CURS.

EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE

DISCRETE

1. Variabila aleatoare discretă repartizată uniform

Cea mai simplă variabilă aleatoare este aceea care are un număr finit de valori, iar fiecare
eveniment are 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. Să se scrie tabloul de
repartiţie al acestei variabile aleatoare.

Mulţimea evenimentelor elementare este {1, 2, 3, 4, 5, 6} şi ea coincide, ı̂n acest caz, cu E
!
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. Probabil-
itatea producerii de k ori a evenimentului A este Cnk pk q n−k , iar v. a. 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=1
1
2 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

Scriem
X : Binomial[n, p],
adică X este o variabilă aleatoare binomială cu parametrii n şi p (n ∈ N \ {0}, p ∈ (0, 1)).
Propoziţia 2.1. Pentru variabila aleatoare binomială au loc următoarele:
• media este M [X] = n · p,
• dispersia este D2 [X] = n · p · q,
• funcţia caracteristică este ϕ(t) = (pejt + q)n .
Demonstraţie. Într-adevăr
n
kCnk pk q n−k .
X
M [X] =
k=1
Din identitatea:
n
n
Cnk pk xk q n−k
X
(px + q) =
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 D2 [X] = M [X 2 ] − (M [X])2 , trebuie să calculăm momentul iniţial de
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

ϕ00 (0)
M [X 2 ] = = n2 p2 + np − np2
j2
şi prin urmare

D2 [X] = np − np2 = np(1 − p) = npq.


Variabila aleatoare binomială X poate fi văzută ca suma a n variabile aleatoare independen-
te Xi 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
 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR 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 numai două posibilităţi pentru rezultatul experienţei (succes/insucces, realizări/nerea-
lizări, bit corect/eronat, aparat bun/defect etc.),
-probabilitatea succesului este aceeaşi pentru fiecare experienţă,
-sunt n repetări ale experienţei, unde n este constant,
-cele n experienţe sunt independente.
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 :Binomial[n, p], Y :Binomial[m, p] atunci X + Y :Binomial[n + m, p].

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


4 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

2.1. Repartiţia multinomială. O generalizare a distribuţiei binomiale este repartiţia obţinută

pentru modelul următor.
În urma unui experiment se pot realiza k evenimente diferite independente A1 , A2 , ..., Ak .
k
X
Aceste evenimente se produc cu probabilităţile p1 , p2 , ...pk , pj = 1, 0 ≤ pj ≤ 1. Se repetă
j=1
experienţa de n ori şi se constată că evenimentul Aj , j = 1, k s-a realizat de nj ori.
Dacă definim v. a. Xj =numărul de produceri ale evenimentului Aj 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 ≤ nj ≤ n.
Repartiţia depinde de k − 1 parametri.
Spunem ı̂n acest caz că
(X1 , X2 , ..., Xk ) : Multinomial [n, p1 , p2 , ..., pk ] .

Exemplul 2.2. 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.

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


2.2. Repartiţia binomială cu exponent negativ (Pascal). În cazul variabilei aleatoare
binomiale se numără realizările evenimentului A ı̂n cazul ı̂n care se efectuează n experienţe.
Deci numărul de repetări ele experienţei este fixat iar numărul succeselor evenimentului A este
aleator.
Definim acum variabila X care ia valoarea k, dacă la repetarea k a experimentului s-a produs
a m-a apariţie a evenimentului A, unde k ≥ m. Aceasta se numeşte variabilă aleatoare
binomială cu exponent negativ.
În acest caz numărul realizărilor evenimentului A este fixat iar numărul repetărilor ale eveni-
mentului A este aleator.

Deci 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.
 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE 5

Vom avea aşadar

!
m m+1 m+2 ... m+` ...
X: m−1 m m−1 m m−1 m 2 m−1
Cm−1 p Cm p q Cm+1 p q ... Cm+`−1 pm 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
Justificăm această relaţie. Folosim seriile de puteri şi proprietatea acestora de a putea fi
derivate termen cu termen. Pentru |x| < 1 putem scrie
∞
1
xk ,
X
=
1 − x k=0
0 ∞
1 1

kxk−1 ,
X
= =
1−x (1 − x)2 k=1
∞ ∞
2 k−2 1
Ck2 xk−2 .
X X
= k(k − 1)x ⇒ =
(1 − x) 3
k=2 (1 − x) 3
k=2
Se demonstrează prin inducţie că
∞
1
C m−1 xk−m+1 .
X
=
(1 − x)m k=m−1 k
Trecem k ı̂n k − 1 şi obţinem:
∞
−m m−1 k−m
X
(1 − x) = Ck−1 x (3)
k=m
care reprezintă dezvoltarea ı̂n serie binomială cu putere negativă. Trecem x → q, ı̂nmulţim cu
pm şi obţinem:
!−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

Propoziţia 2.2. Variabila aleatoare binomială cu exponent negativ are:

m
• media M [X] = ,
p
2 mq
• dispersia D [X] = 2 .
p
6 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

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 2.3. 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.

V. a. X are o distribuţie binomială cu exponent negativ. În acest caz m = 4. Valorile pe

care le ia v. a. sunt 4, 5, 6, ... cu probabilităţile din ! tabel
4 5 6 7 ...
X:
0.0001 0.00036 0.00081 0.001458 ...
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

 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE 7

3. Repartiţia geometrică

În cadrul unui experiment 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 iar ı̂n cea de-a k repetare A se realizează,
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 3.1. 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
∞ ∞ ∞
!
X
k−1
X
k−1 d X k
M [X] = kpq =p kq =p q =
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
8 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

Atunci dispersia este

2−p 1 q
D2 [X] = M [X 2 ] − (M [X])2 = 2
− 2 = 2.
p p p


Exemplul 3.1. 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 ?

Folosim v.a. distribuită geometric care dă numărul de transmisii necesare pentru a se recepta
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 3.2. Fie X o variabilă aleatoare repartizată geometric. Să se calculeze P {X > k}
şi P {Xeste un număr par}.

Folosim probabilitatea evenimetului 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


4. 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 4.1. Repartiţia hipergeometrică are:
an
• media M [X] = ;
a+b
abn(a + b − n)
• dispersia D2 [X] = .
(a + b)2 (a + b − 1)
 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE 9

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
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 C a+b k C a+b

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
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)


5. Repartiţia Poisson

În cazul 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

10 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

M [Xi ] = pi .
Pentru dispersie vom folosi

D2 [Xi ] = M [Xi2 ] − (M [Xi ])2 .

Deoarece
!
0 1
Xi2 : ,
qi pi
avem

M [Xi2 ] = pi ,
deci
n
D2 [Xi ] = pi − p2i = pi qi şi D2 [X] =
X
p i qi .
i=1
Media şi dispersia variabilei X rezultă acum din proprietăţile acestora:
n
X n
X n
X
M [X] = M [ Xi ] = M [Xi ] = pi ,
i=1 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.

6. 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
P {X = k} = e−λ .
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 6.1. Repartiţia Poisson cu parametrul λ, cu o infinitate de valori, are

 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE 11

• media şi dispersia egale M [X] = D2 [X] = λ;

jt
• funcţia caracteristică ϕ(t) = e−λ(1−e ) .

Demonstraţie. Într-adevăr,

∞ ∞
X λk −λ X λk−1 −λ
M [X] = k e =λ k e = λ.
k=0 k! k=1 (k − 1)!
Pentru calculul dispersiei folosim formula

∞ k ∞ ∞
2
X
2λ −λ
X
2 λk −λ X k
2 λ −λ
M [X ] = k e = (k − k) e + k e =
k=1 k! k=2 k! k=1 k!
∞
λk−2 −λ
= λ2 k2 e + λ = λ2 + λ
X

k=2 (k − 2)!
D2 [X] = λ2 + λ − λ = λ.
Funcţia caracteristică este

∞ k ∞
jtk λ −λ −λ (λejt )k jt
= e−λ(1−e ) .
X X
ϕ(t) = e e =e
k=0 k! k=0 k!


Observaţia 6.1. Repartiţia Poisson este intim legată de distribuţia binomială, obţinându-se
ca un caz limită al acesteia din urmă, când n → ∞ şi p scade astfel ı̂ncât np = λ = const.

Avem
n(n − 1) . . . (n − k + 1) λ k λ
Cnk pk q n−k = ( ) (1 − )n−k =
k! n n
λk n(n − 1) . . . (n − k + 1) λ n−k
· (1 − )
k! nk n
şi deoarece

n(n − 1) . . . (n − k + 1) λ n−k
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 6.1. 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.

Transmiterea fiecărui bit reprezintă o experienţă Bernoulli care se realizează dacă s-a produs
o eroare la transmiterea bitului. Probabilitatea ca să se producă k erori ı̂n 1000 de transmisii
12 CURS. EXEMPLE DE REPARTIŢII ALE VARIABILELOR ALEATOARE DISCRETE

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!


Exemplul 6.2. O fabrică produce becuri şi dă 2% rebut. Să se aproximeze probabilitatea ca
ı̂ntr-o cutie de 100 de becuri să obţinem cel mult trei becuri defecte?

Presupunând independenţa, avem de-a face cu o variabilă aleatoare repatizată binomial cu

p = 0, 02 şi n = 100.
Dacă dorim să calculăm probabilitatea cu ajutorul schemei binomiale, după calcule laborioase
3
k
(0, 2)k (0, 98)100−k = 0, 859.
P
obţinem 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 6.3. 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?

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!