1

CALCULUL
PROBABILITATILOR

2
Concepte de baza
EXPERIMENT ALEATOR
Teoria probabilitilor are ca obiect de studiu
legile care se manifest n domeniul
fenomenelor ntmpltoare cu caracter de mas
care pot apare n diverse arii de interes (natur,
societate, biologie, medicin etc.).
Teoria probabilitilor folosete o serie de
concepte fundamentale cum sunt: experimentul,
proba, evenimentul i probabilitatea.


3
Concepte de baza
Prin experiment intimplator (aleator) se nelege
realizarea practic a unui complex de condiii
corespunztoare unui criteriu de cercetare al unei
colectiviti, care aplicat unei entitati a colectivitatii
are un rezultat intamplator.

Aplicarea experimentului asupra unui element al
colectivitii se numete prob.
Rezultatul unei probe constituie un eveniment.
Evenimentul ce apare ca rezultat al unei singure probe
(sau ncercri) se numete eveniment elementar.

4
Concepte de baza
Un experiment aleator poate fi definit si ca un
proces de colectare a datelor intr-o populatie.
Exemple:
Determinarea statusului de seronegativ sau seropozitiv
Determinarea grupei sangvine
Determinarea prezentei sau absentei unui factor de risc
(fumat, obezitate, etc)
Determinarea TAS
5
Concepte de baza
Probabilitatea unui eveniment = o masura a sansei de
realizare a evenimentului. Pr(A) e[0,1]
subiectiva
stabilita subiectiv sau empiric pe baza experientei sau prin
studii populationale foarte largi
implica evenimente elementare ce nu sunt echiprobabile
obiectiva
raspunsuri echiprobabile
probabilitate geometrica

6
Concepte de baza
Probabilitate subiectiva
Incercrile constau n determinarea grupei sangvine,
rezultatele posibile fiind: A, B, AB, O. Acestea nu
sunt echiprobabile.
Grupa
sangvina
Probabilitatea
O 0.42
A 0.43
B 0.11
AB 0.04
7
Concepte de baza
Probabilitatea obiectiva
Astfel, dac un eveniment A se poate realiza n s
probe dintr-un total de n ncercri (probe)
echiprobabile pe care experimentul le poate produce,
atunci probabilitatea evenimentului A se poate defini
prin formula:
posibile cazuri de rul a Num
favorabile cazuri de rul a Num
n
s
P(A) = =
.
8
Concepte de baza
SPAIUL FUNDAMENTAL DE EVENIMENTE
Fie H un experiment aleator dat pentru care E reprezint
mulimea tuturor rezultatelor posibile. E se numete
mulime fundamental sau spaiu fundamental (spaiul
evenimentelor elementare). Spaiul fundamental poate s
fie finit sau infinit.
Ex. E={A, B, O, AB}
Astfel c, o submulime A a lui E se numete eveniment,
iar dac A are un singur element din E el este un
eveniment elementar.
Orice eveniment a crui realizare depinde de cel puin
dou evenimente elementare este un eveniment compus.
9
Concepte de baza
SPAIUL FUNDAMENTAL DE EVENIMENTE
Mulimea vid C i mulimea fundamental E sunt i ele
evenimente, i anume, evenimentul imposibil (C) i
respectiv evenimentul cert (E).
Evenimentul sigur se produce cu certitudine la orice
efectuare a experimentului, iar evenimentul imposibil este
nerealizabil n urma efecturii experimentului.
Prin contrarul (complementarul) unui eveniment A se
nelege un eveniment care se realizeaz ori de cte ori nu se
realizeaz A. Acesta se noteaz prin non A (sau C(A)).

10
Concepte de baza
SPAIUL FUNDAMENTAL DE EVENIMENTE
Operatii cu evenimente
REUNIUNEA: AB - se produce cel putin unul dintre
evenimentele A sau B
INTERSECTIA: AB - evenimentele A si B se produc
simultan
NEGAREA: non A sau
Exemple: A = evenimentul ca o persoana sa fie hipertensiv
B = evenimentul ca o persoana sa fie normotensiv
C={TAS >130}, D={90<TAS<130}, F={TAD > 90},
G={70<TAD<90}
A=CF= {C sau F} , B=DG={D si G}
A
11
Operatii cu evenimente
12
Concepte de baza
SPAIUL FUNDAMENTAL DE EVENIMENTE
Dac dou evenimente A i B sunt mutual disjuncte
A B = C,
adic dac nu se pot realiza simultan, se spune c ele sunt
incompatibile.
Dou evenimente A i B care se pot realiza simultan se
numesc compatibile.
Evenimentul A implica evenimentul B si se noteaza AcB,
daca evenimentul B se produce ori de cite ori se produce A.
13
EXEMPLE
Spaiul fundamental este finit
Experimentul H const n aruncarea unui zar.
Spaiul fundamental este mulimea rezultatelor
posibile la aruncarea zarului: E = {1, 2, 3, 4, 5, 6}.
In acest caz spaiul fundamental E este finit.
Evenimentele posibile (submulimi ale lui E) :
A = {2, 4, 6} (obinerea unei fee pare)
B = {1, 3, 5} (obinerea unei fee impare)
C = { 3} ( eveniment elementar).
Evenimentele A i B sunt incompatibile.
Evenimentele elementare sunt echiprobabile.

14
EXEMPLE
Spaiul fundamental este finit
Experimentul H const n determinarea
grupei sangvine.
In acest caz spaiul fundamental este E = {A, B,
AB, 0}. E este evident finit ns evenimentele
elementare {A}, {B}, {AB} i {0} nu sunt
echiprobabile.
15
EXEMPLE
Spaiul fundamental este infinit i numrabil
Experimentul H const n aruncarea succesiv a
unui zar pn ce se obine faa 5.
Spaiul fundamental n acest caz este alctuit din numrul aruncrilor
necesare, care variaz de la 1 la infinit :
E = {1, 2, 3,...,n,...}.
Spaiul fundamental E este infinit, ns elementele sale fiind ordonate ntr-un
ir, E este un exemplu de spaiu fundamental numrabil.
Experimentul H const n numrarea internrilor
ntr-un spital ntr-un interval de timp dat (sptmn,
lun, an etc.)
16
EXEMPLE
Spaiul fundamental este infinit i nenumrabil
Experimentul H const n aruncarea unei bile
sferice ntr-o cutie dreptunghiular.
In urma unei ncercri dup oprirea bilei ea are un
punct de contact cu baza cutiei. Spaiul fundamental
E, n acest caz, este alctuit din punctele de contact.
Aici E este o mulime infinit i nenumrabil.

17
EXEMPLE
Spaiul fundamental este infinit i nenumrabil
Experimentul H const n msurarea
temperaturii corporale.
Spaiul fundamental E este alctuit din toate valorile
posibile ale temperaturii corporale, astfel putem
considera c n E intr toate valorile din intervalul
[35, 41], sau c
E = [35,41].
In acest caz, spaiul fundamental este o mulime
infinit i nenumrabil.
18
EXEMPLE
Spaiul fundamental este infinit i nenumrabil
Experimentul H const n msurarea TAS.
Spaiul fundamental E este alctuit din toate valorile
posibile ale TAS, astfel putem considera c n E
intr toate valorile din intervalul [0, 1000], sau c
E = [0,1000].
In acest caz, spaiul fundamental este o mulime
infinit i nenumrabil.
A={TAS<90}, B={ 80sTASs110},
C=AB={80 sTAS<90}
19
Conceptul de probabilitate
DEFINIIA AXIOMATIC
Fie E un spaiu fundamental asociat unui experiment H i
O mulimea tuturor evenimentelor, adic mulimea prilor
lui E:
O = P(E) .
Se spune c funcia Pr:OR este o funcie de
probabilitate, iar prin Pr(A) se noteaz probabilitatea
evenimentului A, dac satisface urmtoarele axiome:
M1. 0 s Pr(A) s 1, AeO
M2. Pr(E) = 1
M3. Dac A i B sunt incompatibile atunci
Pr(AB) = Pr(A) + Pr(B).

20
Proprietati ale probabilitatilor
Proprieti:
T1. Dac A
1
, A
2
, ..., A
n
sunt evenimente
incompatibile dou cte dou atunci:
P(
i
A
i 1
n
) P(
i
A )
i 1
n
=
=
=

.
T2. Pr(C) = 0.
T3. Pr(non A) = 1 - Pr(A).
T4. Dac A_B atunci Pr(A) s Pr(B).
T5. Pentru orice evenimente A i B are loc egalitatea:
Pr(AB) = Pr(A) + Pr(B) - Pr(AB) .
21
Concepte de baza
PROBABILITATE CONDIIONAT
Dac A i B sunt dou evenimente arbitrare, prin probabilitatea
condiionat a lui A de ctre B, notat prin Pr(A/B), se nelege
probabilitatea de a se realiza evenimentul A dac n prealabil s-a
realizat evenimentul B.
Pr(B)
B) Pr(A
Pr(A/B)

=
sau raportul dintre numrul elementelor din B care sunt i n A la
numrul elementelor lui B.
22
PROBABILITATEA CONDIIONAT


Are loc urmtoarea regul de calcul a probabilitii interseciei a
d o u e v e n i m e n t e :
) / Pr( ) Pr( ) Pr( A B A B A =
s a u
) / Pr( ) Pr( ) Pr( B A B B A =
.
Aceste formule sunt cunoscute i sub numele de regula general
de nmulire a probabilitilor. Mai general au loc urmtoarele reguli
d e n m u l i r e a p r o b a b i l i t i l o r :
) / Pr( ) / Pr( ) Pr( ) Pr( B A C A B A C B A =

r e s p e c t i v
) / Pr(
) / Pr( ) / Pr( ) Pr( ) Pr(
C B A D
B A C A B A D C B A

=
.
23
Aplicatii legate de un test diagnostic
Exemplu: S considerm urmtoarele evenimente n
legtur cu aplicarea unui test diagnostic:
A - evenimentul ca o persoan luat la ntmplare dintr-o
populaie s aib o anumit afeciune A (de exemplu, TBC ,
HIV etc.),
T - evenimentul de obinere a unui test pozitiv n cazul
aplicrii unui test diagnostic T pentru detectarea afeciunii A la
o persoan.
Prin non(A) (persoan fr afeciunea A) i non(T) (test
negativ) notm evenimentele complementare evenimentelor A
i respectiv T.
24
Aplicatii legate de un test diagnostic
Populaia creia i s-a aplicat testul are n persoane i s-au obinut
rezultatele:
Testul
Afeciunea
T
pozitiv
non (T)
negativ
Total
A a b a+b
non (A) c d c+d
Total a+c b+d n
Extrgnd la ntmplare o persoan din populaie, cu ajutorul
rezultatelor prezentate n tabelul precedent
25
Sensibilitatea unui test diagnostic
n
b a
A
+
= ) Pr(
,
n
d c
A non
+
= ) Pr(
.
Pr(A) se numete prevalena afeciunii A.
Probabilitatea, notat cu Se, de a obine un test pozitiv, tiind
c testul este aplicat unei persoane care posed afeciunea se
numete sensibilitatea testului, si se exprim cu ajutorul unei
probabiliti condiionate:
Se = Pr(T/A) =
) Pr(
) Pr(
A
A T
n
b a
n
a
b a
a
=
+
=
+
. .
26
Specificitatea unui test diagnostic
Pentru caracterizarea unui test diagnostic se utilizeaz i specificitatea
testului care se definete prin probabilitatea de a obine un test negativ
pentru o persoan care nu posed afeciunea (probabilitate condiionat):
Sp = Pr(non(T)/non(A)) =
) Pr(
) Pr(
A non
A non T non
n
n c
n
c
d c
c
=
+
=
+
.
Valoarea pozitiv predictiv VPP ca fiind probabilitatea ca un test
pozitiv s indice o persoan cu afeciunea A :
VPP = Pr(A/T) =
c a
a
T
T A
+
=

) Pr(
) Pr(
.
Valoarea predictiv negativ VPN care este probabilitatea ca un test
negativ s indice o persoan fr afeciune:
VPN = Pr(non A /non T) =
=

) Pr(
) Pr(
T non
T non A non
d b
d
+
.
27
Evenimente independente
Independena a dou evenimente
Dou evenimente A i B se numesc independente dac
i numai dac
Pr(AB) = Pr(A) Pr(B).
In acest caz este evident c Pr(B/A) = Pr(B) i
Pr(A/B) = Pr(A), ceea ce exprim bine independena
celor dou evenimente prin faptul c probabilitatea
evenimentului B (respectiv A) nu depinde de realizarea
evenimentului A (respectiv B).

28
Exemplu
Exemplu: S presupunem c un medicament a fost administrat la 150 pacieni,
dintre care 50 sunt de sex masculin iar 100 de sex femenin. Numrul celor
ameliorai respectiv neameliorai este prezentat n tabelul:
Sexul
Efectul
Masculin (M) Femenin (F) Total
Ameliorai (A) 40 80 120
Neameliorai
(non A)
10 20 30
Total 50 100 150
Dac se selecteaz aleator un pacient dintre cei 150 atunci:
Pr(A) =
120
150
4
5
=
, Pr(M) =
50
150
1
3
=
, Pr(M A) =
40
150
4
15
=
.
Pe de alt parte, fiindc M i A sunt evenimente independente, are loc
egalitatea:
Pr(MA) = Pr(M) Pr(A)
= =
1
3
4
5
4
15 .
29
Generalizarea independenei
Se spune c trei evenimente A, B i C sunt
independente dac sunt realizate condiiile
urmtoare:
(4) Pr(A B) = Pr(A) Pr(B),
Pr(A C) = Pr(A) Pr(C), Pr(B C) = Pr(B) Pr(C),
(5) Pr(A B C) = Pr(A) Pr(B) Pr(C).
Egalitile (4) nseamn c cele trei evenimente sunt
independente dou cte dou, ceea ce nu este acelasi
lucru cu egalitatea (5).

30
FORMULA LUI BAYES

S considerm dou evenimente A i B care nu sunt
i n d e p e n d e n t e . A t u n c i d i n
Pr(B)
B) Pr(A
Pr(A/B)

=
i
Pr(A)
B) Pr(A
Pr(B/A)

=

s e d e d u c e f o r m u l a l u i B A Y E S :

Pr(B)
Pr(A) Pr(B/A)
Pr(A/B)

=
.
Formula lui Bayes poate fi util n stabilirea unui
d i a g n o s t i c m e d i c a l .
31
Generalized Bayes Rule
A=symptom or a set of
symptoms, B
1
, B
2
,,B
n
=
the states mutual
exclusive and exhaustive
of a disease






Generalized Bayes Rule
Pr(B
k
|A)= max{Pr(Bi|A):
i=1,2,,n} give the most
probable state of the
disease.
Bayes Rule is used in
medical expert system for
automatic diagnosis




Formula lui Bayes Generalizata

A= simptom sau un set de simptome, B
1
,
B
2
,,B
n
= stari mutual exclusive si
exhaustive ale unei boli


i=1,2,,n


) Pr( ) | Pr( ... ) Pr( ) | Pr(
) Pr( ) | Pr(
) | Pr(
1 1 n n
i i
i
B B A B B A
B B A
A B
+ +

=
32
Generalized Bayes Rule
A=symptom or a set of
symptoms, B
1
, B
2
,,B
n
=
the states mutual
exclusive and exhaustive
of a disease






Generalized Bayes Rule
Pr(B
k
|A)= max{Pr(Bi|A):
i=1,2,,n} give the most
probable state of the
disease.
Bayes Rule is used in
medical expert system for
automatic diagnosis




Formula lui Bayes Generalizata
Pr(B
k
|A)= max{Pr(Bi|A): i=1,2,,n}
da cel mai probabil diagnostic.
Formula lui Bayes Generalizata este
utilizata in sistemele expert medicale
pentru diagnosticul automat

33
Aplicatii
Fie D o maladie i S un semn. In acest caz, se pot
considera urmtoarele probabiliti:
- Pr(D/S) - probabilitatea ca maladia D s fie
prezent atunci cnd la un bolnav s-a constatat
semnul S. Aceast probabilitate se numete
probabilitate a posteriori a lui D.
- Pr(D) - probabilitatea lui D dac nu exist nici
o informaie. Este de fapt frecvena maladiei D n
ansamblul populaiei (prevalena lui D). Aceast
probabilitate se numete probabilitate a priori.
34
Aplicatii
-
Pr(S)
Pr(S/D)
este frecvena semnului S n cazul maladiei D raportat
la frecvena sa n ansamblul populaiei (care are sau nu maladia
D).
Aceast probabilitate se numete valoare diagnostic a lui S
pentru D (care va fi cu att mai bun cu ct S va fi mai
frecvent n cazul maladiei D n raport cu prezena sa la alte
maladii).
35
Aplicatii
Observaie:
- Aceste consideraii privind legtura dintre diagnosticul
medical i formula lui BAYES se pot generaliza la cazul cnd
sunt luate n considerare simultan mai multe semne clinice
care la rndul lor intr n profilul mai multor maladii, putnd
servi la luarea unei decizii ntre mai multe diagnostice.
- Formula lui BAYES generalizat, dei n acest caz este mai
complex, constituie un element important al sistemului
automat de decizie utilizat n unele sisteme expert pentru
diagnosticul medical.
36
Variabile aleatoare
Se numete variabil aleatoare pe un spaiu fundamental
E i se noteaz prin X, o funcie definit pe E cu valori n
mulimea numerelor reale.
Unei variabile aleatoare X i se pot asocia diferite probabiliti
cu care aceast variabil aleatoare poate lua anumite valori:
Pr( X = a) - probabilitatea ca X s ia valoarea a;
Pr( a s X s b ) - probabilitatea ca X s ia valoarea sa
n intervalul |a,b|.
O variabil aleatoare se numete discret dac ea poate lua un
numr finit sau cel mult numrabil de valori.

37
Variabile aleatoare
Exemple:
Numrul de internri ntr-un spital ntr-un
interval de timp dat X={0,1,2,...,n,...}.
Aceasta este o variabil aleatoare discret
infinit.
Numrul de bacterii ntr-un mililitru de ap
X={0,1,2,...,n,...}.
Numrul de indivizi cu RH-negativ dintr-un
grup de n persoane luate la ntmplare
X={0,1,2,...,n}. Aceasta este o variabil
aleatoare discret finit.
38
Variabile aleatoare
O variabil aleatoare este continu atunci
cnd variaz n mod continuu ntr-un
interval i poate lua o mulime
nenumrabil de valori.
Exemple de acest fel de variabile aleatoare
sunt: temperatura corporal, concentraia
unei substane n snge, capacitatea
pulmonar, etc.
39
Variabile aleatoare discrete
Distribuia sau legea de probabilitate a
variabilei aleatoare X discret se noteaz prin:
X :
1 2 n
1 2
x x ... x
p(x ) p(x ) ... p(
n
x )
|
\

|
.
|
.
Probabilitile care apar n distribuia unei
variabile aleatoare finite X verific:
i
p(x
i 1
n
)
1
=

= .
40
Variabile aleatoare
Funcia F:RR, definit prin:

s
= s =
x x
i
) p(x
i
x) Pr(X F(x)
se numete o funcie de repartiie pentru variabila
aleatoare X.
41
Variabile aleatoare independente
Variabilele aleatoare X i Y se numesc independente
dac
Pr(X s x i Y s y) = Pr(X s x) Pr(Y s y),
pentru orice valori posibile x i y ale celor dou variabile
aleatoare, sau n cazul n care X i Y sunt discrete
Pr(X = x i Y = y) = Pr(X = x) Pr(Y = y),
pentru orice valori posibile x i y ale celor dou variabile
aleatoare.
42
Variabile aleatoare speranta matematica
Media sau sperana matematic a unei
variabile aleatoare discrete
Fie X o v. a. finit avnd distributia:
X :
1 2 n
1 2
x x ... x
p(x ) p(x ) ... p(
n
x )
|
\

|
.
|
.
Media sau sperana matematic a lui X se
definete prin:
M(X) x p(x
i
i 1
n
i
=
=

)
.
43
Variabile aleatoare
- Dac legea de probabilitate a lui X este uniform, adic
p(x
i
) = 1/n , pentru orice i= 1,2,...,n, atunci M(X) este
media aritmetic a numerelor x
1
, x
2
, ..., x
i
, ..., x
n
.

- Se poate uor arta c dac a este o constant i Y este
o alt variabil aleatoare iar X i Y sunt independente,
atunci:
(6) M(a X) = a M(X)
(7) M(X + a ) = M(X) + a
(8) M(X + Y) = M(X) + M(Y).

44
Variabile aleatoare - variatia
Variaia variabilei aleatoare X se definete prin
V(X) = M( |X- M(X)|
2
)
sau
V(X)
i
[x
i 1
n
M(X)]
i
p(x )
2
=
=

Prin definiie abaterea standard este:
o(X) V(X) =
.
45
Variabile aleatoare
Dac a este o constant , se arat uor c:
V(a X) = a
2
V(X)
o(a X) = a o(X),
V(X + a) = V(X)
o(X + a) =o(X).


46
Variabile aleatoare centrate reduse
VARI ABI LE ALEATOARE CENTRATE
REDUSE
Unei variabile aleatoare X cu media M(X) i
abaterea standard o(X) i se poate asocia o variabil
aleatoare Y numit variabil aleatoare centrat redus
definit prin:
Y
X M(X)
X
=

o ( )
.
In baza proprietilor (6)-(9) ale mediei i abaterii
standard, se poate arta uor c variabila aleatoare
centrat redus are media M(Y) = 0 i abaterea standard
o(Y)=1.
47
Variabile aleatoare discrete infinite
Variabile aleatoare definite pe un spaiu
fundamental infinit
Cazul discret
Noiunile i proprietile prezentate anterior
pentru variabilele aleatoare finite se pot introduce n
mod analog pentru cazul variabilelor aleatoare
discrete avnd o mulime infinit de valori, prin
nlocuirea sumei finite
i
n
=

1
cu una infinit
i=

1
.
48
Variabile aleatoare continue
Cazul continuu
In cazul unei variabile aleatoare continue X, se
consider o funcie f:RR numit densitate de
probabilitate, care are proprietile:
(i)
}
= s s
b
a
f(x)dx b) X Pr(a
(ii) f(x) > 0, xeR,
(iii)
f(x)dx 1 =

}
.
49
Densitate de probabilitate

50
Variabile aleatoare continue - repartitia
Funcia de repartiie F asociat v. a. X este:

}

= s
x
-
f(t)dt x) Pr(X = F(x)
.

51
Distributia normala redusa
52
Variabile aleatoare continue media, variatia
De asemenea, media lui X este definit prin :
M(X) =
xf(x)dx

}
,
iar variaia lui X
V(X) =
[x - M(X)] f(x)dx
2

}
.
Pentru media, variaia i abaterea standard ale variabilelor
aleatoare continue rmn valabile proprietile (6) - (9)
enunate n cazul discret.
53
Principalele distributii de probabilitate
Pentru variabilele aleatoare discrete :
- legea BINOMIAL pentru cazul variabilelor
aleatoare finite
- legea lui POISSON pentru cazul variabilelor
aleatoare discrete infinite.
Pentru variabilele aleatoare continue :
- legea normala Z (Gauss)
- legea STUDENT (t)
- legea _
2
a lui PEARSON
- legea F a lui FI SHER.

54
Legea normala
Legea normal
Variabila aleatoare X este normala de tipul N(, o)
daca distribuia ei depinde de doi parametri: media m
si abaterea standard o i are densitatea de
probabilitate:
1 x
2
( )
2
1
f(x)
2
e

o
o t

=
.
Pentru variabila normal X au loc :
M(X) =
V(X) = o
2
.
55
Distributia normala (Gauss)
56
Legea normala redusa
Legea Normal redus
Este evident c exist o gam infinit de legi normale, care
corespund cte unei perechi de parametri (m, o). Toate aceste
distribuii normale se pot reduce la una singur, avnd media 0 i
abaterea standard 1, cu ajutorul unei schimbri de variabil:
U
X m
=

o
.
Aceasta este legea normal redus cu densitatea de
probabilitate:
f(x) =

1
2
1
2
2
t
x
e
.
57
Distributia normala redusa Z
58
59
Distributia normala redusa Z
60
Distributia normala
61
Principalele distributii de probabilitate
Legea BINOMIAL sau distribuia lui
BERNOULLI
Modelul legii binomiale este urmtorul:
1. Un experiment este alctuit din repetarea unei
ncercri elementare de n ori, n fiind un numr natural
dat.
2. Rezultatele posibile ale fiecrei ncercri
elementare sunt doar dou evenimente numite de obicei:
succes (S) i eec (E).
3. Probabilitile p de succes i q = 1 - p de eec
sunt constante de la o ncercare la alta.
4. Cele n ncercri repetate sunt independente una
de cealalt.
62
Principalele distributii de probabilitate
Legea binomial
Numrul de succese obinute din cele n ncercri
repetate este o variabil aleatoare de tip binomial care
depinde de parametrii n i p i este de obicei notat
prin Bi(n,p). Aceast variabil aleatoare X poate s ia
valorile 0, 1, 2, ..., n i are tabelul de distribuie:
X:
k
C p q
n
k k n k
|
\

|
.
|
adic
P( X = k ) =
C p q
n
k k n k
.
63
Principalele distributii de probabilitate
Legea binomial
Media sau Sperana matematic a legii binomiale este:
M(X) = n p,
iar variaia
V(X) =n p q,
i deci abaterea standard
o(X) =
npq
.
64
Principalele distributii de probabilitate
X fiind Bi(p,q), variabil aleatoare binomial X=
X/n, exprim frecvena relativ
k
n
a succesului
X:
k
n
n
k k n k
C p q

|
\

|
.
|
, adica P( X =
k
n
) =
C p q
n
k k n k
.
Pentru variabila aleatoare X c au loc relaiile:
M(X) = p, V(X) =
pq
n
,
o(X' )
pq
n
=
.
65
Principalele distributii de probabilitate
Comportarea la limit a legii binomiale cnd n
este mare
Se poate arta c atunci cnd np > 10 i nq >
10, distribuia variabilei binomiale X (frecvena
absolut a succeselor) tinde s se apropie de o
lege normal N(np,
npq
).
De asemenea, cnd n este mare, distribuia
variabilei aleatoare X (frecvena realtiv a
succesului) tinde s se apropie de o lege normal
de tipul N(p,
pq
n
).
66
Principalele distributii de probabilitate
Legea lui POISSON
Variabila aleatoare POISSON ia o infinitate
numrabil de valori: 0,1,2,...,k,... , care reprezint
numrul de realizri ntr-un interval dat de timp sau
spaiu ale unui eveniment (numrul de intrri pe an
ntr-un spital, numrul de bacterii ntr-un mililitru de
ap, numrul de dezintegrri ale unei substane
radioactive ntr-un interval de timp T dat, etc).

67
68
69
Principalele distributii de probabilitate
Legea lui POISSON
Modelul acestei variabile aleatoare presupune c :
i) numrul de realizri ale evenimentului ntr-un interval este
independent de numrul de realizri n orice alt interval
(repartiie aleatoare n timp sau spaiu),
ii) numrul ateptat de realizri ntr-un interval este proporional
cu dimensiunea sa i nu depinde de poziia sa n timp sau spaiu,
iii) ntr-un interval suficient de mic probabilitatea de a observa
mai mult de o realizare a evenimentului este neglijabil n raport
cu probabilitatea de a observa una singur (nesimultaneitatea
realizrii a dou evenimente n timp sau spaiu).

70
Principalele distributii de probabilitate
Variabila aleatoare Poisson
Este caracterizat de un parametru u care reprezint
numrul mediu teoretic (ateptat) de realizri ale
evenimentului n intervalul considerat i are
urmtoarea lege de distribuie:
X:
k
e
k
k

|
\

|
.
|
|
u
u
!
, P( X = k ) =
e
k
k
u
u
!
.
Despre variabila aleatoare de tip Poisson X se
mai spune c este de tipul Po(u).
Sperana matematic i variaia sunt:
M(X) = V(X) = u.
71
Principalele distributii de probabilitate
Variabila aleatoare Student (t)
Variabila aleatoare Student t este o variabil aleatoare continu
care ia valori n intervalul (- , + ), a crei funcie densitate de
probabilitate depinde de un singur parametru k numit numrul de
grade de libertate.
Distribuia acestei variabile aleatoare este simetric n raport cu
originea i are o form de clopot:
P[ t
k
< -x ] = P[ t
k
> x].
Atunci cnd k tinde la , distribuia Student tinde ctre o
distribuie normal redus.
Aceast variabil aleatoare este utilizat, n testul de comparaie a
mediilor numit i testul Student sau testul t.
72
Distributia Student t
73
Principalele distributii de probabilitate
Distribuia _
2
a lui Pearson
Distribuia _
2
descrie comportarea unei sume de
ptrate a unor variabile independente normal distribuite,
fiecare avnd o medie egal cu zero i abatere standard
egal cu 1. Astfel variabila U, definit prin egalitatea
U X X X
n
= + + +
1
2
2
2 2
...
,
unde
X
i
2
reprezint ptratul unei observaii selectate
aleator dintr-o populaie normal distribuit avnd media
zero i deviaia standard 1, este _
2
distribuit .
74
Principalele distributii de probabilitate
Distribuia _
2
a lui Pearson
Forma acestei distribuii depinde de numrul de termeni
X
i
2
independeni din sum. Numrul de termeni
X
i
2
independeni
se numete numrul de grade de libertate .
Fiecrui nivel d al gradelor de libertate i se asociaz o
distribuie _
2
distinct. Media i variaia unei distribuii _
2
sunt
:
M(_
2
) = d, V(_
2
) = 2 d,
unde d este numrul de grade de libertate.
75
Principalele distributii de probabilitate
Distribuia F a lui Fisher
Distribuia F introdus de R. A. Fisher, este definit pe [0, +
) i descrie comportarea ctului a dou variabile cu
distribuie _
2
fiecare fiind mprit prin numrul gradelor
sale de libertate.
Un membru al acestei clase de distribuii este determinat prin
numrul de grade de libertate ale numrtorului d
n
i
respectiv numrul de grade de libertate ale numitorului d
m
,
distribuiile F distincte fiind determinate de perechi (d
n
, d
m
)
distincte.

76
Principalele distributii de probabilitate
Distribuia F a lui Fisher
In general, pentru d
n
i d
m
> 2 distribuia F este
unimodal i pozitiv asimetric. Atunci cnd numrul
gradelor de libertate crete distribuia F se apropie pe
domeniul su de definiie de o distribuie normal.
Aceast distribuie este utilizat n testele de
comparaie a variaiilor i ca aplicaie a acestora n
testele ANOVA.