Curs 4

Variabile aleatoare

4.1 Funcţia generatoare

În problemele în care apar variabile aleatoare nenegative se utilizeaz¼
a funcţia generatoare a
variabilei aleatoare X, GX (z) care se de…neşte prin relaţia

X
1
GX (z) = pk z k ; (4.1)
k=0

unde P (fX = kg) = pk ; k = 0; 1; 2; : : :. Deci cunoscând probabilit¼

aţile pk putem determina
P1
funcţia generatoare. Deoarece pk = 1, seria de puteri (4.1) converge pentru jzj 1.
k=0
Pentru jzj < 1 seria de puteri se poate deriva termen cu termen şi obţinem:

(j) P
1 P
1
GX (z) = k(k 1) : : : (k j + 1)pk z k j
= Ckj j!pj z k j :
k=j k=j

Dac¼
a în relaţia de mai sus facem z = 0 obţinem
(j) (j)
GX (0) = j!pj sau pj = j!1 GX (0):

Aceasta ne arat¼ a c¼
a putem determina toate probabilit¼aţile pk cu ajutorul funcţiei gener-
(j)
atoare. Din acest¼ a cauz¼ a GX se numeşte funcţie generatoare. În particular, punând z = 1
în G0X şi în G00X obţinem:

M [X] = G0X (1); M [X 2 ] = G0X (1) + G00X (1):

4.2 Legi discrete de repartiţie

Vom prezenta legi teoretice de repartiţie a unor variabile aleatoare discrete. Exist¼ a multe
fenomene întâlnite în inginerie care "ascult¼ a" de aceste legi în sensul c¼
a anumite selecţii de
date experimentale sunt organizate dup¼ a modele teoretice standard care trebuie cunoscute.
Statisticianul apeleaz¼
a la rezultatele teoretice care îi orienteaz¼
a calculele şi deciziile.

1
4.2.1 V.a. repartizat¼
a uniform
Cea mai simpl¼a variabil¼a aleatoare este aceea care are un num¼
ar …nit de valori, iar …ecare
eveniment are aceeaşi probabilitate. În acest caz, vom avea
x1 x2 ::: xn
X: 1 1 :
n n
::: n1
Dac¼ a presupunem c¼
a X ia valorile întregi m; m+1; :::; m+n+1; not¼
am X 2 Uniform[m; n]
şi obţinem
n+1
M [X] = m + ;
2
n2 1
D[X] = :
12

4.2.2 V. a. repartizat¼
a binomial
Evenimentele A şi contrarul s¼ au, A se repet¼ a de mai multe ori şi se produc cu aceeaşi
probabilitate, P (A) = p respectiv P (A) = q = 1 p: Probabilitatea producerii de k ori a
evenimentului A …Cnk pk q n k ; iar v. a. care ia ca valori num¼
arul de produceri ale evenimntului
A are tabloul de repartiţie
0 1 2 ::: k ::: n
X: :
Cn0 p0 q n Cn1 p1 q n 1
Cn2 p2 q n 2
: : : Cnk pk q n k
: : : Cnn pn q 0

În acest caz scriem X 2 Binomial[n; p], M [X] = np; D2 [X] = npq:

Într-adev¼ar, variabila aleatoare X poate … v¼
azut¼
a ca suma a n variabile aleatoare inde-
pendente Xi care ia valoarea 1 cu probabilitatea p; adic¼ a la a i-a repetare a experienţei
evenimentul A s-a produs şi valoarea 0 cu probabilitatea q, adic¼
a la a i-a repetare a expe-
rienţei evenimentul A nu s-a produs

0 1
Xi : ; i = 1; n; M [Xi ] = p:
q p
Cu notaţiile introduse, putem scrie
X
n
X = X1 + X2 + : : : + Xn = Xi ;
i=1
Xn X
n
M [X] = M [ Xi ] = M [Xi ] = np;
i=1 i=1
Xn Xn
D[X] = D[ Xi ] = D[Xi ];
i=1 i=1

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

D[Xi ] = M [Xi2 ] (M [Xi ])2 :
Deoarece
0 1
Xi2 : ; M [Xi2 ] = p;
q p
avem
D[Xi ] = p p2 = pq şi D[X] = npq:

2
Exerciţiul 1 Ar¼ ataţi c¼ a X 2 Binomial[n; p] atunci GX (z) = (pz + q)n şi deduceţi cu
a dac¼
ajutorul ei relaţiile M [X] = np; D2 [X] = npq:
Problemele în care se utilizeaz¼ a repartiţia binomial¼ a sunt cele în care facem
urm¼ atoarele presupuneri:
-sunt numai dou¼ a posibilit¼
aţi pentru rezultatul experienţei (succes/insucces, realiz¼
ari/ne-
realiz¼
ari, bit corect/eronat, aparat bun/defect etc.),
-probabilitatea succesului este aceeaşi pentru …ecare experienţ¼ a,
-sunt n repet¼ari ale experienţei, unde n este constant,
-cele n experienţe sunt independente.
Facem observaţia c¼ a în calculul factorialelor care intervin în combin¼ari, pentru n su…cient
de mare, se recomand¼ a formula aproximativ¼ a a lui Stirling,
p
n! nn e n 2n :

4.2.3 V. a. multinomial¼
a
O generalizare a distribuţiei binomiale este repartiţia obţinut¼ a pentru modelul urm¼
ator.
În urma unui experiment se pot realiza k evenimente diferite independente A1 ; A2 ; :::; Ak :
X
k
Aceste evenimente se produc cu probabilit¼ aţile p1 ; p2 ; :::pk ; pj = 1; 0 pj 1: Se repet¼a
j=1
experienţa de n ori şi se constat¼ a evenimentul Aj ; j = 1; k s-a realizat de nj ori.
a c¼

Teorema 4.2.1 Dac¼a de…nim v. a. Xj =num¼arul de apariţii ale evenimentului Aj în 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:

Observaţia 4.2.2 Repartiţia depinde de k 1 parametri.

Spunem în acest caz c¼
a (X1 ; X2 ; :::; Xk ) 2 Multinomial [n; p1 ; p2 ; :::; pk ] :

Exerciţiul 2 presupunem c¼ a avem o urn¼ a care conţine 10 bile roşii, 20 de bile albe şi 30
bile negre. Extragem 10 bile din urn¼ a cu repunerea bilei extrase în urn¼ a. S¼
a se determine
proobabilitatea ca s¼
a obţinem 3 bile roşii, 4 bile albe şi 3 bile negre.
Deoarece extragerea se face cu repunerea bilei extrase în urn¼
a evenimentele sunt inde-
pendente 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

4.2.4 V. a. repartizat¼
a binomial cu exponent negativ
Facem observaţia c¼a în cazul variabilei aleatoare binomiale se num¼ar¼
a realiz¼arile evenimen-
tului A în cazul în care se efectueaz¼
a n experienţe. Deci num¼arul de repet¼ari ele experienţei
este …xat iar num¼arul succeselor este aleator.

3
 În cazul v. a. binomiale cu exponent negativ variabila ia ca valori num¼ arul de experienţe
necesare pentru a obţine m realiz¼ ari. În acest caz num¼arul realiz¼arilor ale evenimentului A
este …xat iar num¼arul repet¼arilor ale evenimentuilui A este aleator.
Se spune c¼a variabila aleatoare X are repartiţie binomial¼ a cu exponent negativ, cu para-
metrii m şi p, (m = 1; 2; : : : ; 0 < p < 1), dac¼ a X poate lua valorile m; m + 1; m + 2; : : :
iar
m 1 m k
P (fX = kg) = Cm+k 1p q ; q = 1 p:
Vom avea aşadar

m m+1 m+2 ::: m+k :::

X: m 1 m m 1 m m 1 m 2 m 1 m k
Cm 1 p Cm p q Cm+1 p q ::: Cm+k 1 p q :::

Vom scrie X 2 NegBin[m; p]:

Acest¼a repartiţie apare în modele de tipul urm¼ ator: s¼
a presupunem c¼ a s-a efectuat un
num¼ ar de observaţii independente, în cursul …ec¼ arei observaţii evenimentul A (de exemplu
nefuncţionarea unui subansamblu al unui aparat) poate s¼ a se produc¼ a cu probabilitatea p.
Observaţiile continu¼ a pân¼a când evenimentul se produce de m ori şi se caut¼ a probabilitatea
pentru ca aceasta s¼ a se produc¼a exact în decursul a m + k observaţii. Evenimentul fX = kg
se scrie ca intersecţie a dou¼a evenimente: evenimenul B1 care const¼ a în faptul c¼
a în primele
m + k 1 observaţii evenimentul A se produce de m 1 ori şi evenimentul B2 care const¼ a în
faptul c¼a în observaţia m + k se produce evenimentul A. Din schema lui Bernoulli se deduce
m 1 m 1 k
c¼
a probabilitatea primului eveniment este P (B1 ) = Cm+k 1p q iar probabilitatea celui
de-al doilea eveniment este egal¼ a cu p; P (B2 ) = p. Deci
m 1 m 1 k m 1 m k
P (fX = kg) = P (B1 \ B2 ) = P (B1 )P (B2 ) = Cm+k 1p q p = Cm+k 1p q :

Numele acestei repartiţii provine din faptul c¼

a probabilitatea c¼
autat¼
a este coe…cient în
dezvoltarea în serie a lui

1 q
m X
1
m 1 m k
= Cm+k 1p q : (4.2)
p p k=0

Justi…c¼
am aceast¼
a relaţie:

1 X
1
1
0
1 X
1
k
= x ; pentru jxj < 1; = = kxk 1 ;
1 x k=0
1 x (1 x)2 k=1
2 X
1
1 X
1
= k(k 1)xk 2
) = Ck2 xk 2 :
(1 x)3 k=2
(1 x)3 k=2

1 X 1
Se demonstreaz¼
a prin inducţie c¼
a = C m 1 xk m+1 :
(1 x)m k=m 1 k
X1
Trecem k în k 1 şi obţinem: (1 x) = m
Ckm 11 xk m care reprezint¼
a dezvoltarea în
k=m
serie binomial¼
a cu putere negativ¼
a. Trecem x ! q şi obţinem:
m
1 q P
1 P
1 P
1
= pm (1 q) m
= pm Ckm 11 q k m
= Ckm 11 pm q k m
= m 1
Cm+k m k
1p q :
p p k=m k=m k=0

4
 Observ¼
am c¼a de…nirea acestei variabile aleatoare este corect¼
a deoarece P (fX = kg) > 0
P
1
m 1
şi Cm+k 1 pm q k = 1.
k=0
Calcul¼
am funcţia generatoare.
X
1
1 zq
m
m 1 m k k
GX (z) = Cm+k 1p q z = ;
k=0
p p
m 1
1 zq q
G0X (z) = m ;
p p p
q
M [X] = G0X (1) = m ;
p
m 1 2
1 zq q
G00X (z) = m (m + 1) ;
p p p
2
q
G00X (1) = m (m + 1) ;
p
2 2
q q q mq
D[X] = m (m + 1) +m m = :
p p p p2

Exerciţiul 3 Calculatorul A transmite un mesaj calculatorului B. Mesajul este codat astfel

încât B detecteaz¼ a când se produc erori în cursul transmiterii mesajului. Dac¼a B detecteaz¼a
o eroare cere calculatorului A retransmiterea mesajului. Presupunem c¼ a probabilitatea ca
transmiterea mesajului s¼ a …e eronat¼a este p = 0; 1. Vrem s¼ a de…nim variabila aleatore X
care ia ca valori num¼arul de mesaje care trebuie transmise pâna la obţinerea a patru mesaje
eronate.
V. a. X are o distribuţie binomial¼ a cu exponent negativ. În acest caz m = 4: Valorile pe
care le ia v. a. sunt 4; 5; 6; ::: cu probabilit¼
aţile din tabel
0 1 2 3 :::
X:
0:0001 0:00036 0:00081 0:001458 :::
P (fX = 0g) = C33 (0:1)4 = 0:000 1;
P (fX = 1g) = C43 (0:1)4 (0:9) = 0:000 09 4 = 0:000 36
P (fX = 2g) = C53 (0:1)4 (0:9)2 = 8:1 10 5 524 = 0:000 81
P (fX = 3g) = C63 (0:1)4 (0:9)3 = 7:29 10 5 62534 = 0:001458 etc.
q
M [X] = m = 4 0:9 0:1
= 36; deci cam la 36 de mesaje se obţin patru mesaje eronate.
p

4.2.5 V. a. repartizat¼
a geometric
Spre deosebire de variabila aleatoare binomial¼ a care apare când …x¼am un num¼ ar de repet¼ari
ale unei experienţe A, în cazul variabilei geometrice num¼ ar¼
am num¼ arul m de efectu¼ ari ale
experienţei pân¼a la prima realizare a evenimentului A (experienţe de tip Bernoulli, adic¼ a
independente şi repetate în aceleaşi condiţii). În acest caz variabila aleatoare X ia valorile
X = k; k = 1; 2; : : : ; m; : : : şi avem

P (fX = kg) = p (1 p)k 1

; k = 1; 2; 3; : : : ;

unde P (A) = p este probabilitatea de realizare a evenimentului A. Vom avea deci

1 2 ::: k :::
X:
p pq ::: pq k 1
:::

5
 Calcul¼
am media şi dispersia variabilei aleatoare. Not¼
am q = 1 p: Calcul¼
am funcţia
generatoare.
X
1
pqz
GX (z) = p (qz)k = ;
k=1
1 qz
p 1
G0X (z) = ; G0X (1) = ;
(1 qz)2 p
2pq 2q
G00X (z) = ; G00X (1) = 2 ;
(1 qz)3 p
2
2q 1 1 q
D[X] = 2 + = :
p p p p2
Exerciţiul 4 Calculatorul A transmite un mesaj calculatorului B. Mesajul este codat astfel
încât B detecteaz¼a când se produc erori în cursul transmiterii mesajului. Dac¼a B detecteaz¼
a
o eroare cere calculatorului A retransmiterea mesajului. Dac¼a probabilitatea ca transmiterea
mesajului s¼a …e eronat¼a este p = 0; 1, care este probabilitatea ca mesajul s¼a necesite mai
mult de dou¼ a transmisii.
Fiecare transmitere a mesajului urmeaz¼ a o repartiţie binomial¼
a cu probabilitatea ca
mesajul s¼a …e corect q = 1 p: Experienţele se repet¼ a pân¼ a când prima transmisie este
corect¼
a. Probabilitatea ca mesajul s¼
a necesite mai mult de dou¼ a transmisii este
1
P (fX > 2g) = qp2 + qp3 + = qp2 = p2 = 10 2 :
1 p
1
Media variabilei aleatoare din acest exerciţiu este M [X] = = 10 iar dispersia este
0:1
0:9
D [X] = : = 90
0:01
Interpretarea este urm¼ atoarea: media aritmetic¼ a este 10, deci la un num¼ ar mare de
transmisii num¼ arul mediu de transmisii pân¼
a la primul mesaj eronat este 10.

4.2.6 V. a. repartizat¼
a hipergeometric
Fie o mulţime care conţine N obiecte, k N dintre ele considerate ca succes şi N k
considerate ca eşec. Un eşantion de dimensiune n k de obiecte este selectat aleator (f¼ ar¼
a
revenirea obiectului în mulţime). Fie X variabila aleatoare care ia ca valori num¼ arul de
succese din eşantion.
0 1
0 1 2 ::: i ::: n
X : @ Ck0 CNn k Ck1 CNn 1k Ck2 CNn 2k Cki CNn ik Ckn CN0 k A :
: : : : : :
CNn CNn CNn CNn CNn

Vom scrie X 2 Hip[n; k; N ]: Caracteristicile numerice ale variabilei aleatoare X sunt

kn k
M [X] = = np; p = :
N N
np(1p)(N n)
D[X] =
N 1
Media se poate calcula astfel: ca şi în cazul binomial, variabila aleatoare hipergeometric¼
a
poate … scris¼
a sub forma unei sume de variabile aleatoare. S¼ a not¼
am cu X1 num¼ arul de

6
succese la prima extragere, cu X2 num¼ arul de succese obţinute la a doua extragere etc.
Tabloul de repartiţie al variabilei X1 este

0 1
X1 : :
q p

Vom ar¼ ata c¼

a şi celelalte variabile aleatoare Xi ; i = 2; n; au aceeaşi repartiţie. Pentru aceasta
calcul¼
am probabilitatea obţinerii unui succese la extracţia de ordin i, atunci când se fac
extrageri f¼
ar¼a revenirea obiectului în mulţime. Num¼ arul cazurilor posibile AiN . Num¼ arul
cazurilor favorabile coincide cu num¼ arul de moduri în care pot … obţinute i obiecte astfel
încât pe locul i s¼ a …e succes. Un succes poate … obţinut în k moduri.
i 1 i 1
Celelalte i 1 locuri pot … ocupate în AN 1 moduri, în total kAN 1 cazuri favorabile.
Probabilitatea c¼ atat¼a va … deci
kAiN 1 1 k(N 1)(N 2) : : : (N i + 1) k
i
= = = p:
AN N (N 1) : : : (N i + 1) N

Rezult¼
a c¼
a Xi are repartiţia
0 1
Xi : :
q p
Din relaţiile
X = X1 + X2 + : : : + Xn
şi
M [X1 ] = M [X2 ] = : : : = M [Xn ] = p;
rezult¼
a
M [X] = np:
Ca şi în cazul v. a. binomiale, X se scrie ca o sum¼
a de variabile aleatoare având aceeaşi
repartiţie
0 1
:
q p
Deosebirea este esenţial¼a: în cazul repartiţiei hipergeometrice, variabilele aleatoare nu sunt
independente. Din aceast¼ a nu putem calcula dispersia variabilei aleatoare X ca suma
a cauz¼
dispersiilor variabilelor aleatoare Xi .
O alt¼ a variant¼
a de calcul a mediei şi dispersiei va … prezentat¼
a în continuare.
S¼a observ¼am c¼a, pentru orice a; b 2 N, avem
! !
X a X b
i i
Ca x Cb x = (1 + x)a (1 + x)b
i j

i=0 j=0

X
a+b
= (1 + x)a+b = r
Ca+b xr ; 8x 2 R.
r=0

a deci, identi…când coe…cienţii lui xr ; egalitatea

Rezult¼
X
r
r
Ca+b = Cai Cbr i ; 8r = 0; a + b;
i=0

7
numit¼
a identitatea hipergeometric¼
a (de aici şi denumirea v.a.). S¼
a calcul¼
am media şi disper-
sia:
(n 1) (i 1)
X
n
Cki CNn i
k
X
n
k!i C(N 1) (k 1)
M [X] = i= n 1 N
i=0
CNn i=0
i![(k 1) (i 1)]! CN 1 n
(n 1) (i 1) (n 1) i !
kn X i X
n n 1 i
1
C(N 1) (k 1) Ck 1 C(N 1) (k 1)
= C = np = np:
N i=1 k 1
CNn 1
1 i=0
CNn 11
| {z }
=1

De asemenea,
X
n
Cki CNn i
k
M [X 2 ] M [X] = M [X 2 X] = i(i 1)
i=0
CNn
(n 2) (i 2)
X
n
k(k 1)(k 2)!i(i 1) C(N 2) (k 2)
=
i=2
i(i 1)(i 2)![(k 2) (i 2)]! CNn 22 N (N 1)
n(n 1)
(n 2) (i 2)
1)n(n 1) X i
n
k(k 1
C(N 2) (k 2)
= Ck 2
N (N 1) i=2
CNn 2
2
(n 2) i !
1)n(n 1) X Ck 2 C(N
n 2 i
k(k 2) (k 2) k(k 1)n(n 1)
= = :
N (N 1) i=0
CNn 2
2 N (N 1)
| {z }
=1

De aici,
D[X] = M [X 2 ] M [X] + M [X] (M [X])2
(k 1)(n 1)
= np + np n2 p2
(N 1)
(k 1)(n 1) nk
= np +1
(N 1) N
(1 p)(N n)
= np :
N 1
Teorema 4.2.3 Dac¼a X este o variabil¼a aleatoare repartizat¼a hipergeometric cu parametrii
N; k; n, pentru care
Cki CNn ik
P (fX = ig) = ;
CNn
atunci
Cki CNn ik
lim = Cni pi q n i ; (4.3)
N !1 CNn
k
unde p = ; q = 1 p şi deci pentru valori mari ale lui N , o variabil¼a aleatoare repartizat¼a
N
k
hipergeometric poate … aproximat¼a cu o variabil¼a repartizat¼a binomial¼a Binomial(n; ).
N
Demonstraţie. Avem
Cki CNn ik
=
CNn
k(k 1) : : : (k i + 1) (N k)(N k 1) : : : (N k n+i 1) n!
=
i! (n i)! N : : : (N n + 1)

8
 n! k(k 1) : : : (k i + 1)(N k)(N k 1) : : : (N k n + i 1)
=
i!(n i)! N : : : (N n + 1)
k k 1 k i+1N kN k 1 N k n+i 1 Nn
= Cni ::: :::
N N N N N N N : : : (N n + 1)
k k 1 k i+1N kN k 1 N k n+i 1 Nn
= Cni ::: :::
N N N N N N N : : : (N n + 1)
1 i 1 1 n i+1 Nn
= Cni p(p ) : : : (p )q(q ) : : : (q ) :
N N N N N : : : (N n + 1)

Trecând la limit¼
a obţinem (4.3).

4.2.7 V. a. repartizat¼
a Poisson
Distribuţia Poisson se foloseşte ca model pentru evenimente a c¼ aror num¼ar de repetare nu are
o limit¼
a superioar¼a. Spunem c¼ a variabila aleatoare X este repartizat¼ a Poisson, cu paramatru
; 2 R+ ; X 2 Poisson [ ] ; dac¼ a tabloul s¼
au de repartiţie este

0 1 2 ::: k :::
X: 2 k :
e 1!
e 2!
e ::: k!
e :::

k P
1 k P
1 k
Folosim notaţia P (k; ) = k!
e : Evident P (k; ) > 0 şi k!
e =e k!
= 1:
k=0 k=0
Propriet¼
aţi ale repartiţiei Poisson.

P1. Media repartiţiei Poisson este aceeaşi cu dispersia repartiţiei şi egal¼
a cu . Aceasta
este o particularitate remarcabil¼a şi este o modalitate de a recunoaşte c¼ a un fenomen
urmeaz¼ a o repartiţie Poisson. M [X] = ; D[X] = : Într-adev¼ ar
P
1 k P
1 k 1
M [X] = k k! e = k (k 1)!
e = :
k=0 k=1

Pentru calculul dispersiei folosim formula D[X] = M [X 2 ] (M [X])2 .

P
1 k P
1 k P
1 k
M [X 2 ] = k 2 k! e = (k 2 k) k! e + k 2 k! e =
k=1 k=2 k=1
2
P
1 k
= k 2 k! e + = 2
+ ;
k=2
2 2
D[X] = + = :

P2. Repartiţia Poisson se obţine ca un caz limit¼

a a repartiţiei binomiale când n ! 1 şi p
scade astfel încât np = = const.(în general, n > 30; p 2 (0; 0; 1)).
Repartiţia Poisson a ap¼
arut odat¼
a cu studiul variabilelor aleatoare cu un num¼
ar foarte
mare de valori. Exemple clasice de astfel de variabile aleatoare sunt cele legate de
evenimentele care apar rar într-un interval de timp, ca de exemplu:
- num¼
arul de particule emise de o suprafaţ¼
a radioactiv¼
a într-un interval de timp;
- num¼
arul accidentelor dintr-o fabric¼
a în decurs de o s¼
apt¼
amân¼
a;
- num¼
arul maşinilor care trec printr-un anumit loc într-un interval de timp;
- num¼
arul cererilor de I/O la o reţea de calculatoare într-un interval de timp.

9
 Toate aceste procese se numesc Poisson şi ele vor … studiate în Capitolul Procese Sto-
chastice. În aceste cazuri este proporţional¼ a cu durata intervalului de timp (adic¼a
= tw; w coe…cient de proporţionalitate). Parametrul w = se mai numeşte para-
t
metru de intensitate, reprezentând media num¼ arului de evenimente care se produc în
unitatea de timp.

P3. Deoarece repartiţia Poisson se întâlneşte în cazul evenimentelor care se întîmpl¼

a rar
(n mare, np = constant, rezult¼ a p mic), ea mai poart¼ a denumirea de legea eveni-
mentelor rare.

Teorema 4.2.4 Dac¼a X urmeaz¼a o repartiţie binomial¼a atunci

k
lim Cnk pk q n k
= e ;
n!1 k!
unde np = = const.
Demonstraţie. Avem
n(n 1) : : : (n k + 1)
lim Cnk pk q n k
= lim ( )k (1 )n k
n!1 n!1 k! n n
k k
n(n 1) : : : (n k + 1)
= lim (1 )n k
= e :
k! n!1 nk n k!
Observaţia 4.2.5 Teorema a…rm¼a c¼a experimentele Bernoulli cu probabilitate de succes din
ce în ce mai mic¼a se apropie de legea Poisson de repartiţie cu parametul = np:
Pentru calculul probabilit¼
aţilor P (k; ) s-au întocmit tabele pentru cuprins între 0; 1;
: : : ; 20. Aceste tabele dau probabilit¼ aţile ca evenimentele s¼
a se realizeze de cel puţin m ori.
X
1 k
P (fX mg) = e :
k=m
k!

Teorema 4.2.4 ne permite s¼

a aproxim¼
am probabilit¼
aţile unei repartiţii binomiale.

Exerciţiul 5 Probabilitatea de eroare la transmiterea unui bit printr-o linie de comunicaţie

este de 10 3 . S¼
a se calculeze probabilitatea ca la transmiterea unui bloc de 1000 de biti s¼a
avem cinci sau mai mult de cinci erori.
Transmiterea …ec¼arui bit reprezint¼a o experienţ¼
a Bernoulli care se realizeaz¼ a dac¼a s-a
produs o eroare la transmiterea bitului. Probabilitatea ca s¼a se produc¼ a k erori în 1000 de
transmisii este dat¼
a de probabilitatea calculat¼
a cu legea binomial¼ a cu n = 1000 şi p = 10 3 .
Legea Poisson cu parametrul = np = 1000 10 3 = 1 aproximeaz¼ a legea binomial¼ a. Astfel
P4
1
P [N 5] = 1 P [N < 5] = 1 k!
e 1 = 1 e 1 f1 + 1!1 + 2!1 + 3!1 + 4!1 g = 0; 00366:
k=0

Exerciţiul 6 O fabric¼a produce becuri şi d¼

a 2 % rebut. S¼a se aproximeze probabilitatea ca
într-o cutie de 100 de becuri s¼
a obţinem cel mult trei becuri defecte?
Presupunând indepependenţa, avem de-a face cu o variabil¼ a aleatoare repatizat¼
a binomial
cu p = 0; 02 şi n = 100. Dac¼
a dorim s¼
a calcul¼
am probabilitatea cu ajutorul schemei binomi-
P3
k
ale, dup¼
a calcule laborioase obţinem C100 (0; 2)k (0; 98)100 k = 0; 859:Dac¼a aproxim¼ am X
k=0
cu o variabil¼
a aleatoare repartizat¼
a Poisson,

10
 P 3 2k e 2
= 100 0; 02 = 2; = 0; 857:
k=0 k!
Repartitia pi M [X] D [X] Observaţii
lim Cni pi q n i
=
n!1
binomial¼
a Cni pi q n i np npq i
= i! e
np =
binomial¼
a cu m 1 m i mq mq
Cm+i 1p q
exponent negativ p p2
Cki CNn i
k np(1 p)(N n) n
Cki CN i
hipergeometric¼
a np lim n
k
= Cnk pk
CNn N 1 N !1 CN
i
Poisson e
i!
1 q
geometric¼
a pq i 1
p p2

11