Capitolul 2

Variabile aleatoare
Variabila aleatoare este una din notiunile fundamentale ale teoriei probabilitatilor si a statis-
ticii matematice. In cadrul unei cercetari experimentale se constata ca ntre valorile numerice
masurate exista diferente chiar daca raman neschimbate conditiile de desfasurare ale experimen-
tului. Daca ne referim la o singura masuratoare, variabila aleatoare este acea marime care n
cadrul unui experiment poate lua o valoare necunoscuta aprioric. Pentru un sir de masuratori,
variabila aleatoare este o notiune care-l caracterizeaza din doua puncte de vedere:

- caracterizare din punct de vedere cantitativ - variabila ne da informatii privind valoarea

numerica a marimii masurate;

- caracterizare din punct de vedere calitativ - variabila aleatoare ne da informatii privind

frecventa de aparitie a unei valori numerice ntr-un sir.

O variabila aleatoare ce poate lua valori ntr-o multime finita sau numarabila (adica o multime
cel mult numarabila) se numeste variabia aleatoare discreta. O variabila aleatoare ce poate lua
orice valoare dintr-un interval real, marginit sau nu, se numeste variabila aleatoare continua.
Pe scurt, vom scrie v.a. discreta sau v.a. continua. Variabilele aleatoare vor fi notate cu litere
mari latine, eventual indiciate jos: X, Y , Z, . . . sau X1 , X2 , . . ., Xn .

Exemple de v.a. discrete:

a) Temperatura maxima nregistrata lunar n Craiova, n cursul unui an;
b) Numarul de produse defecte dintr-un lot;
c) Numarul de autovehicule detinute de locuitorii unui oras.

Exemple de v.a. continue:

a) Cantitatea de apa folosita de locatarii unui bloc ntr-o luna;
b) Valoarea facturii emise pe luna ianauarie, pentru consumul de energie electrica al unei familii;
c) Timpul necesar unui atlet sa ajunga la sfarsitul probei de maraton.

In cazul variabilelor aleatoare, discrete sau continue, nu sunt neaparat interesante si utile
valorile pe care acestea le pot lua, cat mai ales probabilitatile cu care ele iau aceste valori.

1
1 Variabile aleatoare discrete

1.1 Definitie. Distributia de probabilitate. Exemple

Daca consideram un experiment aleator n cadrul caruia urmarim o caracteristica X care poate
avea exact n realizari distincte, cuantificate numeric n numerele reale x1 , x2 , . . ., xn , atunci
X poate fi considerata ca o v.a. discreta care ia aceste valori xi , i = 1, n, cu probabilitatile
pi , i = 1, n. Evenimentul Ei = (X = xi ) se citeste evenimentul ca X sa ia valorea xi . Mai
precis, pi = P (X = xi ), i = 1, n, unde Ei = (X = xi ), i = 1, n, sunt evenimentele elementare
Sn
ale experimentului, care formeaza o partitie a evenimentului sigur . Adica = Ei si
i=1
Ei , i = 1, n, sunt incompatibile sau mutual exclusive (producerea unuia exclude producerea
celorlalte). Prin urmare
p 1 + p2 + + pn = 1 .

Tabloul (matricea cu doua linii si n coloane) care nregistreaza pe prima linie valorile variabilei
X si pe a doua linie probabilitatile asociate va fi notat, de asemenea, cu X:
  X n
x1 x2 xn
(1.1) X= , pi = 1
p1 p2 pn
i=1

si vom spune ca acest tabel defineste distributia de probabilitate a v.a. discrete X.

Pentru o variabila aleatoare discreta cu o multime numarabila de valori (xi )iI vom nota:
  X
xi
(1.2) X= , pi = 1 .
pi
iI

Riguros matematic, o variabila aleatoare discreta asociata unui experiment aleator ce are eveni-
mentul sigur si familia evenimentelor care se pot produce n acest experiment este corpul sau
campul (eventual borelian) de evenimente K, se defineste astfel:
Definitia 1.1. Fie (, K, P ) un camp de probabilitate asociat unui experiment aleator.
O variabila aleatoare discreta X asociata acestui experiment este o functie X : 7 R, care ia
valorile xi R, i I, cu I multime cel mult numarabila, astfel ncat
(X = xi ) = { |X() = xi } K, oricare ar fi i I.

A preciza distributia de probabilitate a v.a. discrete X nseamna a da o functie pX : R 7 [0, 1],

definita prin pX (x) = P (X = x), adica probabilitatea ca X sa ia valoarea x. Evident ca
pX (x) = 0, pentru orice x 6= xi , i I. Aceasta functie pX se numeste functia de distributie de
probabilitate a v.a. discrete X.

Reciproc, o functie p : R 7 R poate fi distributia de probabilitate a unei v.a. discrete X daca

verifica urmatoarele conditii:
i) 0 p(x) 1, pentru orice x R;
P
ii) exista o submultime cel mult numarabila I R pe care p sa ia valori nenule si p(x) = 1.
xI

2
Exemplul 1. Se poate verifica imediat ca funtia p : R 7 R definita prin
 1
10
(5 x) daca x {1, 2, 3, 4}
p(x) =
0 n rest

este distributia de probabilitate a unei v.a. discrete X.

In concluzie, o functie f : R 7 [0, 1] poate fi distributia de probabilitate a unei v.a. discrete

Pn
P
cu valori ntr-o multime cel mult numarabila daca si numai daca f (k) = 1 sau f (k) = 1.
k=1 k=1

Se obisnuieste ca sa se identifice variabila aleatoare discreta cu distributia sa de probabilitate,

asa cum rezulta si din scrierea (1.1) sau (1.2).

Pornind de la evenimentele elementare (X = xi ) ale experimentului aleator, vom considera

evenimente de tipul (X < x), (X x), (X > x), (X x), (a < X < b), (a X < b),
(a X b), (a < X b). Toate aceste evenimente se pot scrie ca o reuniune de evenimente
mutual exclusive de tipul (X = xi ) si atunci probabilitatea lor este suma probabilitatilor
evenimentelor elementare componente.

Exemplul 2. Fie X variabila aleatoare care indica numarul de case (sau apartamente) aflate
n proprietatea locuitorilor din Romania, avand distributia de probabilitate (limitandune la
sase case):  
0 1 2 3 4 5 6
X=
0, 06 0, 6 0, 3 0, 02 0, 01 0, 00999 0, 00001
Sa se calculeze probabilitatea ca un locuitor selectat la ntamplare sa aiba cel mult doua case.
Dar sa aiba cel putin patru case?
Rezolvare:
Evenimentele ale caror probabilitati se cer sunt: (X 2) = (X = 0) (X = 1) (X = 2) si
(X 4) = (X = 4) (X = 5) (X = 6). Prin urmare P (X 2) = P (X = 0) + P (X =
1) + P (X = 2) = 0, 06 + 0, 6 + 0, 3 = 0, 906 si P (X 4) = P (X = 4) + P (X = 5) + P (X =
6) = 0, 01 + 0, 00999 + 0, 00001 = 0, 02.

Pentru a studia cum variaza probabilitatile evenimentelor de forma (X x) n functie de

x R se asociaza v.a. X (discreta sau continua) functia FX : R [0, 1], definita prin
FX (x) = P (X x) si numita functia de repartitie a v.a. X.

3
  
x1 x2 xn P
Daca X = , atunci este clar ca FX (x) = pi sau
p1 p2 pn i|xi x


0 daca x < x1
p1 daca x1 x < x2




x2 x < x3



p1 + p2 daca

..
.

FX (x) =

p1 + p2 + + pk daca xk x < xk+1

..



.
p1 + p2 + + pn1 daca xn1 x < xn




1 daca x xn

Graficul functiei de repartitie FX arata ca este o functie n scara, crescatoare, care pleaca de la
valoarea 0 si ajunge pana la 1, fiind continua doar la dreapta n punctele xi , i = 1, n.

Functia de repartitie asociata v.a. X se noteaza mai simplu F , atunci cand nu exista pericol
de confuzie. Functia de repartitie F are o importanta deosebita mai ales pentru v.a. continue,
iar proprietatile ei vor fi prezentate n sectiunea urmatoare.

1.1.1 Operatii cu variabile aleatoare discrete

Fie X o v.a. discreta de valori xi si probabilitati corespunzatoare pi , i I, iar D noteaza

multimea valorilor sale. Daca : D 7 R este o functie, atunci X este de asemenea o v.a.
discreta cu valorile yi = (xi ), i I.

Daca este injectiva, atunci distributia de probabilitate a v.a. X = (X) este

 
(xi )
(1.3) (X) = , i I,
pi
adica P ((X) = yi ) = P (X = xi ) = pi .
Daca nu este injectiva, atunci P ((X) = yj ) = P (X 1 (yj )),
unde 1 (yj ) = {x R|(x) = yj } este contraimaginea multimii {yj } prin , iar {yj |j J}
este multimea valorilor v.a. (X). In concluzie, distributia de probabilitate a v.a. (X) este:
 
yj
(1.4) (X) = , j J.
P (X 1 (yj ))
Exemplul 3. Fie variabila aleatoare X
 
3 1 0 1 3 5
X= 1 1 1 1 1 1
12 6 12 3 12 4

Daca consideram functia : R 7 R, (x) = x2 , atunci v.a. (X) = X 2
ia valorile {0, 1, 9, 25}.

Intrucat P (X 2 = y) = P (X 1 (yj )) = P (X = y) (X = y) , rezulta ca distributia
de probabilitate a v.a. X 2 este:  
0 1 3 5
X= 1 1 1 1
12 2 6 4

4
 Fie X, Y doua v.a. discrete care au multimile de valori D1 = {x1 , . . . , xm }, respectiv D2 =
{y1 , . . . , yn }. Daca h : D1 D2 7 R este o functie, atunci Z = h(X, Y ) este o v.a. discreta
ce ia valorile zij = h(xi , yj ), i = 1, m, j = 1, n. Mai mult, P (Z = zij ) = P ((X, Y ) h1 zij ),
pentru orice i = 1, m, j = 1, n, unde h1 zij = {(x, y) D1 D2 |h(x, y) = zij }.

Concret, daca h(x, y) = x + y, atunci v.a. Z = X + Y are distributia de probabilitate data de

X
P (Z = z) = P (X + Y = z) = P (X, Y ) h1 z =


P (X = xi , Y = yj ) .
(i,j)|xi +yj =z

Daca v.a. discrete X, Y sunt independente (adica, conform definitiei, P (X = xi , Y = yj ) =

P ((X = xi ) P (Y = yj )), atunci
X
P (X + Y = z) = P (X = xi ) P (Y = yj ) .
(i,j)|xi +yj =z

Exemplul 4. Un dealer auto vinde 0, 1 sau 2 automobile vinerea si 0 sau 1 automobile sambata.
Notam cu X, respectiv Y variabilele aleatoare
 discrete cedau numarul
 de automobile
 vandute
0 1 2 0 1
vinerea, respectiv sambata. Daca X = si X = , atunci prob-
0, 2 0, 5 0, 3 0, 5 0, 5
abilitatea ca n cele doua zile dealerul sa vanda 2 masini este P (X + Y = 2) = P (X = 1, Y =
1) + P (X = 2, Y = 0) = P (X = 1) P (Y = 1) + P (X = 2) P (Y = 0), daca v.a. X, Y sunt
independente. In caz contrar, vom folosi tabloul vectorului aleator (X, Y ) din subsectiunea 1.3.

1.2 Media, dispersia, momente, momente centrate. Proprietati.

Exemple

Fie X o v.a. discreta data prin distributia de probabilitate

 
x1 x2 xn
X= .
p1 p2 pn

Prin medie (sau valoare medie sau speranta matematica) a v.a. X ntelegem numarul real, notat
cu M (X) sau m,
n
X
(1.5) M (X) = xi p i
i=1

Pentru o v.a. discreta X care ia o multime numarabila de valori xi , i I, prin medie ntelegem
xi pi , daca aceasta serie este absolut convergenta. Daca I = N , atunci media
P
suma seriei
iI
v.a. este:

X
(1.6) M (X) = xi p i .
i=1
P
Daca seria xi pi nu este absolut convergenta, atunci v.a. X nu are valoare medie.
iI

5
  
k
Exemplul 5. Fie variabila aleatoare X = a , k 1, unde a R este dat astfel ca
k2

a
k ka2 este divergenta, deoarece are aceeasi
P P
k2
= 1. Atunci X nu are medie pentru ca seria
k=1 k=1

1
P
natura ca si seria armonica k
.
k=1

In continuare definim notiuni si prezentam rezultate, exemple relativ la v.a. discrete cu

un numar finit de valori. Corespondentele acestora pentru cazul v.a. discrete cu o multime
numarabila de valori se extind natural, daca seriile corespunzatoare sunt convergente.

Fie X o v.a. discreta ce ia valorile xi cu probabilitatile pi , i = 1, n si functia : R 7 R.

Atunci v.a. Y = (X) are media
n
X
(1.7) M (X) = (xi )pi .
i=1

n
Prin urmare, media v.a. X 2 este M (X 2 ) = x2i pi . Pentru orice k 1, media v.a. X k este
P
i=1

n
X
(1.8) M (X k ) = xki pi
i=1

si se numeste momentul de ordinul k al v.a. X, notat si cu Mk (X) sau mk .

Exemplul 6. Un producator de covoare de forma patrata produce jumatate dintre covoare cu

latura de un metru, trei zecimi din covoare cu latura de doi metri si restul covoarelor cu latura
de cinci metri. Distributia de probabilitate a v.a. ce da lungimea unui covor ales la ntamplare
este  
1 2 5
X= .
0, 5 0, 3 0, 2
Atunci v.a. X 2 reprezinta aria covorului ales aleator si aria medie a unui covor produs este
M (X 2 ) = 12 0, 5 + 22 0, 3 + 52 0, 2 = 6, 7 m2 .

Evident, o v.a. discreta X care ia o singura valoare a R are distributia de probabilitate

 
a
(1.9) X=
1

si media ei M (X) este egala chiar cu a. Acesta v.a. se numeste v.a. constanta si se noteaza cu
a.

Fie X o v.a. discreta cu distributia de probabilitate

 
xi
(1.10) X= , iI
pi

6
si avand media M (X) = m. Evident (X m)2 este o v.a. discreta definita de functia h(x, y) =
(x y)2 , adica (X m)2 = h(X, m) si ia valorile (xi m)2 cu probabilitatile pi , i = 1, n.

Variabila aleatoare (X m)2 se numeste patratul abaterii v.a. X de la media sa m si media

sa M ((X m)2 ) se numeste dispersia sau varianta variabilei aleatoare X, notata cu D(X) sau
2 (X) sau chiar V (X).

Prin urmare, dispersia v.a. X care ia valorile xi cu probabilitatile pi , i = 1, n si media m este

n

X
(1.11) D(X) = 2 (X) = M (X m)2 = (xi m)2 pi .
i=1
p
Prin abatere standard a v.a. X ntelegem numarul real pozitiv 2 (X), notat cu (X).

Abaterea standard (X) reprezinta marimea deviatiei dintre valoarea observata a variabilei
aleatoare X si valoarea sperata (media). Evident ca o v.a. constanta X = a are dispersia si
abaterea standard egale cu zero, 2 (X) = 0.

Pentru orice k 1, media v.a. (X m)k este

n
X
(1.12) M ((X m)k ) = (xi m)k pi
i=1

si se numeste momentul centrat de ordinul k al v.a. X, notat si cu k (X) sau k . Evident

2 (X) = 2 (X).

Media si dispersia (sau abaterea standard) ofera informatii esentiale si sumarizate relativ la
distributia de probabilitate a unei variabile aleatoare discrete (si continue) X.

Exemplul 7. Sa consideram distributia varstei populatiei Romaniei n anii 1990 si 2010.

In acest sens, vom folosi doua v. a. discrete X, respectiv Y pentru anii respectivi, 1990 si
2010, interpretand procentele de populatie ca probabilitati, iar valorile acestor variabile aleatoare
reprezinta mijlocul unui interval de varsta (3 pentru 05 ani, 9 pentru 613 ani, . . ., 75 pentru
65 84 ani si 92 pentru peste 85 de ani):
 
3 9 16 21 30 40 55 75 92
X= ,
0, 076 0, 128 0, 053 0, 128 0, 173 0, 151 0, 186 0, 093 0, 012
 
3 9 16 21 30 40 55 75 92
Y = .
0, 064 0, 116 0, 052 0, 09 0, 125 0, 122 0, 225 0, 160 0, 046
Dupa calcule, rezulta ca varstapmedie a populatiei Romaniei n anul 1990 era M (X) = 34, 455
si abaterea standard (X)p= D(X) = 21, 87, iar n anul 2010 media era M (Y ) = 41, 2 si
abaterea standard (Y ) = D(Y ) = 25, 4. Concluzia este ca n 20 de ani a crescut (cu aproape
7 ani!) nu numai media varstei populatiei, dar si dispersia ei, adica varianta sau variabilitatea
(cu aproape 4 ani!).

7
 Inainte de a prezenta proprietatile de baza ale mediei si dispersiei unei v.a. discrete, vom
prezenta o relatie ntre aceste doua caracteristici numerice, relatie a carei demonstratie (pentru
cazul v.a. discrete) o lasam ca exercitiu. Relatia ramane valabila si pentru v.a. continue!

(1.13) D(X) = 2 (X) = M (X 2 ) (M (X))2

Proprietati de baza ale mediei si dispersiei asociate unor v. a. discrete

1. M (aX + bY ) = aM (X) + bM (Y ), pentru orice v.a. X, Y si a, b R.

In particular, M (aX + b) = aM (X) + b, pentru orice v.a. X, si a, b R.
n  n
P P
2. M i Xi = i M (Xi ), pentru orice v.a. Xi si i R, i = 1, n.
i=1 i=1

3. 2 (aX + b) = a2 2 (X), pentru orice v.a. X, si a, b R.

4. In general, 2 (X + Y ) 6= 2 (X) + 2 (Y ). Daca X si Y sunt v.a. independente, atunci

2 (X + Y ) = 2 (X) + 2 (Y ).

Toate aceste proprietati raman valabile si pentru variabile aleatoare continue si vom reveni
asupra lor n sectiunile urmatoare.

2 Distributii discrete clasice

2.1 Distributia Bernoulli

Probabil cel mai simplu tip de variabila aleatoare discreta, variabila aleatoare Bernoulli mode-
leaza efectuarea unui experiment n care poate apare unul din doua rezultate posibile, numite
succes, respectiv insucces. Spre exemplu, aruncarea unei monede poate fi modelata printr-o
variabila aleatoare Bernoulli (convenim spre exemplu ca obtinerea stemei este succes).

Atribuind succesului valoarea 1 (cu probabilitatea p (0, 1)) si insuccesului valoarea 0 (cu
probabilitate q = 1 p), reprezentam variabila aleatoare Bernoulli cu parametrul p (probabili-
tatea obtinerii succesului) sub forma
 
0 1
X= .
1p p

Media si dispersia variabilei aleatoare Bernoulli cu parametrul p sunt:

M (f ) = 0 (1 p) + 1 p = p,

si
D(f ) = (0 p)2 (1 p) + (1 p)2 p = p(1 p).

8
2.2 Distributia uniforma

Variabila aleatoare uniforma reprezinta modelul matematic ce generalizeaza experimentul aruncarii

unui zar (cazul n = 6) sau al jocului la ruleta (cazul n = 37). Astfel, daca un experiment are n
rezultate posibile egal posibile (notate 1, 2, .., n), atunci experimentul poate fi modelat printr-o
variabila aleatoare uniforma pemultimea {1, 2, ..., n}. Variabila aleatoare uniforma pe multimea
{1, 2, ..., n} este de forma  
1 2 ... n
X= 1 1 .
n n
... n1
Media si dispersia variabilei aleatoare uniforme sunt
n
X 1 1 n(n + 1) n+1
M ((f ) = i = = ,
i=1
n n 2 2

si
n  2
X n+1 1
D(f ) = i =
i=1
2 n
n n n
!
1 X
2
X X (n + 1)2
= i i(n + 1) + =
n i=1 i=1 i=1
4
(n + 1)2
 
1 n(n + 1)(2n + 1) n(n + 1)
= (n + 1) +n =
n 6 2 4
n2 1
= .
12

2.3 Distributia binomiala

Acest tip de distributie (variabila aleatoare) apare atunci cand numaram succesele obtinute n
repetarea de un anumit numar de ori a unui experiment, spre exemplu: t

n jocurile de noroc (numarul de aparitii a stemei la aruncarea unui ban, numar de aparitii
a unei anumite fete la aruncarea unui zar, etc);

n controlul calitatii produselor (numarul de piese defecte dintr-un lot, etc);

n sondajele de opinie (numarul de persoane care prefera un anumit candidat, numarul

de persoane asupra carora un anumit medicament a avut efectul dorit, etc).

In toate aceste situatii suntem interesati de numarul total de aparitii a unui anumit eveniment
A n n ncercari independente, n fiecare din acestea probabilitatea de aparitie a evenimentului
A fiind p(A) = p. Daca ntr-o anumita ncercare evenimentul A nu apare, atunci nseamna ca
a aparut evenimentul contrar lui A (adica A), cu probabilitate p(A) = 1 p := q.

9
 Evenimentul A se numeste succes (chiar daca aceasta nseamna spre exemplu ca o piesa aleasa
dintr-un lot are defectiuni, ca un anumit autobuz a ntarziat, etc), iar evenimentul contrar A
se numeste insucces.

Distributia binomiala sau variabila aleatoare binomiala X cu parametrii n si p este

X = numarul de aparitii a lui A n n ncercari.

Este usor de observat ca valorile posibile ale lui X sunt 0, 1, .., n, si deci variabila aleatoare
binomiala cu parametrii n si p este de forma
 
0 1 2 ... n
X= .
p0 p1 p2 ... pn

Pentru a determina probabilitatile pk = p(X = k), sa observam ca X = k nseamna ca

evenimentul A a aparut de k ori si evenimentul A a aparut de n k ori n cele n ncercari.

Cum cele n ncercari sunt independente, putem calcula probabilitatea de aparitie de k ori a
evenimentului A urmata de aparitia de n k ori a evenimentului A astfel:

p(AA....ABB....B) = p(A)p(A)...p(A) p(B)p(B)...p(B) = pk q nk .

| {z }| {z }
k ori nk ori

Aceasta este nsa numai una din posibilele moduri de aparitie k ori a evenimentui A si de n k
ori a evenimentului A. Cum numarul total de arancari distincte a k de A si n k de A este
egal cu
n!
= Cnk ,
k!(n k)!
obtinem ca probabilitatea p(X = k) de aparitie de k ori a evenimentului A n n ncercari este

p(X = k) = Cnk pk q nk .

Functia de probabilitate a variabilei binomiale X cu parametrii n si p este deci

 
0 1 2 ... k ... n
X= .
Cn0 q n Cn1 pq n1 Cn2 p2 q n2 ... Cnk pk q nk ... Cnn pn

Exercitiul 1. Sa se determine probabilitatea obtinerii a cel putin doi de sase la aruncarea de

patru ori a unui zar.
Sa notam cu A evenimentul constand n aparitia lui sase la aruncarea zarului (evenimentul
succes). Numarul de succese la aruncarea de patru ori a zarului este o variabila aleatoare
binomiala cu parametrii n = 4 (numarul de ncercari) si probabilitatea succesului p(A) = 61 .

Probabilitatea ceruta este deci

P (cel putin doi de sase) = p(X 2) = p(X = 2)

p(X = 2) + p(X = 3) + p(X = 4) =

10
  2  2  3    4
1 5 1 5 1
= C42 3
+ C4 4
+ C4 =
6 6 6 6 6
171
= 0.132.
1296
Propozitia 2.1. Media si dispersia variabilei aleatoare binomiale cu parametrii n si p sunt

M (X) = np si D(X) = npq.

Demonstratie. Reamintim formula binomiala a lui Newton

n
X
n
(a + b) = Cnk ank bk .
k=0

Derivand partial aceasta egalitate n raport cu variabila b obtinem

n
X
n(a + b)n1 = kCnk ank bk1 ,
k=0

de unde prin n multire cu b obtinem

n
X
(2.1) n(a + b)n1 b = kCnk ank bk .
k=0

Folosind aceasta formula (cu a = q si b = p) si definitia mediei, obtinem

n
X
M (X) = kCnk pk q nk = n(q + p)n1 p = n(1 p + p)n1 p = np.
k=0

Pentru a determina dispersia variabilei aleatoare X se procedeaza n mod similar (se deriveaza
nca o data formula (2.1) n raport cu b si se nmulteste cu b).

2.4 Distributia Poisson

Distributia Poisson cu parametrul > 0 este distributia variabilei aleatoare discrete X avand
functia de probabilitate
 
0 1 2 ... n ...
X= 0 1 2 n .
e 0! e 1! e 2! ... e n! ...

Se poate arata ca distributia Possion se obtine ca limita a distributiei binomiale cu parametrii

n si p, atunci cand n si p 0 astfel ncat np (spre exemplu considerand np =
constant).

11
Propozitia 2.2. Media si dispersia distributiei Poisson cu parametrul > 0 sunt

M (X) = si D(X) = .

Demonstratie. Reamintim dezvoltarea n serie Taylor a functiei exponentiale

x x2 x3
ex = 1 + + + + ..., x R.
1! 2! 3!
Din relatia de mai sus si definitia mediei obtinem

0 1 2 3
M (x) = 0 e + 1 e + 2 e + 3 e + ....
0! 1! 2! 3!
1 2 3
 

= e 1+ + + + ... = e e = .
1! 2! 3!
In mod similar se poate obtine formula pentru dispersie.

Exercitiul 2. Daca probabilitatea producerii unui surub defect este p = 0.01, care este proba-
bilitatea ca un lot de 100 suruburi sa contina mai mult de doua suruburi defecte?

Considerand gasirea unui surub defect n lot ca fiind un succes, probabilitatea ceruta este data
de distributia binomiala X cu parametrii n = 100 si p = 0.01.

p(X > 2) = 1 p(X 2)

= 1 p(X = 0) p(X = 1) p(X = 2)

0
= 1 C100 0.99100 C100
1
0.01 0.9999 C100
2
0.012 0.9998
0.0794.
Cum valoarea lui p = 0.01 este mica, putem aproxima variabila aleatoare X prin variabila
aleatoare Poisson cu parametrul = np = 100 0.001 = 1. Obtinem astfel urmatoarea aproxi-
mare a probabilitatii cerute:

10 11 12
p(X > 2) 1 e1 e1 e1
0! 1! 2!
5
=1
2e
0.0803.

Observam ca rezultatul obtinut prin aproximarea variabilei aleatoare binomiale prin variabila
aleatoare Poisson este foarte bun (valoarea exacta a probabilitatii este 0.0794, iar valoarea aprox-
imativa este 0.0803).

12
Exercitiul 3. In medie, ntr-o anumit a parcare intra 2 masini pe minut. Care este probabili-
tatea ca ntr-un minut 4 sau mai multe masini sa intre n parcare?

Sa consideram X variabila aleatoare reprezentand numarul de masini care intra n lot ntr-
un minut. Pentru a ntelege ca X are aproximativ o distributie Poisson, consideram minutul
mpartit n n subintervale de timp (spre exemplu secunde, n = 60) si fie p probabilitatea ca
o masina sa intre n parcare ntr-un astfel de subinterval de timp (presupunem ca aceasta
probabilitate este aceeasi pentru fiecare subinterval, si ca sosirile n subintervale diferite sunt
independente unel de altele).

Variabila aleatoare X (numarul de masini ce intra ntr-un minut n parcare) este deci o vari-
abila aleatoare binomiala cu parametrii n si p, si cum n este mare si p este mic, putem arpoxima
variabila aleatoare binomiala X printr-o variabila aleatoare Poisson cu medie = np = 2.

Putem deci aproxima probabilitatea ceruta astfel

p(X 4) = 1 p(X < 4)

= 1 p(X = 0) p(X = 1) p(X = 2) p(X = 3)

20 21 22 23
1 e2 e2 e2 e3
0! 1! 2! 3!
19
=1 2
3e
0.143.
19
Probabilitatea ceruta este aproximativ 1 3e2
0.143.

2.5 Distributia geometrica

Numim variabila aleatoare geometrica cu parametrul p (0, 1) o variabila aleatoare X reprezentand

numarul de ncercari efectuate ntr-un sir de experimente Bernoulli independente, cu acelasi
parametru p, pana la aparitia primului succes, adica

X = numarul de ncercari efectuate pana la prima aparitie a succesului.

Spre exemplu, numarul de aruncari ale monedei (un experiment Bernoulli cu parametrul p = 12 )
pana la prima aparitie a stemei este o variabila aleatoare geometrica cu parametrul p = 12 .
Similar, numarul de aruncari ale zarului pana la prima aparitie a fetei 6 este o variabila aleatoare
geometrica cu parametrul p = 61 .

Explicit, o variabila aleatoare cu parametrul p (0, 1) este de forma

 
1 2 3 4 ...
X= ,
p1 p2 p3 p4 ...

13
unde pi = p(1 p)i1 , i = 1, 2, ...

Media si dispersia variabilei aleatoare geometrice cu parametrul p sunt date de

1 1p
M (X) = respectiv D(X) = .
p p2

Avem urmatorul rezultat.

Propozitia 2.3. (Lipsa de memorie a variabilei aleatoare geometrice) Daca X este o

variabila aleatoare geometrica, atunci

(2.2) p(X = n + k | X > n) = p(X = k), n, k 1.

Reciproc, o variabila aleatoare discreta X ce ia valori 1, 2, ... si verifica proprietatea anterioara

este o variabila aleatoare geometrica.

Demonstratie. Conform definitiei probabilitatii conditionate, avem

p(X = n + k, X > n)
p(X = n + k | X > n) =
p(X > n)
p(X = n + k)
=
1 p(X n)
(1 p)n+k1 p
=
1 ni=1 p(X = i)
P

(1 p)n+k1 p
=
1 ni=1 (1 p)i1 p
P

(1 p)n+k1 p
= n
1 p 1(1p)
1(1p)

(1 p)n+k1 p
=
(1 p)n
= (1 p)k1 p
= p(X = k).
Reciproc, considerand n = 1 in relatia (2.2), avem

p(X = n + k | X > 1) = p(X = k),

sau echivalent (folosind definitia probabilitatii conditionate)

p(X = k + 1) = p(X > 1)p(X = k) k N .

Notand cu p = p(X = 1) (0, 1), prin inductie dupa k = 1, 2, ... se poate demonstra ca
p(X = k) = (1 p)k1 p, k N si deci este o variabila aleatoare geometrica cu parametrul p.

14
 O generalizare a variabilei aleatoare geometrice este variabila binomiala negativa cu parametrii
k N si p (0, 1), ce reprezinta numarul de ncercari efectuate ntr-un sir de experimente
Bernoulli cu parametrul p pana la obtinerea a k 1 succcese. Numele de negativa provine
din faptul ca daca la variabila aleatoare binomiala numarul de ncercari n era fixat si numarul
k de succese era aleator, la variabila aleatoare binomiala negativa, numarul de succese k este
fixat si numarul de ncercari n este aleator. Variabila aleatoare binomiala negativa este deci
ntr-un anumit sens opusa/negativa variabilei aleatoare binomiale.

O variabila aleatoare binomiala negativa cu parametrii k N si p (0, 1) este de forma

 
k k + 1 k + 2 k + 3 ...
X= ,
pk pk+1 pk+2 pk+3 ...
k1
unde pi = Ci1 (1 p)ik pk , i = k, k + 1, ....

Observatia 2.1. Daca X este o variabila aleatoare binomiala negativa cu parametrii k N

si p (0, 1), si notand cu X1 numarul de ncercari efectuate pana la apritia primului succes,
cu X2 numarul de ncercari suplimentare pana la aparitia celui de-al doilea succes, samd, este
usor de observat ca are loc egalitatea

X = X1 + X2 + ... + Xk ,

unde X1 , X2 , ..., Xk sunt variabile aleatoare geometrice cu parametrul p (0, 1) independente.

Se poate demonstra ca media si dispersia variabilei aleatoare negative sunt date de

k
M (X) = ,
p
si
(1 p)k
D(X) = .
p2

2.6 Distributia hipergeometrica

Sa consideram problema extragerii repetate dintr-o cutie ce contine N obiecte, din care M sunt
defecte.

Daca extragerile se fac cu nlocuire (obiectul extras este pus napoi n cutie nainte de ex-
tragerea urmatoare), atunci numarul de obiecte defecte extrase n n extrageri este o variabila
aleatoare binomiala cu parametrii n si p = M N
(probabilitatea extragerii unui obiect defect), si
deci n acest caz functia de probabilitate este
!
0 1 ... k ... n
X=
n
n1
k
nk
n .
Cn0 1 M Cn1 M 1 M ... Cnk M 1 M ... Cnn M


N N N N N N

15
 Daca extragerile se fac fara nlocuire, atunci probabilitatea extragerii unui obiect defect nu
mai este aceeasi n cele n extrageri, si deci n acest caz numarul de obiecte defecte extrase nu
mai este o variabila aleatoare binomiala.

Pentru a determina functia de probabilitate n acest caz, procedam astfel. Probabilitatea

p(X = k) este probabilitatea extragerii a k piese defecte (din cele M ) si a n k piese ne-defecte
(din cele N M ). In acest caz spatiul de probabilitate are un numar finit de cazuri egal
probabile, si deci avem
nr. cazuri favorabile C k C nk
p(X = k) = = M nN M .
nr. cazuri posibile CN

O variabila aleatoare avand functia de probabilitate

!
0 1 ... k ... n
X= 0 Cn
CM N M
1 C n1
CM N M
k C nk
CM N M
n C0
CM N M
,
n
CN n
CN
... n
CN
... n
CN

se numeste distributie hipergeometrica cu parametrii M, N si n.

Propozitia 2.4. Media si dispersia distributiei hipergeometrice sunt
 
M M M N n
M (X) = n si D(X) = n 1 .
N N N N 1
Exercitiul 4. Se extrag la ntamplare doua garnituri dintr-o cutie ce contine 10 garnituri,
din care trei sunt defecte. Sa se determine functia de probabilitate a variabilei aleatoare X
reprezentand numarul de garnituri defecte extrase.

Daca extragerea se face cu nlocuire, atunci X are o distributie binomiala cu parametrii n = 2

3
si p = 10 , si deci n acest caz functia de probabilitate este
!
0 1 2
X= 7 2

3 7 3 2

.
C20 10 C21 10 10 C22 10

Daca extragerea se face fara nlocuire, atunci X are o distributie cu parametrii N = 10, M = 3
si n = 2. Functia de probabilitate este n acest caz
!
0 1 2
X= C30 C72 C31 C71 C32 C70 .
2
C10 2
C10 2
C10

Observatia 2.2. Se poate arata ca daca N, M si N M au valori mari comparativ cu n,

atunci la extragerea fara nlocuire se obtine aproximativ aceleasi probabilitati ca la extragerea
cu nlocuire, si deci distributia hipergeometrica poate fi aproximata prin distributia binomiala
(cu parametrii n si p = M N
).

In cazul particular al unei populatii infinite (N ) putem folosi distributia binomiala,

indiferent daca extragerea se face cu sau fara nlocuire.

16
2.7 Exercitii propuse spre rezolvare

Exercitiul 5. Daca probabilitatea de a nimeri o tinta este de 25% si se trag simultan 4 focuri,
care este probabilitatea ca tinta sa fie nimerita cel putin o data?

Exercitiul 6. Presupunem ca 4% din barele produse de o anumita masina au defecte de

fabricatie, independent unele de altele. Daca o cutie contine 100 de bare produse de aceasta
masina, care este aproximarea Poisson a probabilitatii ca o cutie sa contina k = 0, 1, .., 5 bare
cu defecte de fabricatie?

Exercitiul 7. Un experiment a aratat ca numarul de particole alfa emise pe secunda ntr-un

proces radioactiv este o variabila aleatoare X avand o distributie Poisson. Daca X are media
0.5, care este probabilitatea de a observa doua sau mai multe particole alfa ntr-o secunda?

Exercitiul 8. O cutie contine 20 de sigurante, din care 5 sunt defecte. Sa se determine

probabilitatea ca alegand la ntmplare 3 sigurante fara nlocuire, k dintre acestea sa fie defecte.

Exercitiul 9. Sa presupunem ca un test de perceptie extrasenzoriala consta n numirea corecta

(n orice ordine) a trei carti extrase dintr-un pachet de 13 carti de joc. Sa se determine
probabilitatea ca o persoana, numai ghicind la ntmplare sa numeasca corect: (a) 0 carti, (b) 1
carte, (c) 2 carti, (d) 3 carti.

17