Capitolul 2 VARIABILE ALEATOARE. FUNCII I DENSITI DE REPARTIIE 2.1.

Variabile aleatoare Noiunea de variabil aleatoare este fundamental n teoria probabilitilor. Considerat intuitiv, legat de experiment, variabila aleatoare se poate defini ca fiind o funcie real pe mulimea rezultatelor unui experiment. Cu alte cuvinte, valorile acestei funcii sunt luate dup cum s-a realizat un anumit eveniment, pentru un experiment dat. S considerm experimentul care const n aruncarea cu dou zaruri i n care ne intereseaz suma punctelor obinute. Dac notm cu Sk evenimentul care const n faptul c la o aruncare a aprut suma k, k=2,3,,12, atunci variabila aleatoare X, care este o funcie real pe mulimea experimentelor {Sk, k=2,3,,12}, are valorile X(Sk)=k. Acest lucru poate fi sintetizat astfel:
S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 X: 2 3 4 5 6 7 8 9 10 11 12

Dar rezultatele Sk, 2 k 12 apar cu probabilitile P(S2)=1/36; P(S6)=5/36; P(S10)=3/36; P(S3)=2/36; P(S7)=6/36; P(S11)=2/36); P(S4)=3/36; P(S8)=5/36; P(S12)=1/36 P(S5)=4/36; P(S9)=4/36;

i atunci variabila aleatoare X poate fi scris:

2 3 4 5 6 7 8 9 10 11 12 , X: 1 2 3 4 5 6 5 4 3 2 1 36 36 36 36 36 36 36 36 36 36 36 ceea ce conduce la faptul c o variabil aleatoare este o funcie real ale crei valori sunt luate cu probabilitile corespunztoare unui sistem complet de evenimente. Din exemplul considerat rezult c prin intermediul variabilelor aleatoare, evenimentele pot fi descrise cu ajutorul unor valori numerice reale, care n general sunt rezultatul unor observaii. Vom da acum definiia riguroas din punct de vedere matematic a variabilei aleatoare cu care vom opera n continuare. S considerm cmpul de probabilitate {,K,P} dat i s notm cu R mulimea numerelor reale i cu B tribul mulimilor boreliene1 de pe R, astfel nct (R,B) este un cmp complet aditiv.

Tribul mulimilor boreliene de pe dreapta real este cel mai mic corp care conine toate mulimile deschise de pe dreapt.

Definiie. Aplicaia X: R se numete variabil aleatoare dac X-1(B)K, ()B. Observm c dac lum B=(a,) atunci X-1(B)=X-1(a,)={w:X(w)(a,)}={:X()>a}, aR arbitrar. Se demonstreaz c definiia introdus mai sus este echivalent cu definiia de mai jos: Definiie. Aplicaia X: R se numete variabil aleatoare dac: {: X() > a} K, () aR.

n cele ce urmeaz vom folosi aceast definiie i adesea vom scrie prescurtat: {: X()>a} = {X > a}. Avnd n vedere faptul c variabilele aleatoare dau posibilitatea scrierii evenimentelor cu ajutorul lor, punem n eviden urmtoarea propoziie:
Propoziie. X: R este variabil aleatoare dac i numai dac este adevrat una din afirmaiile (i) {:X() a}K, () aR (ii) {: X() < a}K, () aR (iii) {: X() a} K, () aR Demonstraie: se constat c : 1 1 {:X() a} = I {:X ( ) > a }. ns, {:X( ) > a - } K, n = 1,2, ( )a R, n n n =1 1 I1{: X ( ) > a n} K , ()a R n=

{:X() < a} = C{:X() a}K {:X() a} = C{:X() > a}K, ceea ce demonstreaz implicaia (). Implicaia () rezult n acelai mod. De aici rezult o observaie important: Cum
Observaie. Dac X este o variabil aleatoare definit pe {,K,P}, atunci, pentru orice a,bR, a<b, avem: X-1({a})K, X-1([a,b))K, X-1([a,b])K, X-1((a,b))K. Pentru exemplificare,

X-1((a,b))={: a< X() < b} = {: X() > a} {: X() < b}. Ne intereseaz s vedem dac, n urma compunerii de variabile aleatoare, obinem tot variabile aleatoare, rspuns care se va desprinde din teoremele ce urmeaz:
Teorem. Dac X este variabil aleatoare, iar bR, atunci: (1) X + b (2) bX (3) |X| (4) X2 1 (5) , dac X0 X

sunt variabile aleatoare. Demonstraie: Se vede imediat c toate aplicaiile (1) - (5) sunt de la R. Rmne s artm c este ndeplinit i cea de a doua cerin.
(1) { :( X + b)( ) > a} = { : X ( ) + b > a} = { : X ( ) > b a} K a { : X( ) > b }, b > 0 ( 2 ) { : bX( ) > a} = { : X ( ) < a }, b < 0 b / O, dac a < 0 (3) { :| X( )| > a} = { : X( ) > a} { : X( ) < -a}, a 0 / O, dac a < 0 ( 4) {:X 2 ( ) > a} = {:| X( )|> a }, a 0 { : X ( ) > 0}, a = 0 1 1 (5) { : > a} = { : X ( ) > 0} { : X ( ) < }, a > 0 X( ) a 1 { : X ( ) > 0} [{ : X ( ) < 0} {: X ( ) < }], a < 0 a Deci toate cele cinci aplicaii sunt variabile aleatoare. Urmtoarea propoziie va da posibilitatea s compunem diverse variabile aleatoare.

Propoziie. Dac X i Y sunt variabile aleatoare, atunci

{:X() > Y()}K, {:X() Y()}K, {:X() = Y()}K.

Demonstraie. Cum X,Y sunt variabile aleatoare reale i X() > Y(), exist un numr real r astfel nct X() > r > Y(). Fie (rk)kNQ i (rk)kNQ, rk r, rk r. Atunci:

{:X() > Y()} = i, de aici, rezult c:

I [{: X ( ) > r } {: Y ( ) < r }]

k ' k

{:X() > Y()} K Celelalte dou afirmaii rezult din faptul c {:X() Y()} = C{:Y() > X()} i {:X() = Y()} = {:X() Y()} {:X() Y()}, ceea ce dovedete afirmaia. Putem acum s dm o teorem de compunere a dou variabile aleatoare.
Teorem. Dac X i Y sunt variabile aleatoare, atunci (1) X - Y (2) X + Y (3) XY

X , dac Y0 Y sunt variabile aleatoare. Demonstraie. (1) Este clar c X - Y: R.. Cum {:X() - Y() > a} = {:X() > Y() + a} K conform cu propoziiile anterioare, rezult c X - Y este variabil aleatoare.

(4)

(2) Deoarece X + Y = X - (-Y) am redus cazul acesta la cazul (1). 1 (3) XY = [(X + Y) 2 (X Y) 2 ] . Cum X + Y, X - Y i ptratele lor sunt variabile aleatoare, 4 rezult afirmaia. 1 X = X i, deci, raportul este tot o variabil aleatoare. (4) Y Y n mulimea variabilelor aleatoare, un rol important l au acelea care pot lua o mulime finit sau numrabil de valori.
Definiie. Spunem c variabila aleatoare X este de tip discret dac ia o mulime de valori cel mult numrabil. Un exemplu de variabil aleatoare discret cu o mulime numrabil de valori este variabila aleatoare Poisson: k k X : e , k = 0,1, 2,... k! Constanta >0 este parametrul repartiiei (n momentul n care avem o variabil de tip discret xk i am dat X : spunem c avem o repartiie; n exemplul dat este repartiia Poisson pk , k I

de parametru >0).
Definiie. Spunem c variabila aleatoare X este simpl dac poate lua numai un numr finit de valori.

Ca exemplu de variabil aleatoare simpl, s considerm variabila binomial: k . X : p k n k Cn p q , k = 0,1, 2,..., n Denumirea deriv din faptul c P(X=k) = C k p k q n k sunt tocmai termenii din dezvoltarea n binomului (p + q)n. Variabila aleatoare simpl 1, dac A IA( ) = 0, dac CA o vom numi variabil aleatoare indicator al mulimii A.

Dac variabila aleatoare X ia valorile x1,x2,,xn pe mulimile A1,A2,,An respectiv, unde (Ai)1in constituie o partiie a lui (sistem complet de evenimente), adic AiAj = dac ij i

U A = , atunci putem scrie:

i i =1

X ( ) = xi I Ai ( ), R.
i =1

Rezultatul care urmeaz ne va da posibilitatea s aproximm variabilele aleatoare oarecare cu ajutorul variabilelor aleatoare simple. Teorem. Dac X este o variabil aleatoare oarecare, atunci exist un ir cresctor (Xn)nN* de variabile aleatoare simple convergent ctre X.
Demonstraie. S presupunem mai nti c X 0; atunci, pentru orice nN*, s punem: i -1 i i 1 n n , dac n X ( ) < n , i = 1,2,..., n 2 Xn( ) = 2 2 2 n, dac X( ) n

Din modul cum am definit Xn rezult c este o variabil aleatoare simpl, oricare ar fi nN*, iar irul (Xn)nN* este cresctor. Dac X() < , atunci: i i 1 1 0 X ( ) Xn( ) n n = n 2 2 2 i, de aici:
lim Xn ( ) = X ( ) , uniform n raport cu .
n

Dac X() = , atunci Xn() = n, pentru orice nN* i deci lim Xn( ) = X ( ) .
n

Dac X nu este nenegativ, atunci ea poate fi pus sub forma X = X+ - X-, unde + X = sup (X,0), X- = -inf (X,0), care sunt variabile aleatoare nenegative crora li se poate aplica rezultatul menionat, ceea ce demonstreaz complet teorema. 2.2. Funcia de repartiie. Densitate de repartiie.
Proprieti. S considerm un cmp de probabiliti {,K,P} i X o variabil aleatoare definit pe acest cmp. Definiie. Numim funcie de repartiie a unei variabile aleatoare, X, aplicaia FX: R[0,1], definit prin relaia: FX(x) = P({:X() < x}) Exemplu. S considerm variabila aleatoare binomial k X : k k n k Cn p q , k = 0,1, 2,..., n Aplicnd definiia funciei de repartiie, obinem:

0 C 0 p 0 q n n 0 1 Cn p 0 q n + Cn p1q n 1 k FX ( x ) = Cnj p j q n j j=0 n 1 j j n j C n p q j=0 1

, x0 , 0 < x 1 , 1< x 2 , k < x k +1 , n 1 < x n , x>n

S-a obinut o funcie n trepte (n scar) cu salturi n punctele 0,1,2,,n.

Propoziie. Funcia de repartiie a unei variabile aleatoare X are urmtoarele proprieti:

(1) FX( ) = lim FX(x) = 0; FX(+ ) = lim FX(x) = 1

x x

(2) FX(x1) FX(x2), dac x1 < x2 (este nedescresctoare) (3) FX(x) = FX(x-0) = lim FX(y) (este continu la stnga)
y x

Demonstraie. (1) Fie irul (Xn) nN, Xn+1 < Xn, nN i lim Xn = - i s notm An = {:X() < Xn}.
n

Atunci, irul de evenimente (An) nN este descendent, An+1An, nN i Urmeaz, atunci, c:

lim P(An) = P(lim An) = P( I An) = 0
n n

n N

IA

/ =O .

Deci, lim P({ :X( ) < xn}) = lim Fx (xn) = F(- ) = 0 .

n n

Fie acum un ir (xn) nN, cresctor, xn<xn+1, nN cu lim x' n = + .

n

Notm Bn={:X() < xn}. Am obinut un ir ascendent de evenimente (Bn) nN, BnBn+1, nN i putem scrie: lim P(Bn) = P(lim Bn) = P( U Bn ) = 1 ,
n n n

adic:

lim P( :X( ) < xn) = 1 i, deci, lim FX(xn) = FX(+ ) = 1

n n

(2) Cum x1 < x2, putem scrie: {:x1 X() < x2} = {:X() < x2} - {:X() < x1}, {:X() < x1}{:X() < x2} P(:x1 X() < x2) = P(:X() < x2) - P(:X() < x1) = FX(x2) - FX(x1) 0 (3) S considerm irul (yn)nN R, yn < yn+1, nN, yn < x i lim yn = x .
n

Dac punem An = {:yn X() < x}, observm c AnAn+1, nN,

n n

n
n n

IA

/ = O i, din

lim P(An) = P( I An) = 0 , rezult c: lim P( :yn Xn( ) < x) = lim [Fx (x) - Fx (yn)] = 0 ,

adic lim Fx (yn) = Fx (x - 0) = Fx (x) .

n

Urmeaz de aici c, n mod necesar, orice funcie de repartiie are proprietile enumerate. Mai mult, orice funcie cu aceste proprieti este o funcie de repartiie, deci c proprietile (1),(2),(3) sunt necesare i suficiente pentru FX funcie de repartiie. Ca o completare la cele de mai sus, dm unele expresii utile n calcul.
Propoziie. Dac X este o variabil aleatoare i x1,x2R, x1 < x2, atunci: P(:x1 X() < x2) = FX(x2) - FX(x1) P(:x1 < X() < x2) = FX(x2) - FX(x1) - P(:X() = x1) P(:x1 < X() x2) = FX(x2) - FX(x1) + P(:X() = x2) - P(:X() = x1) P(:x1 X() x2) = FX(x2) - FX(x1) + P(:X() = x2). Demonstraia rezult imediat, iar noi o vom da numai pentru una din relaii, pentru celelalte fcndu-se analog.

{:x1 < X() < x2} = {:X() < x2} - {:X() x1} = = {:X() < x2} - [{:X() < x1} {:X() = x1}]. Lund probabilitatea i innd cont de faptul c {:X() x1} {:X() < x2}; x1 < x2 i {:X() < x1} {:X() = x1} = i se obine: P(:x1 < X() < x2) = FX(x2) - FX(x1) - P(:X() = x1).
Observaie. P(:X() = xi) reprezint saltul funciei de repartiie FX n punctul xi, i=1,2. Dac FX este continu, atunci P(:X() = xi) = 0, i=1,2. Din definiia funciei de repartiie rezult c ea are salturi numai la dreapta. Cum FX este o funcie cu variaia mrginit, cu variaia total 1, rezult c suma tuturor salturilor este 1. Teorema care urmeaz stabilete c mulimea tuturor salturilor ale funciei FX este cel mult numrabil. Demonstraie. Cum suma tuturor salturilor este 1, rezult c: 1 salturi mai mari ca : cel mult 1 2 1 salturi mai mari ca : cel mult 2 3 .. 1 salturi mai mari ca : cel mult n n . Deci, mulimea tuturor salturilor este o reuniune numrabil de mulimi cel mult numrabile, care este o mulime cel mult numrabil. Observaie. Unii autori definesc funcia de repartiie prin relaia: GX(x) = P(: X() x), x R.

Deosebirea const numai n faptul c, definit n acest mod, se modific proprietatea de continuitate, funcia GX fiind continu la dreapta, spre deosebire de FX care am vzut c este continu la stnga. Aadar, cnd se efectueaz calcule cu funcia de repartiie, va trebui s fim ateni cum s-a definit funcia, dac aceasta este discontinu (n cazul funciilor de repartiie continue am vzut c nu sunt probleme). S lmurim un aspect important privind corespondena ntre mulimea variabilelor aleatoare i mulimea funciilor de repartiie. Din definiia funciei de repartiie rezult c fiecrei variabile aleatoare i corespunde o singur funcie de repartiie. Reciproca, ns, nu-i adevrat, adic, fiind dat o funcie de repartiie, ea nu determin n mod unic variabila aleatoare. Vom dovedi acest lucru pe baza unui contraexemplu. Fie cmpul de probabilitate {[0,1], [0,1], P}, unde P este msura intervalului. Pe acest cmp, definim: 1 1 - 1, [0, 2 ) 1 , [0, 2 ) ; Y( ) = X( ) = 1 , [ 1 ,1] 1, [ 1 ,1] 2 2 Se vede imediat c X Y i c: 0 , x -1 1 FX(x) = P(:X() < x) = ,1 < x 1 2 1 , x > 1 0 , x -1 1 FY(x) = P(:X() < y) = ,1 < x 1 2 1 , x > 1 Cum FX = FY pe R, rezult afirmaia.

Densitate de repartiie. Dac exist o funcie f: RR+, integrabil pe R i astfel nct F(x) =

f(t) dt ,

atunci vom numi funcia f densitate de repartiie a variabilei aleatoare X care are funcia de repartiie F. Din definiia dat funciei f, rezult c aceasta are urmtoarele proprieti: (1) f(x) 0, xR (2)
-

f(x) dx = 1

Se constat imediat c dac exist densitatea de repartiie f, atunci F este derivabil i F(x) = f(x), iar probabilitatea ca variabila aleatoare X s ia valori cuprinse ntre x1 i x2, x1<x2 este dat de: P(:x1 X() < x2) = F(x2) - F(x1) = f(t) dt
x1 x2

Exemplu. S se determine constanta n astfel nct f: RR+ definit prin: , x (0,1) 0 , f(x) = a-1 b-1 , x (0,1) kx (1 - x)

unde a,b >0 sunt parametri. Dac k 0, atunci f(x) 0, x R. Din condiia
1 -

f(x) dx = 1 rezult:

k x a-1 (1- x) b-1 dx = 1

0

Cum

x
0

a-1

(1 - x)

b-1

, x ( 0,1) 0 1 1 i f(x) = dx = (a,b), obinem k = x a 1 (1 x ) b1 , x ( 0,1). (a, b) (a, b)

Variabila aleatoare X care are aceast densitate de repartiie, spunem c urmeaz o lege beta de parametri a i b.
Exemplu. S se verifice c funcia f: RR, definit prin relaia: a cos x , x [ / 2, / 2] f(x) = , x [ / 2, / 2] 0

poate fi o densitate de repartiie; alegnd convenabil constanta a, s se determine funcia de repartiie corespunztoare. S lum a 0, cci pe intervalul [-/2, /2], cos x 0 i s punem condiia /2 /2 1 f(x) dx = 1. n cazul nostru, a-/ 2cos x dx = 1 i cum -/ 2cos x dx = 2 , rezult a = 2 . - Atunci, , x - / 2 0 1 1 F(x) = f ( t ) dt = (sin x + 1) , - / 2 < x / 2 2 - 2 , x>/2 1 Dac X este o variabil aleatoare de tip discret, xn X: Pn , n I Pn = P(: X() = xn), nI, cel mult numrabil, atunci: F(x) = Pn ,
x n <x

care este o funcie de repartiie de tip discret. 2.3. Caracteristici numerice ale funciilor de repartiie. Fie X o variabil aleatoare, F funcia sa de repartiie i qN, q 2.
Definiie. Numim q-cvantile ale variabilei aleatoare X, numerele finite (ci(X))1iq-1 pentru q-i care P(:X() ci(X)) , P(:X() ci(X)) i/q, unde 1 i q-1. q

Din relaia P(:X() ci(X)) + P(:X() < ci(X)) = 1 rezult c q-cvantilele se definesc echivalent: F(ci(X) = 1 - P(:X() ci(X)) 1 F(ci(X) + 0)
q-i i = q q

i , 1 i q-1 q Se constat imediat c, n general, q-cvantilele nu sunt unic determinate. Dar dac F este continu i cresctoare, atunci q-cvantilele se pot determina n mod unic ca soluii ale ecuaiilor: i F(ci(X)) = , 1 i q 1 q Lund valori particulare ale lui q, obinem pentru q=2 mediana, pentru q=4 cvartilele, pentru q=10 decilele, pentru q=100 centilele. Aadar, mediana variabilei aleatoare X este numrul real c2(X) care satisface condiiile: 1 P(:X() c2(X)) 2 1 P(:X() c2(X)) 2 sau, cu ajutorul funciei de repartiie 1 F(c2(X)) 2 1 F(c2(X)+0) 2

Dac graficul funciei y = F(x) se completeaz n punctele de discontinuitate cu rezultatele cuprinse ntre punctele (x,F(x)) i (x,F(x+0)), atunci graficul y = F(x) are sau un 1 singur punct sau un segment paralel cu axa OX n comun cu dreapta y = . Punctul comun 2 sau punctele comune sunt toate puncte mediane ale funciei de repartiie F. Cnd F este 1 continu i strict cresctoare, mediana se obine ca soluie a ecuaiei F(x) = (soluie care 2 este unic). Dac exist densitatea de repartiie f(x) atunci se pot determina uor q-cvantilele cu ajutorul ecuaiei: c i (x) i f(x) dx = q , i = 1,2,,q-1, sau, echivalent:
c i (x)

f(x) dx = f(x) dx = = ( f(x) dx = f(x) dx = q )

c1 (x)
cq -2 x

c 2 (x)

cq -1 ( x )

c q -1 (x)

n cazul q = 2, avem:
me -

f(x) dx = f(x) dx = 2
m2

unde me este punctul median al repartiiei.

Definiie. Fiind dat funcia de repartiie F care are densitatea f, orice punct de maxim local pentru f se numete mod (punct modal). Dup numrul punctelor de maxim pentru f, avem repartiii unimodale, bimodale sau multimodale n general. n cazul repartiiilor discrete, punctul modal poart numele de valoarea cea mai probabil. Dac valorile variabilei aleatoare X sunt (xn)nI, IN i sunt presupuse a fi aezate n ordine cresctoare, notnd Pk = P(X=xk), valoarea cea mai probabil xk este cea care corespunde probabilitii Pk ce satisface dubla inegalitate

Pk-1 Pk Pk+1.
Exemple. 1) S se calculeze valoarea median pentru repartiia cu densitatea e - x , x > 0 f(x) = ,x 0 0 2) S se determine valoarea modal pentru repartiie N(m,). 3) S se stabileasc valoarea cea mai probabil pentru repartiiile: k k k ; Y = - X: k k n k C n p q , k = 0,1,2,..., n e , k = 0,1,2,... k! Soluii. me 1 ln 2 1 . 1) e - x dx = conduce la 1 - e - m e = , de unde me = 2 2 0 2) f(x; m,) =
1

e
3

( x m)2 2 2

x-m ; f '(x) = - 3 e 2

( x m )2 2 2

= 0 conduce la xmod = m.

< 0 rezult c este vorba de un maxim. 2 3) C k-1 p k 1q n k +1 C k p k q n k C k +1 p k +1q n k 1 ne conduce la np - q k np + p, n n n

Cum f(xmod) = -

care este valoarea cea mai probabil pentru X. Analog,

e -

k-1
( k 1)!

e -

k
k!

e -

k +1
(k + 1)!

ne conduce la valoarea cea mai probabil -1 k . 2.4. Vectori aleatori. Funcii de repartiie i densiti de repartiie multidimensionale. Dac {,K,P} este un cmp de probabilitate i (Rn,Bn) un cmp complet aditiv, cu R = Rx xR, Bn = BB cu semnificaia menionat, atunci X:Rn este o variabil aleatoare n-dimensional (un vector aleator n-dimensional) dac
n

X-1(B) = {:(X1(),X2(),,Xn()) B}, () B=B1xx Bn Bn.. Ca i n cazul unidimensional, vom considera definiia echivalent, X:Rn este variabil aleatoare n-dimensional dac {:X1() < x1, X2() < x2,,Xn() < xn} K, () (x1,x2,,xn)Rn.
Definiie. Numim funcie de repartiie n-dimensional a variabilei aleatoare vectoriale X=(X1,X2,,Xn), funcia F:Rn[0,1] definit prin:

FX(x1,x2,,xn) = P({{:X1() < x1, X2() < x2,,Xn() < xn}) Ca i n cazul unidimensional, funcia de repartiie are o seam de proprieti care-i sunt specifice i care o caracterizeaz: 1) Funciile pariale xk FX(x1,x2,,xk-1, xk, xk+1,,xn), k 1, n sunt nedescresctoare, adic FX este nedescresctoare n raport cu fiecare argument. 2) FX este continu la stnga n raport cu fiecare argument 3) Dac cel puin una dintre componente xi -, atunci FX 0, adic: lim FX (x1,..., xi - 1, xi, xi + 1,..., xn) = 0
x i

4)

x1 + ... x n +

lim FX (x1, x2,..., xn) = 1

(dac toate componentele xj , funcia de repartiie FX tinde ctre 1). 5) Pentru orice dou n-upluri (x1,x2,,xn) Rn, (y1,y2,,yn) Rn astfel nct xj < yj, 1jn, are loc: FX(y1, y2,..., yn) - Pi + Pij
i=1 i < j =1 n n i < j< k =1

ijk

+...+( 1) n FX(x1, x2,..., xn) 0

unde: Pi = FX(y1,,yi-1,xi,yi+1,,yn) Pij = FX(y1,,yi-1,xi,yi+1,,yj-1,xj,yj+1,,yn), 1 i j n i aa mai departe, cu Pijk, Proprietatea (5) completeaz proprietile funciei de repartiie, astfel nct orice funcie de repartiie n-dimensional are proprietile amintite i reciproc. Ea reprezint faptul c: P(:(X1(),X2(),,Xn()) [x1,y1)[x2,y2)[xn,yn)) 0, iar acest lucru se vede foarte bine n cazul n=2, cnd ea devine F(y1,y2) - F(x1,y2) - F(x2,y1) + F(x1,x2) 0 care, evident, reprezint probabilitatea de mai jos P(x1X1<y1; x2X2<y2) 0 S considerm mulimea (x1,y1)(x2,y2). u2

y2

x2 0 x1 y1 u1

Cum {: x1X1()<y1; x2X2()<y2} = = {:X1()<y1; X2()<y2} - [{:X1()<x1, X2()<y2} {:X1()<y1, X2()<y2}], iar i A = {X1<y1; X2<y2} A1A2 = {X1<x2; X2<y2} {X1<y1; X2<x2} A1A2 = {X1<x1, X2<x2}.

Lund probabilitatea i folosind proprietile acesteia, se obine imediat rezultatul. S observm c exist funcii F:Rn[0,1] care au proprietile (1)-(4) i care nu pot fi funcii de repartiie, deoarece nu ndeplinesc proprietatea (5). Iat, n cazul n=2, un exemplu care justific afirmaia. Fie F:R2R definit prin: 0 , dac x 0 sau y 0 sau x + y 2 F(x, y) = 1 , n rest Deci, pe D1={(x,y)x0 sau y0 sau x+y2} F ia valoarea zero, iar pe D2 = C R 2 D1 ia valoarea 1.

(0,2) D2 D1 (2,0)

S lum acum y1=y2=2; x1=x2=1. n acest caz, F(2,2) - F(1,2) - F(2,1) + F(1,1) = 1 - 1 - 1 + 0 = -1 i, deci, expresia dat de (5) nu poate reprezenta probabilitatea unui eveniment. S introducem acum noiunea de densitate de repartiie n-dimensional. Dac exist o funcie f:RnR continu i integrabil pe Rn, astfel nct:
x1 x 2

F(x1,..., xn) =

... f (u , u ,..., u ) du du ...du ,

1 2 n 1 2 n

xn

atunci funcia f poart numele de densitate de repartiie n-dimensional a vectorului aleator (X1,X2,,Xn). Din definiia dat, rezult imediat c funcia f are proprietile: (i) f(x1,x2,,xn)0 oricare ar fi (x1,x2,,xn)Rn

(ii)

... f (u , u ,..., u ) du du ...du

1 2 n 1 2

=1

n F(x1, x2,..., xn) Tot din definiie rezult c exist x1 x2... xn n F(x1, x2,..., xn) . x1 x2... xn

i c

f(x1,x2,,xn)=

S considerm acum cmpul de probabilitate {,K,P}, (X)I o familie de variabile aleatoare (I fiind o familie de indici).
Definiie. Familia (X)I este o familie de variabile aleatoare independente, dac pentru orice JI, J finit i orice familie de mulimi boreliene (B)J are loc relaia:
P( I X 1 ( B )) = P( X 1 ( B ))

Se poate demonstra urmtoarea teorem, important n aplicaii, relativ la independena variabilelor aleatoare. Teorem. Condiia necesar i suficient ca (X)I s fie independente este ca pentru orice JI, J finit, s avem: P( I X < a )) = P( X < a )) , aR, J
J J

Vom introduce acum noiunea de funcie de repartiie marginal. Dac F(x1,x2,,xn) este funcie de repartiie a vectorului aleator (X1,X2,,Xn) atunci:
x1 ... xi 1 xi +1 ... x n

lim F ( x1, x 2,..., xi 1, xi, xi + 1,... xn ) = Fi( xi ), i 1, n

se numete funcie de repartiie marginal a variabilei Xi.. Analog, putem introduce o repartiie marginal relativ la k variabile , 1 k < n. Astfel, de exemplu, dac alegem primele k variabile ale vectorului (X1,X2,,Xk,,Xn), atunci
x k +1 ... x n

lim F ( x1, x 2,..., xk , xk + 1,... xn ) = Fx 1 , . . . , x k ( x1,..., xk ) ,

ceea ce se poate exprima imediat cnd este vorba de variabilele Xi 1 , Xi 2 ,..., Xi k i obinem FXi1 ,Xi 2 ,...,Xi k ( xi 1 , xi 2 ,..., xi k ) . Acelai lucru este valabil n cazul densitilor de repartiie ndimensionale. Astfel, dac f(x1,x2,,xn) este densitatea de repartiie a vectorului aleator (X1,X2,,Xn), atunci densitatea de repartiie marginal a variabilei Xi este dat de:

f Xi (xi) =

... fi (x1,..., xi - 1, xi, xi + 1,..., xn) dx j

j i j =1

Desigur c, n mod asemntor, se obine:

f X1,X2,...,Xk (x1, x2, . . . , xk) =

... fi (x1,..., xn) dx j 442443 j = k +1 1 4 4

n k

Dac componentele vectorului aleator X=(X1,X2,,Xn) sunt variabile aleatoare discrete, atunci repartiia n-dimensional este dat de:

(x i1 , x i2 ,..., x in ) ( X1, X2,..., Xn ) : P (i1, i2,..., in) I1 I2...In , i1,i2,...,in

Ij, 1 j n cel mult numrabile, iar
P = P(X1 = x , X2 = x ,..., Xn = x ) i1,i2,...,in i1 i2 in

Atunci, repartiia marginal a variabilei Xk este

x ik Xk : P *...*ik*...*
unde: P
*...* k*...*

ik Ik ,

i i i i II I I Ca i n cazul variabilelor aleatoare de tip continuu, P = i1,i2,...,ik*...*

( 1,..., k-1, k+1,..., n) 1 2... k-1 k+1... n

P i1,i2,...,in

( k+1,..., n) k+1... n

P i1,i2,...,ik,ik+1,...,in

S vedem ce devin aceste relaii pentru n=2 att n cazul continuu, ct i n cel discret. Dac (X,Y) este un vector aleator cu funcia de repartiie F(x,y) i densitatea de repartiie f(x,y), atunci:
F1(x) = lim F(x, y); F2(y) = lim F(x, y)
y x

f1(x) = f(x, y)dy; f2(y) = f(x, y)dx

- -

n cazul discret, fie repartiia vectorului (x,y)

 (xi, yi) i = 1,2,... , m; j = 1,2,..., n , (X, Y) : pij

pe care s o scriem sub forma tabelului de mai jos: Y X x1 x2 xi xm p*j unde am pus: pij=P(X=xi, Y=yj), i=1,2,,m; j=1,2,,n pi* = pij, i = 1,2,..., m; p * j = pij, j = 1,2,..., n
j=1 i=1 n m

y1

y2 yj yn

pi* p1* p2* pi* pm*

p11 p12 p1j p1n p21 p22 p2j p2n pi1 pi2 pij pin

pm1 pm2 pmj pmn p*1 p*2 p*j p*n

p = p = p
ij i* i=1 j =1 i =1 j =1

* j

=1

Cu ajutorul funciilor de repartiie marginale putem exprima acum simplu condiia de independen a componentelor X1, X2,,Xn ale unui vector aleator (X1,X2,,Xn). Deci, variabilele aleatoare X1,X2,,Xn sunt independente dac i numai dac F(x1, x2,..., xn) = Fj(xj) ,
j=1 n

sau, n cazul n care exist densiti de repartiie, f(x1, x2,..., xn) = fj(xj)
j=1 n

Dac X1,X2,,Xn sunt de tip discret vom avea

p
oricare ar fi ikIk, k=1,2,,n.

i1i2...in

=p

p ... p , **...*in i1*...* *i2*...*

Pentru n=2 relaiile devin: F(x,y) = F1(x) F2(y) f(x,y) = f1(x) f2(y) Pij = Pi* P*j , i = 1, 2, ..., m; j = 1, 2, ..., n O noiune important pentru aplicaii o constituie cea de repartiie condiionat. Avnd n vedere aplicaiile, precum i dificultile care apar n tratarea acestei noiuni, ne vom referi la densitatea de repartiie condiionat n cazul continuu i repartiie condiionat n cazul discret, pentru cazul particular n=2.

Fiind dat vectorul aleator (X,Y), se definete densitatea de repartiie a variabilei aleatoare X condiionat de Y=y i pe care o vom nota f(x/y) prin: f(x, y) f(x, y) f(x / y) = = f2(y) f(x, y) dx

n mod analog, avem densitatea de repartiie cu variabile aleatoare y condiionat de X = x:

f(y / x) = f(x, y) = f1(x) f(x, y)

f(x, y) dy

n cazul vectorilor aleatori (x,y) cu componentele X i Y variabile aleatoare discrete, avem:

xi / Y = yj i I , j J X / Y = yj : P(X = xi / Y = yj

i analog:
yj / X = xi j J , i I Y / X = xi : P(Y = yy / X = xi P(X = xi, Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi, Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = , iI, jJ P(X = xi) pi *

Exemplu. Se consider vectorul aleator (X,Y) cu densitatea de repartiie: 1 (x + y + 2) , dac (x, y) (0,2)x(1,3) f(x, y) = 20 0 , n rest S se determine: (a) Densitile de repartiie marginale; (b) Funciile de repartiie marginale; (c) Funcia de repartiie a vectorului aleator (X,Y); (d) Densitile de repartiie condiionate. Soluie: (a) Din definiia densitilor de repartiie marginale rezult: 3 1 x+4 (x + y + 2)dy = , x (0,2) f1(x) = f(x, y)dy = 1 20 10 0 , x (0,2)

2 1 y+3 (x + y + 2)dx = , y (1,3) f2(y) = f(x, y)dx = 0 20 10 0 , y (1,3)

(b)

, < x 0 0 x 1 F1(x) = f1(u)du = (x 2 + 8x) ,0 < x 2 20 1 ,x > 2 , < y 1 0 y 1 F2(y) = f2(v)dv = (y 2 + 6y - 7) ,1 < y 3 20 1 ,y> 3
F(x, y) =

(c)

f(u, v) du dv =
, x ( ,0] sau y (-,1] , (x, y) (0,2]x(1,3] , (x, y) (2, )x(1,3] , (x, y) (0,2]x(3, ) , (x, y) (2, )x(3, )

x y

0 1 ( x 2 y + xy 2 + 4 xy x 2 10 x ) 40 1 = ( y 2 + 6 y 7) 20 1 ( x 2 + 8x ) 20 1

(d) Densitile de repartiie condiionate: x + y + 2 f(x, y) , x (0,2) f(x / y) = = 2(y + 3) , () y(1,3) f2(y) 0 , x (0,2)

x + y + 2 f(x, y) , y (1,3) f(y / x) = = 2(x + 4) , () x(0,2) f1(x) 0 , y (1,3)

2.5. Momente obinuite i centrate. Proprieti Asociem acum o serie de caracteristici numerice variabilelor aleatoare, caracetristici care intervin n mod frecvent n aplicaii i care vin s caracterizeze diversele tipuri de legi de repartiie. Este vorba de momentele obinuite i centrate de diferite ordine.
Definiie. Numim moment de ordin k al variabilei aleatoare X numrul

Mk(X) =

dF(x) ,

dac integrala Stieltjes exist. Un caz important pentru aplicaii este acela n care exist densitatea de repartiie f a variabilei aleatoare X i atunci:
Mk(X) =

f(x) dx

(n ipoteza c exist integrala Riemann improprie). Dac X este variabil aleatoare discret, atunci:

Mk(X) = x k P(X = xj) , j

jJ

J cel mult numrabil, n ipoteza c seria este convergent.

Definiie. Numim moment absolut de ordinul k al variabilei aleatoare X numrul Mk(X) , dac acesta exist, definit prin:
Mk(X) = Mk(| X| ) = | x| k dF(x)
-

Dac variabila aleatoare X are densitate de repartiie, Mk(X) = | x| k f(x) dx , iar dac X este de tip discret, Mk(X) = | x j | P(X = xj) .
k
jJ
-

S definim acum momentele centrate, care joac un rol tot att de important ca i cele obinuite.
Definiie. Numim moment centrat de ordinul k al variabilei aleatoare X numrul k(X), dac acesta exist, definit prin:

k(X) = (x M(x)) k f(x ) dx

-

Dac variabila aleatoare X are densitatea de repartiie f(x), atunci:

k(X) = (x M(x)) k f(x ) dx ,

iar dac X este de tip discret, k(X) = x j M(X)) k P(X = xj) , J cel mult numrabil.
jJ
-

Momentul de ordinul unu poart numele de valoare medie i vom scrie M1(X)=M(X). Momentul centrat de ordinul doi poart numele de dispersie a variabilei aleatoare X i o vom nota 2(X) sau D2(X) sau 2X. Radical din dispersie poart numele de abatere medie ptratic. Momentele centrate de ordinul k se pot exprima cu ajutorul momentelor obinuite pn la ordinul k, inclusiv. Pentru aceasta avem nevoie ns de unele proprieti ale valorii medii pe care le vom da n cele ce urmeaz. nainte, ns, s introducem noiunea de moment mixt. Fiind dat vectorul aleator X = (X1,X2,,Xn), numim moment mixt de ordinul k1,k2,,kn numrul

k1k2...k n

(X1X2...Xn) =

k k ... x1k1 x 2 2 ... x n n dn F(x1, x2,..., xn)

dac exist integrala Stieltjes multipl. Dac vectorul aleator (X1,X2,,Xn) are densitatea de repartiie f(x1,x2,,xn), atunci
M k1k2...kn (X1X2... Xn) =

k k ... x1k1 x 2 2 ... x n n f(x1, x2,..., xn) dx1...dxn

(n ipoteza c integrala multipl de ordinul n exist), iar dac vectorul (X1,X2,,Xn) este de tip discret,
M k1,k2,...,kn (X1X2...Xn) =
j 1J 1

... x
jn Jn

k1 j1

x k22 ... x knn P(X1 = x j1 , X 2 = x j2 ,..., X n = x jn ) j j

n

Analog, se definesc momentele centrate de ordinul k1,,kn (dac ele exist):

k1k2...kn (X1X2... Xn) = k1k2...kn (X1X2... Xn) =

... (xj - M(Xj)) kj dn F(x1, x2,..., xn) ,

j=1 n n

sau, cnd exist densitatea de repartiie f(x1,x2,,xn),

... (xj - M(Xj)) kj f(x1, x2,..., xn) dxj

j=1 j=1

iar n cazul variabilelor aleatoare discrete, k1k2...kn (X1X2...Xn) = ... (xj1 - M(X1 )) k1 ...(xj n - M(X n )) k n P(X1 = x j1 , ..., X n = x jn ) j 1J 1 jn Jn Din momentele mixte se pot obine momentele variabilelor aleatoare unidimensionale obinuite sau centrate:
Mk(Xp) = M 0,...,0,k,0,...0 (X1X2... Xn) =

... x k f(x1, x2,..., xn) dxj p

j=1

k(Xp) = 0,..., 0 ,k , 0...0 (X1X2...Xn) =

... (xp - M(xp)) kj f(x1, x2,..., xn) dxj , p=1,2,,n.

j=1 j=1

Frecvena de utilizare a valorii medii i dispersiei n aplicaii sau n tratarea unor aspecte teoretice impune un studiu al proprietilor acestora. Propoziie. Operaia valoarea medie are urmtoarele proprieti: (1) Dac variabila aleatoare X=c (constant) cu probabilitatea 1, atunci M(Xk) = ck, kN (2) M(aX) = a M(X) (3) M( ajXj) = ajM(Xj)
j=1 n j=1 n n

(4) M( Xj) = M(Xj) ,

j=1 j =1

dac X1,X2,,Xn sunt independente (n totalitate).

Demonstraie.
0, x c c (1) Dac X = c cu probabilitatea 1, atunci X are repartiia X : i deci FX(x) = 1 1, x > c k k i de aici urmeaz M(X ) = c . axj (2) Este suficient s demonstrm n cazul X discret; atunci: a X : j J i deci P(X = xj)

M(aX) = (aXj) P(X = xj) = aM(X) .

jJ

(3) Este suficient s demonstrm proprietatea pentru n = 2, a1 = a2 = 1, apoi, prin inducie dup n i folosind proprietatea (2), rezult afirmaia. Vom presupune pentru simplificare c vectorul (X1,X2) are densitatea de repartiie f(x1,x2) i atunci urmeaz c:
M(X1 + X2) =

( x1 + x2)f(x1, x2) dx1dx2 =

2 1

x1 f(x1, x2) dx1dx2 +

2

x f(x , x ) dx dx
2 1 2 1

x ( f(x , x ) dx ) dx
1 1 2

x ( f(x , x ) dx ) dx
2 1 2 1

= x1 f1(x1) dx1 + x2 f2(x2) dx2 =

= M ( X 1) + M ( X 2 ).

(4) Presupunnd c X1,X2,,Xn sunt independente n totalitate i c vectorul (X1,X2,,Xn) are densitatea de repartiie f(X1,X2,,Xn)( x1,x2,,xn) care, n ipoteza de independen, este f(X1,X2,,Xn)( x1,x2,,xn) = f1(x1)f2(x2)fn(xn), va rezulta:
=

M (X1X2...Xn) =

... x1x2...xn f X1X2...Xn (x1, x2,..., xn) dx1...dxn =

n n

... x1x2...xn f(x1)f(x2)...f(xn) dx1...dxn = xjfj(xj) dxj = M(Xj)

j=1 - j=1

adic M( Xj) = M(Xj) .

j=1 j=1

Observaie. Dac X este o variabil aleatoare pentru care exist M(X), atunci X - M(X) o vom numi variabil aleatoare abatere i, folosind proprietile valorii medii, va rezulta imediat c: M(X - M(X)) = 0. Dac, n plus, exist M2(X) atunci, pornind de la definiie i folosind proprietile valorii medii, vom obine: D2(X) = M[(X - M(X))2] = M[X2 - 2M(X)X + M2(X)] = M(X2) - M2(X) = M2(X) - M2(X). Dac variabila aleatoare X are valoare medie i dispersie, atunci are sens pe care o vom numi abatere normal, dat fiind faptul c: X - M(X) 2 X - M(X) M = 0; D D( X ) = 1 D( X ) Propoziie. Au loc urmtoarele proprieti pentru momentul centrat de ordinul doi: (1) Dac X = c (constant) cu probabilitatea 1, atunci D2(X) = 0. (2) D2(aX) = a2D2(X). (3) D ( ajXj) = a 2 D 2 (Xj) , dac X1,X2,,Xn sunt independente dou cte dou. j
2 j=1 n

X - M(X) , D( X )

j =1

Demonstraie.
c (1) Cum X are repartiia X : , rezult c M(X) = c i X - M(x) : 1 2 (2) D (aX) = M[(aX - M(aX))2] = M[a2(X - M(X))2] = a2D2(X) 0 2 , adic D (X)=0. 1

(3) Aplicm definiia dispersiei:

D 2 ( ajXj) = M2( ajXj) - M 2 ( ajXj)
j=1 n j=1 j=1 n n n

M 2 ( ajXj) = ( ajM(Xj)) 2 = a 2 M 2 (Xj) + 2 j

j=1 n j=1 j=1 n n 2 2

1 j< k n

a a M(X )M(X )
j k j k

M ( ajXj) = M (( ajXj) ) = a 2 M 2 (X 2 ) + 2 j j
j=1 j=1 j=1

1 j< k n

a a M(X X )
j k j k

Cum variabilele X1,X2,,Xn sunt independente dou cte dou, rezult c: M(XjXk) = M(Xj)M(Xk) i, deci,

D 2 ( ajXj) = a 2 M 2 (X 2 ) + 2 j j
j=1 j=1 2 j n 2 j 2

1 j< k n

ajakM(Xj)M(Xk) a 2j M 2 (X 2j ) - 2
j =1

1 j< k n

a a M(X )M(X ) =
j k j k

= a [M(X ) - M (X j )] = a 2 D 2 (Xj) j
j =1 j=1

Aa dup cum am amintit,

2 ( X ) = D( X ) = X
este abaterea medie ptratic a variabilei aleatoare X. Ca aplicaie a proprietilor valorii medii putem acum s artm c momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de ordin cel mult k i reciproc. ntr-adevr,

k ( X ) = Mk[ X M ( X )] = M [( X M ( X )) k ] = ( 1) j Ckj Mk j( X ) M j ( X ), k *
j=0

i reciproc, Mk ( X ) = Ckj k j ( X ) M j ( X )
j=0 k

Alte valori tipice ale variabilei aleatoare se pot introduce de la momentele obinuite sau centrate. Aa, de exemplu, se introduce noiunea de asimetrie a unei variabile aleatoare pentru care exist 2(X) i 3(X). Prin definiie, coeficientul de asimetrie al variabilei X este (X) 1 = 332 2 / ( X ) Se constat imediat c acest coeficient are acelai semn cu momentul 3(X). De aici rezult c asimetria este pozitiv dac valoarea modal este situat n stnga valorii medii i negativ n caz contrar. Pentru variabilele aleatoare pentru care exist 2(X) i 4(X) se introduce coeficientul de exces prin expresia: (X) 21 = 4 3 22 ( X )

Acest coeficient caracterizeaz gradul de aplatizare a graficului densitii de repartiie fa de graficul densitii de repartiie normal: 1 x2 /2 , f (x) = e 2 pentru care 2 = 0. Repartiiile pentru care 2 = 0 se numesc mezocurtice, cele cu 2 > 0 leptocurtice, iar cele cu 2 < 0 - platocurtice. S considerm acum dou exemple pentru care s punem n eviden coeficienii de asimetrie i de exces. Se consider variabila aleatoare Poisson k k X : - k = 0,1,2,... e k!

i variabila aleatoare Y repartizat exponenial negativ, de parametru : x 1 ,x > 0 e f(x) = >0 0 ,x 0 Atunci,

M(X) = ke -
k=0

x
k!

= = e - k
k=1

M2(X) = k 2 e -
k=0

x
k!

k-2 k-1 2 = e -k + = + ( k 1)! k=2 ( k 2)! k=1 ( k 1)!

2

k-1

M3(X) = k e
k=0

k!

= e k
- k=1

k-1
( k 1)!

= e [( k 1) + 2( k 1) + 1]

2 k=1

k-1
( k 1)!

= 3 + 32 + M4(X) = k e
k=0

4 -

x
k!

= 4 + 43 + 82 + 2

ntruct 2(X) = i 3(X) = M3(X) - 3M(X)M(X) + 2M3(X) = , rezult:

1 =

3 ( X ) 1 = 3/ 2 = 1/ 2 > 0 3/ 2 2 ( X )

ceea ce nseamn c repartiia Poisson este asimetric (pozitiv asimetric)

1 3 4 ( X ) = C40 M 4 ( X ) C4 M 3 ( X ) M ( X ) + C42 M 2 ( X ) M 2 ( X ) C4 M 4 ( X ) + M 4 ( X ) =

= 2 (1 + 2 2 ) 4 ( X ) 2 (1 + 2 2 ) 3 3= 2 = 2 2 ( X ) 2 (1 + ) 2

n cazul repartiiei exponeniale, x 1 k M k (X) = x e dx = k ( k + 1) 0 M1(X) = M2(X) = 22 M3(X) = 63 M4(X) = 244 1(X) = 0 2(X) = 2 3(X) = 23 4(X) = 94

3 ( X ) 2 3 1 = 3/ 2 3= = 2 - pozitiv asimetric 2 ( X ) 6 4 ( X ) 9 4 2 = 2 3= 4 3= 6, 2 ( X ) deci o repartiie leptocurtic.

Inegalitatea lui Cebev. Aceast inegalitate celebr leag posibilitatea abaterii n valoare absolut de dispersia variabilei aleatoare i intervine n numeroase aplicaii. Dac X este o variabil aleatoare pentru care exist M(X) i D2(X), atunci, pentru orice > 0, are loc inegalitatea: D2 ( X ) P(:| X ( ) M ( X )| ) 2

Pentru a dovedi acest lucru, pornim de la expresia dispersiei: D 2 ( X ) = ( x M ( X )) 2 dF ( x ) =

R

| x M ( X )|

( x M ( X ))
2

dF ( x ) +

| x M ( X )|<

( x M ( X ))

dF ( x )

| x M ( X )|

( x M ( X ))

dF ( x )
2

| x M ( X )|<

dF ( x ) =
D2 ( X )

P(:| X ( ) M ( X )| )

Deci, P(:| X ( ) M ( X )| )

2 P( :| X ( ) M ( X )| ) + P( :| X ( ) M ( X )| < ) = 1, obinem:
P(:| X ( ) M ( X )| < ) = 1 P(:| X ( ) M ( X )| ) 1

. Dac acum inem seama de egalitatea

D2 ( X )

Aadar, cu ajutorul inegalitii lui Cebev putem evalua o limit inferioar a probabilitii cu care valorile variabilei aleatoare se grupeaz n jurul valorii medii. 1 8 Dac lum = 3X, atunci P( :| X ( ) M ( X )| < 3 X ) 1 = , care mai poate 9 9 fi scris 8 P( : M ( X ) 3 X < X ( ) < M ( X ) + 3 X ) , 9 motiv pentru care este cunoscut i sub numele de regula 3X.
2.6. Inegaliti pentru momente. Inegalitatea lui H lder Dac X i Y sunt variabile aleatoare astfel nct exist Mr(|X|) i Ms(|Y|), atunci exist M(|XY|) i 1 1 1 1 r M(|XY|) Mr(| X| ) Ms(|Y| ) s , unde r > 1 i + = 1 . r s Pentru r = s = 2 obinem un caz particular, inegalitatea lui Schwartz: M(|XY|) (M2(|X|))
Demonstraie. Vom pleca de la inegalitatea | ab|
1 2 1 2

(M2(|Y|)) .

| a| r | b| s 1 1 + , r > 1, + = 1, a,bR. s r r s

Dac lum obinem:

a=

X X b= r 1/ r ; ( M (|/ Y | sr ))1/ s ( M (| X | ))

i nlocuim n inegalitatea considerat,

| XY | | X |r | Y|s + ( M (| X | r ))1/ r ( M (| Y | ) s )1/ s rM (| X | r ) s( M (| Y | ) s ) Aplicnd operatorul valoare medie, se obine: M (| XY | ) M (| X | r ) M (| Y | s ) 1 1 + + =1 r 1/ r s 1/ s r s = ( M (| X | )) ( M (| Y | ) ) rM (| X | ) s( M (| Y | ) ) r s i, deci, M(|XY|) Mr(| X| )
1 r 1

Ms(|Y| ) s ,

care este tocmai inegalitatea considerat. n cazul n care r = s = 2 se obine de aici, aa cum am menionat, inegalitatea lui Schwartz. Inegalitatea lui Minkowski. Dac X i Y sunt variabile aleatoare astfel nct M(|X|r) i M(|Y| ) exist pentru r 1, atunci exist M(|X+Y|r) i avem:
r
1

M(|X+Y| ) M(|X| r )

r r

1 r

+ M(|Y| r ) r .

Demonstraie. Pentru r = 1 inegalitatea este evident. Presupunem deci r >1 i atunci putem scrie: M(| X + Y| r ) = M(| X + Y|| X + Y| r-1 ) M((| X|+|Y| )| X + Y| r-1 ) =
= M(| X|| X + Y| r-1 )
+ M(|Y|| X + Y| r-1

Aplicnd inegalitatea lui H lder pentru fiecare termen din ultima sum obinem:

M(| X|| X + Y|

r-1

) M(| X| )) M(| X + Y|
r 1

1 r

s(r-1)

1 s 1

M(|Y|| X + Y| r-1 ) M(|Y| r )) r M(| X + Y| s(r-1) ) s

Avem, deci,
1 1 1 M(| X + Y| r ) ( M(| X| r )) r + (M(|Y| r )) r M(| X + Y| s(r-1) ) s 1 1 1 mprind cu M(| X + Y| s(r-1) ) s i innd seama de faptul c (r - 1)s = r; 1- = se obine: s r 1

M(|X+Y |) M(|X| )
r

1 r

+ M(|Y| ) .

1 r

Inegalitatea lui Liapunov (proprietatea de monotonie a momentelor).

Dac exist M(| X| ) i M(|X| ) , 0 < r1 r2 atunci (M(| X| )) (M(|X| )) . Demonstraie.
r1 r2
r1 r2 1 r2 1 r2

Pentru r1 = r2 inegalitatea este adevrat, cu semnul egal. Presupunem deci c r1 < r2 i atunci r2 1 1 + = 1 i s aplicm inegalitatea lui H lder aa cum rezult > 1 ; alegem s astfel nct r2 s r1 r1 mai jos:
(M(| X| r1 ) = (M(| X| r1 1) (M((| X| r1 ) r2 / r1 ))1/
1 1
r 2 / r1

( M (1s ))1/ s = ( M(| X| r2 )) r1 / r2

De aici rezult imediat c (M(|X| r1 )) r1 (M(|X| r2 )) r2 . 2.7. Corelaie i coeficient de corelaie. S considerm vectorul aleator (X,Y) i asupra componentelor facem ipoteza c exist M2(X) i M2(Y).
Definiie. Numim corelaie (covarian) a variabilelor X i Y momentul mixt

11 = M[(X- M(X)) (Y - M(X))] Adesea se mai noteaz 11 = cov(X,Y). Acest indicator msoar existena legturii stochastice ntre variabilele X i Y. Din definiia corelaiei rezult imediat c 11 = M(XY) - M(X)M(Y) Prin definiie, variabilele X i Y se numesc necorelate dac 11 = 0. Aceasta nseamn c: M(XY) = M(X)M(Y) Dac variabilele X i Y sunt independente, atunci ele sunt necorelate. Reciproc nu-i adevrat ntotdeauna, lucru ce se poate constata pe urmtorul exemplu. Se consider vectorul aleator (X,Y), cu densitatea de repartiie bidimensional:

1 2 2 4 [1 + xy(x y )] f(x, y) = 0 Dintr-un calcul simplu rezult imediat c:

, (x, y) [1,1]x[1,1] , n rest

1 M(X) = 4 1 1 4 1
1 1

1 x[1 + xy(x y )] dx dy = 4 1
2 2

1 x dx dy + 4 1

x 4 y dx dy

x 2 y 3 dx dy = 0
2

1 M(Y) = 4 1

1 1

y[1 + xy(x
1

y 2 )] dx dy = 0
1 2 2

1 M(XY) = 4 1 1 4 1
1

1 xy[1 + xy(x y )] dx dy = 4 1 x 2 y 4 dx dy = 0

1 xy dx dy + 4 1

x 4 y 2 dx dy -

Deci 11 = 0, adic variabilele X i Y sunt necorelate. Pe de alt parte,

f1 (x) = 1 1 1[1 + xy(x 2 y 2 )]dy = 2 , x[-1,1] 4
1 1

1 1 f 2 (y) = [1 + xy(x 2 y 2 )]dx = , y[-1,1] 4 1 2

i, evident, f(x,y) f1(x)f2(y), ceea ce nseamn c variabilele X i Y nu sunt independente. Intensitatea legturii stochastice a dou variabile aleatoare se poate msura cu ajutorul unor indicatori numerici dintre care cel mai frecvent ntlnit este coeficientul de corelaie. Fie X,Y dou variabile aleatoare pentru care exist D2(X) i D2(Y). Definiie. Numim coeficient de corelaie al variabilelor X,Y raportul: 11 M ( XY ) M ( X ) M (Y ) X,Y = = D(X)D(Y) D 2 ( X )D 2 (Y )
Teorem. Oricare ar fi variabilele aleatoare X,Y astfel nct D2(X)D2(Y) 0, au loc proprietile: (1) XY = 0 dac i numai dac variabilele aleatoare X,Y sunt necorelate; (2) Dac X,Y sunt independente, atunci XY = 0, reciproca nefiind adevrat; (3) |XY| 1; (4) |XY| = 1 implic o dependen liniar ntre variabilele X i Y. Demonstraie. (1) rezult imediat, din nsi definiia coeficientului de corelaie. (2) X,Y independente nseamn M(XY) = M(X)M(Y) i deci conv(XY) = 0, ceea ce conduce la XY = 0. Faptul c invers nu-i adevrat rezult imediat din exemplul anterior.

(3) | XY | =

M[( X M ( X ))(Y M (Y ))] M ( ( X M ( X ))(Y M (Y )) ) D( X )D(Y ) D( X )D(Y )

( M (| X M ( X )| 2 ))1/ 2 ( M (| Y M (Y )| 2 ))1/ 2 =1 D( X )D(Y ) (4) Fie a,b R, a 0 i s lum Y = aX + b. Atunci,

2 M [( X M ( X ))( aX + b aM ( X ) b)] aM ( X M ( X )) . = XY | = D( X ) D( aX + b) | a| D 2 ( X )

Deci, XY =

a 1 = | a| 1

,a < 0 ,a > 0

i, dac exist ntre X i Y o dependen liniar, atunci XY = 1. S considerm acum variabilele aleatoare abatere normat:
X M( X ) Y M (Y ) ; Y' = D( X ) D(Y ) Atunci, M(XY) = XY = 1. Pe de alt parte, X'=

M (( X M ( X )) 2 ) M ((Y M (Y )) 2 ) + 2 M ( X ' Y ' ) = 2 2( 1) = 0 D2( X ) D 2 (Y ) i, deci, X Y = 0 cu probabilitatea 1. innd cont de modul n care s-au definit cele dou variabile aleatoare rezult: X M( X ) Y = M (Y ) D(Y ) D( X ) M (| X 'Y '| 2 ) =
ceea ce dovedete c: Y = b aX, adic o dependen liniar.
y M (Y ) x M( X ) x M( X ) y M (Y ) i se numesc drepte = 1 = 2 D(Y ) D( X ) D( X ) D(Y ) de regresie i se intersecteaz n punctul (M(X)M(Y)).

Dreptele

Valori medii condiionate. Vom lua n consideraie doar cazurile importante, cnd exist densitate de repartiie condiionat sau cnd variabilele sunt de tip discret. Dac variabila aleatoare X are repartiia

xj X: P(X = x j )

j J

i dac A este un eveniment cu P(A) 0, atunci, prin definiie, valoarea medie condiionat de evenimentul A a variabilei X este:

M(X / A) = x j P(X = x j / A) .
jJ

n cazul cnd avem un vector aleator bidimensional (X,Y) cu X i Y de tip discret, n locul evenimentului A putem lua {Y = yk} i atunci

M(X / Y = y k ) = x j P(X = x j / Y = y k )
jJ

n ipoteza c exist densitatea de repartiie condiionat f(x/y) rezult:

x f(x, y) 1 M(X / Y = y) = xf(x / y) dx = dx = xf(x, y) dx f 2 (y) f 2 (y) -

Analog, se introduc mediile condiionate:

M(Y / B) = y k P(Y = y k / B)
jkJK

M(Y / X = x j ) = y k P(Y = y k / X = x j )
jkJK

1 M(Y / X = x ) = yf(y / x) dy = yf(x, y) dy f1 (x) -

Se vede imediat c

M(X/Y=y) = 1(y) M(Y/X=x) = 2(x), funcii care poart numele de curbe de regresie.

2.8. Funcii de argumente aleatoare Fie (Xi) 1 i n o familie finit de variabile aleatoare i s considerm familia de aplicaii hj:RnR, 1 j m msurabile Borel. Atunci Yj = hj(X1,X2,,Xn), 1 j m sunt variabile aleatoare. Dac notm cu X = (X1,X2,,Xn) vectorul aleator n-dimensional i cu Y = (Y1,Y2,,Ym) vectorul aleator m-dimensional, atunci

FY ( y1 , y 2 ,..., y m ) = ... d n FX ( x1 , x 2 ,..., x n ) ,

Dn

unde Dn = {(x1,x2,,xn)Rn : hj(x1,x2,,xn) < yj, 1 j m}. n cazul n care m = n, hj, 1 j m sunt bijecii difereniabile, iar X i Y admit densiti de repartiie, atunci
-1 (*) fY(x1,..., xn) = fX(h 1 (x1,..., xn),..., h -1 (x1,..., xn)) | J| n

unde J este iacobianul transformrii,

J= D( h1,..., hn ) . D ( x1,.., xn )

Dac m = n = 1, relaia (*) devine:

fY(x) = fX(h 1 (x)) |(h 1 (x))'|

Exemplu. Fie Y o variabil aleatoare a crei densitate de repartiie este fX(x) i s considerm variabila aleatoare Y = h(X) = X2. Atunci h 1 (x) = x , x > o i de aici rezult:

0 f Y (x) = 1 fX( x) + fX( x ) 2 x

,x 0 ,x > 0

Aceast relaie rezult ns imediat (i mai simplu), dup cum urmeaz: 0 ,x 0 FY ( x ) = P( : Y ( ) < x ) = P( : X 2 ( ) < x ) = P( :| X ( )| < x , x > 0 0 ,x 0 = FX ( x ) FX ( x ) , x > 0

De aici, prin derivare, rezult c: 0 f Y (x) = 1 fX( x) + fX( x ) 2 x ,x 0 ,x > 0

Pentru familia de variabile aleatoare (Xi) 1 i n independente, n cazul m =1 i Y = h(X1,X2,,Xn)= Xi , atunci:

i =1 n

FY ( y ) = ... d n FX ( x1 , x 2 ,..., x n ) = ... dF 1( x1 )... dFn( x n ) ,

Dn Dn

unde Dn = {(x1,x2,,xn)R : x1+x2++xn < y}. innd seama de definiia produsului de compoziie (convoluie) i de asociativitatea sa, putem scrie
FY ( y ) =

d ( F ... F )( x ) =( F ... F )( x )
1

S considerm acum vectorul aleator (X,Y) cu densitatea de repartiie fX,Y(x,y) i s determinm densitatea de repartiie a variabilelor X 1) U = X+Y; 2) V = XY; 3) W = , Y 0 . Y

1) FU(u)

P(X+Y<u)=

{( x , y )R 2 :x + y < u

X, Y

(x, y) dx dy =

f
X, Y

u y

(X, Y)

(x, y) dx dy .

Rezult:

fU ( u) =

X, Y

(u y, y) dy i, prin simetrie, fU ( u ) =

(x, u - x) dx . Dac X,Y sunt

independente, atunci fU(u) =

fX(u y)fY(y) dy = fX(x)fY(u x) dx .

2) FV(v)=P(XY<v)=

{( x , y )R :xy < v }
2

f
0

X, Y

(x, y) dx dy =
0

v y

(X, Y)

(x, y) dx dy +

v y

f$

X,Y

(x, y) dx dy

1 v 1 v fV(v) = fX, Y( , y)dy fX, Y( , y)dy . y y y y 0

Deci,

fV(v) =

v 1 v fX, Y( , y)dy = fX, Y(x, )dx y x x y

Dac X,Y sunt independente, atunci:

fV(v) =
X 3) FW(w) = P( < w) = Y Urmeaz c

v 1 v fX( )fY(y)dy = fX(x)fY( )dx x x y y

yw

x {( x , y )R : < w , y 0} y
2

fX, Y(x, y) dx dy =
0

fX, Y(x, y) dx dy +

yw

X, Y

(x, y) dx dy

fW(w) = yfX, Y(yw, y)dy yfX, Y(yw, y)dy = y fX, Y(yw, y)dy
0

Dac X,Y sunt independente, atunci:

fW(w) =

y f (yw)f (y)dy
X Y

Observaie. Cu ajutorul schimbrilor la variabile se pot obine aceleai rezultate, pe aceast cale simpl: 1) Z = X+Y i punem T=Y. Atunci, D(x, y) F(Z, T)(z, t) = f(X, Y)(x(z, t), y(z, t)) D(z, t) D(x, y) 1 1 x = z-t; y = t; = =1 0 1 D(z, t)

i
fZ(z) = f Z,T (z, t)dt = f X,Y (z - t, t)dt = f X,Y (z - y, y)dy = f X,Y (x, z - x)dx
-

2) V = XY; T = Y FV,T (v, t) = f(X, Y)(x(v, t), y(v, t))

v x = t y = t
1 D(x, y) t = D(v, t) 0 v t2 = 1 t 1

D(x, y) D(z, t)

v 1 f(V, T)(v, t) = f(X, Y)( , t) t | t|

i, de aici,
fV(v) =

v 1 v 1 f(V, T)(v, t) dt = f(X, Y)( , t) dt = f(X, Y)( , y) dy t | t| y | y| -

x = t v y = t

Analog, dac punem 1 D( x, y ) = v D( v, t ) 2 t

fV(v) =

0 1 = 1 , obinem: t t

v 1 v 1 f(T, V)(t, v) dt = f(X, Y)(t, ) dt = f(X, Y)(x, ) dx t | t| x | x| -

3) S punem X x = tw W = Y y = t T = Y

D(x, y) w t = = t D(t, w) 1 0
f(T, W)(t, w) = f(X, Y)(tw, t)| t|

i, de aici,
fW(w) =

f(T, W)(t, w) dt = f(X, Y)(tw, t) | t| dt =

-

(X, Y)

(yw, y)| y| dy

2.9. Funcie caracteristic. Proprieti Am vzut c funcia de repartiie constituie un instrument analitic de studiat variabilele aleatoare. n multe situaii - ndeosebi n studiul sumelor de variabile aleatoare independente - devine mai dificil de manipulat i, drept urmare, s-au cutat alte instrumente mai uor de manipulat. Funcia caracteristic constituie un instrument puternic de investigaie i comod de utilizat.
Definiie. Fie X o variabil aleatoare definit pe {,K,P} cu funcia de repartiie FX. Aplicaia X:RC, definit prin: X(t) = M(eitX)

o vom numi funcie caracteristic a variabilei aleatoare X. Din definiia funciei caracteristice rezult c:

X (t) =

itx

dFX ( x )

Dac variabila aleatoare este de tip discret, atunci: X ( t ) = e itxj P( X = xj ) ,

j J

iar dac X admite densitatea de repartiie fX, rezult, din definiie, c:

X ( t ) = e itx f X ( x )dx

Propoziia care urmeaz grupeaz principalele proprieti ale funciei caracteristice.

Propoziie. Dac X este funcia caracteristic a variabilei aleatoare X, atunci ea are proprietile:

(1) (2) (3) (4)

X(0) = 1 | X(t) | 1 X (t) = X ( t) X este uniform continu pe R.

Demonstraie.

(1) Rezult imediat c X ( 0) = 1 dFX(x) = 1

(2) X ( t ) =

itx

dFX ( x )

e
itx

itx

dFX ( x ) = dFX ( x ) = 1

(3) X ( t ) =

itx

dFX ( x )

dFX ( x ) = e itx dFX ( x ) =X ( t )

(4) Fie t1,t2R i s considerm

X ( t1) X ( t 2 ) =

it1 x

dFX ( x )

it 2 x

dFX ( x )

(e
i

it1 x

it 2 x

)dFX ( x )

it1 x

e it 2 x dFX ( x )

Fie acum > 0 i A > 0 astfel nct

dF

(x) <

dF ( x ) < 8 .
X A

Pentru |x| < A, dac |t1-t2| < (), atunci

A

e it1x e it2 x <

. Deci,
dFX ( x ) + e it1x e it2 x dFX ( x )
A

X ( t 1) X ( t 2 ) =

it1 x

it 2 x

dFX ( x ) +

it1 x

it 2 x

Cum pentru orice xR, e it1x e it2 x 2 , rezult c:

X ( t1) X ( t 2 ) = 2 dFX ( x ) +

2 A

dFX ( x ) + 2 dFX ( x ) = ,
A

ceea ce demonstreaz afirmaia.

Propoziie. Dac Y = aX + b, atunci:

(1) Y ( t ) = e ibt X ( at ) Dac (Xj)1 j n sunt variabile aleatoare independente, atunci: (2)
(t ) = X j (t )
j =1 n

j =1

Xj

Demonstraie. (1) Y(t) = M(eitY) = M(eit(aX+b)) = M(eibt eiatX) = eibtM(eiatX) = eibtX(at)

(2) Demonstrm prin inducie: n = 2: ( X ,X ) ( t ) = M e it ( X1 + X 2 ) = M e it ( aX1 ) e it ( aX 2 ) = M ( e itX1 ) M ( e itX 2 ) = X 1 ( t )X 2 ( t ) 1 2 Presupunem proprietatea adevrat pentru n-1 i dovedim pentru n:

j =1

Xj

(t ) = M (e

it

X ) =M (e
j j =1

it Xj
j =1

itXn

) = M (e

it Xj
j =1

) M ( e itXn ) = X j ( t ) Xn ( t ) = X j ( t )
j =1 j =1

n 1

n 1

S stabilim legtura ntre funcia caracteristic i momente, dac acestea exist.

Teorem. Dac X este o variabil aleatoare pentru care exist Mn(|X|), atunci X este de n ori derivabil i ( Xk ) ( 0) = i k M k ( X ), 1 k n Demonstraie. n expresia funciei caracteristice

X ( t ) = e itx dFX ( x )

s derivm formal de k ori (k n). Obinem

Dar,

(k) X

(t) = i

e itx dFX ( x ) .

(k ) X

(t ) = i

e dFX ( x )
itx

dFX ( x ) = Mk (| x| ) < ,

n virtutea ipotezei fcute. Din derivata de ordin K a funciei caracteristice, rezult acum imediat:

( Xk ) ( 0) = i k M k ( X ), 1 k n

Consecin. Dac variabila aleatoare X admite momente de orice ordin (finite), atunci: ( it ) k X (t) = M k ( X ) , k! k =0 pe intervalul de convergen al seriei de puteri. Pornind de la funcia caracteristic vom defini acum alte caracteristici numerice ale unei variabile aleatoare X, diferite de momentele considerate de noi. Definiie. Fie X o variabil aleatoare i X(t) funcia ei caracteristic. Vom numi aplicaia

X:RC, definit prin: X(t) = ln X(t) a doua funcie caracteristic a variabilei aleatoare X. (s-a luat aici determinarea principal a logaritmului natural). Din definiia dat, rezult c dac exist X(0) i X(0) atunci exist M(X) i D2(X) i putem scrie: M(X) = -i X(0); D2(X) = i2 X(0)

( Dac exist Xk ) ( 0) , kN*, atunci expresia ( k ( X ) = i k Xk ) ( 0)

poart numele de semiinvariantul sau cumulantul de ordin k al variabilei aleatoare X. Se constat c k(X) este funcie raional ntreag de primele k momente. Formula de inversiune; teorema de unicitate Am vzut c fiecrei variabile aleatoare i corespunde funcia ei de repartiie FX i, odat cu aceasta, putem determina funcia caracteristic X(t) = M(eitX). Ne punem acum ntrebarea: dac se cunoate funcia caracteristic, putem determina funcia de repartiie? Rspunsul este dat de teorema care urmeaz.
Teorem. (Formula de inversiune) Fie X o variabil aleatoare i FX, X respectiv funcia de repartiie i funcia caracteristic corespunztoare. Dac x1,x2 cu x1<x2 sunt puncte de continuitate ale lui FX, atunci:
1 FX ( x 2) FX ( x1) = lim c 2 e itx1 e itx2 ( t ) dt it c
c

Demonstraie. S observm mai nti c funcia de sub integral este luat n origine prin continuitate, c este continu i mrginit i, deci, pentru orice c R integrala

1 Ic = 2

e itx1 e itx 2 ( t ) dt it c

este o integral Riemann obinuit. Dac inem seama c (t) = M(eitX), urmeaz c: c c e it ( y x1 ) e it ( y x 2 ) 1 e itx1 e itx 2 1 ity Ic = dt dF ( y ) = e dF( y ) dt = 2 c 2 c it it
1 = 2

c cos t ( y x1) cos t ( y x 2 ) + i(sin t ( y x1) sin t ( y x 2 )) dt dF ( y ) it c

(s-a putut schimba ordinea de integrare deoarece integrala n raport cu y este absolut convergent). c cos t ( y x1) cos t ( y x 2) Dar dt = 0 (se integreaz o funcie impar ca funcie it c par + impar) i atunci:
Ic =

sin t ( y x1) sin t ( y x 2 ) dt dF ( y ) . t 0

c c sin t ( y x 2 ) 1 sin t ( y x1) dt dt . Notm g( c, y , x1, x 2 ) = 0 t t 0

1 / 2 , < 0 c 1 sin t , = 0 , convergena fiind uniform dac dt = 0 Din formula lui Dirichlet, lim c t 0 1 / 2 , > 0

1 sin t dt < 1. Atunci, || > , iar dac || , atunci t 0

c

1 , x1 < y < x 2 lim g( c, y , x1, x 2 ) == 1 / 2 , y {x1, x 2} i, deci: c 0 , y ( , x1) ( x 2, )

lim Ic =
c x 2

lim g(c, y, x , x )dF ( y ) = lim g(c, y, x , x )dF ( y ) + lim g(c, y, x , x )dF ( y ) +

c 1 2 c 1 2 x1 c 1 2 x 2 + 1 2 x2 c 1 2 x2 + c 1 2

x1 +

c x1 +

lim g(c, y, x , x )dF ( y ) + lim g(c, y, x , x )dF ( y ) + lim g(c, y, x , x )dF ( y ) ,

unde > 0 astfel nct x1 + < x2 - . Urmeaz c: lim Ic =

c

1 1 [ F ( x1 + ) F ( x1 )] + [ F ( x 2 ) F ( x1 + )] + 2 [ F ( x 2 + ) F ( x 2 )] 2

Fcnd pe 0 (>0), rezult:

lim Ic =
c

1 1 [ F ( x1 + 0) F ( x1 0)] + [ F ( x 2 0) F ( x1 + 0)] + 2 [ F ( x 2 + 0) F ( x 2 0)] 2

i cum x1 i x2 sunt puncte de continuitate pentru F, rezult: c itx1 1 e e itx2 ( t ) dt F ( x 2 ) F ( x1 ) = lim 2 c c it

Teorem. (Teorema de unicitate) Funcia de repartiie este determinat n mod unic de funcia ei caracteristic. Demonstraie. Dac x i y sunt puncte de continuitate pentru F, atunci, conform formulei de inversiune, putem scrie: c 1 e itx1 e itx2 ( t ) dt F ( x ) F ( y ) = lim c 2 it c

Lund limita n raport cu y dup punctele y de continuitate pentru F, obinem:

1 F ( x ) = lim y 2

ity

e itx ( t ) dt it

S vedem acum n ce condiii putem obine o formul de inversiune pentru densitatea de repartiie.
Teorem. Dac funcia caracteristic (t) este absolut integrabil pe R, atunci funcia de repartiie F(x) este absolut continu, derivata ei, f(x), este continu i 1 f (x) = F' (x) = e itx ( t ) 2 Demonstraie. Dac funcia |(t)| este integrabil pe R, atunci funcia

1 itx1 (e e itx2 ) ( t ) it

este integrabil i, conform formulei de inversiune, putem scrie: 1 e itx1 e itx2 ( t ) dt , F ( x 2 ) F ( x1 ) = 2 it pentru orice x1 < x2 puncte de continuitate pentru F. S presupunem c x1 = x - h1, x2 = x + h, h>0 sunt puncte de continuitate pentru F. Putem, deci, scrie: ith e ith 1 1 2 sin th itx itx e F ( x + h) F ( x h) = e ( t ) dt = ( t ) dt = e it 2 2 t

1 = 2h 2

sin th itx e ( t ) dt th

 sin th 1 1 , rezult F ( x + h ) F ( x h ) 2 h Deoarece | ( t )| dt , adic F este absolut th 2 continu. Pe de alt parte, F ( x + h) F( x h) 1 sin th itx e ( t ) dt = 2h 2 th

Fcnd pe h0, ntruct limita din membrul drept exist, rezult c exist i limita din membrul stng i: F ( x + h) F ( x h) 1 lim = f (x) = e itx ( t ) dt h 0 2h 2 De asemenea, putem scrie: th th th 1 1 1 | f ( x + h ) f ( x )| 2|sin 2 || (t )| dt = |t | A |sin 2 || (t )| dt + |t | A |sin 2 || ( t )| dt 2 > Pentru orice > 0, putem alege A suficient de mare, astfel nct Dac h este suficient de mic, 1 th || ( t )| dt < 2 2 1

| t |> A

| ( t )| dt <

i, deci, | f ( x + h) f ( x )| < .
Exemplu.

| t | A

| sin

Ne propunem s determinm funcia de repartiie corespunztoare funciei

t2 2

caracteristice ( t ) = e

.
1 e itx t2 it e dt i de aici,
t2 2

1 Aplicnd formula de inversiune, putem scrie F ( x ) F ( 0 ) = 2 prin derivare,

1 F '( x ) = 2 sau: F '( x ) = 1

itx

t2 2

1 dt = 2

(cos tx i sin tx )e

t2 2

1 dt = 2

cos tx e

dt ,

cos tx e
0

t2 2

dt .

Integrnd prin pri relaia obinut, avem:

sin tx t2 e F' ( x ) = x
2

t t 1 1 2 t sin tx e dt = t sin tx e 2 dt + x x 0 0 t2 2

Pe de alt parte, dac mai derivm odat, F ' ' ( x ) =

t sin tx e
0

dt .
x2 2

Deci, F ''( x ) = xF '( x ) care conduce la F ' ( x ) = c e

x2 2

, adic f ( x ) = c e

, c > 0.

Din

ce

x2 2

dx = 1 se obine c = f (x) = 1

1 2

, deci, n final,
x2 2

e ; F(x) = e dy 2 2 Exemplu. S se determine densitatea de repartiie a variabilei aleatoare X cu funcia caracteristic (t) = e-|t|. Aplicnd formula de inversiune pentru densitatea de repartiie, putem scrie:

y2 2

1 f (x) = 2

itx

0 1 t 1 t itx t itx e dt = dt = e cos tx dt e dt + e 2 0 0 |t |

Integrnd de dou ori prin pri, obinem:

1 f ( x ) = ( e )'cos tx dt = e t cos tx 0 1
t 0 1 x e sin tx dt = 1 x e t sin tx dt = 0 0 t

1 1 1 1 t t 2 2 1 2 2 = 1 x e cos tx dt = x e cos tx dt = x f ( x ) f ( x )(1 + x ) = 0 0

i, deci,
f (x) =
1 , (1 + x 2 )

adic X este repartizat Cauchy. Funcia caracteristic pentru variabile aleatoare vectoriale S considerm vectorul aleator X = (X1,X2,,Xn) a crei funcie de repartiie este F(x1,x2,,xn).
Definiie. Funcia :RC definit prin ( t1, t 2,..., tn ) = M ( e caracteristic a vectorului aleator (X1,X2,,Xn).
i tk X k
k =1 n

este funcia

Din definiie rezult c ( t1, t 2,..., tn ) =

Rn

i t k xk
k =1

dn F ( x1, x 2,..., xn ) ,

n cazul n care exist densitatea de repartiie f(x1,x2,,xn),

( t1, t 2,..., tn ) =
iar n cazul discret,

Rn

i tk xk
k =1

f ( x1, x 2,..., xn )dx1... dxn ,

 ( t1, t 2,..., tn ) =

x1 S1 x 2 S 2

...

i tk xk
k =1

P( X 1 = x1, X 2 = x 2,..., Xn = xn ) ,

x n S n

unde am notat cu Sk mulimea valorilor variabilei aleatoare Xk, mulime care este cel mult numrabil, 1 k n.
Propoziie. Funcia caracteristic a vectorului aleator (X1,X2,,Xn) are urmtoarele proprieti: (a) (0,0,,0) = 1 (b) |(t1,t2,,tn)| 1 (c) ( t1, t 2,..., tn ) = ( t1, t 2,..., tn ) (d) (t1,t2,,tn) este uniform continu pe Rn (e) Dac vectorul aleator X = (X1,X2,,Xn) are funcia caracteristic X(u1,u2,,un) i se

consider

vectorul
i bjt j
j =1 m

(Y1,Y2,,Yn),

Yj = cjkXk + bj, 1 j m ,
k =1
m

atunci

Y ( t 1, t 2,..., tm ) = e

X ( u1, u2,..., un ) , unde uk = cjktj, 1 k n .

j=1

Vom deduce numai relaia de la punctul (e), celelalte fiind simple transpuneri din cazul unidimensional.

Y ( t1, t 2,..., tm ) = M ( e
=e
i bjt j
j =1 m n m

i tjXj
j =1

) = M (e
i bjt j
j =1 m

i tj(
j =1

c jk X k + b j )
k =1

) = M (e

i bjt j
j =1

i t j c jk X k
j =1 k =1

)=

M (e

i ( t j c jk ) X k
k =1 j =1

)=e

X ( t j c j1 , t j c j 2 ,..., t j c jn )
j =1 j =1 j =1
i bjt j
j =1 m

i, dac notm uk = cjktj, 1 k n , obinem Y ( t 1, t 2,..., tm ) = e

j=1

X ( u1, u2,..., un )

Din funcia caracteristic X(t1,t2,,tn) se pot obine imediat funciile caracteristice ale componentelor vectorului X: X k ( t k ) = X ( 0,0,...,0, t k ,0,...,0 ) 1 k n i dac vectorul X are componentele independente, atunci:

X ( t1, t 2,..., tn ) = X k ( tk )
k =1

Legtura cu momentele este dat de relaia de mai jos: dac vectorul X are momente mixte de ordinul k1,k2,,kn atunci:
1 i
j =1

M k1,k 2,...,kn ( X 1, X 2,..., Xn ) =

kj

( t1, t 2,..., tn ) t1 =... = tn = 0 t1 t 2 ... tn

j =1 k1 k2 kn

kj

i n cazul n-dimensional are loc formula de inversiune i teorema de unicitate, al crei enun l vom meniona: Fie (t1,t2,,tn) i F(x1,x2,,xn) funcia caracteristic, respectiv funcia de repartiie a vectorului aleator (X1,X2,,Xn). Dac (a1,a2,,an), (b1,b2,,bn)Rn, aj < bj, 1 j n i funcia F este continu n punctele (a1,a2,,an), (a1,,aj-1,bj,aj+1,,an), (a1,,aj-1,bj,aj+1,, ,ak-1,bk,ak+1,,an), (b1,b2,,bn), atunci:

P(a1 X1 < b1, a2 X2 < b2, ,..., an Xn < bn) = = 1 (2 ) n lim ...
c c c c

e itk ak e itk bk ( t1, t 2,..., tn ) dt1... dtn itk k =1

n

Funcia de repartiie F(x1,x2,,xn) este determinat n mod unic de funcia ei caracteristic. 2.10. Funcia generatoare Funcia generatoare a unei variabile aleatoare a fost utilizat ncepnd de la Laplace, deci mult nainte de a se utiliza funcia caracteristic. Am vzut c funcia caracteristic are proprietatea |(t)| 1 (deci mrginit) n timp ce funcia generatoare nu mai este mrginit, dar ea este deosebit de util ndeosebi pentru calculul momentelor. Vom considera c variabila aleatoare X este discret i c ia numai valori ntregi nenegative. Numim funcie generatoare a variabilei aleatoare X funcia G:CC, prin relaia:

Gx(z) = pkz k , pk = P(X = k), kN, cu |z| 1

k =0

Din definiia dat rezult c x(t) = Gx(eit), care stabilete o legtur ntre funcia caracteristic i funcia generatoare. Tot din definiie rezult c funcia generatoare determin n mod univoc repartiia variabilei aleatoare X k X: , pk , k unde: G (k) (0) x , k = 1,2,3, p0 = Gx(0); pk = k! Se obine imediat c variabila aleatoare X (variabila binomial)
k X: k k n-k C n p q , k = 0,1,2,..., n are funcia generatoare Gx(z) = [1 + p(z - 1)]n, iar variabila

k k Y: - e , k = 0,1,2,..., n,... k!

are funcia generatoare Gy(z) = e(z-1). Funcia generatoare se utilizeaz frecvent pentru calculul momentelor factoriale i, cu ajutorul acestora, a momentelor obinuite i centrate de diferite ordine, dac acestea exist. Din definiia funciei generatoare rezult c ea are sens pentru |z| 1. Atunci, derivatele n punctul z = 1, dac exist, vor fi luate ca derivate la stnga. Atunci:
G 'x (1) = k pk
k =1

G ''x (1) = k(k - 1) pk

k=2

G (s) (1) = k(k - 1)...(k - s + 1) pk x

k=s

De aici rezult c:
Gx(1) = M0(x) = 1 G 'x (1) = M1(x) = M(x) G ''x (1) = M2(x) - M1(x) G ''' (1) = M3(x) - 3M2(x) + 2M1(x) x G 'v (1) = M4(x) - 6M3(x) + 11M2(x) - 6M1(x), x

sau:
M1(x) = G 'x (1) M2(x) = G ''x (1) + G 'x (1) M3(x) = G ''' (1) + 3G ''x (1) + G ''x (1) x M4(x) = G 'v (1) + 6G ''' (1) + 7G ''x (1) + G 'x (1) x x

Pentru calculul momentelor centrate utilizm relaia:

Hs( x ) = c sj ( 1) j M s j ( x ) M1j ( x )
j= 0

Aceast relaie este comod i se recomand pentru valori mici ale lui s. n cazul cnd s va avea valori mari, vom proceda n felul urmtor: notm Z = ew i dezvoltm n serie de puteri funcia GX(ew).

Funcia GX(Z) este dezvoltabil n serie de puteri n punctul Z = 1 dac ea este r regulat n acest punct. Dac |w| r < 1, rezult | e w 1| i, deci, dac r este suficient 1 r de mic, funcia GX(ew) este regulat pentru |w| r. ntruct departe:
k S wS wS s GX ( e w ) = pke wk = pk = pkk , putem scrie mai k =0 s ! k =0 s ! k =0 k =0 k =0

Hx( w) = Gx( e w ) =
s= 0

Ms( x ) s w s!

Funcia Hx(w) poart numele de funcie generatoare de momente. Momentele centrate se calculeaz acum utiliznd funcia: Lx( w) = e w M1( x )Hx( w) , ntruct M1j ( x )w j M s ( x ) s w s j Lx( w) = ( 1) w = j ! j= 0 s! j= 0 s ! j= 0 = Hs( x )
s= 0

(1)
j= 0

Csj M1j ( x ) Ms j( x ) =

ws s!

Aceast funcie mai poart numele de funcie generatoare a momentelor centrate.