Sunteți pe pagina 1din 12

CURS

EXEMPLE DE VARIABILE ALEATOARE DISCRETE

1. Variabila aleatoare discretă repartizată uniform

Cea mai simplă variabilă aleatoare este cea care are un număr finit de valori pe care variabila
le ia cu aceeaşi probabilitate. În acest caz, vom avea
!
x1 x2 ... xn
X: 1 1 . (1)
n n
... n1
Exemplul 1.1. Considerăm experienţa care constă ı̂n aruncarea unui zar omogen. Fie variabila
aleatoare X are ia ca valori numărul de puncte apărute pe faţa zarului. Mulţimea evenimentelor
elementare este {1, 2, 3, 4, 5, 6} şi ea coincide, ı̂n acest caz, cu E. Variabila X are tabloul de
repartiţie !
1 2 3 4 5 6
X: 1 1 1 1 1 1 .
6 6 6 6 6 6
Să considerăm evenimentele A şi B legate de aceeaşi experienţă şi anume A evenimentul care
constă ı̂n obţinerea unui număr par de puncte, iar B evenimentul care constă ı̂n obţinerea un
număr impar de puncte şi definim variabila aleatoare Y care ia valoarea 0 dacă am obţinut un
număr par de puncte şi 1 dacă am obţinut un număr impar de puncte, atunci A şi B formează
un sistem complet de evenimente şi putem defini variabila aleatoare Y astfel:
!
0 1
Y : 1 1 .
2 2

2. Variabila aleatoare binomială; repartiţia Bernoulli

În cadrul unei experienţe se poate produce evenimentul A cu probabilitatea P (A) = p sau
contrarul său, A cu probabilitatea P (A) = q = 1 − p. Se repetă experienţa de n ori. Prob-
abilitatea producerii de k ori a evenimentului A (şi, evident de n − k ori a evenimentului A)
este Cnk pk q n−k . Variabila aleatoare care ia ca valori numărul de realizări ale evenimentului A
se numeşte variabila aleatoare binomială (Bernoulli) şi are repartiţia:
!
0 1 2 ... k ... n
X: 0 0 n 1 1 n−1 2 2 n−2 k k n−k n n 0 . (2)
Cn p q Cn p q Cn p q . . . Cn p q . . . Cn p q
Observăm că definirea acestei variabile aleatoare este corectă deoarece P {X = k} > 0 şi
n
Cnk pk q n−k = (p + q)n = 1.
X

k=0

Scriem
X : Bin [ n, p ],
adică X este o variabilă aleatoare binomială cu parametrii n şi p (n ∈ N \ {0}, p ∈ (0, 1)).
1
2 Daniela Roşu

Propoziţia 2.1. Fie X : Bin[ n, p ] o variabilă aleatoare binomială. Atunci:


(i) media este M [X] = n · p,
(ii) dispersia este D2 [X] = n · p · q,
(iii) funcţia caracteristică este ϕ : R → C, ϕ(t) = (pejt + q)n , t ∈ R.

Demonstraţie. Într-adevăr

n
kCnk pk q n−k .
X
M [X] =
k=1
Din identitatea:

n
(px + q)n = Cnk pk xk q n−k
X

k=0
prin derivare membru cu membru, ı̂n raport cu x, obţinem :

n
n−1
kCnk pk xk−1 q n−k .
X
np(px + q) =
k=1
Făcând aici x = 1 şi ţinând seama că p + q = 1 deducem

n
kCnk pk q n−k .
X
np =
k=1

Pentru calculul dispersiei D [X] = M [X ] − (M [X])2 , trebuie să calculăm momentul iniţial de
2 2

ordinul 2. Vom folosi pentru aceasta funcţia caracteristică a v.a. X, care este:

n n
Cnk pk q n−k ejtk = Cnk (pejt )k q n−k = (pejt + q)n .
X X
ϕ(t) =
k=0 k=0
Avem

2 ϕ00 (0)
M [X ] = 2
= n2 p2 + np − np2
j
şi prin urmare

D2 [X] = np − np2 = np(1 − p) = npq.




Observaţia 2.1. Variabila aleatoare binomială X poate fi văzută ca suma a n variabile


aleatoare independente Xi , i = 1, n, definite astfel: Xi = 1 dacă la ı̂ncercarea i s-a produs
evenimentul A şi Xi = 0 ı̂n caz contrar; X = X1 + X2 + . . . + Xn .

!
0 1
Xi : , i = 1, n, M [Xi ] = p.
q p
Exemple de variabile aleatoare discrete 3

Cu notaţiile introduse, putem scrie


n
X
X = X1 + X2 + . . . + X n = Xi ,
i=1
n
X n
X
M [X] = M [ Xi ] = M [Xi ] = np,
i=1 i=1
n n
D2 [X] = D2 [ D2 [Xi ],
X X
Xi ] =
i=1 i=1

deoarece variabilele aleatoare Xi , i = 1, n, sunt independente. Dar

D2 [Xi ] = M [Xi2 ] − (M [Xi ])2 .

Deoarece !
0 1
Xi2 : , M [Xi2 ] = p,
q p
avem
D2 [Xi ] = p − p2 = pq şi D2 [X] = npq.

Problemele ı̂n care se utilizează repartiţia binomială sunt cele ı̂n care facem următoarele
presupuneri:
- sunt n repetări independente ale unei experienţe;
- sunt numai două posibilităţi pentru rezultatul experienţei (succes/insucces, realizări/nerealizări,
bit corect/eronat, aparat funcţional/defect etc.);
- probabilitatea succesului este aceeaşi pentru fiecare experienţă.
Facem observaţia că ı̂n calculul factorialelor care intervin ı̂n combinări, pentru n suficient de
mare, se recomandă formula aproximativă a lui Stirling,

n! ≈ nn e−n 2nπ.

Exemplul 2.1. Să se arate că dacă X, Y sunt două variabile aleatoare independente, de tip
binomial X : Bin [ n, p ], Y : Bin [ m, p ] atunci X + Y : Bin [ n + m, p ].

Soluţie. Avem
k
X
P ({X + Y = k}) = P {X = l, Y = k − l} =
l=0
k
Cnl pl q n−l Cm
k−l k−l m−k+l
X
p q =
l=0
k
!
Cnl Cm
k−l
pk q n+m−k = Cm+n
k
pk q n+m−k .
X

l=0
Atunci tabloul de repartiţie a variabilei X + Y este
!
k
X +Y : k k n+m−k ,
Cm+n p q k=0,m+n

de unde concluzia.
4 Daniela Roşu

3. Repartiţia multinomială

În cadrul unei experienţe se pot realiza k evenimente diferite independente A1 , A2 , . . . , Ak cu


k
X
probabilităţile p1 , p2 , . . . şi, respectiv pk , pi = 1, 0 ≤ pi ≤ 1, i = 1, k. Se repetă experienţa
i=1
de n ori şi se constată că evenimentul Ai , i = 1, k s-a realizat de ni ori.
Fie Xi variabila aleatoare care dă numărul de realizări ale evenimentului Ai ı̂n cele n probe,
atunci:
n!
P {X1 = n1 , X2 = n2 , . . . , Xk = nk } = (p1 )n1 (p2 )n2 . . . (pk )nk
n1 !n2 ! . . . nk !
cu n1 + n2 + . . . + nk = n şi 0 ≤ ni ≤ n.
Spunem ı̂n acest caz că am definit o repartiţie multinomială (ce depinde de k − 1 parametri)

(X1 , X2 , ..., Xk ) : Multinomial [ n, p1 , p2 , ..., pk ] .

Exemplul 3.1. Presupunem că avem o urnă care conţine 10 bile roşii, 20 de bile albe şi 30
bile negre. Extragem 10 bile din urnă cu repunerea bilei extrase ı̂n urnă. Să se determine
proobabilitatea ca să obţinem 3 bile roşii, 4 bile albe şi 3 bile negre.

Soluţie. Deoarece extragerea se face cu repunerea bilei extrase ı̂n urnă evenimentele sunt
independente şi deci:
3  4  3
10! 10 20 30

P (X1 = 3, X2 = 4, X3 = 3) = = 3, 000 7 × 10−2 .
3!4!3! 60 60 60

4. Repartiţia binomială cu exponent negativ (Pascal)

În cadrul unei experienţe se poate produce evenimentul A cu probabilitatea P (A) = p sau
contrarul său, A cu probabilitatea P (A) = q = 1 − p. Se repetă experienţa de n ori. Definim
acum variabila X care ia valoarea k, dacă la repetarea k a experienţei s-a produs a m-a apariţie
a evenimentului A, unde k ≥ m. Aceasta se numeşte variabilă aleatoare binomială cu
exponent negativ.
Spre deosebire de variabila binomială unde numărul de repetări ele experienţei este fixat
iar numărul succeselor evenimentului A este aleator, ı̂n cazul variabilei binomiale cu exponent
negativ numărul realizărilor evenimentului A este fixat iar numărul repetărilor ale evenimentului
A este aleator.
Evenimentul {X = k} se produce astfel:

1. evenimentul A se produce la repetarea de ordin k a experienţei şi P (A) = p.

2. ı̂n cele k − 1 repetări anterioare au loc m − 1 produceri ale evenimentului, ı̂n condiţiile
m−1 m−1 (k−1)−(m−1)
legii Bernoulli, deci probabilitatea acestui eveniment este Ck−1 p q .

Deoarece cele două situaţii sunt independente urmează

m−1 m k−m
P {X = k} = Ck−1 p q , q = 1 − p.
Exemple de variabile aleatoare discrete 5

Variabilă aleatoare binomială cu exponent negativ are deci repartiţia


!
m m+1 m+2 ... m+` ...
X: m−1 m m−1 m m−1 m 2 m−1 m `
Cm−1 p Cm p q Cm+1 p q ... Cm+`−1 p q ...
(am notat k = m + `, ` = 0, 1, 2, . . .)
sau !
m m+1 m+2 ... k ...
X: m−1 m m−1 m m−1 m 2 m−1 m k−m
Cm−1 p Cm p q Cm+1 p q . . . Ck−1 p q ...
Vom scrie X ∈ NegBin [ m, p ].
Observăm că definirea acestei variabile aleatoare este corectă deoarece P {X = k} > 0 şi

m−1 m k−m
X
Ck−1 p q = 1.
k=m

Numele acestei repartiţii provine din faptul că probabilitatea căutată este coeficient ı̂n dez-
voltarea ı̂n serie
!−m ∞ ∞
1 q
= pm (1 − q)−m = pm m−1 k−m m−1 m k−m
X X
1= − Ck−1 q = Ck−1 p q .
p p k=m k=m
Demonstrăm această această afirmaţie. Folosim seriile de puteri şi proprietatea acestora de a
putea fi derivate termen cu termen ı̂n interiorul mulţimii de convergenţă. Pentru |x| < 1 avem

1
xk ,
X
=
1 − x k=0
0 ∞
1 1

kxk−1 ,
X
= =
1−x (1 − x)2 k=1
!0 ∞
1 2
k(k − 1)xk−2 .
X
= =
(1 − x)2 (1 − x)3
k=2
Rezultă

1
C 2 xk−2 .
X
=
(1 − x)3 k=2 k
Se demonstrează prin inducţie că pentru orice m ∈ N∗ are loc

1
C m−1 xk−m+1 .
X
=
(1 − x)m k=m−1 k
Trecem k ı̂n k − 1 şi obţinem:

(1 − x)−m = m−1 k−m
X
Ck−1 x (3)
k=m

care reprezintă dezvoltarea ı̂n serie binomială cu putere negativă. Relaţia obţinută pentru x = q
o ı̂nmulţim cu pm şi obţinem:
!−m ∞ ∞
1 q m −m m
X
m−1 k−m
X
m−1 m k−m
1= − = p (1 − q) =p Ck−1 q = Ck−1 p q .
p p k=m k=m

Propoziţia 4.1. Variabila aleatoare binomială cu exponent negativ are:


6 Daniela Roşu

m
- media M [X] = ,
p
mq
- dispersia D2 [X] = 2 .
p
Demonstraţie. Pentru a calcula media, din (3) găsim

xm
C m−1 xk dacă |x| < 1,
X
= (4)
(1 − x)m k=m k−1
de unde prin derivare ı̂n raport cu x obţinem

X
m−1 k−1 mxm−1
kCk−1 x = , dacă |x| < 1. (5)
k=m (1 − x)m+1
Alegem x = q, ţinem cont că 1 − q = p şi găsim

X
m−1 m k−m m
M [X] = kCk−1 p q = .
k=m p
Pentru calculul dispersiei folosim
∞ ∞
M [X 2 ] = m−1 m k−m
k 2 Ck−1 = pm q −m+1 k 2 q k−1 .
X X
p q
k=m k=m
Pentru a calcula ultima sumă ı̂nmulţim (5) cu x şi derivăm

mxm mxm−1 (m + x)
!
X
2 m−1 k−1 d
k Ck−1 x = = ,
k=m dx (1 − x)m+1 (1 − x)m+2
deci
m(m + q)
M [X 2 ] = ,
p2
iar
mq
D2 [X] = .
p2


Exemplul 4.1. Calculatorul A transmite un mesaj calculatorului B. Mesajul este codat astfel
ı̂ncât B detectează când se produc erori ı̂n cursul transmiterii mesajului. Dacă B detectează
o eroare cere calculatorului A retransmiterea mesajului. Presupunem că probabilitatea ca
transmiterea mesajului să fie eronată este p = 0, 1. Vrem să definim variabila aleatore X care
ia ca valori numărul de mesaje care trebuie transmise pâna la obţinerea a patru mesaje eronate.

Soluţie. Variabila aleatoare X are o distribuţie binomială cu exponent negativ. În acest caz
m = 4. Valorile pe care le ia X sunt 4, 5, 6, . . . cu probabilităţile din tabel
!
4 5 6 7 ...
X: ,
0, 0001 0, 00036 0, 00081 0, 001458 . . .
deoarece P ({X = 4}) = C33 (0, 1)4 = 0, 000 1,
P ({X = 5}) = C43 (0, 1)4 (0, 9) = 0, 000 09 · 4 = 0, 000 36,
P ({X = 6}) = C53 (0, 1)4 (0, 9)2 = 8, 1 · 10−5 · 5·4
2
= 0, 000 81,
4 3
P ({X = 7}) = C63 (0.1) (0, 9) = 7, 29 · 10−5 · 2·3 = 0, 001458 etc.
6·5·4
Exemple de variabile aleatoare discrete 7

5. Repartiţia geometrică

În cadrul unei experienţe un eveniment A se poate produce cu probabilitatea p ∈ (0, 1).
Considerăm variabila aleatoare X care dă numărul de repetări ı̂n condiţii identice ale experi-
mentului, până la producerea evenimentului A. Teoretic variabila aleatoare X ia o infinitate de
valori X = k, k = 1, 2, . . . , m, . . .. Deorece evenimentul {X = k} ı̂nseamnă faptul că ı̂n primele
k − 1 repetări ale experimentului A nu s-a produs şi ı̂n cea de-a k repetare A se realizează cu
probabilitatea p, rezultă că probabilitatea cu care X ia valoarea k este:

P {X = k} = pq k−1 , q = 1 − p, k = 1, 2, 3, . . . .
Obţinem astfel repartiţia geometrică
!
1 2 3 ... k ...
X: (6)
p pq pq 2 . . . pq k−1 . . .
Avem, evident
∞ ∞
1
pq k−1 = p
X X
P {X = k} = = 1.
k=1 k=1 1−q
deci repartiţia este bine definită.

Propoziţia 5.1. Repartiţia geometrică are:


- funcţia de repartiţie F (k) = 1 − q k ;
1
- media M [X] = ;
p
2 q
- dispersia D [X] = 2 .
p
Demonstraţie. Într-adevăr avem
k
1 − qk
pq j−1 = p = 1 − qk .
X
F (k) = P {X ≤ k} =
j=1 1−q
Pentru medie, tinând cont de proprietăţile seriilor de puteri cu raţia q < 1, putem scrie
evaluările
∞ ∞ ∞
!
d
kpq k−1 = p kq k−1 = p qk =
X X X
M [X] =
k=1 k=1 dq k=1
!
d q p 1
=p = = ,
dq 1 − q (1 − q) 2 p
Calculăm momentul iniţial de ordin 2 folosind proprietatea seriilor de puteri convergente de
a putea fi derivate termen cu termen:
∞ ∞ ∞
!
2
X
2 k−1
X
2 k−1 d X
k
M [X ] = k pq =p k q =p kq =
k=1 k=1 dq k=1
!
d q 2−p 2−p
=p =p = ,
dq (1 − q)2 p 3 p2
Atunci dispersia este
2−p 1 q
D2 [X] = M [X 2 ] − (M [X])2 = 2
− 2 = 2.
p p p
8 Daniela Roşu

Exemplul 5.1. Calculatorul A transmite mesaje pentru calculatorul B pe o linie telefonică


nefiabilă. Mesajul este codificat şi B poate detecta dacă au apărut erori ı̂n timpul transmisiei.
Probabilitatea de transmisie reuşită este p. Cu ce probabilitate este necesar să transmitem un
mesaj mai mult de două ori ?
Soluţie. Folosim variabila aleatoare distribuită geometric care dă numărul de transmisii nece-
sare pentru a se recepţiona un mesaj corect. Repartiţia este
!
k
X:
(1 − p)k−1 p k=1,2...
+∞
(1 − p)k−1 p = (1 − p)2 .
X
Probabilitatea cerută este atunci P {X ≥ 3} =
k=3

Exemplul 5.2. Fie X o variabilă aleatoare repartizată geometric. Să se calculeze P {X > k}
şi P {X ia valoare un număr par}.
Soluţie. Folosim probabilitatea evenimentului contrar şi avem pentru prima cerinţă

1 − qk
P {X > k} = 1 − P {X ≤ k} = 1 − p = qk .
1−q
Pentru a doua cerinţă obervăm că problema revine la calculul unei serii geometrice cu raţia q 2 .

∞ ∞ ∞
!
pq q
pq 2k−1 =
X X X
P {X = 2k} = P {X = 2k} = = .
k=1 k=1 k=1 1−q 2 1+q

6. Repartiţia hipergeometrică

Fie X variabila aleatoare care ia ca valori numărul de bile albe care se obţin extrăgând n
bile dintr-o urnă care conţine a bile albe şi b bile negre (n ≤ a + b). Tabloul de repartiţie al
variabilei aleatoare X este

0 1 2 ... k ... min{n, a}


 
0 n 1 n−1 2 n−2 k n−k min{n,a} n−min{n,a} 
 Ca Cb Ca Cb Ca Cb Ca Cb Ca Cb .

n n n
... n
... n
Ca+b Ca+b Ca+b Ca+b Ca+b
Propoziţia 6.1. Repartiţia hipergeometrică are:
an
- media M [X] = ;
a+b
abn(a + b − n)
- dispersia D2 [X] = .
(a + b)2 (a + b − 1)
Demonstraţie. Avem

min{a,n}
X Cak Cbn−k 1 X k n−k 1 X k−1 n−k
M [X] = k n
= n kCa Cb = = n aCa−1 Cb =
k=1 Ca+b Ca+b k Ca+b k
Exemple de variabile aleatoare discrete 9

a n−1 n!(a + b − n)! (a + b − 1)! an


= n
Ca+b−1 =a = .
Ca+b (a + b)! (n − 1)!(a + b − n)! a+b
Pentru calculul dispersiei utilizăm formula

D2 [X] = M [X 2 ] − (M [X])2 .
Calculăm mai ı̂ntâi

Cak Cbn−k X Cak Cbn−k X Cak Cbn−k


M [X 2 ] = k2
X
n
= k(k − 1) n
+ k n
.
k Ca+b k Ca+b k Ca+b
Avem
X Cak Cbn−k 1 X k−2 n−k a(a − 1) n−2
k(k − 1) n
= n
a(a − 1)Ca−2 Cb = n
Ca+b−2
k Ca+b Ca+b k Ca+b
n!(a + b − n)!(a + b − 2)! a(a − 1)n(n − 1)
= a(a − 1) = .
(a + b)!(n − 2)!(a + b − n)! (a + b)(a + b − 1)
De aici rezultă că
!
a(a − 1)n(n − 1) an an (a − 1)(n − 1)
M [X 2 ] = + = +1 ,
(a + b)(a + b − 1) a + b a+b a+b−1
şi atunci dispersia este
an(an − n + b) a2 n2 abn(a + b − n)
D2 [X] = − = .
(a + b)(a + b − 1) (a + b) 2 (a + b)2 (a + b − 1)


7. Repartiţia Poisson

În cadrul unui experiment se pot produce evenimentele A1 , A2 , · · · , An cu probabilităţile p1 , p2 ,


· · · , pn . Facem ipoteza că evenimentele sunt independente. Fie X numărul de evenimente care
se produc la o repetare ı̂n condiţii identice ale experimentului şi fie qi = 1 − pi . Fie Xi , i = 1, n,
variabilele aleatoare care iau valoarea 1 dacă s-a produs Ai şi valoarea 0 ı̂n caz contrar. Acestea
au repartiţia
!
0 1
Xi : , i = 1, n,
qi pi
Observăm că
n
X
X = X1 + X2 + . . . + Xn = Xi .
i=1

Să calculăm media şi dispersia. Pentru Xi avem

M [Xi ] = pi .
Pentru dispersie vom folosi
10 Daniela Roşu

D2 [Xi ] = M [Xi2 ] − (M [Xi ])2 .


Deoarece
!
0 1
Xi2 : ,
qi pi
avem

M [Xi2 ] = pi ,
deci

D2 [Xi ] = pi − p2i = pi qi .
Pn
Media şi dispersia variabilei X = i=1 Xi rezultă acum din proprietăţile acestora:
" n # n n
X X X
M [X] = M Xi = M [Xi ] = pi ,
i=1 i=1 i=1
" n # n n
2 2
D2 [Xi ] =
X X X
D [X] = D Xi = pi q i ,
i=1 i=1 i=1

deoarece variabilele aleatoare Xi , i = 1, n, sunt independente.

8. Repartiţia Poisson cu infinitate numărabilă de valori

Distribuţia Poisson, numită şi legea evenimentelor rare, se foloseşte ca model pentru
evenimente al căror număr de repetare nu are o limită superioară. Spunem că variabila aleatoare
X este repartizată Poisson cu paramatrul λ, λ ∈ R+ , dacă tabloul său de repartiţie este
de forma
0 1 2 ... k ...
 

X :  −λ λ −λ λ2 −λ k
. (7)
e e e . . . λk! e−λ . . .
1! 2!
λk −λ
P {X = k} = e .
k!
Evident avem

∞ ∞
λk −λ −λ λk
= e−λ eλ = 1,
X X
e =e
k=0 k! k=0 k!

deci (7) este o repartiţie bine definită.

Propoziţia 8.1. Repartiţia Poisson cu parametrul λ, cu o infinitate de valori, are


- media şi dispersia egale M [X] = D2 [X] = λ;
jt
- funcţia caracteristică ϕ : R → C, ϕ(t) = e−λ(1−e ) , t ∈ R.
Exemple de variabile aleatoare discrete 11

Demonstraţie. Într-adevăr, avem


∞ ∞
λk −λXX λk−1 −λ
M [X] = k e =λ k e = λ.
k=0 k! k=1 (k − 1)!

Pentru calculul dispersiei, determinăm mai ı̂ntâi, momentul de ordinul 2


∞ ∞ ∞
λk −λ X λk λk
M [X 2 ] = k2 (k 2 − k) e−λ + k 2 e−λ =
X X
e =
k=1 k! k=2 k! k=1 k!

λk−2 −λ
= λ2 k2 e + λ = λ2 + λ,
X

k=2 (k − 2)!
şi atunci
D2 [X] = M [X 2 ] − M [X]2 = λ2 + λ − λ2 = λ.
Funcţia caracteristică este
∞ ∞
λk −λ (λejt )k jt
ejtk e = e−λ = e−λ(1−e ) ,
X X
ϕ(t) =
k=0 k! k=0 k!
pentru orice t ∈ R. 

Observaţia 8.1. Repartiţia Poisson este legată de distribuţia binomială, reprezentând un caz
limită al acesteia din urmă, când n → ∞ şi p scade astfel ı̂ncât np = λ = const.

Avem
!k !n−k
n(n − 1) . . . (n − k + 1) λ λ
Cnk pk q n−k = 1− =
k! n n
λk n(n − 1) . . . (n − k + 1) λ n−k
· (1 − )
k! nk n
şi deoarece
!n−k
n(n − 1) . . . (n − k + 1) λ
lim = 1, lim 1− = e−λ
n→∞ nk n→∞ n
se deduce aproximarea, pentru n → ∞ :
λk −λ
Cnk pk q n−k ≈ e .
k!
Exemplul 8.1. Probabilitatea de eroare la transmiterea unui bit printr-o linie de comunicaţie
este de 10−3 . Să se calculeze probabilitatea ca la transmiterea unui bloc de 1000 de biti să avem
cinci sau mai mult de cinci erori.

Soluţie. Transmiterea fiecărui bit reprezintă o experienţă Bernoulli care se realizează dacă s-a
produs o eroare la transmiterea bitului. Probabilitatea cu care se produc k erori ı̂n 1000 de
transmisii este dată de probabilitatea calculată după legea binomială cu n = 1000 şi p = 10−3 .
Legea Poisson cu parametrul λ = np = 1000 · 10−3 = 1 aproximează legea binomială. Astfel
4
1 −1 1 1 1 1
e = 1 − e−1 {1 + + + + } = 0, 00366.
X
P [X ≥ 5] = 1 − P [X < 5] = 1 −
k=0 k! 1! 2! 3! 4!
12 Daniela Roşu

Exemplul 8.2. O fabrică produce becuri dintre care 2% sunt rebut. Să se aproximeze proba-
bilitatea ca ı̂ntr-o cutie de 100 de becuri să obţinem cel mult trei becuri defecte?
Soluţie. Presupunând independenţa realizării becurillor, variabila aleatoare care descrie dă
numărul de becuri defecte este repatizată binomial cu p = 0, 02 şi n = 100. Dacă dorim să
calculăm probabilitatea cu ajutorul schemei binomiale,obţinem
3
k
(0, 2)k (0, 98)100−k = 0, 859.
X
C100
k=0
Dacă aproximăm X cu o variabilă aleatoare repartizată Poisson, cu parametrul λ = 100 ×
0, 02 = 2, găsim probabilitatea
3
X 2k e−2
= 0, 857.
k=0 k!
Exemplul 8.3. O staţie de recepţie primeşte ı̂n medie 16 impulsuri pe minut şi poate prelucra
cel mult 24 impulsuri pe minut. Cu ce probabilitate staţia devine saturată?
Soluţie. Suntem ı̂n condiţiile repartiţiei Poisson, cu a = 16, t = 1. Dacă X este variabila
aleatoare care dă numărul de semnale care ajung la staţie ı̂ntr-un minut, atunci staţia devine
saturată dacă {X > 24}, iar probabilitatea este
∞ 24
X 16k −16 X 16k −16
P {X > 24} = e =1− e = 0, 0017.
k=25 k! k=0 k!