B7.

Tipuri de distribuţii statistice

Analiza statistică a fenomenelor macroscopice, de natură diferită, a pus în
evidenţă tipuri de scheme probabilistice şi distribuţiile statistice corespunzătoare,
care reprezintă legile fenomenelor. Pentru înţelegerea teoriei cinetico-moleculare,
prezentăm câteva distribuţii statistice de interes.
• Distribuţia binomială. Considerăm experienţa care poate avea ca rezultat
unul din evenimentele Ai din şirul (B1.1). Alegem evenimentul Ai care se reali-
zează cu probabilitatea pi şi grupăm celelalte evenimente în evenimentul compus
Ai′, contrar lui Ai , cu probabilitatea qi = 1 − pi . Am redus experienţa simplă cu m
cazuri posibile la o experienţă cu două cazuri posibile, cum ar fi aruncarea
monedei, pe care ne propunem s-o examinăm.
Notăm cu 1 şi 2 evenimentele independente care constau în apariţia unei feţe
vizibile (în sus) respectiv a celeilalte feţe şi cu p respectiv q probabilităţile lor:
p+q= 1.
Formularea statistică a problemei necesită realizarea unui câmp de eveni-
mente: se aruncă aceeaşi monedă de N ori, în condiţii identice (colectiv de
tip temporar), sau echivalent, se aruncă un set de N monede identice (colectiv
de tip spaţial) urmărind acelaşi eveniment, de exemplu 1, determinând
probabilităţile p şi q = 1 − p.
O experienţă complexă poate fi aruncarea unui set de N monede identice, care
are 2 ⋅ 2⋅ 
2 ⋅ 
⋅2 =2 N cazuri posibile. Câmpul de evenimente se realizează
N
repetând experienţa, în condiţii identice, de N ori obţinând tot atâtea configuraţii
reprezentate în figura B7.1.

Figura B7.1.

Notăm cu n şi n′ variabilele aleatoare asociate evenimentelor 1 respectiv 2. De n

ori se realizează evenimentul 1 şi de n′ ori se realizează evenimentul 2 în fiecare
configuraţie: n + n′ = N.
Interesează evenimentul care constă în realizarea simultană de n ori a eveni-
mentului 1 şi de n′ ori a evenimentului 2, în cazul aruncării a N monezi. Probabili-
tatea acestui eveniment se calculează astfel: mai întâi se calculează probabilitatea
realizării fiecărei configuraţii. În virtutea proprietăţii de înmulţire a probabilităţilor
evenimentelor independente, avem:

617
 p= p ⋅ p ⋅  ⋅ p ⋅ q ⋅ q ⋅  ⋅ q = p n q n′ . (B7.1)
  
n n′

Notăm cu Ω(n, n′) numărul de configuraţii distincte şi, în virtutea proprietăţii de

adunare a probabilităţilor evenimentelor incompatibile, probabilitatea evenimetului
menţionat mai înainte se exprimă:
P (n, n′) = Ω(n, n′)p n q n′ . (B7.2)
Deoarece n + n′ =
N , este vorba de o singură variabilă aleatoare şi se poate scrie:

P (n) = Ω(n)p n q N − n . (B7.3)

Configuraţiile nu sunt distincte deoarece permutând între ele locurile monezilor
cu faţa 1 vizibilă respectiv cu faţa 2 vizibilă, nu se schimbă nimic. Configuraţia
se schimbă numai schimbând locurile 1 cu 2. Ca urmare, permutând într-o confi-
guraţie N monede pe N locuri se obţin N ! configuraţii nedistincte. Pe de altă parte,
considerând Ω(n) configuraţii distincte, permutând n monede cu faţa 1 vizibilă pe
n locuri se obţin Ω(n)n ! configuraţii nedistincte şi permutând, în continuare, n′
monede cu faţa 2 vizibilă pe n′ locuri se obţin Ω(n)n !n′! configuraţii nedistincte
şi astfel:
N!= Ω(n)n !(N − n)!,
de unde rezultă că Ω(n) se calculează ca fiind combinaţii de N obiecte luate câte n:

N!
Ω(n) = , (B7.4)
n !(N − n)!
iar (B7.3) devine:
N!
P (n) = p n q N −n (B7.5)
n !(N − n)!
şi exprimă probabilitatea distribuţiei binomiale.
Polinomul:
N N

∑ ∑ n!(N − n)! (t ⋅ p) q
N! N −n
F (t ) =(tp + q ) N = P (n)t n = n
, (B7.6)
=n 0=n 0

se numeşte funcţie generatoare a probabilităţii P (n) şi permite să se pună în

evidenţă, prin calcule simple, unele proprietăţi ale acesteia.
Astfel, derivatele de ordinul întâi şi doi ale polinomului, în raport cu
parametrul t, au expresiile:
N
F ′(t )
= ∑ nP(n=
n=0
)t n −1
Np (tp + q ) N −1 (B7.7)

618
 N

∑
F ′′(t ) = n(n − 1)P (n)t n − 2 =
n=0
N (N − 1)p 2 (tp + q ) N − 2 . (B7.8)

Pentru t = 1 şi ţinând seama că p + q =

1, (B7.6–8) duc la:
N

∑ P(n) = 1
n=0
(B7.9)

N
=n ∑
= nP (n)
n=0
Np (B7.10)

N
n(n − 1)
= ∑ n(n − 1)P(n=)
n=0
N (N − 1)p 2 , (B7.11)

care exprimă respectiv condiţia de normare pentru P (n) şi mediile statistice ale
variabilelor aleatore n şi n(n − 1). Din (B7.11), rezultă:
2 2
n(n − 1) = n 2 − n = n − np ⇒ n 2 − n = n(1 − p ) = Npq
şi fluctuaţia se exprimă:
2 σn q 1
σ n= n2 − n = Npq , En=
= ⋅ . (B7.12)
n p N
Pentru numere mari se poate considera că P (n) este o funcţie continuă
(netedă) de variabila n şi dependenţa de această variabilă este dată, în principal, de
1
funcţia Ω(n). De exemplu, în cazul experienţei de aruncare a monedei, p= q=
2
şi (B7.5) devine:
1 N! 1
P (n) =
Ω(n) ⋅ N = ⋅ N. (B7.13)
2 n !(N − n)! 2
Funcţia Ω(n) are unele proprietăţi care se verifică imediat:

Ω(0) =
Ω(1) =
1 (B7.14)

Ω(n) =
Ω(N − n) (B7.15)

Ω(n + 1) N − n N −n
= ⇒ Ω(n=
+ 1) Ω(n). (B7.16)
Ω(n) N +1 N +1
Funcţia P (n) are valoare maximă şi condiţia necesară de maxim, ţinând
seama de formula lui Stirling (A8.5), duce la:

619
 dP(n) d ln P(n) d
= =0 ⇒ [ ln N !− ln n!− ln (N − n)!+ n ln p + (N − n) ln q ] =
dn dn dn
 N −n p
= ln  =
⋅  0,
 n q
de unde, notând cu n p valoarea variabilei pentru care P (n) îşi atinge valoarea
maximă, rezultă:
N − np p
ln ⋅ =1 ⇒ n p =n =Np. (B7.17)
np q
În particular, pentru (B7.13), se obţine:

dP (n) dΩ(n) N
= =0 ⇒ n p =nΩ = . (B7.18)
dn dn 2
Reprezentând grafic funcţia (B7.13) pentru N = 4,
în figura B7.2, se obţine o imagine a formei func-
ţiei P (n) care sugerează că aceasta scade puternic de o
parte şi de alta a maximului care se obţine pentru
n= n= n p= 2.
• Distribuţia Poisson se obţine, ca un caz parti-
cular, din distribuţia binomială, dacă p << 1 şi n << N . Figura B7.2.
Astfel avem:
p << 1 ⇒ ln (1 − p) ≈ − p
 N!
 (N − n)! = (N − n + 1)(N − n + 2) N =

n << N ⇒   n − 1  n − 2   1
= N n 1 − 1 −   1 −  ≈ N
n
  N  N   N 

ln q = (N − n) ln (1 − p ) ≈ − Np ⇒ q = e − Np
N −n N −n

şi notând cu λ= n = Np, relaţia (B7.5) devine:

λ n e −λ
P (n) = , (B7.19)
n!
reprezentând distribuţia Poisson, cu parametrul λ. În acest caz, parametrii (B7.10),
(B7.12) şi (B7.17), trec respectiv în:
Np 1
n = n p = λ, =
σn Np (1 − p ) ≈ Np=
, En ≈ . (B7.20)
Np Np

620
 • Distribuţia normală (Gauss) se obţine de asemenea din distribuţia bino-
mială, în condiţii care urmează să fie precizate.
Graficul funcţiei P (n), prezentat în figura B7.2, arată că pentru n mare,
aceasta este continuă şi are valori semnificative pentru valori ale variabilei din
vecinătatea mediei n . Ca urmare, deoarece (n − n ) << 1, este valabilă dezvoltarea
în serie Taylor:
d ln P (n) 1 d 2 ln P (n)
ln P (=
n) ln P (n ) + (n − n ) + 2
(n − n ) 2 +
dn n = n 2! dn n=n

şi ţinând seama de:

d ln P ( n )  N −n p
= ln  ⋅  = 0 (condiţie necesară de maxim)
dn n=n  n q  n=n

d 2 ln P (n) N N 1
=
− =
− =
−
dn 2
n=n
n(N − n) n = n n (N − n ) Npq
rezultă:
1
ln P (n=
) ln P (n ) −
(n − n ) 2 +
2 Npq
Neglijând termenii dezvoltării, cu (n − n ) la puteri superioare, se obţine:
(n − n )2
1 −
ln P (n) ≈ ln P (n ) − (n − n ) 2 ⇒ P (n) =
P (n )e 2 Npq
. (B7.21)
2 Npq
Factorul P (n ) se determină din condiţia de normare:
∞ ∞ (n − n )2 ∞
−

∫ ∫ 2 P (n ) e − βt dt = ∫
2
P (n)dn =
1 ⇒ P (n ) e 2 Npq
dn =
−∞ −∞ 0

p 1
= P (n ) = 2pNpq = σn 2p = 1 ⇒ P (n ) = , (B7.22)
β σ n 2p
1
unde: n − n= t , β= şi am ţinut seama de (A8.17). Introducând (B7.22) în
2 Npq
(B7.21) se stabileşte relaţia:
(n − n )2
−
1 2 σ2n
P (n) = e , (B7.23)
σ n 2π
reprezentând funcţia de distribuţie normală (Gauss) pentru variabila n.
În general, se spune că variabila aleatoare cu spectrul continuu x, urmează
legea normală de distribuţie (Gauss) cu parametrii m şi σ > 0, dacă probabilitatea:

621
 =
dP (x) P (x; m, σ)dx (B7.24)
este determinată de funcţia de distribuţie:
(x − m )2
1 −
P (x; m, σ) = . e 2 σ2
(B7.25)
σ 2π
O serie de proprietăţi importante ale funcţiei şi semnificaţia parametrilor m
şi σ se determină dacă ţinem seama de unele rezultate din A8.
– Funcţia P (x; m, σ) este simetrică faţă de dreapta x = m:
(m ± x − m )2 x2
1 − 1 − 2
=P (m ± x; m, σ) = e 2 σ2 e 2σ . (B7.26)
σ 2π σ 2π
– Condiţia de normare este satisfăcută:
∞ ∞ (x − m )2 ∞
1 − 2
∫ P (x; m= ∫ e −t dt 1, ∫
2
, σ)dx e =2 σ2 dx = (B7.27)
-∞
σ 2ππ
−∞ 0
x−m
unde am făcut schimbarea de variabilă: t = şi am ţinut seama de (A8.16).
σ 2
– Media statistică a variabilei x:
∞ ∞ (x − m )2 ∞
1 − 2m
∫
xP (x; m= ∫ ∫e
− t2
=x , σ)dx xe =2 σ 2 dx dt +
-∞
σ 2ππ
−∞ 0
∞
2
∫
te − t dt = m,
2
+σ (B7.28)
π −∞
unde am ţinut seama de (A8.16) şi (A8.20).
– Fluctuaţia absolută:
12
∞ 
∫
x − x=  (x − x ) 2P (x; m, σ)dx  =
2
σ=
x
2

- ∞ 

12
 4σ 2 ∞

∫t e
2 − t2
=  dt  = σ, (B7.29)
 π 0 

unde am ţinut seama de (A8.12) pentru n = 1 şi β =1. Se observă că parametrii m

şi σ au semnificaţie de medie statistică x = m respectiv abatere pătratică medie
σ x =σ.
– Funcţia P (x; m, σ) îşi atinge maximul la x= x= m şi are două puncte de
inflexiune:

622
 dP
=
0 ⇒ xmax ==
m x (B7.30)
dx

d 2P
= 0 ⇒ x1,2 = m ± σ. (B7.31)
dx 2
În punctul de maxim, funcţia are valoarea:

1
P (m; m, σ=) Pmax
= . (B7.32)
σ 2π

– Reprezentarea grafică a funcţiei P (x; m, σ) se prezintă în figura B7.3 şi se

observă că, independent de valorile parametrilor m şi σ, curba are forma
clopotului lui Gauss. Parametrii m şi σ determină poziţia axei de simetrie
(fig. B7.3a) respectiv gradul de turtire a curbei (fig. B7.3b); lărgimea curbei este
dată de 2σ.

P(x; m , σ)

a) b)

Figura B7.3.
– Probabilitatea ca variabila x să ia valori în intervalul finit: x ∈ [x1 , x2 ], se
calculează ţinând seama de definiţia funcţiei integrale Laplace (A8.21):
x2 − m
x2 x2 (x − m )2 σ 2
1 − 1
∫ P (x; m,= ∫ ∫ e − t dt
2
P (x1 £ x=
£ x2 ) σ)dx e 2=
σ2 dx =
x1
σ 2ππ
x x1 − m
1
σ 2

 x2 − m x1 − m


1 2
σ 2
2
σ 2
 1   x2 − m   x − m 
∫
e − t dt − ∫
2
− t2
=  e dt =
 Φ   − Φ 1   . (B7.33)
2  ππ 0 0  2  σ 2   σ 2 
 
În particular:

623
 1  ε   ε   ε 
P (m − ε £ x £ m + ε) = Φ   − Φ−   = Φ , (B7.34)
2 σ 2  σ 2  σ 2
unde am ţinut seama de (A8.23). Dacă ε = k σ, rezultă:

 k 
P (m − k σ £ x £ m + k σ) =Φ  , (B7.35)
 2
reprezentând, geometric, aria suprafeţei haşurate din
figura B7.4.
• Distribuţia polinomială se referă la experienţa cu Figura B7.4.
m cazuri posibile, de la care am pornit.
Notăm cu pi probabilităţile evenimentelor independente Ai , i = 1, m, într-o
singură experienţă. Interesează probabilitatea ca, repetând de N ori experienţa, să
se realizeze de n1 ori evenimentul A1 şi de n2 ori evenimentul A2 şi de nm ori
evenimentul Am (n1 + n2 +  + nm = N ):

N!
P (n1 , n2 ,  , nm ) = p1n1 p2n2  pmnm , (B7.36)
n1 !n2 ! nm !
numită probabilitatea distribuţiei polinomiale:

 n1n2  nm 

n1n2  nm :   (B7.37)
N! nm  .
p n1 n2
 n !n ! n ! 1 2 p  pm 
 1 2 m 
Mărimea:
N!
Ω(n1 , n2 ,  , nm ) = , (B7.38)
n1 !n2 ! nm !
se calculează cu formula permutărilor cu repetiţie şi determină, în principal,
dependenţa funcţiei P (n1 , n2 ,  , nm ) de variabilele respective. În particular, dacă
1
p=
1 p=
2 = pm=
 , rezultă:
m
N! 1
P (n1 ,=
n2 ,  , nm ) ⋅ N. (B7.39)
n1 !n2 ! nm ! 2

624