CAPITOLUL 10

REPARTIŢII CLASICE

10.1. Repartiţii discrete

10.1.1. Repartiţia binomială

DEFINIŢIE: Variabila aleatoare X are o repartiţie

binomială de parametrii n şi p dacă funcţia sa de probabilitate este
dată de probabilitatea pn (x ) din schema urnei lui Bernoulli, adică
f ( x ) = Cnx p x q n− x , x ∈ {0, Κ , n} , p ∈ (0,1) , p + q = 1 . Deci :

æ x ö
X : çç x x n − x ÷÷
è Cn p q ø

I. f (x ) este o funcţie de probabilitate, deoarece:

1) f ( x ) ≥ 0 , evident deoarece Cnx > 0 , p ≥ 0 , q ≥ 0 .
n n
2) f ( x) = Cnx p x q n − x = ( p + q) n = 1n = 1 .
x =0 x =0

II. Pentru calculul mediei şi dispersiei vom folosi funcţia

generatoare de momente.

æ e tx ö
g (t ) = M ( e tX ) ; e tX : ç .
ç f ( x ) , x = 0,1, Κ , n
è
n n
Deci g(t) = M (etX ) = etxCnx p x qn−x = Cnx ( pet ) x qn−x = ( pet + q)n .
x=0 x=0
n −1
g ' ( t ) = npe t ( pe t + q ) ;
n −1
m1 = g ' (0) = np( p + q ) = np .
g ' ' (t ) = n ( n − 1) p e ( pe + q ) n − 2 + npe t ( pe t + q ) n −1 ;
2 2t t

m2 = g' ' (0) = n(n −1) p2 ( p + q)n−2 + np( p + q)n−1 = n2 p2 − np2 + np =

= n 2 p 2 + np(1 − p ) = n 2 p 2 + npq

Deci: M ( X ) = np şi D( X ) = m2 − m12 = n 2 p 2 + npq − n 2 p 2 = npq.

Funcţia caracteristică:
n n
c(t ) = M (eitX ) = å eitxCnx p x qn−x = åCnx ( p ⋅ eit ) x qn−x = ( p ⋅ eit + q)n
x =0 x=0
Evident, m1 = M ( X ) = c ' ( 0) = np .
1
Analog se calculează m2 = 2 c' ' (0) = m2 p 2 + npq . Prin urmare,
i
D( X ) = m2 − m12 = npq.

10.1.2. Repartiţia hipergeometrică

DEFINIŢIE: Variabila aleatoare X are repartiţie

hipergeometrică dacă funcţia sa de probabilitate este dată de
probabilitatea Pn ( X ) din schema urnei cu bilă nerevenită (Această
schemă presupunea că dintr-o urnă cu N bile, din care a erau albe şi
b erau negre, se extrag n bile. Pn este probabilitatea ca din cele n
x n−x
bile extrase x să fie albe.). Deci f ( x ) = C a CnN −a , x ∈{0,Κ , n} .
CN
æ x ö
ç x n− x ÷
X : ç a N −a ÷
C C
ç Cn ÷
è N ø

I. f (x ) este o funcţie de probabilitate, deoarece:

1) f (x) ≥ 0 , evident deoarece toate combinările sunt mai mari ca
zero.
x n− x
2) å f ( x ) = å Ca CnN −a = 1n å Cax C Nn −−xa =1 .
n n n

x =0 x =0 CN C N x =0
n n
Pentru a calcula suma åf (x) am folosit egalitatea
x=0
åC C
x=0
x
a
n−x
N −a = CNn pe

care o vom demonstra în continuare.

(1 + y ) a (1 + y ) b = (1 + y ) a + b
(1 + y ) a = Ca0 1 + C a1 y + ... + C an −1 y n −1 + C an y n + ... + C aa y a
(1 + y ) b = Cb0 1 + Cb1 y + ... + Cbn −1 y n −1 + Cbn y n + ... + Cbb y b
(1 + y ) a +b = Ca0+b 1 + Ca1+b y + ... + Can+−b1 y n −1 + Can+b y n + ... + Caa++bb y a +b

Coeficientul lui y n din membrul stâng al ultimei relaţii este :

 n
y n [Ca0Cbn + Ca1Cbn −1 + ... + Can −1Cb1 + Can Cb0 ] = å Cax Cbn − x .
x =0
n n
Deci åC C
x =0
x
a
n− x
b =C n
a +b Þ åC C
x =0
x
a
n−x
N −a =C .
n
N

II. Media şi dispersia:

n
C xC n−x
M ( X ) = å x a nN −a
x =0 CN
a! a(a − 1)! (a − 1)!
xCax = x =x =a = aCax−−11
x! (a − x)! x( x − 1)!(a − x)! ( x − 1)!(a − x)!
n n n

å Cax C Nn−−xa = å xCaxC Nn−−xa = a å Cax−−11C Nn−−xa = aC Nn−−11

x =0 x =1 x =1

aCn−1 ( N − 1)!n! ( N − n)! n a a

M ( X ) = Nn −1 = a = a = n = np , p = .
CN (n − 1)!( N − n)! N! N N N

Pentru a calcula dispersia, vom calcula momentul de ordinul doi.

1 n 1 n 1 n
M( X 2 ) = n x2CaxCNn−−xa = n x( x −1)CaxCNn−−xa + n xCaxCNn−−xa , unde
CN x=0 CN x=0 CN x=0
x = x ( x − 1) + x .
2

n n
a! n
(a − 2)! n
x(x −1)Cax = x(x −1) = a(a −1) = a(a −1) Cax−−22
x=0 x=2 x!(a − x)! x=2 (x − 2)!(a − x)! x=2

a(a −1) n x−2 n−x a(a −1) n−2

M(X 2 ) = n
Ca−2 CN −a + M ( X ) = CN −2 + M ( X ) =
CN x=0 CNn
a ( a − 1)n! ( N − n )! ( N − 2)! a n( n − 1) n
= + n = a ( a − 1) +a =
N ! ( n − 2)! ( N − n )! N N ( N − 1) N
na é ( a − 1)( n − 1) ù na an − a − n + N .
= +1 = ⋅
N êë N −1 N N −1

na an − a − n + N n 2 a 2
D( X ) = M ( X 2 ) − M 2 ( X ) =
⋅ − 2 =
N N −1 N
na é an − a − n + N na ù na anN − aN − nN + N − nN + na
2
= ê − = ⋅
Në N −1 N N N ( N − 1)
a ( N − a )( N − n ) n N −a N −n .
=n ⋅ =a ⋅ ⋅
N N ( N − 1) N N N −1
 a a N −a
Dar =p q = 1− p = 1− = .
N N N
N −n
Obţinem astfel D( X ) = npq .
N −1

OBSERVAŢIE: Pentru N suficient de mare în raport cu n

N −n N −n n
putem face aproximarea ≈ = 1− . Atunci
N −1 N N
æ n ö.
D( X ) ≈ npqç1 −
è N
Deci dispersia variabilei aleatoare hipergeometrice diferă de
dispersia variabilei aleatoare binomiale cu un factor subunitar ce
tinde către 1 când N → ∞ .

10.1.3. Repartiţia uniformă discretă

DEFINIŢIE: O variabilă aleatoare X are o repartiţie

uniformă discretă dacă funcţia sa de probabilitate este de forma
1
f ( x) = .
n
æ1 2 Κ x Κ nö
X :ç1 1 1 1÷
ç Κ Κ ÷
èn n n nø

I. f (x ) este o funcţie de probabilitate, deoarece:

1) f (x) ≥ 0 , evident
2) å f ( x ) = n 1 = 1
n

x =1 n

II. Media şi dispersia

n
1 1 n 1 n( n + 1) n + 1
M (X ) = å x = å x = =
x =1 n n x =1 n 2 2
n
1 1 n
1 n(n + 1)(2n + 1) (n + 1)(2n + 1)
M ( X 2 ) = å x2 = å x2 = ⋅ =
x=1 n n x=1 n 6 6
(n +1)(2n +1) (n +1) (n +1)(4n + 2 − 3n − 3)
2
D( X) = M( X 2 ) − M2 ( X) = − = =
6 4 12
 ( n + 1)( n − 1) n 2 − 1
= =
12 12

10.1.4. Repartiţia Poisson

DEFINIŢIE: O variabilă aleatoare X are repartiţie Poisson

dacă funcţia sa de probabilitate este de forma f (x) = e−λ λ ,
x

x!
x ∈ N , λ > 0.
æ x ö
X : ç −λ λx ÷
çe ÷
è x! ø

I. f ( x ) este o funcţie de probabilitate deoarece:

1) e −λ λ ≥ 0 evident.
x

x!
2) å e −λ λ = e −λ å λ = e −λ ⋅ e λ = 1 , unde å λ este dezvoltarea
∞ x ∞ x ∞ x

x =0 x! x =0 x! x =0 x!
λ
lui e în serie McLaurin.

II. Media şi dispersia le putem determina prin calcul direct:

∞
λx ∞
λx −1
M (X ) = xe −λ = e −λ λ =λ.
x =0 x! x = 0 ( x − 1)!
∞
λx ∞ λx ∞
λx
M(X 2 ) = x2e−λ = x(x −1) ⋅ e−λ + M(X) = e−λ + M(X) =
x=0 x! x=0 x! x=2 (x − 2)!
∞
λ x −2
= λ2 ⋅ e −λ + M ( X ) =λ2 ⋅ e −λ e λ + M ( X ) = λ2 + λ .
x = 2 ( x − 2 )!

D( X ) = M ( X 2 ) − M 2 ( X ) = λ2 + λ − λ2 = λ .

Funcţia caracteristică a variabilei aleatoare Poisson:

∞ ∞
(λ ⋅ eit ) x
c(t) = åeitx f ( x) = e−λ å
− λ (1− eit )
= e−λ eλ⋅e . Prin urmare c(t ) = e .
it

x=0 x=0 x!
c' ( t ) = e − λ (1−e ) λ ⋅ i ⋅ eit Þ c' (0) = e − λ (1−1) λ ⋅ i ⋅ e0
it

1 1
M ( X ) = m1 = c' (0) = λ ⋅ i ⋅ e −λ⋅0 = λ
i i
c ' ' ( t ) = e − λ (1−e ) ( λ ⋅ i ⋅ e it ) 2 + e − λ (1−e ) λ ⋅ i 2 ⋅ e it
it it

c' ' (0) = e − λ (1−1) λ2 ⋅ i 2 ⋅ e 0 + e − λ (1−1) λ2 ⋅ i 2 ⋅ e 0 = i 2 ( λ2 + λ )

1
m2 = 2 c' ' (0) = λ2 + λ .
i
Prin urmare: D( X ) = m2 − m12 = λ2 + λ − λ2 .

10.2. Repartiţii continue

10.2.1. Repartiţia continuă uniformă

DEFINIŢIE: O variabilă aleatoare X , continuă, are

repartiţie uniformă dacă funcţia sa de probabilitate este de forma
1
f ( x) = , x ∈ ( a , b) .
b−a

I. f (x ) este o funcţie de probabilitate deoarece:

1) f ( x ) ≥ 0 evident, deoarece b > a .
b b 1 1 b b−a
2) f ( x )dx = dx = dx = =1
a a b−a −
b a a b−a

II. Media şi dispersia:

b 1 b 1 x 2 b b2 − a 2 a + b
M ( X ) = ò xf ( x )dx =
b − a òa
xdx = ⋅ |a = =
a b−a 2 2(b − a) 2
b b3 − a 3 a 2 + ab + b 2
M ( X 2 ) = ò x 2 f ( x) = =
a 3(b − a ) 3
a + ab+ b a + 2ab+ b2
2 2 2
D( X ) = M( X 2 ) − M 2 ( X ) = − =
3 4
4a 2 + 4ab + 4b 2 − 3a 2 − 6ab − 3b 2 ( a − b) 2
= = .
12 12

10.2.2. Repartiţia exponenţială negativă

DEFINIŢIE: O variabilă aleatoare X are o repartiţie

exponenţială negativă de parametru µ dacă funcţia sa de
probabilitate este de forma f (x) = µ ⋅ e−µ⋅x , x ≥ 0 , µ > 0 .
I. f (x ) este o funcţie de probabilitate deoarece:
1) f ( x ) ≥ 0 evident.
∞ ∞
2) ò f ( x )dx = ò
0 0
µ ⋅ e − µ ⋅x dx = − e − µ ⋅x |0∞ = 0 + 1 = 1

II. Media şi dispersia:

∞ ∞ ∞
M ( X ) = ò xf ( x )dx = ò xµ ⋅ e − µ ⋅ x dx = − xe − µ ⋅ x |0∞ + ò e − µ ⋅x dx =
0 0 0
1 1
− e − µ ⋅x |0∞ = .
µ µ
În rezolvarea integralei am folosit metoda integrării prin părţi, unde
u( x ) = x , du = dx , v( x ) = −e − µ ⋅x , dv = µ ⋅ e − µ ⋅ x dx
∞ ∞ 2 ∞
M ( X 2 ) = ò x2 µ ⋅ e−µ⋅xdx = −x2e−µ⋅x |0∞ +2ò xe−µ⋅x = 0 + ò xµ ⋅ e−µ⋅x =
0 0 µ 0
2 1 2
= ⋅ = 2.
µ µ µ
Integrala a fost calculată tot prin metoda integrării prin părţi, unde
u( x ) = x 2 , du = 2 xdx , v( x ) = −e − µ ⋅x , dv = µ ⋅ e − µ ⋅ x dx .
2 1 1
D( X ) = M ( X 2 ) − M 2 ( X ) = 2 − 2 = 2 .
µ µ µ
1
σ ( X ) = D( X ) = .
µ
Putem calcula media şi dispersia şi astfel:
∞ ∞
M ( X ) = ò xf ( x )dx = ò x ⋅ µ ⋅ e − µ ⋅ x dx
0 0

Făcând schimbarea de variabilă µ ⋅ x = y Þ x = y Þ dx = 1 dy şi

µ µ
observând că limitele de integrare se păstrează, obţinem:
∞ y 1 1 ∞ 1 1
M (X ) = µò ⋅ e − y ⋅ dy = ò ye − y dy = Γ( 2) =
0 µ µ µ 0 µ µ
2
La fel, M ( X 2 ) = ò x 2 f ( x )dx =µ ò x 2 e − µ⋅ x dx = µ ò 2 e − y 1 dy =
∞ ∞ ∞ y

0 0 0 µ µ
1 ∞ 2 −y 1 2 .
= 2 ò y e dy = 2 Γ(3) = 2
µ 0 µ µ
Prin urmare, D ( X ) = M ( X 2 ) − M 2 ( X ) = 22 − 12 = 12 .
µ µ µ
Repartiţia exponenţială are proprietatea M(X) =σX = 1 .
µ
Repartiţiile exponenţială şi Poisson sunt utilizate în
modelarea şi rezlovarea problemelor legate de firele de aşteptare
care apar în activitatea economică.

10.2.3. Repartiţia normală

DEFINIŢIE: O variabilă aleatoare X are o repartiţie

normală dacă funcţia sa de probabilitate este de forma
2
1 æ x −m ö
1 − ç ÷
f ( x) = e 2 è σ ø , unde m ∈ R , σ > 0 (1)
σ 2π
Pentru a pune în evidenţă parametrii m şi σ , densitatea de
probabilitate se mai notează n( x; m, σ ) , x ∈ R , σ > 0 .
I. f (x ) este funcţie de probabilitate, deoarece:
1) n( x; m, σ ) ≥ 0 , evident, din definiţie.
2
1 æ x −m ö
∞ ∞ 1 − ç ÷
2) ò−∞
n ( x; m, σ )dx = 1 sau ò−∞ σ 2π è
⋅ e 2 σ ø
dx = 1 .

x−m 1
Notăm = y , dx = dy Þ dx = σ ⋅ dy .
σ σ
2
1 æ x −m ö
2π
1 1
∞ 1 − ç ÷ ∞ 1 − y2 1 ∞ − y2
ò dx = ò σ ⋅ dy = ò = 1,
2è σ ø
⋅e ⋅e 2
e2
dy =
−∞
σ 2π −∞
σ 2π 2π −∞
2π
1
∞ − y2
deoarece se ştie că integrala Euler-Poisson ò
−∞
e 2
dy = 2π .
Graficul funcţiei de probabilitate depinde de parametrii m
şi σ , forma curbei rămânând (structural) aceeaşi, şi anume forma
cunoscută sub numele de clopotul lui Gauss.

EXEMPLU: n( x;0, σ )

- ≈ 0,4 = 1
σ 2π

-1 0 1
1) Faţă de parametrul m , curbele n( x, m, σ ) reprezintă de fapt
translaţii de-a lungul axei ox, menţinându-şi forma şi mărimea.

| |
m = −
3 m=0 m = 3
2 2

2) Faţă de parametrul σ , curbele sunt mai ascuţite sau mai plate,

astfel încât aria cuprinsă între graficul curbei şi axa ox să fie egală
cu 1 (unitatea de suprafaţă). Aici σ 1 < σ 2 < σ 3 .

σ1

σ2
σ3

3
m =
2

OBSERVAŢIE: Curba se apropie repede de axa ox . În

raport cu o abatere x − m < 3σ , diferenţa faţă de ox este de ordinul
a 0,003 unităţi. Astfel, repartiţia normală poate fi considerată
definită într-un interval închis şi finit.

Pentru determinarea mediei şi dispersiei vom utiliza funcţia

caracteristică a variabilei aleatoare normale.
∞
c (t ) = M ( e itX ) = ò e itx n ( x; m, σ )dx (2)
−∞
Calculăm pentru început funcţia caracteristică a variabilei
1
aleatoare normale normate: n( y;0,1) = 1 e 2
− y2
(3)
2π
 æ y ö æ e ity ö
ç ÷ ç ÷
Y : ç 1 − 2 y 2 ÷ Þ e itY : ç 1 − 2 y2 ÷ .
1 1

ç e ÷ ç e ÷
è 2π ø è 2π ø
y2 1
∞ 1 ∞ − 1 ∞ − ( y 2 −2ity)
c(t) = ò e−ityn( y;0,1)dy = ò eitye 2
dy = ò 2
e dy =
−∞
2π −∞
2π −∞

1 1 1 1
1 ∞ − ( y 2 − 2 ity +i 2t 2 ) + i 2t 2 1 ∞ − ( y −it ) 2 + i 2t 2
=
2π
ò−∞
e 2 2
dy =
2π
ò
−∞
e 2 2
dy =
1 1
1 1 − t2 1 − t2 z2
1 ∞ − ( y −it )2 − t 2 e 2 ∞ − ( y −it )2 e 2 ∞ −
=
2π
ò −∞
2
e 2
e dy =
2π
ò
−∞
e 2
dy =
2π
ò
−∞
e dz =2

1
− t2
2π
2 1
e − t2
= = e 2 , unde am folosit substituţia y − it = z Þdy = dz.
2π
Observăm, de asemenea, că utilizând această substituţie limitele de
integrare nu se schimbă.

Ultima integrală este integrala Euler-Poisson. Ea este egală

cu 2π şi se calculează astfel:
z2 z2 1
∞ − dt ∞ −
∞ − ∞
ò−∞ e
0
2
dz = 2 ò e
0
2t 0
2
dz = 2 ò e it
= 2 ò t 2 e −t dt = 2π .

În calculul de mai sus am folosit substituţia :

1 2 dt z2 dt .
z = t Þ zdz = dt Þ dz = ; = t Þ z = 2t Þdz =
2 z 2 2t
Prin urmare, funcţia caracteristică a variabilei aleatoare
1
− t2
normale normate n ( y ; 0 ,1 ) este cY (t ) = e 2 (4)

Fie variabila aleatoare X=α⋅Y+β. Atunci cX (t) = eiβ⋅tcY (α⋅ t) (5)

Demonstraţie:

c X = M (e itX ) = M [eit (α ⋅Y + β ) ] = M [e itα ⋅Y eitβ ] = e itβ M [e i ( tα )Y ] = e itβ cY (t ) .

2
1 æ x −m ö
Fie variabila aleatoare normală n( x; m, σ ) = 1 e 2 è
− ç ÷
σ ø .
σ 2π
 x −m
Facem substituţia = y Þx =σ ⋅ y + m Þ X =σ ⋅Y + m, unde
σ
Y = N ( y;0,1) . Aşa cum am văzut, pentru variabila aleatoare
1
− t2
normală normată, funcţia caracteristică este cY ( t ) = e 2 .
Deci conform (5) avem:
1
− σ 2t 2
c X ( t ) = cσY + m (t ) = e imt cY (σ ⋅ t ) = e imt e 2 .
În concluzie, funcţia caracteristică a variabilei normale
1
imt − σ 2t 2
n( x; m, σ ) este c X (t ) = e 2 (6)

Calculul mediei: M ( X ) = m1
c ' ( 0)
m1 =
i
1
itm − σ 2t 2
c' X (t ) = (im − σ 2 t )e 2
Þ c' X ( 0) = ime 0 = im Þ m1 = m .
Deci M ( X ) = m .

Calculul dispersiei: D ( X ) = M ( X 2 ) − M 2 ( X ) = m2 − m12

c ' ' ( 0)
m2 = 2
i
1 1
itm − σ 2t 2 itm − σ 2t 2
c' ' (t ) = −σ 2 e 2
+ (im − σ 2 t ) 2 e 2

c' ' (0) = −σ 2 e 0 + (im )e 0 = −σ 2 − m 2

c ' ' (0) − σ 2 − m 2
= σ 2 + m 2 (întrucât, evident, i = −1 )
2
m2 = =
i2 i2
Deci D ( X ) = σ 2 + m 2 − m 2 = σ 2 .

OBSERVAŢIE: Parametrii m şi σ ai repartiţiei normale

reprezintă media şi respectiv abaterea medie pătratică.

Funcţia de repartiţie ; funcţia integrală a lui Laplace:

Fie variabila aleatoare normală de parametrii m şi σ :

æ x ö
X : çç ÷÷ , σ > 0 , m ∈ R , unde, aşa cum ştim,
è n ( x; m, σ ) ø
 2
1 æ x −m ö
1 − ç ÷
n ( x; m , σ ) = e 2è σ ø . Funcţia de repartiţie este :
σ 2π
2
1 æ t −m ö
x 1 − ç x ÷
F ( x ) = P ( X < x ) = ò n (t ; m, σ )dt = ò e 2è σ ø
dt (7)
−∞ −∞
σ 2π

x
Notăm: N ( x; m, σ ) = ò n (t ; m, σ )dt funcţia de repartiţie a
−∞
variabilei aleatoare normale.

Fie X o variabilă aleatoare normală cu densitatea de

probabilitate n( x; m, σ ) şi funcţia de repartiţie N ( x; m, σ ) . Dacă
facem schimbarea de variabilă Z = X − m , ştim că Z este o
σ
variabilă aleatoare normală normată cu media m = 0 şi dispersia
σ = 1 . Deci Z are densitatea de probabilitate n (z;0,1) şi funcţia de
repartiţie N ( z;0,1) .
2
1 æ t −m ö
1 − çx ÷
F ( x ) = P ( X < x ) = N ( x; m, σ ) = ò e 2 è σ ø dt (8)
−∞
σ 2π
Pentru calculul integralei (8) facem substituţia:
t−m x−m
= y Þ dt = σ ⋅ dy .Dacă t = x , atunci y = , iar pentru t
σ σ
tinzând către − ∞ şi y tinde către − ∞ . Astfel, vom obţine:
1
y 1 − y2 æx−m ö
F ( x) = ò e 2 σ ⋅ dy = N ( y;0,1) = N ç ;0,1÷ .
−∞
σ 2π è σ ø
Prin urmare, putem scrie:
x−m
P( X < x ) = N ( x; m, σ ) = N ( z;0,1) , unde z = .
σ
Reprezentarea grafică a funcţiei de repartiţie normală
1
normată de forma N ( z;0,1) = 1 ò e 2 dy , unde z = x − m este:
z − y2

2π −∞ σ

N ( z;0,1)
1

1
2
 OBSERVAŢIE: Curba N(z;0,1) este simetrică faţă de punctul
æ 1 ö . Dacă facem o translaţie de axe: 1
ç 0, ÷ Φ ( z ) = N ( z;0,1) −
è 2ø 2
(translaţie datorată lui Laplace), obţinem:

Φ (z )

1
2

− 12

OBSERVAŢIE: Φ (z ) este o funcţie simetrică faţă de

origine, şi deci funcţia Φ este o funcţie impară . Prin urmare este
suficient să cunoaştem Φ (z ) pentru z > 0 .

n (z;0,1)

z
Φ ( z ) = n(t;0,1)dt
0

În toate cărţile şi manualele de teoria probabilităţilor şi

statistică matematică, funcţia Φ(z ) este tabelată.

Prin urmare, avem: N ( z;0,1) = 1 + Φ ( z ) este funcţia de

2
repartiţie a variabilei aleatoare normală normată şi
1 æ x − m ö este funcţia de repartiţie a variabilei
N ( x; m, σ ) = + Φç ÷
2 è σ ø
aleatoare normală nenormată (de parametrii m şi σ ).
Calculul momentelor centrate :

Momentele centrate ale variabilei aleatoare normale sunt

des utilizate, în special în statistica matematică. Astfel, momentul
centrat de ordinul r :
2
1 æ x −m ö
∞ 1 − ç ∞ ÷
µ r = ò ( x − m ) n( x; m, σ )dx = ò ( x − m )
r
e 2è r σ ø
dx
−∞ −∞
σ 2π

Am văzut că:
∞
µ 0 = ò ( x − m ) 0 n( x; m, σ )dx = 1 Þµ 0 = 1 .
−∞
2 2
1æ x−m ö 1æ x−m ö
∞ 1 −2çè ÷ ∞ 1 −2çè ÷
µ1 = ò (x − m) e σ ø
dx = ò x e σ ø
dx −
−∞ σ 2π −∞ σ 2π
2
1 æ x −m ö
∞ 1 − ç ÷
mò e 2è σ ø
dx = 0 Þµ1 = 0
−∞
σ 2π

x−m
Notăm : = y Þ x − m = σ ⋅ y Þ dx = σ ⋅ dy şi întrucât
σ
σ > 0 , limitele de integrare se păstrează. Obţinem:
2
1æ x−m ö
∞ 1 −2çè σ r ∞ r −12 y
÷ σ r é r −12 y ∞ ù
2 2

µr = ò σ y
2π ò−∞
r r
e σ ø
yσ ⋅ dy =
e dy = ê− y e |−∞ ú +
−∞
σ 2π 2π ë û
σ ∞
r
−
1
y 2
∞ 1 2 −
1
y 2

+
2π ò−∞
(r − 1) y r−2e 2 dy = σ2(r −1)ò σr−2 yr−2
−∞
2π
e dyÞµr =σ2(r −1)µr−2

În rezolvarea acestei integrale am aplicat metoda integrării

1 1
− y2 − y2
prin părţi, unde f = y r −1 Þ f ' = (r − 1) y r−2 , g ' = ye 2
Þ g = −e 2 .

Deci:
µ 2 = σ 2 (2 − 1) = σ 2
µ 3 = σ 2 (3 − 1) µ1 = 0
µ 4 = σ 2 (4 − 1) µ 2 = 1 ⋅ 3 ⋅ σ 4
µ5 = 0
……………………………….
µ 2 q+1 = 0
µ 2 q = 1 ⋅ 3 ⋅ Κ ⋅ ( 2q − 1)σ 2 q
10.2.4. Repartiţia Gamma

DEFINIŢIE: O variabilă aleatoare X are repartiţie Gamma

dacă funcţia sa de repartiţie este de forma:
ì 1 −
x

ï x a
e b
, x > 0 , unde ∞
f ( x; a, b) = í Γ( a + 1)b a +1 Γ(a + 1) = ò x a e − x dx
0
ï0, x ≤ 0
î
şi a > −1 , b > 0 .

I. f (x ) este funcţie de probabilitate, deoarece:

1) f ( x; a, b) ≥ 0 , evident
x x
∞ ∞ 1 − 1 ∞ 1 −
2) ò−∞
f (x; a, b)dx = ò
0 Γ(a +1)ba+1
xae b dx = ò
Γ(a + 1) b
0 a+1
xae b dx =

Notăm x = y Þ x = b ⋅ y Þ dx = b ⋅ dy
b
1 ∞ 1 1 ∞ Γ(a + 1)
= ò
Γ(a + 1) 0 b a +1
ba y a e− y b ⋅ dy = ò
Γ(a + 1) 0
y a e− y dy =
Γ(a + 1)
=1

Amintim câteva proprietaţi ale integralei Γ :

P1. Γ(a ) = (a − 1)Γ(a − 1)

P2. Γ(n ) = (n − 1)!
P3. Γæç 1 ö÷ = π
è2ø

Demonstraţiile acestor proprietăţi se găsesc în cursurile de

analiză matematică.

Funcţia generatoare de momente pentru variabila aleatoare

Gamma:

x
∞ ∞ 1 −
g(t) = M(etX ) = etx f (x; a, b)dx = etx a+1
xa e b dx, a > −1 b > 0
0 0 Γ(a + 1)b
Facem substituţia : y = x Þ x = b ⋅ y Þ dx = b ⋅ dy .
b
Avem:
∞ 1 1 ∞
g (t ) = ò e bty a +1
b a y a b ⋅ dy = ò e bty y a ⋅ e − y ⋅ dy =
0 Γ(a + 1)b Γ(a + 1) 0

y
−
1
1 ∞ 1 ∞ 1 1 ,
= ò
Γ(a +1) 0
e−y(1−bt) yady = +
(1− bt) 0
a 1 ò æ 1 ö
a+1
e y dy =
1−bt a
(1− bt)a+1
Γ(a +1)ç ÷
è1− btø
y
−
1
deoarece ∞ 1
ò a +1
e 1−bt
y a dy =1 , fiind densitatea de
0
æ 1 ö
Γ( a + 1)ç ÷
è 1 − bt ø
probabilitate a repartiţiei Γ .
Prin urmare, putem scrie că funcţia generatoare de
momente pentru Γ este g ( t ) = (1 − bt ) − ( a +1) .

Momentele iniţiale:

Calculăm momentele iniţiale din relaţia g ( r ) (t ) |t =0 = mr , r = 1,2,....

g' (t) = −(a + 1)(1 − bt)−(a+2) (−b) = b(a + 1)(1 − bt)−(a+2) Þ m1 = g' (0) = b(a + 1)

g ' ' (t ) = b 2 ( a + 1)(a + 2)(1 − bt ) − ( a +3) Þ m2 = g ' ' (0) = b 2 ( a + 1)( a + 2)

……………………………………………………………………….

g(r) (t) = br (a +1)(a + 2) ⋅Κ ⋅ (a + r)(1− bt)−(a+r+1) Þmr = g(r) (0) =

= b r ( a + 1)( a + 2) ⋅ Κ ⋅ ( a + r )
Deci M ( X ) = m1 = b(a + 1) şi
D( X ) = m2 − m12 = b2 (a + 1)(a + 2) − b2 (a + 1)2 = b2 (a + 1)

Momentele centrate:
ék ù
µ k = M [ X − M ( X )]k = M [ X − m]k = M êå ( −1) j Ckj m j X k − j ú =
ë j =0 û
k
= å ( −1) j C kj m j M ( X k − j )
j =0
k
Deci : µ k = å ( −1) j C kj m j mk − j .
j =0
OBSERVAŢIE:
Pentru k = 2 obţinem:
2
µ2 = åC2jmjm2−j =C20m0m2 −C21m1m`1 +C22m2m0 = m2 −m`21 = D(X) , unde :
j=0

m0 = M ( X 0 ) = M (1) = 1 şi m1 = M ( X 1 ) = M ( X ) = m .
Pentru k = 1 obţinem:
µ1 = M ( X − m ) = M ( X ) − M ( m ) = m − m = 0

În cazul repartiţiei Γ , vom obţine:

µ1 = 0 ;
µ 2 = D ( X ) = b 2 ( a + 1) ;
3
µ 3 = å ( −1) j C3j m j m3− j = m3 − 3m ⋅ m2 + 3m 2 m1 − m 3m0 =
j =0

= b (a + 1)(a + 2)(a + 3) −3b(a +1)b2 (a +1)(a +2) +3b2 (a +1)2 b(a +1) −b3(a +1)3 =
3

= b 3 ( a + 1)[( a + 2)( a + 3) − 3( a + 1)( a + 2) + 3( a + 1) 2 − ( a + 1) 2 ] =

= b3 (a +1)[(a2 +5a + 6 −3a2 −9a −6 + 2a2 + 4a + 2] = b3(a +1)2 Þ µ3 = 2b3(a +1)

µ 4 = 3b 4 ( a + 1)( a + 3) .

10.2.5. Repartiţia Beta

DEFINIŢIE: O variabilă aleatoare X are repartiţie Beta

dacă densitatea sa de probabilitate este de forma:
ì 1
ï xa−1 (1 − x)b−1 , x ∈[0,1]
f ( x; a, b) = í β (a, b) , unde a > 0 , b >0 şi
ï0 , x ∈ (−∞,0) ∪ (1, ∞)
î
1
β (a, b) = x a−1 (1 − x)b−1dx
0

I. f (x ) este funcţie de probabilitate, deoarece:

1) f ( x; a , b) ≥ 0 , evident oricare ar fi x ∈ [a, b]
2) f ( x; a, b)dx = 1 1
1 1
x a −1 (1 − x ) b−1 dx = β ( a , b) = 1
0 β ( a , b) 0 β ( a , b)

Reamintim câteva proprietăţi ale integralei β ( a, b) :

P1. β ( a, b) = β (b, a )
Demonstraţie: facem substituţia 1 − x = y Þ x = 1 − y Þ dx = −dy .
1 0 1
β (a, b) = ò xa−1(1 − x)b−1 dx = −ò (1 − y)a−1 yb−1dy = ò yb−1(1 − y)a−1 dy = β (b, a)
0 1 0

a −1
P2. β (a, b) = β ( a − 1, b − 1)
a + b −1

a −1 b −1
P3. β (a, b) = ⋅ β ( a − 1, b − 1)
a + b −1 a + b − 2

P4. β ( a, b) = Γ( a ) Γ(b) , unde Γ( a ) = ò x a −1e − x dx

∞

Γ( a + b) 0

II. Calculul momentelor pentru calculul mediei şi dispersiei:

1 1 1 1 1 a+r−1
mr = ò xr f (x;a, b)dx =ò xr xa−1 (1− x)b−1 dx = ò x (1− x)b−1 dx =
0 0 β (a,b) β (a,b) 0

β ( a + r , b ) Γ ( a + r ) Γ (b ) Γ ( a + b) Γ( a + r ) Γ( a + b)
= = ⋅ =
β ( a , b) Γ ( a + r + b) Γ ( a ) Γ( b) Γ( a + r + b) Γ( a )

Dar Γ ( a + 1) = a Γ ( a ) Þ Γ ( a + r ) = ( a + r − 1) Γ ( a + r − 1) =
= (a + r − 1)(a + r − 2)Γ(a + r − 2) = Κ = (a + r − 1)(a + r − 2) ⋅ Κ ⋅ aΓ(a )
Γ(a + r + b) = Γ(a + b + r) = (a + b + r −1)Γ(a +b + r −1) = (a + b + r −1)(a + b + r − 2) ⋅
⋅ Γ(a + b + r − 2) = Κ = (a + b + r − 1)(a + b + r − 2) ⋅ Κ ⋅ (a + b)Γ(a + b)
Deci
(a +r −1)(a +r −2)⋅Κ ⋅ aΓ(a)Γ(a +b) a(a +1)⋅Κ ⋅ (a +r −1)
mr = =
(a +b+r −1)(a +b+r −2)⋅Κ ⋅ (a +b)Γ(a +b)Γ(a) (a +b)(a +b+1)⋅Κ ⋅ (a +b+r −1)

Prin urmare, m1 = a a ( a + 1)
= M ( X ) , m2 = = M (X 2)
a+b ( a + b)( a + b + 1)
Deci dispersia este :
a(a +1) a2 (a + b)(a2 + a) − a2 (a + b +1)
D( X ) = m2 − m12 = − = =
(a + b)(a + b +1) (a + b)2 (a + b)2 (a + b +1)
a 3 + a 2 + a 2 b + ab − a 3 − a 2 b − a 2 ab .
= =
( a + b) ( a + b + 1)
2
( a + b) ( a + b + 1)
2
10.2.6. Repartiţia χ 2
DEFINIŢIE: O variabilă aleatoare X are repartiţie χ 2 dacă
funcţia sa de repartiţie este de forma:
ì 1
k
−1 −
x

ï x 2
e 2
, x>0
ï æk ö 2
k
f ( x; k ) = í Γ ç ÷ 2 , unde k ∈ N * reprezintă
ï è2ø
ïî0 , x ≤ 0
numărul gradelor de libertate.

Mai jos prezentăm graficele funcţiei f ( x; k ) pentru

k = 2,4,6,15 .

k=2

k=4
0,2-

0,15- k=6

0,1- k=15

0,05-
| | | | |
0 5 10 15 20 25

Se vede că graficele sunt asimetrice, dar, pentru valori mari

ale gradelor de libertate ( k > 30) , graficul repartiţiei χ 2 se apropie
de graficul repartiţiei normale.

OBSERVAŢIE: χ 2 se poate obţine din Γ pentru a =

k
−1
2
şi b = 2 .
 Funcţia generatoare de momente a variabilei aleatoare Γ
1
= (1 − bt)−(a+1) şi g (0) = mr , r = 1,2,.... .
(r)
este de forma g(t) = a+1
(1 − bt)
Prin urmare, pentru a = k − 1 şi b = 2 , vom obţine funcţia
2
generatoare de momente a variabilei χ 2
de forma:
k
−
g (t ) = (1 − 2t ) .
2

k k
k − −1 − −1
g ' (t ) = − (1 − 2t ) 2 ( −2) = k (1 − 2t ) 2 g ' (0) = m1 = k
2
æk +2ö
k k
− −1 − −1
g ' ' (t ) = − k ç (1 − 2t ) 2 ( −2) = k ( k + 2)(1 − 2t ) 2
è 2
g ' ' ( 0) = m 2 = k ( k + 2 )

D ( χ 2 ) = m2 − m12 = k 2 + 2k − k 2 = 2k

10.2.7. Repartiţia Student

DEFINIŢIE: O variabilă aleatoare X are repartiţie Student

dacă funcţia sa de repartiţie este de forma:

æ k + 1ö
Γç ÷ k +1
2 − 2
è 2 æ
ø ç1 + ÷
t ö
f (t , k ) = , t ∈ℜ
æ k ö çè k ÷ø
k π ⋅ Γç ÷
è2ø

Se poate arăta că variabila aleatoare „t” este dată de raportul

z k
t= , unde z este variabila aleatoare n( x;0,1) , iar variabila
V
aleatoare V este un χ 2 cu k grade de libertate, independentă de z.

Se arată că lim f (t , k ) = n(t;0,1) , deci t este aproximată

k →∞

suficient de bine de n(x;0,1) pentru k > 30 .

k
M (t ) = 0 , iar D(t ) = .
k −2
n (x;0,1)