) = an (z − z0 )n este o funcţie olomorfă
n∈Z
pe coroana B(z0 ; r, R).

Demonstraţie. a) Seria de puteri an (z − z0 )n are raza de convergenţă
n≥0
R şi converge
∑ absolut şi uniform ∑pe compacţi ı̂n discul B(z0 ; R). Seria
de puteri a−n (z − z0 )−n = a−n wn (am notat w = z−z 1
0
) are raza
n>0 n>0
de convergenţă 1r , deci converge absolut şi uniform pe compacţi ı̂n discul
B(0, 1r ), deci ı̂n exteriorul discului B(z0 , r) (|w| < 1r ⇐⇒ |z − z0 | > r).
Deci, seria Laurent (ca sumă a celor două serii de funcţii) converge absolut
şi uniform pe compacţi ı̂n coroana circulară B(z0 ; r, R).
b) In C \ B(z0 ; r, R) seria Laurent este suma a două serii, dintre care
una este convergentă şi cealaltă divergentă , deci
∑ este divergentă .
c) Conform Teoremei 1.8, funcţia S1 (z) = an (z − z0 )n este olomorfă
n≥0

pentru orice z ∈ C cu |z − z0 | < R şi funcţia S2 (w) = a−n wn este
n>0
olomorfă pentru orice w ∈ C cu |w| < 1r .
1.4. DEZVOLTĂRI ÎN SERIE LAURENT 27

{ } { }
Funcţia z ∈ C| |z − z0 | > r −→ w ∈ C| |w| < 1r , z −→ w = z−z 1
∑ 0

este olomorfă , deci compunerea S2 (z) = a−n (z − z0 )−n este o funcţie


n>0
olomorfă pentru orice z ∈ C cu |z − z0 | > r. Atunci S(z) = S1 (z) + S2 (z)

∑ o funcţie olomorfă pentru orice z ∈ B(z0 ; r; R). Mai mult, S (z) =
este
nan (z − z0 )n−1 .
n∈ZZ

Teorema 1.10. Fie f : B(z0 ; r, R) → C o funcţie olomorfă pe coroana


circulară
∑ D = B(z0 ; r, R)(0 ≤ r < R). Atunci există o unică serie Laurent
an (z − z0 )n a cărei coroană de convergenţă include coroana D astfel
n∈Z ∑
ı̂ncât ı̂n D avem f (z) = an (z − z0 )n .
n∈Z

Exemplul 1.23. Să se determine discul de convergenţă pentru următoarele


∑ ( 2 + 3i )n
serii :
∑ 2100n
a) n
z ; b) (z − π)n
n! 5−i
n≥0 n≥0

Demonstraţie. a) R = 1
= 1
= ∞, deci
2100(n+1) n! 2100
lim · 100n lim
n→∞ (n + 1)! 2 n→∞ n + 1
mulţimea de convergenţă este C. √
b) R = √ 1 n = 1 = √1 = 2, deci discul de
2 + 3i 2 + 3i √ 13

lim n lim

26

n→∞ 5−i n→∞ 5 − i



convergenţă este |z − π| < 2

Exemplul 1.24. Să se dezvolte ı̂n serie de puteri ale lui z funcţia
1
f (z) =
z 3 − 6z 2 + 11z − 6
ı̂n următoarele domenii:
a) |z| < 1; b) 1 < |z| < 2; c) 2 < |z| < 3; d) |z| > 3.

Demonstraţie. Funcţia f are ca poli rădăcinile ecuaţiei z 3 −6z 2 +11z−6 = 0,


adică punctele z1 = 1, z2 = 2, z3 = 3.
a) In cercul |z| < 1, funcţia f este olomorfă , deci dezvoltabilă ı̂n serie
Taylor ı̂n acest domeniu.
1
f (z) = (z−1)(z−2)(z−3) 1
= 2(z−1) − z−2
1 1
+ 2(z−3) = − 12 · 1−z
1
+ 12 · 1−1 z − 16 · 1−1 z
z z 2 3
In acest domeniu avem |z| < 1, 2 < 1, 3 < 1. ( )
∑ ∑ zn 1 ∑ zn ∑
n 1 1 1 1 1
Atunci f (z) = − 21
z + − = z − + n+1 − · n+1
n
2 2n 6 3n 2 2 2 3
n≥0 n≥0 n≥0 n≥0
b) In coroana circulară 1 < |z| < 2, funcţia f este dezvoltabilă ı̂n serie
Laurent.
28 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

In domeniul 1 < |z| < 2 avem z2 < 1, z3 < 1, z1 < 1, deci
∑1 1 ∑ zn 1 ∑ zn
f (z) = 2z1
· 1−1 1 + 12 · 1−1 z − 16 · 1−1 z = 2z1
+ − =
z 2 3 zn 2 2n 6 3n
∑[ 1 ( )] n≥0 n≥0 n≥0
1 1 1
= +z n
− ·
2z n+1 2n+1 2 3n+1
n≥0

c) In domeniul 2 < |z| < 3 avem z1 < 1, z3 < 1, z2 < 1.
Atunci f (z) = 2z 1
· 1−1 1 − z1 · 1−1 2 − 16 · 1−1 z =
∑ [( 1 ) ]
z z 3
∑1 1 ∑ 2n 1 ∑ z n 1 1 zn
= 2z1
− − = −2 n
− · .
zn z zn 6 3n+1 2 z n+1 2 3n+1
n≥0 n≥0
n≥0
n≥0

d) In acest domeniu z1 < 1, z2 < 1, z3 < 1.
Atunci f (z) = 2z 1
· 1−1 1 − z1 · 1−1 2 + 2z1
· 1−1 3 =
∑ 1 (1 )
z z z
∑1 1 ∑ 2n 1 ∑ 3n 3n
= 2z1
− + = − 2n
+ .
zn z z n 2z zn z n+1 2 2
n≥0 n≥0 n≥0 n≥0

2z 2 +3z−1
Exemplul 1.25. Să se dezvolte funcţia f (z) = z 3 +z 2 −z−1
ı̂n jurul originii
şi ı̂n jurul lui z = ±1.

Demonstraţie. z 3 + z 2 − z − 1 = 0 =⇒ (z − 1)(z + 1)2 = 0, deci z = 1 e pol


simplu, iar z = −1 e pol dublu
1 1 1
Scriem f (z) = z−1 + z+1 + (z+1) 2

1 n n
Cum z+1 = (−1) z , prin derivare obţinem
n≥0
∑ ∑
− (z+1)
1
2 = (−1)n nz n−1 = (−1)n+1 (n + 1)z n .
n≥1 n≥0
Pe |z|∑
< 1, f este
∑ olomorfă şi∑
f (z) = − z +n
(−1)n z n + (−1)n (n + 1)z n =
∑ n≥0 n≥0 n≥0
n n n
= z [−1 + (−1) + (−1) (n + 1)]
n≥0
Pentru a dezvolta ı̂n jurul punctului z = −1 scriem
2 + z+1 − 2 ·
1 1 1 1
f (z) = (z+1) 1− z+1
.
∑ ( z + 1 )n
2

Pe |z + 1| < 2 avem 1− z+1 =


1
.
2 2
n≥0
∑ ( z + 1 )n
Deci f (z) = (z+1)2 + z+1 − 2
1 1 1
.
2
n≥0
Pentru a dezvolta ı̂n jurul punctului z = 1 scriem
1
f (z) = z−1 + 12 · 1+1z−1 + 41 · 1
2.
2 (1+ z−1
2() )n

n z−1
Pe |z − 1| < 2, 1+ z−1 =
1
(−1) şi
2 2
n≥0
1.5. TEOREMA REZIDUURILOR 29

∑ (n + 1)(z − 1)n
1
2 = (−1)n .
(1+ z−1
2) 2n
n≥0
∑ n+3
1
Atunci f (z) = z−1 + (−1)n n+2 (z − 1)n .
2
n≥0

z
Exemplul 1.26. Să se dezvolte funcţia f (z) = sin z−1 ı̂n jurul punctului
z = 1.
( )
z 1 1 1
Demonstraţie. Avem sin z−1 = sin 1 + z−1 = sin 1 cos z−1 +cos 1 sin z−1 .
Se ştie că
∑ 1
1
sin z−1 = (−1)n
(2n + 1)!(z − 1)2n+1
n≥0
∑ 1
1
cos z−1 = (−1)n
(2n)!(z − 1)2n
n≥0
∑ 1 ∑ 1
Atunci f (z) = sin 1· (−1)n +cos 1· (−1)n
(2n)!(z − 1)2n (2n + 1)!(z − 1)2n+1
n≥0 n≥0

1
Exemplul 1.27. Să se dezvolte ı̂n serie Laurent funcţia f (z) = z 2 (1−z) sin z
ı̂n coroana 0 < |z| < 1.

Demonstraţie. sin1 z are polii z = kπ, k ∈ ZZ, deci ı̂n coroana 0 < |z| < 1
este olomorfă
1
sin z = z3
1
z5
= z1 · z2 1 z4
z− 3! + 5! −... 1− 3! + 5! −...
2
1
4 este olomorfă ı̂n interiorul cercului |z| = 1, deci se poate
1− z3! + z5! −...
1
dezvolta ı̂n serie Taylor şi putem scrie 2 4 = a0 + a1 z + a2 z 2 + . . .
1− z3! + z5! −...
şi identificând coeficienţii obţinem a0 = 1, a1 = 0, a2 = 61 , a3 = 0, a4 = 360 7
2 7z 4
etc., deci sin1 z = z1 ·(1+ z6 + 360 1
+. . .) şi ţinând cont de 1−z = 1+z +z 2 +. . .,
z2 7z 4
obţinem f (z) = 1
z3
· (1 + z + z 2 + . . .) · (1 + 6 + 360 + . . .).

1.5 Puncte singulare. Reziduuri. Teorema rezidu-


urilor
Definiţia 1.17. Fie A ⊂ C o mulţime deschisă nevidă şi fie f : A → C o
funcţie olomorfă pe A. Un punct z0 ∈ C se numeşte punct singular { izolat
}
al lui f dacă există un disc B(z0 , r)(r > 0) astfel ı̂ncât B(z0 , r) \ z0 ⊂ A
{ } funcţia f este olomorfă pe discul punctat B(z0 ; 0, r) = B(z0 , r) \
(adică
z0 ).
Pe coroana B(z0 ; 0, r) funcţia olomorfă f are o dezvoltare ı̂n serie Lau-
∑∞
rent f (z) = an (z − z0 )n .
n=−∞
30 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Exemplul 1.28. Punctul z = 2 este un punct singular izolat pentru


1
funcţiile f (z) = z−2 , f (z) = sin πz
z−2 .
Exemplul 1.29. { }Punctele z = 0, ±i sunt puncte singulare izolate ale
funcţiei f : C \ 0, ±i → C, f (z) = z 3 +z .
1

Definiţia 1.18. Fie f : A → C o funcţie olomorfă , unde A ⊂ C o mulţime


deschisă nevidă şi fie z0 ∈ C un punct singular izolat al lui f . Punctul
singular izolat z0 se numeşte punct singular aparent dacă seria Laurent


f (z) = an (z − z0 )n are partea principală nulă , adică an = 0, ∀n < 0.
n=−∞
Definiţia 1.19. Punctul singular izolat z0 se numeşte pol dacă ı̂n seria


Laurent f (z) = an (z − z0 )n partea principală are un număr finit
n=−∞
de termeni nenuli, adică există m ∈ ZZ, m < 0 astfel ı̂ncât am ̸= 0 şi
an = 0, ∀n ∈ ZZ cu n < m. Numărul natural −m se numeşte ordinul
polului z0 . Polii de ordinul ı̂ntâi se mai numesc simpli.
Definiţia 1.20. Punctul singular izolat z0 se numeşte punct singular


esenţial dacă partea principală a seriei Laurent f (z) = an (z − z0 )n
n=−∞
are o infinitate de termeni nenuli.
Lema 1.3. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă pe coroana B(z0 ; 0, r).
Dacă |f (z)| ≤ M , pentru orice z ∈ B(z0 ; 0, r), atunci z0 este punct singular
aparent al lui f .
Demonstraţie. In coroana B(z0 ; 0, r) avem seria Laurent


f (z) = an (z − z0 )n ,
n=−∞

unde ∫
1 f (t)
an = dt, ∀n ∈ ZZ
2πi C (t − z0 )n+1
{ }
şi C = t ∈ C| |t − z0 | = ρ (0 < ρ < r). Putem scrie:

1 |f (t)| 1 M M
|an | ≤ ds ≤ · n+1 2πρ = n
2π C |t − z0 | n+1 2π ρ ρ

Pentru n < 0 avem |an | ≤ M ρ−n şi când ρ −→ 0 obţinem an = 0, ∀n ∈




ZZ, n < 0, deci f (z) = an (z − z0 )n , adică z0 este punct singular aparent
n=0
al lui f .

Propoziţia 1.2. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă pe coroana


B(z0 ; 0, r). Atunci punctul z0 este punct singular aparent pentru f dacă şi
numai dacă există şi este finită lim f (z).
z→z0
1.5. TEOREMA REZIDUURILOR 31

Demonstraţie. Fie z0 punct singular aparent al lui f . Atunci ı̂n coroana




B(z0 ; 0, r) avem dezvoltarea Laurent f (z) = an (z − z0 )n şi lim f (z) =
z→z0
n=0
a0 ∈ C.
Reciproc, fie a0 = lim f (z) ∈ C. Pentru ε = 1 ∃δ > 0 astfel ı̂ncât
z→z0
|z − z0 | < δ < r (z ̸= z0 ) rezultă |f (z) − a0 | < 1. Atunci rezultă |f (z)| ≤
|a0 | + 1, ∀z ∈ B(z0 ; 0, r). Conform Lemei 1.3 rezultă că z0 este punct
singular aparent al lui f .
Exemplul 1.30. Punctul z = 0 este o singularitate aparentă pentru
f (z) = sinz z , deoarece lim f (z) = 1.
z→0
Propoziţia 1.3. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă pe coroana
B(z0 ; 0, r). Atunci punctul z0 este pol pentru f dacă şi numai dacă
lim f (z) = ∞.
z→z0

Demonstraţie. Fie z0 pol de ordinul −m = k al lui f .


Deci f (z) = (z−z10 )−m [am + am−1 (z − z0 ) + . . . + a0 (z − z0 )−m + . . .] =
h(z)
(z−z0 )−m
, unde h(z) = am + am−1 (z − z0 ) + . . . + a0 (z − z0 )−m + . . . este
olomorfă ı̂n discul B(z0 , r) şi h(z0 ) ̸= 0. Atunci lim f (z) = ∞.
z→z0
Reciproc, fie lim f (z) = ∞. Pentru ε = 1 ∃δ > 0 astfel ı̂ncât |z − z0 | <
z→z0
δ < r (z ̸= z0 ) rezultă |f (z)| > 1. Notând g(z) = f (z) 1
avem |g(z)| < 1
pentru orice z ∈ B(z0 ; 0, δ). Funcţia g(z) = f (z) este definită ı̂n coroana
1

B(z0 ; 0, δ) (f (z) ̸= 0), este olomorfă ı̂n această coroană (ca inversa funcţiei
olomorfe nenule f ) şi mărginită . Aplicând Lema 1.3 rezultă că z0 este
punct singular aparent pentru g. Mai mult, lim g(z) = 0, deci seria Laurent
z→z0


pentru g este g(z) = an (z − z0 )n , z ∈ B(z0 , δ). Putem scrie
n=1


g(z) = (z − z0 )k an (z − z0 )n−k , k > 0, ak ̸= 0,
n=k

deoarece z0 este zerou al funcţiei olomorfe g. Atunci


1
f (z) = , ∀z ∈ B(z0 , δ1 ),
(z − z0 )k φ(z)


cu 0 < δ1 < δ < r şi φ(z) = an (z − z0 )n−k ̸= 0 ı̂n B(z0 , δ1 ) (fapt ce
n=k
rezultă din continuitatea funcţiei olomorfe φ şi din φ(z0 ) ̸= 0). Rezultă
1
că φ(z) este olomorfă ı̂n discul B(z0 , δ1 ) şi are o dezvoltare Taylor ı̂n acest
disc:


1
= αn (z − z0 )n , α0 ̸= 0.
φ(z)
n=0
32 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Pentru funcţia f obţinem ı̂n coroana B(z0 ; 0, δ1 ) seria

1
f (z) = [α0 + α1 (z − z0 ) + . . . + αn (z − z0 )n + . . .],
(z − z0 )k

adică o serie Laurent cu un număr finit de termeni nenuli ı̂n partea princi-
pală deci z0 este pol pentru f .
z
Exemplul 1.31. Punctul z = 1 este un pol simplu pentru f (z) = z−1 .
Intr-adevăr, lim f (z) = ∞, iar dezvoltarea Laurent a lui f ı̂n jurul lui z = 1
z→1
este f (z) = 1+z−1 1 1
z−1 = z−1 + 1, cu partea principală z−1 .
sin πz
Exemplul 1.32. Punctul z = 2 este pol dublu pentru f (z) = (z−2) 3.

Pentru orice z ∈ C avem sin πz = a0 + a1 (z − 2) + a2 (z − 2) + . . ., unde


2
3 π3
a0 = 0, a1 = π, a2 = 0, a3 = − π6 etc., deci f (z) = (z−2)
π
2 − 6 + ...

Propoziţia 1.4. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă pe coroana


B(z0 ; 0, r). Atunci punctul z0 este punct singular esenţial pentru f dacă şi
numai dacă nu există lim f (z).
z→z0

Demonstraţie. Rezultă din Propoziţia 1.2 şi Propoziţia 1.3.


1
Exemplul 1.33. Pentru funcţia f (z) = e z punctul z = 0 este punct
1
1
singular esenţial, deoarece e z = 1 + 1!z + 2!z1 2 + . . . şi partea principală are
o infinitate de termeni nenuli. Analog, z = 0 este singular esenţial pentru
g(z) = sin z1 şi h(z) = cos z1 .
Cazul punctului de la infinit
Fie f : B(0; r, ∞) → C o funcţie olomorfă pe coroana B(0; r, ∞) (ex-
teriorul unui disc). Vom spune că punctul ∞ este punct singular
izolat al lui f . Funcţia (t 7→ z = 1t ) : B(0; 0, 1r ) → B(0; r, ∞) este olo-
morfă ; compunând cu f obţinem funcţia olomorfă f ∗ : B(0; 0, 1r ) → C,
f ∗ (t) = f ( 1t ), ∀t ∈ B(0; 0, 1r ) care are punctul t = 0 ca punct singular
izolat.
Vom spune că z = ∞ este un punct singular aparent al lui f (sau
că funcţia f este olomorfă ı̂n z = ∞) dacă funcţia f ∗ are t = 0 ca punct
singular aparent. Vom spune că z = ∞ este pol al lui f dacă funcţia f ∗
are t = 0 ca pol. Vom spune că z = ∞ este punctul singular esenţial al
lui f dacă funcţia f ∗ are t = 0 ca punct singular esenţial.


Observaţia 1.6. Fie f (z) = an z n dezvoltarea ı̂n serie Laurent a lui
n=−∞


f ı̂n coroana |z| > r. Atunci f ∗ (t) = f ( 1t ) = an t−n este dezvoltarea
n=−∞
ı̂n serie Laurent a funcţiei f ∗ ı̂n coroana B(0; 0, 1r ). Rezultă că z = ∞ este
punct singular aparent al lui f dacă an = 0, ∀n ≥ 1; z = ∞ este pol al lui
f dacă an = 0, ∀n ≥ 1, cu excepţia unui număr finit de valori şi z = ∞ este
1.5. TEOREMA REZIDUURILOR 33

punct singular esenţial al lui f dacă an ̸= 0 pentru o infinitate de valori ale


lui n ≥ 1.
ez
Exemplul 1.34. Funcţia f (z) = z−1 are z = 1 pol simplu şi z = ∞ este
punct singular esenţial.
Definiţia 1.21. Fie A ⊂ C o mulţime deschisă nevidă , fie f : A → C o
funcţie olomorfă şi fie discul punctat (coroana) B(z0 ; 0, r) ⊂ A(z0 ∈ C, r >
0) astfel ı̂ncât punctul z0 să fie punct singular izolat al funcţiei f .
∑∞
Fie f (z) = an (z − z0 )n dezvoltarea ı̂n serie Laurent a funcţiei f ı̂n
n=−∞
coroana B(z0 ; 0, r). Coeficientul a−1 se numeşte reziduul funcţiei f ı̂n
punctul singular z0 şi se notează Rez(f, z0 ).
Exemplul 1.35. Să se calculeze reziduul funcţiei f (z) = z sin1 z 2 ı̂n punctul
z = 0.
3 5
Demonstraţie.
( 2 Avem sin)z = 1!z (− z3! + z5! − . . . =⇒ 2
) z sin z =
6 10 4 8
= z z1! − z3! + z5! − . . . = z 3 1 − z3! + z5! − . . . =⇒
( 1 )
=⇒ f (z) = 4 8
z 3 1− z3! + z5! −...

Există o serie de puteri an z n astfel ı̂ncât
n≥0
( )
z4 z8
1− + − . . . · (a0 + a1 z + a2 z 2 + . . .) = 1,
3! 5!

deci a0 = 1, a0 · 0 + a∑
1 · 1 = 0, a0 · 0 + a1 · 0 + a2 · 1 = 0 =⇒ a2 = 0.
a0 a1 a2
Atunci f (z) = z 31
an z n = 3 + 2 + + a3 + . . ., deci Rez(f, 0) =
z z z
n≥0
= a2 = 0
{ }
Propoziţia 1.5. Fie C = z ∈ C/|z − z0 | = ρ < r un cerc de rază ρ > 0
parcurs ı̂n sens trigonometric direct (orientat pozitiv). Atunci

1
a−1 = f (z)dz
2πi C

Observaţia 1.7. Dacă z0 ∈ C este un punct singular aparent pentru


funcţia f , atunci Rez(f, z0 ) = a−1 = 0.
Propoziţia 1.6. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă pe coroana
B(z0 ; 0, r) şi fie z0 ∈ C un pol de ordinul k > 0 pentru f . Atunci
1
Rez(f, z0 ) = lim [(z − z0 )k f (z)](k−1)
(k − 1)! z→z0

Demonstraţie. In coroana B(z0 ; 0, r) avem dezvoltarea ı̂n serie Laurent


a−k a−1
f (z) = + ... + + a0 + a1 (z − z0 ) + . . . + an (z − z0 )n + . . .
(z − z0 )k z − z0
34 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

cu a−k ̸= 0. Atunci funcţia

(z − z0 )k f (z) = a−k + a−k+1 (z − z0 ) + . . . + a−1 (z − z0 )k−1 + a0 (z − z0 )k + . . .

este o funcţie olomorfă ı̂n coroana B(z0 ; 0, r), deoarece lim (z − z0 )k f (z) =
z→z0
a−k ∈ C. Derivând de k − 1 ori funcţia obţinută rezultă

[(z − z0 )k f (z)](k−1) = (k − 1)!a−1 + k(k − 1) . . . 2a0 (z − z0 ) + . . .

şi atunci obţinem

lim [(z − z0 )k f (z)](k−1) = (k − 1)!a−1


z→z0

Corolarul 1.7. Fie f : B(z0 ; 0, r) → C o funcţie olomorfă ı̂n coroana


P (z)
B(z0 ; 0, r) astfel ı̂ncât f (z) = Q(z) , ∀z ∈ B(z0 ; 0, r), cu P, Q funcţii olo-
morfe ı̂n discul B(z0 ; r), P (z0 ) ̸= 0, Q(z0 ) = 0, Q′ (z0 ) ̸= 0. Atunci punctul
z0 ∈ C este un pol de ordinul ı̂ntâi pentru f şi Rez(f, z0 ) = QP′(z 0)
(z0 ) .

P (z)
Demonstraţie. Punctul z0 este zerou de ordinul ı̂ntâi pentru funcţia Q(z) ,
deci pol de ordinul ı̂ntâi pentru f . Aplicând Propoziţia 1.6 pentru k = 1
obţinem
P (z) P (z0 )
Rez(f, z0 ) = lim [(z − z0 )f (z)] = lim = .
z→z0 z→z0 Q(z)−Q(z0 ) Q′ (z0 )
z−z0

eiz
Exemplul 1.36. Calculaţi reziduurile funcţiei f (z) = z 2 (1+z)
ı̂n punctele
singulare.

Demonstraţie. Punctele singulare ale funcţiei f sunt z = −1 pol simplu şi


z = 0 pol dublu.
eiz
Rez(f, −1) = lim (z + 1) · 2 = e−i
z→−1 z (1 + z)
[ ]′
eiz
Rez(f, 0) = lim z · 2
2
=i−1
z→0 z (1 + z)
Definiţia 1.22. Fie f : B(0; r, ∞) → C o funcţie olomorfă ı̂n exteriorul
discului B(0, r) (deci z = ∞ este punct singular izolat pentru funcţia f ). Se
numeşte reziduul funcţiei f ı̂n punctul ∞, reziduul funcţiei (− t12 )f ( 1t )
ı̂n punctul t = 0. { }
Propoziţia 1.7. Fie C = z ∈ C/|z| = ρ > r un cerc de rază ρ parcurs
ı̂n sens trigonometric direct (orientat pozitiv). Atunci

1
Rez(f, ∞) = − f (z)dz.
2πi C
1.5. TEOREMA REZIDUURILOR 35

Teorema { 1.11. (teorema } reziduurilor) Fie D ⊂ C un domeniu şi


f : D \ α1 , α2 , . . . , αk → C o funcţie olomorfă pentru care α1 , α2 , . . . , αk
sunt puncte singulare izolate. Fie K ⊂ D un compact cu frontiera Γ = FrK
curbă de clasă C 1 pe porţiuni, jordaniană , orientată pozitiv astfel ı̂ncât
αj ∈ IntK, j = 1, k. Atunci

∫ ∑
k
f (z)dz = 2πi Rez(f, αj )
Γ j=1

Demonstraţie. Fie γ1 , γ2 , . . . , γk frontierele orientate pozitiv ale unor dis-


curi centrate ı̂n α1 , α2 , . . . , αk disjuncte două câte două şi conţinute ı̂n IntK.
Rezultă
∫ ∑k ∫
f (z)dz = f (z)dz.
Γ j=1 γj

Atunci, din Propoziţia 1.5, obţinem


∫ ∑
k
f (z)dz = 2πi Rez(f, αj ).
Γ j=1

Corolarul 1.8.{ Fie α1 , α2 , . . } . , αk ∈ C punctele singulare{ izolate ale unei


}
funcţii f : C \ α1 , α2 , . . . , αk → C, olomorfe pe C \ α1 , α2 , . . . , αk .
∑k
Atunci Rez(f, αj ) + Rez(f, ∞) = 0 (suma tuturor reziduurilor este nulă
j=1
ı̂n cazul unui număr finit de puncte singulare izolate).

Demonstraţie. Alegem r > 0 astfel ı̂ncât αj ∈ B(0, r), j = 1, k. Rezultă


că funcţia este olomorfă ı̂n exteriorul discului B(0, r), deci punctul z = ∞
este punct singular izolat pentru f . Fie Γ = FrB(0, r′ )(r′ > r) frontiera
orientată pozitiv a discului B(0, r′ ) şi aplicând Teorema 1.11,
∫ ∑
k
f (z)dz = 2πi Rez(f, αj ).
Γ j=1


Din Propoziţia 1.7 rezultă că Γ f (z)dz = −2πiRez(f, ∞), deci


k
Rez(f, αj ) + Rez(f, ∞) = 0.
j=1
36 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

Exemplul 1.37. Să se rezolve integrala



ez
dz, r > 0, r ̸= 1, r ̸= 2.
|z|=r (z − i)(z − 2)

∫Demonstraţie.
ez
1) Dacă 0 < r < 1, aplicăm teorema lui Cauchy şi obţinem
|z|=r (z−i)(z−2) dz = 0.
2) Dacă 1 < r < 2, aplicăm formula integrală a lui Cauchy şi obţinem
∫ ez
∫ ez
z−2 ei ez
|z|=r (z−i)(z−2) dz = |z|=r z−i dz = 2πif (i) = 2πi i−2 , unde f (z) = z−2 .
3) Dacă r > 2, aplicăm teorema reziduurilor.
Punctele i şi 2 sunt poli simpli. Calculăm reziduurile ı̂n aceste puncte :
ez ei
Rez(f, i) = lim(z − i) =
z→i (z − i)(z − 2) i−2
ez e2
Rez(f, 2) = lim (z − 2) =
z→2 (z − i)(z (− 2) 2 −)i
∫ ez ei e2 i −e2
Atunci |z|=r (z−i)(z−2) dz = 2πi i−2 + 2−i = 2πi · ei−2 .

1.6 Calculul unor integrale reale folosind teorema


reziduurilor
∫ 2π
Tipul I: I = 0 R(sin t, cos t)dt, unde R(x, y) este o funcţie raţională
al cărei numitor nu se anulează pe cercul unitate.
Aceste integrale se calculează făcând schimbarea z = eit , t ∈ [0, 2π].
Atunci z va parcurge cercul unitate, adică |z| = 1. Avem dz = ieit dt = izdt,
dz eit −e−it z− z1 eit +e−it z+ z1
deci dt = iz . Cum sin t = 2i = 2i , cos t = 2 = 2 , integrala
∫ z− 1 z+ 1
devine I = |z|=1 iz1 R( 2iz , 2 z )dz.
∫ 2π 1
Exemplul 1.38. Să se calculeze 0 (2+cos t)2
dt.
it −it
Demonstraţie. Deoarece cos t = e +e 2 vom face schimbarea de variabilă
z = eit , t ∈ [0, 2π], deci dz = ieit dt şi |z| = 1.
Integrala devine
∫ 1 ∫
iz dz 4 z
( ( ))2 = dz.
|z|=1 i |z|=1 (z 2 + 4z + 1)2
2 + 12 z + 1
z

{ √ }
2,z ∈ C \ − 2 ± 3 e olomorfă şi are polii
z
Funcţia f (z) = (z 2 +4z+1)

dubli −2 ± 3. √
Aplicăm teorema reziduurilor, ţinând cont de faptul că doar −2 + 3
se află ı̂n interiorul cercului de centru 0 şi rază 1 şi rezultă că
∫ √
z
2 2
dz = 2πiRez(f, −2 + 3).
|z|=1 (z + 4z + 1)
1.6. CALCULUL UNOR INTEGRALE REALE 37

√ √ 1
Calculăm Rez(f, −2 + 3) = lim √ [(z + 2 − 3)2 f (z)]′ = √ =⇒
z→−2+ 3 6 3
∫ z πi
∫ 2π 1 4π
=⇒ |z|=1 (z 2 +4z+1)2 dz = 3√3 =⇒ 0 (2+cos t)2 dt = 3√3
∫∞
Tipul II: I = −∞ R(x)dx, unde R(x) este o funcţie raţională fără poli
reali cu proprietatea că lim xR(x) = 0 (condiţie suficientă ca integrala să
|x|→∞
fie convergentă ).
Considerăm extinderea R(z), z ∈ C şi o integrăm pe∫ un semicerc
γr = [−r, r] ∪ δ(r) de rază r cu centrul ı̂n O. Obţinem γr R(z)dz =

2πi Rez(R, αk ), unde αk sunt polii din semidisc. Deci
k
∫ r ∫ ∑
R(x)dx + R(z)dz = 2πi Rez(R, αk ).
−r δ(r) k
∫ r ∫
Cum lim R(x)dx = I, vom arăta că δ(r) R(z)dz −→ 0 când r −→ ∞ şi
r→∞ −r
∫∞ ∑
vom obţine că −∞ R(x)dx = 2πi Rez(R, αk ), unde suma se ia după toţi
k
polii lui R(z) din semiplanul y > 0 (funcţia raţională R(z) are un număr
finit de poli, deci pentru r suficient de mare toţi polii
∫ din semiplanul y > 0
se află ı̂n semidiscul de rază r). Pentru a arăta că δ(r) R(z)dz −→ 0 când
r −→ ∞, vom folosi lema următoare :
Lema 1.4. (Jordan) Fie f o funcţie continuă definită ı̂n sectorul θ1 ≤ θ ≤
≤ θ2 (z = reiθ ). Dacă lim zf (z) = 0 (θ1 ≤ arg z ≤ θ2 ), atunci
|z|→∞

f (z)dz −→ 0 când r −→ ∞,
δ(r)

unde δ(r) este arcul de cerc centrat ı̂n origine de rază r conţinut ı̂n sectorul
θ1 ≤ θ ≤ θ2 .
Demonstraţie. Fie M (r) = sup |f (z)|. Atunci avem
|z|=r
∫ ∫


f (z)dz ≤ M (r) ds = M (r)r(θ2 − θ1 ),
δ(r) δ(r)

şi cum lim rM (r) = 0, rezultă că δ(r) f (z)dz −→ 0, când r −→ ∞.
r→∞
∫∞ x2
Exemplul 1.39. Să se calculeze integrala 0 (1+x2 )3
dx.

x2
Demonstraţie. lim xα · = 1 pentru α = 4 > 1, deci integrala
x→∞ (1 + x2 )3
∫ ∞ x2
0 (1+x2 )3 dx este convergentă .
38 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

x2
∫ ∞ x2 ∫
1 ∞ x2
Funcţia f (x) = (1+x2 )3
este pară , deci 0 (1+x 2 )3 dx = 2 −∞ (1+x2 )3 dx.

z2
{ }
Fie f (z) = (1+z 2 )3 ,z ∈ C \ ± i olomorfă .
Punctele ±i sunt poli de ordinul 3 pentru f
Fie r > 1 şi γr = [−r, r] ∪ δr , unde δr = re∫it , t ∈ [0, π].
Aplicăm teorema reziduurilor şi obţinem γr f (z)dz = 2πiRez(f, i)
[ ( )]′′
z2 i
Rez(f, i) = 2! lim (z − i)
1 3
2 3
=−
∫ z→i (1 + z ) 16
Deci γr f (z)dz = π8 .
∫ ∫r x2

Dar π8 = γr f (z)dz = −r (1+x 2 )3 dx + δ f (z)dz. In această relaţie
r
∫∞ x2
trecem la limită când r −→ ∞ şi obţinem π8 = −∞ (1+x 2 )3 dx, deoarece

z2
lim f (z)dz = 0 conform Lemei 1.4 ( lim zf (z) = lim z · = 0).
r→∞ δ z→∞ z→∞ (1 + z 2 )3
r
∫ ∞ x2 π
Aşadar, 0 (1+x2 )3 dx = 16 .

Lema 1.5. (Jordan) Fie f o funcţie continuă definită ı̂n sectorul θ1 ≤ θ ≤


≤ θ2 (z = reiθ ). Dacă lim zf (z) = 0 (θ1 ≤ arg z ≤ θ2 ), atunci
|z|→0


f (z)dz −→ 0 când r −→ 0,
δ(r)

unde δ(r) este arcul de cerc centrat ı̂n origine de rază r conţinut ı̂n sectorul
θ1 ≤ θ ≤ θ2 .
∫∞
Tipul III: I = −∞ f (x)eix dx, unde f (z) este olomorfă ı̂n semiplanul
y > 0 cu excepţia, eventual, a unei mulţimi finite de puncte.
Presupunem
∫r că punctele singulare nu sunt pe axa reală∫ r . Atunci in-
tegrala −r f (x)eix dx are sens (sunt două integrale reale −r f (x) cos xdx
∫r ∫∞
şi −r f (x) sin xdx) şi când r −→ ∞, tinde la −∞ f (x)eix dx, dacă acestă
integrală converge.

Lema 1.6. Dacă lim f (z) = 0 pentru y ≥ 0, atunci


|z|→∞

∫ r ∑
lim f (x)eix dx = 2πi Rez(f (z)eiz , αk ),
r→∞ −r
k

unde suma se ia după toate punctele singulare ale lui f (z) situate ı̂n semi-
planul y > 0.

Demonstraţie. Pentru y ≥ 0 avem |eiz | = e−y ≤ 1 şi vom aplica aceeaşi


metodă ca la integralele de tip II. ∫
Cu aceleaşi notaţii vom arăta că δ(r) f (z)eiz dz −→ 0 când r −→ ∞ şi
rezultă lema.
1.6. CALCULUL UNOR INTEGRALE REALE 39

Lema 1.7. Fie f o funcţie continuă definită ı̂n sectorul θ1 ≤ θ ≤ θ2 din


semiplanul y ≥ 0. Dacă lim f (z) = 0, atunci
|z|→∞

f (z)eiz dz −→ 0 când r −→ ∞,
δ(r)

unde δ(r) este arcul de cerc centrat ı̂n origine de rază r conţinut ı̂n sectorul
θ1 ≤ θ ≤ θ2 .

Demonstraţie. Fie z = reiθ , M (r) = sup |f (reiθ )|.


∫ θ1 ≤θ≤θ2
∫ π −r sin θ
Avem δ(r) f (z)e dz ≤ M (r) 0 e
iz rdθ.
∫ π −r sin θ ∫ π2 −r sin θ
Dar 0 e rdθ = 2 0 e rdθ şi, deoarece, dacă 0 ≤ θ ≤ π
2,
atunci π ≤ θ ≤ 1, rezultă că
2 sin θ

∫ π ∫ π ∫ ∞
2
−r sin θ
2
− π2 rθ π
e− π rθ rdθ =
2
e rdθ ≤ e rdθ ≤ ,
0 0 0 2
∫π
deci 0 e−r sin θ rdθ ≤ π.

Obţinem δ(r) f (z)eiz dz ≤ M (r)π şi pentru r −→ ∞, M (r) −→ 0 prin
ipoteză .
∫∞ cos x
Exemplul 1.40. Să se calculeze 0 (x2 +1)(x 4 +4) dx.

∫ eiz
Demonstraţie. Considerăm integrala I = γr (z 2 +1)(z 2 +4) dz, unde γr =

[−r, r] ∪ δr , r > 2
eiz
Funcţia f (z) = (z 2 +1)(z 2 +4) este olomorfă cu polii simpli ±i, ±2i.

Cum polii i şi 2i sunt in interiorul conturului γr , aplicăm teorema rezidu-


urilor şi avem I = 2πi(Rez(f, i) + Rez(f, 2i)).
eiz e−1 1
Calculăm Rez(f, i) = lim(z − i)f (z) = lim 2 = = .
z→i z→i (z + 4)(z + i) 6i 6ie
eiz 1
Rez(f, 2i) = lim (z − 2i)f (z) = lim 2 =−
z→2i z→i (z + 1)(z + 2i) 12ie2
(2e−1)π
Deci I = 6e2 .
∫r eix
∫ eiz
Pe de altă parte I = −r (x2 +1)(x 4 +4) dx + δ (z 2 +1)(z 2 +4) dz. In această
r
∫∞ eix
relaţie trecem la limită când r −→ ∞ şi obţinem −∞ (x2 +1)(x 4 +4) dx =

eiz
= (2e−1)π
6e2
, deoarece, conform lemei lui Jordan, lim dz =
r→∞ γ (z 2 + 1)(z 2 + 4)
r
zeiz e−y
= 0 (|zf (z)| = (z 2 +1)(z 2 +4) < |z|3 (y > 0) =⇒ lim |zf (z)| = 0)
|z|→∞
∫0 eix
∫∞ e−ix
∫∞ cos x
Dar −∞ (x2 +1)(x4 +4) dx = 0 (x2 +1)(x4 +4) dx =⇒ 0 (x2 +1)(x 4 +4) dx =
(2e−1)π
= 12e2
.
40 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

1.7 Probleme propuse


1. Să se studieze care dintre următoarele funcţii este olomorfă :
{ }
a) f : C \ 0 → C, f (z) = z1 ; b) g : C → C, g(z) = z 2 + iz;
c) h : C → C, h(z) = e2z + z; d) k : C → C, k(z) = z
R: a) f este olomorfă ; b) g nu este olomorfă ; c) h este olomorfă ;
d) k nu este olomorfă
2. Să se determine constantele corespunzătoare astfel ı̂ncât următoarele
funcţii să fie olomorfe:
a) f1 (z) = x + ay + i(bx + cy);
b) f2 (z) = x2 + axy + by 2 + i(cx2 + dxy + y 2 ).
c) f3 (z) = cos x(chy + ashy) + i sin x(chy + bshy).
R: a) b = −a, c = 1; b) a = d = 2, b = c = −1; c) a = b = −1.
3. Să se determine punctele ı̂n care funcţia f (z) = x2 −4xy+y+i(3x−y 2 )
este olomorfă şi să se calculeze derivatele ı̂n aceste puncte.
∂f
R: z = 1 + i, ∂z (1 + i) = −2 + 3i
∂f ∂f
4. Să se calculeze ∂z , ∂z pentru funcţiile f1 (z) = z 2 şi f2 (z) = z · |z|2 .
∂f1
R: ∂z = 2z, ∂f 1 ∂f2 2 ∂f2
∂z = 0, ∂z = 2|z| , ∂z = z
2

5. Să se determine funcţia olomorfă f = P + iQ pe C astfel ı̂ncât


P (x, y) = x2 − y 2 şi f (0) = 0.
R: f (z) = z 2
6. Să se determine funcţia olomorfă f = P + iQ pe C astfel ı̂ncât
P (x, y) = sin xchy şi f (0) = 0.
R: f (z) = sin z
7. Să se determine funcţia olomorfă f = P + iQ pe C astfel ı̂ncât
Q(x, y) = ln(x2 + y 2 ) + x − 2y.
R: f (z) = 2i ln z − (2 − i)z + k
8. Să se determine funcţia olomorfă f = P + iQ pe C astfel ı̂ncât
y
Q(x, y) = ex sin y − x2 +y 2 şi f (1) = e.

R: f (z) = ez + 1
z −1
9. Calculaţi :
7πi 1
a) e(1+i)π√; b) e 2 ; c) Ln(−10); d) i 2 ; e) sin(iLn(−1)); f) i1−i ;
g) (1 + i 3)i
√ √
R: a) −eπ ; b) −i; c) ln 10 + i(π + 2kπ); d) (−1)k 2
2
+ i(−1)k 2
2 ; e) 0;
f) ie2kπ+ 2 ; g) [cos(ln 2) + i sin(ln 2)]e−2kπ− 3
π π
1.7. PROBLEME PROPUSE 41

10. Rezolvaţi ecuaţiile :


a) cos z = 2i; b) shz = 0; c) chz = −1; d) Lnz = (2 − 2i )π; e) thz = 2;
f) ctg z = 1 + i

R: a) z = −i ln |2 ± 5| + π2 + 2kπ, k ∈ ZZ; b) z = kπi, k ∈ ZZ; c)
z = i(π + 2kπ), k ∈ ZZ; d) z = −ie2π ; e) z = 12 [ln 3 + i(π + 2kπ)];

f) z = 2i1 [ln 5 + i(2kπ + arctg 2)]
11. Să se determine discurile de convergenţă pentru următoarele serii :
∑ (2n)! ∑ nn ∑ 4n
a) (z − 3i)n
; b) (z + 2i) n
; c) (z − 5)n ;
(n!)2 n! (1 + i)n
n≥0 n≥0 n≥0
∑ 2 ∑ cos in ∑ ein ∑ (z + 3i)n
d) an z n , |a| < 1; e) z n
; f) z n
; g) ;
2n n2 n2n
n≥0 (
∑ 1 − 3in )
n≥0 n≥1 n≥0
n
h) z .
n + 2i
n≥1

R: a) |z − 3i| < 14 ; b) |z + 2i| < 1e ; c) |z − 5| < 2
4 ; d) C; e) |z| < 2e ;
f) |z| < 1; g) |z + 3i| < 2; h) |z| < 13
1
12. Să se dezvolte ı̂n serie de puteri ale lui z funcţia f (z) = z 2 −3z+2
ı̂n
următoarele domenii:
a) |z| < 1; b) 1 < |z| < 2; c) |z| > 2.
∑ 2n+1 − 1 ∑( 1 zn
)
n
R: a) f (z) = z ; b) f (z) = + ;
2n+1 z n 2n+1
n≥0 n≥1
∑ 2n − 1
c) f (z) =
z n+1
n≥1

13. Să se determine dezvoltările ı̂n serie după puterile lui z ale funcţiei
1
f (z) = (z 2 −1)(z 2 −4)2 .

∑( 3n + 7
) 2n
z
R: Dacă |z| < 1, f (z) = −1 + n+2 ·
4 9
n≥0
∑ 1 ∑ 3n + 7 z 2n
Dacă 1 < |z| < 2, f (z) = 1
9 +
z 2n 4n+2 9
n≥1 n≥0
∑ 1
Dacă |z| > 2, f (z) = [(3n − 7)4n−2 + 1]
9z 2n
n≥3

14. Să se determine singularităţile şi să se precizeze natura lor:


2z 4 +3z−5 5
a) f (z) = z 2 (z−1)4
; b) f (z) = (z 2z+1)2 ; c) f (z) = sin z
z2
, d) f (z) = sin πz ,
1 cos z−1
e) f (z) = chz , f) f (z) = z3
R: a) z = 0 pol de ordin 2, z = 1 pol de ordin 4; b) z = ±i poli de
ordin 2, c) z = 0 pol simplu; d) z = i π2 + kπi, k ∈ ZZ poli simpli;
e) z = 0 pol simplu, z = ∞ punct singular esenţial
42 CAPITOLUL 1. FUNCŢII COMPLEXE. INTEGRALE COMPLEXE

15. Să se calculeze reziduurile ı̂n punctele indicate :


1 1
a) f (z) = ze z , z0 = 0; b) f (z) = z 3 cos z1 , z0 = 0; c) f (z) = z 2 e z−1 ,
z0 = 1.
R: a) Rez(f, 0) = 21 ; b) Rez(f, 0) = 1
24 ; c) Rez(f, 1) = 13
6

16. Să se calculeze următoarele integrale:


∫ ∫ ∫ ∫
a) |z|=1 z1 dz, b) |z|=1 z 2 dz, c) |z|=1 3z−πi 1
dz, d) |z− πi |= 1 thzdz,
∫ 4 2
e) γ tg z
dz, unde γ este triunghiul cu vârfurile 0 şi ±1 + 2i,
∫ z−i cos z ∫ ez
∫ 2 − z1
f) |z−i|=3 (z−πi)2 dz, g) |z|= 3 (z−1)2 (z 2 +4) dz, h) |z|=3 z e dz,
∫ 2 z ∫ ( zeπz 2 π )
i) |z|=1 z z+e 3 , j) γ z 4−16 + ze
z dz, unde γ : 9x2 + y 2 = 9,
∫ sin πz 2 2
k) γ z 2 +1 dz, unde γ : xa2 + yb2 = 1, 1) 0 < b < 1, 2) b > 1,
∫∞ x2
∫∞ x sin x
∫ ∞ x cos x
l) 0 (x2 +a 2 )2 dx, m) I1 = −∞ x2 +2x+10 , I2 = −∞ x2 +2x+10 ,
∫∞ ∫ 2π 1 ∫ 2π
n) 0 xcos x
2 +1 dx, o) 0 dt, p) 0 a+bdx , a, b > 0,
∫π dx
∫ π sin x sin nx
2+cos t cos2 x
q) 0 (17+8 cos x)2 , r) −π 5−4 cos x dx
2
R: a) 0, b) 0, c) 0, d) 0, e) 2π(1−e
1+e2
)
, f) 2πshπ, g) −18πi, h) − πi 3,
1 2 π
i) 3πi, j) πi(− 4 + π ), k) 1) 2πishπ, 2) 0, l) 4a ,
m) I1 = 3eπ3 (3 cos 1 + sin 1), I2 = 3eπ3 (3 sin 1 − cos 1), n) 2e
π
,
√ ∫
o) 3 (3 − 2 3), p) √
4π 2π 17π π sin x cos nx
, q) 153 , r) Fie I1 = −π 5−4 cos x dx.
a(a+b)
∫ π einx sin x
Atunci I1 + iI = iI = −π 5−4 cos x dx. Notăm z = eix şi aplicăm
∫ π einx sin x π
teorema reziduurilor pentru integrala −π 5−4 cos x dx.Rezultă I = 2n+1
Capitolul 2

Transformata Laplace

2.1 Funcţii original Laplace. Formula de inver-


sare Mellin-Fourier
Definiţia 2.1. Se numeşte funcţie original Laplace orice funcţie
f : IR → C cu următoarele proprietăţi:
a) f (t) = 0 pentru t < 0;
b) f este derivabilă pe porţiuni pe intervalul [0, ∞);
c) există constantele M > 0 şi p0 ≥ 0 astfel ı̂ncât
|f (t)| ≤ M ep0 t , ∀t ≥ 0. (2.1)

Condiţia c) se numeşte condiţia de creştere exponenţială (cu p0


indicele de creştere a funcţiei f ).
Exemplul 2.1. Cea mai simplă funcţie original este funcţia treapta
unitate u definită prin
{
0, pentru t ∈ (−∞, 0)
u(t) =
1, pentru t ∈ [0, ∞)
Funcţia unitate joacă un rol important ı̂n cele ce urmează datorită fap-
tului că , dată fiind o funcţie φ care ı̂ndeplineşte numai condiţiile b) şi c),
prin ı̂nmulţirea cu u devine o funcţie original, cu păstrarea valorilor sale pe
(0, ∞).
Definiţia 2.2. Transformata Laplace {(sau funcţia imagine) } a unei
funcţii original f este funcţia complexă F : p ∈ C| Rep > p0 → C:
∫ ∞
F (p) = f (t)e−pt dt (2.2)
0
adică ∫ R
F (p) = lim f (t)e−pt dt (2.3)
ε↘0 ε
R↗∞

43
44 CAPITOLUL 2. TRANSFORMATA LAPLACE

Se poate demonstra că funcţia imagine F este olomorfă (analitică) ı̂n


semiplanul Rep > p0 şi vom nota F = L[f ].

Teorema 2.1. (formula de inversare Mellin-Fourier) Fie f o funcţie


original, F = L[f ] şi p0 indicele de creştere a funcţiei f , atunci are loc
egalitatea ∫ α+i∞
1
F (p)ept dp = f (t), (2.4)
2πi α−i∞
cu α > p0 arbitrar, oricare t ∈ (0, ∞) ı̂n care f este continuă . In orice
punct de discontinuitate al funcţiei f , valoarea funcţiei din membrul stâng
este egală cu media limitelor laterale ale funcţiei f ı̂n acel punct.

Presupunem că transformata Laplace F admite o prelungire ı̂n C cu


excepţia unui număr finit de puncte singulare izolate p1 , p2 , . . . pn şi că
lim sup |F (p)| = 0.
n→∞ |p|≤n
Dacă sunt ı̂ndeplinite condiţiile ı̂n care relaţia (2.4) este adevărată, atunci:


n
f (t) = Rez(F (p)ept , pk ) (2.5)
k=1

In particular, dacă p1 , p2 , . . . sunt poli de ordin n1 , n2 , . . . respectiv, atunci


(2.5) devine:


n
1 dnk −1
f (t) = lim [F (p)(p − pk )nk ept ] (2.6)
(nk − 1)! p→pk dpnk −1
k=1

In cazul particular, deosebit de frecvent ı̂n aplicaţii, al funcţiei F (p) =


A(p)
B(p) , unde A(p) şi B(p) sunt polinoame cu coeficienţi reali, iar gradul
numărătorului este mai mic decât gradul numitorului, formula (2.5) se mai
scrie
∑ ( ) ∑ ( )
A(p) pt A(p) pt
f (t) = Rez e , pk + 2ReRez e , pk (2.7)
B(p) B(p)
k k

A(p)
Prima sumă din formula (2.7) se referă la toţi polii reali ai funcţiei B(p) ,
cea de-a doua la toţi polii complecşi cu partea imginară pozitivă .
2.2. PROPRIETĂŢILE TRANSFORMĂRII LAPLACE 45

Tabelul 2.1

Nr. f (t) F (p)

1
1 u(t)
p
Γ(n + 1)
2 tn pn+1
1
3 eωt p−ω
ω
4 sin ωt, ω > 0 p2 + ω2
p
5 cos ωt, ω > 0 p2 + ω2
ω
6 sh ωt, ω > 0 p2 − ω2
p
7 ch ωt, ω > 0 p2 − ω2

Funcţiile de la nr. 2-7 care apar ı̂n tabelul 2.1. sunt subı̂nţelese a fi
ı̂nmulţite cu u(t), pentru că , ı̂n caz contrar, nu ar fi funcţii original; astfel,
de exemplu, prin tn se ı̂nţelege tn u(t). Această convenţie va fi utilizată şi
ı̂n continuare.

2.2 Proprietăţile transformării Laplace


In continuare sunt date proprietăţile transformării Laplace cu denumir-
ile uzuale.
1. (liniaritatea) Dacă α, β ∈ IR atunci:
L[αf + βg](p) = αL[f ](p) + βL[g](p)

Demonstraţie.
∫ ∞
L[αf + βg](p) = [αf (t) + βg(t)]e−pt dt =
0
∫ ∞ ∫ ∞
−pt
= αf (t)e dt + βg(t)e−pt dt =
0 0
∫ ∞ ∫ ∞
−pt
=α f (t)e dt + β f (t)e−pt dt =
0 0
46 CAPITOLUL 2. TRANSFORMATA LAPLACE

= αL[f ](p) + βL[g](p)

Exemplul 2.2. Să se determine transformata Laplace a funcţiei


f (t) = 3t4 − 2t3 + 4e−3t − 2 sin 5t.

Demonstraţie.

L[f (t)](p) = 3L[t4 ](p) − 2L[t3 ](p) + 4L[e−3t ](p) − 2L[sin 5t](p) =

4! 3! 1 5
=3· 5
−2· 4 +4· −2· 2
p p p+3 p + 25
(conform liniarităţii şi tabelului 2.1)

2. (teorema asemănării) Dacă a > 0 şi F (p) = L[f (t)](p), atunci:


1 (p)
L[f (at)](p) = F
a a
∫∞
Demonstraţie. Avem L[f (at)](p) = 0 f (at)e−pt dt. Cu schimbarea
de variabilă at = τ , obţinem

1 ∞ p 1 (p)
L[f (at)](p) = f (τ )e− a τ dτ = F
a 0 a a

3. (teorema ı̂ntârzierii) Dacă τ > 0 şi F (p) = L[f (t)](p), atunci:

L[f (t − τ )](p) = e−pτ F (p)

Demonstraţie. Cum f (t) = 0, ∀t < 0, rezultă că f (t − τ ) = 0 pentru


orice t < τ . Avem
∫ ∞ ∫ ∞
L[f (t − τ )](p) = f (t − τ )e−pt dt = f (t − τ )e−pt dt.
0 τ

Cu schimbarea de variabilă t − τ = θ, integrala devine


∫ ∞ ∫ ∞
−p(τ +θ) −pτ
L[f (t−τ )](p) = f (θ)e dθ = e f (θ)e−pθ dθ = e−pτ F (p).
0 0

4. (teorema deplasării) Dacă F (p) = L[f (t)](p), atunci

L[e−λt f (t)](p) = F (p + λ)
2.2. PROPRIETĂŢILE TRANSFORMĂRII LAPLACE 47

Demonstraţie.
∫ ∞
−λt
L[e f (t)](p) = f (t)e−λt e−pt dt =
0
∫ ∞
= f (t)e−(λ+p)t dt = F (λ + p).
0

Exemplul 2.3. Să se determine transformata Laplace a funcţiei


f (t) = et sin 2t + e−t cos 4t.
p+1
Demonstraţie. L[f (t)] = 2
(p−1)2 +4
+ (p+1)2 +16

5. (derivarea imaginii) Dacă F (p) = L[f (t)](p) şi n ∈ IN∗ , atunci:

L[tn f (t)](p) = (−1)n F (n) (p)


∫ ∞ −pt ∫ ∞ ∂ −pt
Demonstraţie. F ′ (p) = dp
d
e f (t)dt = 0 ∂p (e f (t))dt =
∫∞ 0
= 0 −te−pt dt = L[−tf (t)](p) =⇒ L[tf (t)](p) = −F ′ (p)
Demonstraţia se continuă prin inducţie.

Exemplul 2.4. Să se determine transformata Laplace a funcţiei


f (t) = tet cos 3t .
p
Demonstraţie. Cum L[cos 3t](p) = p2 +9
, din teorema deplasării
p−1
L[et cos 3t](p) = (p−1)2 +9
şi din derivarea imaginii
[ ]′
p−1 (p − 1)2 − 9
L[f (t)](p) = − =
(p − 1)2 + 9 [(p − 1)2 + 9]2

6. (derivarea originalului) Dacă f este o funcţie original şi presupunem


că există f ′ , f ′′ , . . . , f (n) pe (0, ∞), f (n) este o funcţie original şi
f (k) (0 + 0) = lim f (k) (t), 0 ≤ k ≤ n, iar F (p) = L[f (t)](p), atunci:
t→0,t>0

L[f (n) (t)](p) = pn F (p)−(pn−1 f (0+0)+pn−2 f ′ (0+0)+. . .+f (n−1) (0+0))


∫∞
Demonstraţie. Avem L[f ′ (t)](p) =∫ 0 f ′ (t)e−pt dt. Integrăm prin

părţi L[f ′ (t)](p) = [f (t)e−pt ]/∞
0 + p 0 f (t)e
−pt dt.

Tinând seama de (2.1), |f (t)e−pt | = |f (t)|e−λt ≤ M e−(λ−p0 )t , unde


λ = Rep > p0 , deci lim [f (t)e−pt ] = 0. Atunci
t→∞

L[f ′ (t)](p) = pF (p) − f (0 + 0). (2.8)


48 CAPITOLUL 2. TRANSFORMATA LAPLACE

Inlocuim ı̂n (2.8) pe f ′ , succesiv cu f ′′ , f ′′′ , . . . , f (n) ,


L[f ′′ (t)](p) = pL[f ′ (t)](p) − f ′ (0 + 0)
L[f ′′′ (t)](p) = pL[f ′′ (t)](p) − f ′′ (0 + 0)
...
L[f (n)
(t)](p) = pL[f (n−1)
(t)](p) − f (n−1) (0 + 0)
Inmulţim egalitatea (2.8) cu pn−1 , prima egalitate din şirul de mai
sus cu pn−2 , a doua cu pn−3 etc. , ultima cu p0 = 1. Prin adunare
obţinem egalitatea din teoremă .

7. (integrarea originalului) Dacă F (p) = L[f (t)](p), atunci:


[∫ t ]
F (p)
L f (τ )dτ (p) =
0 p
∫t
Demonstraţie. Notăm g(t) = 0 f (τ )dτ. Evident g este funcţie origi-
nal şi g ′ = f aproape peste tot, deci L[g ′ (t)](p) = F (p). Adică
∫ ∞ ∫ ∞
′ −pt −pt ∞
F (p) = g (t)e dt = g(t)e |0 + p g(t)e−pt dt =
0 0

= pL[g(t)](p) − g(0 + 0) = pL[g(t)](p),


deoarece g(0 + 0) = 0.

Exemplul
∫t 2.5. Să se determine transformata Laplace a funcţiei
f (t) = 0 τ e−τ dτ .

Demonstraţie. Conform teoremei integrării originalului avem


L[f (t)](p) = F (p) −t ′
p , unde F (p) = L[te ](p) = (−1)F1 (p)(conform teo-
remei derivării imaginii), unde F1 (p) = L[e−t ](p) = p+11
. Atunci
F (p) = (p+1)2 şi rezultă L[f (t)](p) = p(p+1)2 .
1 1

Observaţia 2.1. Fie f o funcţie original şi F (p) = L[f (t)](p).


Atunci lim F (p) = 0.
Rep→∞

Demonstraţie. Fie p ∈ C cu Rep > p0 , p = λ + iµ.


f (t)e−pt = f (t)e−(λ+iµ)t = f (t)e−λt e−iµt =⇒ |f (t)e−pt | ≤ |f (t)|e−λt ≤
≤ M ep0 t e−λt = M e(p0 −λ)t , ∀t ≥ 0
∫ A ∫ A
∫ ∞
−pt
|F (p)| = 0 f (t)e dt = lim −pt
f (t)e dt ≤ lim |e−pt |dt ≤
A→∞ 0 A→∞ 0
∫ A
e(p0 −λ)t A M
≤ lim M e(p0 −λ)t dt = M lim |0 = , de unde rezultă
A→∞ 0 A→∞ p0 − λ λ − p0
că lim F (p) = 0
Rep→∞
2.2. PROPRIETĂŢILE TRANSFORMĂRII LAPLACE 49

8. (integrarea imaginii) Dacă f (t) t este funcţie original, iar F este


transformata Laplace a funcţiei f , atunci
[ ] ∫ ∞
f (t)
L (p) = F (v)dv
t p

Demonstraţie. Fie g(t) = f (t)


t , t > 0, deci f (t) = t · g(t) şi conform
teoremei derivării imaginii rezultă L[f (t)](p) = −L′ [g(t)](p)
Notăm F (p) = L[f (t)](p), G(p) = L[g(t)](p)
∫∞ ∫∞
Atunci F (p) = −G′ (p) =⇒ p G′ (v)dv = − p F (v)dv =⇒
∫ ∞ ∫ ∞
=⇒ lim G(p) − G(p) = − F (v)dv =⇒ G(p) = F (v)dv (con-
p→∞ p p
form Observaţiei 2.1)

Exemplul 2.6. Să se determine transformata Laplace a funcţiei


f (t) = shωt
t .

Demonstraţie. Conform teoremei integrării imaginii avem


∫ ∞ ∫ ∞
ω 1
L[f (t)](p) = dq = ω dq =
p q −ω
2 2
p (q − ω)(q + ω)
1 q−ω ∞ 1 p−ω
=ω ln / = ln
2ω q + ω p 2 p+ω

9. (teorema de convoluţie)∫Fie h = f ∗ g produsul de convoluţie al


t
funcţiilor f şi g, i.e. h(t) = 0 f (τ )g(t − τ )dτ şi fie F (p) = L[f (t)](p),
G(p) = L[g(t)](p) transformatele Laplace ale funcţiilor original f şi
g, atunci
H(p) = F (p)G(p),
unde H(p) = L[h(t)](p).

Demonstraţie. Se poate verifica uşor că funcţia h este funcţie original.


∫∞
Cum F (p) = L[f (t)](p), adică F (p) =∫ 0 f (τ )e−pτ dτ . Inmulţim ı̂n

ambii membri cu G(p), F (p)G(p) = 0 f (τ )e−pτ∫G(p)dτ . Conform
−pτ ∞
teoremei ı̂ntârzierii,
∫ ∞e G(p) ∫∞= L[g(t − τ )](p) = 0 g(t − τ )e−pt dt,
−pt
deci F (p)G(p) = 0 f (τ )dτ 0 g(t − τ )e∫ dt. Se ∫poate schimba or-
∞ ∞
dinea de integrare şi rezultă F (p)G(p) = 0 e−pt dt 0 f (τ )g(t−τ )dτ .
Cum g este funcţie original, g(t − τ ) = 0 pentru τ > t, deci
∫ ∞ ∫ t
f (τ )g(t − τ )dτ = f (τ )g(t − τ )dτ = (f ∗ g)(t).
0 0
∫∞
Rezultă F (p)G(p) = 0 (f ∗ g)(t)e−pt dt = L[(f ∗ g)(t)](p).
50 CAPITOLUL 2. TRANSFORMATA LAPLACE

Exemplul
∫ t 2 2.7. Să se determine transformata Laplace a funcţiei
f (t) = 0 τ cos 2(t − τ )dτ .

Demonstraţie. Cum f (t) = t2 ∗ cos 2t, avem


p
L[f (t)](p) = L[t2 ](p) · L[cos 2t](p) = 2
p3
· p2 +4
= 2
p2 (p2 +4)

Exemplul 2.8. Să se rezolve următoarea ecuaţie diferenţială

e−t
x′′ + 2x′ + x = , x(0) = x′ (0) = 0.
t+1

Demonstraţie. Fie X(p) = L[x(t)](p). Conform teoremei derivării


originalului avem:
L[x′ (t)](p) = pX(p) − x(0) = pX(p)
L[x′′ (t)](p) = p2 X(p) − px(0) − x′ (0) = p2 X(p).
Ecuaţia devine:
[ −t ]
p2 X(p) + 2pX(p) + X(p) = L t+1e
(p) =⇒ X(p)(p2 + 2p + 1) =
[ −t ] [ −t ] [ ]
= L t+1 −t t](p)·L e−t (p) =
2 ·L t+1 (p) = L[e
e 1 e
(p) =⇒ X(p) = (p+1) t+1
−t
= L[e−t t ∗ t+1
e
](p) şi conform teoremei de convoluţie obţinem
∫t e−t−τ

x(t) = 0 e−τ τ · t−τ +1 dτ = e
−t t τ
0 t−τ +1 dτ =
= −e−t [t − (t + 1) ln | − t − 1|]

Exemplul 2.9. Să se determine funcţia original a cărei imagine


p
Laplace este F (p) = (p2 +4)(p 2 +1) .

Demonstraţie.

p 1
F (p) = = L[cos 2t](p)L[sin t](p) = L[cos 2t ∗ sin t](p) =⇒
p2
+4p +12
∫ t
1
=⇒ f (t) = cos 2τ sin(t − τ )dτ = (cos t − cos 2t)
0 3

(conform teoremei de convoluţie)

Exemplul 2.10. Să se determine funcţia original a cărei imagine


1
Laplace este F (p) = p4 +2p3 +3p2 +2p+1 .
2.2. PROPRIETĂŢILE TRANSFORMĂRII LAPLACE 51

Demonstraţie.
1 1
F (p) = = √ =
(p2 + p + 1) 2
[(p + 2 ) + ( 23 )2 ]2
1 2
√ √
2 (p + 12 )2 + ( 23 )2 − (p + 21 )2 + ( 3 2
2 )
= · √ =
3 [(p + 12 )2 + ( 23 )2 ]2

2 1 2 −(p + 12 )2 + ( 23 )2
= · √ + · √
3 (p + 1 )2 + ( 3 )2 3 [(p + 1 )2 + ( 3 )2 ]2
2 2 2 2

Analizăm fiecare termen:


Conform liniarităţii şi teoremei ı̂ntârzierii avem:
√ [ √ ]
3
2 1 2 2 2 2 3
· √ e− 2 sin
t
· √ = ·√ · 2 √ =L t (p)
3 (p + )2 + ( )2
1 3 3 3 (p + )2 + ( )2
1 3 3 3 2
2 2 2 2

Conform teoremei derivării imaginii avem:


[ ]′ √
p+ 1
−(p + 21 )2 + ( 3 2
)
2 √
= √2 = −L[tf1 (t)](p),
3 2 3 2 2
(p + 12 )2 + ( 2 ) [(p + 12 )2 + ( 2 ) ]

unde
[ √ ]
1
p+ − 2t 3
L[f1 (t)](p) = 2 √
=L e cos t (p)
(p + 21 )2 + ( 3 2 2
2 )

(conform teoremei deplasării)



Atunci f1 (t) = e− 2 cos
t
3
2 t
√ √
4 − 2t
− 23 te− 2 cos
t
√ 3 3
Aşadar, f (t) = 3 3
e sin 2 t 2 t

Exemplul 2.11. Să se determine funcţia original a cărei imagine


Laplace este F (p) = p23p−4
−p−6
.

Demonstraţie. Vom folosi formula (2.5).


p1 = 3, p2 = −2 sunt poli simpli
( ) ( )
Atunci f (t) = Rez p23p−4
−p−6
e pt , 3 + Rez 3p−4 pt
p2 −p−6
e , −2 .
( )
Calculăm Rez p23p−4 e pt , 3 = lim 3p − 4 ept (p − 3) = e3t .
−p−6 p→3 p2 − p − 6
( )
Analog Rez p23p−4
−p−4
ept , −2 = 2e−2t . Deci f (t) = e3t + 2e−2t .
52 CAPITOLUL 2. TRANSFORMATA LAPLACE

Exemplul 2.12. Să se rezolve ecuaţia integrodiferenţială


∫ t

y (t) = y(τ ) cos(t − τ )dτ
0

cu condiţia y(0) = 1.

Demonstraţie. Conform teoremei derivării originalului avem


L[y ′ (t)](p) = pY (p) − 1, unde Y (p) = L[y(t)](p)
Membrul drept al ecuaţiei este produsul de convoluţie y(t) ∗ cos t;
aplicând transformata Laplace ecuaţiei obţinem:
p
pY (p) − 1 = Y (p) 2 .
p +1
p2 +1 1 1 t2
Atunci Y (p) = p3
= p + p3
=⇒ y(t) = 1 + 2.

Exemplul 2.13. Cu ajutorul transformatei Laplace să se determine


soluţia ecuaţiei cu argumente ı̂ntârziate
3y(t) − 4y(t − 1) + y(t − 2) = t, dacă y = 0 pentru t < 0.

Demonstraţie. Notăm L[y(t)](p) = Y (p)


Conform teoremei ı̂ntârzierii avem:
L[y(t − 1)] = e−p Y (p)
L[y(t − 2)] = e−2p Y (p)
După ce aplicăm transformata Laplace, ecuaţia devine:

1 1
(3 − 4e−p + e−2p )Y (p) =
2
=⇒ (1 − ep )(3 − e−p )Y (p) = 2 =⇒
p p
( ) ( )
1 1 1 1 1 1 1
=⇒ Y (p) = 2 − = 2 − =
2p 1 − e−p 3 − e−p 2p 1 − e−p 3 1 − e−p
3
1 1 e−p e−2p
= [1 + e−p + e−2p + . . . + e−np + . . . − (1 + + 2 + ...+
2p2 3 3 3
−np
( ) ( )
e 1 2 1 1
+ n + . . .)] = 2 [ + 1 − 2 e−p + 1 − 3 e−2p + . . . +
3 2p 3 3 3
( ) ∑∞ ( ) −np
1 −np 1 1 1 e
+ 1 − n+1 e + . . .] = 2 + 1 − n+1 =⇒
3 3p 2 3 p2
n=1
∞ ( )
t 1∑ 1
=⇒ y(t) = + 1 − n+1 (t − n)
3 2 3
n=1

(am folosit teorema ı̂ntârzierii)


2.3. PROBLEME PROPUSE 53

∫∞ sin3 x
Exemplul 2.14. Să se calculeze I = 0 x2
dx.
∫∞ sin3 tx
Demonstraţie. Notăm I(t) = 0 x2
dx
Calculăm transformata Laplace a funcţiei I(t):
∫ ∞ (∫ ∞ )
sin3 tx
L[I(t)](p) = e−pt dx dt =
0 0 x2
∫ ∞( ∫ ∞ )
1 −pt 3
= e sin txdt dx =
0 x2 0
∫ ∞( ∫ ∞ )
1 −pt 3 1
= e ( sin tx − sin 3tx)dt dx
0 x2 0 4 4
∫ ∞ −pt ∫ ∞ −pt
Cum 0 e sin txdt = L[sin tx](p) = p2 +x x
2 şi 0 e sin 3txdt =
L[sin 3tx](p) = p2 +9x2 , obţinem
3x

∫ [ ]
3 ∞ 1 1 3 1
L[I(t)](p) = 2 2
− 2 2
dx = ln 3 · 2 =
4 0 x(x + p ) x(9x + p ) 4 p
3 3t 3
= ln 3 · L[t](p) =⇒ I(t) = ln 3 =⇒ I = I(1) = ln 3
4 4 4

2.3 Probleme propuse


Să se determine imaginile Laplace ale următoarelor funcţii :
1. f (t) = sin2 ωt
2ω 2
R: L[f (t)](p) = p(p2 +4ω 2 )

2. f (t) = (sin t + cos 2t)2


p p
R: L[f (t)](p) = 1
p − 2(p2 +4)
+ 2(p2 +16)
+ 3
p2 +9
− 1
p2 +1

3. f (t) = (t + 2)2 e3t


R: L[f (t)](p) = 2
(p−3)3
+ 4
(p−3)2
+ 4
p−3 (cf. th. deplasării)

4. { ∫t
0 e2τ (t − τ )2 dτ, dacă t > 0
u(t) =
0, dacă t ≤ 0
R: L[u(t)](p) = 1
p−2 · 2
p3

5. f (t) = sin at sin bt, a, b ∈ IR


[ ]
p p
R: L[f (t)](p) = 12 p2 +(a−b) 2 − p2 +(a+b)2
Să se determine funcţiile original ale căror transformate Laplace sunt:
54 CAPITOLUL 2. TRANSFORMATA LAPLACE

p2 +3p+1
6. F (p) = (p+1)(p+2)(p+3)

R: f (t) = − 12 e−t + e−2t + 12 e−3t


2p+1
7. F (p) = p(p+1)

R: f (t) = 3et − 1
4p+10
8. F (p) = p2 −12p+32

R: f (t) = − 13 4t
2 e +
21 8t
2 e

5p+1
9. F (p) = p2 +1
R: f (t) = 5 cos t + sin t
p+2
10. F (p) = p2 (p+3)
t3 1 −3t
R: f (t) = − 27
1
+ t
9 + 3 + 27 e
1
11. F (p) = p2 (p−2)2
( )
t2
R: f (t) = 8 − t
4 + 3
16 e2t − t
8 − 3
16

p3 +16p−24
12. F (p) = p4 +20p2 +64

R: f (t) = cos 2t − sin 2t + 12 sin 4t


2p−7
13. F (p) = p2 +2p+6
√ √
R: f (t) = 2e−t cos 5t − √9 e−t sin
5
5t

3p−14
14. F (p) = p2 −4p+8

R: f (t) = e2t (3 cos 2t − 4 sin 2t)


−p
15. F (p) = √e
p+1

R: f (t) = e−(t−1) √ 1
(cf. th. ı̂ntârzierii şi deplasării)
π(t−1)

8e−3p 3pe−2p
16. F (p) = p2 +4
− p2 −4
R: f (t) = 4 sin 2(t − 3) − 3 cosh 2(t − 2)
e−p pe−2p
17. F (p) = p2 −2p+5
+ p2 +9

R: f (t) = 12 et−1 sin 2(t − 1) + cos 3(t − 2)


pe−2p
18. F (p) = p2 +3p+2

R: f (t) = 2e−2(t−2) − e−(t−2)


2.3. PROBLEME PROPUSE 55

27−12p
19. F (p) = (p+4)(p2 +9)

R: f (t) = 3e−4t − 23 e−3it − 32 e3it = 3e−4t − 3 cos 3t (am folosit descom-


punerea ı̂n fracţii simple sau teorema reziduurilor)
1
20. F (p) = 2p2 −2p+5
t
R: f (t) = 13 e 2 sin 3t
2

3p2 −1
21. F (p) = (p2 +1)2

R: f (t) = (1 + 2t) sin t


5p2 −15p−11
22. F (p) = (p+1)(p−2)3

R: f (t) = − 13 e−t + 13 e2t + 4te2t − 72 t2 e2t


5p+1
23. F (p) = p2 +1
R: f (t) = 5 cos t + sin t
e−p pe−2p
24. F (p) = p2 −2p+5
+ p2 +9

R: f (t) = 12 et−1 sin 2(t − 1) + cos 3(t − 2)


27−12p
25. F (p) = (p+4)(p2 +9)

R: f (t) = 3e−4t − 23 e−3it − 32 e3it = 3e−4t − 3 cos 3t (am folosit descom-


punerea ı̂n fracţii simple sau teorema reziduurilor)
Să se calculeze integralele:
∫ ∞ tx
26. I(t) = 0 cos1+x2
dx, t > 0
R: I(t) = π2 e−t
∫∞ sin x2
27. I(t) = 0 x dx
π
R: I = 4
∫∞ sin2 x
28. I(t) = 0 x2
dx
π
R: I = 2
Să se rezolve ecuaţiile diferenţiale :

29. x′′ + 6x′ + 9x = 9e3t , x(0) = 0, x′ (0) = 0


e3t −(1+6t)e−3t
R: x(t) = 4

30. y ′′ − 3y ′ + 2y = 4et , y(0) = −3, y ′ (0) = 5 (cf. teoremei derivării


originalului)
R: y(t) = −7et + 4te2t + 4e2t
56 CAPITOLUL 2. TRANSFORMATA LAPLACE

31. x′′ − 2x′ = e2t + t2 − 1, x(0) = 18 , x′ (0) = 1


3 t2
R: x(t) = − t6 − 4 + t
4 + 18 e2t (4t + 1)

32. x′′ − 2x′ + 5x = et cos 2t, x(0) = x′ (0) = 1


R: x(t) = et sin 2t + 41 tet sin 2t (cf. teoremei derivării originalului)

33. y ′′′ − 3y ′′ + 3y ′ − y = t2 et , y(0) = 1, y ′ (0) = 0, y ′′ (0) = −2


( 2
)
t5
R: y(t) = 1 − t − t2 + 60 et

34. x′′′ + x′ = sin t, x(0) = 0, x′ (0) = 0, x′′ (0) = 0


R: x(t) = 1 − cos t − 2t sin t

35. y ′′ + xy ′ − y = 0, y(0) = 0, y ′ (0) = 1


R: y(x) = x

36. xy ′′ + 2y ′ = x − 1, y(0) = 0
x(x−3)
R: y(x) = 6
Să se rezolve sistemele de ecuaţii diferenţiale:

37.
3x′ + 2x + y ′ = 1

x′ + 4y ′ + 3y = 0

x(0) = y(0) = 0
3 − 11
− 15 e−t , y(t) = 15 (e−t − e− 11 t )
6 6
R: x(t) = 1
2 − 10 e
t

38.
x′ − x + 2y = 0

x′′ + 2y ′ = 2t − cos 2t

x(0) = 0, x′ (0) = 2, y(0) = −1


R: x(t) = t2 − 12 sin 2t, y(t) = −t + 12 t2 + 21 cos 2t − 41 sin 2t

39.
x′ = 2x − 3y

y ′ = y − 2x

x(0) = 8, y(0) = 3
R: x(t) = 5e−t + 3e4t ,y(t) = 5e−t − 2e4t
2.3. PROBLEME PROPUSE 57

40.
x′ + 5x − 2y = et
y ′ − x + 6y = e2t
x(0) = 1, y(0) = −2
41 −4t −7t ,y(t) 7 −4t
40 e + 27 e − 45 e 40 e + 54 e − 18 e −
7 t 1 2t
R: x(t) = + 367
216 e = 1 t 7 2t

− 367 −7t
216 e

41.
x′′ + x′ + y ′′ − y = et
x′ + 2x − y ′ + y = e−t
x(0) = x′ (0) = 0, y(0) = y ′ (0) = 0
R: x(t) = 18 et + 18 (2t − 1)e−t , y(t) = 34 (t − 1)et − 43 (3t − 1)e−t
Să se rezolve ecuaţiile integrale:
∫t
42. x(t) − 2 0 x(τ )dτ = 19 (1 − cos 3t)
R: x(t) = 1 2t
13 e + 1
13 cos 3t − 2
13 sin 3t (cf. teoremei integrării origi-
nalului)
∫t
43. x(t) = t + 4 0 (t − τ )x(τ )dτ
1
R: x(t) = 2 sh2t
∫t
44. x(t) = t cos 3t + sin 3(t − τ )x(τ )dτ
0

R: x(t) = 2 sin 3t − √56 sin 6t
∫t
0 (t − τ )e
45. x(t) = cos t + t−τ x(τ )dτ

5 e + 5 cos t − 5 sin t
1 2t 4 2
R:x(t) =
Capitolul 3

Transformarea Z

3.1 Semnale discrete. Transformata Z


Definiţia 3.1. Se numeşte semnal discret o funcţie x : ZZ → C, n → xn
(sau x(n) sau x[n]). Mulţimea semnalelelor discrete se va nota cu Sd . Dacă
xn = 0 pentru orice n < 0, se spune că semnalul x este cu suport pozitiv,
iar mulţimea acestor semnale se notează cu Sd+ .
Exemplul 3.1. Se notează cu δk , k ∈ ZZ fixat, semnalul definit prin:
{
1, dacă n = k
δk (n) =
0, dacă n ̸= k
şi numit impulsul unitar discret la momentul k şi vom pune δ0 = δ.
Definiţia 3.2. Dacă x ∈ Sd , atunci pentru orice k ∈ ZZ fixat, semnalul
y = (xn−k )n∈ZZ se numeşte ı̂ntârziatul lui x cu k momente. Dacă x, y ∈ Sd


şi seria xn−k yk este convergentă pentru orice n ∈ ZZ cu suma zn , atunci
k=−∞
semnalul z = (zn )n∈ZZ se numeşte convoluţia semnalelor x şi y şi se notează
z = x ∗ y.
Dacă x, y ∈ Sd+ , atunci x ∗ y există şi avem x ∗ y = y ∗ x, de asemenea:
x ∗ δ = x şi (x ∗ δk )(n) = x(n − k)
Pentru orice funcţie f : IR → C şi T > 0(pas de eşantionare) se poate
obţine un semnal discret punând xn = f (nT ), n ∈ ZZ.
Definiţia 3.3. Fie s ∈ Sd , s = (an )n∈ZZ . Se numeşte transformata Z
(sau transformata Laplace discreta) a acestui semnal, funcţia complexă
Ls definită prin:
∑∞
Ls (z) = an z −n
n=−∞
definită ı̂n domeniul de convergenţă al seriei Laurent respective.
Indicăm principalele proprietăţi ale transformării Z:
1. Există R, r > 0 astfel ı̂ncât seria care defineşte transformarea Z con-
verge ı̂n coroana r < |z| < R.

58
3.1. SEMNALE DISCRETE. TRANSFORMATA Z 59

2. (Liniaritatea) Asocierea s → Ls este C-liniară şi injectivă , aşadar:

Lα1 s1 +α2 s2 (z) = α1 Ls1 (z) + α2 Ls2 (z), α1 , α2 ∈ C, s1 , s2 ∈ Sd .

3. Dacă s ∈ Sd+ , s = (an )n∈IN , atunci lim Ls (z) = a0 , iar dacă există
z→∞
z−1
lim an = l, atunci lim Ls (z) = 1.
n→∞ z→1 z

4. (Inversarea transformării Z) Fie s ∈ Sd+ , s = (an )n∈IN şi se presupune


că funcţia Ls (z) este olomorfă ı̂n domeniul r < |z| < R. Pentru orice
r < ρ < R, fie γρ frontiera discului |z| ≤ ρ parcursă ı̂n sens pozitiv o
singură dată. Atunci avem:

1
an = z n−1 Ls (z)dz, n ∈ IN
2πi γρ

5. (Teorema de convoluţie) Dacă s, t ∈ Sd+ , atunci s ∗ t ∈ Sd+ şi avem:

Ls∗t = Ls Lt

In particular,
Ls∗δk (z) = z −k Ls (z), k ∈ ZZ

In tabelul 3.1 sunt date transformatele Z ale semnalelor uzuale.


Tabelul 3.1.

Nr. s Ls

h = (hn )n∈ZZ unde hn = 0


z
1 pentru n < 0 şi hn = 1
z−1
pentru n ≥ 0
1
2 δk , k ∈ ZZ
zk
z
3 s = (n)n∈IN (z − 1)2

z(z + 1)
4 s = (n2 )n∈IN (z − 1)3
z
5 s = (an )n∈IN , a ∈ C z−a
z
6 s = (ean )n∈IN , a ∈ IR z − ea
60 CAPITOLUL 3. TRANSFORMAREA Z

Exemplul 3.2. Să se arate că următorul semnal nu admite transformată


Z:
2
x ∈ Sd+ , xn = 2n h(n).



2n z −n este
2
Demonstraţie. Raza de convergenţă a seriei
n=0
1√
R= n
= 0 , deci Dx = ∅.
lim 2n2
n→∞

Exemplul 3.3. Să se determine semnalul x ∈ Sd+ a cărui transformată


z
Z este dată de Ls (z) = z 2 +2az+2a 2 , a > 0 dat.

Demonstraţie. z1 ,2 = a(−1 ± i) sunt poli simpli, pe care ı̂i putem scrie şi
astfel
√ 3π 3π
z1 = a(−1 + i) = a 2(cos + i sin )
4 4
√ 3π 3π
z2 = a(−1 − i) = a 2(cos − i sin )
4 4

2
zn an (−1 + i)n an (−1 − i)n
Atunci xn = Rez( , z i ) = + =
(z 2 + 2a + 2a2 ) 2z1 + 2a 2z1 + 2a
i=1
n
= − 2a
i
(z1n − z2n ). Deci xn = 2 2 an−1 sin 3nπ
4 .

Exemplul 3.4. Cu ajutorul transformării Z, să se rezolve ı̂n mulţimea


semnalelor cu suport pozitiv ecuaţia y ∗ a = x ı̂n următorul caz

a = δ−2 + δ−1 − 6δ, xn = n · h(n), n ∈ ZZ

Demonstraţie. Deoarece x ∈ Sd+ , ecuaţia dată are soluţia y ∈ Sd+ şi aceasta
este unică . Intr-adevăr, ecuaţia de convoluţie se scrie

yn+2 + yn+1 − 6yn = n · h(n), n ∈ ZZ. (3.1)

Cu x, y ∈ Sd+ , relaţia (3.1) este identic satisfăcută pentru n ≤ −3, iar pentru
n = −2 şi n = −1 ea furnizează valorile lui y0 , respectiv y1 : y0 = 0, y1 = 0.
Pentru n ≥ 0 relaţia de recurenţă (3.1) devine:

yn+2 + yn+1 − 6yn = n, n ∈ ZZ,

cu soluţia unică (yn )n∈IN de ı̂ndată ce y0 şi y1 sunt cunoscuţi.


Deoarece membrul drept al ecuaţiei de convoluţie este un semnal care
admite transformată Z, aplicăm transformarea Z acestei ecuaţii, ı̂n ipoteza
că şi semnalul y ∈ Sd+ are transformată Z, Ly (z), deci Ly (z)(z 2 + z − 6) =
z
(z−1)2
3.1. SEMNALE DISCRETE. TRANSFORMATA Z 61

z
Rezultă Ly (z) = (z−1)2 (z 2 +z−6)
. Calculăm

zn
Rez(z n−1 Ls (z), 1) = lim [(z − 1)2 ]′ =
z→1 (z − 1)2 (z 2 + z − 6)
nz n−1 (z 2 + z − 6) − z n (2z + 1) 4n + 3
= lim =− .
z→1 (z + z − 6)
2 2 16
n
2n
Analog Rez(z n−1 Ls (z), 2) = 5 şi Rez(z n−1 Ls (z), −3) = − (−3)
80 .
n (−3)3
16 + 5 −
Deci yn = − 4n+3 2
80 , n ∈ IN.
Astfel am găsit un semnal y ∈ Sd+ cu proprietatea că Ly∗a (z) = Lx (z).
Din injectivitatea aplicaţiei L rezultă y ∗ a = x şi din unicitatea ı̂n
Sd+ a soluţiei ecuaţiei de convoluţie rezultă că semnalul găsit cu ajutorul
transformării Z este cel căutat.

Exemplul 3.5. Cu ajutorul transformării Z, să se determine şirurile


(xn )n∈IN definite prin următoarele relaţii:
a) x0 = 0, x1 = 1, xn+2 = xn+1 + xn , n ∈ IN (şirul lui Fibonacci)
b) x0 = 0, x1 = 1, xn+2 − 4xn+1 + 3xn = (n + 1)4n , n ∈ IN.

Demonstraţie. Considerăm şirul (xn )n∈IN ca fiind resticţia unui semnal


x ∈ Sd+ la IN şi transcriem informaţiile despre şirul dat sub forma unei
ecuaţii de convoluţie a ∗ x = y, pe care o rezolvăm ı̂n Sd+ procedând ca la
exemplul precedent.
a) Observăm că

xn+2 − xn+1 − xn = yn , n ∈ ZZ,

unde yn = 0 pentru n ̸= −1 şi y−1 = 1.


Aşadar, x ∈ Sd+ satisface ecuaţia de convoluţie a ∗ x = y, cu
a = δ−2 − δ−1 + δ, y = δ−1 .
Aplicând transformata Z rezultă : [( √ ) ( √ )n ]
n
Lx (z)(z 2 − z − 1) = z =⇒ xn = √15 1+2 5 − 1−2 5
b) Avem a ∗ x = y, a = δ−2 − 4δ−1 + 3δ, yn = 0, n ≤ −2, y−1 = 1,
yn = (n + 1)4n , n ∈ IN.
Fie s1 = (n4n )n∈IN şi s2 = (4n )n∈IN
Ls1 (z) = −zL′s2 (z) = −z( z−4
z ′
) = −z(− (z−4)
4 4z
2 ) = (z−4)2
z2
Deci Lx (z)(z 2 − 4z + 3) = 4z
(z−4)2
+ z
z−4 +z = (z−4)2
+ z =⇒
z(z 2 −7z+16)
=⇒ Lx (z) = (z−4)2 (z−1)(z−3)
Descompunem ı̂n fracţii simple şi găsim
1
xn = [18 · 3n + (3n − 13)4n − 5], n ∈ IN.
9
62 CAPITOLUL 3. TRANSFORMAREA Z

3.2 Probleme propuse


1. Să se determine semnalul x ∈ Sd+ a cărui transformată Z este:
2z+3 z 2 +1 z
a)Lx (z) = z 2 −5z+6
; b)Lx (z) = z 2 −z+1
; c)Lx (z) = (z−3)2

R: a)x0 = 0, xn = 3n+1 − 7 · 2n−1 , n ≥ 1


3 ,n ≥ 1
b)x0 = 1, xn = √2 sin 2nπ
3
c)xn = n3n−1

2. Cu ajutorul transformării Z, să se rezolve ı̂n mulţimea semnalelor


cu suport pozitiv ecuaţia y ∗ a = x ı̂n următoarele cazuri:
a)a = δ−2 − 4δ−1 + 3δ, xn = 2h(n), n ∈ ZZ
b)a = δ−1 − 2δ, xn = (n2 − 2n − 1)h(n), n ∈ ZZ
R: a)Ly (z) = 2z
,y
(z−1)2 (z−3) n
= 12 (3n − 2n − 1), n ∈ IN

b)Ly (z) = − z(z+1)


(z−1)3
, yn = −n2 , n ∈ IN

3. Cu ajutorul transformării Z, să se determine şirurile (xn )n∈IN


definite prin următoarele relaţii liniare de recurenţă :
a)x0 = 4, x1 = 6, xn+2 − 3xn+1 + 2xn = 0, n ∈ IN
b)x0 = 0, x1 = 11, x2 = −8, x3 = 6, xn+4 − 25 xn+3 + 52 xn+1 −
−xn = 1, n ∈ IN
c)x0 = 0, x1 = 3, xn+2 − 4xn+1 + 3xn = 2, n ∈ IN
d)x0 = 0, x1 = −1, xn+2 + xn+1 − 6xn = n, n ∈ IN
e) x0 = x1 = 0, xn+2 − 3xn+1 + 2xn = 2n , n ∈ IN
f)x0 = 0, x1 = 1, xn+2 − 5xn+1 + 6xn = 4 · 5n , n ∈ IN
g)x0 = x1 = 0, x2 = 1, xn+3 + 3xn+2 + 3xn+1 + xn = 0, n ∈ IN
R: a) xn = 2 + 2n+1 , n ∈ IN; b) xn = 8(−1)n+1 + 23−n − n, n ∈ IN;
c) xn = 2 · 3n − n − 2, n ∈ IN; d) xn = − 16
1
[(−3)n+1 + 4n + 3], n ∈ IN;
e) xn = 1 + 2 n−1 (n − 2); f) xn = 3 (2 − 3
1 n n+1 + 2 · 5n ), n ∈ IN;
g) xn = (−1)n n(n−1)
2 , n ∈ IN
Capitolul 4

Transformarea Fourier

4.1 Transformarea Fourier a funcţiilor integrabile


pe IR
In cele ce∫ urmează se va nota cu L1 (IR) mulţimea funcţiilor f : IR → IR

pentru care −∞ |f (t)|dt < ∞
Definiţia 4.1. Se numeşte transformarea Fourier a funcţiei f ∈ L1 (IR)
o funcţie F[f ] : IR → C definită prin
∫ ∞
F[f ](ω) = f (t)e−iωt dt (4.1)
−∞

Funcţia F[f ](ω) se mai numeşte funcţia spectrală sau spectrul (ı̂n
frecvenţă) al semnalului f (t); prin transformarea Fourier semnalelor ı̂n
timp le corespund spectrele lor.
Dacă f este o funcţie pară , atunci (4.1) se scrie sub forma:
∫ ∞
F[f ](ω) = 2 f (t) cos ωtdt, ω ∈ IR (4.2)
0

şi se numeşte transformarea Fourier prin cosinus a funcţiei f , iar


dacă f este impară , atunci:
∫ ∞
F[f ](ω) = −2i f (t) sin ωt, ω ∈ IR (4.3)
0

şi se numeşte transformarea Fourier prin sinus a funcţiei f .

Teorema 4.1. (formula Fourier ∫de inversare) Fie f : IR → IR o funcţie



din L1 (IR). Notând cu F[f ](ω) = −∞ f (t)e−iωt dt transformata Fourier a
∫∞
lui f şi presupunând că −∞ |F[f ](ω)|dω < ∞, rezultă
∫ ∞
1
f (t) = F[f ](ω)eitω dω, pentru orice t ∈ IR (4.4)
2π −∞

63
64 CAPITOLUL 4. TRANSFORMAREA FOURIER

Propoziţia 4.1. Fie f o funcţie complexă astfel ı̂ncât f olomorfă pe C


cu excepţia unui număr finit de puncte singulare izolate a1 , . . . , an care nu
se găsesc pe axa numerelor reale şi lim f (z) = 0. Atunci
|z|→∞


 ∑n

∫ 
 2πi Rez(f (z)e−iωz , ak ), pentru ω < 0 când Imak > 0
∞ 
−iωt k=1
f (t)e dt = ∑n
−∞ 


 −2πi Rez(f (z)e−iωz , ak ), pentru ω > 0 când Imak < 0

k=1

4.2 Proprietăţile transformării Fourier


1. (Liniaritatea) Dacă f (t) ↔ F (ω), g(t) ↔ G(ω) , iar α, β ∈ C,
atunci
αf (t) + βg(t) ↔ αF (ω) + βG(ω).

2. (Simetria) Dacă f (t) ↔ F (ω), atunci F (t) ↔ 2πf (−ω).

3. (Schimbarea de scală) Pentru α ∈ C şi f (t) ↔ F (ω) avem


1 ω
f (αt) ↔ F ( ).
|α| α

Exemplul 4.1. Să se calculeze transformata Fourier a funcţiei


f (t) = e−a|t| , a > 0.

Demonstraţie. Avem
∫ ∞ ∫ ∞
−|t| −iωt
F (ω) = e e dt = e−|t| (cos ωt − i sin ωt)dt =
−∞ −∞
∫ ∞
2
=2 e−t cos ωtdt = .
0 ω2 +1
Conform schimbării de scală obţinem :
1 (ω ) 2 2a
F[f ](ω) = F = ω2 = 2
a a a( a2 + 1) ω + a2

4. (Translaţia timpului) Dacă f (t) ↔ F (ω) şi t0 ∈ IR, atunci

f (t − t0 ) ↔ F (ω)e−it0 ω .

Exemplul 4.2. Să se calculeze transformata Fourier a funcţiei


f (t) = e−7|t+4| .
4.2. PROPRIETĂŢILE TRANSFORMĂRII FOURIER 65

Demonstraţie. Conform teoremei de translaţie a timpului şi exemplu-


lui 4.1 avem:
14e4iω
F (ω) = 2
ω + 49

5. (Translaţia frecvenţei) Dacă f (t) ↔ F (ω) şi ω0 ∈ IR, atunci


eiω0 t f (t) ↔ F (ω − ω0 ).

6. (Derivarea ı̂n raport cu timpul) Dacă f (t) ↔ F (ω) şi f este de


n ori derivabilă, atunci f (n) (t) ↔ (iω)n F (ω).
7. (Derivarea ı̂n raport cu frecvenţa)
Dacă funcţiile f (t), tf (t), . . . tn f (t) sunt integrabile pe IR, iar
f (t) ↔ F (ω), atunci
(−it)n f (t) ↔ F (n) (ω).

Exemplul 4.3. Să se calculeze transformata Fourier a funcţiei


f (t) = te−αt , α > 0.
2

Demonstraţie. Calculăm transformata Fourier a semnalului gaussian


f1 (t) = e−t .
2

∫ ∞ ∫ ∞ ∫ ∞
−t2 −iωt −t2
e−t sin ωtdt =
2
F1 (ω) = e e dt = e cos ωtdt − i
∫ ∞ −∞ −∞
∫ ∞ −∞
−t2 ′ −t2 1
=2 e cos ωtdt =⇒ F1 (ω) = −2 e t sin ωtdt = − ωF1 (ω)
0 0 2
(s-a integrat prin părţi)
S-a obţinut o ecuaţie cu variabile separabile a cărei soluţie este:
ω2
F1 (ω) = ce− 4

∫ ∞ √ √ ω2
e−t dt = π =⇒ F1 (ω) = πe− 4
2
c = F1 (0) =
−∞
√ 2
Scriem e−αt = e−( αt) şi
2
folosind schimbarea de scală obţinem:
( )
−αt2 1 ω 1 √ − ω2
F[e ](ω) = √ F1 √ =√ πe 4α
α α α

Conform teoremei de derivare ı̂n raport cu frecvenţa avem:


√ ( √
π ω ) − ω2 i π − ω2
F[f ](ω) = i − e 4α = − ωe 4α
α 2α 2 α3
66 CAPITOLUL 4. TRANSFORMAREA FOURIER

8. (Transformata complex conjugatei) Dacă f ∗ (t) este complex


conjugata funcţiei f şi f (t) ↔ F (ω), atunci f ∗ (t) ↔ F ∗ (−ω).

9. (Teorema de convoluţie ı̂n ∫timp) Dacă f (t) ↔ F (ω) şi g(t) ↔



G(ω), iar h(t) = (f ∗ g)(t) = −∞ f (τ )g(t − τ )dτ este produsul de
convoluţie al funcţiilor f şi g, atunci (f ∗ g)(t) ↔ F (ω)G(ω).

10. (Teorema de convoluţie ı̂n ∫frecvenţa) In condiţiile proprietăţii



precedente avem f (t)g(t) ↔ 2π
1
−∞ F (y)G(ω − y)dy.

11. Dacă f (t) ↔ F (ω), atunci F este uniform continuă pe IR şi, ı̂n plus,
lim |F (ω)| = 0.
|ω|→∞

12. Dacă fn : IR → IR, n ∈ IN∗ este un şir de funcţii convergent către


funcţia f : IR → IR, ı̂n spaţiul L1 (IR), adică
∫ ∞
lim |fn (t) − f (t)|dt = 0,
n→∞ −∞

iar fn (t) ↔ Fn (ω), f (t) ↔ F (ω), atunci şirul Fn converge către F


uniform pe IR, adică lim sup |Fn (ω) − F (ω)| = 0.
n→∞ω∈IR

Exemplul 4.4. Să se calculeze transformata Fourier a impulsului tri-


unghiular de lungime 2T
{
1 − |t|
T , dacă |t| ≤ T
qT (t) =
0, dacă |t| > T

Demonstraţie. Cum qT e funcţie pară , atunci


∫ T( ) ∫ T
t sin ωt
F (ω) = 2 1− cos ωtdt = 2 dt =
0 T 0 Tω
2(1 − cos ωT ) 4 sin2 T2ω
= =
T ω2 T ω2
(integrala s-a rezolvat prin părţi)

Exemplul 4.5. Să se rezolve ecuaţia integrală


∫ ∞ { ( )
cos t, dacă t ∈ 0, π2
x(u) sin tudu =
0 0, dacă t ≥ π2

Demonstraţie. Notăm membrul drept cu f (t) şi-l prelungim prin imparitate


pe IR
∫ ∞ca şi funcţia x(u). Atunci
∫∞ ∫∞
x(u) cos tudu = 0, −∞ x(u) sin tudu = 2 0 x(u) sin tudu = 2f (t),
∫∞
−∞ ∫ ∞
deci −∞ x(u)e−itu du = −2if (t), dar −∞ x(u)e−itu du reprezintă transfor-
marea Fourier a funcţiei x, deci rezultă din formula Fourier de inversare,
4.3. PROBLEME PROPUSE 67

∫∞ [∫ ∫∞ ]

x(u) = 2π1
−∞ −2if (t)e itu dt = − i
π −∞ f (t) cos tudt + i −∞ f (t) sin tudt =
∫ ∞ ∫ π
= π2 0 f (t) sin tudt = π2 02 cos t · sin tudu =
∫ π
u−sin π u
= π2 02 12 [sin(tu + t) + sin(tu − t)]dt = π2 u2 −12

Exemplul 4.6. Să se rezolve ecuaţia integrală :


∫ ∞
1
y(t) cos txdt = 2 .
0 x +1
Demonstraţie.
∫∞ Prelungim y(t)
2
∫ ∞ prin paritate la (−∞, ∞) şi obţinem:
y(t) cos txdt = şi −∞ y(t) sin txdt = 0.
−∞ ∫∞ x2 +1
Aşadar, −∞ y(t)e dt = x22+1 . Inmulţim egalitatea cu 2π
itx 1
, deci
∫ ∞
2π −∞ y(t)e dt = 2π · x2 +1 = π(x2 +1) .
1 itx 1 2 1

1
Funcţie y(t) reprezintă transformarea Fourier a funcţiei π(1+x 2 ) , deci

1 ∞ 1 −itx
conform formulei de inversare obţinem y(t) = π −∞ x2 +1 e dx.
Din Propoziţia 4.1 avem
∫ {
1 ∞ 1 −itx 1 2πiRez( z 21+1 e−itz , i), pentru t < 0
y(t) = e dx = −itz
π −∞ x + 12 π −2πiRez( z 2 +1 e
1
, −i), pentru t > 0

 1
 lim(z − i) 2 e−itz , pentru t < 0
= 2i z→i z + 1
 1
 − lim (z + i) 2 e−itz , pentru t > 0
z→−i z +1
{ t
e
= 2i 2i , pentru t < 0
e−t
− −2i , pentru t > 0
{ t
e, pentru t < 0
= −t
e , pentru t > 0
Rezultă y(t) = e−|t| .

4.3 Probleme propuse


1. Să se calculeze transformata Fourier a semnalului dreptunghiular
f (t) = A(u(t − a) − u(t − b)) cu A, a, b ∈ IR, a < b. Apoi să se arate
că lim F (ω) = 0.
|ω|→∞
A −iωb
R: F (ω) = − iω (e − e−iωa )

2. Să se calculeze transformata Fourier a funcţiei


1 1
f (t) = |t − 1| − |t| + |t + 1|.
2 2

R: F (ω) = 2
ω2
(1 − cos ω)
68 CAPITOLUL 4. TRANSFORMAREA FOURIER

3. Să se calculeze transformata Fourier a funcţiei


{ −at
e , dacă t > 0
qT (t) =
0, dacă t < 0

a>0
1
R: F (ω) = a+iω
Să se rezolve ecuaţiile integrale:

4. ∫ ∞ {
1 − t, dacă t ∈ (0, 1)
x(u) cos tudu =
0 0, dacă t ∈ [1, ∞)
∫1
R: x(u) = π2 0 (1 − t) cos tudt
∫∞
5. 0 φ(α) sin αxdα = e−x , x > 0
R: φ(α) = π2 · 1+α
α
2

∫∞ 1
6. 0 f (t) cos ωtdt = (1+ω 2 )2

e−t
R: f (t) = 2 (t + 1)
Capitolul 5

Elemente de analiză
combinatorică

5.1 Principiul de bază al analizei combinatorii


In practică , se ajunge adesea la problema de a alege dintr-o mulţime
oarecare de obiecte submulţimi de elemente ce posedă anumite proprietăţi,
de a dispune elementele uneia sau ale mai multor mulţimi ı̂ntr-o anumită
ordine etc. Pentru că ı̂n astfel de probleme este vorba despre anumite
combinaţii de obiecte, ele se numesc probleme combinatorii. Domeniul
matematicii ı̂n care se studiază astfel de probleme se numeşte combina-
torică .
Combinatorica poate fi considerată ca o parte a teoriei mulţimilor, orice
problemă de combinatorică putând fi redusă la o problemă despre mulţimi
finite şi aplicaţii. Această ramură a matematicii este foarte importantă
pentru teoria probabilităţilor, cibernetică , logică matematică , teoria nu-
merelor.
Teorema 5.1. Cu p elemente a1 , . . . , ap ale unei mulţimi şi r elemente
b1 , . . . , br ale altei mulţimi (mulţimile pot să şi coincidă ) pot fi compuse
exact pr perechi ordonate (ai , bj ) diferite ce conţin câte un element din
fiecare mulţime.
Demonstraţie. Asociem elementele din prima mulţime cu elementele din a
doua astfel:
(a1 , b1 ), (a1 , b2 ), . . . , (a1 , br )
(a2 , b1 ), (a2 , b2 ), . . . , (a2 , br )
........................
(ap , b1 ), (ap , b2 ), . . . , (ap , br )
Tabelul conţine toate perechile ce se pot forma şi fiecare element apare o
singură dată . Tabelul are p linii şi r coloane, deci numărul perechilor este
pr.

69
70 CAPITOLUL 5. ELEMENTE DE ANALIZĂ COMBINATORICĂ

Observaţia 5.1. Teorema 5.1 poate fi extinsă pentru orice { număr m}


de
{ mulţimi. } {De exemplu, } dacă m = 3 şi avem mulţimile a1 , . . . , ap ,
b1 , . . . , br , c1 , . . . , cs , procedăm astfel : considerăm mulţimea elementelor
(ai , bj ) ce va conţine pr elemente. Fiecărui element (ai , bj ) ı̂i asociem un ck
şi obţinem (ai , bj , ck ). Conform Teoremei 5.1, numărul acestor triplete este
(pr)s = prs.
Alt enunţ al Teoremei 5.1 este : Dacă x1 , x2 pot fi alese in n1 , respectiv
n2 moduri, atunci perechea ordonată (x1 , x2 ) poate fi aleasă ı̂n n1 n2 moduri.
Generalizare: Dacă elementele x1 , . . . , xm pot fi alese in n1 , . . . , nm
moduri, atunci sistemul ordonat (x1 , . . . , xm ) poate fi ales in n1 · . . . · nm
moduri.
Exemplul 5.1. Echipajul unei nave cosmice trebuie sa fie alcătuit din
3 persoane: comandantul, inginerul şi medicul. La postul de comandant
sunt 3 candidaţi, la cel de inginer 2 candidaţi şi la postul de medic doi. In
câte moduri poate fi format echipajul navei?

Demonstraţie. Conform Teoremei 5.1 avem 3 · 2 · 2 = 12 moduri

5.2 Permutări. Aranjamente. Combinări


5.2.1 Permutări
Fie A o mulţime finită cu cardA = n. Fiecare dintre mulţimile ordonate
ce se pot forma cu cele n elemente ale mulţimii se numeşte permutare a
acestei mulţimi; notăm Pn = n!.
Exemplul 5.2. Un tren de persoane are 10 vagoane. In câte moduri pot
fi aşezate vagoanele pentru formarea trenului?
Răspuns: 10! { }
Exemplul 5.3. In câte moduri poate fi ordonată mulţimea 1, 2, 3, . . . , 2n
astfel ı̂ncât numerele pare să aibă rang par?

Demonstraţie. Fiind n locuri de rang par, rezultă că numerele pare de la


1 la 2n care sunt ı̂n număr de n se pot aşeza in n! moduri. Fiecărui
astfel de mod de aranjare a numerelor pare ı̂i corespund n! moduri de
aranjare a numerelor impare pe locuri de rang impar, deci răspunsul este
n! · n! = (n!)2

5.2.2 Aranjamente
Fie A o mulţime cu cardA = n. Dacă m ≤ n, atunci se pot forma
diferite mulţimi ordonate cu câte m elemente fiecare, ı̂n care intră numai
elemente ale mulţimii A. Mulţimile ordonate ce se formează cu elementele
unei submulţimi oarecare a unei mulţimi finite A se numesc submulţimi
ordonate sau aranjamente.
5.2. PERMUTĂRI. ARANJAMENTE. COMBINĂRI 71

Dacă A are n elemente, atunci sbmulţimile ordonate ale lui A având k


elemente, 0 ≤ k ≤ n se numesc aranjamente de n elemente luate câte
k şi se notează Akn .
Două aranjamente de n elemente luate câte k se deosebesc prin natura
elementelor sau prin ordinea lor.

Teorema 5.2. Akn = n(n − 1)(n − 2) . . . (n − k + 1) = n!


(n−k)! , 0 <k<n

Demonstraţie. Arătăm Ak+1n = (n − k)Akn .


Pentru a repartiza oricare k + 1 elemente luate din cele n elemente date
pe k + 1 locuri, se pot lua mai ı̂ntâi oricare k elemente şi aranja pe primele
k locuri. Aceasta se poate face ı̂n Akn moduri. In fiecare dintre aceste cazuri
rămân n − k elemente. Oricare dintre aceste elemente se poate pune pe al
k + 1-lea loc. Astfel, ı̂n fiecare dintre Akn moduri de aranjare a elementelor
pe primele k locuri, obţinem n − k posibilităţi prin care al k + 1-lea loc e
ocupat de unul dintre cele n − k elemente rămase. Deci Ak+1 n = (n − k)Akn .
1
Cum An = n (un element din n se poate alege in n moduri), A2n =
n(n − 1) etc.
A0n = 1 (orice mulţime conţine mulţimea vidă , despre care am convenit
s-o considerăm ordonată ı̂ntr-un singur mod)
Pentru k = n, Ann = n! = Pn
Deci formula este valabilă şi pentru 0 ≤ k ≤ n.

Exemplul 5.4. O grupă de studenţi trebuie să programeze 4 examene


ı̂n 8 zile. In câte moduri se poate face aceasta? Dar dacă ultimul examen
se va da ı̂n mod obligatoriu ı̂n ziua a opta?
Răspuns: A48 , 4 · A37
Exemplul 5.5. Câte numere naturale nenule diferite se pot forma cu
cifrele 0, 1, 2, 3, 4 dacă ı̂n fiecare astfel de număr, orice cifră intră cel mult
o dată .

Demonstraţie. Cu 5 cifre se pot forma A55 = 5! aranjamente diferite, dar


aranjamentele care ı̂ncep cu 0 sunt ı̂n număr de A44 , deci sunt A55 − A44 = 96
numere de 5 cifre.
Numărul numerelor cu 4 cifre care se pot forma cu 0,1,2,3,4 este A45
din care scădem numărul aranjamentelor ce ı̂ncep cu 0, adică A34 , deci sunt
A45 − A34 = 96 numere de 4 cifre.
Numărul numerelor diferite de 3 cifre este A35 − A24 = 48, de 2 cifre
A5 − A14 = 16 şi de o cifră sunt 4.
2

Deci se pot forma 260 numere.

5.2.3 Numărul funcţiilor injective şi bijective


{ }
Fie Nm = 1, 2, . . . , m . Fie B o mulţime cu cardB = n, m ≤ n. Atunci
fiecărei funcţii injective f : Nm → B ı̂i corespunde o submulţime ordonată
a lui B, formată din elementele b1 = f (1), b2 = f (2), . . . , bm = f (m) (toate
72 CAPITOLUL 5. ELEMENTE DE ANALIZĂ COMBINATORICĂ

aceste elemete sunt diferite ı̂ntre ele, f fiind injectivă ). Invers, fiecare
submulţime ordonată cu m elemente a lui B defineşte o funcţie injectivă
f : Nm → B prin care f (k) = bk .
In loc de Nm se poate lua orice mulţime cu m elemente.
Numărul funcţiilor injective definite pe o mulţime A cu m elemnte cu
valori ı̂ntr-o mulţime B cu n elemente (m ≤ n) este egal cu numărul
submulţimilor ordonate, având câte m elemente ale lui B, adică Am
n.
Dacă m = n, atunci orice f : A → B este bijectivă . Numărul funcţiilor
bijective este Ann = n!.

5.2.4 Combinări
Dată o mulţime A cu n elemente, atunci submulţimile lui A având
fiecare câte k elemente, 0 ≤ k ≤ n se numesc combinări de n elemente
luate câte k.
Cn0 = 1, deoarece fiecare mulţime A are numai o submulţime fără niciun
element şi anume mulţimea vidă .
Cn1 = n, deoarece o mulţime cu n elemente are exact n submulţimi cu
câte un singur element.
n!
Teorema 5.3. Cnk = k!·(n−k)!

Demonstraţie. Fie A o mulţime cu n elemente. Considerăm toate submulţimile


ordonate ale lui A ce au fiecare câte k elemente, iar numărul lor este Akn .
Numărul submulţimilor lui A având câte k elemente este Cnk , iar fiecare
dintre acestea se poate ordona ı̂n Pk moduri, deeci Ank = Cnk · Pk , adică
k
Cnk = A n!
Pk = k!·(n−k)! .
n

Exemplul 5.6. In câte moduri se poate alcătui din 9 persoane o comisie


formată din 5 membri?
Răspuns: C95
Exemplul 5.7. Să se găsească numărul diagonalelor unui poligon convex
cu n laturi?

Demonstraţie. Vârfurile formează o mulţime de n puncte necoliniare câte


trei. Numărul diagonalelor şi al laturilor poligonului este egal cu numărul
submulţimilor formate din câte două elemente ale unei mulţimi cu n ele-
mente, Cn2 . Scăzând cele n laturi din acest număr obţinem n(n−3)
2 .

Exemplul 5.8. In câte puncte se intersectează diagonalele unui poligon


convex cu n laturi, dacă oricare trei dintre ele nu sunt concurente?

Demonstraţie. Fiecărui punct de intersecţie a două diagonale ı̂i corespund 4


vârfuri ale poligonului şi reciproc. Numărul tuturor punctelor de intersecţie
este egal cu numărul posibilităţilor de a alege 4 din cele n vârfuri, adică
Cn4 .
5.3. PROBLEME PROPUSE 73

5.2.5 Proprietăţile combinărilor


1) Formula combinărilor complementare
Cnk = Cnn−k , 0 ≤ k ≤ n

Demonstraţie. Fie A o mulţime cu n elemente. Fiecărei subulţimi X cu k el-


emente a lui A ı̂i asociem o submulţime bine determinată cu n−k elemente a
mulţimii A şi anume CX. Prin această asociere, unei submulţimi cu n−k el-
emente ı̂i corespunde o singură submulţime cu k elemente. Aşadar, numărul
submulţimilor cu k elemente ale lui A este egal cu numărul submulţimilor
sale cu n − k elemente.

2) Cn0 + Cn1 + . . . + Cnn = 2n , ∀n ≥ 0

Demonstraţie. Cn0 +Cn1 +. . .+Cnn reprezintă numărul tuturor submulţimilor


unei mulţimi cu n elemente
Demonstrăm prin inducţie.
Pentru n = 0. Mulţimea vidă are o singură submulţime, pe ea ı̂nsăşi.
Presupunem k
{ adevărat pentru } k: o mulţime cu k elemente are 2 submulţimi.
Fie B{= b1 , b2 , . . . }, bk+1 ; cardB = k + 1.
B ′ = b1 , b2 , . . . , bk ⊂ B; B ′ are 2k submulţimi.
Din fiecare submulţime a lui B ′ se obţine o nouă submulţime a lui B
prin adăugarea elementului bk+1 , deci se obţin alte 2k submulţimi ale lui
B, deci ı̂n total sunt 2k + 2k = 2k+1 submulţimi ale lui B.

3) Formula de recurenţă
Cnk = Cn−1
k k−1
+ Cn−1 ,0 ≤ k < n

Demonstraţie. Considerăm un element oarecare a ∈ A, cardA = n şi


toate submulţimile lui A formate din câte k elemente. Numărul acestor
submulţimi este Cnk . Submulţimile cu k elemente ale lui A le ı̂mpărţim ı̂n
două clase disjuncte: submulţmile ce conţin pe a şi submulţimile ce nu-l
k−1
conţin pe a. Numărul submulţimilor din prima clasă este Cn−1 , deoarece
fiecare astfel de submulţime se obţine prin adăugarea elementului a la o o
submulţime oarecare cu k−1 elemente a mulţimii A. Numărul submulţimilor
k , deoarece fiecare astfel de submulţime este o
din a doua clasă este Cn−1
{ }
submulţime cu k elemente a mulţimii A \ a . Deci Cnk = Cn−1
k k−1
+ Cn−1 ,0 ≤
k < n.

5.3 Probleme propuse


1. Un bărbat are 4 cămăşi, 5 cravate şi 2 perechi de pantaloni. Câte
costume constând ı̂ntr-o cămaşă , o cravată şi o pereche de pantaloni
se pot forma?
R: 40
74 CAPITOLUL 5. ELEMENTE DE ANALIZĂ COMBINATORICĂ

2. La o sesiune de comunicări ştiinţifice s-au ı̂nregistrat 6 referate. In


câte moduri se poate face programarea susţinerii lor?
R: 6!

3. Se aranjează n dosare numerotate 1, 2, 3, . . . , n ı̂n sertare numerotate


1, 2, 3, . . . , n punând un dosar ı̂n fiecare sertar (n ≥ 3). a) Număraţi
toate posibilităţile de aranjare; b) Câte posibilităţi de aranjare există
astfel ı̂ncât dosarele 1 şi 2 să se afle ı̂n sertarele 1 şi 2?
R: a) n!; b) (n − 2)!

4. Pe o bancă se aşează 3 fete şi 3 băieţi. in câte moduri se pot aşeza


astfel ı̂ncât sa alterneze fetele şi băieţii?
R: 2 · 3! · 3!

5. La un joc LOTO jucătorii completează bilete cu 6 numere diferite


alese la ı̂ntâmplare dintre numerele 1, 2, . . . , 49. La o anumită dată
are loc extragerea numerelor dintr-o urnă . Un jucător câştigă dacă
numerele de pe biletul său coincid cu numerele extrase şi ordinea lor
este aceeaşi. a) Câte bilete ar trebui să completeze un jucător pentru
a fi sigur de câştig? b) Dacă primul număr extras coincide cu cel de
pe biletul jucătorului, câte variante de câştig sunt?
R: a) A649 ; b) A548

6. La 9 clase trebuie repartizate 3 profesori de matematică fiecăruia


repartizăndu-i-se câte 3 clase. In câte moduri se poate face reparti-
zarea?
R: C93 · C63 · C33

7. Un decorator de interioare are 8 feluri de culori din care trebuie să


aleagă două , 5 tipuri de covoare din care trebuie să aleagă 3, 7 tipuri
de perdele din care trebuie să aleagă 4. Câte posibilităţi de alegere
există ı̂n total?
R: C82 · C52 · C74

8. Un lot de jucători de baschet are 5 fundaşi, 6 atacanţi şi 2 centrali.


Câte echipe de 5 jucători, diferite se pot alege astfel ı̂ncât să avem :
a) exact 2 fundaşi, 2 atacanţi şi un central; b) cel puţin 2 fundaşi?
R: a) C52 · C62 · C21 ;
b) C52 (C63 +C62 ·C21 +C61 ·C22 )+C53 (C62 +C61 ·C21 +C22 )+C54 (C61 +C21 )+C55
Capitolul 6

Evenimente şi probabilitate

6.1 Evenimente aleatoare


Definiţia 6.1. Se numeşte experiment aleator (sau ı̂ntâmplător sau
stocastic), acel experiment al cărui rezultat este imprevizibil până la re-
alizarea sa. De exemplu, procentul de rebuturi la fabricarea unui produs,
consumul de electricitate ı̂ntr-un oraş , jocurile de noroc, aruncarea unui
zar.
Definiţia 6.2. Orice rezultat prezent sau viitor al experimentului se
numeşte probă .
Definiţia 6.3. Rezultatele sau probele experimentului se numesc eveni-
mente elementare. Notăm cu Ω spaţiul evenimentelor elementare.
Exemplul 6.1. Fie evenimentul aleator : aruncarea unei monede o dată
{ }
Atunci Ω = S, V
Exemplul 6.2. Fie evenimentul aleator : aruncarea unui zar.
{ }
Atunci Ω = 1, 2, 3, 4, 5, 6 .
Exemplul 6.3. Fie evenimentul aleator : aruncarea unei monede până
la prima apariţie a stemei.
{ }
Atunci Ω = S, V S, V V S, V V V S, . . . , V V V V . . . . . . V S, . Deci nu
orice spaţiu de evenimente elementare este finit!
Definiţia 6.4. Orice submulţime a mulţimii Ω o vom numi eveniment
aleator (dacă Ω este finită sau numărabilă ).
Definiţia 6.5. Evenimentele elementare ce intră ı̂n componenţa unui
eveniment A se numesc evenimente favorabile lui A.
Exemplul 6.4. Fie experimentul
{ aleator constând
} ı̂n aruncarea de 2 ori a
unei monede. Atunci Ω = { SS, SV, V S,}V V . Fie evenimentele A= apare
cel puţin
{ o dată} stema : SS, SV, V S , B = stema va apărea o singură
dată : SV, V S ,{C = rezultatul
} primei aruncări este identic cu rezultatul
celei de-a doua : SS, V V .
Definiţia 6.6. Evenimentul ce coincide cu spaţiul evenimentelor ele-
mentare se numeşte eveniment sigur.

75
76 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

Evenimentul ce nu conţine niciun eveniment elementar se numeşte eveni-


ment imposibil.
Evenimentul sigur se realizează la fiecare efectuare a experimentului,
iar cel imposibil nu se produce la nicio efectuare a experimentului.
Exemplul 6.5. Eveniment sigur: la aruncarea unui zar apare un număr
mai mic sau egal cu 6.
Eveniment imposibil: apare numărul 20 la aruncarea unui zar
Definiţia 6.7. Două evenimente A şi B se numesc incompatibile dacă
nu se pot realiza simultan ı̂ntr-o aceeaşi efectuare a experimentului, A∩B =
∅.
Dacă A ∩ B ̸= ∅, atunci evenimentele A şi B se numesc compatibile
(se pot produce simultan).
Exemplul 6.6. Evenimentele A= apare faţă pară la aruncarea unui zar
şi B=apar faţa 2 sau 6 la aruncarea unui zar sunt evenimente compatibile.
Definiţia 6.8. Intotdeauna unui eveniment ı̂i corespunde un eveniment
contrar, a cărui producere ı̂nseamnă prin definiţie nerealizarea primului şi
se notează cu Ac sau A sau CA.
Exemplul 6.7. Evenimentele A şi A sunt incompatibile.
Exemplul 6.8. Evenimentele Ω şi ∅ sunt contrare.
Exemplul 6.9. Evenimentele A= apare una dintre feţele 1 sau 5 la
aruncarea unui zar şi B= apare una dintre feţele 2,3,4 sau 6 la aruncarea
unui zar sunt evenimente contrare.
Observaţia 6.1. Orice eveniment contrar este incompatibil, dar reciproca
nu este adevărată .
Exemplul 6.10. Evenimentele A= apare faţă pară la aruncarea unui zar
şi B= apare faţă impară la aruncarea unui zar sunt evenimente incompat-
ibile şi contrare.
Exemplul 6.11. Evenimentele A= apare faţă pară la aruncarea unui zar
şi B= apare faţa 5 la aruncarea unui zar sunt evenimente incompatibile,
dar nu sunt contrare.
Definiţia 6.9. Fie Ω spaţiul evenimentelor elementare şi P(Ω) mulţimea
submulţimilor lui Ω. O familie F ⊂ P(Ω) se numeşte câmp de eveni-
mente (sau algebră ) dacă :

i) Ω ∈ F

ii) dacă A ∈ F =⇒ A ∈ F

iii) dacă A, B ∈ F =⇒ A ∪ B ∈ F

Consecinţe :

1. ∅ ∈ F

Demonstraţie. Conform ii) şi i), rezultă Ω = ∅ ∈ F


6.2. PROBABILITATE 77

2. Dacă A, B ∈ F, atunci A ∩ B ∈ F

Demonstraţie. Conform ii), rezultă A, B ∈ F , iar din iii) rezultă A ∪


B ∈ F, dar A ∪ B = A ∩ B, deci A ∩ B ∈ F . Din ii) avem A ∩ B =
A ∩ B ∈ F.

3. Dacă A, B ∈ F, atunci A \ B ∈ F .

Demonstraţie. Conform ii), rezultă B ∈ F, iar din 2) obţinem A∩B ∈


F, dar A ∩ B = A \ B
{ }
Exemplul 6.12. Fie A ⊂ Ω. Atunci F = A, A, Ω, ∅ este un câmp de
evenimente.
Observaţia 6.2. Dacă Ω este o mulţime arbitrară , considerăm eveni-
mente numai elementele unei familii F de submulţimi ale lui Ω ce satisfac


i),ii) şi iii′ )Ai ∈ F, i = 1, 2, 3, . . . =⇒ Ai ∈ F. Atunci F se numeşte
i=1
câmp borelian de evenimente (după numele probabilistului francez
Emile Borel (1871-1956) ) sau σ-algebră de părţi ale lui Ω.
Perechea (Ω, F) se numeşte spaţiu măsurabil.

6.2 Probabilitate
Definiţia 6.10. Fie F un câmp de evenimente. Se numeşte probabili-
tate pe F o aplicaţie P : F → IR ce satisface

1. P (A) ≥ 0, ∀A ∈ F

2. P (Ω) = 1

3. Dacă A, B ∈ F şi A ∩ B = ∅, atunci P (A ∪ B) = P (A) + P (B)

Tripletul (Ω, F, P ) se numeşte câmp de probabilitate.


Propoziţia 6.1. (Regula de adunare a probabilităţilor) Dacă Ai ∈
F, i = 1, n sunt incompatibile două câte două , Ai ∩ Aj = ∅, i ̸= j, atunci
P (A1 ∪ A2 ∪ . . . ∪ An ) = P (A1 ) + P (A2 ) + . . . + P (An ).

Demonstraţie. Demonstrăm prin inducţie după n.


Pentru n = 2 avem 3) din Definiţia 6.10.
Presupunem adevărat pentru n − 1 şi demonstrăm pentru n.

n−1 ∪
n−1
Cum Ai ∩ An = ∅, i = 1, n − 1 avem ( Ai ) ∩ An = (Ai ∩ An ) = ∅,
i=1 i=1

n−1
deci An şi Ai sunt incompatibile şi conform 3) din Definiţia 6.10 şi
i=1
78 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE


n−1 ∪
n−1
din ipoteza de inducţie rezultă P (( Ai ) ∪ An ) = P ( Ai ) + P (An ) =
i=1 i=1

n−1 ∑
n
P (Ai ) + P (An ) = P (Ai )
i=1 i=1

Definiţia { clasică a}probabilităţilor


Fie Ω = { ω1}, . . . , ωn un număr finit de evenimente elementare.
Cum P ( ωi ) ≥ 0, din Definiţia 6.10, 2) şi regula de adunare a proba-

n
{ }
bilităţilor rezultă P ( ωi ) = P (Ω) = 1.
{ } i=1 { }
Fie A ={ ωi} 1 ∪ . . . ∪ ωim
{ un}eveniment oarecare al câmpului. Atunci
P (A) = P ( {ωi1 }) + . . . + P ( ω{im }).
Dacă P ( ω1 {) =}. . . = P ( ωn ) spunem că evenimentele ωi sunt egal
probabile, iar P ( ωi ) = n1 , ∀i = 1, n, deci P (A) = m
n.
Probabilitatea unui eveniment A este egală cu raportul dintre numărul
evenimentelor elementare favorabile lui A şi numărul total al evenimentelor
elementare egal probabile; P (A) = cardA cardΩ .
Exemplul 6.13. Care este probabilitatea ca ı̂n două aruncări ale monedei
stema să apară cel puţin o dată ?
{ } { }
Demonstraţie. Ω = SS, SV, V S, V V ; A = SS, SV, V S
Atunci P (A) = 34 .

Definiţia 6.11. Fie F un câmp borelian de evenimente. Se numeşte


probabilitate complet aditivă pe F o aplicaţie P : F → IR cu pro-
prietăţile:

1. P (A) ≥ 0, ∀A ∈ F

2. P (Ω) = 1

∪ ∞

3. P ( Ai ) = P (Ai ), A1 , A2 , . . . ∈ F cu Ai ∩ Aj = ∅, i ̸= j.
i=1 i=1
Proprietatea 3) se numeşte axioma aditivităţii complete. Triple-
tul (Ω, F, P ) se numeşte câmp borelian de probabilitate.

Exemplul 6.14. Doi studenţi A şi B aruncă succesiv o monedă . Câştigă


acela care obţine primul, la aruncarea lui, stema. Primul aruncă A. Să se
calculeze probabilitatea ca stema să apară cel mult la a treia aruncare. Să
se calculeze probabilitatea de câştig a studentului A.
{ }
Demonstraţie.
{ } Ω = { S, V}S, V V S, . . . , V V V . . . V S, . . .
P ( S ) = 12 , P ( V S ) = 212 etc.
P (apare stema la cel mult a treia aruncare) = 12 + 212 + 213 = 78
6.2. PROBABILITATE 79

∑ 1 1
2
2
P (câştig) = = = (studentului A ı̂i revin aruncările
n≥1
22n−1 1− 1
2
3
impare)

Proprietăţile probabilităţilor

1. P (A) = 1 − P (A)

Demonstraţie. Dacă A ∈ F =⇒ A ∈ F (din Definiţia 6.9 ii)), dar


A ∪ A = Ω şi A ∩ A = ∅, deci P (A) + P (A) = 1 (din Definiţia
6.10)

2. P (∅) = 0

Demonstraţie. Din 1) rezultă P (∅) = 1 − P (∅) = 1 − P (Ω) = 0

3. Dacă A ⊂ B rezultă P (B \ A) = P (B) − P (A).

Demonstraţie. P (B) = P (B \ A) + P (A), deoarece B = (B \ A) ∪ A


şi (B \ A) ∩ A = ∅

4. Dacă A ⊂ B rezultă P (A) ≤ P (B).

Demonstraţie. P (B) − P (A) = P (B \ A) ≥ 0

5. 0 ≤ P (A) ≤ 1

Demonstraţie. ∅ ⊂ A ⊂ Ω =⇒ 0 = P (∅) ≤ P (A) ≤ P (Ω) = 1

6. P (B \ A) = P (B) − P (A ∩ B)

Demonstraţie. B \ A = B \ (A ∩ B), dar A ∩ B ⊂ B, deci P (B \ A) =


P (B \ (A ∩ B)) = P (B) − P (A ∩ B)

7. P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

Demonstraţie. Cum A ∪ B = A ∪ (B \ A), A ∩ (B \ A) = ∅ rezultă


P (A ∪ B) = P (A ∪ (B \ A)) = P (A) + P (B \ A) = P (A) + P (B) −
P (A ∩ B)

8. (formula lui Poincare) Fie Ai ∈ F, i = 1, n. Atunci


n ∑
n ∑ ∑ ∩
n
P( Ai ) = P (Ai )− P (Ai ∩Aj )+ P (Ai ∩Aj ∩Ak )+. . .+(−1) n−1
P ( Ai ).
i=1 i=1 i<j i<j<k i=1
80 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

Demonstraţie. Se demonstrează prin inducţie şi folosind proprietatea


7).

Exemplul 6.15. Intr-un grup de manageri 850 /0 vorbesc limba engleză


şi 700 /0 franceză , iar 600 /0 vorbesc ambele limbi. Se alege un manager la
ı̂ntâmplare. Care este probabilitatea ca managerul ales : a) să vorbească
cel puţin una dintre cele două limbi; b) să nu vorbească niciuna dintre cele
două limbi.

Demonstraţie. Fie evenimentele


A= managerul ales vorbeşte limba engleză
B= managerul ales vorbeşte limba franceză
a) P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = 0, 85 + 0, 7 − 0, 6
b) P ((A ∪ B)c ) = 1 − P (A ∪ B) = 0, 05

Exemplul 6.16. O societate compusă din n perechi soţ şi soţie dansează
şi se presupune că formarea perechilor la dans este egal probabilă . Care
este probabilitatea ca la un moment dat fiecare bărbat să nu danseze cu
soţia sa?

Demonstraţie. Numerotăm perechile soţ - soţie de la 1 la n.


Fie Ak = evenimentul că s-a format perechea numărul k soţ - soţie,
unde k = 1, n
Atunci P (Ai1 ∩ . . . ∩ Aik ) = (n−k)!n! , deoarece s-au format k perechi soţ
- soţie, atunci celelalte n − k perechi bărbat- femeie pot forma (n − k)!
perechi de dans
Fie evenimentele A = la un moment dat fiecare bărbat să nu danseze
cu soţia sa, B = la un moment dat cel puţin un bărbat dansează cu soţia
sa
A şi B sunt evenimente complementare =⇒ P (A) = 1 − P (B)
∪n
Cum B = Ai şi A1 , . . . An sunt evenimente compatibile =⇒
i=1

n ∑
n ∑
=⇒ P (B) = P ( Ai ) = P (Ai ) − P (Ai ∩ Aj )+
i=1 i=1 1≤i<j≤n
∑ ∩
n
+ P (Ai ∩ Aj ∩ Ak ) + . . . + (−1)n−1 P ( Ai )
1≤i<j<k≤n i=1
∑ (n − k)!
P (Ai1 ∩ . . . ∩ Aik ) = Cnk
n!
1≤i1 <i2 <...<ik ≤n
Aşadar, P (B) = Cn1 (n−1)!n! − Cn2 (n−2)!
n!
1
+ . . . + (−1)n−1 n! =⇒
(n−1)! (n−2)!
=⇒ P (A) = 1 − Cn n! + Cn n! − . . . + (−1) n! = 1 − 1!1 +
1 2 n 1
2! −
1

− 3!1 + . . . + (−1)n n!
1
6.3. PROBABILITĂŢI CONDIŢIONATE. 81

Definiţia geometrică a probabilităţii


Definiţia clasică a probabilităţii poate fi aplicată doar atunci când spaţiul
evenimentelor elementare Ω este o mulţime discretă , finită şi evenimentele
elementare sunt echiprobabile.
Fie Ω un domeniu oarecare, iar A o parte a lui Ω. In domeniul Ω se
ia la ı̂ntâmplare un punct ω. Care este probabilitatea ca punctul ales să
aparţină şi lui A?
Se presupune că probabilitatea ca punctul ales să aparţină şi unei părţi
a lui Ω este proporţională cu măsura acestei părţi (lungime, arie, volum
etc.) şi nu depinde de forma şi poziţia ei ı̂n interiorul lui Ω. Notând
măsura domeniului cu m(Ω) şi a lui A cu m(A), probabilitatea realizării
evenimentului A este P (A) = m(A) m(Ω) .
Exemplul 6.17. Care este probabilitatea ca suma a 3 numere din inter-
valul [0, a] alese la ı̂ntâmplare să fie mai mare decât a?

Demonstraţie. Spaţiul de probabilitate {este Ω = [0, a]3 . Evenimentul} cerut


este format din punctele mulţimii E = (x, y, z) ∈ Ω/x + y + z ≥ a
Alegem un sistem ortogonal de axe şi Ω se reprezintă printr-un cub de
latură a situat ı̂n primul octant, iar E este una din regiunile lui Ω separate
de planul x + y + z = a (complementara tetraedrului OABC). Atunci
3
a3 − a6 5
P (E) = a3
= 6

6.3 Probabilităţi condiţionate. Independenţa eveni-


mentelor
Definiţia 6.12. Fie (Ω, F, P ) un câmp de probabilitate şi A, B ∈ F
evenimente. Atunci probabilitatea lui A condiţionată de B se notează
cu P (A/B) sau PB (A) şi este definită prin
P (A ∩ B)
P (A/B) = PB (A) = .
P (B)
Observaţia 6.3. P (∅/B) = 0, P (Ω/B) = 1, P (B/B) = 1,
P (A/Ω) = P (A)
Dacă B ⊂ A, atunci P (A/B) = 1
7 3 6
Exemplul 6.18. Se dau P (A/B) = 10 , P (A/B c ) = 10 , P (B/A) = 10 .
Să se determine P (A).

Demonstraţie. Din definiţia probabilităţilor condiţionate avem P (B/A) =


= P P(B∩A) P (A∩B)
(A) , P (A/B) = P (B) , deci P (A)P (B/A) = P (B)P (A/B) şi analog
P (A)P (B c /A) = P (B c )P (A/B c )
c )P (A/B c )
Aşadar, P (A) = P (B)P (A/B)
P (B/A) = P (BP (B c /A)

Avem P (B ) = 1 − P (B) şi P (B/A) + P (B c /A) = 1 =⇒ P (B c /A) =


c
7
P (B) 10
= 1 − P (B/A) = 1 − 6
10 = 4
10 . Atunci P (A) = 6 = 7
6 P (B), deci
10
82 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

3
(1−P (B)) 10
P (A) = 4 = 34 (1 − P (B)) =⇒ 67 P (B) = 43 (1 − P (B)) =⇒
10
9 21
=⇒ P (B) = 23 =⇒ P (A) = 46

Teorema 6.1. (Formula de ı̂nmulţire a probabilităţilor) Fie (Ω, F, P )


un câmp de probabilitate şi Ai ∈ F , i = 1, n evenimente astfel ı̂ncât
P (A1 ∩ . . . ∩ An ) > 0. Atunci
P (A1 ∩. . .∩An ) = P (A1 )·P (A2 /A1 )·P (A3 /A1 ∩A2 )·. . .·P (An /A1 ∩. . .∩An−1 ).
Demonstraţie. P (A1 ) · P (A2 /A1 ) · P (A3 /A1 ∩ A2 ) · . . . · P (An /A1 ∩ . . . ∩
1 ∩A2 ) P (A1 ∩A2 ∩A3 ) P (A1 ∩...∩An )
An−1 ) = P (A1 ) · P (A
P (A1 ) · P (A1 ∩A2 ) · . . . · P (A1 ∩...∩An−1 ) = P (A1 ∩ . . . ∩
An )

Exemplul 6.19. Cuvântul ”vectorial” este format din litere izolate scrise
pe cartonaşe. Amestecăm aceste cartonaşe, apoi extragem din ele pe rând
patru, pe care le aşezăm unul după altul. Să se afle probabilitatea de a
obţine cuvântul ”voce”.

Demonstraţie. Considerăm evenimentele A1 = prima literă extrasă este ”v”,


A2 = a doua literă extrasă este ”o”, A3 = a treia literă extrasă este ”c”, A4 =
a patra literă extrasă este ”e”.
Atunci P (A1 ∩ . . . ∩ A4 ) = P (A1 ) · P (A2 /A1 ) · P (A3 /A1 ∩ A2 )·
·P (A4 /A1 ∩ A2 ∩ A3 ) = 19 · 81 · 17 · 16 .

Teorema 6.2. (Formula probabilităţii totale) Fie (Bi∪ )i∈I (I cel mult
numărabilă ) un sistem complet de evenimente (i.e. Ω = Bi şi Bi sunt
i∈I
incompatibile două câte două ) cu P (Bi ) > 0, ∀i ∈ I. Atunci ∀A ∈ F avem

P (A) = P (A/Bi )P (Bi ).
i∈I
∪ ∪
Demonstraţie. A = A ∩ Ω = A ∩ ( Bi ) = (A ∩ Bi )
i∈I i∈I
Cum Bi sunt incompatibile două câte două , rezultă A ∩ Bi sunt incom-
patibile două câte două , ı̂ntrucât pentru i ̸= j avem (A ∩ Bi ) ∩ (A ∩ Bj ) =
A ∩ (Bi ∩ Bj ) =∪A ∩ ∅ = ∅. Aşadar,
∑ ∑
P (A) = P ( (A ∩ Bi )) = P (A ∩ Bi ) = P (Bi )P (A/Bi )
i∈I i∈I i∈I

Teorema 6.3. (Formula lui Bayes) Fie (Bi )i∈I (I cel mult numărabilă
) un sistem complet de evenimente cu P (Bi ) > 0, ∀i ∈ I şi A ∈ F un
eveniment pentru care P (A) > 0. Atunci

P (A/Bi )P (Bi )
P (Bi /A) =

n
P (A/Bj )P (Bj )
j=1
6.3. PROBABILITĂŢI CONDIŢIONATE. 83

Demonstraţie. Din definiţia probabilităţii condiţionate şi formula proba-


i ∩A)
bilităţilor totale rezultă P (Bi /A) = P (B
P (A) = ∑n
P (A/Bi )P (Bi )

P (A/Bj )P (Bj )
j=1

Observaţia 6.4. In particular, pentru orice două evenimente A, B avem

P (A) = P (A/B)P (B) + P (A/B c )P (B c )

şi
P (A/B)P (B)
P (B/A) =
P (A/B)P (B) + P (A/B c )P (B c )
Exemplul 6.20. Printre n bilete de examen, m sunt preferate de studenţi,
unde 0 < m ≤ n, n ≥ 2. Studenţii vin pe rând să tragă câte un bilet. Dintre
primii 2 studenţi care are şansa cea mai mare de a trage un bilet preferat?

Demonstraţie. Fie evenimentele A = primul student trage un bilet preferat,


B = al doilea student trage un bilet preferat.
Avem P (A)( =m c
n )Avem P (B) = P (A)(B/A) + P (A )P (B/A ) =
c

= n · n−1 + 1 − n · n−1 = n
m m−1 m m m

Aşadar, P (A) = P (B), deci nu contează ordinea tragerii biletelor pentru


primii doi studenţi.

Exemplul 6.21. O informaţie telegrafică constă din semnale ”liniuţe”


şi ”puncte”. In medie se deformează 25 din semnalele cu ”puncte” şi 31 din
cele cu ”liniuţe”. Este cunoscut că semnalele cu ”puncte” şi ”liniuţe” se
ı̂ntâlnesc ı̂n raportul 53 . Să se determine probabilitatea ca:
a) primind un semnal consacrat, acesta să fie ”punct”;
b) probabilitatea ca el să fie liniuţă .

Demonstraţie. Fie evenimentele A = primirea unui semnal ”punct”, B =


primirea unui semnal ”liniuţă ”, H1 = este transmis semnalul ”punct”,
H2 = este transmis semnalul ”liniuţă ”.
Stim că PP (H
(H1 )
2)
= 53 şi P (H1 ) + P (H2 ) = 1 =⇒ P (H1 ) = 58 , P (H2 ) =
= 83 .
Din ipoteză avem că P (A/H2 ) = 31 , P (B/H1 ) = 52 . Atunci P (A/H1 ) =
= 1 − P (B/H1 ) = 35 , P (B/H2 ) = 1 − P (A/H2 ) = 32 .
Conform formulei probabilităţilor totale avem P (A) = P (H1 )P (A/H1 )+
+P (H2 )P (A/H2 ) = 85 · 35 + 83 · 13 = 12 şi P (B) = P (H1 )P (B/H1 )+
+P (H2 )P (B/H2 ) = 58 · 25 + 38 · 23 = 12 .
P (H1 )P (A/H1 )
a) Din formula lui Bayes =⇒ P (H1 /A) = P (A) = 43 .
P (H2 )P (B/H2 ) 1
b) P (H2 /B) = P (B) = 2
84 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

Definiţia 6.13. Fie (Ω, F, P ) un câmp de probabilitate şi A, B ∈ F.


Evenimentele A şi B se numesc independente dacă

P (A ∩ B) = P (A) · P (B)

Exemplul 6.22. Independente una de alta se fac operaţiile: se aruncă o


monedă , un zar şi se extrage o carte dintr-un pachet de cărţi de joc. Care
este probabilitatea ca să obţinem faţa cu stema, un număr par (pe zar) şi
să extragem un zece?
R: 12 · 36 · 52
4

Teorema 6.4. Dacă evenimentele A, B ∈ F sunt independente, atunci A


şi B, A şi B, A şi B sunt independente.

Demonstraţie. P (A ∩ B) = P (A \ B) = P (A) − P (A ∩ B) = P (A) − P (A) ·


P (B) = P (A) · (1 − P (B)) = P (A) · P (B)
Analog se arată independenţa celorlalte evenimente.

Definiţia 6.14. Evenimentele A1 , . . . An se numesc independente ı̂n


ansamblu (sau ı̂n totalitatea lor) dacă pentru orice m ≤ n şi 1 ≤ j1 ≤
. . . ≤ jm ≤ n, avem

P (Aj1 ∩ . . . ∩ Ajm ) = P (Aj1 ) . . . P (Ajm )

Observaţia 6.5. Dacă n evenimente sunt independente două câte două


nu sunt neapărat independente ı̂n totalitatea lor.
Exemplul 6.23. Următorul exemplu este datorat lui S.N. Bernstein :
Se consideră un tetraedru omogen cu feţele colorate ı̂n alb, negru, roşu şi
a patra ı̂n cele trei culori. Efectuăm experimentul aruncării acestui corp
o singură dată . Să notăm cu Ai evenimetul ca tetraedrul să se aşeze pe
faţa cu numărul i,i = 1, 4. Evenimentele Ai sunt evenimente elementare
ale câmpului asociat experimentului descris.
Avem P (Ai ) = 14 , i = 1, 4
Dacă notăm A = A1 ∪ A2 , B = A1 ∪ A3 , C = A1 ∪ A4 avem P (A) =
= P (B) = P (C) = 21 , deoarece pentru fiecare culoare sunt patru cazuri
posibile şi două cazuri favorabile - faţa ce are culoarea respectivă şi faţa cu
toate culorile.
De asemenea, P (A ∩ B) = P (B ∩ C) = P (C ∩ A) = 41 , deci evenimentele
A, B, C sunt independente două câte două .
Din P (A ∩ B ∩ C) = P (A1 ) = 14 ,P (A)P (B)P (C) = 18 rezultă că eveni-
mentele A, B, C nu sunt independente ı̂n ansamblul lor.
6.4. SCHEME DE PROBABILITATE 85

6.4 Scheme de probabilitate


1. Schema lui Bernoulli (schema binomială )
Se efectuează n experimente independente şi fiecare dintre ele pune
ı̂n evidenţă un eveniment A cu aceeaşi probabilitate de apariţie p. Să
se determine probabilitatea ca evenimentul A să se realizeze de k ori.

Pn (k) = Cnk · pk · q n−k , k = 0, n, unde q = 1 − p

Exemplul 6.24. Un muncitor deserveşte simultan 10 maşini de


acelaşi tip. Probabilitatea ca o maşină să necesite o intervenţie ı̂ntr-
un interval de timp t este p = 31 . Să se determine probabilitatea
ca:
a) 6 din cele 10 maşini să necesite intervenţia muncitorului ı̂n inter-
valul de timp t;
b) cel mult 4 din cele 10 maşini să necesite câte o intervenţie ı̂n
intervalul t.

6
( 1 )6 ( 2 )4
Demonstraţie. a) C10 3 3

4 ( )k ( )10−k
k 1 2
b) C10
3 3
k=0

2. Schema hipergeometrică (schema bilei neı̂ntoarse)


Fie N bile, a albe şi b negre (N = a + b). Se extrag n bile şi se cere
probabilitatea ca x bile să fie albe şi n − x negre.
Cax · Cbn−x
p= n
CN

Exemplul 6.25. Intr-o tabără studenţească de ski sunt 60 de băieţi


şi 40 de fete. In scopul unui sondaj privind opinia studenţilor asupra
programului de antrenament se aleg la ı̂ntâmplare 10 persoane. Care
este probabilitatea ca grupul ales să fie compus din 9 fete şi un băiat?
9 ·C 1
C40
R: 10
C100
60

3. Schema polinomială (schema lui Bernoulli cu mai multe


stări)
Se efectuează n experimente independente care pun ı̂n evidenţă un
sistem complet de evenimente A1 , . . . , Ar cu probabilităţile p1 , . . . , pr
(p1 + . . . + pr = 1). Să se determine probabilitatea ca fiecare Ai să se
realizeze de ki ori (k1 + . . . + kr = n).
n!
Pn (k1 , . . . , kr ) = · pk1 · pkr r
k1 ! . . . k r ! 1
86 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

Pentru r = 2 se obţine schema lui Bernoulli.


Model: Considerăm o urnă cu bile de culori c1 , . . . , cr şi pi probabil-
itatea de apariţie ı̂ntr-o extragere a unei bile de culoare ci . Se fac
n extrageri a câte o bilă cu condiţia ca la fiecare extragere urna să
aibă aceeaşi compoziţie. Care este probabilitatea ca ı̂n extragerile
efectuate să apară ki bile de culoarea ci , i = 1, r.
Exemplul 6.26. La un magazin se vând 3 sortimente de pro-
duse electrice s1 , s2 , s3 . In perioada precedentă din volumul total al
vânzărilor cele 3 produse au avut următoarele procente 200 /0 , 650 /0 ,
150 /0 . Se anticipează solicitările a 30 de cumpărători dintre clienţii
magazinului. Care este probabilitatea ca 10 să cumpere din sortimen-
tul s1 , 5 din s2 şi 15 din s3 ?

Demonstraţie. 30!
10!·5!·15! · (0, 2)10 · (0, 65)5 · (0, 15)15

4. Schema lui Poisson


Schema binomială poate fi generalizată astfel: ı̂n diferite experimente
independente evenimentul A apare cu diferite probabilităţi. De exem-
plu, dacă probabilitatea evenimentului A ı̂n experimentul al i-lea este
pi , atunci probabilitatea ca ı̂n n experimente independente evenimen-
tul A să apară de k ori este dată de coeficientul lui xk din dezvoltarea
∏n
(pi x + qi ), unde qi = 1 − pi .
i=1
Model: Se extrage câte o bilă din n urne ce conţin bile albe şi negre ı̂n
diferite proporţii, asigurând probabilitatea pi de obţinere a unei bile
albe din urna Ui , i = 1, n. Probabilitatea
∑ ca din cele n bile extrase k
să fie albe şi n − k negre este pi1 pi2 . . . pik qik+1 qik+2 . . . qin
Exemplul 6.27. La un concurs de matematică 3 candidaţi primesc
câte un plic care conţine n (n > 3) bilete cu probleme de algebră
şi geometrie. Cele 3 plicuri conţin respectiv câte 1,2,3 subiecte de
algebră . Fiind examinaţi, cei 3 candidaţi extrag fiecare câte un bilet
din plic. Extragerea făcându-se la ı̂ntâmplare, să se afle probabilitatea
următoarelor evenimente :
a) 3 candidaţi să fie examinaţi la geometrie;
b) nici un candidat să nu fie examinat la geometrie;
c) cel puţin un candidat să fie examinat la algebră .

Demonstraţie.
(1 ) ( 2 a) Aplicăm
) ( 3 schema ) lui 1Poisson şi avem :
nt + n
n−1 n−2
nt + n
n−3
nt + n = n3 [6t + (11n − 18)t2 +
3

+(6n − 22n + 18)t + (n − 1)(n − 2)(n − 3)]


2

(n−1)(n−2)(n−3)
p1 = n3
(termenul liber din polinomul de mai sus)
6.5. PROBLEME PROPUSE 87

6
b) p2 = n3
(coeficientul lui t3 din polinomul de mai sus)
(n−1)(n−2)(n−3)
c) p3 = 1 − n3

6.5 Probleme propuse


1. O urnă conţine 99 de bile identice, numerotate 1, 2, . . . 99. Care e
probabilitatea ca printr-o extragere să obţinem o bilă numerotată cu
un pătrat perfect?
9
R: 99

2. Intr-o urnă sunt 7 bile albe şi 5 negre, iar ı̂n alta 6 albe şi 8 negre. Se
extrage din fiecare câte o bilă . Care e probabilitatea ca ambele bile
să fie albe?
R: 7
12 · 6
14

3. Aruncând 4 zaruri , să se determine probabilitatea de a obţine faţa 1


cel puţin o dată . Să se determine probabilitatea de a obţine faţa 1 o
singură dată .
( )4
R: p1 = 1 − 56
( )3
p2 = C41 · 16 · 56

4. Intr-o uzină se fabrică lămpi cu incandescenţă . La aceste lămpi


ı̂ntâlnim 2 0 /0 defecte de fabricaţie şi 5 0 /0 defecte de montaj. Să
se calculeze probabilitatea ca o lampă să fie ı̂nlăturată ca necore-
spunzătoare.
R: 2
100 + 5
100 − 2
100 · 5
100

5. Un scafandru are 2 sisteme de oxigen independente, astfel ı̂ncât dacă


unul se defectează scafandrul să primească ı̂n continuare oxigen. Pre-
supunem că probabilitatea ca sistemul I să funcţioneze este 0,9, ı̂n
timp ce probabilitatea ca sistemul II să funcţioneze este 0,8.
a) Găsiţi probabilitatea ca nici un sistem să nu se defecteze;
b) Găsiţi probabilitatea ca cel puţin un sistem să funcţioneze.
R: S1 =sistemul I funcţionează şi S2 =sistemul II funcţionează
a) P (S1 ∩ S2 ) = 0, 9 · 0, 8 = 0, 72; b) P (S1 ∪ S2 ) = 0, 98

6. Trăgătorul A nimereşte ţinta de 8 ori din 11 trageri, iar B de 9 ori din


10 trageri. Dacă trag simultan ı̂n aceeaşi ţintă , care e probabilitatea
ca ţinta să fie atinsă .
R: A1 = A să nimerească ţinta, A2 = B să nimerească ţinta
P (A1 ∪ A2 ) = 8
11 + 9
10 − 8
11 · 9
10
88 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

7. Doi studenţi care se reprezintă la un examen au probabilităţile de


promovare 0,5, respectiv 0,8. Care este probabilitatea ca:
a) ambii studenţi să promoveze examenul;
b) un singur student să promoveze;
c) cel puţin un student să promoveze;
d) nici un student să nu promoveze.
R: A=primul student să promoveze, B= al doilea student să pro-
moveze
a)P (A∩B) = 0, 4; b) P ((A∩B c )∪(Ac ∩B)) = 0, 5; c) P (A∪B) = 0, 9;
d) P (Ac ∩ B c ) = 0, 1

8. Se dau P (A) = 0, 5 şi P (A ∪ B) = 0, 6. Găsiţi P (B) dacă :


a) A şi B sunt incompatibile;
b) A şi B sunt independente;
c) P (A/B) = 0, 4
1
R: a) P (B) = 0, 1; b) P (B) = 0, 2; c) P (B) = 6

9. Sase vânători au zărit o vulpe şi au tras simultan. Presupunem că


de la distanţa respectivă , fiecare vânător nimereşte ı̂n mod obişnuit
vulpea şi o ucide cu probabilitatea 13 . Să se afle probabilitatea ca
vulpea să fie ucisă .
665
R: 729

10. Se consideră n plicuri pe care sunt scrise n adrese diferite. In aceste


plicuri sunt introduse la ı̂ntâmplare n scrisori, câte una pentru fiecare
din cele n adrese. Să se determine probabilitatea ca cel puţin o
scrisoare să nimerească ı̂n plicul cu adresa corespunzătoare?
R: p = 1 − 1
2!
1
+ . . . + (−1)n−1 n! (formula lui Poincare)

11. Dintr-o urnă conţinând 9 bile albe şi 10 bile negre se extrag (succesiv,
fără ı̂nlocuire) 4 bile. Să se determine probabilitatea ca cel puţin una
să fie albă ?
R: p = 1 − 10
19 · 9
18 · 8
17 · 7
16 (formula de ı̂nmulţire a probabilităţilor)

12. O urnă conţine 10 bile printre care 3 sunt negre şi 7 albe. Intr-o
probă este selectată la ı̂ntâmplare o bilă , se observă culoarea ei şi
apoi se reintroduce ı̂n urnă ı̂mpreună cu alte 2 bile de aceeaşi culoare.
Care este probabilitatea ca o bilă neagră să fie selectată ı̂n fiecare din
primele 3 probe?
R: 3
10 · 5
12 · 7
14
6.5. PROBLEME PROPUSE 89

13. Intr-o urnă sunt 24 de bile albe şi 9 bile negre. Se extrag pe rând 3
bile fără a pune bila extrasă ı̂napoi ı̂n urnă . Care este probabilitatea
ca bilele să fie extrase ı̂n ordinea alb, alb, negru? Dar alb, negru,
alb? Dar negru, alb, alb? Dar probabilitatea ca două din cele trei
bile extrase să fie albe?
33 · 32 · 31
24 23 9
R: P (A, A, N ) =
P (A, N, A) = 24
33 · 32
9
· 23
31
P (N, A, A) = 9
33 · 32 · 31
24 23

Fie Ai =la extragerea i obţinem o bilă albă , i = 1, 2, 3


P ((A1 ∩ A2 ∩ Ac3 ) ∪ (A1 ∩ Ac2 ∩ A3 ) ∪ (Ac1 ∩ A2 ∩ A3 )) = 3 · 9
33 · 24
32 · 23
31

14. Intr-un lot 20 de televizoare sunt bune şi 6 defecte. Patru cumpărători
extrag succesiv câte un televizor.
a) Care este probabilitatea ca cele 4 televizoare să fie bune?
b) Care este probabilitatea ca primele 2 să fie bune şi ultimele 2 să
fie defecte?
R: a) 20
26 · 19
25 · 18
24 · 17
23 ; b) 20
26 · 19
25 · 6
24 · 5
23

15. Avem o urnă cu 2 bile albe şi 3 negre şi alta cu 3 bile albe şi 5 negre.
Urnele se aleg la ı̂ntâmplare cu probabilitatea 12 fiecare. Se extrage
o bilă la ı̂ntâmplare din una din urne. Care e probabilitatea ca bila
extrasă să fie neagră ?
49
R: p = 80 (Observaţia 6.4)
16. Tabelul următor arată nivelele presiunii sângelui şi obiceiurile unui
grup de 300 de bărbaţi de vârstă medie:
Nefumător Fumător moderat Fumător ” ı̂nrăit” Total
Presiunea normală
a sângelui 81 84 27 192
Presiune mare
a sângelui 21 51 36 108
Total 102 135 63 300
Presupunem că cineva este selectat la ı̂ntâmplare din acest grup.
Găsiţi probabilitatea ca persoana selectată :
a) să fie un fumător ” ı̂nrăit”;
b) are presiunea mare a sângelui;
c) are presiune mare şi e un fumător ” ı̂nrăit”;
d) are presiune mare a sângelui dat fiind faptul că este un fumător
” ı̂nrăit”;
e) să fie un fumător ”ı̂nrăit” dat fiind faptul că el are presiune mare
a sângelui.
90 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

R: H= evenimentul că persoana selectată este un fumător ” ı̂nrăit” şi


B= evenimentul că persoana selectată are presiunea mare a sângelui
63
a) P (H) = 300 108
= 0, 21; b) P (B) = 300 = 0, 36; c) P (B ∩ H) = 36
300 =
0, 12; d) P (B/H) = 63 = 0, 57; e) P (H/B) = 0,21·0,57
36
0,36 = 0, 33

17. Un studiu asupra atitudinii despre slujba unei persoane este dat ı̂n
următorul tabel:
fericit nefericit Total
Soferi de autobuz 50 75 125
Avocaţi 40 35 75
Total 90 110 200
O persoană din acest grup este selectată la ı̂ntâmplare. Dat fiind că
persoana selectată este şofer de autobuz, găsiţi probabilitatea ca el să
fie fericit.
R: H=persoana fericită este selectată şi B=un şofer de autobuz este
selectat
50
P (H/B) = 200
125
200

18. Se consideră o populaţie formată din 480 /0 bărbaţi şi 52 0 /0 femei.


Probabilitatea ca un bărbat să fie daltonist este 0,05, iar ca o femeie
să sufere de această afecţiune este 0,0025. Care este proporţia de
daltonişti la nivelul ı̂ntregii populaţii?
R: B =persoana aleasă este bărbat, F =persoana aleasă este femeie,
D =persoana aleasă suferă de daltonism
P (D) = 0, 0253. Deci procentul cerut este de 2,53 0 /0 .

19. Tragerea de pe un avion contra altui avion poate să se producă de


la distanţele 600m,400m şi 200m. Probabilitatea ca tragerea să se
producă la distanţa 600m este 0,2, la 400m este 0,3, la 200m este 0,5.
Probabilitatea doborârii avionului inamic la distanţa 600m este 0,1,
la 400m este 0,2, la 200m este 0,4. Se efectuează tragerea al cărei efect
este doborârea avionului. Să se găsească probabilitatea ca tragerea
să se fi produs de la 200m.
R: 0, 715

20. Se dau şase urne cu următoarele structuri:


(S1 ) 2 urne ce conţin câte 2 bile albe şi 6 negre;
(S2 ) 3 urne ce conţin câte 3 bile albe şi 5 negre;
(S3 ) o urnă ce conţine 6 bile albe şi 2 negre.
Se extrage la ı̂ntâmplare o bilă dintr-o urnă . Se cer:
a) Care e probabilitatea de a extrage o bilă neagră ?
6.5. PROBLEME PROPUSE 91

b) Presupunem că dintr-o urnă oarecare s-a extras o bilă neagră . Care
e probabilitatea ca ea să aparţină uneia din structurile (S1 ),(S2 ),(S3 )?
29 12 15 2
R: a) 48 b) 29 , 29 , 29

21. O fabrică produce piese de schimb prin 3 tehnologii diferite I,II,III


astfel :
5 1
I: 10 din producţie şi 10 din piese sunt defecte;
2 3
II : 10 din producţie şi 20 din piese sunt defecte;
3 1
III : 10 din producţie şi 25 din piese sunt defecte.
O persoană alege la ı̂ntâmplare o piesă . Care e probabilitatea ca
aceasta să fie defectă ? Care e probabilitatea ca piesa aleasă să
provină din I?
R: Fie Ai = piesa provine din tehnologia I,II sau III, i = 1, 3 şi B =
piesa aleasă e defectă
92
cu formula probabilităţii totale P (B) = 1000
50
cu formula lui Bayes P (A1 /B) = 92

22. Din 100 de piese lucrate la un strung, 5 sunt defecte. Se iau la


ı̂ntâmplare 45 de piese.
a) Care e probabilitatea ca să existe ı̂ntre cele 45 de piese o singură
piesă defectă ?
b) Care e probabilitatea ca să existe cel puţin o piesă defectă ?
C51 C95
44 C51 C95
44 +C 2 C 43 +C 3 C 42 +C 4 C 41 +C 5 C 40
R: a) p1 = 45 ;
C100
b) p2 = 5 95 5 95
45
C100
5 95 5 95

23. Intr-o ladă cu 80 pachete de ţigări, 4 pachete au câte o ţigară ruptă


Care e probabilitatea ca o persoană care cumpără 4 pachete să primească
toate pachetele cu ţigări rupte? Care e probabilitatea ca să primească
cel puţin 2 pachete cu ţigări rupte?
0
C44 C76 2 +C 3 C 1 +C 4 C 0
C42 C76
R: p1 = C804 ; p2 = 4 76
C804
4 76

24. Dintr-un lot de 100 tranzistori, 20 au defecte. Se extrag 10 tranzistori.


Care este probabilitatea ca toţi tranzistorii extraşi să fie buni, dar ca
unul singur să fie defect, dar cel puţin unul să fie defect?
10 ·C 0
C80
R: p1 = 20
C100
20

9 ·C 1
C80
p2 = 20
C100
20

10 ·C 0
C80
p3 = 1 − 20
C100
20

25. Din 16 borcane de câte 1 kg, 4 conţin dulceaţă de caise şi 12 de


prune. Grupându-se la ı̂ntâmplare câte 4 borcane, să se determine
92 CAPITOLUL 6. EVENIMENTE ŞI PROBABILITATE

probabilitatea ca fiecare grupă să conţină un borcan cu dulceaţă de


caise.
3 C1
C12 C93 C31 C63 C21
R: p = 4
C16
4
· 4
C12
· C84

26. Se aruncă o monedă de 8 ori. Să se afle probabilitatea ca stema să


apară de 6 ori.
( )6 ( 1 )2
R: p = C86 · 12 2

27. Probabilitatea ca un nou născut să fie sex masculin este egală cu 0,51
(pentru o anumită populaţie). Să se calculeze probabilitatea ca ı̂ntr-o
familie cu 7 copii 5 să fie de sex masculin.
R: p = C75 (0, 51)5 (0, 49)2

28. Probabilitatea ca o zi din luna martie să fie ploioasă este 0,8. Care este
probabilitatea ca ı̂n prima decadă a acestei luni să fie 4 zile ploioase?
Dar cel mult 4 zile ploioase? Dar probabilitatea ca toate zilele să fie
ı̂nsorite?
4 (0, 8)4 (0, 2)6
R: p1 = C10
p2 = (0, 2)10 + C101 (0, 8)(0, 2)9 + C 2 (0, 8)2 (0, 2)8 + C 3 (0, 8)3 (0, 2)7 +
10 10
4 4
+C10 (0, 8) (0, 2) 6

p3 = (0, 2)10

29. Un muncitor produce cu probabilităţile 0,99; 0,07 şi 0,03 o piesă bună
o piesă cu un defect remediabil şi un rebut. Muncitorul a produs 3
piese. Care este probabilitatea ca ı̂ntre cele 3 piese să fie cel puţin o
piesă bună şi cel puţin un rebut?
3!
R: P = 1!1!1! · 0, 9 · 0, 07 · 0, 03 + 2!1!
3!
(0, 9)2 · 0, 03 + 2!1!
3!
· 0, 9 · (0, 03)2 =
= 0, 08667

30. Un aparat se compune din 5 elemente; fiabilitatea (probabilitatea de


funcţionare fără defecţiune ı̂ntr-un interval de timp) elementelor este
: p1 = 0, 9, p2 = 0, 95, p3 = 0, 8, p4 = 0, 85, p5 = 0, 91. Dacă nici
unul din elemente nu este ı̂n pană , probabilitatea de funcţionare
a aparatului fără defecţiuni este egală cu 1; dacă unul din cele 5
elemente este ı̂n pană această probabilitate este 0,7, iar dacă două
elemente sunt ı̂n pană aparatul nu poate funcţiona. Să se determine
probabilitatea ca aparatul să poată efectua munca pentru care este
destinat.
R: A1 =nici un element nu este ı̂n pană ; A2 =un element este ı̂n pană ;
A evenimentul ”aparatul efectuează munca pentru care este destinat”
P (A1 ) = 0, 53, P (A2 ) = 0, 364 (schema lui Poisson)
P (A) = 0, 53 · 1 + 0, 364 · 0, 7 = 0, 784 (formula probabilităţilor totale)
Capitolul 7

Variabile aleatoare

Intuitiv, prin variabilă aleatoare se ı̂nţelege o mărime care, ı̂n funcţie


de rezultatul unui experiment, poate lua o valoare dintr-o mulţime bine
definită de valori reale. Această valoare nu poate fi cunoscută ı̂nainte de
efectuarea experimentului din cauza factorilor ı̂ntâmplători ce influenţează
experimentul. Exemple de variabile aleatoare: numărul de defecţiuni ale
unui dispozitiv ı̂ntr-o anumită perioadă , numărul de nimeriri la ţintă ı̂ntr-
un experiment de n trageri, timpul de funcţionare a unei lămpi.
Variabila aleatoare care are o mulţime finită sau infinită numărabilă
de valori se numeşte discretă . Exemple de variabile aleatoare discrete:
numărul celor născuţi ı̂n luna august dintr-un grup de 100 de persoane,
numărul de apeluri telefonice la o centrală ı̂ntr-o unitate de timp, numărul
de piese rebutate dintr-un lot.
Variabila aleatoare a cărei mulţime de valori posibile este un interval
finit sau infinit al dreptei reale se numeşte continuă . Exemple de variabile
aleatoare continue: rezultatul obţinut ı̂n urma măsurării unei mărimi fizice,
viteza moeculei de gaz, timpul de funcţionare a unui utilaj.
Definiţia 7.1. Fie (Ω, F, P ) un câmp de probabilitate. Se numeşte
variabilă aleatoare orice funcţie X : Ω → IR pentru care
{ }
ω/X(ω) < x ∈ F , ∀x ∈ IR.
{ }
Sistemul de egalităţi P ( ω/X(ω) = xi ) = pi , i ∈ I defineşte distribuţia
sau repartiţia v. a. X.
Repartiţia
( )v.a. discrete se scrie sub forma unui tabel:
xi
X: , i ∈ I (I mulţime numărabilă de indici)
pi
∪{ } { }
Cum X = xi = Ω şi X = xi , i ∈ I sunt incompatibile, rezultă
i∈I ∪{ } ∑
1 = P (Ω) = P ( X = xi ) = pi
i∈I i∈I

93
94 CAPITOLUL 7. VARIABILE ALEATOARE

7.1 Legi de repartiţie discrete clasice


1. Repartiţia binomială Bi(n, p)
Să presupunem că se fac n experimente independente, ı̂n fiecare dintre
ele probabilitatea de realizare a unui eveniment A fiind constantă şi
egală cu p (probabilitatea ca A să nu se realizeze este q = 1 − p).
Numărul de realizări ale evenimentului A ı̂n cele n experimente este
o variabilă aleatoare X, ale cărei valori posibile sunt k = 0, 1, . . . n.
Intr-adevăr, evenimentul A poate să nu se realizeze niciodată sau
poate să se realizeze o dată , de două ori, . . ., de n ori ı̂n cele n exper-
imente cu probabilităţile P (X = k) = pk . Vom scrie formula ce dă
probabilitatea ca evenimentul A să se realizeze de k ori, pentru valo-
rile p şi n date. Mulţimea perechilor (k, pk ), k = 0, 1, . . . n se numeşte
repartiţie binomială . Repartiţiile binomiale au fost studiate de
James Bernoulli, motiv pentru care adeseori vom folosi termenul de
experimente Bernoulli.
P (X = k) = Cnk pk q n−k , k = 0, n
Termenul de repartiţie binomială provine din faptul că probabilităţile
sunt termenii din dezvoltarea (p + q)n .
Exemplul 7.1. La un antrenament, un jucător de baschet nimereşte
la coş cu probabilitatea 0,6. Să se scrie repartiţia v.a. X care ia ca
valori numărul de nimeriri la coş când jucătorul aruncă mingea de 10
ori.

k (0, 6)k (0, 4)10−k , k = 0, 10


Demonstraţie. P (X = k) = C10

2. Repartiţia Poisson de parametru λ > 0


P (X = k) = λk
k! · e−λ , k ∈ IN
Repartiţia Poisson este frecvent ı̂ntâlnită ı̂n studiul fenomenelor din
biologie, telecomunicaţii, evenimente rare, catastrofe etc.
Exemplul 7.2. Intr-o mină au loc ı̂n medie 2 accidente pe săptămână
Să se calculeze probabilitatea de a exista cel mult 2 accidente :
a) ı̂ntr-o săptămână ;
b) ı̂n 2 săptămâni;
c) ı̂n fiecare săptămână dintr-un interval de 2 săptămâni.

Demonstraţie. a) Fie X v. a. ce desemnează numărul de accidente


dintr-o( săptămână) ; X este poissoniană cu λ = 2, deci P (X ≤ 2) =
= e−2 1 + 1!2 + 2!4 = 5e−2 .
7.1. LEGI DE REPARTIŢIE DISCRETE CLASICE 95

b) Fie Y v. a. ce desemnează numărul de accidente (ı̂n 2 săptămâni;


)
X este poissoniană cu λ = 4, deci P (Y ≤ 2) = e−4 1 + 1!4 + 16 2! =
13e−4 .
c) probabilitatea cerută este [P (X ≤ 2)]2 = 25e−4

Observaţia 7.1. Considerăm v.a. X ce urmează o repartiţie


binomială Bi(n, p). Dacă n creşte, iar p descreşte astfel ı̂ncât np = λ
rămâne constant, atunci repartiţia binomială tinde către repartiţia
Poisson.

Demonstraţie. lim Cnk pk (1 − p)n−k =


n→∞
( ) ( )
n(n − 1) . . . (n − k + 1) λ k λ n−k
= lim 1− =
n→∞ k! n n
( )n−k
k n(n − 1) . . . (n − k + 1) λ λk −λ
= λk! lim 1 − = e
n→∞ nk n k!

Exemplul 7.3. La fiecare o mie de persoane, una este victima


unui accident de maşină O companie de asigurări a asigurat 5000 de
persoane. Care este probabilitatea ca cel mult 2 dintre acestea să
ı̂ncaseze asigurarea?

Demonstraţie. Dacă X reprezintă numărul de persoane care ı̂ncasează


asigurarea ı̂ntr-un an, atunci X urmează o repartiţie binomială cu
1
n = 5000 şi p = 1000 . Deoarece λ = np = 5 (valori mari ale lui
n şi valori mici ale
( 0 lui p se poate
) folosi Observaţia 7.1) şi obţinem

P (X ≤ 2) = e −5 5 5 52 31e−5
0! + 1! + 2! = 2

3. Repartiţia hipergeometrică
Dacă X este v. a. ce reprezintă numărul de bile albe obţinute după
n extrageri fără ı̂nlocuire dintr-o urnă ce conţine a bile albe şi b negre
, atunci
C x C n−x
P (X = x) = a nb , x = 0, n.
Ca+b

Exemplul 7.4. La o agenţie LOTO din 10000 de bilete, 10 sunt


câştigătoare. Un jucător cumpără 6 bilete şi fie X v.a. ce reprezintă
numărul biletelor câştigătoare. Se cer:
a) repartiţia v. a. X;
b) P (X ≤ 5), P (X > 3/X ≤ 5), P (X = 6)
96 CAPITOLUL 7. VARIABILE ALEATOARE

Demonstraţie. a) X ia valorile x = 0, 6 cu probabilităţile


x C 6−x
C10
P (X = x) = 6
9990
C10000

∑5 x C 6−x
C10
b) P (X ≤ 5) = 6
9990

x=0
C10000

∑5 x C 6−x
C10 9990
C 6
P (3≤X≤5) 10000
P (X > 3/X ≤ 5) = = x=3
P (X≤5) ∑5 x C 6−x
C10 9990
C 6
x=0 10000
6 C0
C10
P (X = 6) = 6
9990
C10000

4. Repartiţia geometrică
Un experiment aleator cu două rezultate posibile s ”succes” şi e ”eşec”
având probabilitatea p, respectiv q = 1 − p se efectuează independent
până la obţinerea prima dată a succesului, după care este oprit.
{ }
Spaţiul evenimentelor elementare este Ω = s, es, ees, . . . , ee . . . es, . . . .
Fie X numărul de efectuări ale experimentului până la obţinerea suc-
cesului; X este o v.a. cu valorile posibile 0, 1, 2, . . .
P (X = k) = p(1 − p)k , k ∈ IN.
Dacă experimentul se efectuează până la apariţia eşecului avem
P (X = k) = pk q, unde q = 1 − p.
Exemplul 7.5. Sunt construite 5 aparate cosmice; 4 dintre ele
sunt alese la ı̂ntâmplare şi sunt lansate fără echipaj. Dacă toate cele
4 aparate se ı̂nscriu cu succes pe orbite, atunci aparatul rămas va
fi lansat cu echipaj. Care este probabilitatea ca după lansarea cu
succes a primelor 4 aparate va urma lansarea cu eşec, dacă p este
probabilitatea de ı̂nscriere pe orbită a unui aparat?
R: P (X = 4) = p4 (1 − p)

7.2 Funcţia de repartiţie a unei variabile aleatoare


Definiţia 7.2. Se numeşte{funcţia de repartiţie
} a unei v.a. X aplicaţia
FX : IR → [0, 1], FX (x) = P ( ω/X(ω) < x )
( )
x1 x2 . . . xn
Fie X o v.a. discretă , X :
p1 p2 . . . p n

FX (x) = P (X = xi ) (adică funcţia de repartiţie ı̂n punctul x este
xi <x
egală cu suma probabilităţilor valorilor X(ω) situate la stânga lui x)
Exemplul 7.6. O monedă este aruncată de 2 ori şi fie X numărul de
apariţii ale stemei. Să se determine funcţia de repartiţie a v.a. X.
7.2. FUNCŢIA DE REPARTIŢIE A UNEI VARIABILE ALEATOARE97
( )
0 1 2
Demonstraţie. X : 1 1 1
4 2 4


 0, x≤0
 1
4, 0<x≤1
FX (x) =


3
, 1<x≤2
 4
1, x>2

Proprietăţile funcţiei de repartiţie


1. Fie X o v.a. şi FX (x) funcţia ei de repartiţie. Atunci

P (x1 ≤ X < x2 ) = FX (x2 ) − FX (x1 ), ∀x1 , x2 ∈ IR.


{ } { } { }
Demonstraţie.
{ x }
1 ≤ X < x
{ 2 = X} < x 2 \
{ X < x} =⇒
1
P ( x1 ≤ X < x2 {) = P ( }X < { x2 ) −}P ( X < x1 ) = FX (x2 ) −
FX (x1 ), deoarece X < x1 ⊂ X < x2 , pentru că x1 < x2

2. Dacă x1 < x2 , atunci FX (x1 ) ≤ FX (x2 ), ∀x1 , x2 ∈ R.

Demonstraţie. 0 ≤ P (x1 ≤ X < x2 ) = FX (x2 ) − FX (x1 ) =⇒


FX (x1 ) ≤ FX (x2 )

3. Orice funcţie de repartiţie FX este continuă la stânga :

FX (x − 0) = FX (x).

4. lim FX (x) = 1; lim FX (x) = 0


x→∞ x→−∞

Observaţia 7.2. Se poate arăta că orice funcţie F monotonă , crescătoare,


continuă la stânga şi astfel ı̂ncât lim F (x) = 1; lim F (x) = 0 este funcţia
x→∞ x→−∞
de repartiţie a unei v.a.
Exemplul 7.7. Să presupunem că durata ı̂n minute a unei convorbiri
telefonice la distanţă mare este dată de următoarea funcţie de repartiţie:
{
0, x<0
F (x) = − x3 −[ x3 ]
1− 2 ·e − 2 ·e
1 1
, x≥0

Se cere să se determine probabilitatea ca o convorbire :


a) să dureze 6 minute sau mai mult de 6 minute;
b) să fie mai mică de 4 minute;
c) să fie egală cu 3 minute;
d) să fie mai mică decât 9 minute dat fiind faptul că a fost mai mare de
5 minute;
e) să fie mai mare de 5 minute, dacă a fost mai mică de 9 minute.
98 CAPITOLUL 7. VARIABILE ALEATOARE

Demonstraţie. a) P (X ≥ 6) = 1 − F (6) = 12 e−2 + 12 e−[2] = 0, 135


b) P (X < 4) = F (4) = 1 − 12 e− 3 − 12 e−1 = 0, 684
4

c) P (X = 3) = F (3 + 0) − F (3 − 0), unde F (3 + 0) = lim F (x),


( )
x→ 3,x>3
F (3 − 0) = lim F (x) =⇒ P (X = 3) = 1 − 12 e−1 − 21 e−1 −
( x→ 3,x<3
)
− 1 − 2 e − 12 e−[ 3 ] = 12 (1 − e−1 ) = 0, 316
2
1 −1

P (5<X<9) F (9)−F (5)


d) P (X < 9/X > 5) = P (X>5) = 1−F (5)
P (5<X<9) F (9)−F (5)
e) P (X > 5/X < 9) = P (X<9) = F (9)

7.3 Densitatea de probabilitate


Definiţia 7.3. Fie X o v.a. şi FX funcţia sa de repartiţie. Dacă există
o funcţie reală f definită şi integrabilă pe IR astfel ı̂ncât
∫ x
FX (x) = f (u)du, ∀x ∈ IR,
−∞

atunci funcţia f se numeşte densitatea de probabilitate a v.a. X, iar


v.a. care are densitate de probabilitate se numeşte variabilă aleatoare
de tip continuu.

Teorema 7.1. Probabilitatea ca o v. a. continuă X să ia o valoare din


[x1 , x2 ) este egală cu integrala densităţii de probabilitate pe [x1 , x2 ):
∫ x2
P (x1 ≤ X < x2 ) = f (x)dx
x1
∫ x2
Demonstraţie. P (x1 ≤ X < x2 ) = FX (x2 ) − FX (x1 ) = −∞ f (x)dx −
∫ x1 ∫ x1 ∫ x2 ∫ x1 ∫ x2
−∞ f (x)dx = −∞ f (x)dx + x1 f (x)dx − −∞ f (x)dx = x1 f (x)dx

Observaţia 7.3. Probabilitatea ca v.a. X de tip continuu să ia o valoare


individuală este nulă .
1
Demonstraţie. P (X = x1 ) = lim P (x1 ≤ X < x1 + ) =
∫ x1 + 1
n→∞ n
n
= lim f (x)dx = 0
n→∞ x
1

Atunci ∀x1 , x2 ∈ R, x1 < x2 au loc:


P (x1 ≤ X < x2 ) = P (x1 ≤ X ≤ x2 ) = P (x1 < X ≤ x2 ) =
= P (x1 < X < x2 )
Faptul că{ P (X =} x1 ) = 0 pentru o v.a. continuă nu ı̂nseamnă că
evenimentul X = x1 e imposibil. Intr-adevăr, ı̂n urma unui experiment,
v.a. ia una dintre valorile sale posibile, ı̂n particular, această valoare poate
fi x1 .
7.3. DENSITATEA DE PROBABILITATE 99

Proprietăţile densităţii de probabilitate

1. f (x) ≥ 0, ∀x ∈ IR
Deoarece f este derivata unei funcţii crescătoare.
∫∞
2. −∞ f (x)dx = 1
∫x
FX (x) = −∞ f (x)dx. Trecem la limită când x −→ ∞ şi obţinem
∫∞
−∞ f (x)dx = lim FX (x) = 1.
x→∞

Exemplul 7.8. Se dă variabila aleatoare X cu următoarea funcţie de


repartiţie:


 0, x<0
 x, 0≤x<1
FX (x) = 4
 x2
 , 1≤x<2
 4
1, x≥2
Se cer:
a) P (1 ≤ X < 2), P (1 ≤ X < 2/1 ≤ X < 3);
b) densitatea de repartiţie fX (x);

Demonstraţie. a) P (1 ≤ X < 2) = F (2) − F (1) = 1 − 1


4 = 3
4
3 3
P (1≤X<2)
P (1 ≤ X < 2/1 ≤ X < 3) = P (1≤X<3) = 4
F (3)−F (1) = 4
3 =1
4
b)


 0, x<0
 1
′ 4, 0≤x<1
fX (x) = FX (x) =


x
, 1≤x<2
 2
0, x≥2

k
Exemplul 7.9. Se dă funcţia f (x) = ex +e −x . Se cer:

a) să se determine constanta ”k” astfel ı̂ncât f (x) să fie o densitate de


repartiţie a unei variabile aleatoare X ;
b) probabilitatea ca ı̂n două observaţii independente X să ia o valoare
mai mică decât 1 şi alta mai mare sau cel mult egală cu 1.
∫∞
Demonstraţie. a) Punem condiţia −∞ f (x)dx = 1
∫∞ k
∫∞ ex x ∞ π
1 = −∞ ex +e −x dx = k −∞ 1+(ex )2 dx = karctg e /0 = k 2 =⇒

k = π2 =⇒ f (x) = π(ex +e
2
−x )

b) Cum observaţiile făcute asupra v. a. X sunt independente =⇒


P (X1 < 1, X2 ≥
( 1) = ) (X2∫≥ 1) = F (1)(1(− F (1))∫=
P (X1 < 1)P )
∫1 ∫1 1 1
= −∞ f (x)dx 1 − −∞ f (x)dx = π2 −∞ ex +e 1
−x dx· 1 − π · −∞ ex +e−x dx
2 1
=
2
π arctg e(1 − π2 arctg e)
100 CAPITOLUL 7. VARIABILE ALEATOARE

7.4 Legi de repartiţie continue clasice


1. Repartiţia uniformă ı̂ntr-un interval [a, b] este repartiţia unei v.
a. X cu densitatea
{ 1
f (x) = b−a , a ≤ x ≤ b
0, ı̂n rest

şi notăm X ∼ U [a, b]


Exemplul 7.10. Fie X o variabilă aleatoare care urmeaza o
repartiţie uniformă ı̂n intervalul [−1, 1]. Să se determine densitatea
de probabilitate corespunzătoare variabilei aleatoare Y = 2X 2 + 1.

Demonstraţie. Densitatea de probabilitate a lui X este


{ 1
fX (x) = 2 , x ∈ [−1, 1]
0, ı̂n rest

Funcţia de repartiţie a variabilei Y este


( √ ) ( √ √ )
y−1 y−1 y−1
FY (y) = P (Y < y) = P |X| < 2 =P − 2 <X < 2 =
(√ ) ( √ ) (√ )
= FX y−1
2 −FX − y−1 2 =⇒ fY (y) = FY′ (y) = FX ′ y−1
2 −
( √ ) (√ )′ (√ ) ( √ )′ ( √ )

−FX − y−1
= y−1
·fX y−1
− − y−1
·fX − y−1
=⇒
2 2 2 2 2

 ( )− 1
 y−1 2
fY (y) =
1
4 · 2 , −1 < y < 3
 0, ı̂n rest

2. Repartiţia exponenţială de parametru λ > 0 corespunde den-


sităţii de probabilitate
{ −λx
λe , x>0
f (x) =
0, x≤0

şi se notează X ∼ Exp(λ).


Repartiţia exponenţială este un model foarte util ı̂n probleme referi-
toare la durate de aşteptare ce apar ı̂n telefonie, aprovizionare, reţele
de servire, teoria fiabilităţii etc.
Exemplul 7.11. Densitatea de repartiţie a vieţii unei lămpi dintr-
un aparat de radio cu 6 lămpi este λ · e−λt , t > 0, dat ı̂n ani şi λ = 13 .
Să se determine probabilitatea ca ı̂n mai puţin de 6 ani nici o lampă
să nu fie schimbată
7.4. LEGI DE REPARTIŢIE CONTINUE CLASICE 101

Demonstraţie. Vieţile medii ale lămpilor sunt considerate evenimente


independente. Probabilitatea
∫ ∞ ca viaţa medie a unei lămpi să fie mai
mare de 6 ani este p = 6 λ · e−λt dt = e−6λ = e−2 . Probabilitatea
căutată este p6 = e−12 .

3. Repartiţia Gamma cu parametrii λ, α > 0 este repartiţia unei v.


a. X cu densitatea
{ α
λ α−1 e−λx , x > 0
f (x) = Γ(α) x
0, x≤0

Pentru α = 1 se obţine repartiţia exponenţială , iar pentru λ = 12 ,


α = n2 , repartiţia χ2 (n) (”hi pătrat” cu n grade de libertate).
4. Repartiţia Cauchy este repartiţia unei v.a. X cu densitatea
1
f (x) = π(1+x 2) .

5. Repartiţia normală cu media m şi abaterea pătratică σ este repartiţia


(x−m)2
unei v. a. X cu densitatea f (x) = σ√12π · e− 2σ2 . In acest caz se
scrie X ∼ N (m, σ). Dacă m = 0 şi σ = 1, X se numeşte variabilă
normală standard.
Funcţia de repartiţie a unei variabile normale standard este
∫x t2
Φ(x) = √12π −∞ e− 2 dt şi este numită funcţia lui Laplace.
In cazul general, funcţia de repartiţie F a unei v. a. normale de tip
N (m, σ) se( poate
) exprima cu ajutorul funcţiei
( b−m )lui Laplace
( a−m )astfel
F (x) = Φ σ , deci P (a ≤ X ≤ b) = Φ σ − Φ σ , de unde
x−m

rezultă P (|X − m| < εσ) = Φ(ε) − Φ(−ε) = 2Φ(ε) − 1.


Abraham de Moivre a fost printre primii (ı̂n sec. 18) care a ı̂ncercat
să pătrundă mai adânc ı̂n teoria probabilităţilor. El a descoperit
distribuţia normală , dar nu a completat lucrarea şi nici nu i-a apre-
ciat importanţa. In studiile lui Carl Friedriech Gauss şi Pierre -Simon
Laplace s-a subliniat mai bine importanţa acestei distribuţii, de aceea
este cunoscută şi sub numele de distribuţie Gaussiană sau clopo-
tul lui Gauss.
Exemplul 7.12. Inălţimea bărbaţilor este repartizată N (m, σ),
m =167 cm, σ = 3 cm.
1) Care este procentul din populaţie cu ı̂nălţimea :
a) mai mare de 167 cm;
b) mai mare de 170 cm;
c) cuprinsă ı̂ntre 161 cm şi 173 cm?
2) Se selectează la ı̂ntâmplare (binomial) 4 bărbaţi. Care este prob-
abilitatea ca:
102 CAPITOLUL 7. VARIABILE ALEATOARE

a) ı̂nălţimea tuturor să depăşească 170 cm;


b) doi să aibă ı̂nălţimea mai mică decât media, iar doi mai mare decât
media?

Demonstraţie. 1) Fie X ı̂nălţimea unui bărbat ı̂n cm.


( )
a) P (X > 167) = 1 − P (X ≤ 167) = 1 − Φ 167−167 3 = 1 − Φ(0) =
500 /0
( )
b) P (X > 170) = 1 − Φ 170−1673 = 1 − Φ(1) = 160 /0
( ) ( )
c) P (161 < X < 173) = Φ 173−167 3 − Φ 161−167
3 = Φ(2) − Φ(−2) =
= Φ(2) − 1 + Φ(2) = 2Φ(2) − 1 = 950 /0
2) a) Fie Y = numărul bărbaţilor cu ı̂nălţimea mai mare de 170 cm.
V. a. urmează o lege binomială cu n = 4 şi p = P (X > 170) = 0, 16.
De aceea P (Y = 4) = (0, 16)4 = 0, 0007.
b) Dacă Z reprezintă numărul bărbaţilor cu ı̂nălţimea mai mare ca
media de 167 cm, atunci Z este binomială cu n = 4 şi p =
P (X > 167) = 0, 5. Astfel P (Z = 2) = C42 (0, 5)4 = 0, 375.

Exemplul 7.13. Să se determine densitatea de probabilitate a


variabilei aleatoare Y = eX , unde variabila aleatoare X urmează o
repartiţie normală de parametri m şi σ.

Demonstraţie. Densitatea de repartiţie a variabilei aleatoare X este


(x−m)2
fX (x) = √1 e− 2σ 2 . Funcţia de repartiţie a lui Y este FY (y) =
σ 2π
P (Y < y) = P (eX < y) = P (X < ln y) = FX (ln y) =⇒ fY (y) =
(ln y−m)2
FY′ (y) = FX′ (ln y) = fX (ln y) · (ln y)′ = 1
· √1 e− 2σ 2
y σ 2π

7.5 Probleme propuse


1. La examenul de matematică , probabilitatea ca o teză să fie notată cu
notă de trecere este 0,75. Se aleg la ı̂ntâmplare 10 lucrări şi fie X v.a.
ce reprezintă numărul tezelor ce vor fi notate cu notă de trecere. Se
cer: a) repartiţia lui X; b) P (X ≥ 5), P (7 ≤ X ≤ 10/X ≥ 8), P (X =
10)
R: a) V. a. X are o repartiţie binomială cu n = 10, p = 0, 75. X ia val-
x (0, 75)x (0, 25)10−x .
orile x = 0, 1, . . . 10 cu probabilităţile p(x) = C10

10
b) P (X ≥ 5) = x
C10 (0, 75)x (0, 25)10−x
x=5
P (8≤X≤10)
P (7 ≤ X ≤ 10/X ≥ 8) = P (X≥8) =1
P (X = 10) = (0, 75)10
7.5. PROBLEME PROPUSE 103

2. Presupunem că la 100 de convorbiri telefonice au loc 1000 de bruiaje


neturale. Care e probabilitatea de a avea o convorbire fără bruiaje?
Dar una cu cel puţin 2 bruiaje?
R: P (X = 0) = e−10 · 100
0! = e−10
P (X ≥ 2) = 1 − P (X = 0) − P (X = 1) = 1 − e−10 − 10 · e−10

3. Numărul pâinilor ce pot fi vândute ı̂ntr-o zi de un supermarket e


normal distribuit cu m = 1000 pâini şi σ = 100 pâini. Dacă marketul
stochează 1200 de pâini ı̂n fiecare zi, care este probabilitatea ca pâinile
să fie vândute până ca ziua să se termine?
R: P (X ≥ 1200) = 1 − Φ(2) = 0, 0228

4. Se consideră variabilele aleatoare X de densităţi


{
0, x≤0
fX (x) = − x2
2
bxe , x>0

Să se determine constanta b astfel ı̂ncât funcţia dată să fie densitate


de probabilitate.
R: b = 1

5. Fie X o variabilă aleatoare a cărei funcţie de repartiţie este




 0, x≤0

 x
0<x≤1

 4,


 13 , 1<x≤2
FX (x) = x
6, 2<x≤3




1
2, 3<x≤4




x
, 4<x≤8
 8
1, x>8

Se cer:
a) densitatea de probabilitate; b) P (2 < X ≤ 5);
c) P (2 < X ≤ 5/1 < X ≤ 6)
R: a)



1
4, 0<x≤1
 1
6, 2<x≤3
fX (x) =


1
8, 4<x≤8

0, ı̂n rest

b) P (2 < X ≤ 5) = 7
24
c) P (2 < X ≤ 5/1 < X ≤ 6) = 7
12
104 CAPITOLUL 7. VARIABILE ALEATOARE

6. Se dă funcţia {
√ a
l2 −x2
, −l < x < l
f (x) =
0, ı̂n rest
Se cer:
a) să se determine constanta a astfel ı̂ncât f să fie densitatea de
probabilitate a unei variabile aleatoare X;
b) funcţia de repartiţie;
c) P (0 < X ≤ l)
1
R: a) a = π b)

 0, x ≤ −l
FX (x) = arcsin xl + 12 , −l < x < l
1
 π
1, x≥l

c) P (0 < X ≤ l) = 1
2

7. Se consideră v. a. X cu densitatea de probabilitate


{
αx2 e−kx , 0 ≤ x, k > 0
fX (x) =
0, ı̂n rest

a) Să se determine constanta α;


b) Să se afle funcţia de repartiţie;
c) Să se calculeze P (0 < X < k1 )
k3
R: a) α = 2
b) {
0, x<0
FX (x) = k2 x2 +2kx+2 −kx
1− 2 e , 0≤x
c) P (0 < X < k1 ) = 1 − 5
2e

8. Fie X o variabilă aleatoare ce urmează o repartiţie uniformă ı̂n in-


tervalul [−1, 1]. Să se determine densitatea de probabilitate core-
spunzătoare variabilei aleatoare:
a) Y = eX ;
b) Y = 2X + 1
R: a) { 1 1
fY (y) = 2y , e <y<e
0, ı̂n rest
b) { 1
4, −1 < y < 3
fY (y) =
0, ı̂n rest
7.5. PROBLEME PROPUSE 105

9. Să presupunem că un fenomen aleator X urmează o lege normală de


parametrii m = 2 şi σ = 2. Să se calculeze: a) P (0 ≤ X ≤ 3);
b) P (|X| ≤ 1); c) P (−1 ≤ X ≤ 1/0 ≤ X ≤ 3).
( )
R: a) P (0 ≤ X ≤ 3) = Φ 12 + Φ(1) − 1 = 0, 533
( ) ( )
b) P (|X| ≤ 1) = Φ 32 − Φ 12 = 0, 242
c) P (−1 ≤ X ≤ 1/0 ≤ X ≤ 3) = 0, 281

10. Să presupunem că variabila aleatoare X urmează o lege normală de


parametrii 0 şi 1. Să se determine densitatea de probabilitate core-
1
spunzătoare variabilei aleatoare Y = |X| 2 .
y4
R: fY (y) = √4y e− 2

Capitolul 8

Vectori aleatori
bidimensionali

8.1 Funcţia de repartiţie. Densitatea de proba-


bilitate. Densităţi marginale
Dacă X şi Y sunt variabile aleatoare, atunci perechea (X, Y ) este un
vector aleator bidimensional, iar X şi Y se numesc componentele
vectorului aleator.
Fie X şi Y v.a. definite pe acelaşi spaţiu de evenimente, ale căror
valori posibile sunt x1 , . . . , xn , respectiv y1 , . . . , ym , cu probabilităţile core-
spunzătoare pi , i = 1, n, respectiv qj , j = 1, m. Totalitatea evenimentelor
elementare pentru
{ care se ı̂ndeplinesc } condiţiile X = xi şi Y = yj formează
un eveniment X = xi , Y ={ yj a cărui probabilitate } o notăm cu pij .
Sistemul de egalităţi P X = xi , Y = yj = pij , i = 1, n, j = 1, m se
numeşte repartiţia (distribuţia) vectorului aleator (X, Y ).
Pentru orice i fixat avem
∪{ } { } ∪{ } { } { }
X = xi , Y = yj = X = xi ∩( Y = yj ) = X = xi ∩Ω = X = xi =⇒
j j
∑ { } ∑ { }
P X = xi , Y = yj = pij = P X = xi = pi
j j
∑ { }
Analog pij = P Y = yj = qj .
i
Probabilităţile
∑ pi∑
şi ∑
qj se numesc
∑ probabilităţi marginale
Atunci pij = pij = pi = 1.
i,j i j i
Funcţia F(X,Y ) (x, y) = P (X < x, Y < y) se numeşte funcţia de
repartiţie a vectorului aleator bidimensional (X, Y ).

106
8.1. DENSITĂŢI MARGINALE 107

Proprietăţile funcţiei de repartiţie

1. x1 < x2 =⇒ F (x1 , y) ≤ F (x2 , y), ∀y ∈ IR


y1 < y2 =⇒ F (x, y1 ) ≤ F (x, y2 ), ∀x ∈ IR

2. F (x, y) −→ 0 dacă cel puţin una dintre variabilele x, y tinde la −∞

3. F (x, y) −→ 1 dacă ambele variabile tind la ∞

4. F (x, y) este continuă la stânga ı̂n raport cu fiecare argument

5. FX (x) = lim F (x, y)


y→∞

FY (y) = lim F (x, y)


x→∞

Funcţiile FX (x) şi FY (y) se numesc funcţii de repartiţie marginale


ale vectorului aleator (X, Y ).

6. P (x1 ≤ X < x2 , Y < y) = F (x2 , y) − F (x1 , y)


P (X < x, y1 ≤ Y < y2 ) = F (x, y2 ) − F (x, y1 )
P (x1 ≤ X < x2 , y1 ≤ Y < y2 ) = [F (x2 , y2 ) − F (x1 , y2 )] − [F (x2 , y1 ) −
F (x1 , y1 )]

Vectorul aleator (X, Y ) se numeşte de tip continuu dacă funcţia sa de


repartiţie se poate reprezenta sub forma
∫ x ∫ y
F(X,Y ) (x, y) = f (u, v)dudv, (∗)
−∞ −∞

unde∫f se∫numeşte densitate de probabilitate şi are proprietăţile f (x, y) ≥


∞ ∞
0 şi −∞ −∞ f (u, v)dudv = 1.
∂ 2 F(X,Y ) (x,y)
Evident f (x, y) = ∂x∂y ı̂n punctele de continuitate ale funcţiei
f.
Din punct de vedere geometric, funcţia f definită ı̂ntr-un domeniu dat
reprezintă o suprafaţă numită graficul densităţii de probabilitate, iar volu-
mul cuprins intre suprafaţa z = f (x, y) şi planul xOy este 1.
Probabilitatea ∫ca∫ vectorul aleator (X, Y ) să aparţină domeniului D este
P ((X, Y ) ∈ D) = D f (x, y)dxdy. ∫x ∫∞
Din proprietatea 5 şi relaţia (*), rezultă FX (x) = −∞ −∞ f (x, y)dxdy.

′ (x) = ∞ f (x, y)dy.
Derivăm ı̂n raport cu x şi obţinem fX (x) = FX −∞
∫∞
Analog fY (y) = FY′ (y) = −∞ f (x, y)dx numite densităţile de prob-
abilitate marginale.
Exemplul 8.1. Fie vectorul (X, Y ) cu densitatea de repartiţie f (x, y) =
1
π 2 (1+x2 )(1+y 2 )
, x, y ∈ IR. Să se afle F(X,Y ) (x, y), FX (x), FY (y), fX (x), fY (y).
108 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

∫x ∫y
Demonstraţie. F(X,Y ) (x, y) = π12 −∞ −∞ (1+ududv2 )(1+v 2 ) =
∫ x ∫ y ( ) ( )
= π12 −∞ 1+u 2 · −∞ 1+v 2 = π 2 arctg x + 2
du dv 1 π
arctg y + π2
1 ( π)
FX (x) = lim F(X,Y ) (x, y) = 2 arctg x +
y→∞ π ( 2
1 π)
FY (y) = lim F(X,Y ) (x, y) = 2 arctg y +
x→∞ π 2
fX (x) = FX ′ (x) = 1
π(1+x2 )
fY (y) = FY′ (y) = 1
π(1+y 2 )

Exemplul 8.2. Fie vectorul (X, Y ) cu densitatea de repartiţie


{ −(x+y)
e , x ≥ 0, y ≥ 0
f (x, y) =
0, ı̂n rest
Să se calculeze a) P (X ≤ 1, Y ≤ 1); b) P (X + Y ≤ 1);
c) P (X + Y > 2); d) P (Y > 1/X ≤ 1);e) P (X > 1/Y > 1); f) P (X < 2Y ).
∫1∫1 ∫1
Demonstraţie. a) P (X ≤ 1, Y ≤ 1) = 0 0 e−(x+y) dxdy = 0 e−x dx·
∫1
· 0 e−y dy = (e−1 − 1)2
∫ 1 ∫ 1−x ∫1
b) P (X + Y ≤ 1) = 0 0 e−(x+y) dydx = 0 e−x (1 − ex−1 )dx =
= 1 − 2e−1 ∫ 2 ∫ 2−x −(x+y)
c) P (X +Y > 2) = 1−P (X { +Y ≤ } 2) = {1− 0 0} e dydx = 2e−2
d) Fie evenimentele A = Y > 1 ,B = X ≤ 1
Vrem să calculăm P (A/B) = P P(A∩B)
(B)
∫∞∫1 ∫∞ ∫1
P (A ∩ B) = 1 0 e−x−y dxdy = 1 e−y dy · 0 e−x dx = e−1 (1 − e−1 )
∫1
P (B) = P (X ≤ 1) = 0 e−x dx = 1 − e−1
Atunci P (A/B) = e−1 { } { }
e) Fie evenimentele A = X > 1 , B = Y > 1
Avem de calculat P (A/B) = P P(A∩B)
∫ ∞ ∫ ∞ −x−y (B)
P (A ∩ B) =
∫ ∞ −y1 1 e dxdy = e−2
P (B) = 1 e dy = e −1
−2
Atunci P (A/B) = ee−1 = e−1
∫∫ ∫ ∞ ∫ 2y
f) P (X < 2Y ) = x
<2,x,y≥0 e−(x+y) dxdy = 0 0 e−(x+y) dxdy =
∫∞ y
= 0 e−y (1 − e−2y )dy = 23

Exemplul 8.3. Fie (X, Y ) un vector aleator cu densitatea


{
k(2x + y + 2), (x, y) ∈ [0, 1] × [−2, 2]
f (x, y) =
0, ı̂n rest
Să se determine:
a) k ∈ IR;
b) densităţile de probabilitate marginale;
c) densităţile de probabilitate ale vectorilor aleatori (U, V ) = (3X, 2Y −
5) şi (Z, W ) = (X, Y 2 ).
8.2. REPARTIŢII CONDIŢIONATE 109

Demonstraţie.
∫2 ∫1 a) Avem condiţiile: f (x, y) ≥ 0 =⇒ k ≥ 0
1
−2 0 k(2x + y + 2)dxdy = 1 =⇒ k = 12
b)
{ 1 ∫2
fX (x) = 12 −2 (2x + y + 2)dy, x ∈ [0, 1]
0, ı̂n rest
{ 2x+3
= 3 , x ∈ [0, 1]
0, ı̂n rest
{ 1 ∫1
fY (y) = 12 0 (2x + y + 2)dx, y ∈ [−2, 2]
0, ı̂n rest
{ y+3
= 12 , y ∈ [−2, 2]
0, ı̂n rest
( )
c) F(U,V ) (x, y) = P (3X < x, 2Y − 5 < y) = P X < x3 , Y < 5+y =
( ) 2

= F(X,Y ) x3 , 5+y2
∂ 2 F(X,Y ) ( x3 , 5+y
( )
∂ 2 F(U,V ) (x,y) 2 ) x 5+y
f(U,V ) (x, y) = ∂x∂y = ∂x∂y = ·
1 1
3 2 f 3 , 2 =
{ ( )
5+y
1
72
2x
3 + 2 +2 , x
3 ∈ [0, 1], 5+y
2 ∈ [−2, 2]
=
0, ı̂n rest
{ 4x+3y+27
432(x, y) ∈ [0, 3] × [−9, −1]
,
=
0, ı̂n rest
√ √
F(Z,W ) (x, y) = P (X < x, Y 2 < y) = P (X < x, Y < y) = F(X,Y ) (x, y)

∂ 2 F(Z,W ) (x,y) ∂ 2 F(X,Y ) (x, y) 1 √
f(Z,W ) (x, y) = ∂x∂y = ∂x∂y = 2√ y f (x, y) =
{ √
1√
12 y (2x + y + 2), (x, y) ∈ [0, 1] × [0, 2]
=
0, ı̂n rest

8.2 Repartiţii condiţionate


Fie (X, Y ) un vector aleator bidimensional discret definit pe câmpul de
probabilitate (Ω, F, P ). Presupunem că ı̂n urma unui experiment{ Y a luat}
valoarea yj şi notăm cu P (xi{/yj ) probabilitatea
} evenimentului X = xi
condiţionată de evenimentul Y = yj .
Dacă se cunoaşte repartiţia vectorului (X, Y ), atunci
{ }
P X = xi , Y = yj pij
P (xi /yj ) = { } = , i = 1, 2, . . .
P Y = yj qj
110 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI
{ }
P X = xi , Y = yj pij
P (yj /xi ) = { } = , j = 1, 2, . . .
P X = xi pi
∑ ∑ pij qj ∑
Avem P (xi /yj ) = = = 1. Analog P (yj /xi ) = 1.
qj qj
i i j
Fie f densitatea de probabilitate a vectorului {(X, Y ).}
Funcţia de repartiţie a ∫lui X condiţionată de Y = y este F (x/y) =
{ } x
f (u,y)du
= P X < x/Y = y = −∞fY (y) . Derivând ı̂n raport cu x, obţinem
{ }
densitatea de probabilitate a lui X condiţionată de Y = y

f (x, y)
fX (x/y) =
fY (y)

∫ ∞· fY (y) şi integrând ı̂n raport cu y obţinem


Rezultă f∫(x, y) = fX (x/y)

fX (x) = −∞ f (x, y)dy = −∞ fX (x/y) · fY (y)dy analoagă formulei proba-
bilităţii totale. ∫x
Deci F (x/y) = −∞ fX (u/y)du.

8.3 Independenţa variabilelor aleatoare


{ }
{ V.a. }X şi Y se numesc independente dacă evenimentele X = xi şi
Y = yj sunt independente, adică
{ } { } { }
P X = xi , Y = yj = P X = xi · P Y = yj .

Echivalent F(X,Y ) (x, y) = FX (x) · FY (y).

Teorema 8.1. Fie X şi Y v.a. cu densităţile de probabilitate fX , respectiv


fY . Atunci X, Y sunt independente dacă şi numai dacă

f (x, y) = fX (x) · fY (y),

unde f (x, y) este densitatea de probabilitate a vectorului (X, Y ).

Fie (X, Y ) un vector aleator cu densitatea f(X,Y ) (x, y) Se dau vari-


abilele aleatoare U = φ(X, Y ), V = ψ(X, Y ). Dacă vrem să determinăm
densitatea de probabilitate a vectorului (U, V ), f(U,V ) (u, v), facem schim-
barea de variabile u = φ(x, y), v = ψ(x, y) sau x = φ1 (u, v), y = ψ1 (u, v) şi
atunci
D(x, y)

f(U,V ) (u, v) = ·f (φ1 (u, v), ψ1 (u, v)).
D(u, v) (X,Y )
Exemplul 8.4. Fie X, Y variabile aleatoare N (0, 1) independente. Calculaţi
probabilitatea
{ ca vectorul aleator
} (X, Y ) să aparţină discului
D = (x, y) ∈ IR /x + y ≤ 1 .
2 2 2
8.3. INDEPENDENŢA VARIABILELOR ALEATOARE 111

Demonstraţie. Densităţile de probabilitate ale v. a X, Y sunt:


x2 y2
fX (x) = √12π e− 2 , resp. fY (y) = √12π e− 2
Cum X şi Y sunt independente, densitatea de probabilitate a vectorului
1 − 12 (x2 +y 2 )
(X, Y ) va fi f (x, y) = fX (x) · fY (y) = 2π e
∫ ∫ − 1 (x2 +y2 )
Probabilitatea cerută este P ((X, Y ) ∈ D) = 2π 1
De
2 dxdy =
∫ ∫ ρ2
− 2
dρdθ = 1 − e− 2 ≃ 0, 3934
2π 1 1
1
= 2π 0 0 ρe

Exemplul 8.5. Fie X,Y v. a. independente şi identic repartizate


exponenţial cu parametrul λ = 1. Calculaţi densitatea vectorului (U, V ),
X
unde U = X + Y ,V = X+Y şi deduceţi că v. a. V e repartizată uniform ı̂n
(0, 1).
x
Demonstraţie. Facem shimbările de variabile u = x + y, v = x+y =⇒
=⇒ x = uv, y = u − uv
v u
D(x,y)
Avem J = D(u,v) = = −u
1 − v −u
Cum X, Y sunt independente şi identic repartizate exponenţial cu parametrul
λ = 1, densitatea de probabilitate a vectorului (X, Y ) va fi
{ −x −y
e · e , x, y ≥ 0
f (x, y) =
0, ı̂n rest

Deci f(U,V ) (u, v) = |J| · e−(uv+u−uv) = u · e−u , u ≥ 0, 0 ≤ v ≤ 1 (deoarece


x ≥ 0 =⇒ uv ≥ 0, y ≥ 0 =⇒ u − uv ≥ 0 =⇒ u ≥ uv ≥ 0; pe de altă parte,
cum x, y ≥ 0 =⇒ 0 ≤ x+y x
≤ 1 =⇒ 0 ≤ v ≤ 1)
∫∞ ∫ ∞ −u
fV (v) = 0 u · e du = −u · e−u /∞
−u
0 + 0 e du = −e−u /∞ 0
0 =e =
= 1 =⇒ V ∼ U (0, 1)

Exemplul 8.6. Dacă X1 şi X2 sunt v. √a. independente, reparti-


zate
√ uniform U (0, 1), să se arate că U = −2 ln X1 cos 2πX2 şi V =
−2 ln X1 sin 2πX2 sunt independente şi repartizate N (0, 1).
√ √
Demonstraţie. Facem schimbarea u = −2 ln x1 cos 2πx2 , v = −2 ln x1 sin 2πx2
Avem u2 + v 2 = −2 ln x1 cos2 2πx2 − 2 ln x1 sin2 2πx2 = −2 ln x1 =⇒
u2 +v 2
x1 = e− 2
√ arccos √ 2u 2
u= u2 + v 2 cos 2πx2 =⇒ x2 = 2πu +v
u2 +v 2 u2 +v 2
D(x1 ,x2 ) −ue− 2 −ve− 2 2
1 − u +v
2
= = − 2π e 2
D(u,v) − 2π(u2 +v2 )
v u
2π(u2 +v 2 )

Cum X1 şi X2 sunt v. a. repartizate uniform U (0, 1) avem
{
1, x1 ∈ (0, 1)
fX1 (x1 ) =
0, ı̂n rest
şi {
1, x2 ∈ (0, 1)
fX2 (x2 ) =
0, ı̂n rest
112 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

Deoarece X1 şi X2 sunt v. a. independente avem


{
1, (x1 , x2 ) ∈ (0, 1) × (0, 1)
f(X1 ,X2 ) (x1 , x2 ) =
0, ı̂n rest

u2 +v 2
1 − 2
Obţinem f(U,V ) (u, v) = 2π e .
∫ ∞ 1 − u2 +v2 1 − u2
2 ∫
∞ −v
2
1 − u2
2
Atunci fU (u) = −∞ 2π e 2 dv = 2π e −∞ e
2 dv =
2π e ·
∫ ∞ − v2 u2 √ u2
1 − 2
2 0 e 2 dv = 2π e 2π = √12π e− 2 (cu ajutorul funcţiei Γ a lui Euler)
v2
Analog fV (v) = √12π e− 2 .
Aşadar, U şi V sunt repartizate normal standard.
u2 +v 2 2 2
1 − 2 √1 e− 2
u
√1 e− 2
v
Cum f(U,V ) (u, v) = 2π e = 2π
· 2π
= fU (u) · fV (v),
deci U şi V sunt independente.

8.4 Caracteristici numerice ale variabilelor aleatoare


8.4.1 Valoarea medie (sau speranţa matematică )
Comportarea unei v.a. este descrisă de repartiţia sa. De multe ori
repartiţia v.a. nu este cunoscută . Insă ı̂n numeroase aplicaţii prac-
tice ale teoriei probabilităţilor nu este necesară o caracterizare completă
a v.a. De exemplu, pentru determinarea numărului de maşini necesare
pentru obţinerea unui produs ı̂ntr-o cantitate determinată este suficient să
cunoaştem numai produsul mediu realizat de fiecare maşină (ı̂ntr-o perioadă
dată de timp). Aşadar, ı̂n aceste cazuri, pentru caracterizarea v.a. este su-
ficient să ne folosim de anumite mărimi numite caracteristici numerice
asociate v.a.
Intrucât probabilitatea unui eveniment este bine aproximată de frecvenţa
de apariţie a evenimentuli ı̂ntr-o lungă serie de experienţe, valoarea medie
constituie o bună evaluare a câştigurilor sau pierderilor medii pe care le
putem avea ı̂ntr-o( serie lungă de experienţe.
)
x1 x2 . . . x n
Fie v.a. X : .
p1 p2 . . . pn
Presupunem că s-au făcut m experimente independente
∑ şi notăm cu mi
numărul de apariţii ale valorilor xi (i = 1, n, mi = m). Atunci suma
i
tuturor valorilor luate de X este x1 m1 + x2 m2 + . . . + xn mn . Impărţind
suma obţinută la numărul total de experimente obţinem media aritmetică
x a valorilor luate de X :

x1 m1 + x2 m2 + . . . + xn mn ∑ mi
n
x= = xi
m m
i=1

mi
{ }
m ,i = 1, n sunt frecvenţele relative ale evenimentelor X = xi , i = 1, n
8.4. CARACTERISTICI NUMERICE 113

mi
Dacă numărul m al evenimentelor este mare, frecvenţele relative m ,i =
1, n sunt aproximativ egale cu probabilităţile pi . Deci


n
E(X) = (sau M (X)) = x1 p1 + x2 p2 + . . . + xn pn = xi pi
i=1

Exemplul 8.7. Dacă X este v.a. binomială , atunci E(X) = np.


n ∑
n
Demonstraţie. E(X) = kCnk pk q n−k = kCnk pk q n−k
k=0 k=1
n(n−1)...(n−k+1) k−1
kCnk
=k k! = nCn−1
∑n
k−1 k−1 n−k
E(X) = np Cn−1 p q = np(p + q)n−1 = np
k=1

Exemplul 8.8. Dacă X este repartizată Poisson de parametru λ, atunci


E(X) = λ.

∑ ∞

λk λk−1
Demonstraţie. E(X) = k e−λ = λe−λ = λe−λ eλ = λ
k! (k − 1)!
k=0 k=1

Dacă X este o v.a. continuă cu densitatea f , atunci


∫ ∞
E(X) = xf (x)dx
−∞

Exemplul 8.9. Dacă X ∼ Exp(λ), atunci E(X) = λ1 .


∫∞ ( −λx ∫ )
1 ∞ −λx
Demonstraţie. E(X) = 0 xλe−λx dx = λ xe−λ |∞
0 + λ 0 e dx =
∫ ∞ −λx −λx
0 e dx = e−λ |∞ 1
0 = λ

Interpretare geometrică . Aria cuprinsă ı̂ntre graficul funcţiei de


repartiţie FX , dreapta FX (x) = 1 şi axele de coordonate este egală cu
valoarea medie a v.a. X.
Fie X o v.a. şi φ(X) o funcţie de v.a., adică o v.a. Atunci

E(φ(X)) = φ(xi )pi ,
i∈I
( )
xi
unde X este o v.a discretă X : ,i ∈ I
pi
∫ ∞
E(φ(X)) = φ(x)f (x)dx,
−∞

unde f este densitatea de probabilitate a v.a. X


114 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

Dacă (X, Y ) este un vector aleator şi Z = φ(X, Y ), atunci


∑∑
E(φ(X, Y )) = φ(xi , yj )pij ,
i j

unde pij = P (X = xi , Y = yj )
∫ ∞ ∫ ∞
E(φ(X, Y )) = φ(x, y)f (x, y)dxdy,
−∞ −∞

unde f este densitatea vectorului (X, Y )


Proprietăţile valorii medii

1. E(c) = c, c constantă

( )
c
Demonstraţie. X :
1
E(X) = c · 1 = c

2. E(αX) = αE(X), α ∈ IR

Demonstraţie.
∑ Dacă X ∑ este discretă , atunci
E(αX) = αxi pi = α xi pi = αE(X)
i i
Dacă X este
∫ ∞continuă cu densitatea
∫∞ de probabilitate f , atunci
E(αX) = −∞ αxf (x)dx = α −∞ xf (x)dx = αE(X)

3. Dacă (X, Y ) este un vector aleator, atunci E(X +Y ) = E(X)+E(Y ).

Demonstraţie. Dacă (X, Y ) este un vector aleator discret şi φ(X, Y ) =


X + Y , atunci
∑∑ ∑∑ ∑∑ ∑ ∑
E(X+Y ) = (xi +yj )pij = xi pij + yj pij = xi pij +
∑ ∑ i ∑ j
∑ i j i j i j
+ yj pij = x i pi + yj qj = E(X) + E(Y )
j i i j

Dacă (X, Y ) este un vector aleator continuu cu densitatea f (x, y),


atunci ∫∞ ∫∞ ∫ ∞ (∫ ∞ )
E(X+Y ) = −∞ −∞ (x+y)f (x, y)dxdy = −∞ x −∞ f (x, y)dy dx+
∫ ∞ (∫ ∞ ) ∫∞ ∫∞
+ −∞ y −∞ f (x, y)dx dy = −∞ xfX (x)dx+ −∞ yfY (y)dy = E(X)+
+E(Y )

4. Dacă X şi Y sunt v.a. independente, atunci E(XY ) = E(X)E(Y ).


8.4. CARACTERISTICI NUMERICE 115

Demonstraţie. Dacă (X, Y ) este un vector aleator discret, φ(X, Y ) =


= XY şi X∑ şi ∑
Y sunt v.a. independente,
∑∑ adică
∑pij =∑ pi qj , atunci
E(XY ) = xi yj pij = xi yj pi qj = xi pi yj qj = E(X)E(Y )
i j i j i j

Dacă (X, Y ) este un vector aleator continuu cu densitatea f (x, y) şi


X şi Y sunt
∫ ∞v.a.∫ ∞
independente, adică∫f (x,∫y) = fX (x)fY (y), atunci
∞ ∞
E(XY ) = −∞ −∞ xyf (x, y)dxdy = −∞ −∞ xyfX (x)fY (y)dxdy =
∫∞ ∫∞
= −∞ xfX (x)dx · −∞ yfY (y)dy = E(X)E(Y )

Valori medii condiţionate


Dacă X, Y sunt v.a. discrete, atunci

E(X/Y = yj ) = xi P (xi /yj )
i

E(Y /X = xi ) = yj P (yj /xi )
j

Dacă X, Y sunt v.a. continue, atunci


∫ ∞
E(X/Y = y) = xfX (x/y)dx
−∞
∫ ∞
E(Y /X = x) = yfY (y/x)dy
−∞

E(Y /X = x) = ϕ(x) se numeşte funcţia de regresie a lui Y asupra


lui X
E(X/Y = y) = ξ(y) se numeşte funcţia de regresie a lui X asupra
lui Y
Liniile definite de aceste funcţii se numesc curbe de regresie.

8.4.2 Dispersia (sau variaţia)


Informaţia dată de valoarea medie despre v.a. este insuficientă . Val-
oarea medie nu dă nicio informaţie despre ı̂mprăştierea valorilor v.a. Val-
orile posibile ale v.a. sunt diferit ı̂mprăştiate ı̂n jurul valorilor medii. O
primă diferenţiere se poate face luând ı̂n considerare diferenţa dintre valo-
rile extreme.
Diferenţa dintre cea mai mare şi cea mai mică valoare posibilă a v.a. se
numeşte amplitudine.
Dar nici amplitudinea nu este suficientă pentru caracterizarea ı̂mprăştierii
v.a. nedând nicio informaţie asupra celorlalte valori posibile şi nici asupra
distribuirii probabilităţii ı̂ntre acestea.
V.a. X − E(X) se numeşte abaterea lui X de la valoarea medie.
Nici valoarea medie a abaterii de la medie nu poate caracteriza această
ı̂mprăştiere, deoarece ea este nulă pentru orice v.a. (E(X − E(X)) =
116 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

E(X)−
−E(X) = 0)
Uneori, gradul de ı̂mprăştiere a valorilor unei v.a. ı̂n jurul mediei se
măsoară prin valoarea medie a modulului abaterii, E(|X − E(X)|), dar ea
este incomodă ı̂n calcule.
Pentru a măsura gradul de ı̂mprăştiere este mai comod folosirea unei
alte măsuri, dispersia D2 (X).
Dispersia D2 (X) sau varianţa Var(X) unei v.a. se numeşte valoarea
medie a pătratului abaterii X − E(X), i.e.

D2 (X) = E((X − E(X))2 )

Deci dispersia dă o măsură pentru ı̂mprăştierea valorilor variabilei X ı̂n


jurul valorii medii.
Interpretare: Dacă valoarea medie a unei v.a. este interpretată ca
centrul maselor pi concentrate ı̂n punctele de abscise xi , dispersia poate fi
interpretată ca momentul de inerţie al repartiţiei probabilităţii ı̂n raport cu
centrul său de masă .

Teorema 8.2. Fie X o v.a. Atunci D2 (X) = E(X 2 ) − (E(X))2 .

Demonstraţie. D2 (X) = E((X − E(X))2 ) = E(X 2 − 2XE(X) + E 2 (X)) =


= E(X 2 ) − 2E(X)E(X) + E 2 (X) = E(X 2 ) − 2E 2 (X) + E 2 (X) = E(X 2 )−
−E 2 (X)

Uneori gradul de ı̂mprăştiere a valorilor unei v.a. X se exprimă nu prin


dispersie,
√ ci prin abaterea medie pătratică (sau deviaţia standard)
σ = D2 (X).
Proprietăţile dispersiei

1. D2 (c) = 0, unde c ∈ IR

Demonstraţie. D2 (c) = E((c − E(c))2 ) = E((c − c)2 ) = E(0) = 0

2. D2 (αX) = α2 D2 (X), α ∈ IR

Demonstraţie. D2 (αX) = E((αX−E(αX))2 ) = E((αX−αE(X))2 ) =


= E(α2 (X − E(X))2 ) = α2 E((X − E(X))2 ) = α2 D2 (X)

3. Dacă X şi Y sunt v.a. independente, atunci

D2 (X + Y ) = D2 (X) + D2 (Y ).

Demonstraţie. D2 (X + Y ) = E((X + Y )2 ) − E 2 (X + Y ) =
= E(X 2 + 2XY + Y 2 ) − (E(X) + E(Y ))2 = E(X 2 ) + 2E(X)E(Y )+
+E(Y 2 ) − E 2 (X) − 2E(X)E(Y ) − E 2 (Y ) = D2 (X) + D2 (Y )
8.4. CARACTERISTICI NUMERICE 117

Exemplul 8.10. Fie X o variabilă repartizată Poisson de parametru λ.


Atunci D2 (X) = λ.

∑∞ ∑∞
λk λk−1
Demonstraţie. E(X 2 ) = k 2 e−λ = λe−λ (k − 1 + 1) =
k! (k − 1)!
k=0 k=1

∑ k−2 ∞
∑ k−1
λ λ
= λ2 e−λ + λe−λ = λ2 e−λ eλ + λe−λ eλ = λ2 + λ
(k − 2)! (k − 1)!
k=2 k=1
D2 (X) = E(X 2 ) − (E(X))2 = λ2 + λ − λ2 = λ

Exemplul 8.11. Fie X ∼ N (m, σ). Atunci D2 (X) = σ 2 .

∫∞ ∫∞ 2 √1 −
(x−m)2
Demonstraţie. D2 (X) = 2
−∞ (x−E(X)) f (x)dx = −∞ (x−m) σ 2π e
2σ 2 dx
∫ ∞
2
şi obţinem D2 (X) = √σ2π −∞ t2 e− 2 dt =
2 t
x−m
Facem schimbarea de variabilă t = σ
2σ 2
∫ ∞ 2 − t2
=√ 2π 0
t e 2 dt.
∫∞
2pe−p √12p dp =
2 2σ 2
Cu schimbarea p = t2 obţinem D2 (X) = √ 2π 0
2 ∫∞ 1 ( ) ( ) √
p 2 e−p dp = 2σ
2 2 2
= 2σ
√ √ Γ 3 = 2σ√ · 1 Γ 1 = 2σ √ · 1 π = σ2
π 0 π 2 π 2 2 π 2

8.4.3 Momente
Momentul generalizează noţiunea de medie şi dispersie.
Momentul iniţial de ordinul k al v.a. X se numeşte media v.a. X k
:
mk = E(X k )

Dacă X este discretă , atunci mk = xki pi .
i
Dacă X este continuă cu densitatea de probabilitate f (x), atunci
∫ ∞
mk = xk f (x)dx
−∞

Atunci m1 = E(X), m2 = E(X 2 ).


Momentul absolut de ordinul k al v.a. X se numeşte media v.a.
|X| :
k

m′k = E(|X|k )
Momentul centrat de ordinul k al v.a. X se numeşte media v.a.
(X − E(X))k :
µk = E((X − E(X))k )
Atunci µ1 = E(X − E(X)) = 0, µ2 = E((X − E(X))2 ) = D2 (X).
Se numeşte moment centrat absolut de ordinul k al v.a. X numărul
E(|X − E(X)|k ).
118 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

8.4.4 Covarianţa şi coeficientul de corelaţie


Covarianţa şi coeficientul de corelaţie sunt doi indicatori numerici care
pot fi consideraţi drept măsuri ale gradului de dependenţă a două v.a.
Covarianţa se notează cu cov(X, Y ) şi se defineşte ca fiind media pro-
dusului abaterilor :
cov(X, Y ) = E((X − E(X))(Y − E(Y )))
Observaţia 8.1. 1. cov(X, X) = E((X − E(X))(X − E(X))) =
= E((X − E(X))2 ) = D2 (X)
2. cov(aX, bY ) = abcov(X, Y ), , a, b ∈ IR
Teorema 8.3. Fie X, Y două v.a. Atunci cov(X, Y ) = E(XY )−E(X)E(Y ).
Demonstraţie. cov(X, Y ) = E((X − E(X))(Y − E(Y ))) =
= E(XY − E(X)Y − XE(Y ) + E(X)E(Y )) = E(XY ) − 2E(X)E(Y )+
+E(X)E(Y ) = E(XY ) − E(X)E(Y )

Teorema 8.4. Fie X, Y două v.a. independente. Atunci cov(X, Y ) = 0.


Demonstraţie. Cum X, Y sunt independente, atunci E(XY ) = E(X)E(Y ),
deci cov(X, Y ) = 0.

Observaţia 8.2. Dacă cov(X, Y ) ̸= 0, atunci X, Y sunt v.a. dependente.


Covarianţa depinde de unităţile ı̂n care se măsoară v.a. X şi Y . Pentru
a ı̂nlătura acest neajuns, se consideră coeficientul de corelaţie, ce nu depinde
de unităţile ı̂n care se măsoară X şi Y .
Se numeşte coeficient de corelaţie al v.a. X şi Y ,
cov(X, Y )
ρ(X, Y ) = √
D2 (X)D2 (Y )
Dacă X, Y sunt v.a. independente, atunci ρ(X, Y ) = 0.
Dacă cov(X, Y ) = 0 sau ρ(X, Y ) = 0, atunci X, Y se numesc necore-
late.
Observaţia 8.3. Teorema 8.4 arată că independenţa implică necorelare,
dar necorelarea nu implică independenţă .
Exemplul 8.12. Fie X ∼ U [−1, 1] şi Y = X 2 . Arătaţi că v.a. X şi Y
sunt necorelate.

Demonstraţie. Evident variabilele X şi Y nu sunt independente.


Cum X ∼ U [−1, 1], atunci densitatea de probabilitate este
{ 1
fX (x) = 2 , x ∈ [−1, 1]
0, ı̂n rest
∫1 ∫1
E(X) = −1 x · 12 dx = 0, E(X 2 ) = −1 x2 · 12 dx = 13
∫1 ( )
cov(X, Y ) = E((X − E(X))(X 2 − E(X 2 ))) = −1 x x − 13 · 12 dx = 0,
deci X şi Y sunt necorelate
8.4. CARACTERISTICI NUMERICE 119

Teorema 8.5. Fie v.a. X şi Y ce admit dispersii finite. Atunci

D2 (X + Y ) = D2 (X) + D2 (Y ) + 2cov(X, Y )

Demonstraţie. D2 (X + Y ) = E((X + Y − E(X + Y ))2 ) =


E((X + Y − E(X) − E(Y ))2 ) =
E((X − E(X))2 + (Y − E(Y ))2 + 2(X − E(X))(Y − E(Y ))) =
E((X − E(X))2 ) + E((Y − E(Y ))2 ) + 2E((X − E(X))(Y − E(Y ))) =
D2 (X) + D2 (Y ) + 2cov(X, Y )

Teorema 8.6. Fie v.a. X şi Y . Atunci −1 ≤ ρ(X, Y ) ≤ 1.


Demonstraţie. Fie σX 2 şi σ 2 dispersiile lui X şi Y şi fie W = X − aY ,
Y
a ∈ IR.
D2 (W ) = E(W 2 ) − E 2 (W ) = E((X − aY )2 ) − E 2 (X − aY ) =
E(X 2 − 2aXY + a2 Y 2 ) − (E 2 (X) − 2aE(X)E(Y ) + a2 E 2 (Y )) =
E(X 2 ) − 2aE(XY ) + a2 E(Y 2 ) − E 2 (X) + 2aE(X)E(Y ) − a2 E 2 (Y ) =
E(X 2 ) − E 2 (X) + a2 (E(Y 2 ) − E 2 (Y )) − 2a(E(XY ) − E(X)E(Y )) =
D2 (X) + a2 D2 (Y ) − 2acov(X, Y )
Cum D2 (W ) ≥ 0, ∀a, rezultă 2acov(X, Y ) ≤ D2 (X) + a2 D2 (Y ).
Alegând a = σσX
Y
, obţinem cov(X, Y ) ≤ σX σY , deci ρ(X, Y ) ≤ 1.
Alegând a = − σY , obţinem cov(X, Y ) ≥ −σX σY , deci ρ(X, Y ) ≥ −1.
σX

Teorema 8.7. Fie X1 , X2 , . . . , Xn v.a. Atunci



n ∑
n ∑
D 2 ( Xi ) = D2 (Xi ) + 2 cov(Xi , Xj ).
i=1 i=1 i<j

Exemplul 8.13. Doi parteneri cu forţă egală boxează 12 runde (proba-


bilitatea ca oricare din ei să câştige o rundă este 12 ). Să se calculeze valoarea
medie, dispersia şi abaterea medie pătratică a v. a. care reprezintă numărul
de runde câştigate de unul din parteneri.
( ) ( )
k 1 k 1 12−k ,
Demonstraţie. V. a. X are repartiţia binomială P (X = k) = C12 2 2
k = 0, 12
Atunci E(X) = np = 12 · 12 = 6, D2 (X) = npq = 12 · 12 · 12 = 3, D(X) =
√ √
= D2 (X) = 3

Exemplul 8.14. O firmă se aprovizionează de la 3 furnizori. Din datele


statistice privind furnizorii, firma estimează că probabilitatea cu care furni-
zorii nu pot onora contractul sunt p1 = 0, 1, p2 = 0, 3, p3 = 0, 2. Fie X vari-
abila aleatoare ce indică numărul furnizorilor ce nu-şi pot onora contractul
. Să se afle:
a) repartiţia v.a. X;
b) E(X), D(X);
c) să se determine riscul pe care şi-l asumă firma.
120 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

Demonstraţie. a) Situaţia dată se poate modela probabilistic cu schema lui


Poisson cu 3 urne, ı̂n care p1 = 0, 1, q1 = 0, 9, p2 = 0, 3, q2 = 0, 7, p3 = 0, 2,
q3 = 0, 8 şi se obţine polinomul de gradul 3 :
P3 (t) = (p1 t + q1 )(p2 t + q2 )(p3 t + q3 ) = 0, 006t3 + 0, 092t2 + 0, 398t + 0, 504
X ia valorile 0,1,2,3 cu probabilităţile 0,504; 0,398; 0,092; 0,006.
b) E(X) = 0 · 0, 504 + 1 · 0, 398 + 2 · 0, 092 + 3 · 0, 006 = 0, 6
E(X 2 ) = 02 · 0, 504 + 12 · 0, 398 + 22 · 0, 092 + 32 · 0, 006 = 0, 82
D2 (X) = 0, 82 − 0, 62 = 0, 46
c) Riscul pe care şi-l asumă firma este dat de următoarea probabilitate
P (X ≥ 1) = P (X = 1) + P (X = 2) + P (X = 3) = 0, 496

Exemplul 8.15. Se fac experimente asupra alegerii filamentului unui


girofar până când acesta este aprins. La fiecare experiment probabilitatea
de succes este 15 . Se cer media şi dispersia numărului de experimente.

Demonstraţie.
( Fie X v. a. ce reprezintă numărul ) de experimente. Atunci
1 2 3 ... k ...
X ∼ 1 4 1 ( 4 )2 1 ( )k−1 1
5 5 · 5 5 · 5 . . . 45 · 5 ...
∑∞ ( ) ∞ ( )k−1
4 k−1
1 1∑ 4 1
E(X) = k· · = k· = · 25 = 5
5 5 5 5 5
k=1 k=1
∑n
1 − qn
Am calculat astfel : fie q = 54 < 1. Stim qk = q · =⇒
1−q
k=1
∑ ( )
1 − q n ′ 1 − (n + 1)q n + nq n+1
n
=⇒ kq k−1
= q· = =⇒
1−q (1 − q)2
k=1
∑∞ ∑n
1
=⇒ kq k−1 = lim kq k−1 = = 25
n→∞ (1 − q)2
k=1 k=1
∑ ( )k−1 ( )k−1
1∑ 2
n n
4 1 4
E(X 2 ) = k2 · · = k ·
5 5 5 5
k=1 k=1
∑n
1 − (n + 1)q n + nq n+1
kq k−1 = / · q =⇒
(1 − q)2
k=1
∑n
q − (n + 1)q n+1 + nq n+2
=⇒ kq k = =⇒
(1 − q)2
k=1
∑n ( )′
2 k−1 q − (n + 1)q n+1 + nq n+2
=⇒ k q = =
(1 − q)2
k=1
1+q−(n+1)2 q n +q n+1 (2n2 +2n−1)+q n+2 (n2 +4n+1)
= (1−q)3
=⇒
∑∞ ∑n
1+q
=⇒ k 2 q k−1 = lim k 2 q k−1 = =9· 25
n→∞ (1 − q)3
k=1 k=1
Deci E(X 2 ) = 51 · 9 · 25 = 45
D2 (X) = E(X 2 ) − [E(X)]2 = 45 − 25 = 20
8.4. CARACTERISTICI NUMERICE 121

Exemplul 8.16. Jucătorul A plăteşte 1 dolar pentru fiecare participare


la jocul următor: sunt aruncate 3 zaruri; dacă apare o singură dată faţa 1
atunci el primeşte 1 dolar; dacă apare de două ori primeşte 2 dolari; dacă
apare pe toate zarurile primeşte 8 dolari; ı̂n alte cazuri nu primeşte nimic.
a) Jocul este corect? (adică valoarea medie a câştigului e nulă ?)
b) Dacă jocul nu este corect, cât ar trebui să primească jucătorul atunci
când apare 1 pe toate zarurile, pentru ca jocul să devină corect?

Demonstraţie. a) Fie X câştigul total; este o v. a. ce ia valorile −1, 0, 1, 7.


( )3 125 ( )2
Atunci P (X = −1) = 56 = 216 , P (X = 0) = C31 · 16 · 56 = 216
75
,
( )
1 2
( ) ( )
1 3
P (X = 1) = C3 · 6 · 6 = 216 , P (X = 7) = 6 = 216
2 5 15 1

Deci E(X) = − 103 216 , ceea ce ı̂nseamnă că jocul nu este corect.
b) Dacă a este câştigul când apare 1 de 3 ori, atunci E(X) = a−111 216 ,
astfel că valoarea cerută este a = 111
x2
Exemplul 8.17. Se dă funcţia f (x) = ke− 2 xn−1 , 0 ≤ x ≤ ∞. Se cer:
a) Să se determine constanta k astfel ı̂ncât f (x) să fie o densitate de
repartiţie;
√ Γ( n+1 )
b) Să se arate că E(X) = 2 Γ n2 şi E(X 2 ) = n.
(2)
∫ ∞ x2
Demonstraţie. a) 1 = k 0 e− 2 xn−1 dx
2
Făcând schimbarea de variabilă u = x2 , obţinem
∫ ∞ n−2 ( )
1 = 2 2 −1 k 0 u 2 e−u du = k · 2 2 −1 Γ n2 =⇒ k = n −11
n n

22 Γ( n
2)
∫∞ − x2
2 n 1
2 2 −2
∫∞ √ Γ( n+1 )
e−u u 2 − 2 du =
n 1
1
b) E(X) = n xn e dx = n −1 2 Γ n2
2 2 −1 Γ n
( ) 02
22 Γ n ( )
2
0 (2)
∫∞ x2 n ∫∞
E(X 2 ) = n −11 n 0 xn+1 e− 2 dx =
n
n
22
e−u u 2 du =
2 2 −1 Γ n 0
( 2 ) Γ( 2 ) ( ) ( )
2
2
= Γ 2n Γ n2 + 1 = Γ 2n · n2 · Γ n2 = n
(2) (2)
Exemplul 8.18. Fie X o v.a. repartizată exponenţial de parametru
λ = 12 . Să se afle P (1 < X < 3) şi E(X n ).

Demonstraţie. Cum X ∼ Exp(λ = 12 ), densitatea de probabilitate


{ 1 − x2
fX (x) = 2e , x>0
0, ı̂n rest
∫3
Atunci P (1 < X < 3) = 1 21 e− 2 dx = −e− 2 |31 = e− 2 − e− 2
x x 1 3

∫∞ ∫∞
E(X n ) = 0 xn 12 e− 2 dx = 0 2n tn e−t dt = 2n Γ(n + 1) = 2n n!
x

Exemplul 8.19. Fie X o variabilă aleatoare a cărei densitate de repartiţie


este { ( )
c ln xa , 0 ≤ x < a
fX (x) =
0, ı̂n rest
122 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

Să se determine constanta c şi să se calculeze valoarea medie, momentul de


ordinul doi şi dispersia variabilei X.
∫a ( ) ( ∫a )
Demonstraţie. Din condiţia 0 c ln xa dx = 1 =⇒ c x ln xa |a0 + 0 dx =
ca =⇒ c = a1 ( 2 ( ) )
∫a ( ) ∫a
E(X) = a1 0 x ln xa dx = a1 x2 ln xa |a0 + 0 x2 dx = a4
∫a ( ) ( 3 ( ) ∫a 2 ) 2
E(X 2 ) = a1 0 x2 ln xa dx = a1 x3 ln xa |a0 + 0 x3 dx = a9
7a2
D2 (X) = E(X 2 ) − (E(X))2 = 144

Exemplul 8.20. Calitatea unui produs electronic este rezultanta acţiunii


a 2 grupuri de factori U şi V ale căror modele probabilistice sunt U =
2X +3Y şi V = 4X −Y , unde X şi Y sunt variabile aleatoare independente,
X ∼ N (3, 2) şi Y ∼ Bi(10; 0, 9). Să se afle:
a) D2 (U ), D2 (V );
b) ρ(U, V );
c)P (7 ≤ X ≤ 13).

Demonstraţie. a) D2 (U ) = D2 (2X + 3Y ) = 4D2 (X) + 9D2 (Y ) = 4 · 22 + 9·


·0, 9 = 24, 1, unde D2 (X) = 22 = 4, D2 (Y ) = npq = 10 · 0, 9 · 0, 1 = 0, 9
D2 (V ) = D2 (4X − Y ) = 42 D2 (X) + (−1)2 D2 (Y ) = 16 · 4 + 0, 9 = 64, 9
b) E(U ) = E(2X + 3Y ) = 2E(X) + 3E(Y ) = 2 · 3 + 3 · 10 · 0, 9 = 33
E(V ) = E(4X − Y ) = 4E(X) − E(Y ) = 4 · 3 − 10 · 0, 9 = 3
U V = (2X + 3Y )(4X − Y ) = 8X 2 + 10XY − 3Y 2 =⇒ E(U V ) =
= 8E(X 2 ) + 10E(XY ) − 3E(Y 2 ) = 8E(X 2 ) + 10E(X)E(Y ) − 3E(Y 2 ) =
= 128, 3, deoarece X, Y sunt independente şi E(X 2 ) = D2 (X)+
+[E(X)]2 = 4 + 32 = 13, E(Y 2 ) = D2 (Y ) + [E(Y )]2 = 0, 9 + (10 · 0, 9)2 =
= 81, 9
√ V 2)−E(U )E(V
Atunci ρ(U, V ) = E(U )
= 128,3−33·3
√ = 0, 741
D (X)·D2 (Y ) 24,1·64,9
( 13−3 ) ( 7−3 )
c) P (7 ≤ X ≤ 13) = Φ 2 − Φ 2 = Φ(5) − Φ(2) ≃ 0, 0227

Exemplul 8.21. Fie X şi Y variabile aleatoare pentru care E(X) =


−2, E(Y ) = 4, D2 (X) = 4, D2 (Y ) = 9, iar coeficientul de corelaţie ρ(X, Y ) =
−0, 5. Să se calculeze valoarea medie a variabilei Z = 3X 2 − 2XY + Y 2 − 3.

Demonstraţie. E(Z) = 3E(X 2 ) − 2E(XY ) + E(Y 2 ) − 3


Cum D2 (X) = E(X 2 ) − [E(X)]2 =⇒ E(X 2 ) = D2 (X) + [E(X)]2 =
= 4 + (−2)2 = 8 şi E(Y 2 ) = D2 (Y ) + [E(Y )]2 = 9 + 42 = 25
cov(X, Y ) = E(XY ) − E(X)E(Y√ ) =⇒ E(XY ) = E(X)E(Y )+
+cov(X, Y√) = E(X)E(Y ) + ρ(X, Y ) D2 (X)D2 (Y ) = (−2) · 4+
+(−0, 5) · 4 · 9 = −11
Deci E(Z) = 3 · 8 − 2 · (−11) + 25 − 3 = 68

Exemplul 8.22. Intr-o bibliotecă sunt n cărţi numerotate de la 1 la


n. Se scot la ı̂ntâmplare cărţile din bibliotecă . Avem o ”ı̂ntâlnire” dacă
8.4. CARACTERISTICI NUMERICE 123

numărul de pe carte coincide cu numărul extragerii. Să se calculeze media


şi dispersia numărului total de ı̂ntâlniri.

Demonstraţie. La fiecare carte vom asocia o v. a. Xi , i = 1, n definită


astfel: dacă la extragerea i cartea scoasă poartă numărul i, atunci Xi = 1,
ı̂n celelalte cazuri Xi = 0. Probabilitatea ca la extragerea i să obţinem
cartea cu numărul i este P (Xi = 1) = n1 , deoarece există o carte favorabilă
printre cele n.
Deoarece fiecare variabilă Xi poate să ia numai valorile 1 sau 0 =⇒
=⇒ P (Xi = 0) = 1 − P (Xi =(1) = 1)− n1 .
Avem E(Xi ) = 1 · n1 +( 0 · 1 )− n1 = n1
E(Xi2 ) = 12 · n1 + 02 · 1 − n1 = n1
D2 (Xi ) = E(Xi2 ) − [E(Xi )]2 = n1 − n12 = n−1
n2
∑ n
Numărul total de ı̂ntâlniri este dat de Y = Xi
i=1
∑n ∑n ∑n
1 1
E(Y ) = E( Xi ) = E(Xi ) = =n· =1
n n
i=1 i=1 i=1
∑n ∑n ∑
D2 (Y ) = D2 ( Xi ) = D2 (Xi ) + 2 cov(Xi , Xj ), dar
i=1 i=1 1≤i<j≤n
cov(Xi , Xj ) = E(Xi Xj ) − E(Xi )E(Xj )
Cum valorile posibile ale lui Xi Xj sunt 0 şi 1 =⇒ E(Xi Xj ) = 1·
·P (Xi Xj = 1) + 0 · P (Xi Xj = 0) = (n−2)!
n!
1
= n(n−1) , deoarece Xi Xj =
= 1 ⇐⇒ cărţile cu numerele i şi j au fost extrase la rândul lor şi sunt
(n − 2)! permutări de cele n − 2 cărţi corespunzătoare acestui eveniment.
Dacă i ̸= j, cov(Xi , Xj ) = n(n−1)
1
− n1 · n1 = n2 (n−1)
1

Deci D2 (Y ) = nD2 (Xi ) + n(n − 1)cov(Xi , Xj ) = 1


( )
−1 1
Exemplul 8.23. Fie X, Y v. a. discrete cu repartiţiile X ∼ 1 1 ,
( ) 2 2
−1 2
Y ∼ 2 1 . Dacă P (X = −1, Y = −1) = λ, λ ∈ IR, să se calculeze:
3 3
a) repartiţia vectorului (X, Y );
b) coeficientul de corelaţie ρ(X, Y ) ı̂n funcţie de λ;
c) valoarea lui λ pentru care X şi Y sunt necorelate; ı̂n acest caz să se
cerceteze şi independenţa v. a. X şi Y .

Demonstraţie. a) P (X = −1, Y = −1) = λ; P (X = −1, Y = 2) = 12 −


−λ; P (X = 1, Y = −1) = 23 − λ; P (X = 1, Y = 2) = λ − 61
√ 2)−E(X)E(Y
b) ρ(X, Y ) = E(XY )
D (X)D2 (Y )
( )
−2 −1 1 2
XY ∼ 1
2 −λ 3 −λ λ λ− 6
2 1

Calculăm E(XY ) = 6λ − 2, E(X) = 0, E(Y ) = 0, D2 (X) = 1, D2 (Y ) =


= 2 şi avem ρ(X, Y ) = 6λ−2

2
124 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

c) ρ(X, Y ) = 0 =⇒ λ = 31 =⇒ X, Y sunt necorelate


Pentru λ = 13 are loc pij = pi qj , i, j = 1, 2, unde pi = P (X = xi ), qj =
= P (Y = yj ), pij = P (X = xi , Y = yj ), deci X, Y sunt independente.

Exemplul 8.24. Fiind dată densitatea de probabilitate a vectorului


aleator (X, Y )
{
2xye−(x
2 +y 2 )
, x > 0, y > 0
f (x, y) =
0, ı̂n rest

să se determine E(X), E(Y ), D2 (X), D2 (Y ).

Demonstraţie. Aflăm mai ı̂ntâi densităţile de probabilitate ale componen-


telor: ∫∞ 2 ∫∞
fX (x) = 0 f (x, y)dy = 2xe−x 0 ye−y dy = xe−x (−e−y )/∞
2 2 2
0 =
−x 2
= xe , x >∫ 0

fY (y) = 0 f (x, y)dx = ye−y , y > 0
2

∫∞ ∫∞ ( ) √
Atunci E(X) = 0 xfX (x)dx = 0 x2 e−x dx = 12 Γ 32 = 4π (am
2

făcut substituţia

x2 = t şi am folosit proprietăţile funcţiei Γ). Analog
E(Y ) = 4π . ∫ ∫∞ ∫∞

E(X 2 ) = 0 x2 fX (x)dx = 0 x3 e−x dx = 12 0 te−t dt = 12 Γ(2) = 21
Aşadar, D2 (X) = 12 − 16
π
. Analog D2 (Y ) = 12 − 16π
.

Exemplul 8.25. Fie (X, Y ) un vector aleator cu densitatea


{ 1
f (x, y) = 8 (6 − x − y), (x, y) ∈ (0, 2) × (2, 4)
0, ı̂n rest

Să se afle:
a) densităţile de repartiţie condiţionate f (x/y), f (y/x);
b) E(X/Y = y), E(Y /X = x)
∫4
Demonstraţie. a) fX (x) = 2 18 (6−x−y)dy = 3−x 4 , x ∈ (0, 2) =⇒ f (y/x) =
1
f (x,y) (6−x−y) 6−x−y
= fX (x) = 8
3−x = 2(3−x) , y ∈ (2, 4)
∫2 4
f (x,y)
0 8 (6 − x − y)dx = 14 (5 − y), y ∈ (2, 4) =⇒ f (x/y) =
1
fY (y) = fY (y) =
1
(6−x−y)
= 8
1
(5−y)
= 6−x−y ∈ (0, 2)
2(5−y) , x
4 ∫2 ∫2
b) E(X/Y = y) = 0 x · f (x/y)dx = 0 x · 6−x−y 14−3y
2(5−y) dx = 3(5−y)
∫4 ∫4
E(Y /X = x) = 2 y · f (y/x)dy = 2 y · 6−x−y 26−9y
2(3−x) = 3(2−x)
{ }
Exemplul 8.26. Fie f (x, y) = 2√1xy , D = (x, y) ∈ IR2 ; 0 < x ≤ y ≤ 1
densitatea de probabilitate a vectorului aleator (X, Y ). Să se determine :
a) densităţile de probabilitate marginale;
b) densităţile de probabilitate condiţionate;
c) funcţiile de repartiţie condiţionate;
8.5. PROBLEME PROPUSE 125

d) Sunt v.a. X şi Y independente?;


e) Să se calculeze coeficientul de corelaţie al componentelor X şi Y .
∫1
Demonstraţie. a) fX (x) = x 2√1xy dy = √1x − 1, 0 < x ≤ 1
∫y
fY (y) = 0 2√1xy dx = 1, 0 < y ≤ 1
√1
b) f (x/y) = 2 xy
1 = √1
2 xy , 0 <x≤y≤1
√1
f (y/x) = 2 xy
√ −1
1 = √ 1 √ ,0
2 y(1− x)
<x≤y≤1
x
∫x ∫x √
c) FX (x/y) = 0 fX (u/y)du = √1y 0 2du √ = √x
u y
∫y ∫ y du √ √
1√ y− x
FY (y/x) = x fY (u/x)du = 1− x x 2 u = 1−√x √
( )
d) f (x, y) = 2√1xy ̸= √1x − 1 · 1 = fX (x) · fY (y), deci X şi Y nu sunt
independente ∫ ∫1 √
1
e) E(X) = 0 xfX (x)dx = 0 ( x − x)dx = 16
∫1 ∫1
E(Y ) = 0 yfY (y)dy = 0 ydy =( 12 )
∫1 ∫1
E(X 2 ) = 0 x2 fX (x)dx = 0 x2 √1x − 1 dx = 15 1
∫1 ∫1
E(Y 2 ) = 0 y 2 fY (y)dy = 0 y 2 dy = 13
( )2
D2 (X) = 15 1
− 16 = 180 7
( ) 2
D2 (Y ) = 13 − 12 = 12 1
∫∫ ∫ ∫
1 1 1√
D xy · 2 xy dxdy = 2 0 x
E(XY ) = √1 xydxdy = 19
cov(X, Y ) = E(XY ) − E(X)E(Y ) = 1
− 1
· 1
= 1
1 √ 9 6 2 36
√ 5
ρ(X, Y ) = 36
= 21
7 1
180 12
·

8.5 Probleme propuse


1. Fie {
xye−(x+y) , x ≥ 0, y ≥ 0
f (x, y) =
0, ı̂n rest
densitatea de probabilitate a vectorului (X, Y ). Să se determine
F(X,Y ) (x, y), FX (x), FY (y), fX (x), fY (y).
R: F(X,Y ) (x, y) = [1 − (1 + x)e−x ][1 − (1 + y)e−y ], x, y ≥ 0
FX (x) = 1 − (1 + x)e−x , x ≥ 0
FY (y) = 1 − (1 + y)e−y , y ≥ 0
fX (x) = xe−x , x ≥ 0
fY (y) = ye−y , y ≥ 0
2. Fie vectorul aleator (X, Y ) cu densitatea de probabilitate
{ 1
f (x, y) = 4 , 0 ≤ x ≤ 2, 0 ≤ y ≤ 2
0, ı̂n rest
126 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

Să se determine: a) P (X ≤ 1, Y ≤ 1); b) P (X + Y ≤ 1);


c) P (X + Y > 2); d) P (X < 2Y );e) P (X > 1).
R: a) P (X ≤ 1, Y ≤ 1) = 14 ; b) P (X + Y ≤ 1) = 81 ;
c) P (X + Y > 2) = 12 ; d) P (X < 2Y ) = 1; e) P (X > 1) = 1
2

3. Fie vectorul aleator (X, Y ) cu densitatea


{ −x−2y
ae , x ≥ 0, y ≥ 0
f (x, y) =
0, ı̂n rest

Să se determine ”a”, funcţia de repartiţie a vectorului √ (X, Y ) şi


funcţiile de repartiţie ale variabilelor X + Y, X
Y , X 2 , X.

R: a = 2
{
(1 − e−x )(1 − e−2y ), x ≥ 0, y ≥ 0
F (x, y) =
0, ı̂n rest

FX+Y (z) = 1 + e−2z − 2e−z ; F X (z) = z
z+2 ; FX 2 (z) = 1 − e− z;
Y
F√X (z) = 1 − e−z
2

4. Fie (X, Y ) un vector aleator cu densitatea de probabilitate


{
4xy, 0 < x < 1, 0 < y < 1
f (x, y) =
0, ı̂n rest

Se cere să se determine densităţile de probabilitate corespunzătoare


variabilelor aleatoare X 2 şi Y 2 .
R: {
1, 0 < u < 1
fX 2 (u) =
0, ı̂n rest
{
1, 0 < v < 1
fY 2 (v) =
0, ı̂n rest

5. Fie vectorul aleator (X, Y ) cu densitatea de probabilitate


{ 1
f(X,Y ) (x, y) = 20 (x + y + 2), (x, y) ∈ [0, 2] × [1, 3]
0, ı̂n rest

Să se afle:
a) densităţile de probabilitate marginale fX (x), fY (y);
b) funcţiile de repartiţie marginale;
c) densităţile de probabilitate condiţionate.
R: a) { x+4
10 , x ∈ [0, 2]
fX (x) =
0, ı̂n rest
8.5. PROBLEME PROPUSE 127
{ y+3
10 , y ∈ [1, 3]
fY (y) =
0, ı̂n rest
b) 
 0, x≤0
x2 +8x
FX (x) = 20 , x ∈ [0, 2]

1, x>2

 0, y≤1
y 2 +6y−7
FY (y) = , y ∈ [1, 3]
 20
1, y>3
c) Pentru y ∈ [1, 3],
{
x+y+2
2(y+3) , x ∈ [0, 2]
f (x/y) =
0, ı̂n rest

Pentru x ∈ [0, 2],


{
x+y+2
2(x+4) , y ∈ [1, 3]
f (y/x) =
0, ı̂n rest

6. Fie X şi Y v. a. independente urmând fiecare o lege normală de


parametrii 0 şi 1. Să se determine raza cercului cu centrul ı̂n origine
astfel ı̂ncât P ((X, Y ) ∈ D(0, R)) = 0, 95.

R: R = 2 ln 20

7. Fie X şi Y v. a. independente repartizate exponenţial cu parametrii


λ şi µ. Să se determine densitatea de probabilitate a vectorului (X, Y )
şi funcţia de repartiţie a vectorului (X, Y ).
R: {
λµe−λx−µy , x, y ≥ 0
f(X,Y ) (x, y) =
0, ı̂n rest
{
(1 − e−λx )(1 − e−µy ), x, y ≥ 0
F(X,Y ) (x, y) =
0, ı̂n rest

8. Fie (X, Y ) un vector aleator a cărei densitate de probabilitate este


{ −(x+y)
e , x, y ≥ 0
f (x, y) =
0, ı̂n rest
X
Să se afle densitatea de probabilitate a variabilelor U = X +Y, V = Y .
R: fU (u) = ue−u ,fV (v) = 1
(1+v)2

9. Fie X1 şi X2 v. a. continue şi Y1 = X1 +X2 , Y2 = X1 −X ( u2 .+u


Să se arate
)
1 2 u1 −u2
că pentru orice u1 , u2 avem f(Y1 ,Y2 ) (u1 , u2 ) = 2 f(X1 ,X2 ) 1
2 , 2 .
128 CAPITOLUL 8. VECTORI ALEATORI BIDIMENSIONALI

10. Fie X1 şi X2 v. a. şi Y1 = X1 cos α + X2 sin α, Y2 = −X1 sin α+


+X2 cos α pentru orice α, 0 ≤ α ≤ 2π. Să se arate că f(Y1 ,Y2 ) (y1 , y2 ) =
= f(X1 ,X2 ) (y1 cos α − y2 sin α, y1 sin α + y2 cos α)
( )
−1 0 1
11. Variabila aleatoare X are repartiţia X ∼ . Să se
0, 2 0, 3 0, 5
calculeze valorile medii E(X), E(2X), E(X + 1), E(2X + 1), E(X 2 ),
E((X − 0, 3)2 ).
R: E(X) = 0, 3, E(2X) = 0, 6, E(X + 1) = 1, 3, E(2X + 1) = 1, 6,
E(X 2 ) = 0, 7, E((X − 0, 3)2 ) = 0, 61

12. Doi jucători de tenis joacă ı̂n 4 meciuri 12 seturi. Considerând că
probabilităţile celor 2 jucători de a câştiga un set sunt egale, să se
calculeze valoarea medie, dispersia şi abaterea medie pătratică a vari-
abilei aleatoare ce reprezintă numărul de seturi căştigate de unul din-
tre jucători.
( ) ( )
x 1 x 1 12−x , x = 0, 12
R: P (X = x) = C12 2 2
2
√ √
E(X) = 6, D (X) = 3, σ = D2 (X) = 3

13. Fie X, Y variabile aleatoare independente, X, Y ∼ N (a, σ). Să se


calculeze coeficientul de corelaţie al variabilelor aleatoare U = αX +
βY, V = αX − βY, α, β ∈ IR, α, β ̸= 0.
α2 −β 2
R: ρ(U, V ) = α2 +β 2

14. Fie vectorul (X, Y ) cu densitatea


{
a sin(x + y), 0 ≤ x ≤ π2 , 0 ≤ y ≤ π
2
f (x, y) =
0, ı̂n rest

Să se determine ”a”,E(X), E(Y ), D2 (X), D2 (Y ), cov(X, Y ).


2 π2
R: a = 12 , E(X) = π
4 = E(Y ), D2 (X) = D2 (Y ) = − π16 + 8 + π
2 −2

15. Densitatea de probabilitate a v. a. X este dată de funcţia


{
k(1 + a2 x) a2 −1 e− a , − a2 ≤ x < ∞
4 2x

f (x) =
0, ı̂n rest

Să se determine constanta k şi primele două momente centrate ale


acestei v. a.
2
b2b −1
R: k = 2 ; E(X) = 0; E(X 2 ) = 1
eb Γ(b2 )
Capitolul 9

Şiruri de variabile aleatoare.


Teoreme limită

9.1 Inegalitatea lui Cebâşev


Teorema 9.1. (Inegalitatea lui Cebâşev) Fie X o v.a. cu dispersia
finită
Atunci ∀ε > 0 au loc

D2 (X)
P (|X − E(X)| ≥ ε) ≤
ε2
sau echivalent
D2 (X)
P (|X − E(X)| < ε) ≥ 1 −
ε2
Demonstraţie. Fie Y v.a. definită astfel
{
0, dacă |X − E(X)| < ε
Y =
ε, dacă |X − E(X)| ≥ ε

Atunci Y 2 ≤ |X − E(X)|2 =⇒ E(Y 2 ) ≤ E((X − E(X))2 ) = D2 (X)


Dar E(Y 2 ) = ε{2 P (|X −E(X)| ≥ }ε), deci
{ ε P (|X −E(X)|} ≥ ε) ≤ D (X)
2 2

Evenimentele |X − E(X)| < ε şi |X − E(X)| ≥ ε sunt contrare


şi P (|X − E(X)| ≥ ε) + P (|X − E(X)| < ε) = 1, de unde rezultă a doua
variantă a inegalitaţii lui Cebâşev.

Exemplul 9.1. Media timpului de răspuns şi abaterea medie pătratică


ı̂ntr-un computer multi-user sunt 15 secunde, respectiv 3 secunde. Estimaţi
probabilitatea ca timpul de răspuns să fie cu 5 secunde mai mare decât
media.

Demonstraţie. E(X) = 15, D2 (X) = 32 = 9, ε = 5, deci


P (|X − 15| ≥ 5) ≤ 25
9

129
130 CAPITOLUL 9. SIRURI DE VARIABILE ALEATOARE

Exemplul 9.2. O variabilă aleatoare X are E(X) = 80, E(X 2 ) = 6416.


Să se determine o limită inferioară a probabilităţii P (40 < X < 120).

Demonstraţie. P (40 < X < 120) = P (80 − 40 < X < 80 + 40) =


P (−40 < X − 80 < 40) = P (|X − 80| < 40)
Folosim inegalitatea lui Cebâşev şi luăm ε = 40.
Calculăm D2 (X) = E(X 2 ) − (E(X))2 = 16.
Avem P (|X − 80| < 40) > 1 − 1600 16
= 0, 99

Exemplul 9.3. ( Se aruncă


o)monedă de n ori. Cât de mare trebuie să fie
n pentru ca P αn − 12 < 100 1
> 0, 99, ştiind că α reprezintă numărul de
apariţii ale unei feţe alese de mai ı̂nainte.

Demonstraţie. Se ştie că D2 (X) = E((X − E(X))2 ) = E2 (|X − E(X)|)


Folosim inegalitatea lui Cebı̂şev şi obţinem
( α 1 ) E2 (| α − 12 |)
P n − 2 < 100
1
>1− n

( ) ( 2 )
10 −4
( 2 )
E αn − 12 = E αn − 12 = E αn2 − αn + 41 = E(α
2)

n2
− E(α) 1
n + 4 =
n2 p 2
= + npq np
2 − n + 4 = 4n , deoarece p = q = 2
1 1 1
n2 n( )
Deci P αn − 12 < 100
4
1
> 1 − 10
4n
4
Aflăm n din inegalitatea 1 − 10 4n > 0, 99 =⇒ n > 5 · 10
2 4

Exemplul 9.4. Fie X o v. a. a cărei densitate de probabilitate este


{ xm −x
f (x) = m! · e , x > 0
0, ı̂n rest
m
Să se arate că P (0 < X < 2(m + 1)) > m+1 .

Demonstraţie. Folosim inegalitatea lui Cebı̂şev:


2
P (|X − E(X)| < ε) > 1 − D ε(X)
∫∞ ∫ ∞ m+1 −x
2

Avem E(X) = 0 x · f (x)dx = m! 1


0 x · e dx = Γ(m+2)
m! =
(m+1)!
= m! = m + 1
∫∞ ∫ ∞ m+2 −x
E(X 2 ) = 0 x2 · f (x)dx = m!
1
0 x · e dx = Γ(m+3)
m! =
(m+2)!
= m! = (m + 1)(m + 2)
D2 (X) = E(X 2 ) − [E(X)]2 = m + 1
Luăm ε = m + 1 =⇒ P (|X − (m + 1)| < m + 1) > 1 − (m+1) m+1
2 =
m m
= m+1 =⇒ P (0 < X < 2(m + 1)) > m+1

9.2 Tipuri de convergenţă


Definiţia 9.1. Fie (Xn )n∈IN∗ un şir de v. a. reale sau complexe definite
pe un spaţiu de probabilitate (Ω, K, P ), iar X o altă v.a. definită pe acelaşi
spaţiu de probabilitate.
9.2. TIPURI DE CONVERGENŢĂ 131

P
1) Sirul (Xn )n∈IN∗ converge ı̂n probabilitate către X (Xn − → X,
când n −→ ∞), dacă ∀ε > 0, P (|Xn − X| > ε) −→ 0, n −→ ∞ sau
∀ε > 0, P (|Xn − X| < ε) −→ 1, n −→ ∞.
a.s.
2) Sirul (Xn )n∈IN∗ converge
{ aproape sigur (tare)
} către X (Xn −−→
X, când n −→ ∞), dacă P ( ω/ lim Xn (ω) = X(ω) ) = 1.
n→∞
r
3) Sirul (Xn )n∈IN∗ converge ı̂n medie de ordinul r către X (Xn − →

X, când n −→ ∞), dacă există momentele absolute E(|Xn | ), n ∈ IN şi
r

E(|X|) şi dacă E(|Xn − X|r ) −→ 0, când n −→ ∞.


w
4) Sirul (Xn )n∈IN∗ converge ı̂n repartiţie sau slab către X (Xn − →
X, când n −→ ∞), dacă FXn (x) −→ FX (x), n −→ ∞, ∀x punct de conti-
nuitate al funcţiei FX , unde FXn , n ∈ IN∗ şi FX sunt funcţii de repartiţie
ale v. a. Xn , n ∈ IN∗ şi respectiv X.
Relaţii ı̂ntre tipurile de convergenţă
a.s. P
1) Dacă Xn −−→ X, n −→ ∞, atunci Xn − → X, n −→ ∞.
P
2) Dacă Xn −→ X, n −→ ∞, atunci există un subşir (Xnk )k∈IN∗ astfel
a.s.
ı̂ncât Xnk −−→ X, k −→ ∞.
r P
3) Dacă Xn − → X, n −→ ∞, atunci Xn − → X, n −→ ∞. Implicaţia
reciprocă nu are loc, deoarece E(|Xn − X| ) s-ar putea să nu existe.
r
r r′
4) Dacă Xn − → X, n −→ ∞, pentru r′ < r.
→ X, n −→ ∞, atunci Xn −
P w
5) Dacă Xn −
→ X, n −→ ∞, atunci Xn − → X, n −→ ∞.
Exemplul 9.5. Fie (Xn )n un şir de variabile aleatoare Poisson, in-

n
dependente cu E(Xk ) = λk şi Yn = n1 Xk . Să se arate că dacă există
k=1
1∑
n
lim λk = λ, atunci şirul de variabile aleatoare (Yn )n converge ı̂n prob-
n→∞ n
k=1
abilitate către λ.

Demonstraţie. Cum (Xn )n un şir de variabile aleatoare Poisson avem λk =


E(Xk ) = D2 (Xk )
∑n
Cum variabilele Xn sunt independente rezultă D2 (Yn ) = n12 D2 (Xk ) =
k=1

n
λk

n
1
= n12 λk = · k=1 −→ 0, când n −→ ∞
n n
k=1
∑ n
1∑
n
E(Yn ) = n1
E(Xk ) = λk −→ λ
n
k=1 k=1
D 2 (Yn )
Folosind inegalitatea lui Cebı̂şev =⇒ 0 ≤ P (|Yn − λ| ≥ ε) < ε2
−→
P
−→ 0 când n −→ ∞, deci P (|Yn − λ| ≥ ε) −→ 0 =⇒ Yn −
→ λ.

Exemplul 9.6. Fie α > 0 şi (Xn )n un şir de v. a. astfel ı̂ncât P (Xn =
132 CAPITOLUL 9. SIRURI DE VARIABILE ALEATOARE

1) =
= 1 − n1α , P (Xn = n) = n1α , n > 1. Să se arate că (Xn )n converge ı̂n
probabilitate la 1 şi (Xn )n converge ı̂n medie de ordinul r la 1, când r < α,
dar (Xn )n nu converge ı̂n medie de ordinul r la 1, când r ≥ α.
P
Demonstraţie. P (|Xn − 1| > ε) = P (Xn = n) = n1α −→ 0 =⇒ Xn −
→1
( ) (n−1)r
Cum E(|Xn − 1| ) = 0 · 1 − nα + |n − 1| · nα = nα =⇒
r 1 r 1


 0, r < α
E(|Xn − 1| ) −→
r
1, r = α

∞, r > α

Exemplul 9.7. Fie (Xn )n≥1 un şir de v.a. independente şi identic
w
repartizate Cauchy şi Yn = max(X1 , . . . , Xn ). Să se arate că πYnn −
→ X,
unde X are funcţia de repartiţie
{ −1
e x, x > 0
FX (x)
0, x≤0
Demonstraţie. Cum (Xn )n≥1 este un şir de∫ v.a. identic repartizate Cauchy
x
2 ) , ∀i, deci FXi (x) = −∞ π(1+x2 ) dx = π (arctg x + 2 )
1 1 1 π
avem fXi (x) = π(1+x
Cum (Xn )n≥1 este un şir de v.a. independente, atunci
P (Yn < y) = P (max(X1 , . . . , Xn ) < y) = P (X1 < y, . . . , Xn < y) =
∏n ∏ n ( )
1 nπ 1
= P (Xi < y) = arctg +
π z 2
i=1 i=1
Fie Zn = πYnn .( Atunci FZn (z)) = P (Zn < z) = P ( πYnn < z) =
1 n
= P (Yn < nz 1
π ) = π arctg

z + 2
( ) ( )
1 nπ 1 n 1 nπ 1 n
Dacă z > 0, lim arctg + = lim 1 + arctg − =
n→∞ π
( ) z 2 n→∞ π z 2
1 nπ 1
lim n arctg −
= en→∞ π z 2 = e− z1
( )
1 nπ 1 n
Dacă z ≤ 0, lim arctg + =0
n→∞ π z 2
Aşadar, { −1
e z, z > 0
lim FZn (z)
n→∞ 0, z≤0

9.3 Legea numerelor mari


Am văzut că nu putem şti ı̂nainte de efectuarea experienţei ce valoare
va lua variabila aleatoare pe care o studiem. S-ar părea că , ı̂ntrucât de-
spre fiecare variabilă aleatoare dispunem de informaţii reduse, cu greu am
9.3. LEGEA NUMERELOR MARI 133

putea determina comportarea mediei aritmetice a unui număr suficient de


mare de variabile aleatoare. In realitate, ı̂n condiţii puţin restrictive media
aritmetică a unui număr suficient de mare de variabile aleatoare ı̂şi pierde
caracterul ı̂ntâmplător. Pentru practică este foarte important să cunoaştem
condiţiile ı̂n care acţiunea combinată a mai mulţi factori ı̂ntâmplători con-
duce la un rezultat care să nu depindă de ı̂ntâmplare, deci care să ne per-
mită să prevedem mersul fenomenului studiat. Astfel de condiţii se dau ı̂n
teoremele cunoscute ı̂n calculul probabilităţilor sub denumirea comună de
legea numerelor mari. Termenul de lege a numerelor mari a fost folosit
pentru prima oară de Poisson, deşi, cu aproximativ un secol ı̂nainte, Ja-
cob Bernoulli a pus ı̂n evidenţă acţiunea legii numerelor mari cu referire
la repartiţia binomială . In 1867, Cebâşev precizează riguros din punct de
vedere matematic legea numerelor mari ı̂n condiţii generale.
Fie (Ω, K, P ) un spaţiu de probabilitate şi (Xn )n∈IN∗ un şir de v. a.
reale definite pe acest spaţiu.
Ne interesează cazul ı̂n care există un şir de numere reale (an )n∈IN∗ astfel
ı̂ncât:

n
P
1) n1
Xk − a n −→ 0, n −→ ∞
k=1
sau

n
a.s.
2) 1
n Xk − an −−→ 0, n −→ ∞
k=1

n
1
De obicei se consideră cazul ı̂n care an = n E(Xk ).
k=1
In cazul 1) (resp. 2)) se spune că şirul (Xn )n∈IN∗ satisface legea slabă a
numerelor mari (resp. legea tare a numerelor mari) sau că (Xn )n∈IN∗
este slab stabil (resp. tare stabil).

Teorema 9.2. (Cebâşev) Fie (Xn )n∈IN∗ un şir de v. a. independente


două câte două ale căror dispersii verifică D2 (Xi ) < c, ∀i ∈ IN∗ , c ∈ IR.
Atunci
1∑ 1∑
n n
lim P (| Xi − E(Xi )| < ε) = 1
n→∞ n n
i=1 i=1

sau echivalent

1∑ 1∑
n n
lim P (| Xi − E(Xi )| ≥ ε) = 0
n→∞ n n
i=1 i=1


n
1
Demonstraţie. Fie Yn = n Xi .
i=1

n
1
E(Yn ) = n E(Xi )
i=1
134 CAPITOLUL 9. SIRURI DE VARIABILE ALEATOARE


n
1 c
D2 (Yn ) = 1
n2
D2 (Xi ) ≤ 2 · c · n =
n n
i=1
2
Din inegalitatea lui Cebâşev rezultă P (|Yn −E(Yn )| < ε) ≥ 1− D ε(Y
2
n)


n
1 ∑
n
c
≥ 1 − nεc 2 sau P (| n1 Xi − E(Xi )| < ε) ≥ 1 − 2 , deci
n nε
i=1 i=1
1∑ 1∑
n n
lim P (| Xi − E(Xi )| < ε) = 1, adică
n→∞ n n
i=1 i=1

n
1∑
n
P
1
n Xi − E(Xi ) −
→0
n
i=1 i=1

Deşi v.a. independente pot lua valori depărtate de mediile lor, me-
dia aritmetică a unui număr suficient de mare de astfel de v.a. ia, cu o

n
1
probabilitate mare, valori apropiate de un număr constant n E(Xi ).
i=1
In acest fel, ı̂ntre comportarea fiecărei v.a. şi a mediei lor aritmetice
există o mare deosebire: nu este posibil să prevedem ce valoare va lua
fiecare dintre v.a., ı̂nsă cu o probabilitate mare putem prevedea ce valoare
va lua media aritmetică a acestor v.a. De aici tragem concluzia că media
aritmetică a unui număr suficient de mare de v.a. (cu dispersii mărginite)
ı̂şi pierde caracterul de v.a.
Exemplul 9.8. Fie şirurile de variabile aleatoare definite( pe acelaşi câmp )
−5n 0 5n
de probabilitate (Xn )n≥1 , (Yn )n≥1 , (Zn )n≥1 , unde Xn ∼ ,
1
1 − 3n2 3n1 2
2
( 2 ) 3n2
−n 0 n2
Yn ∼ şi Zn are densitatea de probabilitate
α−n 1 − 2α−n α−n
{
λ−n e− λn , x > 0
x

fn (x) =
0, ı̂n rest

∀n ≥ 1, λ > 0. Să se verifice aplicabilitatea teoremei lui Cebı̂şev celor trei


şiruri.

Demonstraţie. Teorema este aplicabilă dacă media este finită şi dispersia
este mărginită .
E(Xn ) = (−5n) · 3n1 2 + 0 · (1 − 3n2 2 ) + 5n · 3n1 2 = 0, E(Xn2 ) = (−5n)2 ·
· 3n2 + 02 · (1 − 3n2 2 ) + (5n)2 · 3n1 2 = 50
1 2 50
3 , D (Xn ) = 3 =⇒ teorema se aplică
E(Yn ) = (−n2 ) · α−n + 0 · (1 − 2α−n ) + n2 · α−n = 0, E(Yn2 ) =
= (−n2 )2 · ·α−n + 02 · (1 − 2α−n ) + (n2 )2 · α−n = 2n
4 2n4
2
αn , D (Yn ) = αn =⇒
=⇒ lim D2 (Yn ) = 0 =⇒ ∃c ∈ (0, ∞) astfel ı̂ncât ∀n ≥ 1, D2 (Yn ) ≤ c =⇒
n→∞
teorema se aplică
∫∞ ∫∞
E(Zn ) = 0 xλ−n e− λn dx = λn , E(Zn2 ) = 0 x2 λ−n e− λn dx = 2λ2n =⇒
x x
9.3. LEGEA NUMERELOR MARI 135

=⇒ D2 (Zn ) = λ2n =⇒

 0, λ ∈ (0, 1)
lim D2 (Zn ) = 1, λ = 1
n→∞ 
∞, λ > 1

deci teorema se aplică numai dacă λ ∈ (0, 1]

Teorema 9.3. (Teorema lui Bernoulli) Fie νn numărul de realizări


ale unui eveniment A ı̂n n experimente independente şi p probabilitatea de
realizare a lui A ı̂n fiecare experiment. Atunci pentru
νn
∀ε > 0, lim P (| − p| < ε) = 1
n→∞ n
sau echivalent
νn
lim P (| − p| ≥ ε) = 0
n→∞ n
Demonstraţie. Fie v.a. Xi ce ia valori numărul de realizări ale evenimen-
tului A ı̂n
( experimentul
) de rang i:
0 1
Xi : , i = 1, n
1−p p

n
Atunci νn = Xi .
i=1
Cum Xi2 are aceeaşi repartiţie ca Xi rezultă E(Xi ) = E(Xi2 ) = p,
( )2
= 14 − p − 12 ≤ 14 , i = 1, n.
D (Xi ) = p−p2 (
2
Conform
) teoremei lui Cebâşev
X1 + X2 + . . . + Xn νn
obţinem lim P − p < ε = lim P (| − p| < ε) =
n→∞ n n→∞ n
=1

Observaţia 9.1. Rezultatul poate fi formulat şi astfel: şirul de v.a. ( νnn )n
converge ı̂n probabilitate către p.
In condiţiile teoremei lui Bernoulli, Borel a arătat ı̂n 1909 un rezultat
a.s.
mai profund : νnn −−→ p.
Observaţia 9.2. In cazul unei populaţii de volum mare, dacă se efectuează
o selecţie de volum n şi se obţin νn rezultate favorabile, atunci cu o prob-
abilitate apropiată de unitate, putem afirma că probabilitatea evenimen-
tului cercetat este dată de frecvenţa relativă . Prin urmare, ı̂n studiul
populaţiilor pentru care nu putem determina apriori probabilitatea de re-
alizare a unui eveniment, probabilitatea teoretică p se poate exprima pe cale
experimentală prin frecvenţa relativă νnn a evenimentului considerat, fapt ce
constituie justificarea teoretică a folosirii frecvenţei ı̂n loc de probabilitate.
pq
Corolarul 9.1. Pentru ∀ε > 0 avem lim P (|fn − p| < ε) ≥ 1 − , unde
νn
n→∞ nε2
fn = n , νn =de câte ori s-a realizat evenimentul A ı̂n n probe independente.
136 CAPITOLUL 9. SIRURI DE VARIABILE ALEATOARE

Exemplul 9.9. Pentru un studiu biologic sunt cercetate 1000 de probe


independente, dacă au sau nu o anumită caracteristică biologică . Să se de-
termine o margine inferioară a probabilităţii ca diferenţa, ı̂n valoare abso-
lută , dintre frecvenţa relativă şi probabilitatea p de a apărea caracteristica
ı̂ntr-o probă , să fie mai mică decât 0,03.

Demonstraţie. Cf. consecinţei teoremei lui Bernoulli =⇒ p = q = 21 , ε =


pq ·
1 1
= 0, 03 =⇒ P (| nx − p| < 0, 03) ≥ 1 − nε2
=1− 2 2
1000·0,032
= 0, 72

Teorema 9.4. (Teorema limită centrală ) Fie (Xn )n un şir de v.a.


independente, identic repartizate. Presupunem că E(Xi ) = m, D2 (Xi ) =
∑n
σ 2 , i = 1, n există şi notăm Zn = YnD−E(Y
2 (Y )
n
n)
, unde Yn = Xi . Atunci
∫ x i=1
1 − u2
2
∀x ∈ IR, lim Fn (x) = lim P (Zn < x) = √ e du, adică şirul
n→∞ n→∞ 2π −∞
(Zn )n converge ı̂n repartiţie către o v.a. Z ∼ N (0, 1).

Exemplul 9.10. Un modem transmite 1 milion de biţi. Fiecare bit


este 0 sau 1 independenţi şi egali probabil. Estimaţi probabilitatea să fie
transmişi cel puţin 499000 şi nu mai mult de 501000.

Demonstraţie. Fie Xi v.a. asociată bitului i (0 sau 1). Numărul de 1 milion



106
de biţi este v.a. Yn = Xi .
i=1
Xi este o v.a. binomială , deci E(Xi ) = 21 = 0, 5, D2 (Xi ) = 12 · 12 =
0, 25, ∀i = 1, 106
Atunci E(Yn ) = 106 · 0, 5 = 500000, D2 (Yn ) = 106 · 0, 25 = 250000
(Deci P (499000 < Yn < 501000) = )
n −500000
Y√ n −500000
P 499000−500000

250000
< 250000
< 501000−500000

250000
= P (−2 < Y√ 250000
< 2) =
Φ(2) − Φ(−2) = 0, 9544

Exemplul 9.11. Câştigul zilnic al unui jucator de cărţi e uniform repar-


tizat ı̂n intervalul (-40,50). Care este probabilitatea ca el să câştige 500 de
dolari ı̂n 60 de zile?

60
Demonstraţie. Fie Xi v.a. ce reprezintă câştigul zilnic şi Yn = Xi .
i=1
Densitatea de probabilitate a v.a. Xi este
{ 1
fXi (x) = 90 , x ∈ (−40, 50)
0, ı̂n rest
∫ 50 x
∫ 50x2
Atunci E(Xi ) = −40 90 dx = 5, E(Xi2 ) = 2
−40 90 dx, D (Xi ) = E(Xi2 )−
902 2
−(E(Xi ))2 = 12 , E(Yn ) = 60 · 5 = 300, D2 (Yn ) = 60 · 90
12 = 5 · 902
9.3. LEGEA NUMERELOR MARI 137
( )
Y√n −300
Deci P (Yn > 500) = 1 − P (Yn ≤ 500) = 1 − P ≤ 500−300
√ =
( ) 5·902 90· 5
= 1 − Φ 90·200

5

Când v.a. au repartiţii diferite avem o altă variantă a celebrei teoreme


limită centrală :
Teorema 9.5. (Teorema lui A. M. Leapunov). Fie (Xn )n un şir de
v.a. independente. Presupunem că E(Xk ) = mk , D2 (Xk ) = σk2 ,
∑n
E(|Xk − mk | ) = ρk , 1 ≤ k ≤ n există şi notăm Yn =
3 3 Xk , σ 2 (n) =
k=1

n ∑
n
Yn − E(Yn )
σk2 , ρ3 (n) = ρ3k , Zn = şi Fn funcţia de repartiţie a v.a.
σ(n)
k=1 k=1 ∫ x
ρ(n) 1 u2
Zn . Dacă lim = 0, atunci lim Fn (x) = lim P (Zn < x) = √ e− 2 du,
n→∞ σ(n) n→∞ n→∞ 2π −∞
adică (Zn )n converge ı̂n repartiţie către v. a. Z ∼ N (0, 1).
Exemplul 9.12. Fie (Xn )n≥1 un şir de variabile aleatoare independente
astfel ı̂ncât P (Xn = n1β ) = P (Xn = − n1β ) = p, cu 31 < β ≤ 12 , n ∈ IN∗ şi
P (Xn = 0) = 1 − 2p. Să se arate că şirului (Xn )n≥1 i se poate aplica
teorema lui Leapunov.

Demonstraţie. Obţinem E(Xk ) = k1β · p + (− k1β ) · p = 0


E(Xk2 ) = ( k1β )2 · p + (− k1β )2 · p = k2p 2β = µk
2

E(|Xk |3 ) = k2p3β = ρk
3

∑n ∑ n
1 ∑n ∑n
1
Atunci σ 2 (n) = σk2 = 2p 2β
, ρ 3
(n) = ρ 3
k = 2p
k k 3β
k=1 k=1 k=1 k=1
∑n ∑∞
1 1
Cum 3 < β ≤ 2 =⇒ 1 < 3β ≤ 2 =⇒ lim
1 1 3
= este o serie
n→∞ k 3β k 3β
k=1 k=1
convergentă (serie Riemann)
∑ n
1 ∑ n
1

> ce tinde la ∞ când n −→ ∞
k k
k=1 k=1 √
3
ρ(n)3
Condiţia lui Leapunov lim √ = 0 este ı̂ndeplinită , deci şirului
n→∞ σ(n)2
(Xn )n≥1 i se poate aplica teorema lui Leapunov

Un caz particular al teoremei limită centrală este:


Teorema 9.6. (Teorema integrală a lui Moivre-Laplace) Fie un şir
de experimente independente astfel ı̂ncât ı̂n fiecare experiment probabilitatea
de realizare a unui eveniment A este p. Dacă νn este numărul de apariţii
ale lui A ı̂n primele n experimente, atunci
( ) ∫ x
νn − np 1 u2
∀x ∈ IR, lim P √ < x = √ e− 2 du = Φ(x)
n→∞ npq 2π −∞
138 CAPITOLUL 9. SIRURI DE VARIABILE ALEATOARE

sau
( ) ∫ x2
νn − np 1 u2
∀x1 , x2 ∈ IR, lim P x1 < √ < x2 = √ e− 2 du
n→∞ npq 2π −x1
Exemplul 9.13. La un restaurant pot servi prânzul 75 de clienţi. Din
practică , proprietarul ştie ca 200 /0 dintre clienţii care au rezervat loc nu
se mai prezintă .
a) Proprietarul acceptă 90 de rezervări. Care este probabilitatea ca să
se prezinte mai mult de 50 de clienţi?
b) Câte rezervări trebuie să accepte proprietarul pentru ca, cu o proba-
bilitate mai mare sau egală cu 0,9, să poată servi toţi clienţii care se prezintă
? (Φ(1, 281) = 0, 9)

Demonstraţie. a) Fie X v. a. ce reprezintă numărul de clienţi care se


prezintă la restaurant ; X este repartizată binomial cu p = 0, 8.
Avem n = 90, E(X) = np = 72, D2 (X) = npq = 14, 4 =⇒ σ =

14, 4 ≃ 3, 795
Cf.
( th. Moivre -Laplace
) obţinem P (X > 50) = 1 − P (X ≤ 50) = 1−
X−np
−P σ ≤ 3,795 = 1 − Φ(−5, 797) = 1 − 1 + Φ(5, 975) = Φ(5, 975) ≃
50−72

≃1
b) Vom determina ) (X ≤ 75) ≥ 0, 9
( n astfel ı̂ncât P
P (X ≤ 75) = P √npq ≤ √0,16n ≥ 0, 9 = Φ(1, 281) =⇒ 75−0,8n
X−np 75−0,8n √
0,16n

≥ 1, 281 =⇒ n < 88

9.4 Probleme propuse


1. Limita superioară a probabilităţii ca abaterile, ı̂n modul, ale valorilor
v. a. X faţă de medie, să fie mai mare decât 3, este 0,96. Să se afle
D2 (X).
R: D2 (X) = 8, 64

2. Aplicând inegalitatea lui Cebı̂şev, să se găsească limita inferioară a


probabilităţii inegalităţii 10α5 − 16 < 100
1
, unde α reprezintă numărul
de apariţii ale feţei 5 ı̂n 100000 aruncări de zar.
71
R: 72

3. Fie (Xn )n un şir de v.a. cu densitatea de probabilitate fXn (x) =


n
π(1+n2 x2 )
, n ∈ IN⋆ . Să se arate că şirul (Xn )n converge ı̂n probabilitate
la 0.

4. Să se determine
( numărul
) n al probelor independente ı̂ncepând cu care
are loc P nx − p < 0, 1 ≥ 0, 97, dacă ı̂ntr-o singură probă evenimen-
tul se realizează cu o probabilitate p = 0, 8.
R: Cf. teoremei lui Bernoulli =⇒ n ≥ 534
9.4. PROBLEME PROPUSE 139

5. Cu ce probabilitate putem afirma că din 100 de aruncări ale unei


monede, stema apare de un număr de ori cuprins ı̂ntre 40 şi 60?
R: P (40 ≤ X ≤ 60) ≃ Φ(2) − Φ(−2) = 0, 9544

6. De câte ori trebuie aruncată o monedă pentru ca să putem spune cu


o probabilitate de 0,6 că abaterea frecvenţei de apariţie a stemei de
la probabilitatea p = 12 să fie mai mică decât 0,01?
R: n = 1764

7. Se aruncă de 360 de ori o pereche de zaruri. Cu ce probabilitate


ne putem aştepta să apară 12 puncte (dubla 6) de un număr de ori
cuprins ı̂ntre 8 şi 12?
R: 0, 48

8. Probabilitatea ca o anumită operaţie chirurgicală să fie un succes este


0,8. Dacă operaţia este făcută la 120 de persoane, găsiţi probabilitatea
ca mai mult de 90 de operaţii să aibă succces?
R: P (X ≥ 90) = 0, 9147.

9. Probabilitatea obţinerii unei piese rebut din producţia unei maşini


automate este p = 0, 005. Să se determine probabilitatea ca din
10000 de piese fabricate la această maşină , numărul pieselor rebut
să fie:
a) ı̂ntre 60 şi 70; b) cel mult 70.
R: a) P (60 ≤ Sn ≤ 70) ≃ 0, 07; b) P (0 ≤ Sn ≤ 70) ≃ 0, 997

10. Presupunem că 120 de persoane stau la coada unei casierii pentru
a-şi primi drepturile băneşti. Sumele care trebuie primite de fiecare
sunt v. a. X1 , . . . , X120 independente şi identic repartizate cu media
m = 50 şi abaterea standard σ = 30. Casieria dispune de 6500
unităţi monetare. Calculaţi probabilitatea ca toate persoanele să-şi
primească drepturile.
R: P (Sn ≤ 6500) ≃ 0, 936
Capitolul 10

Lanţuri Markov

10.1 Lanţ Markov omogen. Criteriu de ergodici-


tate. Repartiţie staţionară
Definiţia 10.1. Fie (Xn )n≥0 un şir de v. a. discrete, luând valori ı̂ntr-o
mulţime finită sau numărabilă S, numită spaţiul stărilor.
a) Şirul (Xn )n≥0 formează un lanţ Markov dacă pentru orice n ∈ IN∗
şi i0 , . . . , in ∈ S, avem

P (Xn = in /X0 = i0 , . . . , Xn−1 = in−1 ) = P (Xn = in /Xn−1 = in−1 )

b) Un lanţ Markov se numeşte omogen dacă probabilităţile

P (Xn = j/Xn−1 = i) = pij

sunt independente de n.
In cazul când lanţul Markov are un număr finit de stări 1, 2, . . . , N , el
se numeşte finit.  
p11 . . . p1N
 
Matricea P =  ...  se numeşte matricea probabilităţilor
pN 1 . . . p N N
de trecere (tranziţie) a lanţului Markov considerat.
Proprietăţi
1. Linia i a matricei P , formată din elementele pi1 pi2 . . . piN conţine
probabilităţile de trecere din starea i ı̂n stările 1, 2, . . . , N .
2. P este o matrice sochastică , adică este formată din elemente
pozitive, iar suma elementelor fiecărei linii este 1.
3. Notând pij (n) = P (Xn = j/X0 = i), probabilitatea de a trece după
n paşi din starea i ı̂n starea j, se obţine matricea de trecere după n
paşi P (n) = (pij (n))i,j care verifică relaţia P (n) = P n .
In particular, P (n) = P (n − 1)P şi P (n) = P∑ P (n − 1), de unde rezultă
ecuaţiile directe ale lui Kolmogorov pij (n) = pik (n − 1)pkj , i, j ∈ S,
k

140
10.1. LANŢ MARKOV OMOGEN 141

precum şi ecuaţiile inverse pij (n) = pik pkj (n − 1), i, j ∈ S.
(k )
1 2 ...N
4. Repartiţia v. a. Xn ∼ este definită de
p1 (n) p2 (n) . . . pN (n)
vectorul de probabilitate p(n) = (p1 (n), p2 (n), . . . , pN (n)), unde
p(n) = p(0)P n
Definiţia 10.2. Un lanţ Markov cu matricea de trecere P este er-
godic dacă lim P n = Π, unde Π este o matrice stochastică , având toate
n→∞
liniile egale cu un anumit vector de probabilitate σ = (σ1 σ2 . . . σn ) numit
repartiţia staţionară a procesului.
Criteriu de ergodicitate Dacă ∃n > 0 astfel ı̂ncât matricea P n să
aibă toate elementele strict pozitive, atunci lanţul este ergodic.
Găsirea repartiţiei staţionare Fie P matricea de trecere a unui lanţ
Markov ergodic. Atunci distribuţia limită este unicul vector de probabili-
tate σ satisfăcând ecuaţia vectorială σP = σ.
Observaţia 10.1. Dacă σ este repartiţia staţionară a unui lanţ Markov
ergodic, atunci şirul distribuţiilor p(n) la momentul n satisface relaţia

lim p(n) = σ
n→∞

Exemplul 10.1. Un meteorolog a dezvoltat următorul model pentru


prezicerea vremii. Dacă plouă azi, proabilitatea este 0,6 că va ploua şi
mâine şi 0,4 că nu va mai ploua mâine. Dacă nu plouă azi, probabilitatea
este 0,2 că va ploua şi mâine şi 0,8 că nu va ploua mâine.
a) Găsiţi matricea de trecere P pentru acest lanţ Markov şi matricea
de trecere după 2 paşi.
b) Dacă plouă azi, care este probabilitatea că va ploua şi poimâine?
c) Dacă nu plouă azi, care este probabilitatea ca să plouă şi poimâine?

Demonstraţie.
( a) Fie
) starea 1: ”plouă ” şi starea 2 ”nu plouă ”
0, 6 0, 4
P =
0, 2 0, 8
( )
2 0, 44 0, 56
P =
0, 28 0, 72
b) p11 (2) = 0, 44
c) p21 (2) = 0, 28

Exemplul
 10.2.
 Fie un lanţ Markov a cărui matrice de trecere este
0 1 0
P =  0 12 12 .
1 2
3 0 3
a) Să se calculeze matricea probabilităţilor de trecere după 2, respectiv
3 paşi.
b) Lanţul este ergodic?
c) Dacă este ergodic, atunci să se determine probabilităţile limită .
142 CAPITOLUL 10. LANŢURI MARKOV
 1 1

0 2 2
Demonstraţie. a) P 2 =  16 1
4
7 
12
2 1 4
1 1 7
 9 3 9
6 4 12
P3 = 7 7 37 
36 24 72
4 7 25
27 18 54
b) Deoarece există un astfel de număr natural n = 3, pentru care toate
elementele matricei P 3 sunt strict pozitive, atunci, cf. criteriului de ergod-
icitate, lanţul este ergodic.
c) Deoarece lanţul este  ergodic,atunci există unicul vector (p1 , p2 , p3 )
0 1 0
pentru care (p1 , p2 , p3 ) ·  0 21 12  = (p1 , p2 , p3 )
1 2
3 0 3
De aici obţinem următorul sistem de ecuaţii :
 1

 p3 = p1
 3
p1 + 12 p2 = p2


1
p + 2 p = p3
 2 2 3 3
p1 + p2 + p3 = 1

a cărui soluţie este vectorul ( 16 , 13 , 12 )


1 1 1

6 3 2
Prin urmare, dacă n −→ ∞, P n tinde către matricea 1 1 1
6 3 2
1 1 1
6 3 2

Exemplul 10.3. Presupunem că ı̂nainte de a fi făcută o evidenţă a


legăturii dintre fumat şi bolile respiratorii, 400 /0 din adulţii de sex masculin
erau fumători şi 600 /0 erau nefumători. La un an dupaă această evidenţă
a fost făcută public, 300 /0 dintre fumători s-au oprit din fumat, ı̂n timp ce
100 /0 din nefumători au ı̂nceput să fumeze.
a) Scrieţi matricea de trecere a lanţului Markov cu 2 stări;
b) Reprezentaţi distribuţia iniţială a fumătorilor şi nefumătorilor ca un
vector probabilitate;
c) Găsiţi vectorul probabilitate ce descrie distribuţia fumătorilor şi ne-
fumătorilor după un an;
d) Găsiţi vectorul probabilitate ce descrie distribuţia fumătorilor şi ne-
fumătorilor după 2 ani.

Demonstraţie. a) Stările sunt ”fumător”


( (starea
) 1) şi ”nefumător” (starea
0, 7 0, 3
2) şi matricea de trecere este P =
0, 1 0, 9
b) (0, 4; 0, 6) ( )
0, 7 0, 3
c) (0, 4; 0, 6) = (0, 34; 0, 66)
0, 1 0, 9
( )
2 0, 52 0, 48
d)P =
0, 16 0, 84
10.1. LANŢ MARKOV OMOGEN 143
( )
0, 52 0, 48
(0, 4; 0, 6)P 2 = (0, 4; 0, 6) = (0, 304; 0, 696)
0, 16 0, 84

Exemplul 10.4. In modelul stochastic de ı̂nvăţare bazat pe teoria


selectării stimulilor propus de W.K. Estes ı̂n 1950, se consideră un lanţ
Markov cu 2 stări. Astfel starea 1 semnifică faptul că subiectul a ı̂nvăţat,
de exemplu, să primească o alună sau să evite un şoc electric. Starea 2
semnifică faptul că subiectul nu a ı̂nvăţat ı̂ncă . Se presupune că de ı̂ndată
ce subiectul a ı̂nvăţat el nu mai uită , iar dacă nu a ı̂nvăţat ı̂ncă , el va
reuşi cu probabilitatea α să ı̂nveţe după fiecare ı̂ncercare. Să se determine
matricea de trecere şi să se calculeze p21 (n).
( ) ( )
p11 p12 1 0
Demonstraţie. P = =
p21 p22 α 1−α
Pentru a calcula p21 (n), adică probabilitatea de trecere din starea 2
ı̂n starea 1 după n paşi, trebuie să determinăm matricea P n . Calculăm
valorile proprii : det(P − λI2 ) = 0 =⇒ λ1 = 1, λ2 = 1 − α
Determinăm vectorii proprii corespunzători din sistemele :
P u = λ1 u, P( v = λ2)v şi rezultă
( u = (1, )1)t , v = (0, 1)t
1 0 1 0
Fie T = şi D =
1 1 0 1−α
( )
−1 −1 −1 1 0
Atunci T P T = D =⇒ P = T DT =⇒ P = T D T = n n ·
1 1
( ) ( ) ( )
1 0 1 0 1 0
· · = =⇒ p21 (n) =
0 (1 − α)n −1 1 1 − (1 − α)n (1 − α)n
= 1 − (1 − α)n

Exemplul 10.5. Matricea probabilităţilor


 de trecere ale unui lanţ Markov
0, 1 0, 5 0, 4 ( )
  1 2 3
omogen este P = 0, 6 0, 2 0, 2 , iar X0 ∼ . Calculaţi
0, 7 0, 2 0, 1
0, 3 0, 4 0, 3
repartiţia variabilei X1 şi probabilitatea ca la momentele n = 0, 1, 2 lanţul
să se găsească ı̂n stările 1,2,2 respectiv.
 
0, 1 0, 5 0, 4
Demonstraţie. p(1) = p(0)P = (0, 7, ; 0, 2; 0, 1) 0, 6 0, 2 0, 2 =
0, 3 0, 4 0, 3
= (0, 22; 0, 43; 0,
(35) )
1 2 3
Deci X1 ∼
0, 22 0, 43 0, 35
Aplicând problema precedentă obţinem P (X0 = 1, X1 = 2, X2 = 2) =
= P (X0 = 1)P (X1 = 2/X0 = 1)P (X2 = 2/X1 = 2, X0 = 1) =
= P (X0 = 1)p12 p22 = 0, 7 · 0, 5 · 0, 2 = 0, 07

Exemplul 10.6. Un sistem de telecomunicaţii transmite cifrele 0 şi 1.


Fiecare cifră trece prin mai multe stadii de prelucrare, ı̂n fiecare stadiu
144 CAPITOLUL 10. LANŢURI MARKOV

existând probabilitatea p ca să fie transmisă corect şi probabilitatea q =


1 − p ca ea să fie transmisă greşit. Fie Xk cifra care intră ı̂n stadiul k de
prelucrare.
{ }
a) Scrieţi matricea P a lanţului Markov omogen cu stările 0, 1 astfel
obţinut şi calculaţi P n , n ∈ IN∗ , precum şi P (X2 = 1/X0 = 1),
P (X7 = 0/X3 = 1)
b) Determinaţi(repartiţia) staţionară
0 1
c) Dacă X0 ∼ 1 2 , calculaţi repartiţia v. a. Xn şi
3 3
P (X0 = 0/Xn = 1)

Demonstraţie. a) Din ipoteză P (Xn+1 = 1/Xn = 1) =


= P (Xn+1 = 0/Xn = 0) = p
P((Xn+1 = 1/X ) n(= 0) ) = P (Xn+1 = 0/Xn = 1) = q, deci
p00 p01 p q
P = =
p10 p11 q p
Determinăm valorile proprii ale lui P : det(P − λI2 ) = 0 =⇒
=⇒ λ1 = p − q, λ2 = 1
Determinăm vectorii proprii din sistemele P u = λ1 u şi P v = λ2 v =⇒
u = (1, −1)t ,(v = (1, )
1)t ( )
1 1 p−q 0
Fie T = şi D =
−1 1 0 1
−1 −1 =⇒ P n = T D n T −1 =
(Obţinem) T( P T =n D =⇒ ) (P1 = T DT )
1 1 (p − q) 0 −2 1
= · · 21 =
−1 1 0 1 1
(1 1 2 ) 2
+ (p − q)n 12 − 12 (p − q)n
= 21 21
2 − 2 (p − q)
n 1 + 1 (p − q)n
2 2
Atunci P (X2 = 1/X0 = 1) = p11 (2) = 12 − 21 (p − q)2
P (X7 = 0/X3 = 1) = p10 (4) = 12 − 12 (p − q)4
(1 1)
n
b) Avem lim P = 21 21 , deci repartiţia staţionară este σ = ( 12 , 21 )
n→∞ 2 2
c) Notând
( 1 p(n) = (P (Xn = 0), P (Xn)= 1)) obţinem p(n) = p(0)P n =
+ (p − q)n 12 − 12 (p − q)n
1
= ( 31 , 32 ) 21 21 n 1 + 1 (p − q)n =
2 − 2 (p − q) 2 2
= ( 12 − 16 (p − q)n , 12 + 16 (p − q)n )
P (Xn =1/X0 =0)P (X0 =0) [ 12 − 12 (p−q)n ] 31
Atunci P (X0 = 0/Xn = 1) = P (Xn =1) = 1
+ 16 (p−q)n
=
2
1−(p−q)n
= 3+(p−q)n

10.2 Probleme propuse


1. Să se calculeze matricea probabilităţilor de trecere după 2 paşi, re-
spectiv 3 paşi pentru lanţul Markov a cărui matrice de trecere este
10.2. PROBLEME PROPUSE 145
 1 1

0 2 2
P =  12 0 1
2
1 1
2 2 0
1 1 1
 1 3 3

2 4 4 4 8 8
R: P 2 = 1 1 1 3 3 1 3
4 2 4 ,P = 8 4 8
1 1 1 3 3 1
4 4 2 8 8 4
1 1 1

2 4 4
2. Fie un lanţ Markov dat de matricea de trecere P =  0 1 . 0
1 1
0 2 2
Să se calculeze probabilităţile staţionare stabilind mai ı̂ntâi că lanţul
este ergodic.
4 3 4
R: ( 11 , 11 , 11 )

3. Vremea ı̂n ţara vrăjitorului din Oz este un lanţ Markov omogen cu


3 stări :s1 : ”ploaie”, s2 : ”vreme
 bună ”,s3 : ”zăpadă : şi matricea
1 1 1
2 4 4
probabilităţilor de trecere P = 1 0 1
2 2 . Să se calculeze :
1 1 1
4 4 2
a) probabilitatea ca după 3 zile de la o zi cu vreme bună să avem o
zi cu zăpadă ;
b) repartiţia staţionară .
13
R: a) 32 , b) ( 25 , 15 , 25 )

4. Calculaţi repartiţia
 staţionară
 a unui lanţ Markov cu matricea de
0 12 21
trecere P =  13 0 23 .
1 1 1
4 4 2
1
R: 37 (8, 9, 20)

5. Două firme de distribuit pizza, Pizza Hut (H) şi Cuptorul cu lemne
(C), monopolizează piaţa ı̂n Bucureşti. Studiile de piaţă indică 600 /0
şanse ca un client de la Pizza Hut să se ducă la Cuptorul cu lemne,
ı̂n timp ce sunt 25 0 /0 şanse ca un client de la Cuptorul cu lemne să
treacă la Pizza Hut. Presupunem că un client obişnuit comandă pizza
zilnic şi că luni pizza vine de la Pizza Hut. Care este probabilitatea
ca miercuri pizza să vină de la Cuptorul cu lemne?
R: p12 (2) = 0, 69

6. Intr-un anumit model psihologic comportamentul unui copil la şcoală


ı̂ntr-o anumită zi e clasificat ”bun” sau ”rău”. Dacă un anumit copil
e bun azi, există o şansă de 0,9 că va fi bun şi mâine , ı̂n timp ce dacă
acest copil e rău azi, există o şansă de 0,3 ca el să fie rău şi mâine.
146 CAPITOLUL 10. LANŢURI MARKOV

Dat fiind că acest copil e bun azi, găsiţi probabilitatea ca el să fie bun
ı̂ncă 4 zile.
R: p11 (4) = 0, 875

7. Preşedintele Statelor Unite spune persoanei A intenţia sa de a candida


la următoarele alegeri. Apoi A relatează ştirile lui B, care le spune
lui C şi aşa mai departe, ı̂ntotdeauna unei noi persoane. Presupunem
că este o probabilitate egală cu a ca o persoană să schimbe răspunsul
din da ı̂n nu ı̂n momentul ı̂n care transmite mesajul unei persoane şi
probabilitatea b ca acesta să fie schimbat din nu ı̂n da. Alegem ca
stări mesajul da sau nu. Scrieţi matricea probablităţilor de trecere
şi aflaţi probabilitatea ca dacă preşedintele ı̂şi exprimă intenţia de a
candida, persoana B sa afle că nu va candida.
( )
1−a a
R: P = , p12 (2) = 2a − a2 − ab
b 1−b

8. In Evul Mediu, universităţile Harvard, Dartmouth şi Yale admiteau


numai studenţi bărbaţi. Presupunem că ı̂n acea perioadă 800 /0 dintre
fiii celor de la Harvard mergeau tot la Harvard şi restul la Yale, 400 /0
dintre fiii celor de la Yale mergeau la Yale şi restul se ı̂mpărţeau ı̂n
mod egal ı̂ntre Harvard şi Dartmouth şi 700 /0 dintre fiii celor de la
Dartmouth mergeau tot la Dartmouth, 200 /0 la Harvard şi 100 /0 la
Yale. Scrieţi matricea probabilităţilor de trecere şi calculaţi proba-
bilitatea ca dacă bunicul a fosta la Yale, nepotul sa urmeze cursurile
Universităţii Harvard.
 
0, 8 0, 2 0
R: P = 0, 3 0, 4 0, 3, p21 (2) = 0, 42
0, 2 0, 1 0, 7

9. Un lanţ Markov cu 2 stări poate fi folosit să modeleze o varietate


largă de sisteme ce alterneazaă ı̂ntre stările ON şi OFF. După fiecare
unitate de timp ı̂n starea OFF, sistemul trece pe ON cu probabilitatea
p. După fiecare unitate de timp ı̂n starea ON, sistemul trece ı̂n OFF
cu probabilitatea q. Folosind 0 şi 1 să notăm stările OFF şi ON, care
este matricea probabilităţilor de trecere? Stiind că sistemul este ı̂n
starea OFF la momentul 0, care este probabilitatea ca sistemul să fie
ı̂n starea OFF la momentul n = 33?
( )
1−p p 33 p
R: P = , p00 (33) = q+[1−(p+q)]
q 1−q p+q

10. Fie lanţul Markov cu 2 stări E1 şi E2 cu probabilităţile de trecere


p11 = p22 = p, p12 = p21 = q(0 < p < 1, p + q = 1) şi repartiţia iniţială
P (X0 = 1) = α, P (X0 = 2) = β(α + β = 1). Se cer:
a) să se determine probabilităţile de trecere după n paşi (pjk (n));
10.2. PROBLEME PROPUSE 147

b) să se determine probabilităţile limită ;


c) să se determine probabilitatea P (X0 = 1/Xn = 1).
( )
(p−q)n (p−q)n
1
+ 1

R: a) P n = 21 (p−q) 2 n 2 2
(p−q)n
2 − 2
1
2 + 2
1
b) lim α · p11 (n) + β · p21 (n) =
n→∞ 2
1
lim α · p21 (n) + β · p22 (n) =
n→∞ 2
Lanţul este ergodic şi distribuţia lui limită (p1 , p2 ) se obţine rezolvând
sistemul 
 p1 = p1 · p + p2 · q
p2 = p1 · q + p2 · p

p1 + p2 = 1
P (X0 =1)P (Xn =1/X0 =1) α·p11 (n) α+α(p−q)n
c) P (X0 = 1/Xn = 1) = P (Xn =1) = p1 (n) = 1+(α−β)(p−q)n
Capitolul 11

Statistică matematică

Statistica matematică se ocupă cu gruparea, analiza şi interpretarea


datelor referitoare la anumite fenomene şi unele previziuni privind pro-
ducerea lor ı̂n viitor. Spre deosebire de teoria probabilităţilor al cărei
demers este deductiv, ı̂n care se obţin concluzii dintr-o repartiţie, statis-
tica matematică urmează calea inductivă care face trecerea ı̂n sens invers,
de la un rezultat la o repartiţie. Statistică matematică este solicitată de
fizică , biologie, medicină , arheologie. Inceputurile statisticii matematice
sunt prefigurate ı̂n special ı̂n lucrările lui Laplace. Construirea ei, spre
sfârşitul secolului XIX, a fost pregătită de teoria probabilităţilor, statistica
demografică , teoria erorilor, unele contribuţii ale psihologiei şi sociologiei.
Crearea ei este legată de şcoala anlo-saxonă de statistică matematică , de
numele lui Galton (1829-1911) şi Pearson (1857-1936).

11.1 Teoria selecţiei


Orice mulţime de obiecte care au cel puţin o proprietate comună şi
este supusă unei prelucrări statistice se numeşte populaţie statistică
. Numărul elementelor mulţimii, care se numeşte volumul populaţiei,
poate fi finit sau infinit. Proprietăţile (trăsăturile) comune ale elementelor
unei populaţii statistice se numesc caracteristici. Dacă o anumită carac-
teristică a elementelor se schimbă cantitativ se numeşte variabilă . Car-
acteristicile variabile pot fi discrete sau continue.
Fie X o v. a. reprezentând o anumită caracteristică numerică (durata
de viaţă , venitul, număr de defecţiuni etc.) a unei populaţii statistice.
Rezultatele numerice x1 , x2 , . . . , xn obţinute prin n măsurători (interogări,
observări etc.) formează
{ o selecţie} empirică de volum n a v. a. X.
Elementele mulţimii x1 , x2 , . . . , xn numite variabile de selecţie au o
dublă interpretare:
1) considerate după efectuarea selecţiei, variabilele x1 , x2 , . . . , xn reprezintă
valori concrete pe care le folosim ca informaţii asupra v. a. X şi le notăm
X1 = x1 , . . . , Xn = xn ;

148
11.1. TEORIA SELECŢIEI 149

2) considerate ı̂nainte de efectuarea selecţiei, variabilele X1 , . . . , Xn pot


fi privite ca v. a. independente şi identic repartizate din punct de vedere
probabilistic cu v. a. X
Se consideră că fiecare v. a. Xj , j = 1, n se realizează cu aceeaşi prob-
abilitate egală cu n1 . Pe baza acestui fapt se construieşte v. a. de selecţie
(variabila empirică ).
Variabila
( aleatoare) de selecţie are următoarea repartiţie
x . . . x
X ∗ ∼ 11 n ∗
1 , ı̂n care P (X = xk ) = n , ∀k = 1, n
1
n . . . n
Presupunând că după efectuarea a n observaţii am obţinut : de n1 ori
a apărut
( X1 , . . ., de)nk ori a apărut Xk , unde n1 + . . . + nk = n, atunci
x . . . xn
X ∗ ∼ n11
n . . . nnk
Funcţia empirică de repartiţie se va nota cu F ∗ sau Fn∗ .
Media de selecţie este x = x1 +...+x n
n

∑n
Dispersia de selecţie este S 2 = n1 (xk − x)2
k=1
Exemplul 11.1. Cercetându-se numărul de accidente dintr-o unitate
economică au fost obţinute următoarele date ı̂n urma efectuării unei selecţii
de volum n = 1000 muncitori.
Nr. accidente 0 1 2 3 4
Nr. muncitori afectaţi 500 200 150 80 70
Stabiliţi:
a) media şi dispersia de selecţie;
b) funcţia empirică de repartiţie şi valorile ei ı̂n punctele x = 4 şi x = 6.

Demonstraţie. a) x = 1000 1
(0 · 500 + 1 · 200 + 2 · 150 + 3 · 80 + 4 · 70) = 1, 02
S = 1000 [500 · (0 − 1, 02)2 + 200 · (1 − 1, 02)2 + 150 · (2 − 1, 02)2 + 80·
2 1

·(3 − 1, 02)2 + 70 · (4 − 1, 02)2 ] = 1, 589


( ) ( )
0 1 2 3 4 0 1 2 3 4
b) X ∗ ∼ 500 200 150 80 70 =
1000 1000 1000 1000 1000 0, 5 0, 2 0, 15 0, 08 0, 07


 0, x≤0

 0<x≤1

 0, 2,

0, 7, 1<x≤2
F ∗ (x) =

 0, 85, 2<x≤3



 0, 93, 3<x≤4

1, x>4

F ∗ (4) = 0, 93, F ∗ (6) = 1

Teorema 11.1. Dacă E(X) = m şi D2 (X) = σ 2 , atunci E(X) = m şi


2
D2 (X) = σn .
150 CAPITOLUL 11. STATISTICĂ MATEMATICĂ
( )

n ∑
n
1∑
n
1
Demonstraţie. E(X) = E n Xi = n1 E( Xi ) = E(Xi ) =
n
i=1 i=1 i=1
= 1
·n·m=m
n ( )

n ∑
n
1 σ2
D2 (X) = D2 1
n Xi = 1
n2
D2 (Xi ) = · n · σ 2
=
n2 n
i=1 i=1

11.2 Selecţii dintr-o populaţie normală


11.2.1 Repartiţia mediei de selecţie dintr-o populaţie nor-
mală
{ }
Teorema 11.2. Dacă X1 , X2 , . . . , Xn este o selecţie de volum n dintr-o
populaţie normală N (m, σ), atunci media de selecţie X = X1 +X2n+...+Xn
urmează o repartiţie normală N (m, √σn ).

X−m
Corolarul 11.1. In condiţiile anterioare √σ are o repartiţie normală
n
standard N (0, 1).

Exemplul 11.2. Durata de execuţie a unei lucrări ı̂ntr-o bandă de


montaj este repartizată normal cu media m şi abaterea σ = 4 minute.
S-a cronometrat durata de efectuare a operaţiei la un număr de n = 9
muncitori. Determinaţi probabilitatea ca media duratei determinate pe
baza celor n observaţii să nu difere de m ı̂n valoare absolută cu mai mult
de 3 minute la un muncitor. (Φ(2, 25) = 0, 9878)

Demonstraţie.

P (|X − √
m| < 3) = P√(−3 < X − m < 3) =
= P (− σ < √σ < σ ) = 2Φ( 3 σ n ) − 1 = 2Φ( 3·3
3 n X−m 3 n
4 ) − 1 = 2Φ(2, 25)−
n
−1 = 2 · 0, 9878 − 1 = 0, 975

Exemplul 11.3. Presupunând că diametrul unor piese fabricate la un


strung este repartizat normal N (m, 2), care trebuie să fie volumul n al
selecţiei astfel ı̂ncât P (|X − m| < 1) = 0, 99? (Φ(2, 58) = 0, 995)

Demonstraţie.

0, 99 =√P (|X − m|

< 1) = P (−1√< X − m < 1) =

= P (− σ < √σ < σ ) = 2Φ( σ ) − 1 = 2Φ( 2n ) − 1 =⇒ 2Φ( 2n ) =
n X−m n n
√n √
= 1, 99 =⇒ Φ( 2n ) = 0, 995 =⇒ 2
n
= 2, 58 =⇒ n ≃ 27

Exemplul 11.4. Dintr-o populaţie normală cu media m = 12, probabil-


itatea ca media de selecţie corespunzătoare unei selecţii de volum n = 25
să nu depăşească 16 (ı̂n modul) este de 0,24. Care este probabilitatea ca
o singură observaţie din această selecţie să aibă o valoare mai mare decât
16? (Φ(0, 31) = 1, 24,Φ(0, 02) = 0, 5)
11.2. SELECŢII DINTR-O POPULAŢIE NORMALĂ 151

Demonstraţie.

0, 24 = P (|X −

m| < 16) = P (−16 < X − m < 16) =
n n
= P (−16 · σ < √σ < 16 · σ ) = P (−16 · σ5 < X−m
X−m
√σ < 16 · σ5 ) =
n n

σ ) − 1 =⇒ 2Φ( σ ) = 1, 24 =⇒ σ = 0, 31 =⇒ σ = 258
= 2Φ( 80 80 80

P (Xk > 16) = 1 − P (Xk < 16) = 1 − P ( Xkσ−m ≤ 16−12


258 ) =
Xk −m
= 1 − P ( σ ≤ 0, 02) = 1 − Φ(0, 02) = 1 − 0, 5 = 0, 5
{ }
Teorema 11.3. Dacă X1 , X2 , . . . , Xn reprezintă o selecţie de volum n
∑ n
dintr-o populaţie normală N (0, 1), atunci v. a. Y = Xk2 urmează o
k=1
repartiţie χ2 cu n grade de libertate.

11.2.2 Repartiţia dispersiei de selecţie pentru selecţii dintr-


o populaţie normală
Fiind dată o populaţie statistică şi X1 , X2 , . . . , Xn o selecţie de volum
n se pot defini:
a) media de selecţie X = X1 +X2n+...+Xn
b) dispersia de selecţie cu ajutorul căreia putem evalua dispersia populaţiei:
1) dacă media m a populaţiei generale este cunoscută atunci dispersia
∑n
de selecţie este dată de s0 = n1 (xk − m)2
k=1
2) dacă media m a populaţiei generale nu este cunoscută , dispersia de

n
2 1
selecţie este S = n (xk − x)2
k=1
3) ı̂n cazul selecţiilor de volum mic (n < 30) este indicat să fie folosită
∑n
dispersia modificată de selecţie s2 = n−11
(xk − x)2 , s2 = n−1
n
S2
k=1
{ }
Teorema 11.4. Dacă X1 , X2 , . . . , Xn este o selecţie dintr-o populaţie
n·s2
normală N (m, σ), atunci v. a. σ20 are o repartiţie χ2 cu n grade de
libertate.
{ }
Teorema 11.5. Dacă X1 , X2 , . . . , Xn este o selecţie dintr-o populaţie
normală N (m, σ), atunci

n ∑
n
(1) statisticile X = n1 Xk şi S 2 = n1 (Xk − X)2 sunt independente;
k=1 k=1
n·S 2
(2) statistica V = σ2
are o repartiţie χ2 cu n − 1 grade de libertate.
{ }
Teorema 11.6. Dacă X1 , X2 , . . . , Xn este o selecţie dintr-o populaţie
normală N (m, σ), atunci v. a. t = X−m
√s are o repartiţie Student cu n − 1
n
grade de libertate
152 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

11.3 Elemente de teoria estimaţiei


11.3.1 Estimator nedeplasat, consistent, eficient
Operaţia prin care determinăm valorile parametrilor repartiţiilor se
numeşte estimare.
{ Considerăm o} v. a. X dintr-o populaţie Γ având repartiţia f (x, θ). Fie
X1 , X2 , . . . , Xn o selecţie de volum n din Γ.
Definiţia 11.1. Un estimator θ∗ (X1 , X2 , . . . , Xn ) pentru θ este o statis-
tică (adică o variabilă aleatoare de variabile aleatoare) care ia valori nu-
merice (adică valoarea lui θ∗ (X1 , X2 , . . . , Xn ) ı̂l aproximează pe θ).
Definiţia 11.2. θ∗ (X1 , X2 , . . . , Xn ) se numeşte estimator consistent
pentru θ dacă lim P (|θ∗ (X1 , X2 , . . . , Xn ) − θ| < ε) = 1, ∀ε > 0, adică
n→∞
θ∗ (X1 , X2 , . . . , Xn ) converge ı̂n probabilitate către θ.
Definiţia 11.3. θ∗ (X1 , X2 , . . . , Xn ) se numeşte estimator nedeplasat
pentru θ dacă E(θ∗ (X1 , X2 , . . . , Xn )) = θ.
Definiţia 11.4. Dacă

lim E(θ∗ (X1 , X2 , . . . , Xn )) = θ


n→∞

lim D2 (θ∗ (X1 , X2 , . . . , Xn )) = 0


n→∞

spunem că θ∗ (X1 , X2 , . . . , Xn ) este un estimator corect al parametrului


θ.
Definiţia 11.5. Dacă

E(θ∗ (X1 , X2 , . . . , Xn )) = θ

lim D2 (θ∗ (X1 , X2 , . . . , Xn )) = 0


n→∞

spunem că θ∗ (X1 , X2 , . . . , Xn ) este un estimator absolut corect al parametru-


lui θ.

Teorema 11.7. Dacă θ∗ (X1 , X2 , . . . , Xn ) este un estimator pentru θ ast-


fel ı̂ncât E(θ∗ (X1 , X2 , . . . , Xn )) = θ şi lim D2 (θ∗ (X1 , X2 , . . . , Xn )) = 0,
n→∞
atunci θ∗ (X1 , X2 , . . . , Xn ) este un estimator consistent pentru σ.

Teorema 11.8. (Rao-Cramer) Dacă θ∗ (X1 , X2 , . . . , Xn ) este(un estima-)


2
tor nedeplasat pentru θ, atunci D2 (θ∗ ) ≥ nI(θ)
1
, unde I(θ) = −E ∂ ln∂θf 2(x,θ) =
[( )2 ]
= E ∂ ln ∂θf (x,θ)

Definiţia 11.6. Dacă θ∗ (X1 , X2 , . . . , Xn ) este un estimator nedeplasat


astfel ı̂ncât D2 (θ∗ ) = nI(θ)
1
, atunci el se numeşte eficient.

Corolarul 11.2. Orice estimator eficient este consistent.


11.3. ELEMENTE DE TEORIA ESTIMAŢIEI 153


n
1
Exemplul 11.5. Să se arate că media de selecţie X = n Xk este un
k=1
estimator nedeplasat şi consistent pentru media m a oricărei populaţii.
( n )
∑ ∑n
1
Demonstraţie. E(X) = E n 1
Xk = n 1
E(Xk ) = · nm = m =⇒ X
n
k=1 k=1
e nedeplasat ( n )
∑ 2
D2 (X) = D2 n1 Xk = n12 · nσ 2 = σn −→ 0, n −→ ∞ rezultă cf.
k=1
Teoremei 11.7 că X este consistent

Exemplul 11.6. Să se arate că media de selecţie este un estimator eficient
pentru parametrul λ al repartiţiei exponenţiale cu densitatea f (x, λ) =
1 −λx
λe , unde λ > 0, x > 0.
2
∂2
Demonstraţie. I(λ) = −E( ∂ ln f (x,λ)
∂λ2
) = −E( ∂λ 2 (− ln λ − λ )) =
x

−E( ∂λ

(− λ1 + λx2 )) = −E( λ12 − λ2x3 ) = −λ+2E(x)
λ3
= λλ3 = λ12
2
D2 (X) = n12 · λ2 n = λn = n·11 = nI(λ) 1
, deoarece D2 (Xk ) = λ2 =⇒ X
2 λ
este estimator eficient

11.3.2 Metoda verosimilităţii maxime


Metoda verosimilităţii maxime este una dintre cele mai vechi metode
de estimare. Ea a fost folosită de Gauss când a dezvoltat metoda celor mai
mici pătrate şi reintrodusă{ ı̂n 1912 de} Fischer.
Se consideră o selecţie x1 , . . . , xn de volum n dintr-o populaţie ı̂n care
caracteristica sub cercetare X este o v.a. având densitatea de probabilitate
f (x, θ) presupusă cunoscută , iar parametrul θ este necunoscut şi poate lua
valori ı̂ntr-o mulţime Θ ⊂ IRk .
Definiţia 11.7. Vom numi funcţie de verosimilitate corespunzătoare
valorilor x1 , . . . , xn , o funcţie L(x1 , . . . , xn ; θ), considerată ca funcţie de θ,
∏n
definită prin L(x1 , . . . , xn ; θ) = f (xi ; θ), unde f (xi ; θ) este fie densitatea
i=1
de probabilitate a v. a. X, fie repartiţia sa , adică f (x; θ) = P (X = x),
dacă X este discretă .
Definiţia 11.8. Estimatorul de verosimilitate maximă pentru θ
este acea valoare θ∗ = θ∗ (x1 , . . . , xn ) cu proprietatea că L(x1 , . . . , xn ; θ∗ ) =
= maxL(x1 , . . . , xn ; θ).
θ∈Θ
Intrucât funcţiile L şi ln L au aceleaşi puncte de maxim rezultă că , dacă
θ = (θ1 , . . . , θk ), atunci θ∗ (x1 , . . . , xn ) = (θ1 (x1 , . . . , xn ), . . . , θk (x1 , . . . , xn ))
trebuie să verifice sistemul de ecuaţii

ln L(x1 , . . . , xn ; θ1 , . . . , θk ) = 0, j = 1, k
∂θj
154 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

Observaţia 11.1. Orice estimator eficient al parametrului θ este un


estimator de verosimilitate maximă .
Exemplul 11.7. Să se estimeze prin metoda verosimilităţii maxime
x2
parametrul θ al repartiţiei f (x, θ) = x
θ · e− 2θ , x > 0, θ > 0.


n
− 2θ
1
x2i ∏
n
Demonstraţie. L(x1 , x2 , . . . xn ; θ) = x1 x2 ...xn
θn ·e i=1 =⇒ ln L = ln xi −
i=1

n
∂ ln L n 1 ∑ 2
n
1 ∑ 2
n
−n ln θ − 1
2θ x2i =⇒ =− + 2 xi = 0 =⇒ θ∗ = xi
∂θ θ 2θ 2n
i=1 i=1 i=1
∂ 2 ln L ∗
Verificăm ∂θ2
(θ ) < 0.

n
∂ 2 ln L ∂ 2 ln L ∗ 4n3
Cum = n
− θ13 · x2i , atunci (θ ) =− <0
∂θ 2 θ2 ∂θ 2 ∑
n
i=1 ( x2i )2
i=1

11.4 Intervale de ı̂ncredere


Fie dată densitatea { de probabilitate
} f (x, θ). In urma efectuării unei
selecţii de volum n, x1 , . . . , xn , putem determina două statistici θ(x1 , . . . , xn )
şi θ(x1 , . . . , xn ) astfel ı̂ncât (θ, θ) să conţină valoarea adevărată a parametru-
lui θ cu probabilitatea dată p = 1 − α, adică P (θ < θ < θ) = p, unde p nu
depinde de θ.
Intervalul (θ, θ) care acoperă pe θ cu probabilitatea dată 1 − α se
numeşte interval de ı̂ncredere. Cu cât intervalul de ı̂ncredere este mai
mic şi probabilitatea 1−α este mai apropiată de 1, cu atât avem o indicaţie
mai precisă despre θ. Intervalul ı̂ncredere (θ, θ) este bilateral. Intervalul
de ı̂ncredere poate fi şi unilateral superior sau inferior: P (θ < θ) = 1−α
sau P (θ < θ) = 1 − α.
Fie F (x) o funcţie de repartiţie şi α ∈ (0, 1). Se numeşte α-cuantilă a
repartiţiei F un număr c ∈ IR pentru care F (c) = α.
In cele ce urmează α-cuantilele repartiţiilor N (0, 1), χ2 (n), T (n) vor fi
notate respectiv zα , χ2α (n), tα (n).

11.4.1 Intervale de ı̂ncredere pentru media şi dispersia repartiţiei


normale
1. σ cunoscut, m necunoscut
( )
σ σ
m ∈ x − √ z1− α2 , x + √ z1− α2
n n
11.4. INTERVALE DE ÎNCREDERE 155

2. m cunoscut, σ necunoscut
( )
n n
σ2 ∈ · s20 , 2 · s2
2
χ1− α (n) χ α (n) 0
2 2

3. m şi σ necunoscuţi
( )
n−1 n−1
σ ∈
2
· s2 , 2 · s2
χ21− α (n − 1) χ α (n − 1)
2 2

( √ √ )
s2 s2
m∈ x− t α (n − 1), x + t α (n − 1)
n 1− 2 n 1− 2

Exemplul 11.8. Rectorul Universităţii Politehnice Bucureşti vrea să


ştie care este media vârstei studenţilor. Din anii trecuţi se cunoaşte că
abaterea standard este de 2 ani. Un sondaj asupra a 50 de studenţi arată
că media este de 23,2 ani. Cu un nivel de semnificaţie de 0,05, să se deter-
mine un interval de ı̂ncredere pentru medie. Se presupune că populaţia are
caracteristica normală .

Demonstraţie. Se ştiu X = 23, 2, σ = 2, n = 50, α = 0, 05


m ∈ (23, 2 − 1, 96 · √250 , 23, 2 + 1, 96 · √250 ) = (22, 65; 23, 75)

Exemplul 11.9. Pentru a testa viteza cu care este absorbit pe piaţă


un roman de Octavian Paler, o editură particulară pune ı̂n vânzare, prin
9 librării, loturi identice. Cantităţile se epuizează după un număr de zile
valabil după cum urmează :
Magazine i 1 2 3 4 5 6 7 8 9
Nr. de zile xi 51 54 49 50 50 48 49 50 49
a) Să se estimeze printr-un interval de ı̂ncredere 950 /0 viteza medie cu
care este absorbit pe piaţă romanul (nr. mediu de zile m)
b) Să se determine un interval de ı̂ncredere 900 /0 pentru dispersia σ 2 a
numărului de zile X ı̂n care se epuizează romanul. (t0,975 (8) =
= 2, 33, χ20,95 (8) = 15, 5, χ20,05 (8) = 2, 73)

Demonstraţie.
( a) σ şi m sunt necunoscuţi, deci )
√ √
2 2
m ∈ x − sn t1− α2 (n − 1), x + sn t1− α2 (n − 1)
X = 19 (51 + 54 + . . . + 49) = 50
s2 = 18 [(51 − 50)2 + (54 − 50)2 + (49 − 50)2 + . . . + (49 − 50)2 ] = 3
( √ √ )
m ∈ 50 − 2, 33 · 39 , 50 + 2, 33 · 39 = (48, 674; 51, 236)
( ) ( )
b) σ ∈ χ2 (n−1) · s , χ2 (n−1) · s = 15,5
2 n−1 2 n−1 2 8
· 3, 2,73
8
·3 =
1− α
2
α
2
= (1, 548; 8, 791)
156 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

11.5 Verificarea ipotezelor statistice parametrice


In statistica matematică prin ipoteză ı̂nţelegem o presupunere ce se
poate face asupra unuia sau mai multor parametri ce caracterizează anumite
repartiţii sau asupra tipului legilor de repartiţie ce caracterizează anumite
populaţii.
Ipoteza statistică poate fi parametrică atunci când se referă la parametrul
unei funcţii de repartiţie cunoscute şi neparametrică atunci când se referă
la forma funcţiei de repartiţie necunoscută .
Considerăm o v.a. a cărei densitate de probabilitate f (x, θ) depinde de
un singur parametru θ. Ne propunem să verificăm ipoteza că parametrul θ
are valoarea θ0 . Notăm această ipoteză H0 : θ = θ0 şi o vom numi ipoteza
nulă faţă de ipoteza H1 : θ = θ1 cu care este confruntată şi este numită
ipoteză alternativă . { }
Verificarea ipotezei nule H0 se face pe baza unei selecţii x1 , . . . , xn cu
ajutorul valorii observate a unei statistici. Metoda aleasă pentru verificarea
unei ipoteze statistice se numeşte test sau criteriu statistic.
Fie θ un parametru asociat v. a. X şi ipoteza nulă H0 : θ = θ0 care
trebuie testată (verificată ) astfel ı̂ncât probabilitatea unei erori de prima
speţă (respingerea lui H0 atunci când ea este adevărată ) să fie egală cu
α. Numărul α ∈ (0, 1) se numeşte nivelul de semnificaţie al testului.
Etapele aplicării testului sunt următoarele:
a) Alegerea ipotezei alternative H1 care poate fi unilaterală H1 :
θ < θ0 , θ > θ0 sau bilaterală H1 : θ ̸= θ0 ;
b) Alegerea unei statistici T = T (x1 , . . . , xn ) astfel ı̂ncât, ı̂n ipoteza H0 ,
repartiţia lui T să fie cunoscută ;
c) In funcţie de ipoteza alternativă H1 şi de nivelul de semnificaţie α,
fixarea unei regiuni critice de forma
{ } { }
Rcr = T /T < cα , Rcr = T /T > c1−α

ı̂n cazul unui test unilateral, sau


{ } { }
Rcr = T /T < c α2 ∪ Rcr = T /T > c1− α2

ı̂n cazul unui test bilateral. Cu cα , c1−α , c α2 , c1− α2 s-au notat cuantilele
repartiţiei lui T ı̂n ipoteza H0 ; deci, ı̂n această ipoteză , probabilitatea unei
erori de prima speţă este P (T ∈ Rcr ) = α.
d) Se calculează valoarea T (x1 , . . . , xn ) luată de statistica T pe ele-
mentele unei anumite selecţii empirice x1 , . . . , xn
e) Se respinge ipoteza H0 dacă şi numai dacă T (x1 , . . . , xn ) ∈ Rcr
11.5. VERIFICAREA IPOTEZELOR STATISTICE PARAMETRICE157

11.5.1 Verificarea ipotezei asupra mediei m a unei populaţii


normale cu σ 2 cunoscut
1.1. Testul bilateral
H0 : m = m 0
H1 : m = m1 ̸= m0
Regiunea critică este Rcr : | x−m
√σ
0
| > z1− α2
n
1.2. Testul unilateral stânga
H0 : m = m 0
H1 : m = m 1 < m 0
Regiunea critică este Rcr : x−m
√σ
0
≤ zα
n
1.3. Testul unilateral dreapta
H0 : m = m 0
H1 : m = m 1 > m 0
Regiunea critică este Rcr : x−m
√σ
0
≥ z1−α
n

11.5.2 Verificarea ipotezei asupra mediei m a unei populaţii


normale cu σ 2 necunoscut
2.1. Testul bilateral
H0 : m = m 0
H1 : m = m1 ̸= m0
Regiunea critică este Rcr : | x−m
√s
0
| > t1− α2 (n − 1)
n
2.2. Testul unilateral stânga
H0 : m = m 0
H1 : m = m 1 < m 0
Regiunea critică este Rcr : x−m
√s
0
≤ tα (n − 1)
n
2.3. Testul unilateral dreapta
H0 : m = m 0
H1 : m = m 1 > m 0
Regiunea critică este Rcr : x−m
√s
0
≥ t1−α (n − 1)
n

11.5.3 Verificarea ipotezei asupra dispersiei unei populaţii


normale
Fie ipoteza H0 : σ 2 = σ02 şi alternativa ei H1 : σ 2 = σ12
3.1. Testul unilateral stânga
H0 : σ 2 = σ02
H1 : σ 2 = σ12 < σ02
2
Regiunea critică este Rcr : (n−1)s
σ02
< χ2α (n − 1)
3.2. Testul unilateral dreapta
H0 : σ 2 = σ02
H1 : σ 2 = σ12 > σ02
158 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

(n−1)s2
Regiunea critică este Rcr : σ02
> χ21−α (n − 1)
3.3. Testul bilateral
H0 : σ 2 = σ02
H1 : σ 2 = σ12 ̸= σ02
2 2
Regiunea critică este Rcr : (n−1)s
σ02
< χ2α (n − 1) ∪ (n−1)s
σ02
> χ21− α (n − 1)
2 2
Exemplul 11.10. Durata de funcţionare a unei rezistenţe de 1000 w
este o v. a. normală cu σ = 250 ore. O selecţie de volum n = 36 de
astfel de rezistenţe a dat o durată medie de funcţionare de X = 1200
ore. Să se testeze ipoteza H0 : m = m0 = 1300 ore faţă de alternativa
H1 : m = m1 < 1300 ore la pragul de semnificaţie α = 0, 01. (z0,99 = 2, 33)

Demonstraţie. zc = X−m
√σ = 1200−1300
250 = − 250
600
= −2, 4
n 6
zα = z0,01 = −z0,99 = −2, 33 > −2, 4 = zc =⇒ respingem ipoteza H0 şi
acceptăm ipoteza H1

Exemplul 11.11. Durabilitatea unor motoare de automobile poate fi


considerată o v. a. normală cu media m = 200000 km şi dispersia 500002
km. Se face o schimbare ı̂n procesul de producţie prin introducerea unei
metode noi de fabricaţie. O selecţie de volum n = 100 de motoare a dat
X = 220000 km. Considerând α = 0, 05 se poate afirma că noua metodă
duce la creşterea durabilităţii motoarelor?

Demonstraţie. Avem H0 : m = m0 = 200000


H1 : m = m 1 > m 0
Calculăm zc = X−m
√σ = 220000−200000
50000 =4
n 10
z1−α = z0,95 = 1, 64 =⇒ zc = 4 > z0,95 = 1, 64, deci acceptăm ipoteza
conform căreia noua metodă duce la creşterea durabilităţii motoarelor

Exemplul 11.12. S-a stabilit că greutatea tabletelor dintr-un medica-


ment cu acţiune toxică puternică trebuie să fie m0 = 0, 5 mg. O cercetare
selectivă de n = 121 tablete a dat o greutate medie observată a tabletelor
egală cu X = 0, 53 mg. Se cere să se verifice la pragul de semnificaţie
α = 0, 01 ipoteza H0 : m = m0 = 0, 5 faţă de H1 : m ̸= 0, 5. O obser-
vare atentă (prin cântăriri numeroase) a tabletelor a condus la concluzia
că variabila greutate a tabletelor are o repartiţie normală cu σ = 0, 11 mg.
(z0,995 = 2, 58)

X−m0 0,53−0,5
Demonstraţie. Aplicăm testul bilateral şi obţinem zc = √σ = 0,11 =
n 11
3
z1− α2 = z0,995 = 2, 58 =⇒ zc = 3 > z0,995 = 2, 58, deci respingem H0
Greutatea medie a tabletelor diferă semnificativ de greutatea admisă
deci administrarea acestui medicament bolnavilor trebuie interzisă .
11.5. VERIFICAREA IPOTEZELOR STATISTICE PARAMETRICE159

Exemplul 11.13. Douăzeci de determinări a procentului de NaCl ı̂ntr-o


anumită soluţie au condus X = 0, 70 /0 şi s = 0, 030 /0 . Stiind că procentul
de NaCl ı̂ntr-o anumită soluţie este o v. a. normală , să se verifie la pragul
de semnificaţie α = 0, 05 ipoteza H0 : m = 0, 80 /0 faţă de alternativa
H1 : m < 0, 80 /0 . (t0,95 (19) = 1, 729)
0,7−0,8
Demonstraţie. tc = X−m
√s = 0,03

= −15
n 20
tα (19) = t0,05 (19) = −t0,95 (19) = −1, 729 =⇒ tc = −15 < t0,05 (19) =
= −1, 729 =⇒respingem ipoteza H0 şi acceptăm H1

Exemplul 11.14. Pentru efectuarea unei anumite piese, norma tehnică


prevede o durată medie de 40 minute. Pentru verificarea executării piesei
respective ı̂n condiţii optime, se cronometrează durata de fabricaţie la un
număr de n = 16 muncitori găsindu-se astfel o durată medie de X =
45 minute şi o abatere medie pătratică S = 3, 5 minute. Putem la un
prag de semnificaţie α = 0, 01 să respingem ipoteza conform căreia durata
medie reală de execuţie a unei piese este mai mare decât norma tehnică
(t0,99 (15) = 2, 6)

Demonstraţie. s2 = n−1n
· S2 = 16
15 · 12, 25 = 13, 06 =⇒ s = 3, 61
Avem H0 : m = 40
H1 : m > 40
tc = X−m
√s = 45−40
3,61 = 5, 54
n 4
t1−α (n − 1) = t0,99 (15) = 2, 6 < tc = 5, 54 =⇒ se acceptă ipoteza
conform căreia durata medie de fabricaţie a unei piese este mai mare decât
norma tehnică

Exemplul 11.15. Precizia unui cântar electronic se verifică cu ajutorul


dispersiei măsurătorilor efectuate asupra unui etalon. Dispersia măsurătorilor
nu trebuie să depăşească valoarea nominală σ02 = 0, 04. S-au efectuat
n = 11 cântăriri ale unui etalon şi s-au obţinut rezultatele :
i 1 2 3 4 5 6 7 8 9 10 11
xi 100,6 99,6 100 100,1 100,3 100 99,9 100,2 100,4 100,6 100,5
Să se verifice, la un prag de semnificaţie α = 0, 05, dacă cântarul
asigură precizia standard stabilită , presupunând că datele de selecţie sunt
observaţii asupra unei v. a. normale. (χ20,95 (10) = 18, 3)

Demonstraţie. Avem de testat ipoteza H0 : σ 2 = 0, 04 cu alternativa H1 :


σ 2 > 0, 04 (cântarul nu asigură precizia cerută ). Ipoteza alternativă H2 :
σ 2 < 0, 04 nu prezintă interes, deoarece nu ne temem că precizia cântarului
ar fi mai mare decât cea impusă de standarde.
1
Avem x = 11 (100, 6 + 99, 6 + . . . + 100, 5) = 100, 2,
s = 10 [(100, 2 − 100, 6)2 + (100, 2 − 99, 6)2 + . . . + (100, 2 − 100, 5)2 ]
2 1
2
χ2c = (n−1)s
σ2
= 25 > χ20,95 (10) = 18, 3, deci respingem ipoteza H0 ,
cântarul nu asigură precizia cerută , prin urmare trebuie reglat.
160 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

Exemplul 11.16. Pentru analiza preciziei unor măsurători s-au făcut


n = 16 măsurıtori şi s-a stabilit s2 = 0, 56. Verificaţi ipoteza H0 : σ 2 = 0, 41
faţă de alternativa H1 : σ 2 ̸= 0, 41 la pragul de semnificaţie α = 0, 1, ştiind
că populaţia ı̂n studiu este normală . (χ20,95 (15) = 25, χ20,05 (15) = 7, 28)

2
Demonstraţie. χ2c = (n−1)s
σ2
= 15·0,56
0,41 = 20, 49
Rezultă χ0,05 (15) < χc < χ20,95 (15), deci se acceptă ipoteza H0 şi se
2 2

respinge ipoteza H1 .

11.6 Probleme propuse


1. Repartiţia valorilor defecţiunilor unor aparate de măsură şi control a
fost analizată pe baza a 100 de observaţii care au furnizat următoarele
valori cu privire la numărul de porniri (puneri ı̂n funcţiune) după care
xi 1 3 6 8 10
acestea se defectează :
ni 15 20 30 10 25
Stabiliţi:
a) media şi dispersia de selecţie;
b) funcţia de repartiţie a selecţiei şi valorile ei ı̂n punctele x = 2 şi
x = 7.
R: a) x = 5, 85; S 2 = 9, 925
b)


 0, x≤1

 1<x≤3

 0, 15,

0, 35, 3<x≤6
F ∗ (x) =

 0, 65, 6<x≤8



 0, 75, 8 < x ≤ 10

1, x > 10

F ∗ (2) = 0, 15, F ∗ (7) = 0, 65

2. Pentru a cerceta prezenţa studenţilor la un anumit curs s-a ales un


eşantion de n studenţi şi s-a ı̂nregistrat numărul absenţelor acestora
la patru cursuri consecutive.
Nr. studenţi ni 50 20 15 8 7
Nr. absenţe xi 0 1 2 3 4
a) Să se scrie repartiţia empirică şi funcţia de repartiţie empirică
Fn∗ (x);
b) Să se calculeze media şi dispersia de selecţie;
∗ (3)
c) Să se calculeze F100
11.6. PROBLEME PROPUSE 161
( )
0 1 2 3 4
R: a) X∗ ∼
0, 5 0, 2 0, 15 0, 08 0, 07


 0, x≤0

 0<x≤1

 0, 2,

0, 7, 1<x≤2
F ∗ (x) =

 0, 85, 2<x≤3



 0, 93, 3<x≤4

1, x>4

b) x = 1, 02, S 2 = 1, 5996
∗ (3) = 0, 85
c) F100

3. Se controlează greutatea unor pachete şi, pentru aceasta, se extrage


o selecţie de volum n, care dă următoarele valori:
Pachetul 1 2 3 4 5 6 7 8 9 10
Greutatea 21,5 21,6 21,75 22 22,45 22,6 23,2 23,4 23,5 23.65
Să se calculeze F10 ∗ (20), F ∗ (22), F ∗ (23). Să se scrie repartiţia em-
10 10
pirică şi să se calculeze media de selecţie.
( )
∗ 21, 5 21, 6 21, 75 22 22, 45 22, 6 23, 2 23, 4 23, 5 23.65
R: X ∼ 1 1 1 1 1 1 1 1 1 1
10 10 10 10 10 10 10 10 10 10


 0, x ≤ 21, 5



 0, 1, 21, 5 < x ≤ 21, 6



 0, 2, 21, 6 < x ≤ 21, 75



 0, 3, 21, 75 < x ≤ 22



 0, 4, 22 < x ≤ 22, 45

F10 (x) = 0, 5, 22, 45 < x ≤ 22, 6



 0, 6, 22, 6 < x ≤ 23, 2



 0, 7, 23, 2 < x ≤ 23, 4



 0, 8, 23, 4 < x ≤ 23, 5



 0, 9, 23, 5 < x ≤ 23, 65

 1, x > 23, 65
∗ (20) = 0, F ∗ (22) = 0, 3, F ∗ (23) = 0, 6
F10 10 10
x = 22, 565

4. Repartiţia valorilor rezistenţei la rupere a unor fire de bumbac (ı̂n


kg) a fost analizată pe baza a 100 de observaţii. Valorile observate
ı̂mpreună cu frecvenţele lor absolute sunt date ı̂n tabelul următor:
xi (valorile rezistenţei
la rupere ı̂n kg) 0,5 0,65 0,75 0,8 0,9 1 1,12 1,35
ni (frecvenţe absolute) 2 4 5 26 30 25 6 2
Se cer:
162 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

a) Valoarea medie şi dispersia de selecţie a rezistenţei la rupere;


b) F ∗ (0, 78), F ∗ (0, 9), unde F ∗ (x) este funcţia empirică de repartiţie
R: a) X = 0, 8957,S 2 ≃ 0, 0189
b) F ∗ (0, 78) = 0, 11, F ∗ (0, 9) = 0, 37
5. Dintr-o populaţie normală cu media m = 12, probabilitatea ca me-
dia de selecţie corespunzătoare unei selecţii de volum n = 16 să nu
depăşească 14 (ı̂n modul) este de 0,24. Care este probabilitatea ca
o singură observaţie din această selecţie să aibă o valoare mai mare
decât 14? (Φ(0, 71) = 0, 76,Φ(0, 1776) = 0, 9616)
R: P (Xk > 14) = 0, 0384
6. Dintr-o populaţie normală se extrag toate selecţiile posibile de volum
n = 25. Dacă 50 /0 dintre ele au medii care diferă de media populaţiei
cu cel puţin 5 unităţi ı̂n valoare absolută , aflaţi abaterea medie
pătratică a populaţiei.
R: Stim P (|X − m| ≥ 5) = 0, 05 =⇒ σ = 12, 76
7. Arătaţi că media de selecţie este un estimator eficient pentru parametrul
λ al repartiţiei Poisson.
8. Arătaţi că media de selecţie este un estimator eficient pentru media
m a repartiţiei normale.
9. Să se estimeze prin metoda verosimilităţii maxime parametrul θ al
repartiţiilor:
−1 θ−1
a) f (x, θ) = (2 − θ)x(ln 2) ln 2−θ ,1 < θ < 2
2θ−1
θ
b) f (x, θ) = 1−θ x
1−θ , 12 < θ < 1
√ 1 e− 2θ (x−θ)
1 2
c) f (x, θ) = 2πθ
, 0 < x < 1, θ > 0
d) f (x, θ) = θ(1 − θ)x , x = 0, 1, 2 . . . , 0 < θ < 1
e) f (x, θ) = (1 + θ)xθ , 0 < x < 1, θ > 0
θxθ0
f) f (x, θ) = xθ+1
, x > x0 (x0 constantă dată ), θ > 0
x
xα−1 e− θ
g) f (x, θ) = Γ(α)θ α , x > 0, θ > 0, α dat
h) f (x, θ) = θe−θx , x ≥ 0, θ > 0
[ ]−1

n ∑
n
R: a) θ∗ =1+ 1
ln 2 · 1
n ln xi ; b) θ∗ = 1− 1
n ln xi ;
i=1 i=1
 v 
u ∑
u n 2
xi 
c) θ∗ = 12 −1 + t1 + 4 d) θ∗ = n
= 1
1+x ;
n ∑
n
i=1 n+ xi
i=1
11.6. PROBLEME PROPUSE 163


n
x
e) θ∗ = − n
− 1; f) θ∗ = − ln n
; g) θ∗ = 1
xi = ;

n

n
x0
nα α
ln xi i=1
xi
i=1
i=1

h) θ∗ = n
= 1

n x
xi
i=1

10. Fie X o v. a. cu densitatea f (x, θ) = θ+1


A
, x ≥ 1, θ > 0 şi să con-
x θ
siderăm o selecţie aleatoare X1 , . . . , Xn din populaţia de caracteristică
X.
a) Să se determine A ı̂n funcţie de θ;
b) Să se afle estimatorul de verosimilitate al parametrului θ şi să se
studieze proprietăţile acestuia.
∑ n
R: a) A = 1θ ; b) θ∗ = n1 ln Xk
k=1
θ∗ este nedeplasat, consistent, eficient

11. Intr-o fabrică de ţesut s-a constatat că rezistenţa la rupere a unui
anumit fir de bumbac are o repartiţie normală cu media necunoscută
m şi abaterea medie pătratică σ = 36g (calitatea standard). Pentru
a cerceta calitatea unui lot de fire de bumbac ı̂n ceea ce priveşte
rezistenţa la rupere s-a făcut o selecţie de volum n = 9 fire, obţinându-
se media de selecţie X = 195 g. Să estimeze rezistenţa la rupere m a
lotului de fire controlat, printr-un interval de ı̂ncredere 1 − α = 0, 95.
(z0,975 = 1, 96)
R: m ∈ (171, 48; 218, 52)

12. Fie X v. a. normală care reprezintă greutatea unor ouă . O selecţie


de volum n = 200 a dat rezultatele următoare :
Greutatea (g) 37,5 42,5 47,5 52,5 57,5 62,5 67,5 72,5
Nr. observaţiilor 8 14 26 44 68 20 14 6
Stiind că dispersia lui X este σ 2 = 64, aflaţi un interval de ı̂ncredere
950 /0 şi 900 /0 pentru media m. (z0,975 = 1, 96, z0,95 = 1, 65)
R: 53, 79 < m < 56, 01
53, 97 < m < 55, 83

13. Fie X o v. a. care reprezintă numărul de zile după care un anu-


mit produs alimentar este absorbit pe piaţă . In urma unei selecţii de
volum n = 8 ı̂n rândul centrelor de desfacere, s-au obţinut următoarele
rezultate cu privire la numărul de zile după care se epuizează produsul
respectiv :
164 CAPITOLUL 11. STATISTICĂ MATEMATICĂ

Centru de desfacere i 1 2 3 4 5 6 7 8
Nr. de zile xi 40 54 40 50 38 40 50 60
Presupunând că X are o repartiţie normală să se afle:
a) un interval de ı̂ncredere 950 /0 pentru viteza media cu care este
absorbit produsul pe piaţă ;
b) un interval de ı̂ncredere 950 /0 pentru abaterea medie pătratică a
numărului de zile după care se epuizează produsul respectiv. (t0,975 (7) =
= 2, 36, χ20,975 (7) = 16, χ20,025 (7) = 1, 69)
R: a) 39, 73 < m < 53, 27; b) 5, 37 < σ < 16, 53

14. Pentru a estima precizia unui termometru se realizează 15 măsurători


independente asupra temperaturii unui lichid menţinut constant la
20◦ C. Presupunem că rezulttele măsurătorilor sunt realizări ale vari-
abilelor aleatoare normale Xk , k = 1, 15 de medie m = 20 şi σ ne-
cunoscută . Construiţi un interval de ı̂ncredere 1 − α = 0, 99 pentru

15
1
σ 2 , ştiind că 15 (xk − 20)2 = 18.
k=1

R: 8, 23 < σ2 < 58, 7

15. O fabrică de acumulatori afirmă că durata de funcţionare a acumu-


latorilor este 300 de zile. Un laborator cercetează 4 acumulatori şi
obţine rezultatele 298,290,306,302. Aceste rezultate indică faptul că
acest tip de acumulatori are o durată de funcţionare mai mică decât
afirmă fabrica (α = 0, 02,t0,02 (3) = −4, 541)?
R: se acceptă ipoteza H0 şi se respinge H1

16. S-a stabilit experimental că nivelul colesterolului ı̂n organismul unui
adult este o v. a. normală . O selecţie aleatoare de volum n = 41
adulţi a dat un nivel mediu observat al colesterolului X = 213 cu
s2 = 48, 4. Să se testeze ipoteza H0 : m = m0 = 200 cu alternativa
H1 : m = m1 > 200 la un prag de semnificaţie α = 0, 05. (t0,95 (40) =
= 1, 684)
R: respingem ipoteza H0 şi acceptăm H1

17. Pentru stabilirea rezistenţei la rupere a unor cabluri s-au efectuat n =


= 36 măsurători şi s-a stabilit media de selecţie X = 500 kg. Stiind că
rezistenţa la rupere este o v. a. normală cu σ 2 = 100 kg, să se verifice
ipoteza H0 : m = 496 kg faţă de alternativele : a) H1 : m ̸= 496 kg;
b) H1 : m < 496 kg la pragul de semnificaţie α = 0, 01. (z0,995 =
= 2, 58, z0,99 = 2, 33)
R: a) respingem ipoteza H1 şi acceptăm H0
b) se respinge H1 şi se acceptă H0
11.6. PROBLEME PROPUSE 165

18. S-a stabilit că greutatea unor ouă pentru a fi importate trebuie să
fie de m0 = 50 g. O cercetare selectivă asupra unui volum n = 150
ouă dintr-un lot importat a determinat o greutate medie observată de
X = 43 g. Se cere să se verifice la un prag de semnificaţie α = 0, 01,
ipoteza H0 : m = m0 = 50 g faţă de ipoteza alternativă H1 : m < 50
g, dacă greutatea ouălelor este o v. a. normală N (m, 16).
R: respingem ipoteza H0 şi acceptăm ipoteza H1
19. Durata de funcţionare a unui tip oarecare de bec electric de 100 waţi
poate fi considerată ca o v. a. X repartizată normal cu media m =
= 1500 şi σ 2 = 2002 . O selecţie de volum n = 25 de astfel de becuri
dă o durată medie de funcţionare de 1380 ore. La pragul α = 0, 01, să
se verifice ipoteza H0 : m = m0 = 1500 faţă de H1 : m = m1 < 1500.
R: respingem H0 şi acceptăm H1
20. O firmă producătoare de becuri afirmă că durata medie de viaţă a
becurilor produse este de 170 ore. Un reprezentant al Oficiului pentru
Protecţia Consumatorilor cercetează un eşantion aleator de n = 100
de becuri, obţinând o durată medie observată de viaţă de 158 ore şi
o abatere standard s = 30 ore. Determinaţi un interval de ı̂ncredere
1 − α = 0, 99 pentru durata medie de viaţă m, ı̂n ipoteza că durata
de viaţă a becurilor este o v. a. normală . Poate fi acuzată firma
producătoare de publicitate mincinoasă ? (t0,995 (99) = 2, 63)
R: 150 < m < 166; firma poate fi acuzată de publicitate mincinoasă
(folosim testul t unilateral la stânga)
21. Consumul nominal de benzină al unui anumit motor de maşină este
de 10 l la 100 km. Se aleg la ı̂ntâmplare 25 de motoare fabricate după
o tehnologie modernizată , obţinându-se media x = 9, 3 l şi varianţa
s2 = 4l2 . Presupunând că selecţia provine dintr-o populaţie normală ,
folosiţi un test unilateral cu nivelul de semnificaţie α = 0, 05, pentru a
testa ipoteza că noua tehnologie nu a influenţat consumul de benzină
(t0,95 (24) = 1, 711)
R: ipoteza H0 este respinsă (avem motive să credem că noua tehnolo-
gie a micşorat consumul de benzină )
22. Dintr-o populaţie normală o slecţie de volum n = 30 a dat rezultatele:
xi 0 1 2 3 4 5 6
ni 2 3 6 7 7 3 2
Să se verifice ipoteza H0 : σ 2 = σ02 = 1 faţă de alternativa H1 : σ 2 =
= σ12 > 1 la pragul de semnificaţie α = 0, 05. (χ20,95 (29) = 42, 6)
R: x = 3, 03, s2 = 1, 22
se respinge ipoteza H0 şi se acceptă ipoteza H1
Bibliografie

[1] Th. Angheluţă , Curs de teoria funcţiilor de variabilă complexă Ed.


Tehnică , Bucureşti 1957.
[2] Gabriela Beganu, Luiza Bădin, Mihaela Covrig, LianaManu, Aida
Toma, Teoria probabilităţilor şi statistică matematică . Culegere de
probleme, Meteor Press, Bucureşti 2004.
[3] V. Brânzănescu, O. Stănăşilă , Matematici speciale. Teorie, exemple,
aplicaţii, Editura ALL, Bucureşti, 1994.
[4] D. Baz, C. Cozma, O. Popescu, Matematici aplicate ı̂n economie şi
aplicaţii , ASE, Catedra de Matematici , Bucureşti 1981.
[5] G. Ciucu , V. Craiu, I. Săcuiu, Probleme de teoria probabilităţilor ,
Ed. Tehnică , Bucureşti 1974.
[6] G. Ciucu , V. Craiu, Introducere ı̂n teoria probabilităţilor şi statistică
matematică , Ed. Didactică şi Pedagogică , Bucureşti 1971.
[7] G. Ciucu, C. Tudor, Teoria probabilităţilor şi aplicaţii, Ed. Stiintifică
şi Enciclopedică , Bucureşti 1983.
[8] Tania- Luminiţa Costache, Gh. Oprişan, Transformări integrale, Ed.
Printech, Bucureşti 2004.
[9] Tania- Luminiţa Costache, Culegere de teoria probabilităţilor şi statis-
tică matematică , Ed. Printech, Bucureşti 2006.
[10] Tania- Luminiţa Costache, Matematici speciale. Culegere de probleme,
Ed. Printech, Bucureşti 2008.
[11] Tania- Luminiţa Costache, Curs de Analiză Matematică 2, Ed. Print-
ech, Bucureşti 2010.
[12] Gh. Constantin, Ioana Istrăţescu, Elements of Probabilistic Analysis ,
Ed. Academiei , Bucureşti 1989.
[13] P. Ciumac, Viorica Ciumac, Mariana Ciumac, Teoria probabilităţilor
şi elemente de statistică matematică , Ed. Tehnică UTM , Chişinău
2003.

166
BIBLIOGRAFIE 167

[14] I. Cuculescu, Teoria probabilităţilor , Ed. ALL , Bucureşti 1998.

[15] R. Despa, Cătălina Andronache, B. Ciocănel, Ioana Ghenciu, Cristina


Tetileanu, Cristina Toropu, Culegere de probleme de matematici apli-
cate ı̂n economie vol.I-II , Ed. SYLVI , Bucureşti 1998.

[16] C. Dinescu, I. Fătu, Matematici pentru economişti vol.I-III , Ed. Di-


dactică şi Pedagogică , Bucureşti 1995.

[17] C. Dochiţoiu, A. Matei, Matematici economice generale , Ed. Eco-


nomică , Bucureşti 1995.

[18] R. Elwes, Maths in 100 key breakthroughs, Quercurs.

[19] W. Feller, An Introduction to Probability Theory and Its Applications,


vol. I, Wiley 1950.

[20] D. Filipescu, Rodica Trandafir, D. Zorilescu, Probabilităţi geometrice


şi aplicaţii , Ed. Dacia, Cluj-Napoca 1981.

[21] A. L. Garcia, Probability, Statistics and Random Processes for Elec-


trical Engineering, Pearson Education, Inc. 2008.

[22] C. M. Grinstead, J. L. Snell, Introduction to Probability, American


Mathematical Society 1997.

[23] H. M. Ionescu, Elemente de statistică matematică , Ed. Stiintifică ,


Bucureşti 1957.

[24] O. Kreindler, Curs de matematici superioare, Editura Tehnică , Bu-


cureşti, 1956.

[25] E. Kreyszig, E. J. Nornminton, Advanced Engineering Mathematics,


Wiley 2011.

[26] A. Leonte, Rodica Trandafir, Clasic şi actual ı̂n teoria probabilităţilor,
Ed. Dacia, Cluj 1974.

[27] O. Mayer, Teoria funcţiilor de o variabilă complexă , vol.1, Ed.


Academiei R.S.R., Bucureşti 1981.

[28] N. Mihăilă , Introducere ı̂n teoria probabilităţilor şi statistică matem-


atică , Ed. Didactică şi Pedagogică , Bucureşti 1965.

[29] N. Mihăilă , O. Popescu, Matematici speciale aplicate ı̂n economie, Ed.


Didactică şi Pedagogică , Bucureşti 1978.

[30] Gh. Mihoc, V. Craiu, Tratat de statistică matematică . Volumul II.


Verificarea ipotezelor statistice, Ed. Academiei, Bucureşti 1977.
168 BIBLIOGRAFIE

[31] Gh. Mihoc, N. Micu, Introducere ı̂n teoria probabilităţilor, Ed.Tehnică


Bucureşti 1970.

[32] Gh. Mihoc, V. Urseanu, Emiliana Ursianu, Modele de analiză statistică


Ed. Stiintifică şi Enciclopedică , Bucureşti 1982.

[33] C. Moineagu, I. Negură , V. Urseanu, Statistică , Ed. Stiintifică şi


Enciclopedică , Bucureşti 1976.

[34] M. Moroianu, Gh. Oprişan, Caiet de seminar- Probabilităţi şi statistică


Ed. Printech , Bucureşti 2002.

[35] A. D. Myskis, Introductory mathematics for engineers , MIR Publish-


ers, Moscow 1972.

[36] S. Nistor, I. Tofan, Introducere ı̂n teoria funcţiilor complexe, Ed. Univ.
Al. I. Cuza, Iaşi 1997.

[37] Alina Niţă , Tania-Luminiţa Costache, Raluca Dumitrescu, Matem-


atici speciale. Noţiuni teoretice. Aplicaţii., Editura Printech, Bu-
cureşti, 2007.

[38] Ana Niţă , Tatiana Stănăşilă , 1000 de probleme rezolvate şi exerciţii
fundamentale pentru studenti şi elevi, Ed. ALL, 1997.

[39] V. Olariu, V. Prepeliţă , Teoria distribuţiilor. Funcţii complexe şi


aplicaţii, Ed. Ştiinţifică şi Enciclopedică , Bucureşti 1986.

[40] O. Onicescu, Teoria probabilităţilor şi aplicaţii, Ed.Didactică şi Peda-


gogică , Bucureşti 1963.

[41] O. Onicescu, Gh. Mihog, C. T. Ionescu Tulcea, Calculul probabilităţilor


şi aplicaţii , Ed. Academiei, Bucureşti 1956.

[42] I. Popescu, D. Baz, G. Beganu, A. Filip, C. Raischi, P. Vasiliu, V.


Butescu, M. Enăchescu, O. Firică , N. Stremţan, M. Toma, G. Za-
haria, S. Baz, L. Bădin, Matematici aplicate ı̂n economie-Culegere de
probleme, Ed. Didactică şi Pedagogică , Bucureşti 1999.

[43] A. Papoulis, The Fourier integral and its applications, McGraw Hill
Book Co., New York 1962.

[44] Garofiţa Pavel, Floare Ileana Tomuţa, I. Gavrea, Matematici speciale,


Ed. Dacia, Cluj-Napoca 1981.

[45] M. Postolache, S. Corbu, Exercise Manual in Probability Theory , Fair


Parteners Ltd., Bucharest 1998.

[46] W. Rudin, Analiză reală şi complexă , Texte Matematice Esenţiale,


Vol. 1, Ed. Theta, Bucureşti 1999.
BIBLIOGRAFIE 169

[47] V. Rudner, Probleme de matematici speciale, Ed. Didactică şi Peda-


gogică , Bucureşti 1970.

[48] V. I. Smirnov, Curs de matematici superioare II, Editura Tehnică ,


Bucureşti, 1954.

[49] D. Stanomir, O. Stănăşilă, Metode matematice ı̂n teoria semnalelor,


Ed.Tehnică, Bucureşti 1980.

[50] O. Stănăşilă , V. Brânzănescu, Matematici speciale- teorie, exemple,


aplicaţii, Ed. ALL 1994.

[51] S. Stoilow, Teoria funcţiilor de o variabilă complexă , vol,I,II, Ed. de


Stat Ed. Didactică şi Pedagogică , Bucureşti 1962.

[52] M. Stoka, Culegere de probleme de funcţii complexe, Ed. Tehnică Bu-


cureşti 1965.

[53] M. Stoka, Funcţii de variabilă reală şi funcţii de variabilă complexă ,


Ed. Didactică şi Pedagogică , Bucureşti 1964.

[54] I. Gh. Şabac, Matematici Speciale, Ed. Didactică şi Pedagogică , Bu-
cureşti 1965.

[55] Rodica Tomescu, Daniela Ijacu, Probabilităţi şi statistică matematică


, Ed. Printech, Bucureşti 2005.

[56] Rodica Trandafir, Introducere ı̂n teoria probabilităţilor, Ed. Albatros ,


Bucureşti 1979.

[57] Rodica Trandafir, Probleme de matematici pentru ingineri , Ed.


Tehnică , Bucureşti 1977.

[58] S. Turbatu, Funcţii complexe de variabilă complexă , Univ. Bucureşti,


Facultatea de Fizică 1980.

[59] Emilia Ţiţian, Simona Ghiţă , Bazele Statisticii-Aplicaţii, Meteora


Press, Bucureşti 2001.

[60] R. D. Yates, D. J. Goodman, Probability and Stochastic Processes. A


Friendly Introduction for Electrical and Computer Engineers, Wiley
2005.

Potrebbero piacerti anche