Probabilităţi şi distribuţii teoretice

conf. univ., dr., Natalia Gaşiţoi

27 aprilie 2018

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Experienţe aleatoare

Teoria probabilităţilor studiază legităţile care apar ı̂n

experimentele aleatoare.

Definiţia 1.
În teoria probabilităţilor prin experienţă se ı̂nţelege un act care, ı̂n
condiţii date, poate fi repetat nelimitat.

Definiţia 2.
Se numeşte probă orice realizare a unui experiment.

Definiţia 3.
Acele experimente care ı̂n condiţii date au un singur rezultat se
numesc deterministe, iar cele care ı̂n condiţii date pot avea mai
multe rezultate se numesc experienţe aleatoare.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Spaţiu de selecţie

Definiţia 4.
O experienţă aleatoare are o mulţime de cazuri sau de rezultate
posibile. Mulţimea rezultatelor posibile ale unei experienţe se
numeşte spaţiu de selecţie sau univers şi se va nota cu Ω.

Definiţia 5.
Un spaţiu de selecţie se numeşte:
finit, dacă este o mulţime finită;
discret, dacă este o mulţime cel mult numărabilă, adică ori este
finită, ori este numărabilă;
continuu, dacă este o mulţime ce conţine un interval de numere
reale.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Evenimente aleatoare
Definiţia 6.
Orice rezultat legat de o experienţă aleatoare, despre care, după
efectuarea experienţei, putem spune că s-a produs sau nu, poartă
numele de eveniment aleator asociat experienţei.

Orice probă atrage după sine fie realizarea, fie nerealizarea

oricărui eveniment. Fiecărui eveniment A ı̂i corespunde o mulţime
de cazuri favorabile, care este o submulţime din Ω.
Definiţia 7.
Evenimentele care au un singur caz favorabil se numesc evenimente
elementare. Prin abuz de limbaj, vom numi la fel şi elementele
mulţimii Ω.

Prin urmare, pentru orice evenument A asociat unei experienţe

aleatoare avem A ∈ P(Ω), unde P(Ω) este familia tuturor
submulţimilor mulţimii Ω.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Clasificarea evenimentelor aleatoare

Definiţia 8.
Un eveniment se numeşte sigur dacă el se produce cu certitudine ı̂n
orice probă a experimentului.

Definiţia 9.
Un eveniment se numeşte imposibil dacă el nu se poate realiza ı̂n
nici o efectuare a experimentului.

Definiţia 10.
Un eveniment se numeşte ı̂ntâmplător sau aleator dacă el poate să
se producă sau să nu se producă ı̂n rezultatul efectuării
experimentului considerat.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Diagrama arbore

Exemplu.
Să se determine mulţimea rezultatelor posibile ı̂n cazul aruncării
a trei monede. Să se determine cazurile favorabile evenimentului
A = {apare de două ori stema}.

S SSS
r
S ```` B SSB
S r

H H
r `
S SBS
HB `
r `` B SBB
r (( S BSS
S ````
@ ( (
rH
@B  B BSB
H r `
HB ` S BBS
``
B BBB

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Diagrama arbore

Din diagrama arbore determinăm

Ω = {SSS, SSB, SBS, SBB, BSS, BSB, BBS, BBB},

A = {SSB, SBS, BSS}.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Evenimente contrare

Definiţie.
Contrariul unui eveniment A asociat unei experienţe este un
eveniment B asociat aceleaşi experienţe care are proprietatea că, la
orice repetare a experienţei aleatoare, dacă se realizează A atunci
nu se realizează B şi dacă nu se realizează A atunci se realizează
B.
Dacă B este contrariul lui A, atunci A este contrariul lui B.

Evenimentul contrar unui eveniment A (asociat experienţei) ı̂l vom

nota cu A.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Evenimente compatibile / incompatibile

Definiţii.
Contrariul Evenimentele A şi B sunt compatibile dacă se pot
realiza simultan ı̂n cazul efectuării experienţei aleatoare.

Evenimentele A şi C asociate unei experienţe aleatoare sunt

incompatibile dacă aceste evenimente nu se pot realiza simultan
ı̂n cazul efectuării experienţei.

Evenimentele A1 , A2 , . . . , An asociate unei experienţe aleatoare se

numesc mutual (două câte două) compatibile dacă pentru orice
i, j = 1, 2, . . . , n evenimentele Ai şi Aj sunt compatibile.

Evenimentele A1 , A2 , . . . , An asociate unei experienţe aleatoare se

numesc compatibile dacă aceste evenimente se pot realiza
simultan ı̂n cazul efectuării experienţei.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Evenimente dependente / independente

Definiţii.
Evenimentele A şi B se numesc independente dacă realizarea
unuia nu influenţează asupra realizării celuilalt.

În caz contrar, evenimentele se numesc dependente.

Fie A şi B două evenimente dependente, ı̂n sensul că realizarea

evenimentului B este condiţionată de realizarea evenimentului A.
Aceasta se va nota cu B | A.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Eveniment implicat de un alt eveniment

Definiţie.
Vom spune că evenimentul A implică evenimentul B (sau
evenimentul B este implicat de evenimentul A) dacă odată cu
realizarea evenimentului A se realizează şi evenimentul B.

Notăm A ⊂ B.

Definiţie.
Două evenimente A şi B asociate aceluiaşi experiment se numesc
echivalente, dacă realizarea lui A implică realizarea lui B şi
realizarea lui B implică realizarea lui A.

Se notează A = B sau A ⇔ B.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Operaţii cu evenimente

Definiţie.
Se numeşte sumă (sau reuniune) a două evenimente A şi B,
evenimentul C care se realizează dacă cel puţin unul din
evenimentele A sau B se realizează şi se notează cu C = A ∪ B.

Definiţie.
Se numeşte produsul a două evenimente A şi B asociate unui
experiment, evenimentul D care se realizează dacă evenimentele A
şi B se realizează simultan şi se notează cu D = A ∩ B.

Remarcă. Adunarea evenimentelor are sens atunci şi numai atunci

când evenimentele termeni sunt compatibile sau incompatibile.
Produsul evenimentelor se aplică practic numai pentru evenimente
independente sau dependente.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Operaţii cu evenimente

Definiţie.
Se numeşte diferenţă a evenimentelor A şi B asociate unui
experiment, evenimentul E care constă ı̂n realizarea lui A şi
nerealizarea lui B, şi se notează cu A \ B.

Remarcă. Observăm analogia ı̂ntre evenimente şi mulţimi, motiv

pentru care se folosesc notaţiile din teoria mulţimilor.
Notăm cu Ω evenimentul sigur, iar cu Φ evenimentul imposibil.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Proprietăţi ale operaţiilor cu evenimente

Teoremă.
1. A ∪ B = B ∪ A, (A ∪ B) ∪ C = A ∪ (B ∪ C),

A ∪ A = A, A ∪ Φ = A, A ∪ Ω = Ω.

2. A ∩ B = B ∩ A, (A ∩ B) ∩ C = A ∩ (B ∩ C),

A ∩ A = A, A ∩ Φ = Φ, A ∪ Ω = A.

3. A ∩ A = Φ, A ∪ A = Ω, Ω = Φ, Φ = Ω, A = A,

A ∪ B = A ∩ B, A ∩ B = A ∪ B,

4. A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C),

A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Sistem complet de evenimente
Fie un experiment, pentru care toate rezultatele posibile se descriu
de un număr finit de cazuri ω1 , . . . , ωn , care sunt numite
evenimente elementare, iar totalitatea lor notată cu Ω este spaţiul
(finit) de evenimente elementare.
Dacă
A = A1 ∪ A2 ∪ . . . ∪ An
şi evenimentele Ai , i = 1, 2, . . . , n sunt mutual incompatibile,
adică Ai ∩ Aj = ∅ pentru i 6= j, atunci spunem că sistemul de
evenimente dat reprezintă o desfacere sau o partiţie a
evenimentului A.
Definiţie.
Fie că se realizează un experiment. Evenimentele A1 , . . . , An
formează un sistem complet de evenimente, dacă
1) evenimentele Ai , i = 1, 2, . . . , n sunt mutual incompatibile şi
n
2) Ω = ∪ Ai .
i=1

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Probabilitate experimentală

Când nu dispunem de alte date suplimentare, frecvenţa relativă a

unui eveniment este cea mai bună aproximare pentru probabilitatea
acestui eveniment.
Probabilitatea experimentală = frecvenţa relativă.

În anumite situaţii, experimentarea este unica modalitate

de a afla probabilitatea.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Probabilitatea unui eveniment

În situaţia de echiprobabilitate, probabilitatea evenimentului A

este:

numărul elementelor lui A

P (A) =
numărul elementelor lui Ω
sau

card (A)
P (A) =
card (Ω)

sau

numărul cazurilor favorabile lui A

P (A) = .
numărul total al cazurilor posibile

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Definiţia axiomatică a probabilităţii

Definiţie.
Fie dată o experienţă aleatoare cu o mulţime numărabilă de
rezultate posibile Ω = (ω1 , ω2 , . . .). Vom spune că pe Ω este
definită o probabilitate, dacă fiecărui eveniment elementar ω ∈ Ω i
se pune ı̂n corespondenţă un număr P (ω) cu proprietăţile:
1) P
X (ω) ≥ 0;
2) P (ω) = 1.
ω∈Ω

Definiţie.
Vom numi probabilitate a evenimentului A numărul
X
P (A) = P (ω).
ω∈A

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Proprietăţi ale probabilităţii

1 P (Φ) = 0, P (Ω) = 1, pentru orice A ∈ P(Ω), P (A) ∈ [0, 1].

2 P (A) = 1 − P (A).
3

P (A ∪ B) = P (A) + P (B) − P (AB).

De aici, ı̂n particular rezultă că, dacă evenimentele A şi B
sunt incompatibile, atunci

P (A ∪ B) = P (A) + P (B).

4 Pentru orice două evenimente A, B ∈ P(Ω) are loc

inegalitatea
P (A ∪ B) ≤ P (A) + P (B).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Variabile aleatoare

Definiţie.
Vom numi variabilă aleatoare X o funcţie măsurabilă X = X(ω),
care aplică spaţiul de evenimente Ω ı̂n mulţimea numerelor reale R,
X : Ω → R.
Cu alte cuvinte, o variabilă a cărei valoare este un număr
determinat de evenimentul rezultat ı̂n urma unei experienţe este
numită variabilă aleatoare.
Variabilele aleatoare sunt de două tipuri: discrete şi continue.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Funcţia de repartiţie a variabilei aleatoare

Definiţie.
Fie X o variabilă aleatoare şi x un număr real. Funcţia F definită
astfel: F (x) este probabilitatea ca X să ia valori mai mici sau
egale cu x, adică

F (x) = P (X ≤ x), x ∈ R

se numeşte funcţia de repartiţie a variabilei aleatoare X.

Folosind funcţia de distribuţie a variabilei aleatoare X putem

calcula probabilitatea ca variabila aleatoare X să ia valori dintr-un
anumit interval, d.e. (a, b],

P (a < x ≤ b) = F (b) − F (a).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Funcţia de repartiţie a variabilei aleatoare

Funcţia de repartiţie a unei variabile aleatoare X, F : R → [0, 1]

are următoarele proprietăţi:
F este nedescrescătoare: ∀x, y ∈ R cu x < y, avem
F (x) ≤ F (y).
lim F (x) = 0 şi lim F (x) = 1.
x→−∞ x→+∞
F este continuă la dreapta ı̂n orice punct:
F (x0 + 0) = lim F (x) = F (x0 ).
x→x0 +0
F (x0 − 0) = lim F (x) = P (X < x0 ).
x→x0 −0
P (X = x0 ) = F (x0 ) − F (x0 − 0).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Variabile aleatoare discrete

Definiţie.
O variabilă aleatoare X : Ω → R se numeşte discretă dacă ea
poate lua numai un număr cel mult numărabil de valori.

Dacă X este o variabilă aleatoare care poate lua valorile

x1 , x2 , . . . , xn cu probabilităţile f (x1 ) = P (X = x1 ),
f (x2 ) = P (X = x2 ), . . . , f (xn ) = P (X = xn ), atunci mulţimea
de perechi ordonate (xi ; f (xi )), i = 1; n se numeşte repartiţia
variabilei aleatoare ξ. Vom nota
 
x
X ,
f (x)
sau  
x1 x2 ... xn
X .
f (x1 ) f (x2 ) . . . f (xn )

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Variabile aleatoare discrete

Funcţia f (x) se numeşte funcţie de probabilitate, este o funcţie

Xn
nenegativă ce satisface condiţia f (xi ) = 1.
i=1
Cunoscând funcţia de probabilitate putem afla şi funcţia de
distribuţie corespunză toare:
X
F (x) = f (xi ).
xi ≤x

Graficul funcţiei de distribuţie este ı̂n scară”, cu salturi egale cu

”
f (xi ) ı̂n punctele xi , i = 1, 2, . . . , n.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Distribuţia Bernoulli

Exemplu. Distribuţia Bernoulli (binomială)

Fie că este dată o urnă de tip Bernoulli, adică o urnă cu bile de
două culori: albe şi negre. Se extrag la ı̂ntâmplare n bile, de fiecare
dată ı̂ntorcându-se bila extrasă ı̂napoi ı̂n urnă după fixarea culorii
ei. Fie X numărul de bile albe extrase din urna Bernoulli.
Variabila aleatoare X ia valorile 0, 1, 2, . . . , n. Fie probabilitatea
evenimentului A = {bila extrasă este albă} este P (A) = p, iar
probabilitatea evenimentului contrar B = {bila este neagră} este
q = 1 − p. Se poate demonstra că

P (X = x) = f (x) = Cnx px q n−x .

Deci
 
0 1 2 ... x ... n
X n 1 n−1 2 2 n−2 x x n−x .
q Cn pq Cn p q . . . Cn p q . . . pn

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Distribuţia Poisson
Variabila aleatoare discretă poate lua o infinitate numărabilă de
valori:
 
x1 x2 x3 ... xn ...
X ,
f (x1 ) f (x2 ) f (x3 ) . . . f (xn ) . . .
∞
X
unde f (xi ) = 1.
i=1

Distribuţia Poisson
Distribuţia Poisson este definită de următoarea lege:
 
0 1 2 ... n ...
X  −λ λ −λ λ2 −λ λn −λ .
e e e ... e ...
1! 2! n!
Distribuţia Poisson este un caz limită al distribuţiei Bernoulli:
λk −λ
lim Cnk pk q n−k = e .
n→∞ k!
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Distribuţia Poisson

λ
Dacă p = şi n → ∞, atunci p este foarte mic. Distribuţia
n
Poisson se mai numeşte legea evenimentelor rare şi este folosită la
controlul statistic al produselor industriale atunci când
probabilitatea obţinerii unei piese defecte este foarte mică.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Variabile aleatoare continue

Variabilele aleatoare continue apar ı̂n practică atunci când

ı̂ntr-un anumit experiment măsurăm o anumită cantitate, de
exemplu lungimea unei piese.
Fie X o variabilă aleatoare continuă care ia toate valorile din
intervalul ı̂nchis [a, b].
Considerăm un interval infinitezimal [x, x + dx) a cărui lungime
este dx. Probabilitatea elementară dP ca variabila aleatoare să ia o
valoare din acest interval

X = x0 ∈ [x, x + dx)

reprezintă o funcţie care depinde de x şi este de forma

dP = ϕ(x) dx,

unde funcţia ϕ se numeşte densitate de probabilitate.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Variabile aleatoare continue
Funcţia densitate de probabilitate are următoarele proprietăţi:
ϕ(x) ≥ 0, ∀x ∈ [a, b].
Într-adevăr, dP este probabilitate, deci dP ≥ 0, dar atunci şi
ϕ(x) dx ≥ 0, iar deoarece dx ≥ 0, deducem că ϕ(x) ≥ 0.
Z b
ϕ(x) dx = 1.
a
Aceasta rezultă din faptul că integrala calculată asupra
probabilităţilor elementare pe ı̂ntreg domeniul de variaţie a
argumentului x reprezintă probabilitatea evenimentului sigur şi
deci este egală cu 1.
Distribuţia exponenţială
Să se determine constanta k, astfel ı̂ncât funcţia

ϕ(x) = ke−λx , x ≥ 0

să fie o densitate de probabilitate.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Funcţia de repartiţie a variabilei continue
Funcţia de repartiţie a variabilei continue este definită de relaţia
diferenţială
dF (x) = ϕ(x) dx.
Integrând această ecuaţie diferenţială ı̂n intervalul [a, x] avem:
Z x
F (x) = ϕ(t) dt.
a

Exemplu.
Variabila aleatoare X se supune legii de distribuţie

 0, dacă x < 0,
ϕ(x) = a sin x, dacă 0 < x < π,
0, dacă x > π.


Să se determine coeficientul a, probabilitatea nimeririi variabilei

aleatoare pe porţiunea de la 0 la π/2, funcţia de repartiţie.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Caracteristici numerice ale V.A.
Valoarea medie (speranţa matematică) caracterizează poziţia
variabilei aleatoare pe axa numerică, determinând o valoare medie
anumită ı̂n jurul căreea se concentrează toate valorile posibile ale
variabilei aleatoare.
Definiţia
Fiind dată o variabilă aleatoare discretă X prin distribuţia
respectivă
  Xn
x1 x2 . . . xn
X , pi = 1, pi ≥ 0, i = 1, 2, . . . , n
p1 p2 . . . pn
i=1

se numeşte valoarea medie a variabilei aleatoare discrete X,

mărimea egală cu suma produselor dintre valorile pe care le ia
variabila şi probabilităţile corespunzătoare
Xn
M (X) = x1 p1 + x2 p2 + · · · + xn pn = xi pi .
i=1

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Valoarea medie
Fie dată o variabilă aleatoare continuă
 
x
X , x ∈ [a, b].
ϕ(x)

Definiţia
Valoarea medie a variabilei aleatoare continue X este dată de
integrala definită a produsului dintre variabila reală x şi densitatea
de probabilitate ϕ(x), integrala fiind luată ı̂ntre limitele de variaţie
a variabilei reale Z b
M (X) = xϕ(x) dx.
a

În cazul când pentru valorile lui X se consideră drept domeniu de

variaţie toată axa reală, valoarea medie devine
Z +∞
M (X) = xϕ(x) dx,
−∞
cu condiţia că integrala improprie scrisă să fie absolut convergentă.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Valoarea medie a distribuţiei binomiale
Avem
 
0 1 2 ... x ... n
X .
q n Cn1 pq n−1 Cn2 p2 q n−2 . . . Cnx px q n−x . . . pn
Avem
n
X
M (X) = Cnx px q n−x x.
x=0
Cunoaştem că
n
X
(pt + q)n = Cnx px q n−x tx .
x=0
Derivân dı̂n raport cu t această egalitate vom abţine
Xn
n−1
n(pt + q) ·p= Cnx px q n−x xtx−1 .
x=0
Punem t = 1 şi ţinând cont de faptul că p + q = 1, avem
M (X) = np.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Valoarea medie a V.A.C.

Valoarea medie a variabilei aleatoare X cu distribuţie Cauchy

 
x
X 1 1  , x ∈ (−∞, +∞),
π1+x 2

este
Z +∞   Z +∞
1 1 1 2x
M () = x· dx = dx =
−∞ π 1 + x2 2π −∞ 1 + x2
b
1
ln(1 + x2 ) = 0.

= lim
2π a→−∞,b→+∞ a

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Mediana
Definiţia
Se numeşte mediana unei variabile aleatoare X acea valoare M e a
argumentului x, pentru care probabilitatea ca variabila aleatoare să
ia valori inferioare lui M e este egală cu probabilitatea ca ea să ia
valori superioare lui M e.
Deci, prin definiţie mediana este dată de ecuaţia

P (X < M e) = P (X > M e).

Avem
P (X < x) = F (x), P (X > x) = 1 − F (x).
Şi atunci relaţia
P (X < M e) = P (X > M e)
ia forma
1
F (x) = 1 − F (x) ⇒ 2F (x) = 1 ⇒ F (x) = .
2
Soluţia ultimei ecuaţii este mediana
conf. univ., dr., Natalia Gaşiţoi M e.
Bazele statisticii
Modul

Definiţia
Se numeşte modul variabilei aleatoare X valoarea ei cea mai
probabilă (valoarea dominantă), adică acea valoare M o a
argumentului x pentru care funcţia de probabilitate sau funcţia
densitate de probabilitate, după cum variabila X este discretă,
respectiv continuă, are valoarea maximă.
Modul M o(X) se mai notează cu X. b

Pentru distribuţia binomială avem

np − q ≤ M o ≤ np + p.

Pentru variabilele aleatoare continue modul se calculează reieşind

din considerentele analizei matematice (se studiază la extrem
funcţia densitate de probabilitate).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Quantilele

Definiţia
Se numesc quantile de ordinul n ale variabilei aleatoare X,
rădăcinile reale ale ecuaţiilor
i
F (x) = , i = 1, 2, . . . , n − 1,
n
n fiind un număr natural dat, iar F (x) funcţia de repartiţie
corespunzătoare.

Pentru n = 2 se obţine mediana.

Pentru n = 4 cele trei rădăcini ale ecuaţiilor
1 2 3
F (x) = , F (x) = , F (x) = ,
4 4 4
se numesc quartile.
Pentru n = 10, cele nouă quantile obţinute se numesc decile.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Momente şi medii
Definiţia
Vom numi momentul de ordinul r al variabilei aleatoare X expresia
n
X Z b
Mr = xri ·f (xi ), pt V.A.D. şi Mr = xr ϕ(x) dx, pt V.A.C.
i=1 a

Definiţia
Vom numi medie de ordinul r a variabilei aleatoare X expresia
v
u n
uX
r
µr = t xri · f (xi ), pentru variabila discretă;
i=1

şi s
Z b
r
µr = xr ϕ(x) dx, pentru variabila continuă.
a

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Dispersia

Definiţia
Vom numi dispersie a variabilei aleatoare X mărimea

D(X) = M [(X − M (X))2 ].

Astfel dispersia este momentul de ordinul doi al abaterii variabilei

aleatoare X de la valoarea sa medie. Dispersia se notează cu σX 2

sau D(X).
Definiţia
Mărimea p
σX = D(X)
se numeşte abatere medie pătratică a variabilei aleatoare X sau
abatere standard.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Distribuţia normală

Definiţia
Vom spune că o variabilă aleatoare continuă X are distribuţie
normală, dacă densitatea de probabilitate a ei este dată de o
funcţie de forma
1 1 x−m 2
ϕ(x) = √ · e− 2 ( σ ) , x ∈ R.
σ 2π

Pentru a evidenţia faptul că distribuţia este normală şi că ı̂n
afară de argumentul x depinde şi de doi parametri m şi σ vom
nota densitatea de probabilitate cu n(x; m, σ),
1 1 x−m 2
n(x; m, σ) = √ · e− 2 ( σ ) , x ∈ R.
σ 2π

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Semnificaţia parametrilor m şi σ

Prin calcule directe se arată, că parametrul m reprezintă valoarea

medie a variabilei X, iar parametrul σ – abaterea medie pătratică.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Graficul funcţiei n(x; m, σ)

Graficul depinde de parametrii m şi σ, forma curbei rămânând ı̂n

structura ei aceeaşi – forma unui clopot, clopotul lui Gauss.
Faţă de parametrul m, curbele n(x; m, σ) suferă translaţii de-a
lungul axei Ox, menţinându-şi forma şi mărimea.
Faţă de parametrul σ, curbele sunt mai ascuţite sau mai plate,
astfel că suprafaţa ı̂nchisă de axa Ox să aibă aria egală cu o
unitate pătrată de lungime.

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Graficul funcţiei n(x; m, σ)

0.8

0.6

0.4

0.2

−3 −2 −1 0 1 2 3

Cu culoarea albastră este trasat graficul funcţiei n(x; 0, 0.5), cu cea

roşie graficul funcţiei n(x; 1, 0.5), iar cu cea neagră n(x; −2, 0.5).
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Graficul funcţiei n(x; m, σ)

0.8

0.6

0.4

0.2

−3 −2 −1 0 1 2 3

Cu culoarea neagră este trasat graficul funcţiei n(x; 0, 0.4), cu cea

albastră este trasat graficul funcţiei n(x; 0, 0.5), iar cu cea roşie
graficul funcţiei n(x; 0, 0.75).
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii
Funcţia de repartiţie

Funcţia de repartiţie a variabilei aleatoare cu distribuţie

normală este
Z x
1 1 t−m 2
F (x) = P (X < x) = √ e− 2 ( σ ) dt
−∞ σ 2π

şi o vom nota cu N (x; m, σ).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Distribuţia normală centrată
În practică sunt necesare calcule de probabilităţi de forma
Z x
1 1 t−m 2
P (X < x) = √ e− 2 ( σ ) dt,
−∞ σ 2π
Z β
1 1 t−m 2
P (α < X < β) = √ e− 2 ( σ ) dt.
α σ 2π
t−m
Transformarea = y, conduce la funcţia de repartiţie
σ
normată, adică la
Z z
1 1 2
N (z; 0, 1) = P (X < x) = √ e− 2 y dy.
−∞ 2π
Aceeaşi transformare, pentru cea de-a doua probabilitate ne dă
Z β−m Z β−m
σ 1 − 21 y 2
σ 1 1 2
P (α < X < β) = √ e σ dy = √ e− 2 y dy.
α−m
σ
σ 2π α−m
σ
2π

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Funcţia lui Laplace
Notăm
α−m β−m
= z1 , = z2 ,
σ σ
α = σz1 + m, β = σz2 + m.
Avem Z z2
1 1 2
P (α < X < β) = √ e− 2 y dy.
z1 2π

Definiţia
Vom numi funcţia integrală a lui Laplace, funcţia
Z z
1 1 2
Φ(z) = √ e− 2 y dy, z ∈ R.
2π −∞

Observăm că
Φ(−z) = 1 − Φ(z).

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Funcţia lui Laplace

Valorile funcţiei lui Laplace sunt date ı̂n tabele. Menţionăm doar
câteva,
1
Φ(−∞) = 0, Φ(0) = , Φ(+∞) = 1.
2
Cu ajutorul funcţiei lui Laplace Φ(z), funcţia de repartiţie normată
N (z; 0, 1) se exprimă astfel:
Z z
1 1 2
N (z; 0, 1) = √ e− 2 y dy = Φ(z).
2π −∞
Funcţia de repartiţie a distribuţiei normale este
 
x−m
N (x; m, σ) = Φ .
σ

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Calculul probabilităţilor

În acest caz, cele două probabilităţi se pot exprima prin intermediul
funcţiei lui Laplace, ı̂n felul următor
 
x−m
P (X < x) = Φ .
σ

Aşa cum

P (α < X < β) = P (X < β) − P (X < α)

avem
   
β−m α−m
P (α < X < β) = Φ −Φ .
σ σ

conf. univ., dr., Natalia Gaşiţoi Bazele statisticii

Exemplu
Exemplu. O variabilă aleatoare cu distribuţie normală are valorile
parametrilor m = 30 şi σ = 10. Aflaţi:
1 probabilitatea ca variabila aleatoare X să ia valori mai mici
decât 5,
2 probabilitatea ca argumentul variabilei să se conţină ı̂n
intervalul (15, 30).
Soluţie.

 
5 − 30
P (X < 5) = Φ = Φ(−2.5) = 1 − Φ(2.5) = 0.00621.
10

   
30 − 30 15 − 30
P (15 < X < 30) = Φ −Φ =
10 10
= Φ(0) − Φ(−1.5) = 0.43319.
conf. univ., dr., Natalia Gaşiţoi Bazele statisticii