Tipuri de repartiții

• Studiind diverse fenomene, se constată că deși

acestea aparțin unor științe diferite repartiția în
frecvență a acestora este asemănătoare
(histogramele au aceeași formă).
• Determinarea probabilităților asociate unor
evenimente aleatoare poate fi mult simplificată
dacă se construiește un model matematic ce
descrie cu acuratețe situațiile asociate cu anumite
evenimente de interes.
• Un astfel de model utilizat la determinarea
probabilităților de producere a unor evenimente
este o distribuție de probabilitate.
Tipuri de repartiții

• Repartiția Binomială
• Repartiția Poisson
• Repartiția Uniformă
• Repartiția Geometrică
• Repartiția Normală
• Repartiția Student (T)
• Repartiția Exponențială
• Repartiția Gamma
• Repartiția χ2
• Repartiția F (distribuția Fisher)
Tipuri de repartiții
Repartiția Binomială
Repartiții (Distribuții)

Discrete Repartiția Poisson

Repartiția Uniformă

Repartiția Normală

Repartiția Student (T)

Continue
Repartiția Exponențială

Repartiția Gamma
Repartiția Binomială

• Repartiția binomială caracterizează variabile

discrete, ce se asociază unui proces Bernoulli.
• Procesul Bernoulli constă din n încercări ale unui
experiment, ce are rezultate ce se exclud reciproc
(mutual exclusive): succes sau eșec.
• Încercările sunt independente, adică rezultatul
uneia nu influențează rezultatul celeilalte, iar
pentru fiecare încercare probabilitatea succesului
este aceeași, p.
Repartiția Binomială

• Distribuția Binomială – experiment Bernoulli

– un proces ce constă din n încercări
– un proces ce are doar 2 rezultate scontate ( ce
se exclud reciproc)
– probabilitatea de succes la o încercare p şi de
eșec este 1 – p
– încercările (testele) sunt independente
! Succesul nu înseamnă bine (reprezintă doar o
variantă din cele 2 rezultate posibile – reprezintă
caracteristica pe care o urmărim)
Repartiția Binomială
• Probabilitatea de a înregistra k succese din n încercări,
cu probabilitatea de succes la o încercare p şi de eşec
1 – p este: P ( X = k ) = Cnk p k (1 − p )n − k
n!
unde Cn =k

k ! ( n − k )!

În Excel există funcția:

- binom.dist(number_s, trials, probability_s,
cumulative ) ce returnează funcţia de repartiţie F(a).
Repartiția Binomială

În cazul distribuției binomiale media și varianța sunt:

M ( x ) = np

 ( x ) = np(1 − p )
2

Repartitia binomială se folosește pentru valori mici

ale lui n și k.
Pentrui valori mari ea este anevoioasă și în funcție de
problemă se folosește repartiția Poisson sau normală.
 Exemplu
• O linie de fabricație realizează un produs cu o rată de defect de
20%. Dacă se aleg aleatoriu, de pe linie 5 produse, care este
probabilitatea de a avea 1 produs defect.
Încercări 1 2 3 4 5 P

Rezultat E=0.8 E=0.8 S=0.2 E=0.8 E=0.8 0.08192

Rezultat S=0.2 E=0.8 E=0.8 E=0.8 E=0.8 0.08192

Rezultat E=0.8 E=0.8 E=0.8 S=0.2 E=0.8 0.08192

Rezultat E=0.8 S=0.2 E=0.8 E=0.8 E=0.8 0.08192

Rezultat E=0.8 E=0.8 E=0.8 E=0.8 S=0.2 0.08192

• În acest caz succesul reprezintă un produs defect, iar eșec un

produs bun
Exemplu

P ( X = k ) = C p (1 − p )
k k n−k
n

P ( X = 1) = C 0.2 (1 − 0.2 )
1 1 5 −1
5

P ( X = 1) = 5  0.0819 = 0.4096 = 40.96%

 Exemplu

• Conform unui studiu statistic făcut de un producător

farmaceutic, probabilitatea unei persoane vârstnice de
80 de ani ce urmează un tratament pentru cardiopatie
ischemică, aleasă aleator, de a trăi încă un an este de
0.82.
– Dacă sunt aleși la întâmplare douăzeci de persoane
cu vârsta de 80 de ani ce urmează un astfel de
tratament, care este probabilitatea ca exact 18
persoane să supraviețuiască încă un an?
Exemplu
Exemplu

n = 20 k = 18 p = 0.82
P ( X = k ) = C p (1 − p )
k k n−k
n

P ( X = 18 ) = C 0.82 (1 − 0.82 )
18 18 20 −18
20

P ( X = 1) = 190  0.0281 0.0324 = 0.173 = 17.3%

Exemplu

– Care este probabilitatea ca cel puțin 18 persoane

vârstnice de 80 de ani să supraviețuiască încă un an?
Exemplu

– Care este probabilitatea ca cel puțin 18 persoane

vârstnice de 80 de ani să supraviețuiască încă un an?
P ( X  18 ) = P(X = 18 ) + P(X = 19 ) + P(X = 20 )
P ( X  18 ) = C 0.82 (1 − 0.82 ) +
18 18 20 −18
20

+C20 0.82 (1 − 0.82 )

20 −19
19 19
+
+C20 0.82 (1 − 0.82 )
20 20 20 − 20

P ( X  18 ) = 0.1730 + 0.0829 + 0.0189 = 0.2748

= 27.48%
 Exemplu

– În Excel:

n = 20 k = 18 p = 0.82
P ( X = 18 ) = =BINOM.DIST(18,20,0.82,FALSE)
= 0.173 = 17.3%
P ( X  18 ) = 1 − BINOM.DIST(17,20,0.82,TRUE)
= 0.2748 = 27.48%
Repartiția Poisson

• Este o distribuție ce caracterizează variabile

discrete.
• Tratează problema evenimentelor aleatoare rare ce
au loc într-un interval de timp specificat sau într-o
regiune din spațiu;
• Înlocuiește distribuția binomială în cazul când
numărul de evenimente total este foarte mare, iar
șansa de realizare favorabilă foarte mică.
• Exemplu: numărul de clienți dintr-o farmacie/oră,
numărul de acidente aviatice/zi, numărul de mașini
ce intră într-o benzinărie/zi.
Repartiția Poisson

• Distribuţia Poisson este aplicabilă în anumite

condiţii:
– evenimentele aleatoare au loc în unitatea de
timp sau spaţiu;
– numărul de evenimente favorabile trebuie să fie
teoretic infinit;
– producerea unui eveniment este independentă
de producerea evenimentelor anterioare sau
posterioare.
 Repartiția Poisson
• În cazul când evenimentele se produc astfel încât în
medie apar  evenimente într-o perioadă de timp sau
spațiu, atunci probabilitatea ca evenimentul să se
producă de k ori este:
e−  k
P(X = k) =
k!
• În Excel există funcțiile:
poisson.dist( x, mean, cumulative )
ce returnează funcția de repartiție.
Repartiția Poisson

• Valoarea mediei și dispersia repartiției Poisson se

calculează din valorile corespunzătoare repartiției
binomiale înlocuind np=λ și făcând ca p să tindă
către 0.
• μ=np=λ și σ2=np=λ (valoarea medie și dispersia
sunt egale).
M (X ) = 

 2 (X ) = 
Exemplu

• Dacă se examinează situația prezenței la cursul de

SMPDE de miercuri între ora 8 și 9, se constată că
în sală se găsesc în medie 15 studenți.
a) Care este probabilitatea ca într-o anumită
săptămână, miercuri să se găsească în sală
exact 15 studenți.
b) Dar care este probabilitatea să vină mai puțin
de 10 studenți la curs.
Exemplu

a) λ=nr. studenți / oră = 15, k=15

e−  k
P(X = k) =
k!
e −15 1515
P ( X = 15 ) = = 0.1024 = 10.24%
15 !
P ( X = 15 ) = POISSON.DIST(15,15,false)=0.1024
Exemplu

b) λ=nr. studenți / oră = 15, k=10

P ( X  10 ) = P(X = 0 ) + P(X = 1 ) + ... + P(X = 9 )

−15 0 −15 1 −15 9
e 15 e 15 e 15
P ( X  10 ) = + + ... + =
0! 1! 9!
= 3.05 10−7 + 4.5885 10 −6 + ... + 0.0324
= 0.0699 = 6.99%
P ( X  10 ) = POISSON.DIST(9,15,TRUE) = 0.0699
Repartiția Uniformă

• Variabilele aleatoare discrete se asociază unor

experimente ce constau în contorizarea anumitor
rezultate (n).
• Exemple:
– aruncarea unui zar n=6
– jocul la ruletă n=37
• Dacă un experiment are n rezultate egal posibile,
atunci experimentul poate fi modelat printr-o
variabilă aleatoare uniformă pe mulțimea 1, … , 𝑛
Repartiția Uniformă
Distribuția uniformă la aruncarea unui zar:
Repartiția Uniformă

• Funcţia densitate de probabilitate are forma:

1
f(x; a, b) = ; a<x<b
b-a
Funcţia de probabilitate:

 0 xa
x -a
F(x) =  a xb
b -a
 1 xb
Repartiția Uniformă
Repartiția Uniformă

Parametrii pentru repartiția uniformă sunt capetele

intervalului: a și b.
Media și varianța unei variabile repartizată uniform
sunt:

M ( X ) = ( a + b) / 2

 ( X ) = (b − a )^ 2 / 12
2
Exemplu
• Pe o rută, la metrou sosește într-o stație la fiecare
zece minute câte un metro. Care este
probabilitatea ca un pasager să aștepte între trei și
șase minute pentru un metrou.
– x= timpul de așteptare.
– b=10 minute (a= 0 minute)
1 1
f(x)= =
10 − 0 10
6−3 3
P ( x) = = = 0.3 = 30%
10 − 0 10
Exemplu
• O emisiune de televiziune, ce este considerată de
30 de minute, are în medie 22 de minute de
program. Intervalul de minute este între 18 și 26.
Care este probabilitatea ca emisiunea să dureze
a) între 21 și 25 de minute?
b) cel puțin 25 de minute?
Exemplu

1 1
f(x)= =
26 − 18 8
25 − 21 4
P ( x) = = = 0.5 = 50%
26 − 18 8
26 − 25 1
P ( x) = = = 0.125 = 12.5%
26 − 18 8