2 PROBABILITĂŢI ŞI DISTRIBUŢII CLASICE DE

PROBABILITATE

Teoria probabilităţilor este o parte integrantă a statisticii în general, dar este, în particular,
esenţială pentru teoria inferenţei statistice, care asigură decidenţilor (oameni de afaceri,
economişti) un grup de metode care ii ajută în procesul de luare a deciziilor în condiţii de
incertitudine. Incertitudinea provine din cauză că, în situaţiile din viaţa reală avem rareori
informaţii perfecte referitoare la variatele input-uri ale unei decizii. Indiferent dacă incertitudinile
se referă la cererea pentru produsul nostru, la nivelul viitor al ratelor dobânzii sau la posibilitatea
unei greve de muncă, teoria probabilităţilor este utilă pentru măsurarea gradului de incertitudine
pe care îl presupune o astfel de situaţie. Teoria probabilităţilor ne permite să evităm ignorarea
incertitudinii sau considerarea acesteia într-un mod întâmplător, oferindu-ne o bază pentru a trata
incertitudinea într-o manieră consistentă şi raţională.

2.1 Experiment aleator. Evenimente

În timp ce în statistica descriptivă studiul vizează date concrete dintr-o observare
(culegere) anterioară, în domeniul probabilităţilor încercăm mai degrabă să prevedem, înaintea
realizării unui experiment, amsamblul rezultatelor posibile, ca şi şansele sau probabilităţile cu
care se produce fiecare dintre aceste rezultate. Studiul nostru se îndepărtează deci de contextul
real pentru a se ocupa de data aceasta de un context teoretic.
O dezvoltare logică a probabilităţilor începe prin considerarea unui experiment aleator,
deoarece acest proces generează rezultate (output-uri) incerte cărora le atribuim probabilităţi.
Un experiment aleator este orice acţiune care, efectuată ori de câte ori se doreşte, în
aceleaşi condiţii, are un rezultat aleator. Ea se caracterizează prin faptul că se cunoaşte
ansamblul rezultatelor posibile dar nu se poate face o predicţie certă asupra rezultatului care se
va produce în momentul realizării sale.
Prezentăm câteva exemple de experimente aleatoare şi rezultatele lor pobile:
• aruncarea unei monede: cap si pajură;
• aruncarea unui zar: 1, 2, 3, 4, 5, 6;
• aruncarea unui zar: număr par, număr impar;
• solicitarea preferinţei unui consumator pentru produsul A sau produsul B: prefer
produsul A, prefer produsul B, îmi este indiferent;
• observarea modificării preţului la bursă al acţiunilor unei companii în decurs de o
săptămână: cresc, scad, nu se modifică.
Pentru a determina, înaintea unui experiment, probabilităţile cu care diferite rezultate vor
apărea, trebuie să ştim în primul rând ce rezultate sunt posibile. Rezultatele posibile ale unui
experiment aleator, prezentate într-o listă ca în exemplele anterioare, trebuie să fie exhaustive -
fiecare încercare (probă) a experimentului trebuie să aibă corespondent într-un rezultat din listă -
să se excudă reciproc - două rezultate din listă nu pot apărea împreună la nici o probă a
experimentului. O astfel de înşiruire a rezultatelor posibile se numeşte câmp de evenimente.
Mulţimea rezultatelor (câmp de evenimente sau spaţiu de selecţie), notată cu S este
ansamblul rezultatelor posibile ale unui experiment aleator.
Pentru calculul probabilităţilor este important să distingem dacă mulţimea rezultatelor este
fundamentală sau nu. Un câmp de evenimente este numit fundamental dacă fiecare dintre
rezultatele sale posibile are aceleaşi şanse de apariţie ca şi celelalte. Un exemplu îl constituie
mulţimea rezultatelor posibile la aruncarea unui zar: S = {1,2,3,4,5,6}. Orice rezultat posibil al
unui experiment aleator se numeşte eveniment elementar. Un astfel de eveniment trebuie clar
definit, pentru a nu putea fi descompus în două sau mai multe rezultate. De exemplu,

1
observarea unui număr par la aruncarea cu zarul nu poate fi folosit ca eveniment elementar,
deoarece el poate fi descompus în trei rezultate posibile: 2, 4 şi 6; în acest caz avem un
eveniment.
Un eveniment este orice colecţie de evenimente elementare; el este un subansamblu al
mulţimii S. Evenimentele se notează cu majuscule şi pot fi definite prin cuvinte sau prin lista
evenimentelor elementare componente. Reluând exemplul anterior, evenimentul observarea unui
număr par la aruncarea unui zar poate fi descris alternativ ca A = {2,4,6}. Convenţional, când
utilizăm literele pentru enumerarea (listarea) evenimentelor elementare care formează un spaţiu
de selecţie, utilizăm notaţia Ei pentru a desemna evenimentul cu rangul i din listă.
Dacă notăm cu Ei (i=1,6) evenimentul constând în apariţia feţei cu i puncte a unui zar, este
natural să considerăm realizarea evenimentului Ei sau a evenimentului Ej (apariţia feţei cu i
puncte sau a feţei cu j puncte) tot un eveniment, pe care îl numim reuniunea celor două
evenimente şi îl notăm Ei U Ej.
Evenimentul Ω = E1 U E2 U E3 U E4 U E5 U E6, care se realizează întotdeauna când
aruncăm zarul (la orice aruncare a zarului apare una dintre cele 6 feţe), îl numin eveniment
sigur.
Evenimentul care nu se realizează în nicio probă a experimentului se numeşte eveniment
imposibil, îl notăm cu Φ şi este complementarul evenimentului sigur (în exemplul nostru,
corespunde situaţiei în care zarul s-ar aşeza pe o muchie, deci niciuna din cele 6 feţe nu apare).
Evenimentul E1 U…U Ei-1 U Ei+1 U… U E6, care se realizează atunci şi numai atunci când
nu se realizează evenimentul Ei, îl numim eveniment complementar al lui Ei şi îl notăm CEi sau
Ei . Evenimentul sigur este complementarul evenimentului imposibil.
Considerând două evenimente A şi B, vom spune că:
• evenimentul care implică realizarea atât a lui A cât şi a lui B reprezintă intersecţia
celor două evenimente şi îl notăm A ∩ B;
• evenimentul A implică evenimentul B (A ⊂ B), dacă în orice probă în care se
realizează evenimentul A se realizează şi evenimentul B;
• evenimentele A şi B sunt echivalente (A=B), dacă şi numai dacă A ⊂ B şi B ⊂ A;
• diferenţa evenimentelor A şi B (A-B) este evenimentul care se realizează într-o
probă, dacă se realizează evenimentul A şi nu se realizează evenimentul B; A – B =
A∩ B ;
• evenimentele A şi B se numesc compatibile, dacă în cel puţin o probă a
experimentului se realizează şi A şi B (A ∩ B ≠ Ø);
• evenimentele A şi B se numesc incompatibile, dacă producerea unuia dintre ele
intr-o probă, atrage după sine imposibilitatea producerii celuilalt eveniment în
aceeaşi probă (A ∩ B = Ø).
Observaţii:
• orice eveniment este compatibil cu evenimentul sigur relativ la acelaşi experiment:
∀ A, A ∩ Ω ≠ Ø;
• oricare două evenimente contrare sunt incompatibile;
• evenimentul sigur şi cel imposibil sunt contrare şi deci incompatibile ( Ω ∩ Ø = Ø).
2.2 Definirea probabilităţii
Cuvântul probabilitate nu are o definiţie precisă. Există trei interpretări distincte ale
probabilităţii care oferă trei moduri de abordare în determinarea probabilităţii cu care un rezultat
particular se va produce.
Abordarea clasică încearcă să deducă probabilitatea unui rezultat în mod logic din natura
simetrică a experimentului. Dacă o monedă perfect echilibrată este aruncată, de exemplu, este
logic să ne aşteptăm ca rezultatul cap şi rezultatul pajură să fie egal probabile; putem afirma că
probabilitatea să observăm o apariţie a pajurei este 1/2 . În general, dacă un experiment are n
posibile rezultate, fiecare fiind egal probabile, probabilitatea apariţiei oricărui rezultat particular
este 1/n. O astfel de probabilitate o numim teoretică, deoarece este calculată fără efectuarea
experimentului, folosind doar informaţia care se cunoaşte despre situaţia fizică.
Abordarea empirică presupune exprimarea probabilităţii unui rezultat ca o măsură a
frecvenţei relative de apariţie. Presupunem că un experiment aleator este repetat de n ori (n
2
fiind un număr mare). Dacă x reprezintă numărul de cazuri în care un rezultat particular a apărut
în cele n încercări (probe), raportul x/n constituie o bună estimare pentru probabilitatea cu care
acest rezultat particular va apărea. De exemplu, dacă 700 dintre ultimii 1000 de clienţi care au
intrat într-un magazin, au cumpărat ceva, probablitatea ca orice client care va intra in magazin să
cumpere este de 0.7. Cu cât n este mai mare, cu atât va fi mai bună estimarea probabilităţii
dorite. Probabilitatea determinată folosind rezultatele unui experiment efecuat de un anumit
număr de ori, se numeşte probabilitate empirică, sau frecvenţă relativă.
În multe situaţii practice, rezultatele experimentale nu sunt probabil egale şi nu există un
istoric al repetărilor experimentului; de exemplu, dacă dorim să estimăm probabilitatea ca
vânzările unei firme să atingă valoare de 1 milion de euro într-un an. În astfel de cazuri apelăm la
o abordare subiectivă, în care probabilitatea asociată unui rezultat particular reflectă doar
gradul nostru de încredere că acest rezultat va apărea; altfel spus, ea reflectă o evaluare
personală a situaţiei şi se poate baza doar pe intuiţie. În multe cazuri, totuşi, intuiţia ori evaluarea
subiectivă a unui om de afaceri este probabil influenţată de rezultatele obţinute în situaţii similare;
astfel, abordarea prin intermediul frecvenţei relative joacă adesea un rol important în formarea
probabilităţilor subiective.
Fiecărui eveniment elementar Ei dintr-un câmp de evenimente fundamental (evenimentele
au probabilităţi egale de apariţie) îi ataşăm un număr P(Ei), numit probabilitatea lui Ei , care să
reprezinte probabilitatea obţinerii acestui rezultat particular; ea se calculează după formula:
număr de cazuri favorabile lui E i
P(Ei)=
număr de cazuri posibile
Pentru orice câmp de evenimente S = {E1,E2,…,En}, probabilităţile asociate evenimentelor
elementare Ei trebuie să îndeplinească următoarele cerinţe de bază:
1. 0 ≤ P(Ei) ≤ 1, pentru fiecare i
n
2. ∑ P(E ) = 1 .
i =1
i

Probabilitatea unui eveniment A este egală cu suma probabilităţilor asociate

evenimentelor elementare conţinute în A:
card ( A)
P(A) = .
card ( S )
Probabilitatea producerii unui eveniment este deci, după formularea lui Laplace, egală cu
raportul dintre numărul rezultatelor favorabile producerii evenimentului şi numărul total al
rezultatelor egal posibile.
Prezentăm câteva exemple:
• la aruncarea unui zar, probabilitatea de a obţine un număr impar este :
card{1,3,5} 3 1
P(impar) = = = .
card{1,2,3,4,5,6} 6 2
• la extragerea unei cărţi dintr-un pachet de 52 de cărţi de joc, probabilitatea de a
extrage un as este:
4 1
P(as) = = .
52 13
• la extragerea unei bile dintr-o urnă care conţine 200 de bile colorate, dintre care 15
sunt de culoare roşie, probabilitatea de a extrage o bilă roşie este :
15
P(roşu) = .
200
Numim probabilitate o funcţie numerică P, definită pe câmpul de evenimente, care are
următoarele proprietăţi:
1. 0 ≤ P(A) ≤ 1, oricare ar fi evenimentul A;
2. P( Ω ) = 1, Ω = evenimentul sigur;
3
 3. P(A1UA2U...UAn) = P(A1)+ P(A2)+...+ P(An), dacă evenimentele A1, ..., An sunt
incompatibile Ai ∩ Aj ≠ Ø, i ≠ j.
Revenind la definirea anterioară a unor tipuri de evenimente, numim:
• eveniment imposibil, evenimentul A pentru care P(A) = 0;
• eveniment sigur, evenimentul A pentru care P(A) = 1 ;
• evenimente disjuncte, incompatibile sau exclusive, evenimentele A şi B pentru
care A I B ≠ 0 => P(A I B) = 0.
Considerând două evenimente A şi B, cu P(B) > 0, definim probabilitatea condiţionată ca
evenimentul A să se producă numai dacă evenimentul B s-a produs deja, astfel:
P( A ∩ B)
P(A/B) = .
P( B)
În exemplul aruncării zarului considerăm următoarele evenimente:
A: numărul observat este cel mult egal cu 2;
B: numărul observat este par.
Pentru a calcula cele două probabilităţi condiţionate, P(A/B) şi P(B/A), definim cele două
evenimente:
A = {1,2}
B = {2,4,6}
şi reprezentăm printr-o diagramă Venn intersecţia celor două mulţimi (figura 2.1)

Figura 2.1 – Diagrama Venn pentru A ∩ B (A şi B)

P( A ∩ B) 1 / 6 1
P(A/B) = = =
P( B) 3/ 6 3
P( A ∩ B) 1 / 6 1
P(B/A) = = =
P( A) 2/6 2

Două evenimente A şi B sunt independente dacă:

P(A/B) = P(A) sau P(B/A) = P(B).
Dacă nu este îndeplinită această condiţie, cele două evenimente sunt dependente.
În exemplul anterior, observăm că cele două evenimente sunt independente:
1
P(A/B) = = P(A)
3
1
P(B/A) = = P(B)
2
2.3. Regulile probabilităţilor şi arbori de probabilitate.
Uneori este necesar să calculăm probabilităţi ale unor evenimente mai complexe, corelate;
pentru aceasta, folosim regulile probabilităţilor.
• Regula complementului – rezultă din cerinţa de bază potrivit căreia suma
probabilităţilor asociate evenimentelor simple ale unui câmp de evenimente trebuie să fie 1.
Considerând orice eveniment A şi complementul său A , fiecare eveniment simplu trebuie să
aparţină fie lui A, fie lui A :

4
 P(A) + P( A ) = 1.
Regula complementului, pentru orice eveniment A, este:

P(A) = 1 – P( A ).
Deşi simplă, regula este foarte folositoare: uneori este mai uşor să calculăm probabilitatea
producerii unui eveniment, calculând doar probabilitatea ca acesta să nu se producă şi scăzând
rezultatul din 1.
• Regula adunării – ne permite determinarea probabilităţii unei reuniuni de evenimente
pe baza probabilităţilor altor evenimente. Pentru oricare două evenimente A şi B, regula adunării
lor este:
P(A U B) = P(A) + P(B) – P(A ∩ B).
Dacă cele două evenimente sunt reciproc exclusive, atunci P(A ∩ B) = 0, iar regula adunării se
simplifică:
P(A U B) = P(A) + P(B).
• Regula înmulţirii – ne permite să determinăm probabilitatea unor evenimente
combinate; ea este, practic, o altă modalitate de calcul a probabilităţilor condiţionate. Pentru
oricare două evenimente A şi B, regula înmulţirii lor este:
P(A ∩ B) = P(A) × P(B/A)
= P(B) × P(A/B).
Cele două formule sunt echivalente; utilizarea uneia sau alteia într-o situaţie concretă depinde de
informaţiile pe care le deţinem.
Pentru cazul particular în care cele două evenimente A şi B sunt independente:
P(A/B) = P(A) şi P(B/A) = P(B)
regula înmulţirii se simplifică:
P(A ∩ B) = P(A) × P(B).
O metodă foarte utilă pentru calculul probabilităţilor este arborele de probabilitate, în care
diferitele evenimente posibile ale unui experiment sunt reprezentate prin linii sau ramuri ale
acestuia; metoda este utilă în special pentru a ne asigura că am identificat toate evenimentele
elementare si am atribuit corect probabilităţile asociate.
Exemplul 2.1. Considerând experimentul aruncării unei monede (rezultate posibile Cap şi
Pajură) de două ori, câmpul de evenimente asociat este:
S = { CC, CP, PC, PP }.
Arborele de probabilitate al acestui experiment este prezentat în figura 2.2.

Figura 2.2. Arborele de probabilitate pentru aruncarea unei monede de două ori.

5
 Metoda se poate aplica orcărui experiment aleator care poate fi descompus în mai multe
etape (în exemplul nostru, prima şi a doua aruncare a monedei). Punctele din figură sunt numite
noduri iar ramurile care pornesc din fiecare nod particular reprezintă rezultatele alternative care
pot apărea din acel punct. Nodul iniţial este numit origine. Orice rută a arborelui de la origine
până la un nod terminal corespunde unui eveniment elementar posibil. În exemplul nostru, avem
patru evenimente simple cu probabilităţi egale de apariţie.
Folosind cunoştinţele despre probabilităţile condiţionate şi regulile probabilităţilor, putem
reprezenta alternativ mulţimea rezultatelor astfel:
S = { C1 ∩ C2 , C1 ∩ P2, P1 ∩ C2, P1 ∩ P2 }.
unde evenimentele sunt definite astfel:
• C1 = capul a fost observat la prima aruncare;
• C2 = capul a fost observat la a doua aruncare;
• P1 = pajura a fost observată la prima aruncare;
• P2 = pajura a fost observată la a doua aruncare;
Arborele probabilităţii acestui experiment, folosind noile notaţii, este prezentat în figura 2.3.

Figura 2.3. Arborele probabilităţii pentru aruncarea unei monede de două ori.

2.4. Variabila aleatoare.

În cadrul multor experimente, putem fi interesaţi doar de un anumit aspect al rezultatelor
acestora. Să presupunem că în cadrul experimentului din exemplul 2.1 ne interesează de câte ori
apare pajura . Dacă notăm cu X numărul total de apariţii ale pajurei, valoarea lui X va varia
aleator de la o probă la alta a experimentului; X este numită variabilă aleatoare, sau variabilă
supusă hazardului, deoarece nu îi cunoaştem decât valorile posibile (spre deosebire de
variabilele statistice studiate în prima parte a aceste lucrări, ale căror valori erau cunoscute
dintr-o observare sau culegere anterioară studiului). De fapt, X este o funcţie care asociază o
valoare numerică fiecărui eveniment elementar din câmpul de evenimente S = { CC, CP, PC, PP
}; valorile posibile ale lui X sunt 0,1 sau 2 (figura 2.4.)
S = {CC, CP, PC, PP }

Figura 2.4. Valorile asociate evenimentelor elementare de variabila aleatoare X.

6
 O variabilă aleatoare este o funcţie care asociază o valoare numerică fiecărui eveniment
elementar dintr-un câmp de evenimente. Altfel spus, considerând un experiment aleator, dacă
asociem un număr real fiecărui rezultat posibil din mulţimea rezultatelor, ansamblul acestor
numere, supuse hazardului, constituie o variabilă aleatoare. Mai puţin formal, putem spune că o
variabilă aleatoare este o variabilă a cărei valoare numerică este determinată de rezultatul unui
experiment aleator.
În mod uzual, variabilele aleatoare sunt notate cu majuscule de la sfârşitul alfabetului (X, Y,
W,...) iar valorile acestora cu litere mici (x,y,w,...).
În funcţie de numărul de valori posibile pe care şi le pot asuma, variabilele aleatoare sunt
de două tipuri: discrete şi continue. O variabilă aleatoare discretă poate lua o mulţime
numărabilă de valori; o variabilă aleatoare continuă poate lua o mulţime nenumărabilă de
valori. Mai simplu, o variabilă aleatoare este discretă dacă putem identifica prima valoare, a doua
valoare etc. În majoritatea situaţiilor practice, o variabilă discretă reprezintă numărul de ori în
care un atribut particular este observat: numărul de produse defecte dintr-un lot, numărul de
apeluri telefonice primite într-o anumită oră la o centrală telefonică, numărul de cumpărători,
observaţi într-o perioadă, care preferă un anumit produs.
Observaţii. O muţime numărabilă de valori posibile nu înseamnă în mod necesar o mulţime
finită; este posibilă numărarea valorilor unei variabile aleatoare fără o limită superioară. De
exemplu, numărul de aruncări ale unei monede până la prima apariţie a pajurei ; această
variabilă aleatoare poate fi 1 ( dacă la prima aruncare apare pajura ), 2 (dacă la prima aruncare
apare capul şi la a doua apare pajura) şi aşa mai departe. O astfel de variabilă nu are limită
superioară a valorii sale, dar, fiind numărabilă (putem identifica toate valorile posibile ), ea este
discretă.
Mulţimea valorilor posibile ale unei variabile aleatoare continue este un interval al dreptei
reale (nu neapărat mărginit) sau chiar axa reală; altfel spus, este o mulţime nenumărabilă infinită
de valori posibile. În mod specific, astfel de variabile înregistrează valoarea unor măsurători cum
ar fi timpul, greutatea, lungimea.
2.4.1. Variabila aleatoare discretă.
Atunci când cunoaştem valorile posibile ale unei variabile aleatoare şi probabilităţile
asociate acestor valori, putem spune că avem repartiţia variabilei aleatoare ( sau distribuiţia sa
de probabilitate).
Un tabel, matrice, formulă sau grafic ce conţine toate valorile posibile ale unei variabile
aleatoare discrete împreună cu probabilităţile asociate acestora poartă denumirea de repartiţie a
variabilei aleatoare discrete (distribuiţie discretă de probabilitate ).
Fie X, o variabilă aleatoare discretă asociată unui anumit experiment aleator. Funcţia de
probabilitate a acestei variabile este funcţia p, definită astfel:
p: R → [0,1]
x a p(x) = P( X=x ),
unde P( X=x ) este probabilitatea ca variabila X să ia valoarea particulară x în momentul realizării
experimentului; ea este suma proabilităţilor asociate evenimentelor elementare pentru care X ia
valoarea x.
În experimentul aruncării unei monede de două ori (exemplul 2.1.), considerăm că variabila
aleatoare X reprezintă numărul de apariţii ale pajurei; X poate lua deci oricare din cele trei valori:
0,1 sau 2. Probabilităţile pot fi asociate valorilor lui X cu ajutorul datelor din tabelul 2.1 , care
cuprinde fiecare eveniment elementar şi probabilităţile acestora, calculate anterior prin
intermediul arborelui de probabilitate.

7
 Tabelul 2.1.
Valorile lui X corespunzătoare evenimentelor elementare.
Eveniment elementar x Probabilitate

CC 0 1/4
CP 1 1/4
PC 1 1/4
PP 2 1/4

Asocierea probabilităţilor se poate realiza şi prin intermediul funcţiei de probabilitate a lui X:

p: R → [0,1]
0 a 1/4
1 a 1/2
2 a 1/4
x a 0, ∀ x ∉ X
Acest mod de descriere a lui p, chiar dacă este mai riguros, este mai rar utilizat în practică,
unde se foloseşte cel mai frecvent un tabel ca cel prezentat anterior, care poate fi uşor comparat
cu tabelul de frecvenţe ale unei distribuţii unidimensionale din statistica descriptivă.
Valorile distincte ale variabilei X si probabilităţile sale asociate – repartiţia variabilei X sau
distribuţia sa de probabilitate – pot fi prezentate în mai multe moduri:
• cu ajutorul unei formule:
1/4, dacă x = 0 sau 2
p(x) =
1/2, dacă x = 1

• sub formă tabelară ( tabelul 2.2. )

Tabelul 2.2.
Distribuţia de probabilitate a lui X
x p(x)

0 1/4
1 1/2
2 1/4

• sub formă grafică ( figura 2.5.)

8
 Figura 2.5. Reprezentarea grafică a distribuţiei de probabilitate a lui X

Indiferent de modalitatea de reprezentare, o repartiţie a variabilei aleatoare discrete trebuie

să satisfacă două condiţii. Dacă o variabilă aleatoare X poate lua valorile xi , atunci, următoarele
relaţii trebuie să fie adevărate:
1. 0 ≤ p(xi) ≤ 1, pentru toate valorile xi
2. ∑
xi ∈ X
P( X = xi ) = p ( xi ) = 1.

După definirea distribuţiei de probabilitate pentru o variabilă aleatoare discretă, putem

calcula şi probabilitatea ca X să ia o valoare cuprinsă între a şi b, inclusiv, notată P(a ≤ x ≤ b), ca
sumă a probabilităţilor p(x) pentru fiecare valoare a lui x astfel încât a ≤ x ≤ b. Pentru exemplul
nostru, probabilitatea ca numărul total de apariţii ale pajurei sa fie 1 sau 2 este:
P( 1 ≤ x ≤ 2 ) = p(1) + p(2) = 1/2 + 1/4 = 3/4
Pe lângă funcţia de probabilitate simplă, putem asocia unei variabile aleatoare discrete şi o
funcţie de probabilitate cumulată, numită funcţie de repartiţie. Dacă X este o variabilă aleatoare
discretă, atunci funcţia sa de repartiţie este F, definită astfel:
F: R → [0,1]
x a F(x) = P (X ≤ x) =

= ∑ p( x ) .
xi ∈ X
i

Caracteristici numerice ale variabilei aleatoare discrete.

În prima parte a acestei lucrări , am definit media distribuţiei unei variabile statistice. În
cazul probabilităţilor, deoarece valorile distribuţiei nu sunt decât valori posibile, putem să ne
gândim la o medie de valori în funcţie de probabilitatea lor de apariţie. Această caracteristică o
numim speranţă matematică sau valoare medie sau valoare asteptată a variabilei aleatoare.
Pentru o variabilă aleatoare discretă X cu xi valori care apar cu probabilităţile p(xi), definim media
acesteia astfel:
E( X ) = μ = ∑x
xi ∈ X
i ⋅ p ( xi )

Proprietăţile mediei. Dacă X şi Y sunt două variabile aleatoare discrete, iar a este o
constantă oarecare, sunt adevărate relaţiile:
• E(a) = a
• E(aX) = aE(X)
• E(X+Y) = E(X) + E(Y)
E(X-Y) = E(X) – E(Y)
E(XY) = E(X)*E(Y), dacă X şi Y sunt variablile aleatoare independente, adică:
P( X=x | Y=y0 ) = P(X=x) sau
P(Y=y | X=x0 ) = P(Y=y), ∀x0 ∈ X şi y 0 ∈ Y .

9
Dacă X este o variabilă aleatoare discretă, atunci ∀a, b ∈ R, Y= ax + b este tot o variabilă
aleatoare discretă a cărei medie este:
E(Y) = a E(X) + b.
Dispersia (varianţa) unei variabile aleatoare discrete X, cu xi valori posibile care apar cu
probabilităţile p(xi) şi a cărei medie este E(x) = μ, o definim astfel:
V (X ) = σ 2 = ∑ (x
xi ∈ X
i − μ ) 2 ⋅ p ( xi ) .

Formula simplificată de calcul este:

∑x
2
V (X ) = i ⋅ p ( xi ) − μ 2 .
xi ∈ X

Abaterea tip (abaterea medie pătratică) a lui X este:

σ = V ( X ).
Proprietăţile dispersiei. Dacă X şi Y sunt două variabile aleatoare discrete iar a este o
constantă oarecare, sunt adevarate relaţiile:
• V(a) = 0
• V(aX) = a2 V(X)
• V(X+a) = V(X)
• V(X+Y) = V(X) + V(Y)
V(X-Y) = V(X) – V(Y), dacă X şi Y sunt independente.

Exemplul 2.2. Presupunem următorul joc: după ce mizăm 1 euro, aruncăm un zar şi primim un
număr de monede de 20 eurocenţi egal cu numărul de puncte obţinute la aruncarea zarului.
Dacă notăm cu x numărul obţinut la aruncarea zarului, putem defini variabila aleatoare discretă X
astfel:

x 1 2 3 4 5 6

p(x) 1/6 1/6 1/6 1/6 1/6 1/6

Media, dispersia şi abaterea standard pentru această caracteristică sunt:

• E(X) = 21/6 = 3.
• V(X) = 105/36 = 2.916
• σ = 1.718.

Dacă notăm cu Y câştigul net, exprimat în eurocenţi, pe care îl obţinem la acest joc, Y este
tot o variabilă aleatoare discretă pe care o putem defini astfel:
Y = 20 ⋅ X − 100
Ţinând cont de proprietăţile mediei şi dispersiei, putem calcula cei trei indicatori ai variabilei
Y, fără a descrie funcţia sa de probabilitate, astfel:
E (Y ) = 20 ⋅ E ( X ) − 100 = 20 ⋅ (21 / 6) − 100 = −30 eurocenţi

V (Y ) = 20 2 ⋅ V ( X ) = 400 ⋅ 105 / 36 = 1166.67

σ y = V (Y ) = 34.16.
Numim moment teoretic niţial de ordinul k al variabilei aleatoare discrete X expresia:
M k = E( X k ) = ∑x
x∈ X i
k
i pi ; k ∈ Ν

10
 Momentul teoretic centrat de ordinul k al variabilei X este:
μ k ( X ) = M k ( X − μ ) = E (( x − μ ) k ); k ∈ Ν
unde E(X)=μ.
Momentul centrat de ordinul doi este dispersia variabilei aleatoare X, iar momentul iniţial de
ordinul întâi este media.

2.4.2. Variabila aleatoare continuă

Spre deosebire de variabilele aleatoare discrete care au un număr finit de valori posibile (de
exemplu, x = 0,1,2,... ,n) sau un număr infinit numărabil de valori (x = 0,1,2,...), variabilele
aleatoare continue au un număr infinit nenumărabil de valori posibile si pot lua orice valoare într-
un interval cuprins între două puncte a şi b ( a < x < b ). În timp ce pentru o variabilă aleatoare
discretă este specific procesul de numărare, pentru o variabilă aleatoare continuă este specifică
măsurarea unor atribute, cum ar fi: lungimea, greutatea, timpul, temperatura.
Putem enumera toate valorile posibile ale unei variabile aleatoare discrete şi este
semnificativă considerarea probabilităţii ca o valoare particulară (individuală) pe care aceasta o
poate lua; nu putem însă enumera toate valorile unei variabile aleatoare continue, deoarece
există întotdeauna o altă valoare posibilă între oricare două dintre aceste valori – de aceea doar
intervalele sunt semnificative pentru această variabilă. Probabilitatea ca o variabilă aleatoare
continuă X să ia o anumită valoare particulară este zero. Nu este practic posibil să asociezi o
probabilitate pozitivă fiecărei valori din mulţimea infinită (nenumărabilă) a acestora iar
suma acestor probabilităţi să ramână egală cu 1. Pentru o astfel de variabilă are semnificaţie
doar probabilitatea ca valoarea luată de X să fie cuprinsă într-un anumit interval de valori.
O variabilă aleatoare este continuă dacă ansamblul valorilor sale posibile corespunde
celor dintr-un interval dat, finit sau infinit.
Exemplul 2.3. Un experiment aleator poate fi considerat observarea duratei convorbirilor
telefonice pentru un eşantion reprezentativ de angajaţi ai unei companii într-o zi de lucru. Dacă
notăm cu X durata convorbirilor (măsurată în minute), deoarece angajaţii au fost selactaţi
întâmplător (şi în număr suficient de mare), iar ansamblul valorilor posibile corespunde unui
interval de timp, atunci X este o variabilă aleatoare continuă. Reprezentarea grafică a datelor
astfel culese se poate realiza printr-o histogramă prin dreptunghiuri (figura 2.6.) ale cărei
frecvenţe relative pot fi reduse proporţional cu mărimea intervalului de variaţie, astfel încât
suprafaţa histogramei să fie egală cu 1, iar suprafaţa fiecărui dreptunghi să reprezinte proporţia
în care rezultatele măsurătorilor aparţin acestei clase (interval).

frecvenţe relative
0,3
0,25
0,2
0,15
0,1
0,05
0
2 2 5 5 8 8 11 11 14 14 17 17 20
durata convorbirilor (minute)

Figura 2.6. Histograma frecvenţelor relative.

11
Dacă realizăm un număr foarte mare de măsurători, frecvenţele relative rezultate pot aproxima
distribuţia frecvenţelor relative pentru întreaga populaţie a duratelor convorbirilor telefonice, iar
proporţia pe care o reprezintă aria unui dreptunghi ar putea fi o bună aproximaţie a adevăratei
probabilităţi de a obţine o mărime plasată în acest interval. Experienţa a arătat că, cu cât volumul
eşantionului de măsurători devine mai mare iar dimensiunea intervalelor mai mică, poligonul
frecvenţelor pentru o astfel de distribuţie (ajustat pentru a avea o suprafaţă totală egală cu 1)
devine o curbă.
Pentru o variabilă aleatoare continuă X, definim funcţia de repartiţie astfel:
F : R → [0,1], F ( x) = P( X < x) .
Funcţia de repartiţie are următoarele proprietăţi:
• F (∞ ) = 1
• F (−∞) = 0
• 0 ≤ F ( x) < 1; ∀x ∈ R
• P (a ≤ X < b) = F (b) − F (a ); a, b ∈ R, a < b
• F (a ) ≤ F (b) dacă a < b
Numim densitate de probabilitate (de repartiţie) a variabilei aleatoare X funcţia:
f : R → [o, ∞], integrabilă pe R, astfel încât:
x
F ( x) = ∫ f (t )dt
−∞

Densitatea de probabilitate are următoarele proprietăţi:

• f ( x) ≥ 0, ∀x ∈ R;
∞
• ∫ f ( x)dx = 1 - aria totală a suprafaţei cuprinsă între curba lui f(x) şi
−∞
axa orizontală este egală cu 1;
• F ( x) = f ( x);
'

b
• P (a < X < b) = ∫ f ( x)dx, a < b
a

Este importantă precizarea că f(x) nu este o probabilitate: f ( x) ≠ P ( X = x). Aşa cum am

menţionat anterior, probabilitatea ca X să ia o anumită valoare specifică este zero:
P ( X = x) = 0 . Fiind dată o funcţie a densităţii probabilităţii f(x), suprafaţa cuprinsă între graficul
funcţiei şi două valori a şi b ale lui x (de pe abcisă) reprezintă probabilitatea ca X să ia o valoare
cuprinsă între a şi b, conform proprietăţilor densităţii de repartiţie prezentate mai sus (figura 2.7.)

Figura 2.7. Funcţia de densitate a probabilităţii f(x)

12
 Caracteristicile numerice ale unei variabile aleatoare continue:

• media (speranţa matematică) este:

∞
E( X ) = ∫ x ⋅ f ( x)dx
−∞

• dispersia – formula de definiţie:

∞
V (X ) = ∫ (x − μ) ⋅ f ( x)dx, unde E ( x) = μ
2

−∞

- formula simplificată:
∞
V ( x) = ∫x f ( x)dx − μ 2
2

−∞

• abaterea medie pătratică:

σ = V (X ) = σ 2
• momentul iniţial de ordinul k (k ∈ N)
∞
M k (X ) = ∫x ⋅ f ( x)dx
k

−∞

• momentul centrat de ordinul k (k ∈ N)

∞
μ k ( X ) = ∫ ( x − μ ) k ⋅ f ( x)dx
−∞

Reluând definirea funcţiei de repartiţie a unei variabile aleatoare continue, F : R → [0,1] ,

x
F ( x) = P[ X < x] = ∫ f (t )dt , o reprezentăm grafic în figura 2.8.
−∞

F(x)

Figura 2.8. Funcţia de repartiţie a unei variabile aleatoare continue.

Putem spune că funcţia de repartiţie reprezintă aria suprafaţei situată între curba lui f şi axa
orizontală şi la stânga lui x; aria acestei suprafeţe, pentru X = x, este nulă.

13
 2.5 Funcţii de probabilitate particulare ale variabilelor aleatoare
discrete
Cel mai utilizat tip de cercetare statistică este, fară îndoială, sondajul statistic; scopul său
este de a cunoaşte numărul de unităţi statistice de un anumit tip particular din interiorul unei
populaţii date. În domeniul probabilităţilor există, în acelaşi timp, o variabilă aleatoare discretă
definită ca numărul de rezultate de un anumit tip care este posibil de obţinut în urma realizării
unei experienţe aleatoare specifice. Funcţia de probabilitate a unei astfel de variabile se numeşte
legea binomială sau, în anumite cazuri, legea lui Poisson.
Studiul acestei variabile aleatoare discrete particulare şi al funcţiei sale de probabilitate este
absolut necesar pentru sondajul statistic, prezentat în partea a treia a acestei lucrări.
2.5.1 Distribuţia binomială
Distribuţia binomială este poate cea mai importantă distribuţie discretă. Înaintea descrierii
componentelor unui context binomial considerăm necesară definirea unei noţiuni preliminare,
direct corelată cu repartiţia binomială şi, poate, mai bine cunoscută, schema lui Bernoulli (sau
schema bilei revenite a lui Bernoulli);aceasta este o experienţa aleatoare al cărei ansamblu de
rezultate se poate rezuma prin două stări: succes şi eşec. Prezentăm câteva exemple ale unor
experiemente de acest tip:
• aruncarea unui zar cu dorinţa de a obţine un 6; în acest caz, schema lui Bernoulli
este aruncarea zarului, succesul constă în evenimentul obţinerea unui 6 iar eşecul
constă în evenimentul obţinerea unui număr diferit de 6; probabilitatea unui succes,
notată cu p este p=1/6 iar probabilitatea eşecului, notată cu q este q = 5/6 = 1 - p;
• extragerea unei bile dintr-o urnă care conţine 10 bile albe şi 20 de bile negre, cu
dorinţa de a extrage o bilă albă; schema lui Bernoulli este extragerea unei bile;
succesul, definit prin evenimentul extragerea unei bile albe are probabilitatea
p=10/30=1/3 iar eşecul, definit prin evenimentul extragerea unei bile negre are
probabilitatea q = 20/30 = 2/3 = 1 - p.
Cea mai importantă caracteristică a unui experiment aleator binomial este faptul că există
doar două rezultate posibile. Exemple de experienţe aleatoare cu o astfel de dihotomie a
rezultatelor sunt numeroase: la aruncarea unei monede rezultă cap sau pajură; un candidat
electoral este votat sau nu, un produs fabricat este corespunzător sau rebut; un angajat este
bărbat sau femeie, la revizia contabilă o factură este corectă sau incorectă. Convenţional, cele
două rezultate posibile sunt calificate prin succes sau eşec.
Experimentele binomiale care prezintă interes implică, de obicei, mai multe încercări
(probe) ale experimentului de bază; în definirea unui experiment binomial, aceste încercări
trebuie să satisfacă o serie de condiţii sau, altfel spus, un experiment binomial posedă
următoarele proprietăţi:
• experimentul constă într-un număr fix n de încercări;
• rezultatul fiecărei încercări poate fi clasificat în una din cele două categorii: succes
sau eşec;
• probabilitatea p a succesului rămâne constantă pentru fiecare încercare;
• fiecare probă a experimentului este independentă de celelalte probe ale acestuia.
Câteva exemple de experimente binomiale:
♦ Aruncarea de 10 ori a unei monede şi observarea rezultatului fiecărei aruncări.
Desemnarea uneia dintre cele două posibile rezultate ale fiecărei probe (aruncări)
ca succes este arbitrară. Să presupunem că apariţia capului (banului) reprezintă
un succes; dacă moneda este echilibrată corect, probabilitatea succesului este
p=0.5 pentru fiecare dintre cele 10 aruncări, independente între ele. Într-un astfel
de experiment binomial, punctul maxim de interes îl reprezintă numărul de
succese (de apariţii ale capului monedei) observate in cele 10 probe. Variabila
aleatoare care înregistrează numărul de succese observate în cele n=10 încercări
este numită variabilă aleatoare binomială.
♦ Testarea a 500 de produse selectate aleator dintr-un lot de produse fabricate de
o firmă pentru a stabili dacă au defecte (sunt rebuturi) sau nu. Numărul de
încercări ale experimentului este 500; fiecare încercare (testarea unui produs

14
 selectat) are două rezultate posibile: rebut sau nonrebut. Presupunând că rata
rebuturilor este de 1% şi calificând apariţia unui rebut ca succes, probabilitatea
succesului este p=0.01 şi cea a eşecului q=0.99. Deoarece produsele au fost
selectate aleator pentru testare, cele 500 de încercări sunt independente.
♦ Intervievarea unui eşantion aleator de 1000 de persoane cu privire la preferinţa
pentru un anumit canal de televiziune, A, în defavoarea celorlalte. Experimentul
este compus din 1000 de încercări; fiecare încercare (interogarea unei persoane
selectate) are două rezultate posibile: repondentul preferă canalul de televiziune
A sau nu. Dacă presupunem că 30% din populaţie preferă canalul A, atunci
p=0.3, iar q=0.7 (încercările sunt independente).

Observaţii:
• în fiecare dintre exemplele anterioare am făcut o presupunere care ne-a
permis să asociem o valoare lui p;
• în general, succesul este definit în mod arbitrar în cadrul unui experiment
binomial (şi nu este întotdeauna ceea ce ne-am dori să se întâmple - definim
ca succes găsirea unui rebut);
• variabila aleatoare care ne interesează într-un astfel de experiment este
numărul de succese.

Variabila aleatoare binomială indică numărul de succese în n încercări independente ale

unui experiment binomial; spunem că o astfel de variabilă aleatoare discretă se supune unei legi
de probabilitate binomială, de parametrii n si p, unde n este numărul de probe iar p este
probabilitatea de succes pentru fiecare dintre probe, si o notăm cu X : B(n;p).
Exemplul 2.4 Să presupunem că aruncăm de trei ori un zar si calculăm numărul de
încercări la care obţinem faţa cu 6 puncte; cele trei aruncări sunt independente între ele şi la
fiecare încercare probabilitatea de succes este p=1/6 şi q=5/6=1-p. Dacă X este numărul de
succese obţinute pe parcursul experimentului, atunci X este o variabilă supusă unei legi
binomiale pentru care n=3 şi p=1.6, deci X : B(3; 1/6).
Putem spune că o variabilă aleatoare binomială este o variabilă discretă aleatoare care
poate lua orice valoare dintre 0,1,2,...n. Distribuţia de probabilitate a acestei variabile aleatoare,
numită distribuţie de probabilitate binomială, ne dă probabilitatea ca un succes să apară de x
ori în n încercări, pentru x = 0,1,2,...,n.
Pentru a explica formula generală de calcul al probabilităţilor asociate unui experiment
binomial, construim arborele de probabilitate pentru exemplul 2.4 parţial generalizat (oricare ar fi
p şi 1-p şi oricare ar fi cele două evenimente: succes şi eşec) în figura 2.9.

15
 Proba 1 Proba 2 Proba 3 Evenimente Probabilităţile
X
elementare evenimentelor
elementare
S SSS p3 3
p
S
E SSE p2(1-p) 2
p (1-p)
S S SES 2
p (1-p) 2
p
p E
(1-p)
(1-p) E SEE p (1-p) 2 1

S ESS p2(1-p) 2
S p
(1-p) E p
(1-p) E ESE p (1-p) 2 1
E p
(1-p) S EES p (1-p) 2 1

(1-p)
F EEE (1-p) 3 0

Figura 2.9. Arborele de probabilitate pentru un experiment binomial cu trei probe

Deoarece încercările unui experiment binomial sunt independente, probabilitatea

condiţionată cu care fiecare ramură a arborelui poate apărea este aceeaşi cu probabilitatea
necondiţionată cu care va apărea. Probabilităţile evenimentelor elementare sunt obţinute
aplicând regula multiplicării (înmulţirii) pentru evenimente independente; probabilităţile binomiale
sunt determinate prin însumarea probabilităţilor evenimentelor simple asociate cu o valoare dată
a lui x (tabelul 2.3).
Tabelul 2.3. Distribuţia binomială pentru n = 3
x p(x)

0 (1-p)3
1 3p(1-p)2
2 3p2(1-p)
3 p3

Pentru a obţine formula generală de calcul a probabilităţii p(x) de a obţine x succese în n

încercări, când probabilitatea succesului este p, pornim de la un eveniment simplu:
SS......SEE...........E

x ori (n-x) ori

Aplicând şi în acest caz regula înmulţirii pentru evenimente elementare şi ţinând cont de
datele din tabelul 6.1, observăm că probabilitatea ca un astfel de eveniment simplu să apară este
px(1-p)n-x; pentru a determina şi coeficienţii acestor evenimente simple, studiem din nou arborele
de probabilitate: numărul de evenimente cu x succese este egal cu numărul de rute (ramuri ale
arborelui) în care succesul apare de x ori, altfel spus cu numărul de posibilităţi de a alege x
obiecte dintr-un total de n obiecte, cunoscut din matematică drept Cnx:
n!
C nx =
x!(n − x)!

16
 Pentru experimentul cu trei încercări din exemplul 2.4, calculăm aceşti coeficienţi în tabelul
2.4
Coeficienţii binomiali (n=3)
Tabelul 2.4
x
x C3

0 C30=1

1 C31=3

2 C32=3

3 C33=1

Pornind de la acest exemplu de experiment binomial, putem prezenta acum formula

generală a unei distribuţii de probabilitate binomială.
Dacă variabila aleatoare X reprezintă numărul de succese în cele n încercări independente
ale unui experiment binomial, fiecare încercare având aceeaşi probabilitate p a succesului, atunci
distribuţia de probabilitate binomială a lui X : B(n;p) este:
⎧C x p x ⋅ (1 − p ) n − x , ∀x ∈ {0,...,1,.....n}
P ( X = x) = p ( x) = ⎨ n
⎩0, pentru oricare alta valoare a lui x
Formula lui p(x) descrie corect o funcţiei de probabilitate:
1. ∀ x ∈ R , p ≥ 0, deoarece

⎧C x p x ⋅ (1 − p ) n − x ≥ 0, daca. x ∈ {0,...,1,.....n}
p ( x) = ⎨ n
⎩0, pentru oricare alta valoare a lui x
2. ∑ε C
xi X
x
n p x (1 − p ) n − x =1

Deoarece pentru demostrarea acestei egalităţi se foloseşte formula binomului lui Newton,
această distribuţie particulară de probabilitate a primit numele binomială.
Pentru a exemplifica aplicarea formulei generale a lui p(x), revenim la exemplul 2.4, unde X
: B(3;1/6):
3!
p(x=0)=p(0)= (1/6) 0 (5/6) 3 =0.5788
0!2!
3!
p(x=1)=p(1)= (1/6) 1 (5/6) 2 =0.3472
1!2!
3!
p(x=2)=p(2)= (1/6) 2 (5/6) 1 =0.0694
2!1!
3!
p(x=3)=p(3)= (1/6) 3 (5/6) 0 =0.0046
3!0!
Distribuţia binomială în acest caz este prezentată în tabelul 2.5 iar reprezentarea sa grafică este
realizată în figura 2.10.

17
 Tabelul 2.5. Distribuţia binomială pentru n=3 şi p=1/6

x p(x)
0 0.5788
1 0.3472
2 0.0694
3 0.0046

Figura 2.10 Reprezentarea distribuţiei binomiale din exemplul 2.4

Prezentăm câteva particularităţi ale reprezentării grafice a unei distribuţii binomiale:

• daca p → 0, distribuţia este asimetrică spre dreapta;
• dacă p → 1 distribuţia este asimetrică spre stânga;
• dacă p=0.5, distribuţia este simetrică;
• pentru un p dat, poligonul frecvenţelor ia progresiv aspectul unei curbe, pe măsură ce
valoarea lui n creşte.
În orice lucrare de specialitate, numeroase valori numerice ale lui
p(x) = C nx p x (1-p) n − x
sunt calculate pentru un număr reprezentativ de valori ale lui n,p şi x şi prezentate în anexă
Un mod alternativ de a prezenta o distribuţie binomială utilizează probabilităţile cumulate care
reprezintă suma probabilităţilor binomiale de la x = 0 până la x = k. De exemplu, dacă k = 2
2
P(X ≤ 2)= ∑ p( x) =p(0)+p(1)+p(2).
x=2
Avantajul utilizării unui tabel al probabilităţilor binomiale cumulate este acela că ne permite
uşor aflarea probabilităţii cu care x va lua o valoare până la un anumit rang al valorilor (anexa nr
6).
Pentru exemplul 2.4, distribuţia binomială cumulativă este prezentată în tabelul 2.6
Tabelul 2.6. Distribuţia binomială cumulativă pentru n=3 şi p=1/6

k
k ∑ p ( x)
x =0

0 0.5788
1 0.9260
2 0.9954
3 1.0000

18
 Caracteristicile numerice ale unei variabile aleatoare binomiale X : B(n,p) sunt:
• media E(X)=np
• dispersia V(X)=np(1-p)
2.5.2 Distribuţia Poisson (Legea evenimentelor rare)
A doua distribuţie discretă ca importanţă este distribuţia Poisson. Dacă o variabilă aleatoare
binomială reprezintă numărul de succese care apar într-un număr fix de încercări, o variabilă
aleatoare Poisson reprezintă numărul de evenimente rare (succese) care apar într-un interval de
timp sau o regiune specificate. Prezentăm câteva exemple de activităţi la care se poate aplica cu
succes distribuţia Poisson: înregistrarea numărului de convorbiri telefonice primite de la un
pupitru (tablou de comandă) într-o perioadă specificată de timp; înregistrarea numărului de sosiri
la o locaţie service într-o perioadă dată de timp; înregistrarea numărului de bacterii dintr-o cultură
specificată. Pentru ca distribuţia Poisson să poată fi aplicată corect unor astfel de situaţii
practice, trebuie să fie îndeplinite trei condiţii care reprezintă proprietăţile unui experiment
Poisson:
• numărul de succese care apar în oricare interval este independent de numărul de
succese care apar în oricare alt interval;
• probabilitatea ca un succes să apară într-un interval este aceeaşi pentru toate
intervalele de mărime egală şi este proporţională cu mărimea intervalului;
• probabilitatea ca două sau mai multe succese să apară într-un interval tinde spre
zero pe măsură ce intervalul devine mai mic.
În descrierea anterioară a experimentului Poisson, succesul se referă la apariţia unui
eveniment de interes (dorit, asteptat) iar intervalul se referă fie la un interval de timp fie la un
interval de spaţiu (arie sau regiune). Modelul Poisson se poate deci aplica atunci când
evenimentele de interes apar aleator, în mod independent unul faţă de celălalt şi rareori.
Variabila aleatoare Poisson indică numărul de succese care apar pe durata unui interval
de timp dat sau într-o regiune specificată, într-un experiment Poisson.
Fie λ > 0, dacă x este o variabilă aleatoare astfel încât
e −λ λx
∀ x ∈ N,
x!
p(x)=P(X=x)=
0 pentru oricare altă valoare a lui x
atunci X este o variabilă aleatoare discretă supusă unei legi Poisson de parametru λ , notată X :
P0( λ ).
În formula distribiţiei de probabilitate a unei variabile aleatoare Poisson
e −λ λx
P(X=x) = p(x)= , x=0,1,...
x!
λ reprezintă numărul mediu de succese apărute într-un interval dat de timp sau spaţiu iar e =
2.71828... este baza logaritmilor naturali.
e −λ λx
Pentru λ > 0, funcţia f : R → R dacă x ∈ R
x!
f(x)=

0 pentru oricare alte valori

ale lui x
posedă caracteristicile unei funcţii de probabilitate:
• ∀ x ∈ R, f(x) ≥ 0
• ∑ f ( x) = 1
x∈N

19
 Pentru a utiliza în practică formula distribuţiei de probabilitate Poisson, trebuie să obţinem o
estimaţie a lui λ , de obicei dintr-o serie de date anterioară (istorică). Pentru a facilita calcului
probabilităţilor Poisson, valorile tabelare ale probabilităţilor Poisson cumulative sunt prezentate
în anexa nr 7.
Numărul de valori pe care o varibilă aleatoare Poisson şi le poate asuma este nelimitat;
variabila aleatoare Poisson este o variabilă discretă cu infinit de multe valori posibile – spre
deosebile de variabila aleatoare binomială, care are un număr finit de valori posibile.
Dacă X este o variabilă aleatoare Poisson pentru care λ este numărul mediu de succese
apărute într-un anumit interval, media şi dispersia acesteia au aceeaşi valoare:
E(X) = V(X) = λ .
Contextul utilizării practice a unei variabile supuse legii lui Poisson se poate defini astfel:
Fie X : B(n;p)
dacă n → ∞ (n este mare)
şi p → 0 (p este mic)
atunci X: ≅ P0( λ ) unde λ = np
Acest enunţ ne permite să considerăm o lege Poisson ca o aproximare a legii binomiale
pentru care, în acelaşi timp, n este mare şi p este mic şi lui λ îi atribuim valoarea produsului np.
Cu cât valoarea lui n este mai mare şi cea a lui p este mai mică, cu atât această aproximare este
mai corectă; în practică se consideră valabilă aproximarea dacă n ≥ 50 şi np ≤ 10 sau p < 0.05.
Exemplul 2.5. Considerăm că într-o populaţie umană 0.2% dintre persoanele acesteia
suferă de o anumită boală M. Selectăm întâmplător şi cu revenire un eşantion de 500 de
persoane şi ne propunem să răspundem următoarelor întrebări:
a) care este probabilitatea să numărăm exact trei persoane care suferă de maladia M?
n = 500 încercări; la fiecare încercare, probabilitatea de succes este p = 0.002 iar cea de
eşec este 1-p=0.998.
Daca x = numărul de bolnavi din cele 500 de încercări, atunci X : B(500;0.002).
Observăm că n ≥ 50 iar np = 500*0.002 = 1 ≤ 10 (p=0.002<0.05); putem considera:
e −1 *13
X:B(500;0.002) ≅ P0(500*0.002)*(0.998) 497 ≅
3! =0.06131
b) care este probabilitatea să găsim mai mullt de două persoane bolnave în interiorul
eşantionului?
Considerând X: ≅ P0(1), obţinem:
P(X>2)=P(X=3)+P(X=4)+...+P(X=500)
=1-[P(x = 0) + P(x = 1) + P(x = 2)]
≅ 1-(0.3679+0.3679+0.1839)
≅ 0.0803
2.5.3 Distribuţia uniformă discretă
Reconsiderăm experienţa aleatoare a aruncării unui zar, pentru care am precizat anterior
că oricare din feţele zarului are o probabilitate egală de apariţie. Se poate defini o variabilă
aleatoare X care poate lua una dintre valorile 1,2,...,6 cu aceeaşi probabilitate, p=1/6, numită
variabilă aleatoare uniformă discretă.
Generalizând, o variabilă aleatoare discretă este uniformă, dacă repartiţia sa este:
⎛ 1..........2..........k ..........n ⎞
X= ⎜⎜ ⎟⎟
⎝1 / n......1 / n......1 / n........1 / n ⎠
P(X=K)=1/n; k= 1, n
Legea de repartiţie uniformă discretă caracterizează evenimentele elementare ale unei
variabile aleatoare discrete X pentru care probabilităţile sunt egale:

20
 f(x)=1/n, ∀ x∈{1,2,...,n}
Reprezentarea grafică a unui astfel de repartiţiei este prezentată în figura 2.11.

Figura 2.11. Repartiţia uniformă discretă

Principalele caracteristici numerice ale variabilei aleatoare uniforme discrete sunt:

• media
n n
1 1 n n +1
E ( X ) = ∑ k ⋅ f (k ) = ∑ k ⋅ = ∑k =
k =1 k =1 n n k =1 2
• dispersia
2 2
⎛ n +1⎞
1 n 2 ⎛ n +1⎞ n2 −1
V ( X ) = E (X 2 ) − E 2 ( X ) = ∑ k 2 ⋅ f ( x ) − ⎜
n
= ∑k −⎜
⎟ ⎟ =
k =1 ⎝ 2 ⎠ n k =1 ⎝ 2 ⎠ 12

• abaterea medie pătratică

n2 −1
σ=
12
2.6 Funcţii de probabilitate particulare ale variabilelor aleatoare
continue
2.6.1 Distribuţia continuă uniformă
O distribuţie continuă care beneficiază de o mare simplitate descriptivă dar şi de o limitată
aplicabilitate practică, fiind utilizată în special ca intrument teoretic, este distribuţia uniformă.
O variabilă aleatoare X, definită pe un interval a ≤ x ≤ b, este uniform distribuită dacă funcţia
sa de densitate a probabilităţii este:
1
f(x)= a ≤ x ≤ b, unde a<b
b−a
Altfel spus, o variabilă aleatoare continuă este distribuită uniform dacă:
• ea nu se pooate realiza (produce) decât pe un interval finit de valori(a ≤ x<b);
• şi nu există nici o regiune a acestui interval în care ea să aibă şanse mai mari de a
se realiza decât în alte regiuni.
Principalele caracteristici numerice ale unei variabile aleatoare uniforme sunt:
a+b
o media E ( X ) =
2
(b − a ) 2
o dispersia V ( X ) =
12
Reprezentarea grafică a unei distribuţii continue uniforme este cea din figura 2.12.

21
 Figura 2.12. Distribuţia continuă uniformă

Câteva obsevaţii se cuvine a fi menţionate:

• media unei astfel de variabile este chiar mijlocul sau punctul central al
domeniului lui x, ca o consecinţă directă a formei simetrice a funcţiei
densităţii de probabilitate;
• intervalele de mărime egală din interiorul domeniului lui X au şanse egale să
conţină valoarea pe care variabila X o va lua;
• suprafaţa totală dintre funcţia de densitate a probabilităţii pentru o variabilă
uniformă şi abscisă (S) este egală cu 1, respectând astfel proprietatea oricărei
funcţii de probabilitate:
⎛ 1 ⎞
S =⎜ ⎟ ⋅ (b − a ) = 1;
⎝b−a⎠
• probabilitatea ca X să ia o valoare într-un interval dat, se determină prin
multiplicarea lui 1/(b-a) cu mărimea intervalului; astfel, probabilitatea ca X să ia
o valoare cuprinsă între x1 şi x2 este:
⎛ 1 ⎞
P ( x1 ≤ X ≤ x 2 ) = ⎜ ⎟ ⋅ ( x1 − x 2 ).
⎝b−a⎠
2.6.2 Distribuţia normală
Legea normală de probabilitate, numită şi legea Gauss-Laplace este fără îndoială cea mai
importantă lege de probabilitate. Principalele motive pentru care distribuţia normală este
importantă sunt:
• modelează şi descrie într-un mod folositor numeroase variabile aleatoare pe
care le întâlnim în practică: înălţimea şi greutatea unui grup de persoane,
vânzările anuale ale unei firme, notele elevilor dintr-o clasă, măsurarea erorilor
care apar la realizarea unui experiment; în astfel de cazuri, valorile observate
tind să se aglomereze într-un mod simetric în jurul valorii centrale, dând
naştere unei curbe în formă de clopot;
• asigură o aproximare utilă pentru numeroase alte distribuţii, inclusiv distribuţii
discrete (de exemplu, distribuţia binomială);
• este distribuţia fundamentală a inferenţei statistice, reprezentând distribuţia
posibilelor estimări ale unui parametru al populaţiei care pot apărea în diferite
eşantioane - principala raţiune, de altfel, pentru care distribuţia normală este
considerată cea mai importantă distribuţie.
O variabilă aleatoare X cu media μ şi dispersia σ 2 este normal distribuită dacă funcţia sa
de densitate a prbabilităţii este:
2
1 ⎛ x−μ ⎞
1 − ⎜
2⎝ σ ⎠
⎟
f ( x) = ⋅e ; ∀x ∈ R
σ 2π
unde μ = E ( X ) , σ 2 = V ( X ) , π = 3.14159.. , e = 2.71828...

22
 O variabilă aleatoare care este normal distribuită (sau este supusă unei legi normale de
probabilitate) se numeşte variabilă aleatoare normală, se notează cu X : N( μ ; σ 2 ) - unde μ şi
σ 2 reprezintă valorile mediei şi dispersiei acestei variabile - şi are o reprezentare grafică precum
cea din figura 2.13.

Figura 2.13. Distribuţia normală (clopotul lui Gauss)

Se observă că variabila normală poate lua orice valoare pe axa reală (de la - ∞ la + ∞ ) iar
funcţia normală de densitate a probabilităţii f(x) este continuă; are valori pozitive pentru toate
valorile lui x, este simetrică în raport cu x = μ , posedă un punct de maximum pentru x = μ (şi y
1
= ) şi două puncte de inflexiune (unul în x = μ − σ şi altul în x = μ + σ ) . Fiind vorba de o
σ 2π
funcţie de densitate de probabilitate, aria suprafeţei delimitată de curba funcţiei şi axa orizontală
este egală cu 1 şi, din cauza simetriei, aria fiecărei suprafeţei de o parte si alta a axei x = μ este
egală cu 0.5. Ca în cazul oricărei alte funcţii de densitate de probabilitate, valoarea lui f(x) nu
este probabilitatea cu care X ia valoarea x, ci o expresie a înălţimii curbei la valoarea x.
Cu toate că, aparent, o distribuţie normală este complet determinată odată cu specificarea
celor doi parametri μ şi σ 2 , în realitate, există o întreagă familie de distribuţii normale care au
aceeaşi formă (clopotul lui Gauss) dar diferă una de cealaltă prin localizarea mediei şi dispersia
valorilor. În figura 2.14 sunt prezentate trei distribuţii normale cu aceeaşi dispersie dar cu medii
diferite, iar în figura 2.15 sunt reprezentate trei distribuţii normale cu aceeaşi medie şi dispersii
diferite.

Figura 2.14. Distribuţii normale cu aceeaşi dispersie şi medii diferite.

23
 Figura 2.15. Distribuţii normale cu aceeaşi medie şi dispersii diferite.

Din infinitatea de distribuţii normale, una dintre acestea este utilizată ca model de referinţă
pentru toate celelalte: distribuţia normală standard, care are media μ = 0 şi dispersia σ 2 = 1.
Variabila aleatoare normală corespunzătoare, cu media zero şi abaterea standard egală cu
unitatea, se numeşte variabilă aleatoare normală standard, notată cu Z : N(0,1) .
Calculul probabilităţilor pentru o variabilă supusă unei legi normale se efectuează cu
ajutorul tabelului de distribuţie a probabilităţilor variabilei Z : N(0,1) prezentat în anexa nr 8.
Acest tabel cuprinde valorile lui P(0 ≤ Z ≤ z) pentru valori ale lui z pozitiv precizate la două
zecimale; valoarea lui P(0 ≤ Z ≤ z) se găseşte la intersecţia liniei corespunzătoare întregului şi
primei zecimale cu coloana corespunzătoare celei de a doua zecimale.
Exemplul 2.6. Presupunem că durata timpului în care studenţii rezolvă un test grilă este
cunoscută ca fiind normal distribuită, cu o medie de 60 de minute şi o abatere standard de 8
minute. Dacă înregistrăm (observăm) timpul necesar pentru un anumit student, care este
probabilitatea ca timpul acestuia să fie cuprins între 60 şi 70 de minute?
Notăm cu X timpul necesar pentru rezolvarea testului; probabilitatea pe care ne-am propus
să o aflăm este: P(60 ≤ X ≤ 70) - zona haşurată din figura 2.16a.

Figura 2.16. Variabila normală şi standard din exemplul 2.6.

24
 Reamintim că probalilitatea ca o variabilă aleatoare continuă X să ia o valoare particulară
este zero; de aceea:
P(60 ≤ X ≤ 70) = P(60 < X < 70).
Pentru a putea utiliza tabelul distribuţiei normale trebuie să transformăm variabila normală
X din exemplul nostru în variabila normală standard Z. Standardizarea unei variabile normale se
realizează astfel:
x−μ
Z=
σ
Interpretarea lui Z este foarte importantă: o valoare a lui Z: semnifică (este egală cu)
distanţa de la valoarea corespunzătoare a lui X până la medie, măsurată în număr de abateri,
standard ale lui X.
Pentru a afla probabilitatea dorită: P(60 < X < 70), trebuie să determinăm intervalul valorilor
lui z corespunzător intervalului de valori ale lui x care ne interesează:
60 − 60 x − 60 70 − 60
60 < X < 70 ⇒ < <
8 8 8
⇒ P(60 < X < 70) = P(0 < Z < 1.25) zona haşurată din figura 6.9b
O astfel de probabilitate, care are formula generală P(0 < Z < z0) se poate determina cu
ajutorul tabelului distribuţiei normale standard: localizăm rândul pe care se plasează 1.2 şi apoi
căutăm intersecţia acestuia cu coloana 0.05;
P(60 < X < 70) = P(0 < Z < 1.25) = 0.3944
Probabilitatea ca un anumit student să rezolve testul în intervalul de timp cuprins între 60 şi
70 de minute este deci 0.3944.
Am precizat anterior că valoarea z corespunzătoare unei valori x0 date are o interpretare
foarte importantă. Deoarece x0 - μ exprimă distanţa dintre x0 şi medie, valoarea z
corespunzătoare exprimă aceeaşi distanţă în număr de abateri standard:
x0 − μ
z0 =
σ
Probabilitatea ca o variabilă să ia o valoare în cadrul intervalului definit de z0 abateri
standard de la medie, rămâne constantă pentru orice variabilă aleatoare normală. Cu alte
cuvinte, pentru oricare variabilă aleatoare normală X, cu media μ şi abaterea medie pătratică
σ , avem:
P ( μ − z 0σ < X < μ + z 0σ ) = P ( − z 0 < Z < z 0 )
Deoarece o distribuţie normală este simetrică, este suficient să prezentăm în tabel valorile
probabilităţilor pentru P(0 ≤ Z ≤ z0); aria totală a suprafeţei delimitată de curba normală şi
abscisă fiind egală cu 1, orice probabilitate dorită poate fi obţinută prin adunări sau scăderi de la
valorile de această formă ale probabilităţilor.
Reluând exemplul 2.6, să presupunem că dorim calculul următoarelor probalilităţi:
a) probabilitatea ca un student să rezolve testul în mai mult de 70 de minute;
b) probabilitatea ca un student să rezolve testul într-un interval cuprins între 50 şi 70 de
minute;
c) probabilitatea ce un student să rezolve testul într-un interval cuprins între 65 şi 70 de
minute;
Rezolvarea acestor cerinţe se bazează pe datele din anexa distribuţiei normale şi
propietăţile distribuţiei normale.
a) X ≥ 70
x − 60 70 − 60
≥
8 8
Z ≥ 1.25

25
 În figura 2.17 sunt prezentate grafic cele două suprafeţe de interes situate sub curba
normală: A1 corespunde probabilităţii dorite iar A2 corespunde probabilităţii ca 0 ≤ Z ≤ 1.25; aria
totală fiind egală cu unitatea, datorită simetriei curbei faţă de z=0, întreaga suprafaţă din partea
dreaptă este egală cu 0,5: A1+A2 = 0.5.

Figura 2.17. Suprafaţa corespunzătoare probabilităţii P ( Z ≥ 1.25)

Valoarea din tabel corespunzătoare suprafeţei A2 am găsit-o anterior, este 0.3944;

probabilitatea dorită în acest caz este:
P ( Z ≥ 1.25) = A1 = 0.5 − A2 = 0.5 − 0.3944 = 0.1056
b) 50 ≤ X ≤ 70
50 − 60 x − 60 70 − 60
≤ ≤ ⇔
8 8 8
− 1.25 ≤ Z ≤ 1.25
De fiecare dată când aria de interes include media, ca în acest caz (figura 2.18), ea trebuie
determinată ca sumă a celor două suprafeţe situate de o parte şi de alta a mediei.

Figura 2.18. Suprafaţa corespunzătoare probabilităţii P (−1.25 ≤ Z ≤ 1.25)

26
 Probabilitatea dorită este:
P(−1.25 ≤ Z ≤ 1.25) = A1 + A2 ;
valoarea lui A2 o cunoaştem deja şi, datorită simetriei distribuţiei normale, putem calcula şi
valoarea lui A1 :

A1 = P( −1.25 ≤ Z ≤ 1.25) = P(0 ≤ Z ≤ 1.25) = A2 ⇒

⇒ P( −1.25 ≤ Z ≤ 1.25) = A1 + A2 = 0.3944 + 0.3944 = 0.7888
c) 65 ≤ X ≤ 70
65 − 60 x − 60 70 − 60
≤ ≤
8 8 8
0.63 ≤ Z ≤ 1.25

Probabilitatea dorită corespunde suprafeţei haşurate din figura 2.19; ea se poate determina
ca diferenţă între ariile a două suprafeţe ale căror probabilităţii se găsesc în anexă.

Figura 2.19. Suprafaţa corespunzătoare probabilităţii P(0.63 ≤ Z ≤ 1.25)

P (0.63 ≤ Z ≤ 1.25) = A = A1 − A2
Unde: A1 = P (0 ≤ Z ≤ 1.25)
A2 = P (0 ≤ Z ≤ 0.63)
Rezultă: P (0.63 ≤ Z ≤ 1.25) = P (0 ≤ Z ≤ 1.25) − P (0 ≤ Z ≤ 0.63) =
= 0.3944 − 0.2357 = 0.1587
Aşa cum am văzut din exemplul prezentat, în viaţa reală multe caracteristici cantitative
continue sunt în mod natural distribuite după un model normal. Din punct de vedere statstic,
frecvenţa lor relativă este distribuită în aceeaşi manieră ca şi densitatea de probabilitate a unei
legi normale: înălţimea sau greutatea persoanelor dintr-o populaţie dată, rezistenţa tijelor de
metal în cadrul unei producţii industriale, volumul conţinutului sticlelor dintr-o firmă de
îmbuteliere, notele obţinute la un examen de către studenţii unui an de studiu etc.
Un alt exemplu al utilităţii legii normale îl constituie furnizarea unui instrument de comparare
între valori aparţinând unor distribuţii normale diferite.
Exemplu 2.7. Notele obţinute la un test naţional de către elevii unui colegiu A sunt
distribuite după o lege normală N(7.2;0.81) iar notele obţinute la acelaşi test de către elevii unui
alt colegiu B sunt normal distribuite N(6.9;1). Considerând un elev care a obţinut nota 7.4 la
colegiul A şi alt elev care a obţinut nota 7.3 la colegiul B, ne propunem să determinăm care dintre
cei doi elevi este mai bine clasat în raport cu ceilalţi elevi din colegiul său.

27
 Pentru a stabili acest lucru, standardizăm nota fiecărui elev, altfel spus calculăm
echivalentul notei sale într-o distribuţie N(0;1).
• Pentru elevul de la colegiul A nota sa de 7.4 într-o distribuţie N(7.2;0.81) devine:
7.4 − 7.2
= 0.2
0.9
• Pentru elevul de la colegiul B, nota sa de 7.3 într-o distrubuţie N(6.9;1) devine:
7.3 − 6.9
= 0.4
1
Se observă că elevul de la colegiul B, chiar dacă a obţinut o notă brută inferioară celei a
elevului de la colegiul A, este mai bine clasat decât acesta, deoarece pe scara comună a
variabilei Z nota sa este superioară.
Vom prezenta în continuare câteva proprietăţi ale variabilelor aleatoare normale.
Dacă X este o variabilă aleatoare normală iar a este o constantă, atunci variabilele: X+a, X-
a şi aX sunt şi ele normal distribuite. În cazul special în care X şi Y sunt două variabile aleatoare
normale şi independente, atunci şi variabilele X+Y şi X-Y sunt normal distribuite. Prin
generalizare, putem enunţa următoarea teoremă referitoare la suma unor varibile supuse unor
legi normale.
Fie X1, X2...Xn n variabile aleatoare independente unele faţă de altele, astfel:
X i : N ( μ i ; σ 2 ), ∀i ∈ {1,...n}

şi fie Y = ∑ Xi
i

Atunci Y : N ( μ ; σ 2 )
Unde μ = μ1 + ... + μ n = ∑μ i
i

σ 2 = σ 12 + ... + σ n2 = ∑ σ i
2

Teorema limită centrală

Fie X1,X2.......Xn n variabile aleatoare independente între ele şi identic distribuite (aceeaşi
lege de probabilitate, aceeaşi medie şi dispersie).
Şi fie:
Y= ∑Xi
i
Atunci, dacă n este mare (teoretic, dacă n → ∞ ):
Y: ≅ N( μ ; σ 2 )
Unde: μ = E ( X 1 ) + E ( X 2 ) + ... + E ( X n ) = n ⋅ E ( X 1 )
σ 2 = V ( X 1 ) + V ( X 2 ) + ...... + V ( X n ) = n ⋅ V ( X 1 )
Cum această teoremă se aplică oricărei sume de variabile aleatoare independente între ele
şi identic distribuite, este important să precizăm că ea permite şi aproximarea unei sume de
variabile discrete printr-o variabilă continuă.
Pornind de la această teoremă, numită şi regula aproximării normale, se poate enunţa un
corolar a cărui aplicare este foarte utilă în studiul unei distribuţii binomiale:
Fie X : B(n;p)
Dacă n este mare, atunci X: ≅ N (np; npq )
Analiza realizată a permis descoperirea condiţiilor de aplicare a unei astfel de aproximări:
• cu cât n este mai mare, cu atât aproximarea este mai corectă;
• dacă n este moderat de mare, aproximarea este:
- foarte bună dacă p → 0.5;
- mai puţin bună dacă p → 0 sau p → 1 .
În practică se consideră că:
B (n; p ) ≅ N (np; npq)
28
 dacă, în acelaşi timp: n ≥ 30
np ≥ 5 şi nq ≥ 5
Observaţie: această modalitate de aproximare a distribuţiei de probabilitate a unei variabile
discrete prin cea a unei variabile continue ne impune estimarea grafică a unei măsuri liniare
(înălţimea batoanelor) printr-o măsură a unei arii (a suprafeţei situată sub o curbă). Pentru a
realiza această trecere, trebuie să atribuim fiecărei valori posibile a variabilei discrete o suprafaţă
delimitată de curbă, a cărei lăţime o reprezintă distanţa dintre mijlocul intervalului situat între
această valoare şi cea precedentă şi mijlocul intervalului situat între această valoare şi cea
următoare. Se poate spune că învăluim această valoare cu un interval căruia îi corespunde o
suprafaţă de sub curbă.

2.6.3 Distribuţia χ
2

O distribuţie derivată din distribuţia normală, care are un rol foarte important în inferenţa
statistică este distribuţia χ 2 (numită şi repartiţia Helmert-Pearson):
Fie X1, X2,.....Xn n variabile aleatoare independente astfel încât ∀ i ∈ {1,2,...., n} ⇒ Xi :
N(0;1),
Dacă X = X 12 + X 22 + ....... + X n2 , atunci X este o variabilă aleatoare continuă supusă unei
funcţii de densitate de probabilitate numită χ 2 cu n grade de libertate şi o notăm:
X: χ 2 n (n, numărul de grade de libertate, reprezintă parametrul specific al acestei distribuţii,
aşa cum n şi p sunt pentru o distribuţie binomială, λ pentru o distribuţie Poisson şi n şi σ 2
pentru o distribuţie normală).
Dacă X : χ n2 , valorile corespunzătoare mediei şi dispersiei acestei variabile sunt:
E( X ) = n
V ( X ) = 2n
Reprezentarea grafică a funcţiei de densitate de probabilitate a unei variabile X supusă
unei legi χ n2 , pentru trei valori ale lui n, se regăseşte în figura 2.20;

Figura 2.20. Funcţia de densitate de probabilitate a unei variabile X supusă unei legi χ n2

Pe baza acestui grafic se pot formula următoarele caracteristici:

• orice variabilă aleatoare supusă unei legi χ 2 nu poate lua decât valori pozitive
(fiind definită ca suma pătratelor unor variabile);
• pentru n foarte mic, curba unei χ 2 este total asimetrică (n=1, în graficul 2.20);
• pentru n ≥ 3, curba ia forma unui clopot:

29
 o asimetrică întâi, pentru valori mai mici ale lui n (n = 3, în graficul 2.20);
o din ce în ce mai simetrică, pe măsură ce n creşte(n = 10, în graficul 2.20);
• atunci când n este suficient de mare, forma graficului se apropie de curba unei legi
normale N(n;2n).
În timp ce tabelul distribuţiei unei variabile Z : N(0;1) prezintă valorile probabilităţilor de la
intersecţia unei linii şi unei coloane ca definind o valoare a lui Z, tabelul distribuţiei X : χ n2
procedează invers: el indică, pentru valori ale lui n de la 1 la 30, diferite valori ale lui x, pentru o
variabilă X : χ n2 , la dreapta cărora aria suprafeţei delimitată de curbă, P [ X > x ] , corespunde
unei valori α .
Astfel, pentru o variabilă X: χ 152 , dacă dorim să aflăm pentru care valoare a lui x, P [ X > x ]
= 0.05, găsim această valoare la intersecţia liniei n=15 şi a coloanei α = 0.05 :
x = 24.996 (figura 2.21a)

a) b)
Figura 2.21. Determinarea valorilor critice ale funcţiei χ 2

Pentru o variabilă X: χ 102 , dacă dorim să aflăm pentru care valoare a lui x, P [ X > x ] =0.05,
deducem mai întâi că dacă P [ X > x ] = 0.05, atunci P [ X > x ] =0.95 şi căutăm la intersecţia liniei
n = 10 cu coloana α = 0.95 pentru a găsi valoarea dorită:
x = 3.940
Atunci când am analizat reprezentarea grafică a diferitelor legi χ n2 , am menţionat că pe
măsură ce n creşte, repartiţia χ n2 tinde lent, conform teoremei limită centrală, spre repartiţia
normală N(n;2n). Datorită acestei tendinţe, există o formulă care permite, pentru n>30, estimarea
unei valori particulare x supusă unei legi χ n2 , plecând de la o valoare z supusă unei legi N(0;1):
Fie X : χ n2
1
Dacă n>30, atunci x ≅ ( z + 2 n − 1) 2
2
Unde z = o valoare particulară pe axa lui Z:N(0;1),echivalentă celei căutate pentru x, pe axa
X : χ n2 .
Cu cât valoarea lui n este mai mare, cu atât formula aproximării este mai corectă.

30
 2.6.4 Distribuţia student (t)

Fie Z: N(0;1) şi X : χ n2 , două variabile aleatoare independente; dacă:

Z
T= ,
X
n
Atunci T este o variabilă aleatoare continuă supusă unei funcţii de densitate de probabilitate
numită t a lui student cu n grade de libertate, pe care o notăm:
T : tn
Reprezentarea grafică a unei astfel de variabile are aspectul unei distribuţii normale N(0;1)
aplatizate, incluzând şi proprietăţile de simetrie ale acesteia (figura 2.22).

Figura 2.22. Densitatea de repartiţie a unei variabile Student pentru diferite valori ale lui n

Se observă că, pe măsură ce n are valori mai mici, forma clopotului este mai largă şi plată,
iar pe măsură ce valorile lui n sunt mai mari, forma clopotului este mai îngustă şi mai înaltă,
tinzând progresiv către cea a lui N(0;1), atunci când n → ∞ .
Valorile mediei şi dispersiei pentru o astfel de variabilă sunt:
E(T)=0
n
V (T ) = , dacă n > 2
n−2
Obsevaţie: conform analizei reprezentării grafice, pentru valori mari ale lui n:
M(T)=0
V (T ) → 1
În tabelul cu valorile specifice acestei distribuţii, valorile unei variabile se regăsesc la
intersecţia unei linii care precizează numărul gradelor de libertate ale lui tn cu o coloană care
precizează aria α a suprafeţei situată la dreapta acestei valori, sub curbă.

31
 Astfel, pentru o variabilă T : t21, găsim valoarea t pentru care P[T > t ] este 0.05 (figura
2.23), la intersecţia liniei n = 21 şi a coloanei α = 0.05 :
t = 1.721.

Figura 2.23. Probabilitatea P[T >t] = 0.05 pentru o varibilă T : t21

Dacă dorim o valoare negativă a variabilei, folosim proprietatea de simetrie, ca şi în cazul

ditribuţiei normale N(0;1).

32