rev - V.2.

Ciocoiu Robert
Variabile aleatorii și distribuții de probabilitate

1. Variabile aleatorii
Să presupunem că fiecărui punct din spațiul de selecție îi atribuim un număr. În urma acestei
atribuiri putem defini o funcție pe spațiul de selecție. Această funcție este denumită variabilă
aleatorie (sau variabilă stocastică), mai precis funcție aleatorie (funcție stocastică). În domeniul
ingineresc o variabilă aleatorie are asociată o semnificație fizică, geometrică, logică etc.
Din moment ce rezultatul unui experiment nu este cunoscut decât după efectuarea acestuia,
variabila ce asociază un număr rezultatului unui experiment aleatoriu este denumită, generic,
variabilă aleatorie.

!!!Definiţie - O variabilă aleatorie este o funcţie ce atribuie un număr real fiecărui rezultat din
spațiul de selecție al unui experiment aleatoriu.

De regulă variabilele aleatorii sunt notate X, iar după efectuarea experimentului valoarea
măsurată este notată prin x, spre exemplu x=120HB.
O variabilă aleatorie ce poate lua un număr infinit numărabil de valori este denumită variabilă
aleatorie discretă, în timp ce o variabilă ce poate lua un număr infint nenumărabil de valori este
numită variabilă aleatoare nediscretă.

!!!Definiţie - O variabilă aleatorie discretă este o variabilă aleatorie cu un interval finit (sau
infinit numărabil).

!!!Definiţie: O variabilă aleatorie continuă este o variabilă aleatorie cu un interval (finit sau
infinit) de numere reale pentru valoarea sa.

2. Variabile aleatorii discrete și distribuții de probabilitate

Sistemele fizice pot fi modelate prin experimente aleatoare şi variabile aleatoare. Distribuţia
acestor variabile aleatoare din sistem poate fi analizată, iar rezultatele analizei pot fi utilizate în
aplicaţii.
Distribuţia de probabilitate a unei variabile aleatoare X reprezintă o descriere a probabilităţilor
asociate cu valorile posibile ale lui X. Pentru o variabilă discretă distribuţia este adesea precizată
prin o simplă listă de valori posibile şi probabilitatea fiecăreia. Convenabil este reprezentarea
probabilităţii sub forma unei relaţii.

2.1 Distribuții de probabilitate discrete

Dacă se consideră X o variabilă aleatorie discretă și x1,x2,x3... valorile sale posibile aranjate
într-o anume ordine, atribuirea probabilităților acestor valori se poate realiza sub forma:

( = )= ( ), k=1,2,3,.....

Funcția de probabilitate, cunoscută și sub denumirea de distribuție de probabilitate, va fi:

( = )= ( )

!!!Definiţie - Pentru o variabilă aleatorie X cu valori posibile x1, x2, …, xn o funcţie de

probabilitate este o funcţie pentru care:
1. f(xi)≥0
2. ∑ ( )=1
3. ( ) = ( = )
rev - V.2.
Ciocoiu Robert
2.2 Funcţii de distribuţie cumulative
Utilizarea probabilităţilor cumulative este o metodă alternativă de a descrie distribuţia
probabilistică a unei valori aleatoare. De regulă, pentru orice variabilă aleatoare cu valori
posibile x1, x2, …, xn , evenimentele X=x1, X=x2, …, X=xn sunt exclusive mutual şi ( ≤ ) =
∑ ( ).

!!!Definiţie - Se poate defini funcţia de distribuţie cumulativă a unei variabile aleatoare X,

simbolizată F(x), astfel:
( )= ( ≤ )= ( )

În cazul unei variabile aleatoare discrete X, F(x) trebuie să îndeplinească următoarele condiţii:
1. ( ) = ( ≤ ) = ∑ ( )
2. 0 ≤ ( ) ≤ 1
3. Dacă x≤y, atunci F(x)≤F(y)

Funcția F(x) este crescătoare, F(x)≤F(y) dacă x≤y și lim → ( ) = 0 și lim → ( ) = 1.

Funcția F(x) este continuă din dreapta, adică lim → ( ) + ℎ = ( ), ∀ .
Similar cu funcţia de probabilitate, funcţia cumulativă de distribuţie oferă probabilităţi. Chiar
dacă variabila aleatoare X are valori întregi, funcţia de distribuţie poate lua valori raţionale.
Funcția de distribuție pentru o variabilă aleatorie X poate fi determinată din funcția de
probabilitate având în vedere faptul că ( ) = ( ≤ ) = ∑ ( ). Dacă X are un număr
finit de valori funcția de distribuție poate fi descrisă sub forma:

0, −∞ < <
⎧ ( ), ≤ <
⎪
( )= ( ) + ( ), ≤ <
⎨ ⋮
⎪
⎩ ( ) + ( ) + ⋯ + ( ), ≤ <

2.3 Media şi varianţa unei variabile aleatoare discrete

Distribuţia probabilităţilor unei variabile aleatoare este rezumată prin două valori. Media este o
măsură a centrului sau mijlocul distribuţiei, iar varianţa este o măsură a dispersiei sau
variabilităţii. Trebuie menţionat că aceste valori nu identifică unic o distribuţie – două distribuţii
distincte pot avea aceeaşi medie şi varianţă.

!!!Definiţie - Media sau valoarea aşteptată a unei variabile aleatoare X, notată E(X) este
definită ca = ( ) = ∑ ( )

!!!Definiţie - Varianţa, notată σ2 sau V(X) este definită = ( )= ( − ) =

∑ ( − ) ( )=∑ ( )−

!!!Definiţie - Abaterea standard a lui X este definită =√

Media unei variabile aleatoare X este o medie ponderată a valorilor posibile ale lui X, ponderea
fiind egală cu probabilitatea. Dacă f(x) este funcţia de probabilitate ce reprezintă încărcarea unei
bare, atunci E(X) este centrul de greutate, punctul în care bara se află în echilibru. Varianţa unei
variabile aleatoare este măsura dispersiei sau împrăştierii valorilor posibile ale lui X. Varianţa
foloseşte ponderea f(x) drept factor pentru fiecare abatere pătratică.
rev - V.2.
Ciocoiu Robert
2.4 Exemple de distribuții discrete

2.4.1 Distribuţia uniformă discretă

Cea mai simplă variabilă aleatoare este cea care presupune un număr finit de valori posibile,
toate cu aceeaşi probabilitate. O variabilă aleatoare X ce poate lua valorile x 1, x2, x3, …, xn cu o
probabilitate egală, 1/n, reprezintă cea mai frecventă situaţie.

!!!Definiţie - O variabilă aleatoare X are o distribuţie uniformă discretă dacă fiecare din cele
n valori au probabilităţi egale, adică f(xi)=1/n.

Presupunând că X este o variabilă aleatoare ce poate lua valori numere întregi consecutive a,
a+1, a+2, …, b, iar a≤b. Valoarea medie a lui X este:
+
= ( )=
2
Varianţa lui X este:
( − + 1) − 1
=
12

2.4.2 Distribuţia binomială

Pentru a forma o idee privind aplicabilitatea acestei distribuţii, considerăm câteva situaţii:
1. Se aruncă o monedă de 10 ori, iar variabilă aleatoare X reprezintă numărul de câte ori a
căzut cu faţa care reprezintă portretul în sus.
2. Un utilaj uzat produce piese din care 1% sunt defecte. Fie X numărul de piese defecte
dintr-un lot de 25 de piese.
3. Dintre biţii transmişi pe un canal digital 10% au eroare. Fie X numărul de biţi cu eroare
din pachetul de 5 biţi transmis.
4. Un examen grilă cuprinde 10 întrebări cu 4 variante de răspuns. Răspunsurile furnizate
sunt „ghicite”. Fie X numărul de răspunsuri corecte.
5. Într-un spital, la 20 de naşteri, ne interesează X copii de sex feminin.

Aceste exemple ilustrează ideea că un model general de probabilitate care s-ar adapta acestor
situaţii ar fi extrem de util. Fiecare experiment aleatoriu poate fi privit ca o serie de experimente
repetate. Variabila aleatoare în fiecare caz reprezintă o numărare a încercărilor care îndeplinesc
un anume criteriu.
Un experiment ce poate avea doar două rezultate reprezintă fundamentul experimentului
Bernoulli şi se presupune că încercările ce constituie experimentul sunt independente, ceea ce
presupune că rezultatul unei încercări nu are influenţă asupra celei următoare. Mai mult, se poate
chiar presupune că probabilitate de succes a fiecărei încercări este constantă.

!!!Definiţie Un experiment aleatoriu este alcătuit din n încercări de tip Bernoulli astfel încât:
1. Încercările sunt independente
2. Fiecare încercare are două rezultate posibile (generic le numim succes sau eşec)
3. Probabilitatea de succes a unei încercări, notată p, este constantă.

Variabila aleatoare X ce este egală cu numărul de încercări al căror rezultat este de tip „succes”
este o variabilă aleatoare binomială definită prin parametrii 0<p<1 şi n=1, 2, …
Funcţia de probabilitate a lui X este definită:
( )= (1 − ) , unde x=0, 1, …. N
Expresia de mai sus este familiară, provenind de la forma binomială extinsă. Pentru două
constante a şi b forma binomială extinsă este:
rev - V.2.
Ciocoiu Robert
( + ) =
Considerând p probabilitatea de succes a unei singure încercări şi introducând în expresia de mai
sus a=p şi b=1-p se constată că suma probabilităţilor variabilei aleatoare este 1. Din moment ce
fiecare încercare poate avea ca rezultat două valori de tipul succes sau eşec, distribuţia este
denumit binomială. O distribuţie mai generală, ce o include şi pe aceasta ca un caz aparte este
cea multinomială.
Media şi varianţa acestei distribuţii depind doar de parametrii p şi n, fiind definite în cele ce
urmează.

!!!Definiţie - Dacă X este o variabilă aleatoare binomială cu parametri n şi p, atunci:

= ( )= şi = ( ) = (1 − )

2.4.3 Distribuţia geometrică

Considerăm un experiment aleatoriu corelat cu definiţia distribuţiei binomiale, dar, numărul de
încercări de tip Bernoulli nu este determinat, încercările se efectuează până ce se obţine succesul.

!!!Definiţie- Într-o serie de încercări de tip Bernoulli, independente, cu probabilitate de succes p,

variabila aleatoare X denotă numărul de încercări efectuate până la obţinerea primului rezultat de
tip succes. Atunci X este o variabilă aleatoare geometrică cu parametri 0≤p≤1 şi ( ) =
(1 − ) , unde x=1, 2, …

!!!Definiţie - Pentru variabila aleatoare geometrică X definim media şi varianţa astfel:

= ( ) = şi = ( )=

Utilizarea unui model geometric presupune că sistemul nu se va uza. Probabilitatea erorii rămâne
constantă. Din cauza acestor aspecte putem vorbi despre o lipsă de memorie a distribuţiei
geometrice.

2.4.4 Distribuţia binomială negativă

Avem o generalizare a distribuţiei geometrice în care variabila aleatoare reprezintă numărul de
încercări de tip Bernoulli necesare pentru a obţine r rezultate de tip succes. Astfel definim
distribuţia binomială negativă.

!!!Definiţie - Într-o serie de încercări de tip Bernoulli, independente, cu probabilitate constantă

de succes p, fie X variabila aleatoare ce reprezintă numărul de încercări până la obţinerea a r
rezultate de tip succes. X este o variabilă aleatoare binomială negativă cu parametri 0≤p≤1 şi
−1 (
r=1, 2, 3… şi ( ) = 1− ) unde x=r, r+1, r+2, …
−1

Din moment ce sunt necesare cel puţin r încercări pentru a obţine r succese, variaţia lui X este
între zero şi infinit, iar dacă r=1 o variabilă binomială negativă devine o variabilă aleatoare
geometrică.

!!!Definiţie - Dacă X este o variabilă aleatoare binomială negativă cu parametri p şi r, atunci

media şi varianţa sa vor fi:
( )
= ( ) = şi = ( )=

2.4.5 Distribuţia hipergeometrică

Dacă presupunem că într-un lot de piese se găsesc piese care nu sunt conforme, iar pentru
investigaţie sunt alese aleatoriu două, fără a fi înlocuite. Având în vedere noţiunile de
rev - V.2.
Ciocoiu Robert
probabilităţi condiţionate putem evalua probabilităţile ca prima şi respectiv a doua piesă extrasă
sunt neconforme. Observăm că probabilitatea ca şi a doua piesă să fie neconformă este mai mică.
Aceste tip de experiment diferă fundamental de cele prezentate în cazul distribuţiilor de tip
binomial: experimentele nu sunt independente. Pentru a reveni la un experiment care se pretează
analizei prin distribuţia binomială ar trebui ca piesa extrasă să fie înlocuită cu alta, astfel
încercările devin din nou independente.

!!!Definiţie - Se presupune un set de N obiecte în care K obiecte pot fi clasificate ca succes şi N-

K ca eşec. Un eşantion de n obiecte este ales aleatoriu, fără a fi înlocuite, n≤N.
Variabila aleatoare X exprimă numărul de rezultate tip succes din eşantion. X este o variabilă
aleatoare hipergeometrică dacă:

( )= unde x=max{0, n+K-N}…min{K,n}

!!!Definiţie - Dacă X este variabilă aleatoare hipergeometrică, atunci media şi varianţa sa vor fi
definite:
= ( )= şi = ( ) = (1 − ) unde p=K/N

2.4.6 Distribuţia Poisson

Pentru a exemplifica situaţia aplicării acestei distribuţii se va utilize un exemplu. Presupunem o
transmisie de n biţi pe un canal de comunicaţie, iar X reprezintă numărul de biţi eroare.
Probabilitatea ca un bit să fie eroare şi transmisiile sunt independente poate fi analizată prin o
repartiţie binomială. Fie p probabilitatea ca un bit să fie eroare, iar λ=pn, atunci media E(X)=pn=
λ, conform distribuţiei binomiale.
Presupunând că numărul de biţi transmişi creşte, iar probabilitate de eroare scade astfel încât pn
să rămână constant: n creşte şi p scade astfel încât E(X)=pn= λ=constant.
Putem exprima aceste considerente sub forma:
lim → ( = )= unde x=0, 1, 2 …
!
Dacă numărul de biţi n tinde către infinit numărul de erori poate fi orice număr întreg pozitiv,
astfel mulţimea de valori a lui X este cuprinsă între 0 şi infinit.

!!!Definiţie- Într-un interval de numere reale se presupune efectuarea unor numărări aleatoare.
Dacă intervalul poate fi divizat în subintervale suficient de mici astfel încât:
1. Probabilitatea ca mai mult de o numărătoare într-un interval să fie zero,
2. Probabilitatea ca o numărătoare într-un interval este aceeaşi pentru toate subintervalele şi
este proporţională cu lungimea subintervalului,
3. Numărătorile din fiecare subinterval sunt independente de alte subintervale.

Experimental aleator este denumit proces Poisson, iar variabila aleatoare X care este egală cu
numărul de numărători din interval cu parametri 0<λ şi funcţia de masă f(x) = ! unde x=0,
1, 2 … se numeşte variabilă aleatoare Poisson.
Această distribuţie se aplică în numeroase cazuri cu importanţă industrial sau ştiinţifică, cum ar
fi numărarea particulelor contaminante dintr-un semiconductor, defectelor dintr-un produs
laminat, căderi de tensiune, particule atomice emise dintr-o probă, etc.
Sintagma proces Poisson are conotaţie istorică şi sugerează observarea sistemului în timp. Un
aspect foarte important este utilizarea aceloraşi unităţi de măsură în calculul probabilităţilor,
mediilor şi varianţelor. Dacă o variabilă Poisson reprezintă numărul de numărători dintr-un
interval, media variabilei aleatoare sa trebuie să fie egală cu numărul de numărători estimate în
aceeaşi lungime de interval.
rev - V.2.
Ciocoiu Robert
!!!Definiţie - Dacă X este o variabilă aleatoare Poisson cu parametrul λ, atunci media şi varianţa
sa vor fi: = ( ) = şi = ( )=

Media şi varianţa variabilei aleatoare Poisson sunt egale. Dacă numărătorile de particule respectă
o distribuţie Poisson cu o anume medie, iar varianţa este egală cu media avem un model bun, dar
dacă varianţa este mult mai mare decât media, această distribuţie nu reprezintă o modelare bună.