CURS 4

Repartiţii de tip discret

1. Repartiţia binomială (Bernoulli)
Se obţine când experimentele au următorul model probabilistic:
a) –fiecare încercare să aibă numai două rezultate posibile care să formeze un sistem
complet de evenimente incompatibile, de exemplu evenimentele A şi A ;
b) probabilitatea de apariţie a unui eveniment, de exemplu A, să fie constantă la fiecare
încercare (egală cu p). Deci, probabilitatea evenimentului A va fi 1-p = q.
P( A ) = 1 − p = q .

Exemplu: se consideră un lot de piese, având un procent de piese defecte. Se efectuează extrageri
repetate, iar fiecare piesă extrasă este introdusă iar în lot, spre a nu se modifica compoziţia. Se
obţine o repartiţie binomială a numărului de piese defecte. Extragerea se numeşte „cu
întoarcere”. Presupunem că am efectuat extrageri de două ori: fie A – evenimentul „piesa este
bună”, A - evenimentul „piesa este defectă”.
- probabilitatea apariţiei evenimentului A de două ori este:
P ( A ∩ A) = P ( A) ⋅ P ( A) = p 2
-probabilitatea apariţiei o singură dată este
[ ]
P (A ∩ A ) ∪ (A ∩ A) = P( A) ⋅ P (A ) + P (A ) ⋅ P( A) = 2 ⋅ pq
-probabilitatea neapariţiei evenimentului A în cele două extrageri este:
P ( A ∩ A ) = P (A ) ⋅ P (A ) = q 2
Probabilitatea ca din două extrageri să se extragă 0,1 sau 2 piese bune este:
P(0 ) = (1 − p ) = q 2 ; P(1) = 2 pq; P(2 ) = p 2
2

După n încercări, evenimentul A s-a produs de k ori şi evenimentul A s-a produs de n-k ori.
Probabilitatea de a se produce evenimentul A de k ori şi evenimentul A de n-k ori este:
𝑃𝑃�𝐴𝐴 ∩ 𝐴𝐴 ∩ 𝐴𝐴 … … ∩ 𝐴𝐴 ∩ 𝐴𝐴 ∩ 𝐴𝐴 … ∩ 𝐴𝐴� = 𝑝𝑝𝑘𝑘 𝑞𝑞 𝑛𝑛−𝑘𝑘
k ori n-k ori
În cele n experimentări, nu ne interesează ordinea de apariţie a evenimentului A şi, în
acest caz, trebuie considerate toate cazurile posibile. Numărul posibil este C nk . Deci
probabilitatea ca evenimentul A să se producă de k ori în n probe este dat de relaţia:

P(n; k ) = Cnk p k q n − k = Cnk p k (1 − p ) sau P(n; k ) =

n!
pk ⋅ qn−k
n−k

k!(n − k )!
 P(n;k) are aceeaşi formă ca şi termenul general al dezvoltării binomului lui Newton, de
unde denumirea de repartiţie binomială.
Funcţia de probabilitate a repartiţiei binomiale are expresia:
P(x = k ) = P(k ) = Cnk p k q n − k
Funcţia de repartiţie binomială are valoarea dată de expresia:

P( x ≤ k ) = F (k ) = ∑ P( x ) = ∑ Cnx p x q n− x
k k

x =0 x =0

2. Repartiţia hipergeometrică
Modelul probabilistic al repartiţiei hipergeometrice este similar celui binomial, dar elementul
extras nu mai revine şi, astfel, la fiecare extragere, condiţiile se modifică. Extragerea se numeşte
„fără întoarcere”.
Fie un lot cu n piese din care a sunt bune şi b = n-a sunt defecte (a+b = n).
Probabilitatea ca, efectuând m extrageri succesive fără întoarcere, să se scoată x piese bune şi, în
consecinţă, un număr m-x să fie defecte, se obţine considerând că numărul total al cazurilor
posibile este dat de combinările a n piese luate de câte m ori: C nm = C am+b , iar numărul cazurilor

favorabile extragerii de piese bune şi de piese defecte este dat, respectiv, de C ax şi C bm − x .

Funcţia de probabilitate are expresia:
CaxCbm − x
Pn, m ( x ) =
Cnm
Dacă n este foarte mare, repartiţia hipergeometrică se apropie de repartiţia binomială cu
parametrii:
a b a
p = ; q = =1− .
n n n
Funcţia de repartiţie este:
k
Fn , m (k ) = P( x ≤ k ) =
1
Cnm
∑ CaxCbm − x .
x =0

Repartiţia hipergeometrică poate fi reprezentată şi într-o formă mai generală: se consideră un

număr de n produse industriale a1 , a 2 ,..., a k având calităţi diferite, unde a1 + a 2 + ... + a k = n .

Extrăgând fără întoarcere m exemplare, posibilitatea ca în eşantionul extras să existe x1 , x 2 ,..., x k

exemplare din fiecare calitate ( x1 + x 2 + ... + x k = m ) este:

Cax11 Cax22 ...Caxkk

Pn , m ( x1 , x2 ,..., xk ) =
Cnm
3. Repartiţia Poisson
Este repartiţia evenimentelor rare, evenimente ca producerea unor avarii grave, producerea
accidentelor, defectarea unor maşini sau instalaţii complexe. Dacă se notează cu λ densitatea de
apariţie a unui eveniment în unitatea de timp, atunci µ = λ ⋅ t reprezintă media apariţiilor în
intervalul t . Probabilitatea de apariţie de k ori a evenimentului respectiv în acelaşi interval t
este:

P(x = k ) =
(λt )k e− λt
k!
Funcţia de probabilitate are expresia:
µk
P(x = k ) = e− µ
k!
Valorile funcţiei de probabilitate sunt, in general, tabelate.
Funcţia de repartiţie are expresia:
µ k
F (k ) = P( x ≤ k ) = e − µ ∑
k k!
Legea Poisson este o lege limită a repartiţiei binomiale. Această particularitate este folosită în aplicaţiile practice
atunci când un eveniment cu repartiţie binomială are o probabilitate foarte mică de apariţie. În acest caz se utilizează
relaţia:

P(n; k ) ≈
(np )k e− np
k!
unde np - reprezintă media teoretică a repartiţiei binomiale. Aproximaţia este suficient de bună atunci când p ≤ 0,1
şi np ≤ 5 .
O particularitate a repartiţiei Poisson este egalitatea dintre media teoretică şi dispersie.

Apartenenţa la un interval în cazul funcţiilor cu repartiţie normală

X → xi ∈ ( x1; x2 )
Ne interesează probabilitatea ca variabila continuă aleatoare normală să aparţină acestui interval:
(µ ;σ ) → (x
2
1 < X < x2 )
Conform definiţiei, având densitatea de probabilitate f ( x ) , apartenenţa la intervalul
respectiv se scrie:
x2

P(x1 < X < x 2 ) = ∫ f (x )dx = F (x ) − F (x )

2 1
x1

x1 − µ x2 − µ
Observaţie: Dacă se apelează la mărimi normate de forma z1 = , z2 = , se poate găsi
σ σ
că probabilitatea:
 x −µ x −µ
P( x1 < X < x2 ) = F  2  − F 1 
 σ   σ 
= F ( z2 ) − F ( z1 )
Precizare: Problema apartenenţei variabilei la un interval este extrem de importantă în aplicaţii
practice. Ea este luată în considerare în orice problemă de proiectare cu restricţii, adică în situaţia
în care trebuie să ne încadrăm în anumite limite.
Este important că pe baza observaţiei anterioare se poate estima probabilitatea unei variabile
normale de a aparţine intervalelor ± σ ,±2σ ,±3σ .

Regula celor 3 σ
Să considerăm o variabilă aleatoare cu repartiţie normală, N(μ, σ2), şi să ne punem problema de a
studia probabilitatea ca variabila x faţă de media µ să nu depăşească o anumită valoare:

⇒ x − µ < x0

P( x − µ < x0 ) conţine implicit o dublă inegalitate:

µ − x0 < x < µ + x0 (1)

Dacă se fac notaţiile:
x1 = µ − x0 şi x 2 = µ + x0 (2)
şi se ţine cont de normarea făcută la studiul apartenenţei la un interval dat rezultă că:
P(| x − µ |< x0 ) = F (z2 ) − F ( z1 ) (3).
Cu acestea, din (2) şi (3) se poate scrie:
x   x  x 
P( x − µ < x0 ) = F  0  − F  − 0  = 2 F  0  − 1 (4)
σ   σ  σ 

Dacă se consideră x0 = 3σ şi se înlocuieşte în relaţia anterioară (4), se ajunge la relaţia:

P( x − µ < x0 ) = 2 F (3) − 1 (5)

Din tabele avem valoarea lui F (3) =0,9987, cu alte cuvinte P = 2 ⋅ 0,9987 − 1 = 0,9974 , în
procente P(% ) = 99,74% .

Concluzie: probabilitatea ca variabila aleatoare x să se găsească în intervalul (− 3σ ,+3σ ) este de

99,74%, ceea ce ne spune că rezultatele oricărui experiment se includ în acest interval pe baza
certitudinii practice. Aceasta poartă numele de „regula celor trei σ ”.
Din punct de vedere practic, această regulă se reprezintă ca în figura de mai jos:

34.13%

47.725%

-3σ -2σ -σ μ σ 2σ 3σ

a=68,26% b=95,45% c=99,74%

F (σ ) → a F (2σ ) → b F (3σ ) → c