2.

Variabile aleatoare şi funcţii de repartiţie

2.1 Variabile aleatoare

Variabila aleatoare este una din noţiunile fundamentale ale teoriei probabilitãţilor şi a
statisticii matematice. In urma unui proces tehnologic de prelucrare se constatã cã deşi
condiţiile de uzinare sunt identice între reperele prelucrate la anumite perioade de timp existã
diferenţe în cea ce priveşte dimensiunile prescrise. De asemeni în cadrul unei cercetãri
experimentale se constatã cã între valorile numerice mãsurate existã diferenţe chiar dacã
condiţiile de desfãşurare a experimentului rãmân neschimbate.
Dacã ne referim la o singurã mãsurãtoare, variabila aleatoare este acea mãrime care
în cadrul unui experiment poate lua o valoare necunoscutã aprioric. Pentru un şir de
mãsurãtori, variabila aleatoare este o noţiune care-l caracterizeazã din douã puncte de vedere:
- caracterizare din punct de vedere cantitativ - variabila aleatoare ne dã informaţii privind
valoarea numericã a mãrimii mãsurate
- caracterizare din punt de vedere calitativ - variabila aleatoare ne dã informaţii privind
frecvenţa de apariţie a unei valori numerice într-un şir.
Dacã valorile numerice ale unui şir de date aparţin mulţimii numerelor întregi sau
raţionale atunci se defineşte o variabilã aleatoare discretã. In cazul apartenenţei valorilor la
mulţimea numerelor reale se defineşte o variabila aleatoare continuã. Primul caz se întâlneşte
în cazul numãrului de piese defecte extras dintr-un lot de
fabricaţie care aparţine totdeauna mulţimii numerelor întregi. Al doilea caz în cercetarea
experimentalã la mãsurarea forţei de aşchiere sau a momentului când valorile obţinute aparţin
mulţimii numerelor reale
O variabilã aleatoare se noteazã cu litere mari A,B,X, cu litere mici notându-se
valorile posibile: x1,x2,x3,...,xn.

2.1.1 Variabile aleatoare discrete

Considerãm un experiment în urma cãruia pentru variabila X rezultã valorile x1,
x2,...xn. Probabilitatea ca o valoare oarecare “i” sã aibã valoarea xi este P(X=xi)=pi. Pentru
toate valorile mãsurate se poate construi un tablou de forma:
, ...
x2 , xi
X: x1 xn
sau X : ,1 ≤ i ≤ n (2.1)

p
1 , p2 , ... pn p
i
care poartã denumirea de tabloul repartiţiei. In prima linie sunt trecute toate valorile posibile
ale caracteristicii şi în a doua sunt trecute toate probabilităţile de apariţie. Aplicaţia 2.1 Se
aruncã un zar de 100 de ori obţinându-se pentru cifra 1 10 apariţii, pentru cifra 2 18 apariţii
pentru cifra 3 20 apariţii pentru cifra 4 12 apariţii pentru cifra 5 25 de apariţii pentru cifra 6 15
apariţii. Probabilitatea apariţiei cifrelor 1,2,...,6 este:
10 18 20
P( 1 ) = = 0,10P( 2 ) = = 0.18P( 3 ) = = 0,20
100 100 100
(2.2)
12 25 15
P( 4 ) = = 0,12P( 5 ) = = 0,25P( 6 ) = = 0,15
100 100 100
Tabloul repartiţiei este:
1 2 3 4 5 6
X:
(2.3)
0,10 0,18 0,20 0,12 0,25 0,15

Aplicaţia 2.2 Considerãm un lot de 100 bucãţi pentru care coeficientul de rebut este 5% Se
efectueazã o singurã extragere. Sã se construiascã variabila aleatoare a numãrului de piese
defecte.
Deoarece coeficientul de rebut este 5% numãrul pieselor defecte este de 5. Efectuând o
singurã extragere se poate ca sã nu fie extrasã nici o piesã defectă şi-n acest caz numãrul
pieselor defecte este zero, sau o piesã defectã. Notând cu p probabilitatea de-a extrage o piesã
defectã şi cu q probabilitatea de a extrage o piesã bunã, valorile probabilitãţilor sunt: p=0,05;
q=0,95.. In consecinţã valorile probabilitãţii de-a extrage 0 piese defecte şi a probabilitãţii de-
a extrage o piesã defectã sunt:
 P(X=0)=q=0,95; P(X=1)=p=0,05. Variabila aleatoare este:
0 1
X:
(2.4)
0,95 0,05
Aplicaţia 2.3 Pentru un lot de 200 de bucãţi cu un coeficient de rebut de 2% sã se
construiascã variabila aleatoare a numãrului de piese defecte. Din lot pot fi extrase 0,1,2,3
maxim 4 piese defecte.
Fie A0 evenimentul extragerii unei piese bune. A1 evenimentul extragerii unei piese
defecte; A2 evenimentul extrageri a douã piese defecte,..., A4 evenimentul extragerii a 4 piese
defecte. Calculul acestor probabilitãţi ne conduce la valorile:
19
P( X = 0= P( A0 )6 = 0,98 P( X = 1 ) = A1 )4
) = P( = 20 = 2 ∗ 10−2
200 0
P( X = 2 ) = P( A1 I A2 ) = P( A1 ) ∗ P( A2 / 4 3 = 3,016 ∗
A1 ) = ∗ 19 10−4
200 9
4 3 2

P( X = 3 ) = P( A1 I A2I A3 ) = P( A1 ) ∗ P( A2 / A1 ) ∗ P( A3 /20 19 19
A1 I A2 ) = 0 9 8 = 3,046 ∗ 10−6 (2.5)
P( X = 4 ) = P( A1 I A2I A3I A4 ) = P( A1 ) ∗ P( A2 / A1 ) ∗ P( A3 / A1 I A2 ) ∗ P( A4 /
A1 I A2I A3 ) =
4 3 2 1
20 ∗ ∗ ∗ = 1,546 ∗ 10−8
0 199 198 197

Tabloul repartiţiei are forma:

0 1 2 3 4
X: −
−2 −4 −6 8 (2.6)
0,98 2 ∗10 3,015 ∗10 3,046 ∗10 1,546 ∗10
Legãtura care existã între variabila aleatoare şi probabilitatea de apariţie a acesteia
poartã denumire de lege de repartiţie. Legea de repartiţie se poate reprezenta grafic sub forma
diagramei cu bare (Fig.4.1), histograme, poligonul repartiţiei (Fig.4.2)

In cazul în care se poate determina o expresie analiticã care sã stabileascã o

0.05
0.3
0
0.2
probabili

probabili

5
0.2
tate

tate

0.1
5
0.1 1 2 3 4 5 6
 v
0 a
. r
3 i
a
0 b
. i
2 l
5 a
0
.
2
0
.
1
5
0
.
1
0
.
0
5
0
0

8
va
ri
ab
ila

Fig.2.1 Reprezentarea legii de repartiţie

( diagrama cu bare) Fig.2.2 Reprezentarea legii de repartiţie
(poligonul frecventeleor)
 legãturã între variabila aleatoare şi probabilitate, aceasta poartã denumirea de funcţie
de probabilitate: Expresia ei analiticã este:

P( X = xi ) = P( xi ) = pi (2.7)
Deoarece orice experiment poate avea un singur rezultat totalitatea valorilor distincte
şi posibile formeazã un sistem complet de evenimente incompatibile. Pentru mulţimea ale
cãrei perechi ordonate definesc repartiţia se poate scrie:
n
∑ pi = 1 (2.8)
i =1
In multe aplicaţii ne intereseazã probabilitatea evenimentului X<xi. Si-n acest caz se
poate construi un tablou al repartiţiei care are forma:
x1 , x2, ... xn

X: (2.9)
p
1 , p1+ p2 , ... p1+ p2 + ...+ pn
Reprezentarea graficã a acestui tablou al repartiţie are forma din (Fig. 2.3-
2.4).
Dacã este posibilã determinarea unei expresii analitice care sã stabileascã o legãturã
între valorile aleatoare şi probabilitãţile respective aceastã funcţie va purta numele de funcţie
de repartiţie: Expresia ei este:

F( xk ) = P( X ≤ xk ) (2.10)
Cunoscând funcţia de probabilitate a unei variabile aleatoare discrete funcţia de
repartiţie va fi :
0.2
0.1
0
1
0.
9
probabil

0.
itate

8
0.
7
0.
6
0.
5
0.
4
0.
3
 p

b
o

a
r

e
t

t
i
l
i
k k 0.7 k
F( xk ) = P( X ≤ xk ) = ∑ P( X = xi ) = ∑ P( xk ) = ∑ pk (2.11)
i = 0.60
1 2 3 4 1 5 6 i = 1 0.50 i =1 2 4 6
variabil 0.4 variab
a 1 0.3 ila
0.9 0.2
0.8 0.1

Fig. 2.3 Reprezentarea legii de repartiţie Fig.2.4 Graficul funcţiei de repartiţie la o

prin histogramã variabilã aleatoare
Obs. Intre notiunea de probabilitate si notiunea de frecventa pentru variabile aleataore discrete
poate fi pus semnul de egalitate, cea ce face ca teoria probabilitatilor sa poata fi aplicata in
statistica.
2.1.2 Variabile aleatoare continue
In cazul variabilelor aleatoare continue, construirea unui tablou al repartiţiei nu este
realizabilã deoarece existã o infinitate de valori posibile. In aceste cazuri pentru
a putea analiza şirurile de valori se utilizeazã funcţia de repartiţie. Construcţia ei implicã
determinarea probabilitãţii evenimentului X<x. Expresia ei va fi definitã de integrala:
x x
F( x ) = P( X < x ) = ∫ f ( x )dx = ∫ F' ( x )dx (2.12)
−∞ −∞
unde f(x) reprezintã densitatea de probabilitate, care poate fi definitã ca primã derivatã (dacã
existã) a funcţiei de repartiţie F(x) adicã:
F( x + ∆x ) − F( x )
f ( x ) = lim = F' ( x ) (2.13)
∆x→
0 ∆x
f(x) f(x)

f(x)dx

x x

Fig. 2.5 Graficul densitãţii de probabilitate Fig.2.6 Reprezentarea elementului de

probabilitate.

Reprezentarea graficã a funcţiei densitate de probabilitate este prezentatã în figura 4.5.

Ne putem imagina cã aceasta s-ar putea obţine dintr-o histogramã la care numãrul de
dreptunghiuri ar tinde spre infinit şi grosimea spre zero. Mãrimea f(x)dx se numeşte element
de probabilitate şi reprezintã probabilitatea ca valoarea variabilei aleatoare sã se gãseascã în
intervalul ds. Aceastã probabilitate este egalã cu aria dreptunghiului elementar cu baza egalã
cu ds.
Dacã ds tinde spre zero, aria dreptunghiului tinde spre zero, cea ce ne duce la
concluzia cã probabilitatea obţinerii unei valori x este egalã cu zero, deci ar fi un eveniment
imposibil. Deoarece o astfel de concluzie este paradoxalã trebuie evidenţiatã definiţia
probabilitãţii care ne conduce la o interpretare care evidenţeazã faptul cã frecvenţa unui astfel
de eveniment este zero şi nu faptul cã un astfel de
74

eveniment nu poate avea loc. Spre deosebire de cazul variabilelor aleatoare discrete la care
funcţia densităţii de probabilitate are semnificaţia unei probabilitãţi la variabilele aleatoare
continue acest fapt nu este valabil şi-n consecinţã semnul ≤

folosit la variabile aleatoare discrete este înlocuit prin <.

Expresia P(X<x) se citeşte probabilitatea ca X sã fie cel mult egal cu x.
Geometric, funcţia de repartiţie pentru
F( 1 1
x)
variabile aleatoare continue este reprezentatã de 0.88
0.8
0.7
aria haşuratã cuprinsã între curba densitãţii de 0.6 0.
5
0.4
probabilitate şi axa absciselor, iar aria totalã este 0.28
0.2 0.1
2
egalã cu unitatea. Deci graficul oricãrei funcţii la
00
-2 0 2 4 6
care aria mãrginitã de aceasta şi axa absciselor
x
este egalã cu unitatea poate fi curba densitãţii de
probabilitate. Obţinută prin integrare graficul funcţiei

0
X

Fig.2.8 Construcţia graficului densităţii

de probabilitate experimentale

Fig.2.7 Graficul funcţiei de

de repartiţie este prezentat în figura 4.7, şi are
repartiţie pentru o variabila
urmãtoarele proprietãţi:
aleatoare continua
- asimptotã dreapta F(x)=0;

25
- asimptotã dreapta F(x)=1;
20
frecventa

15
- funcţie strict crescãtoare; pentru x1<x2
Fig.2.7 Graficul funcţiei de
10
⇒F(x1)<F(x2), 5
 Construcţia funcţiei densitãţii de
probabilitate experimentare se face cu ajutorul
histogramei (Fig.4.8), trasând prin punctele
determinate de maximul fiecãrui subinterval şi
mijlocul acestuia o curbã.

2.2 Apartenenţa unei variabile aleatoare la un interval dat

Se considerã o variabilã aleatoare la care i s-a determinat funcţia densitãţii de

probabilitate respectiv funcţia de repartiţie. Considerând un interval [ab], ne intereseazã sã
determinãm care este probabilitatea ca o valoare x sã aparţinã acestui interval, respectiv
P(a≤X≤b). Se face convenţia ca intervalul sã fie închis la unul din capete şi deschis la celãlalt.
Pentru a exprima probabilitatea apartenenţei la un interval vom considera urmãtoarele
evenimente:

- A - evenimentul X<b;
f(x) P(a≤X<
- B - evenimentul X<a;
b)
- C - evenimentul a≤X≤b.
Evenimentele B şi C sunt incompa-
tibile şi între cele trei evenimente existã
relaţiile: A=B U C
Ţinând cont de proprietãţile operaţiilor cu a b x
evenimente:
P( A ) = P( BUC ) = P( B ) + P( C ) (4.14) Fig.2.9 Interpretarea geometrica a
sau aparteneţei variabilei aleatoare la un
interval
 P( X < b ) = P( X < a ) + P( a ≤ X < b ) (2.15)
de unde
P( a ≤ X ≤ b ) = P( x < b ) − P( X < a ) (2.16)
Pe baza definiţiei funcţiei de repartiţie
P( a ≤ X < b ) = F( b ) − F( a ) (2.17)
sau
b a b
P( a ≤ X < b ) = ∫ f ( x )dx − ∫ f ( x )dx = ∫ f ( x )dx (2.18)
−∞ −∞ a
In concluzie probabilitatea ca o variabilã sã aparţinã intervalului [a,b] este egalã cu
aria trapezului curbiliniu mărginit de axa x curba densitãţii de probabilitate f(x) şi dreptele
x=a şi x=b.
2.4 Funcţii de repartiţie

Studiind diverse fenomene, se constatã cã deşi acestea aparţin unor ştiinţe diferite
repartiţia în frecvenţa a acestora este asemãnãtoare respectiv cã histogramele au aceeaşi
formã. Spre exemplu 90% din fenomenele fizice se supun legii normale de repartiţie (legea
Gauss-Laplace). Un studiu mai amãnunţit a pus în evidentã proprietãţile acestora şi gradul lor
de aplicare. Unele dintre legile de repartiţie au devenit clasice având un grad ridicat de
utilizare. Dintre acestea se pot menţiona repartiţia binomialã, repartiţia hipergeometricã,
repartiţia Poisson, repartiţia normalã , repartiţia χ2, repartiţia Student, repartiţia Fischer
O clasificare a acestora poate fi fãcutã funcţie de tipul variabilei aleatoare utilizat şi
anume în repartiţii discrete pentru VAD şi repartiţii continue pentru VAC.
76 Capitolul
4

2.4.1 Repartiţii discrete

Repartiţia binomialã
Aceastã repartiţie corespunde urmãtorului tip de experiment: Fie A un eveniment care
se produce cu probabilitatea p. Evenimentul contrar este A care se produce cu probabilitatea
q. Cele douã formeazã un sistem de evenimente, producerea unuia excluzând producerea
celuilalt. Se repetã experimentul de n ori. In cele n ocazii evenimentul A s-ar putea sã nu se
producã nici o datã, s-ar putea sã se producã o datã, s-ar putea produce de n ori. Ne
intereseazã sã determinãm de fiecare datã probabilitatea de realizare a evenimentului A. In
acest caz am putea scrie un tablou de repartiţie de urmãtoarea formã:
0 1 ... n

X: (2.33)
p p
0 p1 ... n
unde în prima linie sunt trecute numãrul de realizãri ale evenimentului A şi-n linia a doua sunt
trecute probabilitãţile de realizare. Pentru a determina relaţia cu ajutorul cãreia vom determina
aceste probabilitãţi plecãm de la observaţia cã acest tip de experiment corespunde controlului
de fabricaţie a unui lot la care se fac n extrageri punând de fiecare datã piesa extrasã la loc.
Lotul trebuie verificat dacã are un coeficient de rebut p. Fie A evenimentul se extrage o piesã
şi aceasta piesã este defectã. Probabilitatea unui astfel de eveniment este egalã cu coeficientul
de rebut. Evenimentul contrar îl reprezintã cazul în care piesa extrasã este bunã, probabilitatea
unui astfel de eveniment fiind q. Prin punerea la loc a piesei dupã constatarea calitãţii acesteia
nu se modificã coeficientul de rebut şi nici probabilitatea extragerii unei piese defecte în cazul
repetãrii experimentului.
Luãm în considerare urmãtoarele cazuri:
Cazul 1 - se extrage o singurã piesã. Pot avea loc urmãtoarele evenimente:
- piesa extrasã este bunã; probabilitatea acestui eveniment: P(A)=q;
- piesa extrasã este defectã; probabilitatea unui astfel de eveniment este: P(A)=q; Tabloul
repartiţiei numãrului de piese defecte este:
0 1

(2.34)
q p
Cazul 2 - se extrag consecutiv douã piese punând de fiecare data piesa la loc. Pot avea loc
urmãtoarele evenimente:
- ambele piese sunt bune - probabilitatea acestui eveniment este: P(A)P(A)=q2 ;
Variabile aleatoare şi funcţii de repartiţie 77

-
o piesã bunã şi una defectã - probabilitatea acestui eveniment este
P(A)P(A)+P(A)P(A)=qp+pq=2qp;
-
ambele piese sunt defecte; probabilitatea acestui eveniment este: P(A)P(A)=p2. Tabloul
repartiţiei numãrului de piese defecte este:
0 1 2

2 2 (2.35)
q 2qp p
Termenii liniei a doua aparţin unei dezvoltãri binomiale la puterea a doua. Continuând pentru
n=3,4,... se observã cã linia a doua a tabloului poate fi completatã cu termenii binomului lui
Newton de unde şi denumirea repartiţiei.
Pentru cazul general n=k tabloul repartiţiei este:
0 1 2 ... k
k k
k1 −1 2 −2 2 k (2.36)
q
Ckq p Ckq p ... p
Pentru n=n tabloul repartiţiei este:
0 1 2 ... k ... n
n− n− n−
0 n 01 1 1 2 2 2 k k k n 0 n (2.37)
Cnq p Cnq p Cnq p ... C n q p ... C n q p
Funcţia de probabilitate a repartiţiei binomiale este datã de expresia:

P( X = k ) = P( k ) = C nk pk qn−k (2.38)
0.7 P(k
)
0.6 p=4 0.7 P(k)
0.5 % p=4 n=20
%
0.4 n=20 0.6
0.3 p=10
0.5 %
0.2 0.2724 0.4
0.1 9 p=6%
0.3
0 0.2 p=8%
0.052
83
0.00647 0.1
0.00056 0
0
01 2 3 4 k5 0 2 4 6 8 k 10

Fig. 2.10 Funcţia de probabilitate a repartiţiei Fig.2.11 Diagrama poligonalã a funcţiei de

probabilitate cu repartiţie binomialã cu
binomiale cu p=4% şi n=20 n=20;
p=4%-10%
 Funcţia de probabilitatea se poate reprezenta prin diagrama cu bare (Fig.2.10) sau prin
diagrama poligonalã, (Fig.2.11).
Funcţia de repartiţie a repartiţiei binomiale este datã de expresia:
k k
P( x ≤ k ) = F( k ) = ∑ P( x ) = ∑ C nx p x qn− x (2.39)
x= 0 x =0
Formulele pentru principalele valori tipice ale variabilelor aleatoare sunt, (Fig.2.1):
 Tab. 2.1 Indicatorii teoretici ai unei variabile aleatoare cu repartiţie binomialã
n n
Media M[X], µ, X M [ X ]= ∑ xi ∗ pi = ∑ k ∗ pk ∗ qn−k
i=1 k =0

Mod Mo ( np − q ) < M o < ( np + p )

Dispersia D[X], σ2, S2 D[X ]= np( 1 − p ) = npq

Abaterea standard σ, s σ = npq

m1 = M [X ]= npM 2 = D[X ]= npq

Momente mk, Mk M
3 = npq( q − p )M 4 = npq( 1 − 6 pq + 3npq )

Asimetria γ1 γ1= q−p

npq

1 − 6 pq
Excesul γ2 γ2=
npq

Aplicatia 2.4

Dintr-un lot având coeficientul de rebut p=10% se extrag consecutiv punând de fiecare datǎ
piesa extrasǎ la loc 4 unitǎţi.

1. Sǎ se construiascǎ variabila aleatoare a numǎrului de piese defecte;

2. Sǎ se stabileascǎ decizia de acceptare/respingere a lotului:

Variabila aleatoare a numǎrului de piese defecte se construieşte utilizând (2.37, 2.38).

0 1 2 3 4

p p p p p
0 1 2 3 4
în care:
p = C 0 0,100,94 = 0,6561 = 65,61% p = C1 0,110,93 = 0,2916 =
04 1 4
p2 = C4 0,1 0,9 = 0,0486 = 4,86% p3 = C43 0,130,91 = 0,0036 =
2 2 2

p4 = C44 0,140,90 = 0,0001 = 0,0001%

rezultând:
0 1 2 3 4

65,61 29,16 4,86 0,36

 0,01
Variabila aleatoare a cel mult “k” piese defecte se construieşte utilizând, (2.39):
 7
Variabile aleatoare şi funcţii de repartiţie 9

0 1 2 3 4

65,61 94,77 99,63 99,99 100,00

Decizia de acceptare: lotul este acceptat dacǎ-n 4 verificǎri consecutive se gǎseşte cel mult
o piesǎ defectǎ.
3. DENSITATEA DE PROBABILITATE
Func¸tia de densitate de probabilitate a variabi-lelor aleatoare

Func¸tia de densitate de probabilitate este derivata func¸tiei de reparti¸tie:

dFξ(x)
fξ(x) = . (3.1)
dx

Fiind derivata unei func¸tii crescatoare˘ (2.6), func¸tia de densitate de probabilitate va

avea întotdeauna valori pozitive:
fξ(x) N 0. (3.2)

Din defini¸tia (2.8) rezulta˘ ca˘ putem scrie func¸tia de reparti¸tie ca primitiva˘ a
func¸tiei de densitate de probabilitate:
x
Fξ(x) = fξ(t)dt. (2.10)

Acesta˘ formula˘ poate fi particularizata˘ pentru diferite valori ale lui x; pentru x = ∞,
se
4. ob¸tine:
5.
6. ∞
fξ(t)dt = 1, (2.11)

7.
numita˘ condi¸tia de normare a func¸tiei de densitate de probabilitate (geometric,
acesta˘ condi¸tie se interpreteaza˘ prin aceea ca˘ aria subgraficului func¸tiei de
densitate de proba-bilitate trebuie sa˘ fie unitara)˘.
8.
9. Condi¸tiile esen¸tiale ce trebuiesc verificate pentru orice func¸tie ce este o
densitate de probabilitate sunt (2.9) ¸si (2.11).

3.2. Probleme rezolvate

Exemplul 3.1 S˘a se determine func¸tia de densitate de probabilitate, func¸tia de repar-ti¸tie,
media, media p˘atratic˘a si¸ varian¸ta unei variabile aleatoare ξ, distribuite uniform în
intervalul [a; b].

Rezolvare: O distribu¸tie uniforma˘ este definita˘ de faptul ca˘ orice valoare din intervalul
posibil (deci [a; b] în acest caz) este echiprobabila˘. Valorile din afara intervalului de
defini¸tie [a; b] sunt imposibile, deci de probabilitate nula˘. Acesta înseamna˘ ca˘ func¸tia de
densitate de probabilitate este constanta˘ pe intervalul pe care variabila aleatoare ia valori ¸si
nula˘ în rest. Deci:

fξ(x) = k, daca˘ x ∈ [a; b],

0, în rest.
Acesta˘ func¸tie trebuie sa˘ verifice cele doua˘ condi¸tii fundamentale ale unei densita¸ti˘ de
probabilitate: sa˘ fie pozitiva˘ (2.9) ¸si sa˘ aiba˘ aria subgraficului unitara˘ (2.11). Atunci
fξ(x) N 0 =⇒ k N 0
¸si
- b
1
kdt = k(b − a) = 1 =⇒ k =
ξ
f (t)dt =
b−a
.

−∞ a

Odata˘ determinata˘ func¸tia de densitate de probabilitate, al carei˘ grafic este reprezentat în

figura,˘ se poate determina func¸tia de reparti¸tie, dupa˘ formula (2.10):
x
0dt, daca˘ x < a
x x −∞
Fξ(x) = fξ(t)dt = a kdt = k(x − a) = xx−−ab , daca˘ x ∈ [a; b]
−∞
b
kdt = k(b − a) = 1, daca˘ x N b.
a
Graficul acestei func¸tii este reprezentat în figura 2.1; se remarca˘ ca˘ verifica˘ proprieta¸tile˘
generale ale func¸tiilor de reparti¸tie: func¸tia este crescatoare,˘ Fξ(−∞) = 0 ¸si Fξ(∞) = 1.

0.8

0.6

0.4

0.2

0
-10 -5 0 5 10 15

Fig. 3.1: Func¸tia de reparti¸tie a unei variabile aleatoare distribuite uniform (cu a=2 ¸si b=6)

Determinarea mediei se face dupa˘ defini¸tia (2.13), ca moment statistic necentrat de or-dinul
1:
b b

x 1 b2 − a2 b+a
ξ = xfξ(x)dx = dx = x2 b= = .
a
a b−a 2(b − a) 2(b − a) 2
−∞
Determinarea mediei patratice˘ se face dupa˘ defini¸tia (2.14), ca moment statistic necentrat
de ordinul 2:
∞
x2fξ(x)dx = b x2 1 = b3 − a3 = b2 + ab + a2
 ξ2 = dx = x3 b .
a
a b−a 3(b − a) 3(b − a) 3
−∞
8
Determinarea varian¸tei se face dupa˘ defini¸tia (2.16), ca moment statistic centrat de or-dinul
2:
a+
∞ b b
2 2 (x − 2 )2
σ = (x − ξ) fξ(x)dx = b a dx =
a −
−∞
b b b
x2 x(b + a) (a + b)2

=a b − a dx − a b − a dx + + 4(b − a) a dx =
1 b+a (a + b)2

= 3(b − a) x3 ab − 2(b − a) x2 ab + 4 =
2
b + ab + a 2
(b + a) 2
(b + a) 2
(b − a)2
= + = .
3 − 2 4 12

Exemplul 3.2 S˘a se verifice c˘a func¸tia Gaussian˘a (”clopotul lui Gauss”) este o func¸tie de
densitate de probabilitate si¸ s˘a se calculeze media si¸ varian¸ta variabilei aleatoare a c˘arei
distribu¸tie este dat˘a de aceast˘a func¸tie.

Rezolvare: Func¸tia ”clopotul lui Gauss” este data˘ de

(x−µ
1 )2
f(x) = √ e− 2σ2
2πσ 2

(reprezentata˘ în figura 2.2 pentru un caz particular).

0.12
0.1
0.08

0.06
0.04
0.02
0
-15 -10 -5 0 5 10 15 20

Fig. 2.2: Func¸tie de densitate de probabilitate normala˘ (Gaussiana)˘ de medie 2 ¸si

varian¸ta˘ 12.5

Vom demonstra ca˘ media este µ ¸si varian¸ta este σ2, dar, mai întâi, vom verifica condi¸tiile
pe necesare pentru ca f(x) sa˘ fie densitate de probabilitate: sa˘ fie pozitiva˘ (2.9) ¸si sa˘
verifice condi¸tia de normare (2.11). Întrucât func¸tia este de tip exponen¸tial, valorile sunt
9
întotdeauna pozitive. Pentru a verifica condi¸tia de normare este necesara˘ efectuarea unui
calcul ajutator,˘ cel al integralei:

∞
Ix = e−x2 dx.
−∞
Pentru aceasta vom calcula IxIy, adica:˘

∞∞ ∞ ∞
e−x dx e−y dy = e−(x
2 2 2
IxIy = +y2)dxdy,
−∞ −∞ −∞ −∞
prin trecerea de la coordonatele carteziene (x, y) (ce variaza˘ între −∞¸si ∞) la coordo-natele
polare (r, θ), date de r = x2 + y2 ¸si θ = arctg(y/x). Aceasta duce la schimbarea de variabile x
= r cos θ ¸si y = r sin θ, cu limitele r ∈ [0; ∞) ¸si θ ∈ [0; 2π]. Jacobianul transformarii˘ de
schimbare a variabilelor este:
∂x ∂y cos θ sin θ
∂r ∂r
∂x = −r sin θ r cos θ = r cos2 θ + r sin2 θ = r.
∂
y
∂θ
∂
θ
Integrala devine:

∞ 2π ∞ 2π
−r 2
−r 2 1 −r2 ∞

IxIy = e rdrdθ = e rdr dθ = −2π 2e |

0 = π.
0 0 0 0

Dar cum Ix = Iy, atunci avem ca˘ Ix = √ π , adica:˘

∞
√
e−x dx = π.
2

−∞

Verificarea condi¸tiei de normare a densita¸tii˘ de probabilitate înseamna˘ calculul integralei:

(x−µ (x−
∞ ∞ 1 )2 1 ∞ µ)2

f(x)dx = √ 2 e− 2σ2 dx = √ 2 e− 2σ2 dx.

2πσ 2πσ
−∞ −∞ −∞
x−µ

Facem schimbarea de variabila˘ y = √ 2, ¸si atunci:

2
σ
∞ ∞ ∞
1 −y √ 1 −y 1 √
 2 2

f(x)dx = √ 2 e 2σ dy = √ π e dy = √ π π = 1.
2πσ
−∞ −∞ −∞

Calculul mediei se face dupa˘ defini¸tia (2.13):

(x−µ)
∞ ∞ 1 2

ξ =xfξ(x)dx = x √ 2 e− 2σ2 dx =
2πσ
−∞ −∞

10
 1 ∞ (x µ) (x−µ)2 ∞ (x−µ)2

− −
= √ 2 σ2 σ2 e− 2σ2 dx + µ e− 2σ2 dx =

2πσ − −∞ −∞
(x−µ) ∞ (x−µ) ∞
1 2 2 1 (x−µ)2

= √ 2 σ2e− 2σ2 −∞∞ + µ e− 2σ2 dx =µ √ 2 e− 2σ2 dx = µ.

2πσ − −∞ 2πσ −∞
Calculul varian¸tei se face dupa˘ defini¸tia (2.16):
(x−µ
∞ ∞ (x µ)2 )2

σ2 = (ξ ξ)2 = (x ξ )2f (x)dx = − e− 2σ2 dx =

ξ − − ξ √ 2
2πσ
−∞ −∞

∞ ∞ (x−µ)
σ 2
(x µ) (x−µ) 2
σ 2 2

− 2σ
= (x µ) e− 2σ2 dx = (x µ) e− 2
dx =
− −
2π − − σ 2
2π −
−∞ −∞

(x−µ) ∞ (x−µ) ∞ (x−µ

2 2
σ2 σ2 )2

−∞ −∞
−∞
=− 2π (x − µ)e− 2σ2 ∞
− e− 2σ2 dx = 2π e− 2σ2 dx =
(x−µ)
1 ∞ 2

= σ2 √ 2 e− 2σ2 dx = σ2.
2πσ
−∞
O distribu¸tie normala˘ (Gaussiana)˘ de medie µ ¸si de varian¸ta˘ σ2 se mai noteaza˘ ¸si cu
- (µ, σ2).
Exemplul 2.4 S˘a se determine rela¸tia dintre media, media p˘atratic˘a si¸ varian¸ta unei
variabile aleatoare.

Rezolvare: Se pleaca˘ de la defini¸tia (2.16) a varian¸tei în care se dezvolta˘ termenul la

∞ ∞
patrat˘ ¸si se separa˘ integrala: σ2 = (x − ξ)2fξ(x)dx = (x2 − 2x ξ + ξ 2)fξ(x)dx =
−∞ −∞
∞
x2fξ(x)dx − ∞ 2x fξ(x)dx + ∞ 2fξ(x)dx =
= ξ ξ
−∞ −∞ −∞

∞
= x2fξ(x)dx − 2 ξ ∞ xfξ(x)dx + ξ 2 ∞ fξ(x)dx.
−∞ −∞ −∞
Dar primul termen al sumei este chiar media patratic˘a˘ (definita˘ în (2.14)), integrala din al
doilea termen este chiar media (definita˘ în (2.13)), iar integrala din ultimul termen este 1
(reprezentând condi¸tia de normare a func¸tiei de densitate de probabilitate a unei variabile
aleatoare, (2.11)). Atunci rela¸tia anterioara˘ devine:

σ2 = ξ2 − 2 ξξ + ξ 2 = ξ2 − 2 ξ 2 + ξ 2 = ξ2 − ξ 2 = m2 − m12. (2.18)
Deci varian¸ta este diferen¸ta dintre media patratic˘a˘ ¸si patratul˘ mediei.
3.1 Func¸tia de reparti¸tie ¸si func¸tia de densitate de probabilitate

Fie Ω = {ω1, ω2, ..., ωn} mul¸timea evenimentelor elementare asociate unei experien¸te
probabiliste. Fie variabila aleatoare ξ, ce asociaza˘ fiecarui˘ eveniment elementar ωi val-oarea
reala˘ xi:
ξ : Ω −→ {x1, x2, ..., xn} , ξ (ωi) = xi. (3.1)
Fie pi probabilitatea asociata˘ evenimentului ωi ¸si presupunând ca˘ x1 x2 ... xn (în caz
contrar, valorile se pot permuta între ele pentru a ob¸tine ordinea dorita),˘ avem ca˘ func¸tia
de reparti¸tie a variabilei aleatoare ξ astfel definite este:
0 i, daca˘ x < x1

Fξ(x) = j=1 j ˘
p , daca x ∈ [x ; x
i i+1), i = 1, n − 1 (3.2)
1, daca˘ x > xn.

Prin derivarea func¸tiei de reparti¸tie1 din (3.2) ob¸tinem func¸tia de densitate de probabi-
litate a variabilei aleatoare discrete:
n
fξ(x) = pj δ(x − xj ). (3.3)
j=1
Acesta˘ func¸tie nu este derivabila˘ în punctele xi (în care nu este nici macar˘ continua);˘
-

derivarea se face prin introducerea distribu¸tiei Dirac în punctele de discontinuitate, cu

amplitudine egala˘ cu valoarea saltului func¸tiei.

3.3 Probleme rezolvate

Exemplul 3.1 S˘a se determine func¸tia de reparti¸tie si¸ func¸tia de densitate de probabi-litate
pentru variabila aleatoare ξ asociat˘a r˘aspunsului unui informatician la o fereastr˘a
(Windows) cu trei butoane: Yes (1), No (0), Cancel (2).

Rezolvare: In primul rând trebuiesc identificate evenimentele elementare ¸si numerele reale
ce le sunt asociate. Evenimentele elementare vor fi: ω1- s-a apasat˘ butonul No, valoarea
reala˘ asociata˘ este 0; ω2- s-a apasat˘ butonul Yes, valoarea reala˘ asociata˘ este 1; ω3- s-a
apasat˘ butonul Cancel, valoarea reala˘ asociata˘ este 2. Presupunem ca˘ probabilita¸tile˘
acestor evenimente sunt p1, p2, p3, astfel ca p1 + p2+ p3 = 1.
Func¸tia de reparti¸tie a variabilei aleatoare ξ este data˘ de defini¸tia (2.2), adica˘ Fξ(x) = P {ξ
x}. Aplicând formula de defini¸tie pentru aceasta˘ problema,˘ distingem patru cazuri
particulare:

16
 10. daca˘ x < x1 = 0: în acesta˘ situa¸tie nici una dintre valorile pe care le poate lua
variabila aleatoare ξ nu este mai mica˘ strict ca 0, deci func¸tia de reparti¸tie va fi nula˘.
2. daca˘ x ∈ [0, x2) = [0; 1); în acest caz avem ca˘ P {ξ x} = P {ξ < 0} + P {ξ =
0} + P {ξ ∈ (0, 1)} = 0 + p1 + 0 = p1.
3. daca˘ x ∈ [1, x3) = [1; 2); în acest caz avem ca˘ P {ξ x} = P {ξ < 0} + P {ξ =
0} + P {ξ ∈ (0, 1)} + P {ξ = 1} + P {ξ ∈ (1, 2)} = 0 + p1 + 0 + p2 + 0 = p1 + p2.
1. daca˘ x N x3 = 2; în acest caz avem: P {ξ x} = P {ξ < 0} + P {ξ = 0} + P {ξ ∈
(0, 1)} + P {ξ = 1} + P {ξ ∈ (1, 2)} + P {ξ = 2} + P {ξ ∈ (2, ∞)} = p1 + p2 + p3 = 1.
În concluzie, func¸tia de reparti¸tie este:
0, daca˘ x < 0,
p1, daca˘ x ∈ [0; 1),
Fξ(x) =
p + p , daca˘ x ∈ [1; 2),
1, daca˘ x ∈ [2; ∞).12

Graficul acestei func¸tii este reprezentat în figura 3.1 (pentru p1 = 0.25, p2 = 0.5 ¸si p3 =
0.25).

0.8

0.6

0.4

0.2

0
-1 0 1 2 3 4

Fig. 3.1: Func¸tia de reparti¸tie

Func¸tia de densitate de probabilitate este derivata func¸tiei de reparti¸tie; acesta˘ derivata˘ va

fi nula˘ pe por¸tiunile pe care func¸tia de reparti¸tie este constanta˘ ¸si va fi o distribu¸tie de
tip Dirac (δ) în punctele de discontinuitate ale lui Fξ(x). Atunci:
fξ(x) = p1δ(x) + p2δ(x − 1) + p3δ(x − 2).
 4. Inegalitatea lui Cebî¸sev

Ea este valabila¼ pentru ambele tipuri de variabile aleatoare: discrete ¸si

continue. Pentru simpli…care vom prezenta demonstra¸tia inegalita¸¼tii lui
Cebî¸sev numai pentru variabile aleatoare discrete.

Propozi¸tia 1.2.1 (Inegalitatea lui Cebî¸sev)Fie X o variabil¼a aleatoare

discret¼a si¸ " un num¼ar pozitiv. Probabilitatea ca abaterea variabilei
aleatoare X s¼a …e în

5
Cursul 7

D2(X)
valoare absolut¼a mai mic¼a decât " este cel pu¸tin egal¼a cu 1 "2 , adic¼a:
D2(X)
P (jX M(X)j < ") 1 "2 (1.1)
Demonstra¸tie: Contrarul evenimentului ce veri…ca¼ inegalitatea jX M(X)j <
- este jX M(X)j ". Dar suma a doua¼ evenimente contrare este egala¼ cu 1
(vezi § 0.1.7, Teorema 0.1.25)

P (jX M(X)j < ") + P (jX M(X)j ") = 1 (1.2)

De unde:
P (jX M(X)j < ") = 1 P (jX M(X)j ") (1.3)
deci pentru a demonstra inegalitatea trebuie sa¼ calculam¼ P (jX M(X)j ") :Pentru
acesta scriem expresia dispersiei variabilei aleatoare X cu reparti¸tia:
!
x1 x2 ::: xn
X: (1.4)
p
1 p2 ::: pn
D2(X) = [x1 M(X)]2 p1 +[x2 M(X)]2 p2 +:::+[xn M(X)]2 pn 0: Întrucât to¸ti
termenii dispersiei sunt numere pozitive putem elimina acei termeni pentru care
jxi M(X)j < "; i = 1::k; cu scopul de a mic¸sora D2(X): Am presupus (far¼a¼ a
mic¸sora generalitatea) ca¼ ace¸stia sunt primii k termeni. Ob¸tinem:
[xk+1 M(X)]2 pk+1 + [xk+2 M(X)]2 pk+2 + ::: + [xn M(X)]2 pn D2(X)
(1.5)
unde
jxk+1 M(X)j "; jxk+2 M(X)j "; :::; jxn M(X)j " (1.6)
echivalent cu

[xk+1 M(X)]2 "2; [xk+2 M(X)]2 "2; :::; [xn M(X)]2 "2 (1.7)
Înlocuind în inecua¸tia (1.5) ob¸tinem succesiv:

"2pk+1 + "2pk+2 + ::: + "2pn D2(X) (1.8)

"2 (pk+1 + pk+2 + ::: + pn) D2(X) (1.9)
D2(X)
pk+1 + pk+2 + ::: + pn "2 (1.10)
6
 Teoria probabilita¸¼tilor ¸si statistica¼ matematica¼

Pe de alta¼ parte pk+1 + pk+2 + ::: + pn = P (jX M(X)j ") ; deoarece pk+1 + pk+2 +
::: + pn este probabilitatea evenimentului ce consta¼ în faptul ca¼ X ia una din
valorile xk+1; xk+2; :::; xn , valori ce satisfac inegalita¸¼tile (1.6). Înlocuind în
inecua¸tia (1.10) ob¸tinem:
D2(X)
(1.11)
P (jX M(X)j ") "2
Înlocuind (1.11) în (1.3) ob¸tinem:
D2(X)
(1.12)
P (jX M(X)j < ") = 1 P (jX M(X)j ") 1 "2
adica¼ ceea ce trebuia sa¼ demonstram¼.

Observa¸tia 1.2.2 Dac¼a, spre exemplu D2(X) "2; atunci 1 D2(X) 0 "2
a…rma¸tie care nu ne este cu nimic de folos. De aceea inegalitatea lui Cebî¸sev
nu are o prea mare importan¸¼a practic¼a. Ne este îns¼a folositoare pentru
demonstrarea urm¼atoarelor teoreme:

1.3 Teorema lui Cebî¸sev

Aceasta¼ teorema¼ expusa¼ mai jos ne spune ca¼ media aritmetica¼ a unui
numar¼ su…cient de mare de variabile aleatoare independente ce au dispersiile
marginite,¼ ia, cu o probabilitate destul de mare, valori apropiate de un
numar¼ constant
M(X1) + M(X2) + ::: + M(Xn)
de¸si variabilele aleatoare pot lua valori departate¼ n
de mediile lor.
Teorema 1.3.1 (Teorema lui Cebî¸sev) Fie X1; X2; :::; Xn variabile aleatoare
(discrete sau continue) independente cu dispersiile mai mici decât o constant¼a k.
Pentru
orice " > 0 are loc:
n!1 n n
lim P X1 + X2 + ::: + Xn M(X1) + M(X2) + ::: + M(Xn) < " = 1

(1.13)
X1 + X2 + ::: + Xn
Demonstra¸tie: Aplicând proprieta¸¼tile mediei expresiei n
¸si ¸tinând cont de faptul ca¼ X1; X2; :::; Xn sunt independente, avem:
X + X + ::: + X 1 M(X ) + M(X2) + ::: + M(Xn)
1 2 n 1
M n = n M (X1 + X2 + ::: + Xn) = n
(1.14)
7
Cursul 7

X1 + X2 + ::: + Xn
Notam¼ n = X:
Conform inegalitata¸¼tii lui Cebî¸sev (vezi 1.1) avem:
2
D (X)
P X M(X) < " 1 "2 (1.15)
X + ::: + X 1
2 2 X1 + 2 n (1) 2 (2)
2
Dar D (X) = D ( n ) = n D (X1 + X2 + ::: + Xn) =
D2(X1) + D2(X2) + ::: + D2(Xn) k + k + ::: + k nk k
n2 (3) n2 = n2 = n :
Înlocuind în (1.15)
avem:
P X M(X) < " 1 n k"2 (1.16)

Trecem la limita,¼ pentru n ! 1 ¸si ob¸tinem:

n!1 X M(X) < " n!1 1 n "2
k

lim P lim =1 (1.17)

adica:¼
n!1 X M(X) < " 1
lim P (1.18)
Pe de alta¼ parte o probabilitate nu poate … mai mare ca 1. Ramâne¼ deci ca¼

nlim P X M(X) <" = 1: Înlocuind X cu expresia sa ob¸tinem ceea ce

!1
trebuia sa¼ demonstram¼.
Observa¸tia 1.3.2 De foarte multe ori în practic¼a variabile aleatoare
independente X1; X2; :::; Xn au aceea¸si medie, s¼a presupunem m. În acest caz
particular (1.13)
devine:
n!1
lim P X m < " = 1 (1.19)
X1 + X2 + ::: + Xn 2 22
unde X = n si¸ D (X1) k; D (X2) k; :::; D (Xn) k:
Observa¸tia 1.3.3 Media aritmetic¼a a unui num¼ar su…cient de mare de variabile
aleatoare independente ce au dispersiile m¼arginite X1 + X2 + ::: + Xn î¸si pierde n
 caracterul de variabil¼a aleatoare. Acest lucru se datoreaz¼a faptului c¼a
abaterile variabilelor aleatoare de la mediile lor sunt unele pozitive, altele
negative si¸ astfel ele se compenseaz¼a.
c Am ¸tinut cont de proprieta¸¼tile dispersiei.
d Variabile aleatoare X1; X2; :::; Xn sunt independente
e Prin ipoteza¼ D2(X1) k; D2(X2) k; :::; D2(Xn) k

8
Teoria probabilita¸¼tilor ¸si statistica¼ matematica¼

Teorema lui Cebî¸sev are în practica¼ o mare importan¸a¼ întrucât explica¼

de ce ne putem pronun¸ta asupra unei anumite calita¸¼ti ale unui material omogen
analizând o proba¼ mica¼ în compara¸tie cu întrega cantitate.
Explica¸tia consta¼ în aceea ca¼ proba comporta¼ un numar¼ su…cient de
mare de masur¼atori¼ prin el însu¸si. Pe acesta¼ teorema¼ se bazeaza¼ metoda
selectiva¼ a statisticii.