Legi de distribuţie

(principalele distribuţii de
probabilitate)

Tudor Drugan
 Introducere
 In general distribuţiile variabilelor aleatoare definite
pe o populaţie, care face obiectul unui studiu, nu se
cunosc.
 Din punct de vedere practic se încearcă încadrarea
acestor distribuţii în unele legi teoretice care
constituie modele pentru aceste variabile statistice
 Principalele legi de distribuţie
legea BINOMIALĂ
(BERNOULLI)
• variabile aleatoare discrete finite

legea POISSON • variabile aleatoare discrete infinite

legea normală sau legea

LAPLACE-GAUSS
• variabile aleatoare continue

legea STUDENT (t) • variabilă aleatoare continuă

• sume de pătrate a unor variabile

legea 2 a lui PEARSON
independente normal distribuite

• comportarea câtului a două variabile cu

legea F a lui FISHER.
distribuţie Hi-pătrat
LEGEA BINOMIALĂ SAU DISTRIBUŢIA LUI
BERNOULLI

 Variabile aleatoare finite

 Modelul legii binomiale este următorul:
 Un experiment este alcătuit din repetarea unei încercări
elementare de n ori, n fiind un număr natural dat.
 Rezultatele posibile ale fiecărei încercări elementare sunt
doar două evenimente numite de obicei: succes (S) şi
eşec (E).
 Probabilităţile p de succes şi q = 1 - p de eşec sunt
constante de la o încercare la alta.
 Cele n încercări repetate sunt independente una de
cealaltă
LEGEA BINOMIALĂ SAU DISTRIBUŢIA LUI
BERNOULLI
 Numărul de reuşite obţinute din cele n încercări
repetate este o variabilă aleatoare de tip binomial
care depinde de parametrii n şi p şi este de obicei
notată prin Bi(n,p).
 Probabilitatea pentru X=K este:
k k nk
Pr( X = k ) = Cn p q
 Această variabilă aleatoare X poate să ia valorile 0,
1, 2, ..., n şi are următorul tabel de distribuţie:
 k  n!
C n  k!*(n  k )!
k
X :  k k nk 
 Cn p q 
LEGEA BINOMIALĂ SAU DISTRIBUŢIA LUI
BERNOULLI

 speranţa matematică a legii binomiale este:

 M(X) = n p,
 iar variaţia:
 Var(X) =n p q,
 şi deci abaterea standard:

 (X) = npq
Comportarea la limită a legii binomiale când n
este mare

 Se poate arăta că atunci când np  10 şi nq  10,

distribuţia variabilei binomiale X (frecvenţa absolută
a succeselor) tinde să se apropie de o lege normală


N np, npq 
 Exemple
 Presupunem că de regulă un vaccin contra
pojarului produce febră la15% din copii . Care este
probabilitatea ca din 6 copii vaccinaţi 4 să aibă o
reacţie în urma vaccinării? Faptul că am întalnit
aceasta situaţie este o întamplare sau un posibil
început de epidemie?
 Răspuns: In acest caz avem n = 6, k = 4, p =0.15,
q = 1-p = 0.85 . Atunci
4
Pr( X = 4) = C 6(0.15)4 (0.85)2  0.00549.
 Această probabilitate fiind mai mică de 1% se poate
considera că această situaţie apare cu o şansă
foarte mică.
 Exemple

 Presupunem că de regulă un anumit vaccin contra

pojarului produce o reacţie (febră) cu o probabilitate
p=0.5 . Care este probabilitatea ca din 600 copii
vaccinaţi cel putin 4 să aibă o reacţie în urma
vaccinării?

4
Pr( X = 4) = C 600(0.5)4 (0.5)596
 LEGEA LUI POISSON

 Variabila aleatoare POISSON este o variabilă

discretă care ia o infinitate numărabilă de valori:
0,1,2,...,k,... , care reprezintă numărul de realizări
într-un interval dat de timp sau spaţiu ale unui
eveniment
 de exemplu
 numărul de internări pe an într-un spital,
 numărul de bacterii într-un mililitru de apă,
 numărul de dezintegrări ale unei substanţe radioactive
într-un interval de timp T dat
 LEGEA LUI POISSON

 Această variabilă aleatoare X este caracterizată de

un parametru  care reprezintă numărul mediu
teoretic (aşteptat) de realizări ale evenimentului în
intervalul considerat şi are următoarea lege de
distribuţie:
 k 
X : k 
 e  
 k! 

e   k
Pr( X = k ) =
k!
 LEGEA LUI POISSON

 Despre variabila aleatoare de tip Poisson X se mai

spune că este de tipul Po().
 Speranţa matematică şi variaţia în cazul legii lui
Poisson sunt egale ambele cu , adică :
 M(X) = Var(X) = .
 Exemple
 Rata de mortalitate pentru o anumită boală este de
7 la 1000 de cazuri. Care este probabilitatea ca
într-un grup de 400 de persoane această boală să
cauzeze 5 decese?

 Răspuns: Avem p =7/1000=0.007, m = np = 400 x

0.007= 2.8

e2.8 (2.8)5 (2.7183)2.8 (2.8)5

Pr(X=5) =   0.0872
5! 5!
 Exemple

 Rata de mortalitate pentru o vaccinul pentru

cancerul de col uterin este de 10 la 20000000 de
cazuri. Care este probabilitatea ca într-un grup de
200000 de persoane această boală să cauzeze 1
deces?

 Răspuns: Avem p =10/ 20000000, m = np =

200000 x 10/ 20000000 = 0,1

 P(X)=0,104
 Exemple
 Rata de mortalitate pentru o anumită boală este de 10 la
1000 de cazuri. Care este probabilitatea de a avea mai puţin
de 7 decese într-un grup de 500 persoane? Care este
probabilitatea de a avea 7 sau mai multe decese într-un
grup de 500 persoane?
 Răspuns: Avem
 p =10/1000=0.01, m = np = 500 x 0.01= 5
 Probabilitatea de a avea mai puţin de 7 decese este:

6
e5 5k 52 53 54 55 56
Pr(X<7) = Pr(X 6) =  5
 e (1  5      )  0,7622
k 0 k ! 2 6 24 120 720

 Probabilitatea de a avea 7 sau mai multe decese este:

 Pr(X7) = 1- Pr(X<7) = 0.2378
Karl Friedrich Gauss

 Scrierile lui Gauss (404 la număr, doar

178 publicate) sunt destinate mai multor
domenii, de la discipline ale matematicii,
fizicii şi până la geodezie, sau
astronomie.
 Bestimmung der Genauigkeit der
Beobachtungen (1816) este o analiză
asupra eficienţei estimatorilor statistici
 LEGEA NORMALĂ

 Această lege de probabilitate a cărei funcţie de

probabilitate are o alură tipică de clopot numită
curba normală sau curba lui Gauss este un
model pentru multe variabile aleatoare continue
 Această distribuţie depinde de doi parametri:
 media m
 abaterea standard 
 şi are densitatea de probabilitate următoare:
1 x m 2
 ( )
1 2 
f(x)  e
 2
LEGEA NORMALĂ
 Exemple

 Distributia greutatii
corporale sau a
TAS in grupuri de
pacientii cu varste
cuprinse intre 35 si
44 de ani
 LEGEA NORMALĂ

 Dacă X satisface o lege normală de medie m şi

abatere standard  atunci se spune că X este de
tipul N(m, ).
 Pentru variabila normală X au loc:
 M(X) = m
 Var(X) = .
LEGEA NORMALĂ
 LEGEA NORMALĂ REDUSĂ

 Este evident că există o gamă infinită de legi

normale, care corespund câte unei perechi de
parametri (m, ).
 Toate aceste distribuţii normale se pot reduce la
una singură, având media 0 şi abaterea standard 1,
cu ajutorul unei schimbări de variabilă:

X m
Z

 LEGEA NORMALĂ REDUSĂ

1 x m 2
 ( )
1 2 
f(x)  e
 2

 Aceasta este legea normală redusă cu densitatea

de probabilitate:

1
1 
2
x
f(x)  e 2
2
LEGEA NORMALĂ REDUSĂ
 LEGEA STUDENT (T)

 Variabila aleatoare Student t este o variabilă aleatoare

continuă care ia valori în intervalul (- , + ), a cărei funcţie
densitate de probabilitate depinde de un singur parametru,
numărul de grade de libertate.
 Fie X0, X1, …, Xn variabile aleatoare independente care
toate urmează legea normală centrată redusă. Atunci
variabila aleatoare
X0 n
Tn 
n

 i
X 2

i 1

 urmează o lege de probabilitate Student cu n grade de

libertate.
 LEGEA STUDENT (T)

 Densitatea de probabilitate a variabilei aleatoare

Student Tn este:
1 ( n21 ) 1
fTn ( x) 
2 ( 2 ) (1  n ) 2
n 2 n1
x

 unde  este funcţia Gamma definită astfel:


n 1
( )   e t t n1dt
2 0
 LEGEA STUDENT (T)

 Distribuţia acestei variabile aleatoare este simetrică

în raport cu originea şi are o formă de clopot:
Pr[ Tk < -x ] = Pr[ Tk > x].
 Atunci când k tinde la , distribuţia Student tinde
către o distribuţie normală redusă.
 Dacă n>30 legea lui Student şi legea normală sunt
foarte apropiate.
 Această variabilă aleatoare este utilizată, în
anumite condiţii de normalitate, în testul de
comparaţie a mediilor numit şi testul Student sau
testul t.
 LEGEA HI-PĂTRAT (PEARSON)

 Distribuţia 2 descrie comportarea unei sume de pătrate a

unor variabile independente normal distribuite, fiecare având
o medie egală cu zero şi abatere standard egală cu 1. Astfel
variabila X, definită prin egalitatea

X  X 12  X 22  ...  X n2
 Unde Xi2 reprezintă pătratul unei observaţii selectate aleator
dintr-o populaţie normal distribuită având media zero şi
deviaţia standard 1, este 2 distribuită cu n grade de
libertate.
 Densitatea de probabilitate a legii 2 este
 2x n
1
e x 2

f X ( x)  n n 1
2 2 ( )
2
 LEGEA HI-PĂTRAT (PEARSON)

 Forma acestei distribuţii depinde de numărul de

termeni Xi2 independenţi din sumă. Numărul de
termeni Xi2 independenţi se numeşte numărul de
grade de libertate .
 Fiecărui nivel d al gradelor de libertate i se
asociază o distribuţie 2 distinctă. Media şi variaţia
unei distribuţii 2 sunt :
 M(2) = d, Var(2 ) = 2 d,
 unde d este numărul de grade de libertate.
 LEGEA F (FISHER)

 Distribuţia F introdusă de R. A. Fisher, este definită

pe intervalul [0,+) şi descrie comportarea câtului a
două variabile cu distribuţie Hi-pătrat, fiecare fiind
împărţită prin numărul gradelor sale de libertate.
 Un membru al acestei clase de distribuţii este
determinat prin numărul de grade de libertate ale
numărătorului dn şi respectiv numărul de grade de
libertate ale numitorului dm, distribuţiile F distincte
fiind determinate de perechi (dn, dm) distincte.
 LEGEA F (FISHER)

 In general, pentru dn şi dm > 2 distribuţia F este

unimodală şi pozitiv asimetrică. Atunci când
numărul gradelor de libertate creşte distribuţia F se
apropie pe domeniul său de definiţie de o distribuţie
normală.
 Această distribuţie este utilizată în testele de
comparaţie a variaţiilor şi ca aplicaţie a acestora în
testele ANOVA.
Distributie – Test statistic