Distribuții clasice de probabilitate

Distribuţia normală

Legea normală de probabilitate, numită şi legea Gauss‐Laplace este cea

mai importantă lege de probabilitate.

1. Modelează şi descrie într‐un mod folositor numeroase variabile aleatoare pe

care le întâlnim în practică: înălţimea şi greutatea unui grup de persoane,
vânzările anuale ale unei firme, notele elevilor dintr‐o clasă, măsurarea
erorilor care apar la realizarea unui experiment; în astfel de cazuri, valorile
observate tind să se aglomereze într‐un mod simetric în jurul valorii centrale,
dând naştere unei curbe în formă de clopot;
2. Asigură o aproximare utilă pentru numeroase alte distribuţii, inclusiv
distribuţii discrete (de exemplu, distribuţia binomială);
3. Este distribuţia fundamentală a inferenţei statistice, reprezentând distribuţia
posibilelor estimări ale unui parametru al populaţiei care pot apărea în
diferite eşantioane ‐ principala raţiune, de altfel, pentru care distribuţia
normală este considerată cea mai importantă distribuţie.
 Distribuţia normală
O variabilă aleatoare care urmează o lege de probabilitate normală se numeşte
variabilă aleatoare normală.
𝑿~𝑵 𝝁, 𝝈𝟐 unde 𝜇 – media lui X, 𝜎 ‐ dispersia lui X.
Funcţia normală de densitate a probabilităţii:
𝟏 𝒙 𝝁 𝟐
𝟏
𝒇 𝒙 ·𝒆 𝟐 𝝈 ;∀ 𝑥 ∈𝑅
𝝈 𝟐𝝅

unde 𝝁 𝐸 𝑋 ; 𝝈𝟐 𝑉𝑎𝑟 𝑋 , 𝝅 3.14159 … , 𝒆 2.71828 …

Proprietăți ale funcţiei normale de densitate a probabilităţii f(x):

• poate lua valori de la ‐ ∞ la + ∞ 𝑝 𝑥
• este continuă
• are valori pozitive pentru toate valorile lui x;
• este simetrică în raport cu 𝑥 𝜇;
• posedă un punct de maximum pentru 𝑥 𝜇 şi 𝑦 ;
• are două puncte de inflexiune, în 𝑥 𝜇 𝜎 şi în 𝑥 𝜇 𝜎
• aria de sub curbă este egală cu 1

𝑥
 Distribuţia normală

Deși o distribuţie normală este complet determinată odată cu

specificarea celor doi parametri 𝝁 şi 𝝈𝟐 , în realitate, există o întreagă familie de
distribuţii normale care au aceeaşi formă (clopotul lui Gauss) dar diferă una de
cealaltă prin localizarea mediei şi dispersia valorilor.

𝑝 𝑥 𝑝 𝑥

𝑥 𝑥

aceeaşi dispersie dar medii diferite aceeaşi medie dar dispersii diferite
 Distribuţia normală
Cea mai importantă din familia distribuţiilor normale este distribuţia normală
standard, care are media 𝜇 = 0 şi dispersia 𝜎 = 1.
Orice variabilă normală 𝑿~𝑵 𝝁, 𝝈𝟐 se poate standardiza astfel:
𝒙 𝝁
𝒛 Z ~ N(0,1)
𝝈
Z ‐ variabilă aleatoare normală standard
z ‐ este distanţa de la fiecare valoare inițială x a variabilei normale X înainte de
standardizare până la media sa 𝝁, măsurată în număr de abateri standard 𝝈.

Utilizarea tabelelor distribuției normale standard

Valorile distribuției normale standard Z~N(0,1) sunt precalculate în tabele speciale folosite
pentru calculul probabilităților pentru orice variabilă normală.
Uzual sunt două tabele:
‐ primul tabel cuprinde valorile lui P(0 Z z).
‐ al doilea tabel cuprinde valorile lui P(Z z) pentru valori ale lui z pozitiv precizate cu două
zecimale.
Valoarea lui P se găseşte la intersecţia liniei corespunzătoare părții întregi şi
primei zecimale a lui z cu coloana corespunzătoare celei de a doua zecimale a lui z.
 Distribuţia normală

Proprietăţi ale variabilelor aleatoare normale:

• dacă X este o variabilă aleatoare normală iar a este o constantă, atunci variabilele:
X+a, X‐a şi aX sunt şi ele normal distribuite;
• în cazul special în care X şi Y sunt două variabile aleatoare normale şi
independente, atunci şi variabilele X+Y şi X‐Y sunt normal distribuite.

Prin generalizare, putem enunţa următoarea teoremă referitoare la suma unor

variabile supuse unor legi normale.

Fie X1, X2...Xn n variabile aleatoare independente unele faţă de altele, astfel
încât:
𝑋 ~ 𝑁 𝜇 ; 𝜎 , ∀𝑖 ∈ 1, … 𝑛 şi fie 𝑌 ∑ 𝑋

Atunci 𝑌~𝑁 𝜇; 𝜎
unde: 𝜇 𝜇 ⋯ 𝜇 ∑ 𝜇
𝜎 𝜎 ⋯ 𝜎 ∑ 𝜎
 Distribuţia normală

Teorema limită centrală

Fie X1,X2.......Xn n variabile aleatoare independente între ele şi identic distribuite
(aceeaşi lege de probabilitate, aceeaşi medie şi dispersie) și fie 𝑌 ∑ 𝑋 .
Atunci, dacă n este mare (teoretic, dacă n→ ∞): 𝑌 ≅ 𝑁 𝜇; 𝜎
unde: 𝜇 𝐸 𝑋 ⋯ 𝐸 𝑋 𝑛·𝐸 𝑋
𝜎 𝑉 𝑋 ⋯ 𝑉 𝑋 𝑛·𝑉 𝑋

Cum această teoremă se aplică oricărei sume de variabile aleatoare

independente între ele şi identic distribuite, este important să precizăm că ea
permite şi aproximarea unei sume de variabile discrete printr‐o variabilă
continuă (regula aproximării normale).
 Distribuţia χ𝟐
O distribuţie derivată din distribuţia normală, care are un rol foarte important
în inferenţa statistică este distribuţia 𝝌𝟐 (numită şi repartiţia Helmert‐Pearson):

Fie X1, X2,.....Xn , n variabile aleatoare independente astfel încât

𝑿𝒊 ~𝑵 𝟎; 𝟏 , ∀ 𝑖 ∈ 1, … 𝑛
Dacă 𝑿 𝑿𝟐𝟏 ⋯ 𝑿𝟐𝒏 , atunci X este o variabilă aleatoare continuă supusă unei
funcţii de densitate de probabilitate numită 𝝌𝟐 cu n grade de libertate şi o notăm:
𝑿 ~ 𝝌𝟐𝒏

Indicatorii numerici ai distribuției 𝝌𝟐

• speranța matematică: 𝑬 𝑿 𝒏
• dispersia: 𝑽 𝑿 𝟐𝒏

Observație: n, numărul gradelor de libertate, reprezintă parametrul specific al acestei

distribuţii, aşa cum n şi p sunt pentru o distribuţie binomială şi 𝝁 şi 𝝈𝟐 pentru o
distribuţie normală.
 Distribuţia χ𝟐
Reprezentarea grafică a funcţiei de densitate de probabilitate a unei variabile X supusă unei legi
𝜒 , pentru trei valori ale lui n, se regăseşte în figura următoare.
p(x) 0.9
n=1
0.8 n=3
n=10
0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 5 10 15 20 25 x
 Distribuţia student (t) William Sealy Gosset

Fie Z ~ N(0;1) şi 𝑿~𝝌𝟐𝒏 , două variabile aleatoare independente, dacă:

𝒁
𝑻
𝑿
𝒏
atunci T este o variabilă aleatoare continuă supusă unei legi de probabilitate
numită t (a lui Student) cu n grade de libertate, pe care o notăm:
𝑻~𝒕𝒏

Indicatorii numerici ai distribuției Student

Speranța matematică: 𝑬 𝑻 𝟎
𝒏
Dispersia: 𝑽 𝑻
𝒏 𝟐
Dacă 𝑛 2, 𝑉 𝑇 → 1, pentru valori mari ale lui n.
 Distribuţia student (t)
Reprezentarea grafică a unei astfel de variabile are aspectul unei distribuţii
normale N(0;1) aplatizate, incluzând şi proprietăţile de simetrie ale acesteia.
Pentru valori mai mici ale lui n, forma clopotului este mai largă şi plată, iar pe
măsură ce valorile lui n sunt mai mari, forma clopotului este mai îngustă şi mai înaltă,
tinzând progresiv către cea a lui N(0;1), atunci când 𝑛 → ∞.

𝑝 𝑥 N(0,1)

t10
t2
𝑥
-5 -4 -3 -2 -1 0 1 2 3 4 5