Lectii de Matematici Speciale. Costache Tania Luminita

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
3 Transformarea Z 58
3.1 Semnale discrete. Transformata Z . . . . . . . . . . . . . . . 58
4 Transformarea Fourier 63
4.1 Transformarea Fourier a funcţiilor integrabile pe IR . . . . . 63
4.2 Proprietăţile transformării Fourier . . . . . . . . . . . . . . 64
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
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
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
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
9 Siruri de variabile aleatoare 129

9.1 Inegalitatea lui Cebâşev . . . . . . . . . . . . . . . . . . . . 129
9.2 Tipuri de convergenţă . . . . . . . . . . . . . . . . . . . . . 130
9.3 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . 132
10 Lanţuri Markov 140

10.1 Lanţ Markov omogen . . . . . . . . . . . . . . . . . . . . . . 140
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
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
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 .
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.
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)
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
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
√ √
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
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.
∫ ∫
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)| < .
2π
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.

∑
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
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.
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 .
{ } { }
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.

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=−∞
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
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
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
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 + ...

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
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.
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
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
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
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 .
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)
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)
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 sinθ 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
.
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
P (x, y) = sin xchy şi f (0) = 0.
R: f (z) = sin z
Q(x, y) = ln(x2 + y 2 ) + x − 2y.
R: f (z) = 2i ln z − (2 − i)z + k
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
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
= 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)
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

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.

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)

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→∞
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)

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).
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)

1
Laplace este F (p) = p4 +2p3 +3p2 +2p+1 .
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

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 .
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)

∫∞ 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

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:
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)

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
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
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

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 .

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).

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
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,
∫∞ [∫ ∫∞ ]
∞
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| .

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)
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
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 .
5.2.5 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.

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
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 .
şi B= apare faţă impară la aruncarea unui zar sunt evenimente incompat-
ibile şi contrare.
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
∪
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
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
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
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
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
b) p2 = n3
(coeficientul lui t3 din polinomul de mai sus)
(n−1)(n−2)(n−3)
c) p3 = 1 − n3

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
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
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.
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 ?
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
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)
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.
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)
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:
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

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
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
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
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
2π
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
{ }
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
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

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 ).

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)) =
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 )
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 ).
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
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.
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
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
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
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
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;
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
·

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
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
{ 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 .
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 =
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
nπ
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
∑
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
=⇒ 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.
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
( )
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
2β
> 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 −∞
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

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
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
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

1. Să se calculeze matricea probabilităţilor de trecere după 2 paşi, re-
spectiv 3 paşi pentru lanţul Markov a cărui matrice de trecere este
 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.
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));
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.
{ }
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.
{ }
normală N (m, σ), atunci v. a. t = X−m
√s are o repartiţie Student cu n − 1
n
grade de libertate
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
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)
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
√σ
0
≥ z1−α
n
11.5.2 Verificarea ipotezei asupra mediei m a unei populaţii

normale cu σ 2 necunoscut
H0 : m = m 0
H1 : m = m1 ̸= m0
Regiunea critică este Rcr : | x−m
√s
0
| > t1− α2 (n − 1)
n
H0 : m = m 0
H1 : m = m 1 < m 0
√s
0
≤ tα (n − 1)
n
H0 : m = m 0
H1 : m = m 1 > m 0
√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
H0 : σ 2 = σ02
H1 : σ 2 = σ12 < σ02
2
Regiunea critică este Rcr : (n−1)s
σ02
< χ2α (n − 1)
H0 : σ 2 = σ02
H1 : σ 2 = σ12 > σ02
(n−1)s2
Regiunea critică este Rcr : σ02
> χ21−α (n − 1)
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.
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 .

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
( )
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:
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
∑
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 :
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
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.

Lectii de Matematici Speciale. Costache Tania Luminita

Caricato da

Copyright:

Formati disponibili

Potrebbero piacerti anche

Lectii de Matematici Speciale. Costache Tania Luminita

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Lectii de Matematici Speciale. Costache Tania Luminita

Caricato da

Copyright:

Formati disponibili

Lecţii de Matematici Speciale

Lucrarea este rezultatul cursurilor şi seminariilor de Probabilităţi şi

1 Funcţii complexe. Integrale complexe 8

5 Elemente de analiză combinatorică 69

6 Evenimente şi probabilitate 75

8 Vectori aleatori bidimensionali 106

9 Siruri de variabile aleatoare 129

10 Lanţuri Markov 140

11 Statistică matematică 148

11.2.1 Repartiţia mediei de selecţie dintr-o populaţie nor-

Funcţii complexe. Integrale

1.1 Funcţii olomorfe. Condiţiile Cauchy-Riemann.

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

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

Evident lim β(z) = 0.

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

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

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

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

Demonstraţie. Vom arăta că relaţia ∂f

Exemplul 1.1. Studiaţi olomorﬁa următoarei funcţii

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

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

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

unde lim P1 (z) = 0.

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

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

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

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

Demonstraţie. Punând condiţiile Cauchy-Riemann obţinem

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

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

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

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

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

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

Considerăm forma diferenţială ω = − ∂P ∂P

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

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

Demonstraţie. Relaţiile Cauchy-Riemann sunt veriﬁcate dacă :

Introducând rezultatul ı̂n a doua relaţie avem

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

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

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

1.2 Funcţii elementare

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.

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

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

deci funcţia exp z este periodică de perioadă 2πi.

1.2.2 Funcţia logaritm

Exemplul 1.8. Calculaţi Ln(2 − 2i).

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) =

1.2.3 Funcţia putere

Exemplul 1.10. Calculaţi ii .

Exemplul 1.11. Calculaţi (−1)1−2i .

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