UNIVERSITATEA POLITEHNICĂ BUCUREȘTI

FACULTATEA DE INGINERIA SISTEMELOR BIOTEHNICE

SPECIALIZAREA: INGINERIA ȘI MANAGEMENTUL SISTEMELOR

BIOTEHNICE

DOMENIUL DE STUDII:INGINERIA MEDIULUI

MASTER – ANUL I

-ROSIORII DE VEDE-

ELEMENTE DE TEORIA
PROBABILITATILOR

PROF. DUMITRESCU CRISTIAN

 MASTERAND:

CUPRINS
1.10 EXEMPLE DE LEGI DE PROBABILITATE DE TIP CONTINUU……………3

1.11 REPARTITII CLASICIE…………………………………………………………19

1.12 SIRURI DE VARIABILE ALEATOARE………………………………………..61

1.10 EXEMPLE DE LEGI DE PROBABILITATE DE TIP CONTINUU

LEGI DE DISTRIBUTIE ALE VARIABILELOR ALEATOARE

1. Tipuri de distributii

Momentele de timp la care se manifesta defectiunile (caderile) in cazul unui lot de

produse identice se repartizeaza (in mod natural) dupa o lege de distributie (repartitie)
statistica, evidentiata prin intermediul expresiei functiei de frecventa [f(t)]. In functie de
caracterul variabilei aleatoare (t) - discreta sau continua - exista doua tipuri de distributii:
distributie discreta si, respectiv, distributie continua.

In cazul unei distributii discrete, functia de distributie are expresia:

(1)

unde,

ti < T pentru oricare i < k;

p(ti) -probabilitatea ca variabila aleatoare sa ia valoarea ti.

Dupa cum rezulta din fig. 1, care reflecta expresia (1), functia de distributie discreta
se reprezinta grafic ca o 'scara crescatoare'.

Fig. 1 - Functia de distributie discreta ta < tb  F(ta) < F(tb)

 Functia de distributie continua are expresia (2.10), respectiv (2.15) si se reprezinta
grafic conform fig.

2.

Fig. 2 - Functia de distributie continua

Cu referire la variabilele aleatoare se recomanda [21] doua categorii de distributii:

a) distributii ale variabilei 'timp de buna functionare' sau 'timp de reparare':

 distributii de tip continuu: normala, exponentiala, Weibull, etc.

 distributii de tip discret: binomiala, Poisson, polinomiala, etc.

b) distributii ale altor variabile aleatoare (de exemplu: numarul de cicluri pana la
primul defect, etc.): 2 (Pearson), , t (Student), Ficher, etc.

In continuare se vor face scurte referiri privind principalele legi de distributie

utilizate in teoria fiabilitatii [5, 14, 17, 1928].

2. Legi de distributie continua

2.1. Distributia normala (Gauss-Laplace)

Distributia normala reprezinta o lege de distributie a unei variabile aleatoare in jurul

mediei sale. Aceasta distributie este frecvent intalnita in calculul statistic al erorilor, iar in
fiabilitate caracterizeaza fenomenele de imbatranire (mecanica, electrica, termica, etc.) a
elementelor si sistemelor.

Variabila aleatoare (t) urmeaza legea de distributie normala [N(m, )], daca
densitatea de distributie este data de expresia:

(2)

unde,
 m,  - parametrii distributiei (definiti in cadrul paragrafului 2.3).

Reprezentarea grafica a functiei [f(t)] - fig. 3 - se numeste curba normala sau clopotul
lui Gauss.

Fig. 3 - Variatia indicatorului 'f(t)' in cazul distributiei normale.

Aliura curbei este dependenta de valoarea indicatorului (). Curba are doua puncte
de inflexiune, cu abscisele (m - ) si (m + ). Intre limitele [m - 3; m + 3] se incadreaza
aproape toate valorile statistice ale variabilei (t).

Cunoscand indicatorul 'f(t)', probabilitatea de defectare [F(t)] se determina cu relatia

cunoscuta:

(3)

Pentru a facilita calculul integralei (3) se recurge la o schimbare de variabila:

(4)

Variabila (y) se numeste variabila 'normala normata', iar legea corespunzatoare [N

(0,1)] se numeste 'lege (distributie) normala normata', cu expresia (5) si reprezentarea grafica
din fig. 4.

(5)
Fig. 4 - Variatia indicatorului 'f(y)' in cazul distributiei 'normale normata'

Ca urmare a schimbarii de variabila si a faptului ca functia 'f(y)' este simetrica in

raport cu axa ordonatelor, indicatorul 'F(y)' devine:

(6)

Functia lui Laplace [ (y)] are valori tabelate in intervalul [0; 0,5].

Se observa ca:  (-y) =  (y);  (0) = 0;  (+) = 1/2;  (-) = -1/2;

P(t1 < t < t2) = 2 (y), cand t1 si t2 sunt simetrici fata de medie.

Variatia altor indicatori de fiabilitate, in raport cu densitatea distributiei, in cazul

distributiei normale, se reprezinta in fig. 5.

Fig. 5 - Indicatori de fiabilitate ai distributiei normale

Se remarca, manifestarea acestei legi la sfarsitul duratei de viata (zona III) a

produselor.

2.2. Distributia normala trunchiata

 Acest tip de distributie este obtinut din distributia normala, limitand intervalul
valorilor posibile ale variabilei (t), de exemplu la [t1, t2]. In acest caz, densitatea distributiei se
noteaza:

(7)

unde,

c - factor de normare, obtinut din conditia:

(8)

Dupa transformari, se obtine:

(9)

2. Distributia lognormala

O variabila aleatoare este distribuita lognormal, daca logaritmul sau are o distributie

normala.

Densitatea distributiei este data, in acest caz, de

expresia: (1
0)

2.4. Distributia exponentiala

Aceasta lege de distributie este caracterizata prin Z(t) = ct. = . Manifestarea acestei
legi are loc chiar pe durata vietii utile a produsului (zona II, fig.2.5).

In consecinta, expresiile celorlalti indicatori vor fi:

 (11
)

Variatia indicatorilor de fiabilitate se reprezinta in fig. 6.

Fig. 6 - Variatia indicatorilor de fiabilitate in cazul distributiei exponentiale

2.5. Distributia Weibull

Aceasta distributie, introdusa in anul 1951 de catre profesorul suedez Walodi

Weibull, are caracterul cel mai general si este considerata - ca ipoteza - la orice analiza de
incadrare a rezultatelor incercarilor de fiabilitate intr-o functie teoretica.

Indicatorul 'R(t)' al distributiei Weibull se exprima astfel:

(12
)

unde,

 - parametru de pozitie (loc) - exprima durata minima pana la care nu se manifesta

nici un defect;

 - parametru de dispersie (viata caracteristica);

 - parametru de forma (reflecta nivelul procesului intim de degradare).

 Aceasta lege este caracteristica in cazul proceselor chimice (coroziune), a studiului
andurantei elementelor mecanice si electrice, a studiului oboselii metalelor, etc.

Ceilalti indicatori de fiabilitate se pot exprima, avand in vedere expresia indicatorului

'R(t)' si relatiile intre indicatori (cap. II). Astfel, de exemplu:

(1
3)

In expresiile indicatorilor 'm' si 'D', intra functia Euler de speta intai [21].

Pentru indicatorul 'R(t)' si, implicit, pentru ceilalti indicatori se mai aplica [19 25]
si o alta expresie de calcul, echivalenta cu expresia (12):

(1
4)

unde,

k - parametru de scara;

- parametru ce determina asimetria si excesul formei repartitiei.

Expresia (14) evidentiaza faptul ca, distributia exponentiala este un caz particular al
repartitiei Weibull. Se poate afirma ca un produs care se conformeaza distributiei exponentiale
nu memoreaza efectul solicitarilor, in timp ce un produs care se conformeaza - sub aspect
fiabilistic - distributiei Weibull memoreaza (inregistreaza, evidentiaza) efectele solicitarilor.

Aliura indicatorilor distributiei Weibull este specifica, dupa valorile parametrilor

(, , , , k). Spre exemplificare, in fig. 7 se reprezinta indicatorul 'f(t)'.
Fig. 7 - Indicatorul 'f(t)' al distributiei Weibull [ - variabil; (, ) - constante]

2.6. Distributia Raleigh

In cazul acestei distributii, densitatea distributiei are expresia:

(1
5)

Expresiile celorlalti indicatori se obtin pe baza relatiilor generale intre indicatorii de

fiabilitate (cap. 2). In fig. 8 se reprezinta variatia calitativa a doi indicatori.

Fig. 8 - Indicatori ai distributiei Raleigh

 2.7. Distributia uniforma

In cazul acestui tip de distributie, densitatea distributiei este constanta:

(1
6)

Compararea, sub aspect grafic, intre aliura indicatorului 'R(t)', pentru diferite legi de
distributie se da in fig. 9.

Fig. 9 - Caracteristici [R(t)] pentru diferite legi de distributie: 1 - normala;

2 - Raleigh; 3 - uniforma; 4 - exponentiala.

Legi de distributie discreta

Daca variabila aleatoare ia valori discrete, atunci se lucreaza cu legi de distributie

discrete. Se vor prezenta cele mai frecvent utilizate legi de distributie discrete.

1. Distributia binomiala

Aceasta distributie se mai numeste si distributia proportiilor sau distributia lui

Bernoulli si se defineste astfel:

 fie 'n' extractii succesive dintr-un lot de 'N' produse, reintroducandu-se in lot
produsele extrase, dupa verificare;

 fiecare din cele 'n' produse verificate poate fi defect cu probabilitatea 'p'
(evenimentul A), sau corespunzator cu probabilitatea q = 1 - p (evenimentul contrar );

 numarul de aparitii ale evenimentului A, in cele 'n' experimente, este o variabila

aleatoare [X (n)], care poate lua valorile discrete: 0, 1, 2, k, , n;
  probabilitatea ca evenimentul 'A' sa se produca de 'k' ori, este:

(17)

Distributia variabilei aleatoare [X (n)] se exprima sub forma:

(1
8)

Se observa ca, probabilitatile P[X(n)= k] sunt tocmai termenii dezvoltarii binomului

n
(p + q) , fapt pentru care aceasta distributie se numeste distributie binomiala.

Densitatea distributiei binomiale se exprima astfel:

(19
)

unde,

f(x) - numar pozitiv, reprezentand probabilitatea ca in 'n' incercari evenimentul 'A' sa

se produca de 'x' ori, stiind ca probabilitatea evenimentului 'A' este constanta in orice
incercare si egala cu 'p'.

Distributia are un singur parametru (p), intrucat q = 1 - p, iar functia de distributie

este:

(20)

Variabila 'x' reprezinta numarul producerii evenimentului 'A' in cele 'n' incercari.

Exista o legatura intre distributia binomiala si cea normala, in sensul ca distributia

binomiala se reprezinta prin histograme care incadreaza distributia normala (fig. 10). Cu cat
'n' este mai mare, histogramele aproximeaza mai bine distributia normala.
Fig. 10 - Suprapunerea intre distributia binomiala si cea normala

Valoarea medie si dispersia distributiei Bernoulli sunt date de expresiile:

(21
)

2. Distributia Poisson

Se numeste si distributia evenimentelor rare, fiind corespondentul in domeniul discret

al distributiei exponentiale. La testarea distributiei Poisson se au in vedere urma-toarele:

 probabilitatea de aparitie a evenimentului care se examineaza este mica;

 constituie un caz limita al distributiei binomiale, obtinandu-se din aceasta cand

n  , mentinandu-se insa ca o distributie de tip discret. Densitatea distributiei Poisson este

dedusa din urmatoarea expresie a densitatii distributiei Bernoulli:

(22)

Intrucat, in cazul distributiei Poisson, 'n' este foarte mare (n  ), se aproximeaza cu
'n' toate valorile: n-1, n-2, etc. Deoarece x << n, rezulta:

(23)

Functia de distributie este data, in consecinta, de urmatoarea expresie:

(24)

Media si dispersia se determina ca si in cazul distributiei binomiale:

 (25)

Cand parametrul (a) creste (a > 30), distributia Poisson tinde sa se suprapuna peste
cea Bernoulli.

Distributia 2

Se numeste si distributia Pearson, fiind aplicata indeosebi pentru rezolvarea unor

probleme de tipul urmator: verificarea corespondentei intre distributia empirica (rezultata
experimental) si cea teoretica, determinarea limitelor pentru MTBF, etc. Distributia 2 se
defineste astfel:

 fie un sondaj (selectie) de marime 'n', unde variabilele aleatoare independente (x 1,

x2, ,xn) sunt valorile caracteristice masurate;

 variabilele (x1, x2, , xn) urmeaza, fiecare, o lege normala [N (m ,)] si sunt legate
de variabila aleatoare cu 'n' grade de libertate (2) prin relatia:

(26)

 densitatea distributiei se calculeaza pornind de la definitia functiei de distributie:

(2
7)

Se obtine in acest mod:

(2
7)

In cazul legii normale normata [N(0,1)], rezulta:

(28
)
 Media si dispersia sunt date, pentru cazul general, de expresiile:

(29
)

Cu cat creste numarul gradelor de libertate (g) cu atat distributia 2 se suprapune

peste distributia normala (fig. 11).

Fig. 11 - Densitatea distributiei 2

4. Distributia 

In cazul distributiei , densitatea distributiei este data de expresia:

(30)

unde,

x - variabila aleatoare;

,  - parametrii distributiei.

Valorile caracteristice (media, dispersia) sunt date de expresiile:

(31
)

Functia  () se exprima astfel:

(32)

Valorile functiei  () sunt tabelate, pentru [1, 2].

1.3 Repartitii clasice

&1. Distributia uniforma discreta

O varibila aleatoare X are o distributie uniforma discreta daca repartitia sa are forma:

X: .

I. Functia de probabilitate f(x)=1/n, are proprietatile:

a) f(x)  0 , x=1,2, ,n ;

b) .

II. M(X) = .

III. M2(x) = .

IV. D(X) = .

V. g(t) = .

VI. Mediana Me imparte seria valorilor argumentului x in doua parti, astfel ca numarul
valorilor inferioare lui Me si numarul valorilor superioare lui Me sa fie egale.

Daca seria valorilor i ordonate are n=2k termeni, atunci orice valoare cuprinsa intre
termenii de rang k si k+1 satisfac definitia medianei, deci este vorba de intervalul median
(k,k+1).

Luam Me = .

&2. Distributia geometrica

O variabila aleatoare X are o distributie geometrica daca repartitia sa are forma:

X:
 I. Functia f(x) = qx.p, x = 0,1,2,,n, cu p+q=1, este o functie de probabilitate, caci:

a) f(x)  0, pentru orice x ;

b) .

II. Functia de repartitie:

F(x) = .

III. Media M(X):

M(X) = .

Pentru determinarea sumei seriei de puteri:

S = 1 + 2q + 3q2 + . + xqx-1 +

vom integra seria in raport cu q. Se obtine seria geometrica:

q + q2 + q 3 + + q x + =

Derivand rezultatul in raport cu q, se obtine:

S=

&3. Distributia binomiala (Bernoulli)

Se considera o colectivitate compusa din N elemente. Dintre acestea a poseda o

anumita caracteristica A, iar restul nu o poseda; se extrag n elemente intorcand de fiecare data
elementele cercetate in colectivitate. Daca P(A)=p ,P( =q=1-p, atunci distributia variabilei
aleatoare X, dupa numarul x ce reprezinta numarul elementelor cu caracteristica A din cele n
extrase, se scrie:

X:
si se spune ca variabila aleatoare X are o distributie binomiala (sau Bernoulli) a carei functie
de probabilitate s-a calculat dupa schema urnei cu bila revenita.

I. Functia , f(x) = , x=0,1,,n cu p+q=1 este o functie de probabilitate, caci:

a) f(x)  0 ,pentru orice x=0,1,,n ;

b)

Functia de probabilitate f(x), depinde de numerele n si p, numite parametrii

distributiei. Se spune ca distributia formeaza ofamilie dublu parametrica.

Observatii.

1) Deoarece valorile functiei de probabilitate f(x) pentru x=0,1,,n sunt termenii

dezvoltarii binomului (p+q)n , distrbutia poarta numele de binomiala;

2) Pentru calculul valorilor functiei f(x) cand n are valori mari, care este destul de
anevoios, in aplicatii se foloseste adesea pentru calculul factorialelor formula asimptotica a lui
Moivre-Stirling:

n!  nn.e-n. = g(n) .

Este bine sa precizam ca, desi eroarea absoluta (n!-g(n)) este mare si ea creste o data
cu n, totusi eroarea relativa (raportul dintre valoarea aproximativa si cea reala) este foarte
aproape de 1 cand n creste si aceasta ne satisface deoarece probabilitatile sunt caturi de
produse factoriale.

Teorema lui Moivre-Stirling se poate scrie:

n! = g(n).(1 + n ),

in care n > 0 descreste si tinde la zero, daca n creste. Se demonstreaza ca n < 1/(11n) si se ia
apoximativ egal cu 1/(12n).

3) In diverse probleme (cum ar fi cazul unei selectii repetate, in care probabilitatea

evenimentului care ne intereseaza este aceeasi in fiecare proba) din statistica se foloseste
functia de probabilitate binomiala,trebuind sa se calculeze sume de forma:

g(p) =

calculul facut direct sau chiar folosind formula Moivre-Stirling pentru diversi termeni,este
destul de greoi.

Ne propunem sa dam o alta metoda, poate mai simpla, pentru calculul sumei g(t), si
anume:
 Derivand in raport cu p, gasim:

f'(x,n) =

Daca inlocuim aceste derivate in g'(p), obtinem:

g'(p) = ;

g'(p) = nf(r-1,n-1) = .

Integrand intre 0 si p (cu g(0)=0), avem:

g(p) =

Folosind functiile, Gama si Beta:

(p) = = ( p - 1 )! , p > 0 ;

B(p,q) =

obtinem:

g(p) =

Pentru integrala din membrul doi, numita functia Beta incompleta, sunt construite
tabele in raport cu valorile p,r,n. Din aceste motive, formula de mai sus este folosita in
practica pentru calculul probabilitatii, ca dintr-o selectie repetata sa obtinem cel mult un
numar r de elemente care sa posede o anumita caracteristica.

4) Cand n este mare (deci cand n creste), probabilitatea f(x,n) tinde catre o valoare
limita, careia ii spunem distributia asimptotica a distributiei binomiale.

Dupa cum vom vedea, valoarea ceamai probabila a variabilei X (adica valoarea
pentru care functia de probabilitate f(x), x=0,1,2,,n este maxima) este egala cu np. Fie Z=X-
np, abaterea variabilei X de la valoarea cea mai probabila np. Probabilitatea obtinerii in n
probe a unei abateri egala cu Z este egala cu probabilitatea ca X sa ia valoarea np+z, deci:
 PZ = pnp+z qn-np-z =

deoarece: n-np-z=n(1-p)-z=nq-z.

Se arata poate demonstra ca:

PZ = ,

da o aproximatie satisfacatoare pentru aplicatii atunci cand

Introducand notatiile:  ; PZ= (t) ; z = t

obtinem distributia:

(t) = ,

(pentru functia (t), sunt construite tabele).

Rezumand, pentru a calcula probabilitatea unei abateri Z data, vom determina

parametrul  = cu n,p,q cunoscuti. Apoi se calculeaza t = z/ iar din tabele,
corespunzator valorii t calculate se va citi valoarea (t), de unde PZ = (1/).(t) .

II. Functia de repartitie, F(x).

F(x) = P(X<x) =

unde noteaza partea intreaga a lui x.

Pentru calcule practice, probabilitatea evenimentului (a<X<b), se calculeaza cu

formula:

P(a<X<b) =

in care limitele a' si b' sunt date de urmatoarele valori:

a' = , b' =
iar valorile integralei sunt tabelate.

III. Modul M0(X).

Sa consideram pe axa ox,valorile argumentului si fie x-1, x, x+1 trei valori

consecutive ale argumentului unde functia de probabilitate f(x) schimba monotonia.In acest
caz,

de unde, dupa inlocuirea functiei f(x), vom obtine:

, sau np-q < x < np+p .

Pentru valorile lu x < np-q, functia de probabilitate f(x) este crescatoare, iar pentru
valorile lui x > np+q, functia de probabilitate f(x) este descrescatoare, deci daca x np,
np+p, functia de probabilitate ia valori maxime.

Cate valori maxime poate lua variabila numar intreg x in np-q, np+p ?

Lungimea intervalului este: np+p-np+q=p+q=1.

Numarul intreg x se poate situa fie in interiorul intervalului, cand extremitatile lui nu
sunt numere intregi si in acest caz exista o singura valoare care face functia f(x) maxima, fie
la extremitatile intervalului cand acestea sunt numere intregi si in acest caz exista doua valori
care fac functia de probabilitate maxima.

Rezulta ca avem: np-q  M0  np+p .

In cazul ca M0 este unic determinat, el este valoarea intreaga cea mai apropiata de np
(M0 difera cu mai putin de o unitate de np, care reprezinta dupa cum vom vedea, valoarea
medie a distributiei binomiale).

Daca exista doua valori pentru care functia de probabilitate f(x) este maxima, vom
avea un interval modal. In acest caz se ia deobicei:

M0 = np-q+1/2 sau M0 = np+p-1/2, valori care sunt egale.

IV. Media , momentul si media de ordinul doi.

Avem:

M(X) = si M2(X) = .

Fie identitatea:
 (pt+q)n = ,

pe care o derivam de doua ori in raport cu t si de fiecare data vom lua t=1. Obtinem:

n(pt+q)n-1.p = ,

de unde, pentru t=1 rezulta M(X) = np . Apoi,

n(n-1)(pt+q)n-2p2 = ,

de unde pentru t=1, obtinem: n(n-1)p2 = M2 - M(X), deci

M2(X) = np(np+q) si 2 = .

V. Dispersia , abaterea standard.

Avem: D(X) = M2-M2(X)  D(X)=npq si X = .

Calculul dispersiei D(X) pentru variabila aleatoare X cu distributia binomiala, poate fi

calculata folosind proprietatile dispersiei.

Distributia binomiala, dupa cum am aratat, este caracteristica unei extractii din urna cu
bila revenita. Pentru extractia din urna de ordinul k, variabila aleatoare care

inregistreaza producerea evenimentului A sau a evenimentului contrar ,este:

Xk : ,

valoarea 0 fiind data pentru producerea evenimentului , iar valoarea 1 fiind data pentru
producerea evenimentului A.

Intr-o extractie repetata de volum n se formeaza sistemul de variabile independente

identice: X1 = X2 = = Xn , iar evenimentul total determina variabila: X=X1+X2+ +Xn .

Cum avem:

D(Xk) = M2(Xk)-M2(Xk) = p-p2 = p(1-p) = pq , atunci:

D .
 VI. Functia genratoare, g(t).

Avem:

g(t) = M(eXt) =

g(t) = (pet + q)n .

Ca aplicatie, sa recalculam M(X) si M2(X) .

Calculand derivatele functiei g(t), obtinem:

g'(t) = n(pet+q)n-1.pet ;

g'(T) = n(n-1)(pet+q)n-2.p2e2t + np(pet+q)n-1.et ,

de unde: M(X) = g'(0) = np ,

M2(X) = g'(0) = np(np+q) .

In mod analog, obtinem:

M3(X) = (np)3 + 3q(np)2 + npq(q-p) ,

M4(X) = (np)4 + 6q(np)3 + (np)pq(7q-4p) + npq(1-6pq).

VII. Functia caracteristica, c(t) .

c(t)=M(eiXt)= C(t) = (peit + q)n .

Ca aplicatie,sa determinam M(X) si M2(X).

Derivand functia caracteristica in raport cu t, avem:

c'(t) = npi(peit + q)n-1eit ,

c'(t) = npi2eit(peit+q)n-1 + n(n-1)p2i2e2it(peit+q)n-2 ,

de unde M(X) = (1/i).C'(0) = np ;

M2X) = (1/i2),C'(0) = np+n(n-1)p2 = np(np+q) .

VIII. Coeficientul de asimetrie. Coeficientul de boltire.

= .
 Daca q= p, distributia este simetrica; daca q  p, ea este asimetrica; q < p ,  < 0
-asimetrie negativa (modul este deplasat spre dreapta); q > p,  > 0 -asimetrie pozitiva (modul
este deplasat spre stanga).

=

Excesul : E =  0, cand n   .

&4. Distributia binomiala negativa .

Sa presupunem ca evenimentul A are aceeasi probabilitate p de a se realiza in fiecare

proba si evenimentul contrar cu probabilitatea q=1-p. Daca admitem ca probele sunt
independente intre ele, ne propunem sa calculam probabilitatea f(x) ca in x+n probe sa se
realizeze de n ori evenimentul A.

Pentru aceasta este suficient ca in primele x+n-1 probe, evenimentul A sa se realizeze

de n-1 ori, iar ultima proba sa dea evenimentul A. Probabilitatile acestor doua modalitati sunt
respectiv: (dupa schema binomiala) si p. Realizarea lor simultana, dupa regula de
inmultire, are probabilitatea:

f(x) = p.

Distributia:

X: sau X:

se numeste distributie binomiala negativa sau distributie binomiala cu exponent negativ (in
forma a doua de exprimare a distributiei apare mai clar ca poate lua valorile: n,n+1,n+2,

I. Sa aratam ca f(x) = este o functie densitate de probabilitate.

In adevar,

a) f(x)  0 , pentru orice x ;

b)

daca aratam ca:

Pentru aceasta, sa consideram functia:

 h(q) = careia sa-i aplicam formula (seria) Mac-Laurin.

Avem:

h'(q) = n(1-q)-(n+1) ,

h'(q) = n(n+1)(1-q)-(n+2) ,

..

h(k)(q) = n(n+1)(n+k-1)(1-q)-(n+k) ,

de unde

h(0) = 1 = ,

h'(0) = n =

h'(0) = n(n+1) = 2 ,

h(k)(0) = n(n+1)(n+k-1) = n!

deci

II. Media M(X)

Identitatea demonstrata la punctul precedent, se poate scrie sub forma:

si prin derivare, obtinem:

(1)

de unde
 M(X) =

III. Momentul si media de ordinul doi: M2 , 2 .

Folosind identitatea (1), prin derivare, obtinem:

de unde:

Cu aceasta:

M2=

IV. Dispersia D(X). Abaterea standard X .

D(X) =M2(X) - M2(X) = ,

X =

&5. Distributia hipergeometrica

O variabila aleatoare X are o distributie hipergeometrica daca are urmatoarea lege:

X: .

Avem:

I.Functia f(x)= este o functie de probabilitate, caci

a) f(x)  0, pentru orice x;

 b)

Pentru calculul sumei din membrul drept, se porneste de la identitatea (1+y) a+b =
(1+y) .(1+y)b, careia i se aplica binomul lui Newton, iar dupa identificarea polinoamelor in y
a

din cei doi membrii ai egalitatii care se obtine, obtinem:

sau

(se considera a+b = t , b = t - a).

II. Media M(X).

M(X) = .

Deoarece:

x.

avem:

deci:

M(X) = .

Deoarece M(X) = .

Notand p=a/t , probabilitatea initiala de realizare a evenimentului dorit, rezulta:

M(X) = pn .

III. Modul M0(X).

Considerand functia de probabilitate:

f(x) = , y = n-x ,
se obtine:

Rezolvand cele doua inecuatii,obtinem:

Se constata ca lungimea intervalului este 1; deci M0(X) este unic determinat cand
extremitatile nu sunt numere intregi; exista un interval modal cand extremitatile sunt numere
intregi.

Considerand probabilitatile initiale: p=a/t ; q=(t-a)/t , intervalul precedent devine:

Cand t este un numar mare fata de n, avem intervalul asimptotic: pn-q , pn+p , adica
valoarea modala aproximativa M0(X) = np, formal este aceeasi ca la distributia binomiala.

In acest caz, putem scrie:

M(X) = M0(X) = Me(X)  np =

IV. M2(X) = M(X2) , momentul de ordinul doi.

Folosind identitatea: x2 = x(x - 1) + x , obtinem:

Suma a doua a fost calculata al M(X).

Pentru calculul primei sume, avem:

 .

Din identitatea: M2(X)= .

V. Dispersia D(X).

Aplicand : D(X) = M2(X) - M2(X) , obtinem:

D(X)= .

In cazul cand tt este suficient de mare in raport cu n, putem face aproximarea:

D(X) ,adica dispersia distributiei hipergeometrice difera

de distributia binomiala cu un factor subunitar ce tinde la unu cand t .

Observatii.

1) Variabila aleatoare X (care reprezinta numarul de bile extrase) asociata urnei cu bila
nerevenita are o repartitie hipergeometrica, unde n este numarul de extrageri nerevenite,

a este numarul de bile albe si t este numarul total de bile albe si negre din urna.

2) Valoarea medie se poate calcula usor si astfel. Pentru aceasta sa consideram o urna
cu a bile albe si b bile negre (a+b=t) din care se extrag una cate una n bile (fara intoarcere) si
luam variabilele aleatoare Xk, cu :

P(daca la extractia k se obtine o bila alba) =1,

P(daca la extractia k se obtine o bila neagra) = 0 .

Fiecare din aceste variabile aleatoare are distributia:

Xk =

iar numarul total de bile albe obtinut este:

X= si M(X) =
 Deoarece variabilele aleatoare Xk nu sunt independente doua cate doua, nu putem sa

scriem: D(X) = .

&6. Distributia Poisson

O variabila aleatoare X are distributia Poisson de parametru a (a > 0), daca

repartitia sa are forma:

X:

I. Sa verificam ca functia f(x) = ,x=0,1,,n, cu a > 0, este o functie de

probabilitate.

In adevar,

a) f(x) 0 ,oricare ar fi x = 0,1,2,,n, ;

b)

Pentru calculul probabitatii f(x) s-au intocmit tabele pentru : 0,1 a  20.

II. Distributia Poisson este valoarea asimptotica a distributiei binomiale, adica avem:

, unde a=np.

In adevar,

fn(x) =

Daca notam : np=a  si atunci:

 fn(x) =

Presupunand n mare si p mic, astfel incat np=a sa fie constant,

obtinem: .

Observatii.

1) Aceasta aproximare a legii de distributie binomiala prin legea de distributie Poisson

presupune indeplinite conditiile:

a. probabilitatea p este mica; din acest motiv aceasta lege mai este numita si legea
micilor probabilitati.

b. p mic in raport cu n, adica realizarea evenimentului de probabilitate p in selectia n

este rara, de aceea aceasta lege este numita si legea evenimentelor rare.

2) Daca comparam functiile de probabilitate corespunzatoare distributiei binomiale,

respectiv distributiei Poisson, constatam ca functia de probabilitate a distributiei binomiale
depinde de doi parametri, n si p, pe cand functia de probabilitate a distributiei Poisson depinde
numai de un parametru a.

3) Daca n  30 si np < 5 atunci distributia Poisson cu parametrul a=np este o buna

aproximare a distributiei binomiale cu parametri n si p.

4) Distributia Poisson se aplica atunci cand un numar mare de obiecte este repartizat in
mod uniform pe o suprafata mare. Conditia uniformitatii este esentiala pentru valabilitatea
rezultatelor. De exemplu, daca in agricultura se studiaza distributia larvelor unor insecte pe o
suprafata cultivabila nu se poate folosi distributia Poisson, deoarece repartitia larvelor nu este
uniforma.

5) Pentru calculul probabilitatii ca un eveniment sa apara intr-un numar n de

experiente exact de x ori, Kolmogorov a propus, in locul formulei asimptotice a lui Poisson,
formula:

f(x) = e-np

Aceasta formula este valabila si pentru cazul cand probabilitatea evenimentului

variaza de la o proba la alta. In acest caz se foloseste formula:
 f(x) =

. .

III. Media M(X).Avem:

Se observa ca valoarea medie M(X)=a, in cazul cand distributia Poisson este valoarea
asimptotica a unei distributii binomiale este a=np, deci aceeasi cu valoarea medie a
distributiei binomiale.

IV.Functia generatoare g(t).Functia caracteristica c(t).

Avem:

g(t) = g(t) = ;

Analog:

c(t) = .

V. Momente de ordin superior. Dispersia D(X).

Avem:

M(X) =

M2(X) =

= +
+ e-aa a2e-aea+a 

M2(X) = a2 + a  2 = ;

D(X) = a2 + a - a2  D(X) = a  X = .

Daca folosim expresia functiei generatoare, avem:

g'(t) = e-a. ;

g'(t) = ae-aet (1+aet)  M(X) = M1 = g'(0) = a ;

M2(X) = g'(0) = a(1+a), si analog:

M3(X) = a(a3+6a2+7a+1) .

Daca folosim expresia functiei caracteristice,avem:

c'(t) = e-a. .iaeit ;

c'(t) = e-a. .i2aeit(aeit+1)  M1= c'(0)=a, M2=a(a+1).

VI. Modul M0 .

Variabila fiind discreta, vom proceda ca si in cazul distributiei binomiale. Avem:

de unde M0a-1,a. In cazul unui interval modal, M0 =a - 1/2 .

VII. Coeficientii de forma.

Cum se obtin: m3 =a , m4 = a+3a2 vom avea:

Coeficientul de asimetrie:  = .

Cand n  ,   0, caci a  deoarece a=np, adica pentru volum mare, distributia devine
simetrica.

Coeficientul de boltire:  = .
Cand a   (n  ) atunci   3 .

VIII. Functia de repartitie,F(x) .

F(x) = P(X < x) = ,

unde , noteaza partea intreaga a lui x .

O tabela de valori pentru 0,1  a  20, da valorile probabilitatii ca evenimentul sa se

realizeze cel putin de x ori, adica

P(X  x) = .

&7. Distributia uniforma continua (rectangulara).

O variabila aleatoare X are o distributie uniforma continua, de parametrii a si b,

daca functia densitate de probabilitate este de forma:

(x) = .

I. (x) este o functie densitate de probabilitate, caci: a. (x)  0, pentru orice x

din a,b cu a<b ;

b. .

Distributia rectangulara are aplicatii in industrie. Erorile determinate de rotunjirile

pana la intregul cel mai apropiat cand se masoara anumite marimi, urmeaza distributia
rectangulara. Din punct de vedere teoretic, distributia rectangulara este destul de importanta
prin forma ei simpla si apoi orice distributie continua f(x) poate fi transformata intr-o
distributie rectangulara.

II. Functia de repartitie, F(x) este:

F(x) = .

III. Valori tipice: M(X), M2(X), D(X), M0, Me .

 Avem:

Mr = = (br + abr-1 + + ar) .

In particular, pentru r=1 si r=2, obtinem:

M1=M(X)= ; M2= D(X)= .

Modul M0, corespunde valorii lui x pentru care (x) este maxima; deoarece (x) este

constanta, exista intervalul modal a,b, si se va lua: Mo = .

Pentru a determina valoarea mediana Me, rezolvam ecuatia F(x)=

Me = .

&8. Distributia Cauchy

O variabila aleatoare X are o distributie Cauchy,daca functia densitate de

probabilitate este de forma:

(x) = , pentru orice x real.

I. (x) este o functie densitate de probabilitate,caci:

a. (x)  0, pentru orice x real ;

b. .

Graficul functiei densitate de probabilitate y = (x), xR este caracterizat de o curba

simetrica in raport cu Oy, avand asimptota axa Ox.

II. Functia de repartitie F(x). Media M(X). Avem:

F(x) = ,

M(X) = .
 Pornind de la expresia: z=ln(1+b2)-ln(1+a2)= 

M(X) = .

&9.Distributia normala

Distributia normala este o distributie fundamentala atat in teoria probabilitatilor, cat si

in statistica matematica. Apare in multe cercetari experimentale, mai ales cand acestea privesc
erorile de observatie, in balistica, biometrie sau multe alte distributii, din punct de vedere
practic, sunt aproximate de aceasta distributie. Aceasta distributie a fost in atentia multor
matematicieni, cum ar fi de exemplu:Moivre (A. de Moivre: 1667-1754, matematician
francez, a trait la Londra; scrie 'Demensura sortis' in 1711, imbunatatita apoi in 'The Doctrine
of chances'- 1716, care a folosit-o in studiul unor distributii binomiale
-1733); Laplace (P.S.Laplace: 1749-1827, matematician francez; se ocupa de analiza
matematica, mecanica, teoria probabilitatilor si scrie primul tratat important asupra calcului
probabilitatilor,'Thèorie analytique des probabilités, 1813) si Gauss ( Gh.Fr.Gauss: 1777-
1858, matematician german, a trait la Brunschweig si G ttingen; in diverse lucrari, in acelasi
timp cu Laplace, introduce calculul diferential si integral in teoria elementelor aleatoare si in
teoria erorilor de observatie), pentru care motiv aceasta lege de distributie mai este numita:
legea lui Gauss (gausiana),legea lui Laplace (laplasiana) sau legea lui Moivre.

I. Functia densitate de probabilitate

O variabila aleatoare X are distributia normala de parametrii m, daca functia

densitate de probabilitate este urmatoarea:

n(x;m,) = xR ; mR , > 0 .

Sa aratam ca functia n(x;m,) satisface conditiile unei functii densitate de

probabilitate. Avem:

a. n(x;m,)  0 , xR ,  > 0 ;

b. Cu schimbarea de variabila:

, x = m + t , dx = 

.
 Graficul functiei densitate de probabilitate depinde de parametrii m si  (forma curbei

ramanand aceeasi) si are forma unui clopot (clopotul lui Gauss) cu max n(x;m,)=
iar x=m, axa de simetrie; abscisele punctelor de inflexiune: x=m.

Fata de parametrul m, curba n(x;m,) sufera translatii de-a lungul axei Ox,
mentinandu-si atat forma cat si marimea. Fata de parametrul , curbele sunt mai ascutite sau
mai plate, astfel ca suprafata inchisa de axa Ox sa aiba aria 1u2 .

Curba se aproprie destul de repede de axa Ox; in raport cu o abatere  z  =  x-

m < 3, diferenta fata de axa Ox este de ordinul 0,003 unitati. Din acest motiv, din punct de
vedere practic, distributia poate fi considerata intr-un interval finit.

In particular, pentru m=0 , =1 obtinem:

n(x;0,1) = ,

iar pentru x cuprins intre 0 si 3,99 valorile acestei functii se gasesc in tabele speciale. De
exemplu, n(0;0 , 1)=max=0,3980; n(1;0 , 1)=n(-1;0 , 1)=0,2420; n(3,99;0 , 1)=n(-3,99;0 , 1) =
=0,00l ,etc.

Din tabele deducem ca pentru x > 4 valorile functiei n(x;0 , 1) sunt neglijabile, deci
curba se aproprie foarte mult de axa Ox cand x creste.

Daca facem o translatie a sistemului Oxy la un sistem paralele O'x'y', astfel incat
originea noului sistem sa fie punctul de abscisa m, aceasta revine la a considera ecuatiile de
translatie: x'=x-m, y'=y sau x=x'+m, y'=y care de fapt duc pe x in x'+m ceea ce este
echivalent cu a considera m=0.

In acest caz, functia n(x;m,) devine n(x;0,) pe care o vom numi distributia
centrata, care in functie de variatia lui , are grafice diferite.

II. Semnificatia parametrilor m si  din n(x;m,) .

Din reprezentarea grafica a curbei n(x;m,), datorita simetriei curbei fata de dreapta
x=m, putem scrie: M(X)=m, M0=m, Me=m.

a) Sa aratam prin calcul ca M(X) = m.

Cu schimbarea de variabila: 

M(X)= =
 = =

= M(X)=m.

b) Apoi, cu aceeasi schimbare de variabila:

D(X) = =

= 

D(X) = 2  X =  .

(am folosit metoda de integrare prin parti)

Rezumand, parametrii m si  din functia densitate de probabilitate ce defineste

variabila aleatoare X cu distributia normala, reprezinta media si respectiv abaterea medie
patratica.

III.Functia de repartitie.Functia de repartitie normata.

Legea integrala a lui Lapkace.

Vom nota functia de repartitie a variabilei aleatoare X cu distributie normala : F(x) =

P(X < x) = N(x;m,) si:

N(x;m,) = .

Cu schimbarea de variabila: y =

P(X < x) = P(X < m+y) = N(m+y;m,) =

= .

Functia:

N(z;0,1) =

este numita functia de repartitie normata.

Se verifica:

Ca aplicatie, cu aceeasi transformare, calculam de ex.:

P(a <X< b)= =

= unde: .

Se observa ca pentru calculul acestor probabilitati este necesara cunoasterea

primitivei:

despre care se stie ca in sensul obisnuit nu se poate integra. Dar, ca integrala definita, aceasta
se poate calcula cu ajutorul unor metode aproximative de calcul al integralelor definite.

Functia:

este numita functia integrala a lui Laplace. Geometric, functia integrala a lui Laplace
reprezinta aria marginita de curba n(x;0,1), dreptele x=0 (axa Oy), x=z si axa Ox.

Din definitia acestei functii, se observa ca functia (z) este simetrica fata de origine,
caci, (-z) = -(z) ceea ce arata ca este suficient sa cunoastem valorile lui (z) numai pentru

z > 0. In acest sens sunt date tabele ale valorilor functiei lui Laplace.
 Din interpretarea geometrica data functiei lui Laplace si din proprietatile integralei
definite, deducem:

(0) = 0 , (-) = -1/2 , () = 1/2 .

Folosind functia lui Laplace (z), functia de repartitie normata, se scrie:

N(z;0,1) = 1/2 +(z) ,

iar functia de repartitie nenormata:

N(x;m,) = .

In acest caz, avem:

P(a < X < b) = P(X < b) - P(X < a) =

= 

P(a < X < b) = .

In particular,

P(-a < X < a) = 2(a) = .

IV. Functia caracteristica c(t). Avem:

c(t) = .

Cu substitutia: u=

u2= 2itx + 2imt - t22 ;

itx -
 c(t) = c(t) = .

Ca aplicatie, folosind functia caracteristica sa calculam M1 =M(X) si M2. Avem:

c'(t) = (im - t2). ;

c'(t) = (im - t2)2.

M1 = .

V . Momente centrate mr .

Cu substitutia:

mr = =

=
,

de unde, formula de recurenta:

mr = (r-1)2.mr-2 , cu m0 = 1, m 1 = 0 care conduce la:

m2r+1 = 0 ; m2r = 1.3.5.(2r-1)2r .

VI. Caracteristici ale formei graficului. Avem:

Coeficientii de asimetrie:1= sau 2=   = 0, adica se verifica

simetria curbei de distributie.

Coeficientul de boltire:  = .

Evident, excesul distributiei normale, E =  - 3 = 0 .

&3.10. Distributia Gama.

 O variabila aleatoare X are distributia Gama de parametri a si b daca functia
densitate de probabilitate este urmatoarea:

(x;a,b) =

cu a > 0, b > 0, iar (a) = , functia Gama .

I. Sa aratam ca functia (x;a,b) satisface conditiile unei functii densitate de

probabilitate. Avem:

a. (x;a,b)  0, pentru orice x din R;

b. Cu schimbarea de variabila: x = bt, dx = bdt 

Pentru reprezentarea grafica a functiei (x;a,b), calculand derivata, obtinem:

k' = -x+b(a-1).xa-1 ,

si ' = 0, cand x = b(a-1). Pentru a < 1 , x > 0 si   0 ; pentru a>1, x=b(a-1) este abscisa
punctului de maxim. Deci M0=b(a-1).

Functia de repartitie a variabilei aleatoare X cu distributia Gama este:

P(X < x) = F(x) = .

Observatie. Se mai obisnuieste ca pentru functia densitate de probabilitate pentru

distributia Gama, sa se ia:

(x;a) =

cu parametrul a > 0, sau distributia Gama generalizata cu functia densitate de probabilitate:

 (x;a,b,) = ,

pentru care a > 0, b > 0,  > 0 .

II. Momente de diferite ordine. Dispersia. Caracteristici ale formei graficului de

distributie. Functia caracteristica.

Momentul de ordinul r, Mr (folosind schimbarea de variabila x=bt, dx=bdt) va fi:

Mr = =

deci:

Mr = a(a+1)(a+2) (a+r-1)br .

In particular, pentru:

r = 1 , avem M(X) = M1 = ab ;

r = 2 , avem M2 = a(a+1)b2 ;

r = 3 , avem M3 = a(a+1)(a+2)b3 etc. 

D(X) = M2 -M2(X) = ab2  abaterea tip X = .

In cazul particular , b=1 avem: M(X) = D(X) = a.

Folosind formula:

vom putea calcula momentele centrate de diferite ordine. De exemplu:

m1 = 0 ;

m2 = D(X) = ab2 ;

m3 = M3 -3M1M2 + 2 = 2ab3 ;

m4 = 3a(a+2)b4 , etc.
 Coeficientii de asimetrie sunt :

1 = ; 2 = .

Coeficientul de boltire este:

= , cu excesul E = -3= .

Cu substitutia: itx- , functia caracteristica se scrie:

c(t) =

deci :

c(t) = (1 - itb)-a .

La acest rezultat se mai poate ajunge si astfel:

c(t) = =

= 1+

= 1+ .

&.11. Distributia Beta

O variabila aleatoare X are distributia Beta de parametri a si b (a > 0 , b > 0) daca

functia densitate de probabilitate este:
 (x;a,b) = ,

unde B(a,b) = , functia Beta.

I. Functia (x;a,b) satisface conditiile unei functii densitate de probabilitate, caci:

a. (x;a,b)  0, pentru orice x din R;

b. .

Functia de repartitie a acestei distributii este:

F(x;a,b) = .

Functia F(x;a,b) se numeste functia Beta incompleta.

Ea satisface relatia:

F(x;a,b) = 1 - F(1-x;a,b),

care se obtine facand schimbarea de variabila t=1-z in integrala:

F(1-x;a,b) =

II. Momente de diverse ordine. Dispersia. Modul

Folosind definitia,

Mr =

Mr = . Dar cum B(a,b) =

 Mr = .

In particular,pentru

r =1, M1 = M(X) = ;

r = 2, M2 =

D(X) = M2 - M2(X) = si X= .

Pentru determinarea modului, avem:

B(a,b)'(x;a,b) = xa-2(1-x)b-2(a-1)(1-x)-(b-1)x, iar '(x;a,b)=0 implica: x=0, x=1, x=

. Daca a+b-2>0, functia (x;a,b) are valoarea maxima, deci M0= .

Fara demonstratie, enuntam:

1) Daca b, distributia Beta tinde catre distributia Gama .

2) Daca a, b , distributia Beta tinde catre distributia normala n(x;0,1) .

&12. Distributia Hi-patrat (2 )

Legea de distributie Hi-patrat (Pearson ) pe care o vom nota cu 2, are functia
densitate de probabilitate :

(x)= ,

cu  > 0,   0, numar natural.

Dupa cum se verifica usor, distributia 2 este un caz particular al repartitiei

Gama, pentru a = /2 si b=22.

Spunem ca distributia 2 depinde de parametrii  si  si in plus,

distributia  are  grade de libertate, adica numarul gradelor de libertate fiind egal cu
2

parametrul  al distributiei. Se mai noteaza densitatea de probabilitate cu 2().

I. Sa aratam ca (x) satisface conditiile unei functii densitate de probabilitate. Avem:

 a. (x)  0, pentru orice x real;

b. Cu schimbarea de variabila: x=22t, dx=22dt 

= .

Graficul functiei densitate de probabilitate (x) depinde de valorile parametrilor  si .

Din '(x)=0, deducem x=(-2)2 abscisa punctului de maxim, deci modul Mo = (-2)2 .
Curbele sunt asimetrice apropiindu-se pentru valori mari ale parametrului , de curba
corespunzatoare distributiei normale.

II. Functia de repartitie

Apicand definitia, putem sa scriem :

P(X = 2 < 02)=F(02)= .

In practica, de obicei se intrebuinteaza: P(2 > 02)=; aceste probabilitati sunt

calculate si date in tabele pentru diferite valori ale parametrului  si ale lui  (valori uzuale ale
lui ) .

Reamintim ca :

P(2 > 02) = ;

geometric, aria marginita de curba y = (x), axa Ox cu x > 02 da probabilitatea P(2 > 02) = .

III. Momentele de diferite ordine. Dispersia

Cu schimbarea de variabila :

x = 22t , dx = 22dt 

Mr = =
= 2r2r Mr= (+2)(+4)(+2r-2)2r .

In particular , pentru :

r = 1 , M1 = M(X) =2 ;

r = 2 , M2 = (+2)4 ;

r = 3 , M3 = (+2)(+4)6 ,etc.

Dispersia:D(X)=M2-M2(X)D(X) =24 si X=

Momentele centrate, sunt:

m1 = 0 ;

m2 = 24 ;

m3 = M3 -3M1M2 + 2M13  m3 = 86 ;

m4 = 12(+4)8 , etc.

IV. Functia caracteristica

Folosind urmatoarea relatie obtinuta din definitia functiei Gama:

cu p= c(t)= =

 c(t) = .

V. Caracteristici ale formei graficelor.

Coeficientii de asimetrie si boltire, sunt:

= ,= cu excesul E= .
 Fara demonstratie, enuntam urmatoarele proprietati din care rezulta un mod de a
genera o variabila aleatoare cu o distributie 2sau legatura intre distributia 2 si distributia
normala.

P1. Daca variabila aleatoare X are o distributie normala cu parametrii 0 si 1, atunci

variabila aleatoare Y = X2 are o distributie 2de parametrii : =1 si =1 .

P2. Daca din fiecare din variabilele aleatoare independente X1,X2, ,Xn are o distributie
normala cu parametrii 0 si 1, atunci varaiabila aleatoare X=X 12++Xn2 are o
distributie 2 cu  grade de libertate.

P3. Daca variabila aleatoare X are distributia 2 cu  grade de libertate (  1) ,atunci

densitatea de probabilitate a variabilei : tinde catre densitatea de probabilitate a

variabilei aleatoare cu distributie normala cu parametrii 0 si 1.

&13. Distributia 't' (Student)

O variabila aleatoare X are o distributie Student (Student este pseudonimul

matematicianului englez V.S.Gosset) sau 't' cu n grade de libertate, daca functia densitate de
probabilitate este definita de:

(t) = , t real .

I. Functia (t) este o functie densitate de probabilitate:

a. (t)  0, oricare ar fi t real;

b. Cu substitutia: t2=ny, 2tdt=ndy, avem:

=2 .
.

In aceste calcule, am folosit relatia:

I= functia Beta modificata.

In adevar, cu substitutia:

I=

II. Momente de diverse ordine. Dispersia. Modul

Media variabilei aleatoare X cu distributia 't', este:

M(X) =

Cu substitutia: 1 + integrala nedefinita:

a carui valoare este zero pentru y =  . Deci M(X) = 0.

Deoarece M(X) = 0, deducem ca Mr = mr, adica momentele centrate de ordinul r ale

variabilei aleatoare cu distributia Student sunt egale cu momentele de ordinul r obisnuite.

Cu substitutia:
D(X)= =

D(X) =

Deoarece in calculul momentelor de ordin impar M2r+1 intervin functii de forma:

h(t)=t2r+1 cu h(-t) = h(t) adica functii simetrice in raport cu originea iar intervalul de
integrat este si el simetric (-,) deducem ca M2r+1 = 0.

Pentru momentele de ordin par, schimbarea de variabila: t2 = ny conduce succesiv:

M2r= =

=
 M2r =

iar acesta exista daca , adica distributia 't' este aplicabila unei
distributii rezultate din expresii statistice formate din variabile cu cel putin doua grade de
libertate.

Folosind expresiile dezvoltate ale functiei Gama,adica:

M2r = = m2r .

In cazul particular, pentru:

r = 1 , M2 = m2 = D(X) =

r = 2 , M4 = m4 =

Daca se calculeaza derivata '(x) , acesta se anuleaza numai pentru t = 0, cand

functia (x) admite un maxim. Deci M0(X) = 0 .

III. Graficul functiei densitate de probabilitate

Functia (t) fiind para in raport cu t: (-t) = (t), graficul

este o curba simetrica fata de axa Oy. Apoi, M(X)=0, D(X)= , ceea ce arata ca pentru n
mare (practic >30), avem D(X) 1, adica aceeasi parametri ca la distributia normala n(x;0,1).
Momentele centrate m2r+1 = 0, m2r  0, de asemenea o proprietate intalnita la distributia
normala.

In plus avem:
adica tocmai momentele centrate in cazul distributiei n(x;0,1).

In concluzie, distributia 't' pentru n numar mare, tinde catre distributia normala.

IV. Functia de repartitie este:

P(X < x) = F(x) = .

In practica sunt calculate valorile functiei de repartitie sub forma de tabele si mai ales
sunt folosite tabele care satisfac ecuatia: P(X  > t) =  , adica se determina valoarea lui t,
pentru un  dat.

&14. Distributia Fisher (F)

O variabila aleatoare X are o distributie Fisher avand gradele de libertate m si n,

daca functia densitate de probabilitate are forma:

h(x) =

cu m,n din N* -numere naturale diferite de zero.

Functia h(x) satisface conditiile unei functii densitate de probabilitate, caci:

a. h(x)  0 , pentru orice x real ;

b. Cu substitutia:

x=
 = =

Media, momentele de ordinul r, dispersia si abaterea medie patratica sunt date de

relatiile: ;

M(X) = ;

Mr = .

Fara demonstratie, enuntam :

Daca variabilele aleatoare independente X1,,Xm,Xm+1, ,Xm+n urmeaza legea normala cu

parametrii 0 si , atunci variabila aleatoare

Y= ,

urmeaza legea Fisher cu parametrii m si n (legatura intre distributia normala si distributia 'F').

&15. Distributia exponential negativa

Este un caz particular al distributiei Gama, obtinandu-se din aceasta pentru a=1 si
b=1/p. Astfel, o variabila aleatoare X are o distributie exponential negativa de parametru p
(p > 0), daca functia densitate de probabilitate este:

h(x) = .

Functia h(x) este o functie densitate de probabilitate:

a. h(x)  0, pentru orice x ;

b. .
 Functia de repartitie este:

F(x) = P(X < x) = .

Media, dispersia, abaterea medie patratica si functia caracteristica se obtin prin

particularizare din cele ale distributiei Gama:

M(X) = , D(X) =  X = ;

c(t) = .

1.3 Siruri de variabile aleatoare

Definitie. Sistemul se numeste variabila aleatoare bidimensionala sau vector

aleator cu 2 dimensiuni.

Sisteme de doua variabile aleatoare

Fie o variabila aleatoare cu doua dimensiuni.

Definitie. Functia cu , se numeste functie de

repartitie a variabilei aleatoare .

Interpretand sistemul ca un punct aleator, functia de repartitie nu este

altceva decat probabilitatea ca punctul aleator sa se gaseasca in patratul infinit cu varful
in punctul din figura 5.1. Notand cu si functiile de repartitie ale variabilelor
aleatoare si , in aceeasi interpretare reprezinta posibilitatea ca punctul aleator sa se
afle in semiplanul limitat de dreapta paralela cu Oy ce trece prin punctul de abscisa x, la
dreapta dreptei, iar reprezinta probabilitatea ca punctul aleator sa se gaseasca in
semiplanul situat sub dreapta paralela cu Ox, ce trece prin punctul de ordonata y.

Figura 5.1.

Vom da cateva proprietati analoage celor date pentru functiile de repartitie unidimensionale:
(P1) F este nedescrescatoare in raport cu fiecare argument;

(P2) F este continua la stanga in raport cu fiecare argument;

(P3) ;

(P4) ; ;

(P5)

In continuare vom nota simbolic evenimentul „punctulaleator se gaseste

in domeniul D”. Probabilitatea acestui eveniment se exprima simplu daca D este un
dreptunghi ale carui laturi sunt paralele cu axele de coordonate. Fie dreptunghiul D de varfuri
A(a,c); B(b,c); C(b,d); D(a,d). In acest caz evenimentul este echivalent
cu , deci

(4.5.1.)

Daca exista o functie reala f definita si integrabila pe asa incat:

atunci se numeste densitatea de probabilitate (repartitie) a variabilei aleatoare cu doua

dimensiuni .

Fie doua variabile aleatoare de tip continuu si interpretat ca un punct aleator

in plan. Fie dreptunghiul de laturi si , avem:

Avem:

Notam aceasta derivata prin f(x, y):

(5.2.)

ea fiind tocmai densitatea de probabilitate a variabilei aleatoare .

Avem:
 (5.3.)

Densitatea de repartitie a lui este nenegativa, iar:

Exemplul 5.1. Fie variabila aleatoare cu variabile aleatoare independente,

a carei densitate de probabilitate este:

Sa se determine:

1. Functia de repartitie corespunzatoare

2. , unde D este patratul construit pe segmentele [0,1], [0,1].

R:

1.

2.

Caracteristici numerice ale sistemelor de doua

variabile aleatoare. Covarianta. Coeficient de corelatie

Fie variabila aleatoare cu doua dimensiuni

Definitie. Vom numi moment initial de ordin k, s, al sistemului .

Vom numi moment centrat de ordinul k, s al sistemului numarul:

Avem:

(5.4.)

(5.5.)

formule care in cazul variabilelor aleatoare discrete devin:

(5.6.)

(5.7.)

Avem:

Un rol important in teoria sistemelor de variabile aleatoare il are covarianta.

Definitie. Numim corelatie sau covarianta a variabilelor aleatoare valoarea:

(5.8.)

Efectuand calculul si tinand seama de proprietatile valorii medii rezulta:

(5.8'.)

Covarianta este o caracteristica a sistemului care descrie, pe langa dispersie, legatura

dintre ele. Se arata cu usurinta ca daca si sunt independente, covarianta lor este nula.

Pentru caracterizarea legaturii dintre variabilele aleatoare si vom utiliza coeficientul

de corelatie.

Definitie. Se numeste coeficient de corelatie al variabilelor aleatoare , raportul:

(5.9.)

Proprietati ale coeficientului de corelatie

(P1) Fie , atunci daca si numai daca variabilele si sunt

necorelate.

(P2) Pentru orice doua variabile aleatoare avem

 Definitie. Se numesc drepte de regresie ale variabilelor aleatoare , dreptele:

(5.10.)

(5.11.)

Exemplul 5.2. Se considera variabilele aleatoare:

se cere sa se calculeze:

1. ; ; , daca .

2. Coeficientul de corelatie in functie de .

3. Valorile lui pentru care si sunt independente.

R. 1. Avem:

de unde:

deci:

-1 1
 -1

trebuie astfel ales, incat toate probabilitatile sa fie cuprinse intre 0 si 1 deci

de unde ceea ce implica .

2. . Avem , , , deci

Deoarece , rezulta .

3. Pentru , si sunt independente.