Capitolul 3

Legi clasice de probabilitate (distribuii sau

repartiii) ale variabilelor aleatoare discrete
Introducere
Vom prezenta n acest capitol principalele legi de probabilitate ale
variabilelor aleatoare discrete, i anume: legea discret uniform, legea
binomial i cazul su particular legea Bernoulli, legea binomial cu exponent
negativ i cazul particular legea geometric, legea hipergeometric i legea
Poisson (legea evenimentelor rare).

3.1. Legea discret uniform

Definiia 3.1.1. Variabila aleatoare discret
uniform dac are tabloul de distribuie

X urmeaz legea discret

x1 x 2 ... x n
1
, unde p k = , k = 1, 2, ...n , n * .
X :
n
p1 p 2 ... p n

(3.1.1)

Vom mai spune c variabila aleatoare X dat de formula (3.1.1) are o

distribuie discret uniform sau o repartiie discret uniform.
Din tabloul distribuiei variabilei aleatoare X se observ c
n

1
= 1.
k =1 n

pk =
k =1

Teorema 3.1.2. Dac variabila aleatoare X are distribuie discret uniform cu

tabloul de distribuie (3.1.1), atunci valoarea medie i dispersia sa sunt
2

1 n
1 n
1 n

M ( X ) = x k , D 2 ( X ) = x k2 2 x k .
n k =1
n k =1
n k =1

(3.1.2)

Demonstraie. Din formulele de calcul ale mediei i dispersiei obinem

k =1

k =1

M ( X ) = xk pk = xk

1 1 n
= xk ,
n n k =1

D ( X ) = M ( X ) [ M ( X )] = x p k x k p k
k =1
k =1

= x k2
k =1

2
k

1 n
1
1 n
1 n

x k = x k2 2 x k .
n k =1
n
n k =1
n k =1

q.e.d.
Observaia 3.1.3. Deoarece D 2 ( X ) 0 , din relaia a doua (3.1.2) avem
2

n x xk ,
k =1
k =1
n

2
k

relaie util n diverse aplicaii practice, i care rezult direct i din inegalitatea
lui Cauchy-Buniakovski-Schwarz.
Propoziia 3.1.4. Dac variabila aleatoare discret X are distribuie uniform
cu tabloul de distribuie (3.1.1), atunci funcia sa caracteristic este
c(t ) =

1 n itxk
e , t R.
n k =1

(3.1.3)

Demonstraie. Conform formulei de calcul pentru funcia caracteristic, avem

n

c(t ) = p k e
k =1

itxk

1 n itxk
= e , t R.
n k =1

q.e.d.
Propoziia 3.1.5. Dac variabila aleatoare discret X are distribuie uniform
i ia valorile xk = k , k = 1, 2, ..., n , adic are tabloul de distribuie
1 2 n

X : 1 1
1 ,

n
n n

atunci

n +1
n2 1
,
, D2 (X ) =
12
12
nt
sin
i ( n +1) t
2
c(t ) =
e 2 , t R, t 2k , k Z ; c(t ) = 1, t = 2k , k Z .
t
n sin
2
M (X ) =

Demonstraie. Din formulele (3.1.2), pentru xk = k , k = 1, 2, ..., n , obinem

M (X ) =

1 n
1 n
n +1
x
=
k=
,

k
n k =1
n k =1
2

D2 (X ) =

1 n 2 1 n
1 n 2 1 n

x
x
k

k n2
k n 2
k
n k =1
n k =1
k =1
k =1

1 n(n + 1)(2n + 1) 1 n 2 (n + 1) 2 n 2 1
.
=
2
=
n
6
4
12
n
Din formula (3.1.3), obinem pentru funcia caracteristic

c(t ) =

1 n itk e it 1 e int e it 1 cos nt i sin nt

e = n 1 e it = n 1 cos t i sin t
n k =1

nt
nt
nt
nt
nt
nt
sin cos + i sin
2i sin cos
it
e
2
2
2
2
2
2 =e
=
t
t
t
t
t
t
n
n
2 sin 2 2i sin cos
sin cos + i sin
2
2
2
2
2
2
nt
nt
sin
e it sin
i ( n +1) t

(
1
)
n
t
n
t
(
1
)

2 e 2 , t R, t 2k , k Z ,
2 cos
=
+ i sin
=
t
t
2
2
n sin
n sin
2
2
c(t ) = 1, t = 2k , k Z .
it

2 sin 2

q.e.d.

3.2. Legea binomial. Legea Bernoulli

Definiia 3.2.1. Variabila aleatoare discret X urmeaz legea binomial
( X are o distribuie sau repartiie binomial) cu parametrii n i p ( n N ,
0 < p < 1 ) dac ia valorile 0,1, 2, ..., n cu probabilitile
3

P ( X = k ) = C nk p k q nk , k = 0,1, 2,..., n,

(3.2.1)

unde q = 1 p .
Tabloul de distribuie pentru variabila aleatoare X este

1
2
...
n
0

.
X : 0 0 n 1 n 1 2 2 n 2
n n 0
... C n p q
C n p q C n pq C n p q
Se observ c

k =0

k =0

Cnk p k q nk = Cnk p nk q k =( p + q) n = 1.

Exemplul 3.2.2. Dac A1 , A2 , ..., An sunt evenimente independente i

P( Ai ) = p, i = 1, 2, ..., n , iar X reprezint numrul evenimentelor care se
realizeaz n cadrul unei experiene , atunci X are distribuie binomial cu
parametrii n i p (conform schemei lui Bernoulli).
Exemplul 3.2.3. Dac A este un eveniment legat de o anumit experien i
probabilitatea ca A s se produc cnd efectum o singur dat experiena este
P( A) = p , atunci variabila aleatoare care are ca valori numrul realizrilor lui
A cnd efectum de n ori experiena are distribuie binomial cu parametrii n i
p.
Teorema 3.2.4. Dac variabila aleatoare X are distribuie binomial cu
parametrii n i p, atunci valoarea medie i dispersia sa sunt
M ( X ) = np, D 2 ( X ) = npq .

(3.2.2)

Demonstraie. Valoare medie a variabilei aleatoare X este

n

M ( X ) = 0 C n0 p 0 q n + 1 C n1 pq n1 + 2 C n2 p 2 q n2 + + n C nn p n q 0 = kC nk p k q nk .
k =0

Pentru a calcula suma de mai sus vom considera polinomul

P( x) = ( px + q ) n = C n0 p n x n + C n1 p n 1qx n 1 + + C nn 1 pq n 1 x + C nn q n
n

k =0

k =0

= C nk p n k q k x n k = C nk p k q n k x k .
Derivnd polinomul de mai sus obinem

P' ( x) = np ( px + q ) n1 = nC n0 p n x n1 + (n 1)C n1 p n1qx n2 +

(3.2.3)

+ C nn1 pq n1 + 0 C nn q n = kC nk p k q nk x k 1 .
k =0

Lund x = 1 n relaia (3.2.3), obinem

kC
k =0

k
n

p k q nk = np ( p + q ) n1 , de unde

rezult c M ( X ) = np .
Pentru a calcula dispersia lui X vom folosi formula
D 2 ( X ) = M ( X 2 ) [ M ( X )]2 .
n

Media variabilei X 2 este M ( X 2 ) = k 2 C nk p k q nk .

k =0

nmulim relaia (3.2.3) cu x i obinem

xP' ( x) = npx( px + q ) n1 = nC n0 p n x n + (n 1)C n1 p n1qx n1 + C nn1 pq n1 x
n

+ 0 C nn q n = kC nk p k q nk x k .
k =0

Dac derivm relaia de mai sus deducem c

n

P' ( x) + xP' ' ( x) = np ( px + q ) n1 + n(n 1) p 2 x( px + q ) n2 = k 2 C nk p k q nk x k 1 .

k =0

Lund x = 1 n relaia de mai sus deducem c M ( X 2 ) = np + n(n 1) p 2 .

Obinem astfel dispersia lui X
D 2 ( X ) = np + n(n 1) p 2 n 2 p 2 = np np 2 = npq.
q.e.d.
Propoziia 3.2.5. Dac este modulul (valoarea cea mai probabil) a unei
variabile aleatoare X cu distribuie binomial cu parametrii n i p, atunci
np q np + p,

unde q = 1 p.
Demonstraie. Dac este modulul variabilei X atunci
5

P( X = 1) P( X = ), P( X = + 1) P( X = ).

Inegalitile de mai sus ne conduc la sistemul

C n 1 p 1q n +1 C n p q n
+1 +1 n 1
C n p q
C n p q n

p
q
n + 1

p q
+ 1 n

np + p

np q,

de unde rezult concluzia propoziiei.

q.e.d.

Propoziia 3.2.6. Dac variabila aleatoare X are distribuie binomial cu

parametrii n i p, atunci funcia sa caracteristic este
c(t ) = ( pe it + q ) n , t R.

(3.2.4)

Demonstraie. Conform formulei pentru funcia caracteristic avem

n

k =0

k =0

c(t ) = C nk p k q n k e itk = C nk ( pe it ) k q n k = ( pe it + q ) n , t R.

q.e.d.
Teorema 3.2.7. Dac variabilele independente X i Y au distribuii binomiale cu
parametrii n i p, respectiv m i p, atunci variabila X+Y are distribuie
binomial cu parametrii m+n i p.
Demonstraie. Deoarece X ia valorile 0,1,, n, iar Y ia valorile 0,1,, m,
rezult c variabila X+Y va lua valorile 0,1,, n + m. Variabila X+Y are valoarea
k ( k {0,1,, n + m}) dac (X=0 i Y=k) sau (X=1 i Y=k-1) sau ... sau (X=k i
Y=0). Atunci vom obine

k
k
P( X + Y = k ) = P { X = j , Y = k j} = P( X = j , Y = k j )
j =0
j =0
k

= P( X = j ) P(Y = k j ) = C nj p j q n j C mk j p k j q mk + j
j =0

j =0

= p k q m+ n k C nj C mk j = C mk + n p k q m+ n k .
j =0

Am folosit mai sus faptul c evenimentele X i Y sunt independente, i de

k

asemenea am utilizat formula

C
j =0

j
n

C mk j = C mk + n , care poate fi dedus egalnd

coeficientul lui x din dezvoltrile (1 + x) n (1 + x) m i (1 + x) n+ m .

Deci am obinut
k

P( X + Y = k ) = C mk + n p k q m+ nk , k = 0,1,, n + m,

adic variabila X+Y are o distribuie binomial cu parametrii m+n i p.

Concluzia teoremei mai poate fi obinut folosind proprietatea de la funcii
caracteristice care spune c funcia caracteristic a sumei a dou variabile
aleatoare independente cu funciile caracteristice c1 (t ) i c2 (t ), t R , are forma
c(t ) = c1 (t )c2 (t ), t R. Astfel folosind relaia (3.2.4) deducem c funcia
caracteristic a variabilei X+Y este

c(t ) = pe it + q

) ( pe
n

it

+q

) = ( pe
m

it

+q

m+ n

, t R.

Din expresia de mai sus a funciei c tragem concluzia c variabila aleatoare X+Y
are distribuie binomial cu parametrii m+n i p.
q.e.d.
Teorema 3.2.8. (Bernoulli) Un eveniment are probabilitatea de realizare p
atunci cnd facem o singur dat experiena de care este legat. Dac n este
numrul de realizri ale evenimentului cnd repetm experiena de n ori,atunci

lim P n p = 0,
n
n

(3.2.5)

oricare ar fi > 0.
Demonstraie. Variabila aleatoare n care are ca valori numrul de realizri ale
evenimentului din problem are distribuie binomial cu parametrii n i p.
Conform Teoremei 3.2.2 avem M ( n ) = np i D 2 ( n ) = npq . Variabila aleatoare

n
n

va avea atunci valoarea medie, dispersia i abaterea medie ptratic

np
1
= p,
m = M n = M ( n ) =
n
n n

pq
1
D 2 n = 2 D 2 ( n ) =
, =
n
n n

pq
.
n
7

Vom folosi acum Inegalitatea lui Cebev pentru variabila

Obinem

n
n

i a = .

2
pq
P n p 2 = 2 .
n
n

Deoarece lim
n

pq
= 0 , din inegalitatea de mai sus rezult inegalitatea (3.2.5).
n 2

q.e.d.
Observaia 3.2.9. O mbuntire a inegalitii (3.2.5) este dat de teorema lui
Borel, care spune c n condiiile Teoremei 3.2.8 are loc relaia

P n p = 1.
n

Aplicaia 3.2.10. n cadrul unei experiene evenimentele independente

A1 , A2 , An au probabilitile de realizare P( Ak ) = p k , k = 1, 2,, n. S se
calculeze valoarea medie i dispersia numrului de evenimente care se
realizeaz atunci cnd experiena are loc.
Rezolvare. S notm cu X variabila aleatoare care are ca valori numrul de
evenimente care se realizeaz n cadrul experienei. Valorile variabilei X sunt
0,1, 2,, n. Probabilitatea ca X s ia valoarea k ( k = 0,1, 2,, n) este, conform
schemei lui Poisson (schema binomial generalizat) coeficientul lui x k din
polinomul
Q( x) = ( p1 x + q1 )( p 2 x + q 2 ) ( p n x + q n ) ,

(3.2.6)

unde qi = 1 pi , i = 1, 2,, n. Dac scriem desfurat pe Q(x) sub forma

Q( x) = a0 + a1 x + a 2 x 2 + + a n x n ,

(3.2.7)

atunci tabloul de distribuie pentru variabila X este

0 1 2 n
X :
.
a0 a1 a 2 a n
Suma tuturor elementelor de pe linia a doua a tabloului de mai sus este 1. ntradevr
8

a0 + a1 + + a n = Q(1) = ( p1 + q1 )( p 2 + q 2 ) ( p n + q n ) = 1.
n

Valoarea medie a variabilei X este M ( X ) = kak . Ideea de demonstraie a

k =0

teoremei este asemntoare cu cea a Teoremei 3.2.4. Vom deriva polinomul Q,

scris sub cele dou forme de mai sus (3.2.6) i (3.2.7). Derivnd relaia (3.2.7)
obinem
Q' ( x) = a1 + 2a 2 x + 3a3 x 2 + + na n x n1 ,

(3.2.8)

de unde rezult
n

Q' (1) = a1 + 2a 2 + 3a3 + + na n = kak = M ( X ).

k =1

Pe de alt parte parte, derivnd relaia (3.2.6) obinem

Q' ( x) = p1 ( p k x + q k ) + p 2 ( p k x + q k ) + + p n ( p k x + q k ) ,
k 1

k 2

(3.2.9)

k n

iar pentru x = 1 deducem Q' (1) = p1 + p 2 + + p n . Rezult c

n

M ( X ) = pk .

(3.2.10)

k =1

Pentru a calcula dispersia, vom calcula mai nti M ( X 2 ) = k 2 a k . nmulim

k =0

relaia (3.2.8) cu x i obinem

xQ' ( x) = a1 x + 2a 2 x 2 + 3a3 x 3 + + na n x n .

Derivnd egalitatea de mai sus rezult

Q' ( x) + xQ' ' ( x) = a1 + 2 2 a 2 x + 32 a3 x 2 + + n 2 a n x n1 .
n

Pentru x = 1 deducem din relaia de mai sus Q' (1) + Q' ' (1) = k 2 a k . Deci
k =1

M ( X 2 ) = Q' (1) + Q' ' (1) = p k + Q' ' (1).

(3.2.11)

k =1

Derivm acum relaia (3.2.9) pentru a determina Q' ' ( x) ; obinem

Q' ' ( x) = p1 p 2 ( p j x + q j ) + p3 ( p j x + q j ) + + p n ( p j x + q j )
j 1, 3
j 1, n
j 1, 2

+ + p n p1 ( p j x + q j ) + p 2 ( p j x + q j ) + + p n1 ( p j x + q j ).
j 2,n
j 1, n 1
j 1,n

Pentru x = 1 obinem din relaia de mai sus

Q' ' (1) = p1 p k + p 2 p k + + p n p k = p1[ M ( X ) p1 ] + p 2 [ M ( x) p 2 ]
k 1

k 2

k n

+ + p n [ M ( X ) p n ] = M ( X )( p1 + p 2 + + p n ) ( p12 + p 22 + + p n2 )
n

= [ M ( X )]2 p k2 .
k =1

Din relaia (3.2.11) i din relaia de mai sus deducem c

n

k =1

k =1

M ( X 2 ) = p k + [ M ( X )]2 p k2 .

(3.2.12)

Folosind acum relaiile (3.2.10) i (3.2.12) rezult c dispersia lui X este

n

D 2 ( X ) = M ( X 2 ) [ M ( X )]2 = p k + [ M ( X )]2 p k2 [ M ( X )]2

k =1

k =1

k =1

k =1

k =1

k =1

= p k p k2 = p k (1 p k ) = p k q k .

O alt metod mai simpl pentru calculul mediei i dispersiei variabilei X este
urmtoarea: s notm cu X k variabila aleatoare care are ca valori pe 1 dac Ak se
realizeaz, i pe 0 dac Ak nu se realizeaz, pentru k = 1, 2,, n. Tablourile de
distribuie pentru variabilele X k sunt

1 0
, k = 1, 2,, n.
X k :
pk qk
Atunci numrul evenimentelor care se realizeaz este X = X 1 + + X n , deci
media sa va fi
10

k =1

k =1

M ( X ) = M ( X k ) = pk .

Deoarece variabilele aleatoare X k , k = 1, 2,, n sunt independente, atunci

dispersia varaibilei X va fi
n

D (X ) = D (X k
2

k =1

) = {M ( X
n

k =1

2
k

) [M ( X k

)] } = ( p
n

k =1

p ) = pk qk .
2
k

k =1

q.e.d.
Pentru n = 1, legea binomial este cunoscut i sub numele de legea
Bernoulli cu parametrul p. Variabila aleatoare X care urmeaz legea Bernoulli
cu parametrul p admite doar dou valori posibile 0 i 1 cu probabilitile de
realizare q=1-p i p, avnd tabloul de distribuie
0
X :
q

1
, q = 1 p.
p

Valoarea medie i dispersia variabilei X sunt M ( X ) = p i D 2 ( X ) = pq .

O variabil aleatoare cu distribuie binomial cu parametrii n i p dat de
Definiia 3.2.1 este suma a n variabile aleatoare independente cu distribuii
Bernoulli cu acelai parametru p.

3.3. Legea binomial cu exponent negativ. Legea geometric

Definiia 3.3.1. Variabila aleatoare X urmeaz legea binomial cu exponent
negativ (X are distribuie sau repartiie binomial cu exponent negativ) cu
parametrii m i p ( m N * , 0 < p < 1 ) dac ia valorile m, m + 1, m + 2, cu
probabilitile
P( X = k ) = C km11 p m q k m , k m,

(3.3.1)

unde q=1-p.
Tabloul de distribuie pentru variabila aleatoare X este

X : m1 m 0
C m1 p q

m +1

m+2

m 1
m

m 1
m +1

p q C

p q

Exemplul 3.3.2. O experien se efectueaz pn la cea de-a m-a realizare a unui

eveniment A legat de ea. Dac probabilitatea acestui eveniment cnd se face o
11

singur dat experiena este p, atunci numrul X de efecturi ale experienei este
variabil aleatoare care are distribuie binomial cu exponent negativ cu
parametrii m i p. ntr-adevr, evenimentul { X = k} se scrie ca intersecia a dou
evenimente: n primele k-1 efecturi ale experienei evenimentul A se produce
de m-1 ori i n a k-a efectuare a experienei se produce A. Probabilitatea
primului din aceste dou evenimente este C km11 p m1q k m , conform schemei lui
Bernoulli, iar probabilitatea celui de-al doilea este p. Deci
P( X = k ) = pC km=11 p m1q k m = C km11 p m q k m , k = m, m + 1,

Teorema 3.3.3. Dac variabila aleatoare X are distribuie binomial cu

exponent negativ cu parametrii m i p, atunci valoarea medie i dispersia sa
sunt
M (X ) =

m
,
p

D2 (X ) =

mq
.
p2

(3.3.2)

Demonstraie. Valoarea medie a variabilei aleatoare X este

M ( X ) = mC mm11 p m q 0 + (m + 1)C mm1 p m q + (m + 2)C mm+11 p m q 2 +

= kC km11 p m q k m .
k =m

Pentru a calcula suma seriei de mai sus, pornim de la dezvoltarea n serie de

puteri a funciei (1 x) m , i anume
(1 x) m = 1 +

m(m + 1) 2
m
x +,
x+
2!
1!

x (1,1).

Pentru m N * seria binomial de mai sus se scrie sub forma

(1 x)

=C

0
m 1

+C x+C
1
m

2
m +1

x + = C kk1m x k m ,
2

x (1,1)

k =m

sau

(1 x) m = C mm11 + C mm1 x + C mm+11 x 2 + = C km11 x k m ,

x (1,1).

(3.3.3)

k =m

Folosind seria de mai sus (cu x=q), observm c suma tuturor probabilitilor
de pe linia a doua a tabloului distribuiei variabilei X este 1. ntr-adevr

12

k =m

m 1
k 1

p q

k m

=p

k =m

m 1
k 1

k m

= p (1 q )
m

1 q
=
p p

= 1.

Numele distribuiei binomiale cu exponent negativ provine din observaia c

termenii P( X = k ) = C km11 p m q k m , k m sunt termenii generali ai dezvoltrii
m

1 q
.
p p
Relaia (3.3.3) se scrie echivalent astfel

xm
=
C km11 x k

m
(1 x)
k =m

(3.3.4)

Derivnd relaia (3.3.4) obinem

mx m1
=
kC km11 x k 1 ,

m +1
(1 x)
k =m

x (1,1).

(3.3.5)

Pentru x=q din relaia (3.3.5) deducem

mq m1
=
kC km11q k 1 .

m +1
p
k =m

(3.3.6)

Atunci valoarea medie a variabilei X este, folosind relaia (3.3.6)

M ( X ) = kC
k =m

m 1
k 1

p q

k m

=p q
m

m +1

kC

k =m

m 1
k 1

k 1

=p q
m

m +1

mq m1 m
= .
p
p m+1

Pentru a calcula dispersia variabilei X, vom calcula mai nti M ( X 2 ) , i

anume

k =m

k =m

M ( X 2 ) = k 2 C km11 p m q k m = p m q1m k 2 C km11q k 1 .

nmulim relaia (3.3.5) cu x i obinem

mx m
=
kC km11 x k ,

m +1
(1 x)
k =m

x (1,1).

Prin derivarea relaiei de mai sus rezult

13

x m1m(m + x) 2 m1 k 1
= k C k 1 x ,
(1 x) m+ 2
k =m

x (1,1).

Pentru x=q din relaia obinut deducem

k 2Ckm11q k 1 =

k =m

q m1m(m + q )
.
p m+ 2

Rezult atunci c M ( X 2 ) este

M (X ) = p q
2

1 m

q m1m(m + q ) m(m + q )
,
=
p m+ 2
p2

iar dispersia varaibilei aleatoare X este

D 2 ( X ) = M ( X 2 ) [ M ( X )]2 =

m 2 + mq m 2 mq
2 = 2.
p2
p
p

q.e.d.
Propoziia 3.3.4. Dac variabila aleatoare X are distribuie binomial cu
exponent negativ cu parametrii n i p, atunci funcia sa caracteristic este
pe it
c(t ) =
it
1 qe

, t R.

(3.3.7)

Demonstraie. Conform formulei pentru funcia caracteristic avem

c(t ) = C km11 p m q k m e itk = p m e itm C km11 (qe it ) k m

k =m

k =m

pe it
, t R,
= p m e itm (1 qe it ) m =
it
1 qe
conform relaiei (3.3.3), care este adevrat i pentru numere complexe
x C , | x |< 1.

q.e.d.

Pentru m=1 legea binomial cu exponent negativ cu parametrul p se mai

numete legea geometric cu parametrul p. Tabloul de distribuie pentru o
variabil aleatoare X cu distribuie geometric cu parametrul p este urmtorul
14

 1
X : m 0
p q

p q

p q

unde q=1-p. Conform relaiilor (3.3.2) i (3.3.7) media, dispersia i funcia

caracteristic ale lui X sunt
M (X ) =

q
pe it
1
, D 2 ( X ) = 2 , c(t ) =
, t R.
p
p
1 qe it

3.4. Legea hipergeometric

Definiia 3.4.1. Variabila aleatoare X urmeaz legea hipergeometric (X are
distribuie sau repartiie hipergeometric) cu parametrii a, b i n ( a, b, n N * ,
n a + b ) dac poate lua orice valoare ntreag ntre max(0, n b) i min(n, a ) i
P( X = k ) =

C ak Cbn k
, k [max(0, n b), min(n, a )].
C an+b

(3.4.1)

Pentru calculul mediei i dispersiei variabilei aleatoare X cu distribuie

hipergeometric vom presupune fr a restrnge generalitatea problemei c
n b i n a , deci max(0, n b) = 0 i min(n, a ) = n . Atunci tabloul de
distribuie pentru variabila X este

0
0 n
X : C a Cb
Cn
a +b

1
1
a

n 1
b

2
a

CC
C an+b

C C .

2
n2
b

C C
C an+b

n 0
a b
n
a +b

Se observ c suma probabilitilor de pe linia a doua a tabloului de mai sus este

1. ntr-adevr avem
C ak Cbn k
1
= n

n
C a +b
k =0 C a +b
n

C
k =0

k
a

Cbn k =

1
C an+b = 1.
n
C a +b

Exemplul 3.4.2. Dac dintr-o urn care conine a bile albe i b bile negre se
extrag n bile una cte una, fr ntoarcerea bilei extrase n urn (sau se extrag n
bile simultan), iar X este numrul de bile albe extrase, atunci X are distribuie
hipergeometric cu parametrii a, b i n, conform schemei hipergeometrice
(schema bilei nentoarse).
15

Teorema 3.4.3. Dac variabila aleatoare X are distribuie hipergeometric cu

parametrii a, b i n, cu n b i n a , atunci valoarea medie i dispersia sa
sunt
M ( X ) = ap ,

unde p =

D 2 ( X ) = npq

a+bn
,
a + b 1

(3.4.2)

a
b
, q = 1 p =
.
a+b
a+b

Demonstraie. Valoarea medie a variabilei aleatoare X este

C ak Cbnk
a
M (X ) = k
= n
n
C a +b
C a +b
k =0
n

C
k =1

k 1
a 1

Cbnk =

a
an
= ap .
C an+b11 =
n
a+b
C a +b

Pentru calculul dispersiei, vom calcula mai nti media variabilei X 2 ; avem
n

M (X 2) = k 2
k =0

n
n
C ak Cbn k
C ak Cbn k
C ak Cbn k
)
1
(
k
k
k
+
=

C an+b
C an+b
C an+b
k =0
k =1

an(a 1)(n 1)
an
a (a 1) n 2
a (a 1) n k 2 n k
C a +b 2 +
C a 2 Cb + M ( X ) =
=

n
n
a + b (a + b)(a + b 1)
C a +b
C a +b k = 2

an
.
a+b

Deci dispersia lui X este

an(a 1)(n 1)
an
a2n2
+

(a + b)(a + b 1) a + b (a + b) 2
abn(a + b n)
a+bn
=
= npq
.
2
a + b 1
(a + b) (a + b 1)
D 2 ( X ) = M ( X 2 ) [ M ( X )]2 =

Folosind modelul urnei din Exemplul 3.4.2, valoarea medie a variabilei X

din problem se poate calcula i n felul urmtor. Considerm o urn cu a bile
albe i b bile negre din care se extrag una cte una n bile (fr ntoarcerea bilei n
urn) i considerm variabilele aleatoare X k , pentru k = 1,2,, n , unde variabila
X k ( k = 1,2,, n ) are ca valori numrul de bile albe obinute la extragerea k (1
dac obinem bil alb i 0 dac obinem bil neagr). Pentru X 1 , avem
P( X 1 = 1) =

a
,
a+b

P ( X 1 = 0) =

b
.
a+b

16

Deci tabloul de distribuie pentru variabilei X 1 este

0
1

X1 : a
b .

a+b a+b

Pentru variabila X 2 obinem (n urn au rmas a+b-1 bile)

P( X 2 = 1) = P( X 2 = 1 / X 1 = 1) P( X 1 = 1) + P( X 2 = 1 / X 1 = 0) P( X 1 = 0)

a
a (a + b 1)
a 1
a
a
b
,
=
=
+

a + b 1 a + b a + b 1 a + b (a + b 1)(a + b) ) a + b
P( X 2 = 0) = P( X 2 = 0 / X 1 = 1) P( X 1 = 1) + P( X 2 = 0 / X 1 = 0) P( X 1 = 0)

b
b(a + b 1)
b
b 1
a
b
.
=
=

a + b 1 a + b a + b 1 a + b (a + b)(a + b 1) a + b

Deci tabloul de distribuie pentru variabila X 2 este

0
1

X2 : a
b .

a+b a+b

Pentru variabila X 3 avem (n urn au rmas a+b-2 bile)

P( X 3 = 1) = P( X 3 = 1 / X 2 = 1) P( X 2 = 1) + P( X 3 = 1 / X 2 = 0) P( X 2 = 0)
= [ P(( X 3 = 1 / X 2 = 1) / X 1 = 1) P( X 1 = 1) + P(( X 3 = 1 / X 2 = 1) / X 1 =
= 0) P( X 1 = 0)]P( X 2 = 1) + [ P(( X 3 = 1 / X 2 = 0) / X 1 = 1) P( X 1 = 1) +
+ P(( X 3 = 1 / X 2 = 0) / X 1 = 0) P( X 1 = 0)]P( X 2 = 0)
a
a 1
b a
a
a 1
a2

+
=

a+b2 a+b a+b2 a+ba+b a+b2 a+b

(a 2)a 2 + 2(a 1)ab + ab 2
a
b b
=
+

a+b2 a+ba+b
(a + b 2)(a + b) 2
a (a + b)(a + b 2)
a
=
=
.
2
a+b
(a + b 2)(a + b)
Asemntor se arat c

17

P( X 3 = 0) =

b
(= 1 P( X 3 = 1)).
a+b

Deci tabloul de distribuie pentru variabila X 3 este

0
1

X3 : a
b .

a+b a+b

Se arat n acelai mod c toate variabilele X k , k = 1, 2,, n au acelai tablou

de distribuie
0
1

Xk : a
b ,

a+b a+b

k = 1, 2,, n ,

(dei ele sunt variabile dependente).

n

Cu ajutorul variabilelor X k , k = 1, 2,, n , variabila X se scrie X = X k ,

k =1

deci media variabilei X este

n

a
na
=
= np .
a+b
k =1 a + b

M (X ) = M (X k ) =
k =1

Pentru dispersie nu mai putem scrie c D 2 ( X ) este egal cu

D
k =1

deoarece variabilele X k , k = 1, 2,, n nu sunt independente.

(X k ) ,

q.e.d.

3.5. Legea Poisson (legea evenimentelor rare)

Definiia 3.5.1. Variabila aleatoare X urmeaz legea Poisson (X are distribuie
sau repartiie Poisson) cu parametrul ( > 0) dac poate lua orice valoare
ntreag pozitiv i
P( X = k ) =

k
k!

e , k = 0,1, 2,

(3.5.1)

Tabloul de distribuie pentru variabila X este

18

X : 0
e

0!

1
1!

2!

k!

Pentru a verifica c suma probabilitilor de pe linia a doua a tabloului de mai

sus este 1, vom folosi dezvoltarea n serie de puteri a funciei f ( x) = e x ,
i anume
x x2
xk
e = 1+ +
++
+ , x R .
1! 2!
k!
x

(3.5.2)

Folosind relaia (3.5.2) pentru x = , avem

k =0

k =0

k!

P ( X = k ) = e

= e e = 1.

Teorema 3.5.2. Dac variabila aleatoare X are distribuie Poisson cu

parametrul , atunci valoarea medie i dispersia sa sunt
M (X ) = ,

D2 (X ) = .

(3.5.3)

Demonstraie. Valoarea medie a variabilei X este

k =0

k!

M (X ) = k

e = e
k =1

k 1

(k 1)!

= e e = .

Pentru dispersie, calculm mai nti media variabilei X 2 . Obinem

k =0

k!

M (X 2) = k 2

+ M ( X ) = 2 e
k =2

k =1

k!

e = ( k 2 k )

k 2

(k 2)!

k =1

k!

e + k

k =2

k!

e = k (k 1)

+ M ( X ) = 2 e e + = 2 + .

Atunci dispersia lui X este

D 2 ( X ) = M ( X 2 ) [ M ( X )]2 = 2 + 2 = .
q.e.d.

19

Propoziia 3.5.3. Dac variabila aleatoare X are distribuie Poisson cu

parametrul , atunci funcia sa caracteristic este

c(t ) = e ( e

it

1)

, t R.

(3.5.4)

Demonstraie. Folosind formula de calcul de la funcia caracteristic, avem

c(t ) =
k =0

k!

e e

itk

=e

k! e

itk

k =0

it
it
(e it ) k
=e
= e e e = e ( e 1) , t R.
k!
k =0

q.e.d.
Teorema 3.5.4. Variabilele aleatoare independente X 1 i X 2 au distribuii
Poisson cu parametrii 1 i respectiv 2 . Atunci variabila aleatoare X 1 + X 2
are distribuie Poisson cu parametrul 1 + 2 .
Demonstraie. Variabila aleatoare X 1 + X 2 are ca valori pe 0,1, 2, Fie
k 0 ntreg. Atunci avem

P ( X 1 + X 2 = k ) = P j =0 ( X 1 = j , X 2 = k j ) = P ( X 1 = j , X 2 = k j )
k

= P( X 1 = j ) P( X 2 = k j ) =
j =0

j =0

j
1

j!

e 1

j =0

k j
2

(k j )!

e 2 =

e ( 1 +2 )
k!

C
j =0

j
k

1j k2 j

(1 + 2 ) ( 1 +2 )
.
e
k!
k

Deducem astfel c variabila aleatoare X 1 + X 2 are distribuie Poisson cu

parametrul 1 + 2 .
Folosind funciile caracteristice ale variabilelor X 1 , X 2 , exprimate cu
ajutorul formulei (3.5.4), i anume c1 (t ) = e 1 ( e 1) , c2 (t ) = e 2 ( e
c funcia caracteristic a variabilei X 1 + X 2 este
it

c(t ) = c1 (t )c2 (t ) = e 1 ( e

it

1)

e 2 ( e

it

1)

= e ( 1 +2 )( e

it

1)

it

1)

, t R , deducem

, t R.

Din expresia de mai sus a funciei caracteristice rezult c variabila X 1 + X 2 are

distribuie Poisson cu parametrul 1 + 2 .
q.e.d.
Legtura dintre distribuia binomial i distribuia Poisson este dat de
urmtoarea teorem.
20

Teorema 3.5.5. Fie k N fixat, iar pentru n > k considerm variabilele X n care
au distribuii binomiale cu parametrii n i p n , astfel nct toate s aib aceeai
valoare medie . Atunci are loc relaia
lim P( X n = k ) =
n

k
k!

e .

(3.5.5)

Rezolvare. Deoarece variabilele X n , n > k au aceeai valoare medie ,

deducem conform primei relaii din (3.5.3) c valoarea medie a acestor variabile
este M ( X n ) = np n = . Deci p n = / n . Atunci obinem

n(n 1) (n k + 1)

n
k!
n

lim P ( X n = k ) = lim C nk p nk q nn k = lim

n

n(n 1) (n k + 1)

= lim
lim1
k
n
k! n
n
n

nk

k
k!

1
n

nk

e ,

adic relaia (3.5.5).

q.e.d.

Observaia 3.5.6. Relaia (3.5.5) ne arat c dac p n este suficient de mic i n

suficient de mare, atunci putem aproxima distribuia binomial cu parametrii n i
p n , prin distribuia Poisson de parametru = np n . Din acest motiv distribuia
Poisson se mai numete legea evenimentelor rare. Dac n 30 i np < 5 atunci
distribuia Poisson cu parametrul = np este o bun aproximare a distribuiei
binomiale cu parametrii n i p.
Aplicaia 3.5.7. S se calculeze momentele iniiale m3 i m4 , precum i
momentele centrate 3 i 4 pentru o variabil aleatoare cu distribuie Poisson
cu parametrul .
Rezolvare. Din demonstraia teoremei 3.5.2 tim c m1 = M ( X ) = , iar
m2 = M ( X 2 ) = 2 + . Momentul iniial de ordinul al treilea al variabilei X este

k =0

k!

m3 = M ( X 3 ) = k 3

e .

Deoarece k 3 = k (k 1)(k 2) + 3k (k 1) + k , vom scrie pe m3 astfel

21

m3 = k (k 1)(k 2)
k =2

= 3 e

k!

+ 32 e
k =2

k =1

k!

e + 3 k (k 1)

(k 3)!

k =3

k 3

k 2

(k 2)!

k =1

k!

e + k

+ e
k =1

k 1

(k 1)!

= 3 e e

+ 3 e e + e e = + 3 + .
3

Apoi momentul centrat de ordinul al treilea este

3 = M ( X ) 3 = M ( X 3 3X 2 + 32 X 3 ) = M ( X 3 ) 3M ( X 2 )
+ 32 M ( X ) 3 = m3 3m2 + 32 m1 3 = 3 + 32 + 3 (2 + )
+ 33 3 = .

Pentru momentul iniial de ordinul al patrulea avem

k =0

k!

m4 = M ( X 4 ) = k 4

e .

Deoarece k 4 = k (k 1)(k 2)(k 3) + 6k (k 1)(k 2) + 7k (k 1) + k , momentul

m4 se scrie astfel

k =3

k!

m4 = k (k 1)(k 2)(k 3)

k =1

k!

+ 7 k (k 1)

+ 7 2 e

k =1

k!

e + k

k 2

k = 2 ( k 2)!

+ e

k =2

k!

e + 6 k (k 1)(k 2)

k 4

e = 4 e

k 1

k =1 ( k 1)!

k =4

(k 4)!

+ 63 e
k =3

k 3
(k 3)!

= 4 e e + 63 e e + 72 e e

+ e e = 4 + 63 + 72 + .
Apoi momentul centrat de ordinul al patrulea este

4 = M ( X ) 4 = M ( X 4 4X 3 + 62 X 2 43 X + 4 ) = M ( X 4 )
4M ( X 3 ) + 62 M ( X 2 ) 43 M ( X ) + 4 = m4 4m3 + 62 m2 43 m1 + 4
= 4 + 63 + 72 + 4 (3 + 32 + ) + 62 (2 + ) 44 + 4 = 32 + .

22

Capitolul 4
Legi clasice de probabilitate (distribuii sau
repartiii) ale variabilelor aleatoare continue
Introducere
Vom prezenta n acest capitol principalele legi de probabilitate ale
variabilelor aleatoare continue, i anume: legea continu uniform (rectangular),
legea normal (Gauss-Laplace), legea log-normal, legea gamma, legea beta,
legea 2 (Helmert-Pearson), legea Student (t) i cazul su particular legea
Cauchy, legea Snedecor i legea Fisher, legea Weibull i cazul su particular
legea exponenial.

4.1. Legea continu uniform (rectangular)

Definiia 4.1.1. Variabila aleatoare X urmeaz legea continu uniform
(rectangular) (X are distribuie sau repartiie uniform) cu parametrii i
( R, > 0) dac densitatea sa de probabilitate (repartiie) este funcia
1

, x 2 , + 2 ,

f ( x) =
0, x , + , .

2
2

(4.1.1)

Observm c funcia f este o densitate de probabilitate, deoarece

f ( x) 0, x R , i

f ( x) dx =

dx =

= 1.

Funcia de repartiie a variabilei X este

23

x , ,
0,
2

F ( x) = x + , x , + ,
2
2
2

x + , .
1,
2

(4.1.2)

Graficele funciilor f i F sunt date n Figura 4.1.1 i respectiv Figura 4.1.2.

Figura 4.1.1

Figura 4.1.2

Teorema 4.1.2. Dac variabila aleatoare X are distribuie uniform cu

parametrii i , atunci valoarea medie i dispersia sa sunt
M (X ) = ,

D2 (X ) =

2
12

(4.1.3)

Demonstraie. Valoarea medie a variabilei X este

M ( X ) = xf ( x) dx =

dx =

1 2
x
2

= ,

iar dispersia sa este

D ( X ) = ( x ) f ( x) dx =
2

1
dx =
(x )
( x )3

3
2

2
12

q.e.d.
Propoziia 4.1.3. Funcia caracteristic a unei variabile aleatoare X cu
distribuie uniform cu parametrii i este

24

i it
it +
2
2

, t R* ,
e
e

c(t ) = t

t = 0.
1,

(4.1.4)

Demonstraie. Pentru t 0, avem

c(t ) = e itx f ( x) dx =

e itx dx =

1 itx
e
it

it +
i it 2
e 2 ,
e

iar c(0) = f ( x) dx = 1.

q.e.d.

Aplicaia 4.1.4. S se calculeze momentele m2 , m3 i 3 pentru o variabil

aleatoare X cu distribuie uniform cu parametrii i .
Rezolvare. Momentul iniial de ordinul al doilea este

m2 = x 2 f ( x) dx =

x 2 dx =

1 3
x
3

3
1

3
2

1 2
2
3
3 +
= 2 +
.
=
4
12
3

Apoi momentul iniial de ordinul al treilea este

m3 = x f ( x) dx =
3

1 4
x
dx =
x

4
3

1
=
+
4
2

1
2
3
3
3
=
+
=
+

(
4
)
,

4
4

iar momentul centrat de ordinul al treilea este

3 = ( x ) f ( x) dx =

1
(x )
dx =
(x )4
4

= 0.

25

Aplicaia 4.1.5. Variabilele aleatoare X i Y sunt independente. X are distribuie

uniform pe intervalul [0,1], iar Y are distribuie uniform pe intervalul [0,2]. S
se calculeze densitatea de probabilitate a variabilei X+Y.
Rezolvare. Dac f1 i f 2 sunt densitile de probabilitate ale variabilelor
aleatoare X i respectiv Y, atunci

f1 ( x) dx = 1 i

f 2 ( x) dx = 1. Deducem din

1
aceste relaii c parametrii variabilei X sunt 1 = 1 i 1 = , iar parametrii
2
variabilei Y sunt 2 = 2 i 2 = 1. Atunci densitile de probabilitate vor avea
forma

1, x [0,1],
f1 ( x ) =
0, x [0,1],

1
,
f 2 ( x) = 2
0,

x [0,2],
x [0,2].

Deoarece X i Y sunt independente, densitatea de probabilitate a variabilei

X+Y este dat de formula

f ( x) = f1 ( x y ) f 2 ( y ) dy .

Observm c f1 ( x y ) 0 pentru x y [0,1] sau echivalent y [ x 1, x] , iar

f 2 ( y ) 0 pentru y [0,2]. Deci f1 ( x y ) f 2 ( y ) 0 pentru y [ x 1, x] [0,2].
Avem urmtoarele patru cazuri:
a) Dac x [0,3] , atunci [ x 1, x] [0,2] = , deci f ( x) = 0 .
b) Dac x [0,1) , atunci [ x 1, x] [0,2] = [0, x] i
x

f ( x) = f1 ( x y ) f 2 ( y ) dy =

x
1
dy = .
2
2

c) Dac x [1,2) , atunci [ x 1, x] [0,2] = [ x 1, x] i

f ( x) =

x 1

1
1
dy = .
x 1 2
2

f1 ( x y ) f 2 ( y ) dy =

d) Dac x [2,3] , atunci [ x 1, x] [0,2] = [ x 1,2] i

f ( x) =

x 1

1
3 x
.
dy =
x 1 2
2

f1 ( x y ) f 2 ( y ) dy =

26

Deci densitatea de probabilitate a variabilei X+Y este funcia

x [0,1),
x [1,2),
x [2,3],
x [0,3].

x / 2,

1 / 2,
f ( x) =
(3 x) / 2 ,
0,

4.2. Legea normal (Gauss-Laplace). Legea normal standard

(legea normal centrat redus)
Definiia 4.2.1. Variabila aleatoare X urmeaz legea normal (Gauss-Laplace)
(X are distribuie sau repartiie normal) cu parametrii m i (m R, > 0)
dac densitatea sa de probabilitate (repartiie) este funcia

1
f ( x; m, ) =
e
2

( xm )2

, x R.

2 2

(4.2.1)

Funcia f de mai sus se numete densitatea de repartiie normal sau

gaussian. Observm c f este o densitate de probabilitate, deoarece
f ( x) > 0, x R i

f ( x) dx = 1. ntr-adevr, pentru a verifica ultima relaie,

xm
= y . Rezult c
2
dx = 2 dy . Dac x atunci y , iar dac x atunci y .
Obinem astfel
n integrala de mai sus facem schimbarea de variabil

f ( x) dx =

e y dy =
2

Am folosit mai sus integrala lui Euler-Poisson

e y dy = 1.
2

e y dy = / 2 .
2

Graficul funciei f are form de clopot (vezi Figura 4.2.1). Dreapta de

ecuaie x = m este ax de simetrie pentru acest grafic, iar pentru x = m se obine
1
valoarea maxim a funciei f, i anume
. Punctele x = m i x = m +
2
sunt puncte de inflexiune.

27

Figura 4.2.1
Pentru m = 0 i = 1 funcia f dat de relaia (4.2.1) devine
x2

1 2
f ( x; 0,1) =
e ,
2

x R.

(4.2.2)

Vom spune despre o variabil aleatoare X care are ca densitate de

probabilitate funcia (4.2.2) c urmeaz legea normal standard sau legea
normal centrat redus.
Pentru a determina funcia de repartiie F ( x; m, ) a unei variabile aleatoare
X cu distribuie normal cu parametrii m i , vom determina mai nti funcia
de repartiie pentru o variabil aleatoare cu distribuie normal standard, notat
cu F (x; 0,1) i numit funcia de repartiie normal standard. Conform relaiei de
legtur dintre f i F, avem
x

F ( x; 0,1) = f (t ;0,1) dt = f (t ; 0,1) dt + f (t ; 0,1) dt =

1
+ ( x) ,
2

(4.2.3)

1 x t 2 / 2
e dt . Funcia de mai sus se numete funcia
2 0
integral a lui Laplace, pentru valorile creia sunt ntocmite tabele.
Dac variabila aleatoare X urmeaz legea normal cu parametrii m i
1
, atunci variabila aleatoare Y = ( X m) urmeaz legea normal cu parametrii
unde ( x) =

0 i 1. ntr-adevr, dac F1 este funcia de repartiie a variabilei Y, atunci

F1 ( x) = P(Y < x) = P( X < m + x) = F (m + x; m, ) ,

(4.2.4)

iar densitatea de probabilitate a variabilei Y este

28

f1 ( x) = F1' ( x) = f (m + x; m, ) =

1 x2 / 2
= f ( x; 0,1), x R .
e
2

Deci F1 ( x) = F ( x; 0,1), x R , adic variabila Y urmeaz legea normal cu

parametrii 0 i 1. Din ultima relaie i relaia (4.2.4) obinem
F ( x; 0,1) = F (m + x; m, ), x R.

(4.2.5)

Rezult astfel c pentru variabila aleatoare X cu distribuie normal cu

parametrii m i , funcia de repartiie este
xm
1
xm
F ( x; m, ) = F
; 0,1 = +
.

2

(4.2.6)

Teorema 4.2.2. Dac variabila aleatoare X are distribuie normal cu

parametrii m i , atunci valoarea medie i dispersia sa sunt
M (X ) = m, D2 (X ) = 2 .

(4.2.7)

Demonstraie. Valoarea medie a variabilei aleatoare X este

1
M ( X ) = xf ( x; m, ) dx =

( xm )2

xe

2 2

dx .

n integrala de mai sus vom face schimbarea de variabil

xm

= y , de unde

rezult dx = dy ; pentru x rezult y , iar pentru x rezult

y . Deci obinem

M (X ) =
+

m
2

1
2

ey

/2

(y + m)e y / 2 dy =
2

ye y

/2

dy

dy = m f ( y; 0,1) dy = m .

Dispersia variabilei X este

1
D ( X ) = ( x m) f ( x; m, ) dx =

2
2

( x m) e
2

( xm )2
2 2

dx .

Folosind schimbarea de variabil de mai sus, obinem

29

1
2

D2 (X ) =

2
2
2
+
2

/2

2
2

2 y 2 e y / 2 dy =
2

y ye y
ey

y 2e y

/2

dy

) dy = 2 y(e ) dy = 2 ye
2

/2

y2 / 2

'

y2 / 2

dy = 2 .

Deducem de aici c abaterea medie ptratic a variabilei X este D( X ) = .

q.e.d.
Propoziia 4.2.3. Dac variabila aleatoare X are distribuie normal cu
parametrii m i , atunci funcia sa caracteristic este
c(t ) = e

imt

2t 2

, t R.

(4.2.8)

Demonstraie. Funcia caracteristic a variabilei X este

1
c(t ) = e f ( x) dx =

2
1
=
2

itx

1
=
e
2

e e
itx

x 2 2 x ( m + 2it ) + ( m + 2it ) 2 + m 2

m 2 + 4i 2t 2 + 2 mit 2 m 2
2 2

2 2

Folosind schimbarea de variabil

c(t ) =

imt

2t 2
2

1
dx =
2

x 2 2 mx + m 2 2 2itx
2 2

dx

2 2

dx

[ x ( m + 2it )]2

( x m )2

( m + 2it ) 2

2 2

dx , t R .

x (m + 2 it )
= u , obinem
2
e

u 2

du = e

imt

2t 2
2

, t R.

q.e.d.
Propoziia 4.2.4. Dac variabila aleatoare X are distribuie normal cu
parametrii m i , iar a, b, k R, k > 0 , atunci
bm
am
a) P(a < X < b) =
(4.2.9)

;


b) P(| X m |< k ) = 2 (k ) .
(4.2.10)
30

Demonstraie. a) Din relaia (4.2.6) deducem c

1
b m 1
a m
P(a < X < b) = F (b; m, ) F (a; m, ) = +
+

2

2
bm
am
=

.


b) Conform relaiei (4.2.9) obinem
P(| X m |< k ) = P(m k < X < m + k ) = (k ) (k ) = 2 (k ) ,

deoarece funcia este impar ( (k ) = (k ) ).

q.e.d.

Observaia 4.2.5. Dac lum k = 3 n relaia (4.2.10) rezult

P (| X m |< 3 ) = 2 (3) 0,9974 .

(4.2.11)

Relaia (4.2.11) ne spune c aproape toate valorile variabilei X sunt situate n

intervalul (m 3 , m + 3 ) . Egalitatea din (4.2.11) este cunoscut sub numele de
regula celor ase .
Propoziia 4.2.6. Dac variabila aleatoare X are distribuie normal cu
parametrii m i , atunci momentele sale centrate sunt

2 p 1 = 0, 2 p = (2 p 1)!! 2 p , p N * ,

(4.2.12)

unde (2 p 1)!!= 1 3 5 (2 p 1) .
Demonstraie. Momentul centrat de ordinul k este

1
k = ( x m) f ( x) dx =

2
k

( x m) e
k

( xm )2
2 2

dx .

(4.2.13)

Obinem astfel

0 = f ( x) dx = 1, 1 = ( x m) f ( x) dx = 0, 2 = D 2 ( X ) = 2 .

31

Pentru k 2 , n integrala din relaia (4.2.13) vom face schimbarea de variabil

xm
= y , de unde deducem c dx = 2 dy ; apoi pentru x rezult
2
y , iar pentru x rezult y . Obinem atunci

k =
=

( 2 ) k

y e

( 2 ) k k 1 y 2
y e
2

= (k 1)

y2

( 2 ) k
dy =
2
+ (k 1)

( 2 ) 2 ( 2 ) k 2

( ) dy

y k 1 e y

( 2 ) k
2

'

y k 2 e y dy
2

y k 2 e y dy = (k 1) 2 k 2 .
2

Deci am dedus relaia de recuren k = (k 1) 2 k 2 . Deoarece 0 = 1, 1 = 0 ,

din relaia de mai sus rezult relaiile (4.2.12).
q.e.d.
Propoziia 4.2.7. Dac variabiele aleatoare indepedente X i Y au distribuii
normale cu parametrii m1 i 1 , respectiv m2 i 2 , atunci variabilele X+Y i
X-Y au distribuii normale cu parametrii m = m1 + m2 i = 12 + 22 ,
respectiv m = m1 m2 i = 12 + 22 .
Demonstraie. Vom calcula mai nti densitile de probabilitate pentru
variabilele X+Y i X-Y, pentru cazul particular m1 = m2 = 0 i 1 = 2 = 1. Dac
notm cu f i g densitile de probabilitate ale variabilelor X i Y, atunci conform
relaiei (4.2.2) avem
f ( x) = g ( x) =

1 x2 / 2
e
, x R.
2

Densitatea de probabilitate a variabilei X+Y este

h( x ) =

1
=
2

1
f ( x y ) g ( y ) dy =
2
x
y
2

1
=
e 2(
2 2

x2
4

y x / 2= z

dy

( x y )2
2

x2

1 4
e
2

y2
2

z2

1
dy =
2
dz =

1
2

x2
y 2 xy +

dy

x2
4

x2
2 )2

, x R.

32

Deducem astfel c X+Y urmeaz i ea legea normal cu parametrii m = 0 i

= 2.
Asemntor pentru densitatea de probabilitate a variabilei aleatoare X-Y
obinem
k ( x) =

1
=
2

1
f ( x + y ) g ( y ) dy =
2
x

y +
2

1
=
e 2(
2 2

x2
4

y + x / 2= z

dy

( x+ y )2
2

x2

1 4
e
2

y2
2

z2

1
dy =
2
dz =

1
2

x2
y 2 + xy +

dy

x2
4

x2
2 )2

, x R.

Rezult c X-Y urmeaz legea normal cu parametrii m = 0 i = 2 .

n cazul general al variabilelor X i Y cu distribuii normale cu parametrii m1
i 1 , respectiv m2 i 2 , putem s facem un calcul asemntor celui de sus, sau
se poate raiona mai simplu folosind funciile caracteristice ale variabilelor.
Conform relaiei (4.2.8) funciile caracteristice ale variabilelor X i Y sunt
c1 (t ) = e

im1t

12t 2
2

, c2 (t ) = e

im2t

22t 2
2

, t R.

Atunci funcia caracteristic a variabilei aleatoare X+Y este

c(t ) = c1 (t ) c2 (t ) = e

i ( m1 + m2 ) t

2
2
1 + 2

)t

, t R.

Se observ c c este tocmai funcia caracteristic corespunztoare legii normale

cu parametrii m = m1 + m2 i = 12 + 22 .
Asemntor funcia caracteristic a variabilei aleatoare X-Y este
i ( m1 m2 ) t
c~ (t ) = c1 (t ) c2 (t ) = e

2
2
1 + 2

)t

, t R.

Se observ c c~ este funcia caracteristic corespunztoare legii normale cu

parametrii m = m1 m2 i = 12 + 22 .

q.e.d.

Legea normal reprezint cazul limit al multor legi de probabilitate.

Astfel menionm urmtorul rezultat de legtur ntre distribuia normal i
distribuia Poisson.
33

Teorema 4.2.8. Dac variabila aleatoare X ( > 0) are distribuie Poisson cu

X
parametrul , atunci funcia de repartiie a variabilei aleatoare
tinde

ctre funcia de repartiie normal standard, pentru .

n ipotezele Teoremei 4.2.8 se mai spune c variabila aleatoare
asimptotic normal.

este

Legtura dintre distribuia binomial i distribuia normal este dat n

urmtoarea teorem.
Teorema 4.2.9. (Moivre-Laplace) Dac variabila aleatoare X n are distribuie
binomial cu parametrii n i p (p nu depinde de n), iar X are distribuie normal
standard, atunci

X np
1
lim P a < n
< b = P ( a < X < b) =

n
npq
2

e
a

x2 / 2

dx .

(4.2.14)

Teorema 4.2.9 ne spune c pentru valori mari ale lui n putem folosi tabelele
legii normale pentru studiul variabilelor aleatoare distribuite binomial. Pentru
n 30 , exist urmtoarea regul practic care ne permite s aproximm
distribuia binomial prin cea normal:
- Dac min (np, nq ) 10, atunci aproximarea este foarte bun.
- Dac min (np, nq ) (5,10), atunci aproximarea este acceptabil, dac nu
este nevoie de mare precizie.
- Dac min (np, nq ) 5, atunci nu se folosete aceast aproximare.
Teorema lui Moivre-Laplace este un caz particular al aa numitei Teorema
limit central, care spune c funcia de repartiie a unei sume de variabile
aleatoare independente tinde n condiii destul de generale ctre funcia de
repartiie normal. De fapt, prin Teorema limit central se nelege un grup de
teoreme care trateaz problema repartiiei limit a sumelor de variabile aleatoare
(nu ntotdeauna independente). Rezultatul cel mai general n cazul variabilelor
aleatoare independente este teorema lui Lindeberg-Fellar. n aplicaii este foarte
util un caz particular al acestei teoreme, prezentat mai jos.
Teorema 4.2.10. (Liapunov) Fie variabilele aleatoare independente
X n , n 1 cu mediile i dispersiile mn = M ( X n ) , n2 = D 2 ( X n ) , n 1, care au
momente centrate absolute de ordinul al treilea n3 = M (| X n mn |3 ) , n 1.

34

 ( n)
= 0 , unde (n) = 12 + 22 + + n2 i
n ( n )

Dac lim

(n) = 3 13 + 23 + + n3 , atunci lim Fn ( x) = F ( x; 0,1) , unde Fn este funcia

n

de repartiie a variabilei aleatoare X =

1 n
( X k mk ) .
(n) k =1

Aplicaia 4.2.11. Se arunc o moned de 256 de ori. Care este probabilitatea ca

numrul de apariii ale stemei s fie cuprins ntre 112 i 144?
Rezolvare. S notm cu X variabila aleatoare care are ca valori numrul de
apariii ale stemei, atunci cnd se arunc moneda de 256 de ori. Variabila X are
distribuie binomial cu parametrii n=256 i p=1/2 (probabilitatea ca la o
aruncare s apar stema). n aceast aplicaie trebuie s calculm
P(112<X<144). Deoarece M(X)=np=128, iar D( X ) = npq = 8 , atunci are loc
relaia
X 128

P (112 < X < 144) = P 2 <

< 2 .
8

Vom folosi Teorema 4.2.9 (Moivre-Laplace) i vom aproxima distribuia

X 128
cu distribuia normal standard Y. Obinem
8
X 128

P 2 <
< 2 P(2 < Y < 2) = (2) (2) = 2 (2) 0,95.
8

Aplicaia 4.2.12. De cte ori trebuie s aruncm un zar corect astfel nct
probabilitatea ca abaterea frecvenei relative a feei 1 de la numrul p=1/6 s
fie cuprins ntre -0,03 i 0,03, este 0,95.
Rezolvare. Dac n n aruncri faa 1 apare de n ori, vom determina pe n astfel
nct s aib loc relaia

P 0,03 < n p < 0,03 = 0,95.

n

(4.2.15)

Relaia (4.2.15) se mai poate scrie astfel

35

 np 0,03 n
= 0,95 , q = 1 p = 5 .
P n
<
npq
6
pq

Folosind relaiile (4.2.14) i (4.2.9) (cu m = 0, = 1 ) pentru b = a =

(4.2.16)

0,03 n
,
pq

din relaia (4.2.16) deducem c

0,03 n

= 0,95 0,18 n = 0,475

2

pq
5

0,18 n 1
0,18 n
= +
= 0,975.
F

5 2
5

Folosind un tabel cu valorile funciei , rezult c 0,18 n / 5 = 1,96 . Obinem

n 592,8. Deci trebuie s aruncm zarul de 593 de ori pentru a fi verificat
relaia (4.2.15).
Aplicaia 4.2.13. O main produce o pies circular. Piesa este bun dac
diametrul su d este cuprins ntre 3,99 cm i 4,01 cm. Care este probabilitatea
producerii unei piese defecte de ctre maina respectiv, tiind c d are
distribuie normal cu media 4,002 cm i abaterea medie ptratic 0,005 cm ?
Rezolvare. Conform formulei (4.2.9), probabilitatea ca o pies s fie bun este
4,01 4,002
am
bm
P (3,99 < d < 4,01) =

=



0,005
3,99 4,002

= (1,6) (2,4) = (1,6) + (2,4) 0,937 .
0,005
Rezult atunci c probabilitatea ca piesa s fie defect este 1-0,937=0,063.
Aplicaia 4.2.14. O main produce o pies circular. Cnd maina este bine
reglat, diametrul d al pieselor are distribuie normal cu media 10 cm i
abaterea medie ptratic 0,08 cm. Se iau la ntmplare 4 piese fabricate de
main i se constat c media aritmetic a diametrelor acestor piese este 10,14
cm. Se poate afirma c maina s-a dereglat ?
Rezolvare. Fie d1 , d 2 , d 3 , d 4 diametrele celor 4 piese alese la ntmplare.
Acestea sunt 4 variabile aleatoare indepedente distribuite normal cu media 10 cm
36

i abaterea medie ptratic 0,08. Atunci variabila d = (d1 + d 2 + d 3 + d 4 ) / 4 are

de asemenea distribuie normal cu media 10 cm i abaterea medie ptratic 0,04
cm. ntr-adevr, avem
d + d2 + d3 + d4 1 4
m = M (d ) = M 1
= M (d i ) = 10,
4

4 i =1
d + d2 + d3 + d4 1 4 2
D 2 (d ) = D 2 1
= D (d i ) = 0,0016, (d ) = 0,04.
4

16 i =1

Conform regulei celor ase (relaia (4.2.11)), avem

P(| d m |< 3 ) = 2 (3) 0,997 P(m 3 < d < m + 3 ) 0,997 ,

de unde rezult c P(9,88 < d < 10,12) 0,997 . Din aceast ultim relaie
deducem c d ia valori n afara intervalului (9,88; 10,12) cu o probabilitate mai
mic de 0,003. Deci este aproape sigur c maina s-a defectat.

4.3. Legea log-normal

Definiia 4.3.1. Variabila aleatoare X urmeaz legea log-normal (logaritmic
normal) (X are distribuie sau repartiie log-normal ) cu parametrii m i
(m R, > 0) dac densitatea sa de probabilitate (repartiie) este funcia
(ln x m )
1

2
e 2 , x > 0,

f ( x; m, ) = x 2

0,
x 0.

(4.3.1)

Funcia f din (4.3.1) este o densitate de probabilitate, deoarece

f ( x) 0, x R i

f ( x) dx = 1. ntr-adevr pentru ultima relaie avem

1
f ( x) dx =
2

1
e
x

ln x m

(ln x m ) 2
2

dx

=t

1
2

t2
2

dt = 1.

Funcia de repartiie a variabilei log-normale X cu parametrii m i este

F ( x) = 0 pentru x 0, iar pentru x>0 este

37

1
0 t e

1
F ( x) = f (t ) dt =

2
ln x m

= F
; 0,1,

ln t m

(ln t m ) 2
2

=u

dt

1
2

ln x m

u2
2

du

unde F(x;0,1) este funcia de repartiie normal standard. Deducem din ultima
ln X m
relaie c pentru valorile pozitive ale lui X, variabila Y =
urmeaz legea

normal standard.

Teorema 4.3.2. Dac variabila aleatoare X are distribuie log-normal cu

parametrii m i , atunci momentele iniiale de ordinul k sunt
mk = e

mk +

2k 2

, k N *.

2,

(4.3.2)

Demonstraie. Conform formulei pentru momentele iniiale de ordinul k, avem

mk = x f ( x) dx =
k

1
=
2
1
=
2
1
=
2

e e
ky

( y m)

x 2

2 2

(ln x m ) 2

ln x = y

dx =

2 2

x e

1
dy =
2

y 2 2 my + m 2 2 2 yk
2 2

dy

y 2 2 y ( m + 2 k ) + ( m + 2 k ) 2 ( m + 2 k ) 2 + m 2
2 2

dy

[ y ( m + 2 k )]2 4 k 2 2 m 2 k
2

1
dy =
e
2

4 k 2 + 2 mk 2
2 2

[ y ( m + 2 k )]2

2 2

dy.

Notm ( y m 2 k ) /( 2 ) = u i obinem
1
mk =
e
2

2 k 2 + 2 mk
2

u 2

2 du = e

mk +

2k 2
2

q.e.d.
Din relaia (4.3.2) deducem c media i dispersia variabilei X cu distribuie
log-normal cu parametrii m i sunt
M ( X ) = m1 = e

m+

2
2

D 2 ( X ) = m2 m12 = e 2 m+ (e 1) .
2

(4.3.3)
38

4.4. Legea gamma

Definiia 4.4.1. Variabila aleatoare X urmeaz legea gamma (X are distribuie
sau repartiie gamma ) cu parametrul p ( p > 0) dac densitatea sa de
probabilitate (repartiie) este funcia

x p 1e x
,

f ( x ) = ( p )

0,

x > 0,

(4.4.1)

x 0,

unde ( p ) = x p 1e x dx , p > 0 este integrala lui Euler de al doilea tip sau

0

funcia gamma a lui Euler.

Funcia f din (4.4.1) este o densitate de probabilitate, deoarece

f ( x) 0, x R i

f ( x) dx =

1 p 1 x
x e dx = 1.
( p ) 0

n propoziia urmtoare vom prezenta cteva proprieti ale funciei (pentru

demonstraiile lor vezi [6] R. Luca-Tudorache, Probleme de analiz matematic.
Calcul Integral, Casa de Editur Venus, Iai, 2007).

Propoziia 4.4.2. Integrala (funcia) lui Euler ( p ) = x p 1e x dx , p R

0

verific urmtoarele proprieti:

a) ( p ) este convergent pentru p>0 i divergent pentru p 0 ;
b) ( p + 1) = p( p ), p > 0;
c) (n) = (n 1)!, n N * ;
d) (1 / 2 ) = .
Teorema 4.4.3. Dac variabila aleatoare X are distribuie gamma cu
parametrul p, atunci momentele iniiale de ordinul k sunt
mk = p ( p + 1) ( p + k 1), k N * .

(4.4.2)

Demonstraie. Momentul iniial de ordinul k este

mk = x k f ( x) dx =

1 k + p 1 x
( k + p )
x
e dx =

( p ) 0
( p )

39

(k + p 1)(k + p 1)
(k + p 1) ( p + 1) p( p )
==
( p )
( p )
= (k + p 1)(k + p 2) ( p + 1) p.
=

Am folosit mai sus proprietatea b) din Propoziia 4.4.2.

q.e.d.

Din relaia (4.4.2) deducem c media i dispersia variabilei X cu distribuie

gamma cu parametrul p sunt
M ( X ) = m1 = p,

D 2 ( X ) = m2 m12 = p.

(4.4.3)

Definiia 4.4.4. Variabila aleatoare X urmeaz legea gamma generalizat (X

are distribuie sau repartiie gamma generalizat ) cu parametrii p > 0 i
> 0 dac densitatea sa de probabilitate (repartiie) este funcia

p x p 1e x
,

f ( x) = ( p )

0,

x > 0,

(4.4.4)

x 0,

ntr-un mod asemntor cu demonstraia Teoremei 4.4.3 se arat urmtoarea

teorem.
Teorema 4.4.5. Dac variabila aleatoare X are distribuie gamma generalizat
cu parametrii p > 0 i > 0 , atunci momentele iniiale de ordinul k sunt
mk =

p ( p + 1) ( p + k 1)

, k N *,

(4.4.5)

deci media i dispersia sa sunt

M ( X ) = m1 =

D 2 ( X ) = m2 m12 =

(4.4.6)

Propoziia 4.4.6. Dac variabila aleatoare X are distribuie gamma

generalizat cu parametrii p > 0 i > 0 , atunci funcia sa caracteristic este
p

it
c(t ) = 1 , t R .

(4.4.7)

Demonstraie. Pentru determinarea funciei caracteristice a variabilei X vom

folosi formula care d momentul de ordinul k al variabilei X n funcie de
40

derivatele funciei caracteristice c n punctul 0, i anume mk = c ( k ) (0) i k ,

( m0 = 1 ), precum i dezvoltarea n serie de puteri a funciei c care are forma
urmtoare

c ( k ) (0) k mk i k k (it ) k
mk .
t =
t =
c(t ) =
k!
k =0
k = 0 k!
k = 0 k!
Folosind formula (4.4.5) pentru momentele iniiale ale variabilei X, obinem
pentru funcia caracteristic formula

(it ) k
(it ) k p ( p + 1) ( p + k 1)

mk =
k
k = 0 k!
k = 0 k!

c(t ) =

=
k =0

p ( p + 1) ( p + k 1) it it
= 1 , t R.
k!

k

q.e.d.
Din relaia (4.4.7) pentru = 1, deducem c funcia caracteristic a unei
variabile X cu distribuie gamma cu parametrul p este
c(t ) = (1 it ) , t R .
p

(4.4.8)

Propoziia 4.4.7. Dac variabilele aleatoare independente X i Y au distribuii

gamma cu parametrii p i respectiv q, atunci variabila X+Y are distribuie
gamma cu parametrul p+q.
Demonstraie. S notm cu f i g densitile de probabilitate pentru variabilele X
i Y. Deci
1
x p 1e x , x > 0,

(
p
)
f ( x) = g ( x) =

0,
x 0.

Densitatea de probabilitate h a variabilei X+Y este h( x) = f ( x y ) g ( y ) dy.

Dac x 0 atunci
0

h( x) = f ( x y ) g ( y ) dy + f ( x y ) g ( y ) dy = 0,
(n prima integral g(y)=0, iar n a doua integral f(x-y)=0).
41

Dac x > 0, atunci f ( x y ) 0 pentru x y 0 y x, iar g ( y ) 0 pentru

y 0. Deci f ( x y ) g ( y ) 0 dac y [0, x] i atunci
x

h( x) = f ( x y ) g ( y ) dy =

1
1
( x y ) p 1 e x + y
y q 1e y dy
( p )
( q )

x
ex
( x y ) p 1 y q 1 dy.
=

0
( p ) ( q )

Pentru calculul ultimei integrale de mai sus facem schimbarea de variabil y=tx,
deci dy=xdt; pentru y 0 rezult t 0, iar pentru y x rezult
t 1. Obinem astfel
h( x ) =
x

=e x

1
e x x p + q 1 1 q 1
ex
p 1
q 1

=
x (1 x) p 1 dt
(
)
(
)
x
tx
tx
x
dt

0
0
( p ) ( q )
( p ) ( q )
p + q 1

B ( q, p )
e x x p + q 1
=
.
( p ) ( q ) ( p + q )

Rezult c variabila X+Y are distribuie gamma cu parametrul p+q.

Concluzia acestei propoziii o putem obine mai direct folosind funciile
caracteristice. Fie c1 i c2 funciile caracteristice ale variabilelor X i Y, i anume
c1 (t ) = (1 it ) , c2 (t ) = (1 it ) q , t R .
p

Atunci funcia caracteristic a variabilei aleatoare X+Y este

c(t ) = c1 (t )c2 (t ) = (1 it )

( p+q)

, t R.

Deducem din relaia obinut c X+Y are distribuie gamma cu parametrul p+q.
q.e.d.
Propoziia 4.4.8. Dac variabila aleatoare X urmeaz legea normal cu
1
parametrii m i , atunci variabila aleatoare Y =
( X m) 2 are o
2 2
distribuie gamma cu parametrul 1/2.
Demonstraie. S notm cu G(x) funcia de repartiie a variabilei Y. Deoarece
Y 0 , atunci pentru x 0 rezult c F ( x) = P(Y < x) = 0 . Pentru x > 0 avem

42

 ( X m) 2

X m

G ( x) = P(Y < x) = P
< x = P x <
< x
2
2

m + 2x m
m 2x m

= P(m 2 x < X < m + 2 x ) =

= 2 ( 2 x ) =

2x

e t

/2

dt.

Atunci pentru x>0 densitatea de probabilitate g a variabilei aleatoare Y este

g ( x) = G ' ( x) =

ex =

x 1 / 2 e x ,

iar pentru x 0, g(x)=0.

Deoarece = (1 / 2) (conform Propoziiei 4.4.2, d)), deducem forma
funciei g, i anume
1
x 1 / 2 e x , x > 0,

g ( x) = (1 / 2)

x 0,
0,

adic variabila Y are distribuie gamma cu parametrul 1/2.

q.e.d.

Aplicaia 4.4.9. S se calculeze momentele centrate 3 i 4 pentru o variabil

aleatoare cu distribuie gamma cu parametrul p.
Rezolvare. Momentul centrat de ordinul al treilea este

3 = ( x p) 3 f ( x) dx = x 3 f ( x) dx 3 p x 2 f ( x) dx + 3 p 2 xf ( x) dx
p

f ( x) dx = m3 3 pm2 + 3 p m1 p3 = p ( p + 1)( p + 2) 3 p 2 ( p + 1)
2

+ 3 p 3 p 3 = 2 p,
iar momentul centrat de ordinul al patrulea este

4 = ( x p) 4 f ( x) dx = x 4 f ( x) dx 4 p x 3 f ( x) dx + 6 p 2 x 2 f ( x) dx

4 p 3 xf ( x) dx + p 4 f ( x) dx = m4 4 pm3 + 6 p 2 m2 4 p 3 m1 + p 4
= p ( p + 1)( p + 2)( p + 3) 4 p 2 ( p + 1)( p + 2) + 6 p 3 ( p + 1) 4 p 4 + p 4 = 3 p 2 + 6 p.
43

4.5. Legea beta

Definiia 4.5.1. Variabila aleatoare X urmeaz legea beta (X are distribuie sau
repartiie beta) cu parametrii p i q ( p, q > 0) dac densitatea sa de
probabilitate (repartiie) este funcia
1
x p 1 (1 x) q 1 ,

B
p
q
(
,
)
f ( x) =

0,

x (0,1),

(4.5.1)

x (0,1),

unde B( p, q ) = x p 1 (1 x) q 1 dx , p, q > 0 este integrala lui Euler de primul tip

0

sau funcia beta a lui Euler.

Funcia f din relaia (4.5.1) este o densitate de probabilitate, deoarece

f ( x) 0, x R i

f ( x) dx =

1
1
x p 1 (1 x) q 1 dx = 1.

B ( p, q ) 0

n propoziia urmtoare vom prezenta cteva proprieti ale funciei B (pentru

demonstraiile lor vezi [6] R. Luca-Tudorache, Probleme de analiz matematic.
Calcul Integral, Casa de Editur Venus, Iai, 2007).
1

Propoziia 4.5.2. Integrala lui Euler B( p, q ) = x p 1 (1 x) q 1 dx , p, q R

0

verific urmtoarele proprieti

a) B( p, q ) este convergent pentru p>0 i q>0, i n rest este divergent;
b) B( p, q ) = B(q, p ), p, q > 0;
p 1
c) B( p, q ) =
B( p 1, q), p > 1, q > 0;
p + q 1
q 1
d) B ( p, q ) =
B( p, q 1), p > 0, q > 1;
p + q 1
( p 1)(q 1)
e) B( p, q ) =
B( p 1, q 1), p > 1, q > 1;
( p + q 1)( p + q 2)
(n 1)!
f) B( p, n) = B(n, p ) =
, n N * , p > 0;
p( p + 1) ( p + n 1)
(m 1)!(n 1)!
g) B (m, n) =
, m, n N * ;
(m + n 1)!
h) B ( p + 1, q ) + B ( p, q + 1) = B ( p, q ), p, q > 0;
44

i) qB( p + 1, q ) = pB( p, q + 1), p, q > 0;

t p 1
dt , p, q > 0;
0 (1 + t ) p + q
( p ) ( q )
k) B( p, q ) =
, p, q > 0;
( p + q )

j)

B ( p, q ) =

l)

B ( p,1 p ) = ( p )(1 p ) =

sin( p )

, p (0,1).

Teorema 4.5.3. Dac variabila aleatoare X are distribuie beta cu parametrii p

i q ( p, q > 0) , atunci momentele iniiale de ordinul k sunt
mk =

p ( p + 1)( p + k 1)
, k N *.
( p + q )( p + q + 1) ( p + q + k 1)

(4.5.2)

Demonstraie. Momentul iniial de ordinul k este

1
1
B ( k + p, q )
x k + p 1 (1 x) q 1 dx =

B ( p, q )
B ( p, q )
(k + p 1) ( p + 1) p B( p, q )
k + p 1 B(k + p 1, q )

==

=
( p + q + k 1) ( p + q ) B( p, q )
B ( p, q )
p + q + k 1
p ( p + 1) ( p + k 1)
,
=
( p + q )( p + q + 1) ( p + q + k 1)

mk = x k f ( x) dx =

conform Propoziiei 4.5.2, c).

q.e.d.

Din relaia (4.5.2) deducem c media i dispersia variabilei X cu distribuie

beta cu parametrii p i q sunt
M ( X ) = m1 =

p
,
p+q

D 2 ( X ) = m2 m12 =

pq
.
( p + q ) ( p + q + 1)
2

(4.5.3)

4.6. Legea 2 (Helmert-Pearson)

Definiia 4.6.1. Variabila aleatoare X urmeaz legea 2 (Helmert-Pearson) (X
are distribuie sau repartiie 2 ) cu parametrul n ( n N * ) dac densitatea sa
de probabilitate (repartiie) este funcia

45

n
x
1
1
2
2
x e ,
n
2 n
f ( x ) = 2
2

0,

x > 0,
(4.6.1)

x 0.

Parametrii n din Definiia 4.6.1 se mai numesc grade de libertate, astfel c o

s mai spunem c X are distribuie 2 cu n grade de libertate.
Funcia f din relaia (4.6.1) este o densitate de probabilitate deoarece
f ( x) 0, x R i

n
x
1
2
2

x e dx = 1.
n 0
2
2
Pentru verificarea relaiei de mai sus , facem n integrala dat schimbarea de
variabil x/2=y, de unde rezult dx=2dy; dac x 0 atunci y 0 , iar dac
x atunci y . Obinem astfel

f ( x) dx =

f ( x) dx =

n
2

(2 y )
n 0

n
1
2

e y 2 dy =

n
2

y 2 e y dy

n 0
2 2
2 2
2
2
1
n
= 1.
=
n 2

2
n Figura 4.6.1 sunt reprezentate grafic funciile f pentru diverse valori ale
parametrului n.

Figura 4.6.1
46

Teorema 4.6.2. Dac variabila aleatoare X are distribuie 2 cu n grade de

libertate, atunci momentele iniiale de ordinul k sunt
mk = n(n + 2) (n + 2k 2), k N * .

(4.6.2)

Demonstraie. Momentul iniial de ordinul k este

n
2
2

mk = x k f ( x) dx =

n
2

x2

+ k 1

x
2

dx.

Cu aceeai schimbare de variabil de mai sus folosit pentru calculul integralei

f ( x) dx , obinem
n

mk =

1
n
2

(2 y )

n
+ k 1
2

2 dy =

22
n
2

+k

y2

+ k 1

e y dy

2
2
2
2
n

2 k + k
= 2 k n n + 1 n + k 1 = n(n + 2) (n + 2k 2).
2
=

22 2
n

2

q.e.d.

Din relaia (4.6.2) deducem c media i dispersia variabilei X cu distribuie

cu n grade de libertate sunt
2

M ( X ) = m1 = n,

D 2 ( X ) = m2 m12 = 2n.

(4.6.3)

Definiia 4.6.3. Variabila aleatoare X urmeaz legea 2 generalizat (X are

distribuie sau repartiie 2 generalizat ) cu parametrii n i ( n N * , > 0 )
dac densitatea sa de probabilitate (repartiie) este funcia
x
n

1 2
1
2
2
x e
, x > 0,

n n
f ( x) = ( 2 )
2

0,
x 0.

(4.6.4)

47

ntr-un mod asemntor cu demonstraia Teoremei 4.6.2 se arat urmtoarea

teorem.
Teorema 4.6.4. Dac variabila aleatoare X are distribuie 2 generalizat cu
parametrii n i ( n N * , > 0 ), atunci momentele iniiale de ordinul k sunt
mk = n(n + 2) (n + 2k 2) 2 k , k N * ,

(4.6.5)

deci media i dispersia sa sunt

M ( X ) = m1 = n 2 , D 2 ( X ) = m2 m12 = 2n 4 .

(4.6.6)

Propoziia 4.6.5. Dac variabila aleatoare X are distribuie 2 generalizat cu

parametrii n i ( n N * , > 0 ), atunci funcia sa caracteristic este

n
2

c(t ) = (1 2it ) , t R .
2

(4.6.7)

Demonstraie. Folosind formula din demonstaia Propoziiei 4.4.6, obinem

(it ) k
(it ) k
nn n

mk =
c(t ) =
(2 2 ) k + 1 + k 1
22 2

k = 0 k!
k = 0 k!
nn n

+ 1 + k 1
n

2
2 k 22
= (1 2it ) 2 , t R.
= (2it )
k!
k =0

q.e.d.
Din relaia (4.6.7) pentru = 1, deducem c funcia caracteristic a unei
variabile X cu distribuie 2 cu n grade de libertate este
c(t ) = (1 2it ) 2 , t R .

(4.6.8)

Legturile dintre distribuia 2 i distribuia normal sunt prezentate n

urmtoarele dou teoreme.
Teorema 4.6.6. Dac variabila X n are distribuie 2 cu n grade de libertate
( n 1 ) atunci densitatea de probabilitate a variabilei

X n n

n ctre densitatea de repartiie normal standard.

2n

tinde pentru

48

Teorema 4.6.7. Dac fiecare dintre variabilele aleatoare independente

X 1 , X 2 ,, X n are distribuie normal standard, atunci variabila aleatoare
X = X 12 + X 22 + + X n2 are distribuie 2 cu n grade de libertate.

Propoziia 4.6.8. Dac variabilele aleatoare independente X i Y au distribuii

2 cu m, respectiv n grade de libertate, atunci X+Y are distribuie 2 cu m+n
grade de libertate.
Demonstraie. S notm cu f i g densitile de probabilitate ale variabilelor X i
Y, adic avem
n
x
1
1
2
2
,
x
e
n
2 n
g ( x ) = 2
2

0,

m
x
1

1
2
2
, x > 0,
x
e
m
2 m
f ( x ) = 2
2

0,
x 0,

x > 0,

x 0.

Atunci densitatea de probabilitate a variabilei X+Y este

h( x) = f ( x y ) g ( y ) dy.

Folosind un raionament asemntor celui ntlnit n demonstraia Propoziiei

4.4.7, deducem c h( x) = 0, x 0 , iar pentru x > 0 obinem

h( x ) =

m
2

m
2
2
e

=
2

m+ n
2

x
2

( x y)

m

2 2

m
1
2

x y
2

1
n
2
2
n
2

n
y
1
2
2

dy

( x y ) 2 y 2 dy.

Notm y=tx, de unde rezult dy=xdt; dac y 0 atunci t 0 , iar dac

y x atunci t 1. Obinem

49

h( x ) =
2

m+ n
2

=
2

m+ n
2

x
2

m n

2 2

x
2

m n

2 2

1
x
= m+ n
m+n
2
2

( x tx)

m
1
2

m+ n
1 1
2
0

(1 t )

m+ n
x
1
2
2

e ,

(tx)

m
n
1
1
2
2

n
1
2

x dt

m+ n

e 2x 2
m n
dt = m+ n
B ,
m n 2 2
2 2
2 2

x > 0.

Deducem c X+Y are distribuie 2 cu m+n grade de libertate.

Concluzia acestei propoziii o putem obine mai direct folosind funciile
caracteristice. Fie c1 i c2 funciile caracteristice ale variabilelor X i Y, i anume

c1 (t ) = (1 2it ) 2 ,
m

n
2

c2 (t ) = (1 2it ) , t R .

Atunci funcia caracteristic a variabilei aleatoare X+Y este

c(t ) = c1 (t )c2 (t ) = (1 2it )

m+ n
2

, t R.

Deducem din relaia obinut c X+Y are distribuie 2 cu m+n grade de

libertate.
q.e.d.

4.7. Legea Student (t). Legea Cauchy

Definiia 4.7.1. Variabila aleatoare X urmeaz legea Student (t) (X are
distribuie sau repartiie Student) cu parametrul n ( n N * ) dac densitatea sa
de probabilitate (repartiie) este funcia
n +1
n +1

2 2

x
2
1 + ,
f ( x) =
n
n
n
2

x R.

(4.7.1)

50

Parametrii n din Definiia 4.7.1 se mai numesc grade de libertate, astfel c o

s mai spunem c X are distribuie Student cu n grade de libertate.
Funcia f din relaia (4.7.1) este o densitate de probabilitate deoarece
f ( x) 0, x R i

f ( x) dx = 1. Pentru a verifica ultima relaie, avem

n +1
n +1
n +1
n +1
2

2 2

x
2
2 x2 2

1 +
1 +
dx.
dx =
f ( x) dx =
n
n
n 0
n
n
n
2
2

n ultima integrala de mai sus facem schimbarea de variabil x 2 / n = y, x 0, de

unde rezult dx =

n
dy. Intervalul [0, ) se transform n intervalul [0, ) i
2 y

astfel obinem
n +1
n +1

1 / 2

2 y
2 1 n

B ,
dy =
n 1
f ( x) dx =
+
n
2 2

n 0
(1 + y ) 2 2

2
2
n +1 1 n

2 2 2

= 1.

=
n +1
n

2
2

n relaiile de mai sus am folosit proprietile j) i k) ale funciei B din Propoziia

4.5.2 i proprietatea d) a funciei din Propoziia 4.4.2.
Teorema 4.7.2. Dac variabila aleatoare X are distribuie Student cu n grade de
libertate, atunci momentele iniiale de ordinul k sunt
m2 k +1 = 0, 2k + 1 < n,
m2 k =

n k (2k 1)!!
, 2 k < n, k N * .
(n 2)(n 4) (n 2k )

(4.7.2)

Demonstraie. Pentru 2k + 1 < n , momentele de ordin impar sunt nule. ntradevr

51

 n +1
n +1

2 2

x
2
(4.7.3)
m2 k +1 =
x 2 k +1 1 +
dx = 0,

n
n

n
2
deoarece funcia f este impar (integrala de mai sus este convergent). Dac
2k +1 n integrala din (4.7.3) este divergent, deci X nu are momente iniiale de
ordinul 2k + 1.
Pentru momentul de ordin par m2k , cu 2k < n avem

m2 k

n +1
n +1
2

2 2

2 x 2 k 1 + x
dx.
=

n
n 0

n
2

(4.7.4)

Pentru calculul ultimei integrale folosim aceeai schimbare de variabil ca cea

folosit mai sus pentru verificarea relaiei
x 2 / n = y, x 0, de unde rezult dx =

f ( x) dx = 1. Notm

n
dy. Intervalul [0, ) se transform n
2 y

intervalul [0, ) i astfel obinem

n +1
n +1
2
n k

n +1
n +1
1

n
2
2 k2

k
2
2
m2 k =
(
ny
)
(
1
y
)
dy
y
(
1
y
)
dy
+
+
=

0
n

n 0
2 y

n
2
2
n +1
n k
1 n

1
k + + k
2 k + 2 1

y
(1 + y ) 2 2 dy.
=

0
n


2

Folosind proprietile funciei B din Propoziia 4.5.2 deducem din relaia de

mai sus

52

1 n

n +1
n +1
n k
n k
k + k

2 2

2
2 B k + 1 , n k =
m2 k =

n
2 2
n +1
n

2
2
2
1 n
1
1 n

k + k
k k k
k
k
n
2 2
2
2 2

= n
=

n n
n

1 1
2 2
2
1
3
3 n

k k k k
k
n
2
2
2 2
=
=

n n
n

1 2 2
2 2
2

1
3 1 1 n

k k k
k
n
n k (2k 1)!!
2
2 2 2 2
=
.
=

n 1 n 2 n k n k (n 2)(n 4) (n 2k )

2
2
2 2

Dac 2k n integrala din relaia (4.7.4) este divergent, deci variabila X nu are
momente iniiale de ordinul 2k.
q.e.d.
Din relaiile (4.7.2) deducem c dac n>1 atunci media variabilei X este
n
M(X)=0, iar dac n>2 atunci dispersia variabilei X este D 2 ( X ) =
.
n2
Legturile dintre distribuia Student i distribuia normal sunt prezentate n
urmtoarele dou teoreme.
Teorema 4.7.3. Dac f n este densitatea de probabilitate a unei distribuii
Student cu n grade de libertate atunci
lim f n ( x) = f ( x; 0,1), x R,
n

unde f (x; 0,1) este densitatea de repartiie normal standard.

Teorema 4.7.4. Dac fiecare dintre variabilele aleatoare independente
X 1 , X 2 ,, X n+1 are distribuie normal cu parametrii m=0 i , atunci
variabila aleatoare

53

X= n

X n+1
X 12 + X n2

are distribuie Student cu n grade de libertate.

Pentru n=1 legea (distribuia) Student se mai numete legea (distribuia)
Cauchy. O variabil aleatoare X cu distribuie Cauchy are densitatea de
probabilitate funcia
f ( x) =

1
,
(1 + x 2 )

x R.

Din observaiile fcute dup demonstaia Teoremei 4.7.2 , deducem c variabila

aleatoare X cu distribuie Cauchy nu are nici valoare medie i nici dispersie.

4.8. Legea Snedecor. Legea Fisher

Definiia 4.8.1. Variabila aleatoare X urmeaz legea Snedecor (X are distribuie
sau repartiie Snedecor) cu parametrii n1 i n2 , (n1 , n2 N * ) dac densitatea sa
de probabilitate (repartiie) este funcia

n1 + n2
n1
n 2 2 n1 1 n
x 2 1 + 1
1

n
f ( x) = n2
n1 n2
2

2 2

0,

n1 + n2
2

x > 0,

(4.8.1)

x 0.

Parametrii n1 i n2 din Definiia 4.8.1 se mai numesc grade de libertate,

astfel c o s mai spunem c X are distribuie Snedecor cu n1 i n2 grade de
libertate.
Funcia f din relaia (4.8.1) este o densitate de probabilitate, deoarece
f ( x) 0, x R i

f ( x) dx = 1. Pentru a verifica ultima relaie, avem

n
f ( x) dx = 1
n2

n1
2

n + n2
1

n
2 21 1 n1

x 1 +
n1 n2 0
n2

2 2

n1 + n2
2

dx.

54

n ultima integral de mai sus facem schimbarea de variabil n1 x / n2 = y. Astfel

obinem

n
f ( x) dx = 1
n2

n1
2

n + n2
n1
1
1

n +n

n2 y 2
1 2 n2
2
2

(
)
y
dy
+
1
n1
n1 n2 0 n1

2 2

n + n2
1

n
n +n
1 2
2 21 1

2
y
y
dy =
=
+
(
1
)
n1 n2 0

2 2

n + n2
1

2 B n1 , n2 = 1.

n1 n2 2 2

2 2

Teorema 4.8.2. Dac variabila aleatoare X are distribuie Snedecor cu

parametrii n1 i n2 , (n1 , n2 N * ), atunci momentele iniiale de ordinul k sunt
mk =

n2k n1 (n1 + 2) (n1 + 2k 2)

, 2k < n2 , k N * .
n1k (n2 2)(n2 4) (n2 2k )

(4.8.2)

Demonstaie. Variabila X are momente iniiale de ordinul k pentru 2k < n2 .

Avem

mk = x k f ( x) dx =

n1

n2

n1
2

n + n2
1

n1
2 x k + 2 1 1 + n1
n
n n
2

1 2
2 2

n1 + n2
2

dx.

Pentru calculul ultimei integrale folosim aceeai schimbare de variabil ca cea

folosit mai sus pentru verificarea relaiei
i obinem
n
mk = 1
n2

n1
2

f ( x) dx = 1. Notm n1 x / n2 = y

n + n2
n
1
k + 1 1

n1 + n2
2 n2 y 2 (1 + y ) 2 n2 dy
n1
n n 0 n
1 2 1
2 2

55

n
= 2
n1

n
= 2
n1

n
= 2
n1

n
= 2
n1

n
= 2
n1

n + n2
1

n1
n1 + n2
2 y k + 2 1 (1 + y ) 2 dy
n n 0
1 2
2 2
n + n2
1

2 B k + n1 , n2 k

2 2
n1 n2

2
2

n n

n + n2
1
k + 1 2 k
2 2

2
n
n
n
n
+

2
1
1 2

2
2 2
n

n
n

k + 1 1 1 + k 1 2 k
2
=
2
2

n
n n
1 2 1 2 1

2
2 2
n
n

n n n

k + 1 1 k + 1 2 1 1 2 k
2
2

2 2 2

n
n
n
n n
1 2 1 2 2 2 k 2 k

2
2
2
2 2

n n1 (n1 + 2) (n1 + 2k 2)
= 2
.
n1 (n2 2)(n2 4) (n2 2k )
q.e.d.
Din relaia (4.8.3) deducem c pentru n2 > 2 media variabilei X este
n2
, iar pentru n2 > 4 dispersia variabilei X este
M (X ) =
n2 2
2n22 (n1 + n2 2)
D (X ) =
.
n1 (n2 4)(n2 2) 2
2

Legtura dintre distribuia normal i distribuia Snedecor este dat n

urmtoarea teorem.
Teorema 4.8.3. Dac variabilele aleatoare independente X 1 , X 2 ,..., X n1 , X n1 +1 ,...
X n1 + n2 urmeaz legea normal cu parametrii 0 i atunci variabila aleatoare

56

X 12 + + X n21
n2
X= 2
n1 X n1 +1 + + X n21 + n2

are distribuie Snedecor cu parametrii n1 i n2 .

Definiia 4.8.4. Variabila aleatoare X urmeaz legea Fisher (X are distribuie
sau repartiie Fisher) cu parametrii n1 i n2 , (n1 , n2 N * ) dac densitatea sa de
probabilitate (repartiie) este funcia
n
f ( x) = 2 1
n2

n1
2

n + n2
n +n
1
1 2

n
2 e n1x 1 + 1 e 2 x 2 ,
n

n n
2

1 2
2 2

x R.

(4.8.3)

Teorema 4.8.5. Dac variabila aleatoare X are distribuie Snedecor cu

1
parametrii n1 i n2 , atunci variabila aleatoare Y = ln X are o distribuie
2
Fisher cu parametrii n1 i n2 .
Demonstraie. Dac notm funcia de repartiie X cu F, atunci funcia de
repartiie G a variabilei Y este

1
G ( x) = P(Y < x) = P ln X < x = P(ln X < 2 x)

2
2x
2x
= P( X < e ) = F (e ), x R.
Deci densitatea de probabilitate a variabilei Y este
g ( x) = G ' ( x) = 2e 2 x F ' (e 2 x ) = 2e 2 x f (e 2 x )
n
= 2e n1x 1
n2

n1
2

n + n2
n +n
1
1 2

2 1 + n1 e 2 x 2 , x R.

n n n2

1 2
2
2

q.e.d.

57

4.9. Legea Weibull. Legea exponenial

Definiia 4.9.1. Variabila aleatoare X urmeaz legea Weibull (X are distribuie
sau repartiieWeibull) cu parametrii i ( > 0, > 0) dac densitatea sa de
probabilitate (repartiie) este funcia
x 1e x , x > 0,
f ( x) =

0,
x 0.

(4.9.1)

Funcia f din (4.9.1) este o densitate de probabilitate, deoarece

f ( x) 0, x R i

f ( x) dx = x 1e x dx =1.
0

ntr-devr pentru verificarea ultimei relaii facem schimbarea de variabil

1
1
1
x = y , de unde rezult x = ( y / )1 / i dx = 1 y dy . Atunci

f ( x) dx =

ey

y dy = e y dy = 1.
0

Teorema 4.9.2. Dac variabila aleatoare X are distribuie Weibull cu

parametrii i ( > 0, > 0) , atunci valoarea medie i dispersia sa sunt
M (X ) =

1
+ 1 ,

D2 (X ) =

2 1
+ 1 + 1.

(4.9.2)

Demonstraie. Folosind schimbarea de variabil de mai sus, obinem pentru

media variabilei X

M ( X ) = x e x dx =
0

ey

1
1

y dy

1
y e y dy = + 1.

Pentru dispersia lui X calculm mai nti media lui X 2 . Avem

58

M ( X ) = x
2

+1 x

dx =

+1

2
dy = + 1.

Atunci dispersia lui X este

D (X ) =
2

2 1
+ 1 + 1 .

q.e.d.
Pentru = 1 legea (distribuia) Weibull se mai numete legea exponenial
(distribuia exponenial) de parametru . Deci densitatea de probabilitate a
unei variabile aleatoare X cu distribuie exponenial cu parametrul este

e x ,
f ( x) =
0,

x > 0,
x 0.

Din relaia (4.9.2) rezult c media i dispersia unei variabile aleatoare X cu

distribuie exponenial cu parametrul sunt
M (X ) =

(2) =

D2 (X ) =

[(3) 2 (2)] =

deoarece (2) = 1, (3) = 2.

Observaia 4.9.3. Distribuia exponenial cu parametrul este o distribuie
gamma generalizat cu parametrii p=1 i .
Propoziia 4.9.4. Dac variabila aleatoare X are distribuie exponenial cu
parametrul , atunci funcia sa caracteristic este
1

it
c(t ) = 1 , t R .

(4.9.3)

Demonstraie. Din Observaia 4.9.3 i relaia (4.4.7) din Propoziia 4.4.6,

deducem c funcia caracteristic a variabilei X este dat de expresia din (4.9.3).
Funcia caracteristic se poate calcula i direct folosind formula din
definiia sa. Avem

59

( )

c(t ) = M e itX = e itx f ( x) dx = e itx e x dx = e (it ) x dx

0

= e x [cos(tx) + i sin(tx)] dx = e x cos(tx) dx + i e x sin(tx) dx.

0
0
0

I1

Pentru I1 obinem

I1 = e x cos(tx) dx =
0

e x sin(tx) dx =

I2

1
(
e ) cos(tx) dx = e

x '

cos(tx)

1 t

(e ) sin(tx) dx = + (e

x '

1 t 2 x

t e cos(tx) dx = 2 e cos(tx) dx.

0
0
1 t2
Rezult astfel relaia I1 = 2 I1 , de unde obinem c I1 =

sin(tx)

I 2 din relaiile de mai sus deducem I 2 =

+ t2
2

. Pentru

t
. Obinem astfel pentru c(t)
+ t2
2

it
expresia c(t ) = 1 , t R.

q.e.d.

Aplicaia 4.9.5. Fie variabilele independente X 1 i X 2 cu distribuii

exponeniale cu parametrii 1 , respectiv 2 . S se determine densitatea de
probabilitate a variabilei X 1 + X 2 . S se generalizeze apoi rezultatul obinut la
cazul a n variabile aleatoare independente cu distribuii exponeniale cu acelai
parametru .
Rezolvare. S notm cu f1 i f 2 densitile de probabilitate ale variabilelor X 1
i X 2 , adic

1e 1x , x > 0,
f1 ( x ) =
x 0,
0,

2 e 2 x , x > 0,
f 2 ( x) =
x 0.
0,

Dac 1 2 atunci densitatea de probabilitate f a variabilei X 1 + X 2 este 0

pentru x 0, iar pentru x > 0 avem

f ( x) = f1 ( x y ) f 2 ( y ) dy = 1e 1 ( x y ) 2 e 2 y dy

= 12 e x e ( ) y dy = 1 2 e x e ( ) y
0
1 2
x

Deci funcia f are forma

x
0

12 x x
(e e ).
1 2
2

60

 12
e 2 x e 1x ,

f ( x) = 1 2

0,

x > 0,
x 0.

Dac 1 = 2 = atunci f ( x) = 0, x 0, iar pentru x > 0 obinem

x

f ( x) = e ( x y ) e y dy = 2 e x dy = 2 xe x .
Deci densitatea de probabilitate a variabilei X 1 + X 2 este

2 xe x ,
f ( x) =
0,

x > 0,
x 0.

Pentru trei variabile aleatoare independente X 1 , X 2 , X 3 cu distribuii

exponeniale cu parametrul , densitatea de probabilitate a variabilei
X 1 + X 2 + X 3 este h( x) = 0, x 0 i pentru x > 0 avem
x

h( x) = 2 ( x y )e ( x y ) e y dy = 3 e x ( x y ) dy =

x 2 e x .

Deci
3 2 x
x e , x > 0,
h( x ) = 2

0,
x 0.

Prin inducie matematic se arat c pentru variabilele aleatoare

independente X 1 , X 2 ,..., X n cu distribuii exponeniale cu parametrul ,
densitatea de probabilitate a variabilei X = X 1 + X 2 + + X n este funcia

n
x n1e x ,

k ( x) = (n 1)!

0,

x > 0,
x 0.

Rezult c variabila X are o distribuie gamma generalizat cu parametrii n i .

61

Titlul capitolelor 3 i 4 i al subcapitolelor din cartea

Probabiliti i Statistic
Capitolul 3
Legi clasice de probabilitate (distribuii sau repartiii) ale variabilelor
aleatoare discrete
3.1 Legea discret uniform
3.2 Legea binomial. Legea Bernoulli
3.3 Legea binomial cu exponent negativ. Legea geometric
3.4 Legea hipergeometric
3.5 Legea Poisson (legea evenimentelor rare)
Capitolul 4
Legi clasice de probabilitate (distribuii sau repartiii) ale variabilelor
aleatoare continue
4.1 Legea continu uniform (rectangular)
4.2 Legea normal (Gauss-Laplace). Legea normal standard (legea normal
centrat redus)
4.3 Legea log-normal
4.4 Legea gamma
4.5 Legea beta
4.6 Legea 2 (Helmert-Pearson)
4.7 Legea Student (t). Legea Cauchy
4.8 Legea Snedecor. Legea Fisher
4.9 Legea Weibull. Legea exponenial

Bibliografie
1. G. Ciucu, Elemente de teoria probabilitilor i statistic matematic,
Editura Didactic i Pedagogic, Bucureti, 1963.
2. G. Ciucu, G. Smboan, Teoria probabilitilor i statistic matematic,
Editura Tehnic, Bucureti, 1962.
3. N. Cojocaru, V. Clocotici, D. Dobra, Metode statistice aplicate n
industria textil, Editura Tehnic, Bucureti, 1986.
4. Gh. Mihoc, N. Micu, Teoria probabilitilor i statistic matematic,
Editura Didactic i Pedagogic, Bucureti, 1980.
5. C. Reischer, A. Smboan, Culegere de probleme de teoria probabilitilor
i statistic matematic, Editura Didactic i Pedagogic, Bucureti,
1972.
6. R. Luca-Tudorache, Probleme de analiz matematic. Calcul integral,
Casa de Editur Venus, Iai, 2007.
62