CAPITOLUL 1:ELEMENTE GENERALE DE TEORIA

PROBABILITĂŢILOR

1.1. PROBABILITATE

Fenomenele din natură pot fi împărţite în două mari categorii:

fenomene deterministe şi fenomene aleatoare.
Fenomenul determinist reprezintă acel fenomen care evoluează după o
legitate determinată.
Fenomenul aleator (stohastic) sau întâmplător, reprezintă acel fenomen
care reprodus de mai multe ori în aceleaşi condiţii se desfăşoară mai mult sau
mai puţin diferit ceea ce conduce la faptul că stările lui nu pot fi cunoscute în
mod determinat, ci cu o anumită probabilitate.
Experimentul reprezintă una din modalităţile de cercetare a
fenomenelor aleatoare. Prin experiment se înţelege o acţiune voită de cercetare
a unui fenomen care poate fi repetat în condiţii date în scopul stabilirii unor
elemente care să caracterizeze fenomenul studiat.
Rezultatele unui experiment se numesc evenimente. De exemplu,
starea de funcţionare şi starea de defect a unui element (aparat) pot fi
considerate evenimente. Evenimentele pot fi, din punct de vedere al
structurilor, evenimente simple şi evenimente compuse.
Evenimentele elementare (simple) sunt elemente indivizibile.
Evenimentele compuse se pot structura prin combinaţia evenimentelor
elementare.
Fiecărui experiment i se asociază două evenimente speciale,
evenimentul sigur şi evenimentul imposibil.
Evenimentul sigur, notat cu E, reprezintă acel eveniment care se
produce cu certitudine la orice efectuare a experimentului.
Evenimentul imposibil, notat cu φ, reprezintă acel eveniment care nu
se poate produce la nici o efectuare a experimentului.
Se numeşte câmp de evenimente într-un experiment totalitatea
(mulţimea) de evenimente ce pot apărea în acel experiment. O mulţime F de
evenimente reprezintă un câmp de evenimente dacă sunt îndeplinite condiţiile:
1) E∈F
2) ∀A∈F ⇒ A ∈ F
3) ∀A,B∈F ⇒ A∪B∈F
Un câmp de evenimente poate fi finit sau infinit după cum este alcătuit, dintr-
un număr finit sau infinit de evenimente. De exemplu, câmpul de evenimente
1
care caracterizează starea unui element (aparat) este format din evenimentele
care reprezintă starea de funcţionare şi respectiv starea de defect a
elementului.
Sistem complet de evenimente. Fie S=( A1, A 2 ,... A n ) un sistem de
evenimente corespunzător unui experiment. Sistemul de evenimente S este un
sistem complet dacă:
n
A i ∩A j =∅ (i ≠ j) şi  A i =E
i =1
Evenimentul contrar (opusul unui eveniment într-un experiment) notat
cu A constă în nerealizarea evenimentului A. Pentru exemplul precedent,
evenimentul complementar unei bune funcţionări este defectarea şi invers.
Conform definiţiei evenimentelor sigur şi imposibil avem:
E = ∅ şi ∅= E
În general are loc relaţia A =A.
Două evenimente se numesc compatibile dacă acestea se pot produce
simultan în cursul efectuării aceluiaşi experiment.
Două evenimente se numesc incompatibile (mutual exclusive) dacă
producerea unuia dintre ele exclude producerea celuilalt eveniment în cursul
efectuării aceluiaşi experiment, adică A∩B=∅.
Două evenimente se numesc dependente dacă realizarea unuia
influenţează realizarea celuilalt eveniment; P(A∩B)=P(B)⋅ P(A/B).
Două evenimente se numesc independente dacă realizarea unuia nu
este condiţionată de realizarea celuilalt; P(A∩B)=P(A)⋅ P(B).
Relaţiile ce se pot stabili între anumite evenimente ale unui experiment
se pot exprima utilizând teoria mulţimilor.
Fie A şi B două evenimente din acelaşi sistem S de evenimente
corespunzătoare unui experiment. Dacă odată cu evenimentul A se realizează
şi evenimentul B atunci vom spune că A implică B (A⇒B) şi se scrie A⊂B
sau B⊃A.
Reuniunea: A∪B este evenimentul care constă fie în apariţia
evenimentului A, fie a evenimentului B, fie a amândoura. Fie un aparat format
din două elemente A şi B. Evenimentul funcţionare aparat reprezentat de
A∪B înseamnă că este necesar să funcţioneze cel puţin un element din ce
două.
Intersecţia: A∩B este evenimentul care constă în realizarea simultană
a celor două evenimente. Fie un aparat format din două elemente A şi B.
Evenimentul funcţionare aparat reprezentat de A∩B înseamnă că este necesar
să funcţioneze ambele elemente.
Operaţiile de reuniune şi intersecţie satisfac următoarele axiome:
-comutativitate:
2
 A∪B=B∪A ; A∩B=B∩A ; (1.1)
-asociativitate:
A∪(B∪C)=(A∪B)∪C ;
(A∩B)∩C=A∩(B∩C) ; (1.2)
-distributivitate:
A∩(B∪C)=(A∩B)∪(A∩C)
A∪(B∩C)=(A∪B)∩(A∪C); (1.3)
-absorbţie:
A∩(A∪B)=A ; A∪(A∩B)=A ; (1.4)
Noţiunea de frecvenţă. Fie A un eveniment care se realizează într-un
experiment. Repetând experimentul de n ori în condiţii identice, să
presupunem că evenimentul A s-a produs de α ori.
Numim frecvenţă absolută a evenimentului A numărul α care ne arată
de câte ori în cele n experienţe s-a produs evenimentul A.
Numim frecvenţă relativă a evenimentului A numărul:
fn = α / n (1.5)
rezultă: 0≤α≤ n şi 0≤ f n ≤ 1
(1.6)
Probabilitatea este definită ca măsură a şanselor de realizare a unui
eveniment. Această mărime are rolul de a transpune în plan cantitativ structura
evenimentelor asociate unei situaţii date permiţând astfel o comparare a
evenimentelor.
Probabilitatea statistică (empirică) a evenimentului A, reprezintă
raportul dintre numărul cazurilor favorabile în care se produce evenimentul A
şi numărul cazurilor posibile. În ipoteza că toate cazurile sunt egal posibile (au
aceeaşi şansă de producere) ea se notează:
P(A)=α/n (1.7)
Această definiţie este corectă numai în cazul câmpurilor finite de
evenimente. Dacă numărul cazurilor posibile este infinit atunci această
definiţie clasică nu mai are sens. Definiţia clasică este inaplicabilă la o serie de
fenomene, de exemplu sociale, unde nu poate fi determinat numărul cazurilor
favorabile.
Formula clasică a probabilităţii, relaţia 1.7, se poate reprezenta sub o
formă mai generală utilizând noţiunea de măsură de realizare a unui
experiment. Notând cu m(A) măsura mulţimii ce reprezintă evenimentul
A⊂E şi m(E)măsura ce reprezintă evenimentul sigur, formula clasică se poate
scrie sub forma:
P(A)=m(A)/m(E) (1.8)
Expresia generală a probabilităţii (1.8) poate fi aplicată atât în cazul
câmpurilor finite cât şi infinite de evenimente, discrete sau continue.
3
 Definiţia axiomatică a probabilităţii după A.N.Kolmogorov
Fie F un câmp finit sau infinit de evenimente. Numim probabilitate
pe câmpul F aplicaţia P: F→R care verifică următoarele condiţii:
1) ∀ A∈F , P(A)≥ 0;
2) P(E)=1;
3) ∀ A,B∈F ,A∩B=∅, P(A∪B)=P(A)+P(B);
4) dacă F este un câmp infinit, ∀ Ai ∈F , Ai ∩ A j =∅ , i≠ j ;
∞ ∞
avem P(  Ai )= ∑P( A i ) .
i =1 i =1
Consecinţe:
1) P(∅)=0;
2) ∀A∈F⇒ 0≤ P(A)≤ 1 şi P( A )=1-P(A);
3) ∀A,B∈F , A⊂B ⇒ P(A)≤ P(B) şi P(A∩B)=P(A);
4) ∀ Ai ∈ F (i=1,2,...,n) şi Ai ∩ A j =∅ , i≠ j, avem
 n  n
P  A 
i =1 i  = ∑ P( A i ) ;
  i =1
5) P(A∪B)=P(A)+P(B)-P(A∩B) pentru A şi B evenimente oarecare;
6) P(A∪ B )=P(A)-P(A∩B).

Probabilitate condiţionată. Fie A şi B două evenimente aparţinând

câmpului F de evenimente. Dacă cele două evenimente sunt independente,
probabilităţile lor se notează cu P(A) şi P(B). În cazul în care cele două
evenimente sunt dependente, de exemplu realizarea evenimentului A este
condiţionată de B, vom nota acest experiment prin simbolul A/B şi
probabilitatea lui prin P(A/B)= PB (A).
P(A ∩B)
P(A/B)= P(B)
; P(B) ≠ 0 (1.9)
Dacă P(A)≠ 0 şi P(B)≠ 0 atunci:

P(A)⋅ P(B/A)=P(B)⋅ P(A/B) (1.10)

Inegalitatea lui Boole

Deoarece 0 ≤ P(A ∪ B) ≤ 1 şi P( A ∪B) = P( A) + P( B) − P( A ∩B) atunci
P( A ∩ B) ≥ P( A) + P( B) −1 şi rezultă în general:
n  n
PA i  ≥∑ P ( A i ) −( n −1)
 
i =1  i =1
(1.11)
4
expresie numită inegalitatea lui Boole.

Formula probabilităţii totale.

Fie F un câmp de evenimente şi S=( A1, A 2 ,... A n ) un sistem complet
n
de evenimente ale lui F ( A i ∩A j = φ pentru i ≠j şi  Ai = E ) şi X un
i =1
eveniment oarecare al câmpului F
n
P( X ) = ∑P( A i ) ⋅ P( X / A i )
i =1
(1.12)
reprezintă formula probabilităţii totale şi are următoarea semnificaţie fizică:
dacă evenimentul X se poate realiza odată cu realizarea unuia din
evenimentele incompatibile Ai , atunci probabilitatea lui de realizare este dată
de relaţia 1.12.
Formula lui Bayes
Dacă evenimentul X se poate realiza odată cu unul din evenimentele
incompatibile Ai , probabilitatea ca odată cu X să se realizeze evenimentul
Ai este:
P( A i ) ⋅ P ( X / A i )
P(Ai / X ) =
P(X)
(1.13)
P( A i ) ⋅ P( X / A i )
P( A i / X ) =
n
(1.14)
∑ P(A j ) ⋅P(X / A j )
j =1
Formula de înmulţire a probabilităţilor
 n −1 
Dacă Ai ∈ F, (i=1, 2, ..., n) şi P  A i  ≠ 0 , atunci

i =1 
 n 
P  A i  = P( A1 ) ⋅ P( A 2 / A1 ) ⋅ P( A 3 / A1 ∩ A 2 ) ⋅ ...
 i =1  (1.15)
⋅ P( A n / A1 ∩ A 2 ∩ ... ∩ A n −1 )
Flux de evenimente. O succesiune de evenimente ce au loc la intervale
de timp aleatorii formează un flux de evenimente. De exemplu, momentele
apariţiei defectărilor unui element reparabil formează un flux de evenimente.
Flux regulat. Fluxul pentru care evenimentele se succed la intervale de
timp bine determinate.

5
 Flux staţionar – fluxul la care probabilitatea apariţiei unui număr
oarecare de evenimente într-un interval de timp t depinde de lungimea
intervalului şi nu de poziţia acestuia pe axa timpului.
Flux fără postacţiune – fluxul la care, pentru toate intervalele de timp
neintersectabile între ele, numărul evenimentelor ce se produc în unul din
acestea nu depinde de numărul evenimentelor ce se produc în celelalte
intervale.
Flux ordinar – fluxul la care probabilitatea de a se produce două sau
mai multe evenimente, într-un interval de timp elementar ∆t, este neglijabilă în
raport cu probabilitatea corespunzătoare producerii unui singur eveniment.
Flux simplu (flux staţionar Poisson) – fluxul care simultan este
staţionar, fără postacţiune şi ordinar.
Flux cu postacţiune limitată – fluxul la care intervalele de timp dintre
evenimentele succesive sunt variabile aleatorii independente.

1.2. FUNCŢIA DE REPARTIŢIE

Caracterizarea unei variabile aleatoare necesită cunoaşterea atât a

mulţimii valorilor posibile pe care le poate lua cât şi a probabilităţilor de
apariţie ale acestora.
Variabila aleatoare reprezintă o variabilă definită pe câmpul de
evenimente asociat fenomenului (procesului) studiat şi care ia valori din
mulţimea valorilor posibile, cu o anumită probabilitate.
Dacă variabila aleatoare ia valori discrete, un număr finit sau o
mulţime numărabilă de valori, ea se poate caracteriza prin valorile ei posibile
şi prin probabilităţile de realizare a acestora.
În cazul în care realizările variabilei aleatoare formează o mulţime
nenumărabilă atunci variabila aleatoare se caracterizează prin funcţia de
repartiţie.
Funcţia de repartiţie a variabilei aleatoare X reprezintă probabilitatea
ca variabila să ia valori mai mici decât o valoare dată x:
F(x) = P(X < x) (1.16)
unde x poate lua orice valoare reală.
Dacă funcţia de repartiţie este cunoscută atunci se poate determina
probabilitatea ca variabila aleatoare să aparţină unui interval, oricare ar fi
acest interval.
Funcţia de repartiţie îndeplineşte următoarele:
− 0 ≤ F(x) ≤ 1 (1.17)
deoarece F(x) este o probabilitate
− F(∞) = xlim
→∞
F( x) = 1 (1.18)
6
 − F(−
∞ ) = lim F( x) = 0
x →−∞ (1.19)
− F( x2 ) ≥ F( x1) pentru x2 ≥ x1 (1.20)
Probabilitatea ca variabila aleatoare să ia valori într-un interval (a,b] este:
P(a < x ≤ b) = F(b) − F(a) (1.21)

F x( ) f x( )

0 x 0 x

Fig.1.1. Reprezentarea grafică a funcţiilor F(x) şi f(x)

pentru cazul variabilelor aleatoare continue

Funcţia densitate de repartiţie (densitate de probabilitate) este o funcţie

pozitivă f(x), dacă există, integrabilă pe intervalul (-∞,+∞) cu proprietatea:
x
F( x ) = ∫f ( x )dx (1.22)
−∞
Funcţia densitate de repartiţie îndeplineşte următoarele:
dF ( x )
− f(x)= d ( x) ≥ 0 (1.23)
b
− P(a < x ≤ b) = ∫f ( x)dx
a
(1.24)
+
∞
− ∫f ( x )dx =1
−∞
(1.25)
În general, densitatea de repartiţie poate fi interpretată ca limita
probabilităţilor:
P( x ≤ X < x + ∆x ) F( x + ∆x) − F( x)
f ( x) = lim = lim = F' ( x)
∆x→ 0 ∆x ∆x → 0 ∆x
(1.26)

7
 Caracterizarea variabilelor aleatoare discrete se face pe baza tabloului
(1.27):
 x , x 2 ,..., x n 
X :  1 
 p( x1 ) , p( x 2 ) ,..., p( x n ) 
(1.27)
unde:
x i − reprezintă valorile variabilei aleatoare;
p( x i ) −reprezintă probabilitatea de realizare a acestor valori,
P( X = x i ) = p i .

Funcţia de repartiţie pentru o variabilă aleatoare discretă este:

max. k
F(x)=P(X < x)= ∑p( x i ) (1.28)
i =1
unde max.k < x .
Funcţia densitate de repartiţie pentru o variabilă aleatoare discretă este:
f(x) = p(x) (1.29)
şi îndeplineşte proprietăţile:
− f(x) ≥ 0 (1.30)
− ∑f ( x i ) = ∑p i = 1 ; i = 1, 2, …, n. (1.31)
i i
Reprezentările grafice pentru cele două funcţii F(x) şi f(x) sunt
prezentate în figurile (1.2) şi (1.3).

f x( ) F x( )

0 x1 x2 x3 x4 x 0 x1 x2 x3 x4 x
Fig. 1.2. Densitate de distribuţie, Fig.1.3. Funcţie de repartiţie,
variabilă aleatoare discretă variabilă aleatoare discretă.

Valoarea medie (momentul de ordinul întâi).

Pentru variabile aleatoare continue:
+
∞
M(x) = ∫ xf ( x)dx =m (1.32)
−∞

8
Pentru variabile aleatoare discrete:
n
M(x) = ∑ x i p( x i ) = m (1.33)
i =1
Valoarea medie pentru o variabilă aleatoare continuă se poate
interpreta ca şi centru de greutate.
Valoarea medie pentru o variabilă aleatoare discretă, deoarece
∑ ip =1 , se poate interpreta ca şi centrul de greutate al maselor (p i )
concentrate în punctele de abscisă ( x i ) .
Momentul de ordin k:
+
∞
k
M k ( x) = ∫x f ( x ) dx
−∞
(1.34)
n
M k ( x ) = ∑x ik p( x i )
i =1
(1.35)
pentru:
k=-1 obţinem media armonică;
k=0 obţinem media geometrică;
k=1 obţinem media aritmetică (valoarea medie).

Moment centrat de ordin k:

+∞
k
µk = ∫ ( x − m) f ( x)dx (1.36)
−∞
n
µ k = ∑( x i − m ) k p ( x i ) (1.37)
i =1
Dispersia (momentul centrat de ordinul doi):
+∞
µ2 = D( x) = σ2 = ∫ ( x − m)
2
f ( x ) dx (1.38)
−∞
n
µ 2 = D( x ) = σ 2 = ∑ ( x i − m ) 2 p ( x i ) (1.39)
i =1
D( x ) = M ( x 2 ) −M 2 ( x ) (1.40)
Dispersia unei variabile aleatoare poate fi interpretată ca momentul de
inerţie al repartiţiei probabilităţii în raport cu centrul său de greutate.

9
 Dispersia permite caracterizarea gradului de împrăştiere a valorilor
variabilei aleatoare în jurul valorii medii care, dimensional, reprezintă pătratul
variabilei în cauză.
Abaterea medie pătratică (deviaţia standard):
σ= D( x ) (1.41)
Această mărime permite caracterizarea mult mai intuitivă a
împrăştierii variabilelor aleatoare faţă de valoarea medie.
Moda este definită ca fiind acea valoare a variabilei aleatoare pentru
care densitatea de repartiţie f(x) prezintă un maxim. Există situaţii în care f(x)
are mai multe maxime, deci mai multe mode.
Coeficientul de variaţie, este raportul între abaterea medie pătratică şi
valoarea medie a variabilei aleatoare:
η = σ/ m (1.42)
Mediană, este numărul notat cu M e , definit prin relaţia:
1
P(X ≥ M e ) ≥ ≤ P(X ≤ M e ) (1.43)
2
sau
1 1
F( M e )≤ şi F( M e + 0) ≥
2 2
(1.44)
Din definiţia medianei rezultă că aceasta este una din valorile x ale
variabilei aleatoare X pentru care
x +
∞
1
∫ dF ( x ) = ∫ dF ( x ) =
2
(1.45)
−∞ x
Cuantilă, valorile x i , i∈(1,n-1) ale variabilei aleatoare X pentru care:
x1 x2 +∞
1
∫ dF ( x ) = ∫ dF ( x) = ... = ∫ dF ( x ) =
n
(1.46)
−∞ x1 xn −1
se numesc cuantile .

1.3. REPARTIŢII DE TIP DISCRET

1.3.1. Repartiţia binomială (Bernoulli)

Fie un experiment şi A un eveniment asociat acestui experiment care

se realizează cu probabilitatea p, iar evenimentul A cu probabilitatea q=1-p.
Dacă se notează cu X numărul de realizări ale lui A, în n probe independente,
atunci X poate lua valorile 0, 1, ..., n.

10
 Dacă se ţine seama de faptul că evenimentele care intervin sunt
independente, rezultă că probabilitatea ca din cele n probe, evenimentul A să
apară de k ori este
P(X=k)= C kn p k q n −k (1.47)
Distribuţia variabilei aleatoare este:
0 1 2 .... n 
X:  n 1 n −1 2 2 n − 2  (1.48)
 q Cn pq Cn p q ... p n 
Funcţia de repartiţie este:
x
F(x)= ∑Ckn p k q n −k ; k=0,1,2,...,n (1.49)
k =0
1
1 − p  2
M(x) = np ; D(x) = npq ; 
η=  

 np 

1.3.2. Repartiţia Poisson (sau legea evenimentelor rare)

Este un caz limită al repartiţiei binomiale, pentru n→∞ şi p→0 cu

condiţia np=λ=constant, şi are distribuţia:
 0 1 2 n ..... 
 2 n 
X:  − λ λ − λ λ − λ λ −λ (1.50)
e e e .... e ....
 1! 2! n! 
Funcţia de repartiţie este
n
λk
) ∑ k ! e −λ
F(x =
k =0
; k = 0, 1, …, n ; λ > 0. (1.51)

şi
1
M(x) = λ ; D(x) = λ ; η = 1/ 2
λ
Distribuţia Poisson joacă un rol deosebit în studiile de fiabilitate, ea
descriind legea de apariţie a defectelor aleatoare într-un sistem complex.
Repartiţia Poisson poate fi definită şi ca un proces continuu în timp, formă des
întâlnită în aplicaţii. În acest caz parametrul λ se înlocuieşte cu λt.

1.3.3. Repartiţia geometrică

11
 Fie p probabilitatea de apariţie a evenimentului A la fiecare încercare.
Probabilitatea ca din n încercări să apară evenimentul A o singură dată este
dată de expresia:
P(n,p)= pq n −1
(1.52)
unde n=1,2,...,.. ; 0 < p ≤ 1
Funcţia de repartiţie este:
n
F(x)= ∑pq k −1 (1.53)
k =0

1.3.4. Repartiţia hipergeometrică

Fie o mulţime de N elemente, dintre care D posedă o anumită

proprietate. Probabilitatea ca un eşantion aleator de mărime n, fără înlocuire,
să conţină x elemente care să prezinte proprietatea dată este:
x n −x
CD C N −D
f(x;N;D;n)= (1.54)
C nN
unde:
x=0,1,2,...,n
N≥ n>0
N-D>0
şi
nD nD  D  N − n
M(x) = ; D ( x) = 1 −   
N N  N   N − 1
1/ 2
 N −D N −n 
η=  ⋅ 
 nD N −1 
Repartiţia hipergeometrică este frecvent întâlnită în controlul loturilor
de produse. Probabilitatea ca în eşantionul de volum n să existe x defecte,
dintr-un lot de produse de volum N care conţine D defecte, va fi dată de o
distribuţie hipergeometrică.

1.4. REPARTIŢII DE TIP CONTINUU

1.4.1. Repartiţia uniformă

O variabilă aleatoare are o repartiţie uniformă dacă valorile ei sunt

echiprobabile dacă se află numai într-un interval dat, [a,b], şi are densitatea de
repartiţie:
12
  1
 x ∈ [a , b]
f(x)=  b − a
 0 x ∉ [a , b]
Funcţia de repartiţie este:
 0 x< a
x− a
F(x)=  a≤ x≤ b
b − a
 1 x>b
b +a (b − a ) 2 1 b −a
M ( x) = ; D( x ) = ; η=
2 12 3 b +a

F x( ) f x( )

1
1
b - a

a b x a b x
Fig.1.2. Reprezentarea grafică F(x) şi f(x) pentru repartiţia uniformă

1.4.2. Repartiţia normală

O variabilă aleatoare este normal distribuită dacă densitatea de

repartiţie este de forma:
( x −m ) 2
−
f(x)= 1 e 2σ2 ;δ>0 (1.55)
σ 2π
Funcţia de repartiţie este:
x ( x −m ) 2
1 −
F(x)= ∫ e 2 σ dx (1.56)
2

σ 2π −∞
M ( x ) = m; D ( x ) = δ2

13
 f x( ) F x( )
1
σ 2 π
1

0 , 5

3σ 2σ σ x = σm 2σ 3σ x m x
6 8 , 2 6 %
9 5 , 4 5 %
9 9 , 7 3 %

Fig.1.3.Reprezentarea grafică f(x) şi F(x) pentru repartiţia normală

Curba f(x) are forma unui clopot simetric faţă de x = m şi are două
puncte de inflexiune la x = m ± σ. Funcţia prezintă o singură modă la x = m,
f ( m ) =1 / σ 2 π , care este şi mediana curbei.
Din graficul funcţiei f(x) se observă că între punctele x = m ± 3σ se
află 99,73% din suprafaţa curbei iar restul de 0,27% se află în intervalele (-∞,
x-3σ) şi (x+3σ , ∞). Această lege de repartiţie este frecvent utilizată în teoria
erorilor.

1.4.3. Repartiţia exponenţială

O variabilă aleatoare este repartizată exponenţial dacă densitatea de

repartiţie este de forma:
0 x<0
f(x)=  −λx (1.57)
λe x≥0
Funcţia de repartiţie este:
 0 x<0
F(x)=  − λx (1.58)
1− e x≥0
şi
M(x) = 1/λ ; D ( x) =1 / λ2 ; η=1

14
 f x( ) F x( )

λ 1

x x
Fig.1.4. Reprezentarea grafică f(x) şi F(x) pentru repartiţia exponenţială

Distribuţia exponenţială are un rol esenţial în teoria fiabilităţii şi în

calculul practic. Aceasta, deoarece există sisteme complexe sau elemente din
sistem care au timpul de bună funcţionare repartizat după o lege exponenţială.
Constanta λ care intervine în funcţiile de repartiţie şi de distribuţie are o
interpretare probabilistică simplă şi va fi analizată în paragrafele următoare.

1.4.4. Repartiţia Weibull

O variabilă aleatoare este repartizată Weibull dacă densitatea de

repartiţie este de forma:
f(x)= λ αx α−1e −λx α pentru x ≥ 0 (1.59)
unde:
λ > 0 este un parametru de scară;
α > 0 este un parametru de formă.

Funcţia de repartiţie este:

F(x)= 1 − e −λt α (1.60)
şi
1
M(x) = λ−1 / αΓ( +1)
α

− 2/λ  2 12
D(x) = λ  Γ (1 + ) − Γ (1 + ) 
 α α 
15
 ∞
unde Γ(z)= ∫t z −1e −t dt .
0
Repartiţia Weibull este utilizată frecvent în studiul fiabilităţii datorită
faptului că rata defecţiunilor poate fi modelată în diverse forme (în funcţie de
valorile lui α).

f x( ) λ( t )
α > 2

α ≤ 1 α > 1 1 < α < 2

α = 1

α < 1
x t
Fig.1.5. Reprezentarea lui f(x) Fig.1.6. Reprezentarea lui λ(t) în
pentru α≤1 şi α>1 funcţie de diverse valori ale lui α

1.4.5. Repartiţia Gamma

O variabilă aleatoare este repartizată Gamma dacă densitatea de

repartiţie este de forma:
x
−
1
f(x)= α
x e β pentru x ≥ 0 (1.61)
α!βα+1
unde:
β > 0 este un parametru scalar;
α > -1 este un parametru de formă.
Funcţia de repartiţie este:
1
F(x)= α! Γx (α+1) (1.62)
β
M(x) = β(α+1) ; D( x ) =β2 (α +1) ; η=1 /( α +1)1 / 2

16
 f x( ) λ( t )

α < 0
α = 0

α > 0

x t
Fig.1.7. Reprezentarea lui f(x) şi λ(t) pentru repartiţia Gamma

Din analiza graficului se observă că alura acestuia depinde de

parametrul de formă α şi anume:
-1 < α < 0 intensitatea de defectare este descrescătoare,
α = 0 intensitatea de defectare este constantă,
α > 1 intensitatea de defectare este crescătoare.
Distribuţia Gamma are o singură modă pentru x = αβ şi α > 1.

1.4.6. Repartiţia χ2
(hi-pătrat)

Variabila aleatoare definită ca suma pătratelor unor variabile aleatoare

independente distribuite normal, ( m , σ2 ), se numeşte variabilă hi-pătrat.
χ2 = x12 + x 22 + .... + x 2n (1.63)
Funcţia densitate de repartiţie este:
n x
−1 − 2
x 2 e 2σ
f(x,n)= n (1.64)
n
2 2 Γ  ⋅ σ n
2
unde n este numărul gradelor de libertate şi anume numărul variabilelor
aleatoare al căror pătrate se adună.
M(x) = n σ2
D( x ) =2nσ4
Repartiţia hi-pătrat prezintă o singură modă pentru cazul n > 1.

17
 f x( )

n = 1
n > 1

x
Fig.1.8. Reprezentarea lui f(x) pentru repartiţia hi-pătrat

1.5. EXEMPLE

Exemplul 1.

La un lot de aparate identice se înregistrează defecte în proporţie de

3% datorate componentelor necorespunzătoare şi în proporţie de 10% datorate
execuţiei necorespunzătoare. Se cere să se determine probabilitatea ca un
aparat ales la întâmplare să fie defect.
Se consideră evenimentele independente:
A-aparat defect din cauză de componente;
B-aparat defect din cauză de execuţie.
Trebuie calculată probabilitatea P(A∪B). Rezultă:
P(A∪B)=P(A)+P(B)-P(A∩B)=P(A)+P(B)-P(A)⋅ P(B)
3 10 3 ⋅10
P( A ∪ B) = + − = 0,127
100 100 100 ⋅100
Exemplul 2.

Într-un lot de aparate se înregistrează 2% rebuturi iar 75% din

aparatele bune sunt foarte bune. Se cere să se determine probabilitatea ca un
aparat extras la întâmplare să fie foarte bun.
Se consideră evenimentele:
A-aparatul ales este foarte bun;
B-aparatul ales este bun.
Deoarece evenimentul A⊂B rezultă P(A∩B)=P(A)
98 75
P( A ) = P( B) ⋅ P( A / B) = ⋅ = 0,735
100 100

Exemplul 3.

18
 Într-un depozit sunt 4 aparate fabricate de X şi 6 aparate fabricate de
Y, ambalate în cutii identice şi nemarcate. Se cere să se determine
probabilităţile ca să extragem în ordine un aparat fabricat de X, un aparat
fabricat de Y şi iar un aparat fabricat de Y.
Se consideră evenimentele:
A1 - ca la prima extragere să obţinem un aparat fabricat de X;
A 2 - ca la a doua extragere să obţinem un aparat fabricat de Y;
A 3 - ca la a treia extragere să obţinem un aparat fabricat de Y;
Trebuie să calculăm evenimentul A1 ∩ A 2 ∩ A 3 .
Avem:
4 6 5
P( A1 ) = ; P( A 2 / A1 ) = ; P( A 3 / A1 ∩ A 2 ) =
10 9 8
Rezultă:
4 6 5 1
P( A1 ∩ A 2 ∩ A 3 ) = ⋅ ⋅ =
10 9 8 6

Exemplul 4.

Un aparat poate fi procurat fie de la două magazii care au fiecare câte

80 de aparate bune şi 2 aparate defecte, fie de la o magazie care are 93 de
aparate bune şi 4 aparate defecte, fie de la alte două magazii care au fiecare
câte 96 de aparate bune şi 3 aparate defecte. Se cere:
a) Probabilitatea ca alegând la întâmplare un aparat din cele 5
magazii, acesta să fie defect;
b) Probabilitatea ca aparatul defect să provină de la o magazie de tipul
1, 2 sau 3.
Se consideră evenimentele:
A- aparatul ales este defect;
A i - aparatul provine de la o magazie de tip i (i=1, 2, 3).
a) Aplicând formula probabilităţii totale se obţine:
P( A ) = P( A1 ) ⋅ P( A / A1 ) + P( A 2 ) ⋅ P( A / A 2 ) + P( A 3 ) ⋅ P( A / A 3 )
2 2 1 4 2 3
P( A ) = ⋅ + ⋅ + ⋅ = 0,03
5 82 5 97 5 99
b) Aplicând formula lui Bayes se obţine:
P( A1 ) ⋅ P( A / A1 ) 0,012
P ( A1 / A ) = = = 0,4
P( A ) 0,03
P( A 2 / A ) = 0,275
P( A 3 / A ) = 0,325

19
 Exemplul 5.

Probabilitatea detectării unui incendiu este de 0,9 pentru un detector de

fum şi 0,8 pentru un detector de temperatură. Cele două detectoare sunt
amplasate alăturat şi funcţionează continuu. Se cere:
a) Probabilitatea ca incendiul să fie semnalizat de cel puţin un detector;
b) Probabilitatea ca incendiul să fie detectat de primul, de al doilea
sau de ambele aparate.
Se consideră evenimentele:
A-primul aparat detectează incendiul;
B-al doilea aparat detectează incendiul.
Se formulează următoarele 4 ipoteze:
A1 = A ∩ B ; A 2 = A ∩ B ; A 3 = A ∩ B ; A 4 = A ∩ B .
Evenimentele A şi B fiind independente, rezultă:
P( A1 ) = P( A ) ⋅ P( B) = 0,18
P( A 2 ) = P( A ) ⋅ P( B) = 0,08
P( A 3 ) = P( A ) ⋅ P( B) = 0,72
P( A 4 ) = P( A ) ⋅ P( B) = 0,02

a) Trebuie calculată probabilitatea evenimentului A1 ∪ A 2 ∪ A 3

P( A1 ∪ A 2 ∪ A 3 ) = 0,98
sau dacă considerăm evenimentul C - incendiu semnalizat atunci:
P(C) = P( A1 ) ⋅ P(C / A1 ) + P( A 2 ) ⋅ P(C / A 2 ) + P( A 3 ) ⋅ P(C / A 3 )
=0,18⋅ 1+0,08⋅ 1+0,72⋅ 1=0,98
b) Considerăm evenimentul C – incendiu semnalizat, rezultă:
P( A1 ) ⋅ P(C / A1 ) 0,18
P( A1 / C) = = = 0,1837
P( C ) 0,98
P( A 2 / C) = 0,0816
P( A 3 / C) = 0,7347

20