CURS.

VARIABILE ALEATOARE CONTINUE 2

1. Repartiţia normală

Această repartiţie este una dintre cele mai importante din teoria probabilităţilor, apare cel
mai frecvent ı̂n practică, stă la baza metodelor de prelucrare a datelor de măsurare jucând un
rol important ı̂n statistica matematică şi este ı̂n acelaşi timp legea limită către care tind alte
legi.

Definiţia 1.1. Spunem că o variabilă aleatoare este distribuită normal cu media m şi dis-
persia σ 2 , şi notăm aceasta prin
X : N (m, σ 2 ),
dacă are densitatea de probabilitate f : R → R+ dată de:
(x − m)2
1 −
f (x) = √ e 2σ 2 , x ∈ R. (1)
2πσ
Funcţia f dată de (1) satisface condiţia
+∞
!
f (x) dx = 1.
−∞

Într-adevăr, dacă ne reamintim valoarea integralei lui Gauss

+∞
! √
−x2 π
e dx = ,
2
0

datorită parităţii integrantului putem scrie

+∞
!
2 √
e−x dx = π, (2)
−∞

x−m
şi atunci cu substituţia √ = t găsim
2σ
+∞
!
1 √ +∞ !
2
f (x) dx = √ · 2σ e−t dt = 1.
−∞
2πσ −∞

Graficul lui f este aşa numitul clopot al lui Gauss. Se constată că acesta este simetric faţă
1
de dreapta x = m; pentru x = m funcţia f are maxim egal cu f (m) = √2πσ , iar punctele m ± σ
sunt puncte de inflexiune. Pentru σ constant şi m variabil, graficul se translează corespunzător.
Dacă m este constant, iar σ variabil se constată că punctul de maxim variază invers proporţional
ı̂n raport cu σ.
1
2 Daniela Roşu

Definiţia 1.2. Funcţia Φ : R → R

z
1 ! − x2
Φ(z) = √ e 2 dx (3)
2π 0
pentru orice z ∈ R se numeşte funcţia lui Laplace sau funcţia erorilor. Se mai notează
cu Erf .

Propoziţia 1.1. Au loc următoarele proprietăţi ale funcţiei lui Laplace:

(i) Φ(−z) = −Φ(z)
1
(ii) lim Φ(z) = .
z→∞ 2
!
Valorile semnificative, pentru z ∈ [ 0, 5 ], ale funcţiei lui Laplace sunt tabelate.

Propoziţia 1.2. Funcţia de repartiţie a variabilei normale este F : R → [ 0, 1 ],

" #
1 x−m
F (x) = + Φ , (4)
2 σ
pentru orice x ∈ R.
Demonstraţie. Avem
!x !x (t − m)2
1 −
F (x) = f (t)dt = √ e 2σ 2 dt.
−∞
2πσ −∞
t−m
Facem schimbarea de variabilă = u şi obţinem
σ
x−m
⎛ x−m
⎞
!σ !0 !
1 1 ⎜
σ
u2 2 u2 ⎟
F (x) = √ e− 2 σ du = √ ⎜ e − u2
du + e− 2 du⎟
⎠.
2πσ −∞
2π ⎝−∞ 0

Din (2) avem

!0 √ +∞ √
2 √ !0 −x2 2 ! −x2 2π
e − u2
du = 2 e dx = e dx = .
2 2
−∞ −∞ −∞
Rezultă atunci " #
1 x−m
F (x) = +Φ .
2 σ
!

Propoziţia 1.3. Fie a < b.

Dacă X : N (0, 1) atunci
P {a < X ≤ b} = Φ(b) − Φ(a). (5)
Dacă X : N (m, σ 2 ) atunci
* + " #
b−m a−m
P {a < X ≤ b} = Φ −Φ . (6)
σ σ
 Variabile aleatoare continue 2 3

Demonstraţie. Formulele rezultă imediat din relaţia (4) dacă reamintim

P {a < X ≤ b} = F (b) − F (a).
!

0,2 1

0,15 0,8

0,1 0,6

0,4
0,05

0,2
0
-4 -2 0 2 4 6 8 0 2 4 6 8
x x

Densitatea normală Funcţia de repartiţie normală

Figura 1. Repartiţia normală

Propoziţia 1.4. Probabilitatea ca abaterea variabilei X : N (m, σ 2 ) faţă de media m, să nu

depăşească ε > 0, este dată de
" #
ε
P {|X − m| < ε} = 2Φ .
σ
Demonstraţie. Folosim relaţia (6) şi putem scrie
" # " #
m+ε−m m−ε−m
P {|X − m| < ε} = P {m − ε < X < m + ε} = Φ −Φ .
σ σ
Dacă avem ı̂n vedere că Φ(−z) = −Φ(z) obţinem imediat rezultatul. !

Exemplul 1.1. O variabilă normal repartizată X : N (m, σ 2 ) ia valori semnificative ı̂n intervalul
(m − 3σ, m + 3σ). Avem
P {|X − m| ≥ 3σ} = 1 − P {|X − m| < 3σ} = 1 − 2Φ(3) = 0, 0027.

Propoziţia 1.5. Funcţia caracteristică a repartiţiei normale este ϕ : R → C,

t2 σ 2
ϕ(t) = ejmt − 2 , t ∈ R. (7)
Demonstraţie. Pentru orice t ∈ R avem
+∞
! ! ∞
1 − (x−m)2
ϕ(t) = e jtx
f (x)dx = √ jtx
e ·e 2σ 2 dx.
−∞
2πσ −∞
x−m
Facem schimbarea de variabilă √ = y şi, dacă avem ı̂n vedere (2), obţinem
2σ
∞ t2 σ 2 ∞
1 ! jtm−y2 +jty √2σ ejtm− 2 ! −(y− √tσ j)2 t2 σ 2
ϕ(t) = √ e dy = √ e 2 dy = ejmt − 2 .
π π
−∞ −∞
!
4 Daniela Roşu

Exemplul 1.2. Fie Xk : N (mk , σk2 ), k = 1, n, variabile normale independente. Să se arate că
suma lor
n
,
X = X1 + X2 + . . . + Xn = Xk
k=1
n
, n
,
este repartizată normal cu media M [X] = mk şi dispersia D2 [X] = σk2 ,
k=1 k=1
altfel spus * +
n
, n
, n
,
N (mk , σk2 ) =N mk , σk2 .
k=1 k=1 k=1

Soluţie. Deoarece variabilele Xk sunt independente rezultă că funcţia caracteristică a sumei
este egală cu produsul funcţiilor caracteristice şi putem scrie, folosind relaţia (7),
n
, t2 ,n
t2 σk2 jt (mk ) − σk2
2
n
- n
-
ϕX1 +...+Xn (t) = ϕXk (t) = ejmk t − 2 = e k=1 k=1 ,
k=1 k=1
* n n
+
, ,
iar aceasta corespunde ı̂n mod unic variabilei repartizate N mk , σk2 .
k=1 k=1

Exemplul 1.3. Fie Xk : N (m, σ 2 ), k = 1, n sunt n variabile independente repartizate normal cu

1, n
aceeaşi medie m şi aceeşi dispersie σ 2 . Să se arate că media lor aritmetică, notată X = Xk ,
n k=1
σ2
este o variabilă repartizată normal cu media m şi dispersia .
n
* +
1, n
2 σ2
N (m, σ ) = N m, .
n k=1 n

n
,
Soluţie. Din exemplul precedent suma Xk este repartizată N (nm, nσ 2 ). Folosind pro-
k=1
prietăţile mediei şi ale dispersiei găsim
. /
1 ,n
1
M [X] = M Xk = · nm = m,
n k=1 n
şi . /
1 ,n
1 σ2
D [X] = 2 D2
2
Xk = 2 · nσ 2 = .
n k=1 n n
Să determinăm acum expresia densităţii de probabilitate fX a variabilei X. Dacă FX : R →
[ 0, 1 ] este funcţia de repartiţie a variabilei X atunci, pentru orice x ∈ R, avem
0 n
1
,
FX (x) = P {X ≤ x} = P Xk ≤ nx = F1 (nx), (8)
k=1
n
,
unde prin F1 am notat funcţia de repartiţie a variabilei aleatoare Xk . Pe de altă parte, din
k=1
n
,
exemplul precedent ştim că suma Xk este repartizată N (nm, nσ 2 ) deci are densitatea de
k=1
 Variabile aleatoare continue 2 5

probabilitate
1 − (x−nm)2
f1 (x) = √ e 2nσ 2 .
2πnσ
Prin derivare ı̂n relaţia (8) găsim densitatea de probabilitate
2
1 − (nx−nm)2 1 − (x−m) 2
fX (x) = f1 (nx) · n = n · √ e 2nσ 2 = √ e 2 σn
,
2πnσ 2π √σn
de unde afirmaţia.

Exemplul 1.4. Durata de funcţionare a unei baterii este o variabilă aleatoare repartizată
normal X : N (m, σ 2 ), unde m = 120 zile reprezintă timpul mediu de funcţionare, iar σ = 10
zile reprezintă abaterea faţă de medie. Să se determine
(i) probabilitatea ca bateria să funcţioneze cel puţin 100 de zile;
(ii) probabilitatea ca bateria să funcţioneze ı̂ntre 100 şi 150 de zile;
(iii) un interval de timp ı̂n care se poate presupune că bateria funcţionează aproape sigur.

Soluţie.
(i) Avem P {X ≥ 100} = 1 − P {X < 100} = 1 − F (100)
" #
1 100 − 120 1
=1− + Φ( ) = + Φ(2) = 0, 97725;
2 10 2
(ii) Putem scrie succesiv
" # " #
150 − 120 100 − 120
P {100 ≤ X ≤ 150} = Φ −Φ = Φ(3) + Φ(2) = 0, 9759;
10 10
(iii) Aplicı̂nd regula celor 3σ, găsim intervalul căutat de forma |X − m| < 3σ, deci |X − 120| <
3 · 10, altfel spus bateria funcţionează aproape sigur ı̂ntre 90 şi 150 zile.

Exemplul 1.5. Fie variabila distribuită normal X : N (0, σ 2 ) şi fie β > α > 0. Să se determine
abaterea σ, astfel ca probabilitatea P {X ∈ (α, β)} să fie maximă.
Soluţie. Avem
⎛ β α
⎞
* + " # !σ !
1
σ
β α ⎜ t2 t2 ⎟
P {α < X < β} = Φ −Φ = √ ⎜ e− 2 dt − e− 2 dt⎟ := h(σ).
σ σ 2π ⎝
0
⎠
0

Pentru determinarea punctului de maxim al funcţiei h anulăm derivata h′ (σ) şi obţinem ecuaţia
* +
1 β β2 α α2
√ − 2 · e− 2σ2 + 2 · e− 2σ2 = 0,
2π σ σ
cu soluţia 2
3
3 β 2 − α2
σ= 4 .
2(ln |β| − ln |α|)

Propoziţia 1.6. Dacă variabila aleatoare X este distribuită normal X : N (m, σ 2 ), atunci
variabila Y = aX + b, a ∈ R∗ , b ∈ R este distribuită normal Y : N (am + b, |a|σ).
6 Daniela Roşu

Demonstraţie. Pentru a > 0 avem

0 1 * +
x−b x−b
FY (x) = P {aX + b ≤ x} = P X ≤ = FX
a a
iar pentru a < 0 avem
0 1 * +
x−b x−b
FY (x) = P {aX + b ≤ x} = P X ≥ = 1 − FX ,
a a
pentru orice x ∈ R. Prin derivare găsim
* +
1 x−b
fY (x) = fX .
|a| a
rezultă că variabila Y este normal repartizată cu media am + b şi dispersia |a|σ. !
1
Corolar 1.1. Dacă X : N (m, σ 2 ) atunci Y = (X − m) : N (0, 1).
σ
!

Exerciţiul 1.1. Fie X : N (m, σ 2 ). Să se determine densitatea de probabilitate condiţionată

f (x | {|X − m| ≤ kσ}).

Soluţie. Fie A = {a ≤ X ≤ b}. Conform (??), funcţia de repartiţie condiţionată este

P ({X ≤ x} ∩ A
F (x|A) = P ({X ≤ x|A}) = ,
P (A)
iar din (??) avem ⎧
⎪
⎪ 0, x < a,
⎪
⎨F (x) − F (a)
F (x|A) = ⎪ , x ∈ [a, b],
⎪
⎪ F (b) − F (a)
⎩
1, x > b.
Prin derivare obţinem densitatea de probabilitate condiţionată:
⎧
⎪ f (x)
⎪
⎪
⎨ , x ∈ [a, b],
f (x|A) = F (b) − F (a)
⎪
⎪
⎪
⎩
0, ı̂n rest.
Pentru a = m − kσ şi b = m + kσ rezultă:
⎧
⎪
⎪ (x − m)2
⎪
⎪ 1 −
⎪
⎨ √ e 2σ 2 , m − k ≤ x ≤ m + kσ
f (x | {|X − m| ≤ kσ}) = 2πσ2Φ(k)
⎪
⎪
⎪
⎪
⎪
⎩
0, ı̂n rest.
Exerciţiul 1.2. Să se calculeze momentele centrate ale repartiţiei normale N (m, σ 2 ).
Soluţie. Avem
!∞
1 (x−m) 2

µk = √ (x − m) e− 2σ2 dx.
k
σ 2π −∞
 Variabile aleatoare continue 2 7
√
Facem schimbarea de variabilă x − m = 2σy şi găsim
√ k !∞
(σ 2) 2
µk = √ y k e−y dy.
π
−∞

Integrăm prin părţi şi obţinem

√ ⎛ ∞
⎞
(σ 2)k ⎝ 1 −y2 k−1 99+∞ k − 1 ! k−2 −y2 ⎠
µk = √ − e y 9−∞ + y e dy =
π 2 2
−∞
√ ∞
(k − 1)(σ 2)k ! k−2 −y2
= √ y e dy = (k − 1)σ 2 µk−2 .
2 π
−∞
Astfel am găsim relaţia de recurenţă
µk = (k − 1)σ 2 µk−2 , k ≥ 2,
de unde deducem 0
µ2k+1 = 0
µ2k = (2k − 1)!!σ 2k
În particular, pentru k = 2, obţinem D2 [X] = σ 2 .

2. Teorema limită centrală

Definiţia 2.1. Spunem că şirul de variabile aleatoare (Xn )n∈N converge ı̂n probabilitate
către variabila X dacă pentru orice ε > 0 are loc
lim P {|Xn − X| ≥ ε} = 0 (9)
n→∞

sau, echivalent,
lim P {|Xn − X| < ε} = 1. (10)
n→∞

Vom nota aceasta prin

prob
Xn −→ X.

Propoziţia 2.1. Fie (Xn )n∈N un şir de variabile aleatoare având medie şi dispersie astfel ı̂ncât
lim D2 [Xn ] = 0.
n→∞

Atunci
Xn − M [Xn ] −→ 0.
prob

Demonstraţie. Aplicăm inegalitatea lui Cebâşev şi, pentru orice ε > 0, avem

D2 [Xn ]
lim P (|Xn − M [Xn ]| ≥ ε) ≤ lim = 0,
n→∞ n→∞ ε2
deci
lim P (|Xn − M [Xn ]| ≥ ε) = 0
n→∞
de unde concluzia. !
8 Daniela Roşu

Teorema 2.1. (Legea numerelor mari a lui Bernoulli)

Fie (Xn )n∈N un şir de variabile aleatoare având aceeaşi medie m şi dispersiile egal majorate
de o constantă C > 0
D2 [Xn ] ≤ C
pentru orice n ∈ N. Atunci
1
(X1 + ... + Xn ) −→ m.
prob
n
Demonstraţie. Avem M [Xn ] = m şi D2 [Xn ] ≤ C pentru orice n ∈ N. Notăm
1
Xn = (X1 + ... + Xn )
n
: ;
şi deoarece variabilele Xn sunt independente avem M X n = m şi pentru dispersie găsim
majorarea
: ; 1 C
D2 X n = 2 D2 [X1 + ... + Xn ] ≤ → 0.
n n
Aplicând Propoziţia 2.1 rezultă că
: ; 1
Xn − M Xn = (X1 + ... + Xn ) − m −→ 0,
prob
n
de unde afirmaţia teoremei. !

Exemplul 2.1. La efectuarea unei experienţe, un eveniment A se realizează cu probabilitatea

P (A) = p. Se repetă experienţa ı̂n condiţii identice şi, pentru orice n ∈ N∗ notăm Xn variabila
care ia valoarea 1 dacă* se produce+ A şi valoarea 0 ı̂n caz contrar. Tabloul de repartiţie a
0 1
variabilei Xn este Xn : .
1−p p
Se determină cu uşurinţă, media M [Xn ] = p şi dispersia D2 [Xn ] = p(1 − p). Conform legii
numerelor mari a lui Bernoulli rezultă că
1
(X1 + ... + Xn ) −→ p.
prob
n
X1 +...+Xn reprezintă numărul de apariţii ale lui A după primele n experimente, adică frecvenţa
relativă lui A, notată ı̂n statistică cu fn (A). Astfel rezultatul obţinut se rescrie

fn (A) −→ p.
prob

Teorema limită centrală este una dintre cele mai importante teoreme din teoria probabi-
lităţilor. Intuitiv, teorema afirmă că suma unui număr mare de variabile aleatoare indepen-
dente, identic distribuite, poate fi aproximată de o distribuţie normală N (0, 1). Teorema jus-
tifică importanţa variabilei aleatoare normale. Teorema limită centrală mai poartă denumirea
de ”miracolul lui Gauss.” Enunţăm, fără demonstraţie, această teoremă şi exemplificăm câteva
aplicaţii ale sale.

Teorema 2.2. (Teorema limită centrală)

 Variabile aleatoare continue 2 9

Fie X1 , X2 , ..., Xn , ... un şir de varibile aleatoare cu aceeaşi repartiţie (identic distribuite) şi
independente două câte două. Atunci, pentru n suficient de mare, variabila
n
. n
/
, ,
Xi − M Xi
Y = i=1
. n
i=1
/ : N (0, 1)
,
D Xi
i=1

este repartizată normal N (0, 1).

Exemplul 2.2. La o casierie se fac plăţi pentru un anumit serviciu, cu media 80$ şi abaterea
medie pătratică de 20$.
1. Să se calculeze probabilitatea ca primii 100 de clienţi să necesite mai mult de 8400$.
2. Care este probabilitatea ca suma solicitaă de aceştia să fie cuprinsă ı̂ntre 7800 şi 8400$.
3. Câţi clienţi ar necesita ı̂n total mai mult de 10000$, cu siguranţa 0, 9?

Soluţie. Fie Xi plata aleatoare pentru clientul i. M [Xi ] = 80, D[Xi ] = 20. Variabila
100
,
X= Xi
i=1

reprezintă plata către primii 100 de clienţi. Avem

M [X] = 100 · 80 = 8000, D2 [X] = 100 · 202 , D[X] = 200

Din Teorema limită centrală rezultă că variabila

X − M [x] X − 8000
Y = = : N (0, 1)
D[X] 200
deci are funcţia de repartiţie
1
FY (x) = + Φ(x).
2
100 < =
, X − 8000 8400 − 8000
1. P { Xi > 8400} = P {X > 8400} = P >
i=1 200 200
= 1 − FY (2) = 1 − (0, 5 + Φ(2)) = 0, 5 − Φ(2) = 0, 02275.
0 100
1
, > ?
7800−8000 8400−8000
2. P 7800 < Xi < 8400 = P 200
< X−8000
200
< 200
i=1

= FY (2) − FY (−1) = Φ(2) − Φ(−1) = Φ(2) + Φ(1) = 0, 47725 + 0, 34134 = 0, 81859.

3. Determinăm n din condiţia

* +
10000 − n · 80
1−F √ = 0, 1.
n · 400
!
10 Daniela Roşu

Exemplul 2.3. Timpul mediu ı̂ntre două evenimente aleatoare ale unui experiment este distri-
buit exponenţial cu media m. Să se determine probabilitatea ca evenimentul 1000 să se producă
ı̂n intervalul (1000 ± 50)m.
Soluţie. Fie X1 timpul scurs până la producerea primului eveniment, X2 timpul scurs ı̂ntre
evenimentul 1 şi cel de-al doilea, . . . Xi timpul dintre evenimentul i − 1 şi evenimentul i. Pentru
fiecare i variabila Xi este repartizată exponenţial cu media m. Din Exerciţiul ??, deducem că
1
parametrul repartiţiei este λ = şi atunci
m
⎧
⎨ 1 −m 1
e t , t ≥ 0,
f (t) = ⎩ m M [Xi ] = m, D2 [X] = m2 .
0, t < 0,
1000
,
X= Xi
i=1
reprezintă timpul scurs până la producerea evenimentului 1000.

M [Xi ] = m ⇒ M [X] = 1000 · m; D2 [Xi ] = m2 ⇒ D2 [X] = 1000 · m2 .

Din Teorema limită centrală rezultă că variabila
X − M [x]
: N (0, 1)
D[X]
are funcţia de repartiţie
F (x) = 0, 5 + Φ(x).
Avem
0 1
950m − 1000m X − M [X] 1050m − 1000m
P {950m ≤ X ≤ 1050m} = P √ ≤ ≤ √
m 1000 D[X] m 1000
*√ + * √ + *√ +
10 10 10
=Φ −Φ − = 2Φ .
2 2 2
!

Exemplul 2.4. Într-un service există un stoc de 1660 m cablu. Ştiind că zilnic se folosesc ı̂n
medie 13, 33 m cu o abatere de σ = 1, 2m, să se determine cu ce probabilitate această cantitate
ajunge 120 de zile?
Soluţie. Notăm cu Xi variabila aleatoare ale cărei valori reprezintă consumul zilei i, i = 1, 120.
Avem
M [Xi ] = 13, 33, D[Xi ] = 1, 2.
120
,
În 120 de zile se consumă X = Xi .
i=1
@
M [X] = 120 · 13, 33 = 1599, 6, D2 [X] = 120 · 1, 22 ⇒ D[ X] = 120 · 1, 22 = 13, 1,
Din Teorema limită centrală rezultă că variabila
X − M [x] X − 1599, 6
= : N (0, 1)
D[X] 13, 1
 Variabile aleatoare continue 2 11

are funcţia de repartiţie

F (x) = 0, 5 + Φ(x).
0 1
X − 1599, 6 1660 − 1599, 6
P {X ≤ 1660} = P ≤ = 0, 5 + Φ(4, 6) = 0, 999.
13, 1 13, 1

Teorema 2.3. (Teorema lui Moivre-Laplace)

Dacă X : Bin [ n, p ] este o variabilă aleatoare repartizată Bernoulli atunci, pentru n suficient
de mare, variabila
X − np
Y = √ ,
npq
unde q = 1 − p, urmează legea normală
X − np
√ : N (0, 1).
npq
Demonstraţie. Să ne reamintim că variabila aleatoare discretă binomială (Bernoulli) X :
Bin [ n, p ] are ca valori numărul de realizări ale evenimentului A, când se repetă o experienţă
de n ori ı̂n condiţii identice, P (A) = p fiind probabilitatea ca la o efectuare a experienţei să se
producă A. Tabloul de repartiţie este
* +
0 1 2 ... k ... n
X: . (11)
Cn0 p0 q n Cn1 p1 q n−1 Cn2 p2 q n−2 . . . Cnk pk q n−k . . . Cnn pn q 0
Variabila binomială X poate fi văzută ca suma a n variabile aleatoare independente Xi identic
repartizate: Xi = 1 dacă la ı̂ncercarea i s-a produs evenimentul A şi Xi = 0 ı̂n caz contrar.
* +
0 1
X = X1 + X2 + . . . + Xn , Xi : , i = 1, n, q = 1 − p.
q p
Avem M [Xi ] = p şi D2 [Xi ] = pq. Atunci
n
,
X = X1 + X2 + . . . + Xn = Xi ,
i=1
n
, n
,
M [X] = M [ Xi ] = M [Xi ] = np,
i=1 i=1
,n ,n
D2 [X] = D2 [ Xi ] = D2 [Xi ] = npq.
i=1 i=1

Rezultatul teoremei este o consecinţă imediată a Teoremei limită centrală 2.2. !

Exemplul 2.5. Se aruncă un zar de 500 de ori. Cu ce probabilitate putem afirma că obţinem
faţa 6 de cel mult 90 de ori?
Soluţie. Fie X variabila aleatoare care dă frecvenţa de apariţie a feţei cu 6 puncte. Avem
1 5
p = , q = , n = 500. Utilizăm teorema lui Moivre-Laplace şi obţinem că variabila
6 6
X − np X − 83, 3
√ = : N (0, 1)
npq 8, 33
12 Daniela Roşu

deci are funcţia de repartiţie F (x) = 0, 5 + Φ(x).

0 1 * +
X − np 90 − np 90 − np
P {X ≤ 90} = P √ ≤ √ ≃ 0, 5 + Φ √ = 0, 5 + Φ(0, 8) = 0, 788.
npq npq npq
!

Exemplul 2.6. Probabilitatea ca un articol să nu corespundă normelor este p = 0, 2. Se face o

selecţie de n = 400 de articole. Presupunând selecţia cu repunere (aceasta se poate presupune
dacă volumul total este foarte mare), să se determine probabilitatea ca ı̂ntre 70 şi 100 de articole
să fie necorespunzătoare.
Soluţie. Fie X variabila care dă numărul de articole necorespunzătoare. X este repartizată
binomial cu volumul total n = 400, p = 0, 2 q = 0, 8. Aplicăm Teorema lui Moivre-Laplace şi
rezultă că variabila
X − np X − 80
√ = : N (0, 1)
npq 8
are funcţia de repartiţie F (x) = 0, 5 + Φ(x).
70 − 80 X − 80 100 − 80 X − 80
P {70 ≤ X ≤ 100} = P { ≤ ≤ } = P {−1, 25 ≤ ≤ 2, 5}
8 8 8 8
= Φ(2, 5) − Φ(−1, 25) = Φ(2, 5) + Φ(1, 25) = 0, 49379 − 0, 39435 = 0, 00944.

3. Fiabilitate

În sensul cel mai larg, fiabilitatea unui sistem reprezintă proprietatea acestuia de a-şi ı̂ndeplini
funcţiile specifice cu anumite performanţe şi fără defecţiuni, ı̂ntr-un anumit interval de timp
şi ı̂n condiţii de exploatare date. Admitem ca moment iniţial de timp, momentul ı̂n care un
anumit element sau sistem este pus ı̂n stare de funcţionare.
Notăm T variabila aleatoare ce reprezintă timpul de funcţionare până la prima defectare
a unui echipament şi fie F : R → [ 0, 1 ] funcţia de repartiţie iar f : R → C densitatea de
probabilitate a variabilei T .

Definiţia 3.1. Funcţia R : [0, +∞) → [ 0, 1 ] definită prin

R(t) = P {T > t} = 1 − F (t), (12)
pentru orice t ≥ 0, se numeşte funcţia de fiabilitate sau funcţia de siguranţă.

Din proprietăţile generale ale funcţiilor de repartiţie deducem,

(i) R(0) = 1, lim R(t) = 0,
t→∞
(ii) R este strict descrescătoare, t1 < t2 ⇒ R(t1 ) > R(t2 ),
(iii) f (t) = −R′ (t) pentru orice t ∈ R,
!∞
(iv) R(t) = f (s)ds pentru orice t ∈ R.
t
 Variabile aleatoare continue 2 13

Admitem că există o funcţie r cu proprietatea că r(t) · ∆t reprezintă probabilitatea ca ı̂n
intervalul de timp (t, t + ∆t) să apară prima defecţiune (considerând că până la momentul t,
dispozitivul a funcţionat). Această funcţie se numeşte rată de defectare şi este legată de
funcţia de fiabilitate prin relaţia:

R′ (t)
r(t) = − (13)
R(t)
pentru orice t ≥ 0.
Într-adevăr, din Definiţia ?? a probabilităţii condiţionate avem:

P {t < T ≤ t + ∆t}
r(t) · ∆t = P ({t < T ≤ t + ∆t}|{T ≥ t}) = =
P {T ≥ t}
F (t + ∆t) − F (t) R(t + ∆t) − R(t)
= =− .
R(t) R(t)
Împărţim ultima relaţie prin ∆t, trecem la limită pentru ∆t → 0 şi găsim relaţia (13). Re-
zolvând acestă ecuaţie diferenţială, cu condiţia iniţială R(0) = 1 găsim soluţia:
At
R(t) = e− 0
r(s) ds
, t ≥ 0. (14)

Exemplul 3.1. Dacă rata de defectare este constantă r(t) = λ pentru orice t ≥ 0, atunci
funcţia de fiabilitate este
R(t) = e−λt , t > 0,
iar funcţia de repartiţie este
F (t) = 1 − e−λt , t > 0.

Exemplul 3.2. O lege de probabilitate care apare frecvent ı̂n teoria fiabilităţii este repartiţia
Weibull. Densitatea de probabilitate este:
0
dacă t ≥ 0
α
λαtα−1 e−λt
f (t) = (15)
0 dacă t < 0,
λ, α ∈ R+

2 1

0,8
1,5

0,6

y 1

0,4

0,5
0,2

0 0
0 0,5 1 1,5 2 0 0,5 1 1,5 2
x
x

Densitatea repartiţiei Weibull Funcţia de repartiţie Weibull

Figura 2. Repartiţia Weibull

14 Daniela Roşu

Funcţia de fiabilitate este:

R(t) = e−λt ,
α

iar rata de defectare este:

r(t) = λαtα−1 ,
pentru orice t ≥ 0. Dacă α = 1, regăsim repartiţia exponenţială, iar pentru α = 2 obţinem
repartiţia Rayleigh.

Exemplul 3.3. Dacă rata de defectare este proporţională cu timpul, r(t) = λt, λ > 0, atunci
λ 2
R(t) = e− 2 t
λ
şi se obţine repartiţia Weibull cu parametrii şi α = 2.
2
!

Exemplul 3.4. Legare ı̂n serie. Un dispozitiv are n componente legate ı̂n serie, dacă
defectarea uneia, conduce la nefuncţionarea ı̂ntregului sistem. Cunoscând ratele de defectare
pentru fiecare componentă, să se determine rata de defectare a dispozitivului.
Soluţie. Presupunem că fiecare componentă Ci , i = 1, . . . n, se poate defecta independent de
celelalte, cu rata de defectare ri şi are funcţia de fiabilitate Ri . Dacă T , respectiv Ti , i = 1, . . . , n
semnifică timpul de funcţionare până la prima defectare a sistemului, respectiv a componentei
Ci , atunci avem
n
B
{T ≥ t} = {Ti ≥ t}.
i=1
Aplicând formula probabilităţii intersecţiei de evenimente independente găsim
! ! n
t,
ri (s) ds
t
n
- n
- − ri (s) ds −
0 i=1
R(t) = Ri (t) = e 0 =e .
i=1 i=1

Deci rata de defectare este

n
,
r(t) = ri (t).
i=1
Observăm că T = min{T1 , . . . , Tn }.

Exemplul 3.5. Legare ı̂n paralel. În cazul componentelor legate ı̂n paralel, sistemul poate
funcţiona, chiar dacă una dintre componente se defectează. Să se determine funcţia de fiabilitate
a sistemului.
Soluţie. Sistemul nu funcţionează dacă niciuna dintre componente nu funcţionează. Deci
n
B
{T < t} = {Ti < t}.
i=1
 Variabile aleatoare continue 2 15

Dacă presupunem că respectivele componente se pot defecta independent una de alta, obţinem
n
-
1 − R(t) = (1 − Ri (t)) .
i=1

În acest caz nu putem găsi o expresie simplă pentru rata r de defectare a sistemului. Observăm
că T = max{T1 , . . . , Tn }.