CAPITOLUL 9 CARACTERISTICI NUMERICE ALE VARIABILELOR ALEATOARE 9.1. Media; definiie, proprieti Fie X variabil aleatoare pe cmpul de probabilitate (, K , P ) .

xi , unde i = 1, , n . X : p = f (x ) i i Atunci valoarea medie variabilei aleatoare discrete X este

DEFINIIE : Fie

M (X ) =

n i =1

xi f ( xi ) .

x , unde x [a, b] . Atunci DEFINITIE : Fie X : f ( x) valoarea medie a variabilei aleatoare continue X este

M (X ) =

b a

x f ( x )dx .

OBSERVAIE

Pentru

n ,

trebuie

ca

seria

+ , trebuie ca integrala improprie s fie convergent.

EXEMPLE:
1 2 3 , M ( X ) = 1 0,2 + 2 0,5 + 3 0,3 = 2,1 . 1) X : 0,2 0,5 0,3 x x 2) X : f ( x) = e x , x 0 , M ( X ) = 0 xe dx = ( 2) = 1 .

i =1

xi f ( xi ) s fie convergent. Pentru a sau b tinznd ctre sau

Proprieti ale mediei:

xi P1. Fie X : , . Dac xi , atunci : f (x ) i = 1, , n i M(X ) .

Demonstraie: M ( X ) = xi f ( xi ) Adunnd aceste relaii pentru valorile indicelui i = 1, , n , obinem:

i =1

f ( xi ) xi f ( xi ) f ( xi ) f ( xi ) M ( X ) f ( xi ) ,deci
i =1 i =1

M( X ) , deoarece

f (x ) = 1.
i =1 i

P2. M ( k ) = k , adic media unei constante este o constant. k Demonstraie: X : , . 1 M (k ) = k 1 = k P3. Media unei constante nmulit cu o variabil aleatoare este egal cu constanta nmulit cu media variabilei aleatoare. Adic: M ( a X ) = a M ( X ) .
x1 Demonstraie: Fie X : p 1 a x1 Atunci a X : p 1

M(a X) = a x1 p1 + + a xn pn = a (x1 p1 + + xn pn ) = a M(X) .

xn , pn a xn . pn

p
i =1

= 1 , M ( X ) = xi pi .
i =1

P4. Dac X i Y sunt dou variabile aleatoare, atunci : M ( X + Y ) = M ( X ) + M (Y ) . Demonstraie:

xi Fie X : , p i yj i fie , Y : q j

i = 1, , n , j = 1, , m ,

M ( X ) = xi pi ,
i =1

p
i =1

=1

M (Y ) = y j q j ,
j =1

xi + y j , i = 1, , n , j = 1, , m . q j = 1 . Atunci X + Y : p q j =1 i j
m

M(X +Y) = (xi + yj ) pi qj =xi pi qj +yj pi qj =xi pi qj +

i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1

n m

n m

n m

+ pi y j q j = M ( X ) + M (Y ) .
i =1 j =1

P5. Dac X i Y sunt independente, atunci: M(X Y) = M(X) M(Y) . x y Demonstraie: X Y : i j , i = 1, , n , j = 1, , m . p q i j

M ( X Y ) = xi y j pi q j = xi pi y j q j = M ( X ) M (Y )
i =1 j =1 i =1 j =1 n m n m

9.2. Dispersia; definiie, proprieti

2 1 1 2 , . Observm c Fie X : 0,1 0,4 0,4 0,1 M(X ) = 0 valorile lui X nu difer mult de medie. 1000 5 5 1000 Fie Y : , M (Y ) = 0 . Observm c 0,1 0,4 0,4 0,1 valorile lui Y difer mult de medie. mprtierea valorilor lui Y este mai mare dect mprtierea valorilor lui X.
x1 x 2 x n Fie X : i fie M(X) media sa. Construim p p p 2 n 1 variabila aleatoare = X M ( X ) , numit abaterea variabilei aleatoare X de la media sa. Fie m=M(X).

x1 m x 2 m : p p2 1

xn m pn

OBSERVAIE: M() = M[ X m] = M( X) M(m) = M(x) m = 0. Deci nu putem utiliza media variabilei aleatoare abatere pentru a determina mprtierea fa de media sa. Din acest motiv, ca o msur a mprtierii valorilor unei variabile aleatoare X fa de media sa, vom lua dispersia, notat cu D(X), unde: D( X ) = 2 = M ( 2 ) . Dispersia este media ptratului variabilei aleatoare de abatere .

 ( x1 m ) 2 2 : p1

( x2 m) 2 p2

( xn m) 2 . pn

2 = [ X M ( X )]2 = X 2 2 M ( X ) X + M 2 ( X ) . Atunci dispersia va fi : D(X) = M( 2 ) = M(X 2 ) 2M( X)M(X) + M2 (X) = M(X 2 ) M 2 (X) . Rezult astfel c D( X ) = M ( X 2 ) M 2 ( X ) .
EXEMPLE :
1 0 1 1 0 2 1) X : , ; 2 , 0,3 0,4 0,3 0,6 0,4 M( X ) = 0 X : M( X ) = 0,6 2 2 D( X ) = M ( X ) M ( X ) = 0,6 .

106 1000 0 1000 2 0 2) Y : , ; , M (Y 2 ) = 600000 M ( Y ) = 0 Y : 0,3 0,4 0,3 0,4 0,6 2 2 D (Y ) = M (Y ) M (Y ) = 600000 .
x x 3) X : f ( x) = e x , x 0 , M ( X ) = 0 xe dx = ( 2) = 1 2 x , x 0 , M ( X ) = x 2 e x dx = (3) = 2! = 2 X2 : f ( x) = e x 0

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

Proprieti ale dispersiei: P1. Dispersia unei constante este egal cu zero. Adic D( a ) = 0 , unde a este o constant. Demonstraie: D ( a ) = M ( a 2 ) M 2 ( a ) = a 2 a 2 = 0 . P2. Dispersia unei constante nmulit cu o variabil aleatoare este egal cu produsul dintre ptratul constantei i dispersia variabilei aleatoare. Adic: D ( a X ) = a 2 D ( X ) Demonstraie: D(a X ) = M (a2 X 2 ) M 2 (a X ) = a2 M ( X 2 )

 a 2 M 2 ( X ) = a 2 [ M ( X 2 ) M 2 ( X )] = a 2 D( X ) .

P3. Dac X i Y sunt independente, atunci D(X +Y) = D(X) + D(Y) Demonstraie: D( X + Y ) = M [( X + Y ) 2 ] M 2 ( X + Y ) = = M( X 2 + 2XY + Y 2 ) [M( X ) + M(Y )]2 = M( X 2 ) + 2M( X )M(Y ) + + M (Y 2 ) M 2 ( X ) 2 M ( X ) M (Y ) M 2 (Y ) = D( X ) + D(Y ) .
r r Consecina 1: D X i = D ( X i ) , unde variabilele X i i =1 i =1 sunt independente, i = 1, , r . Consecina 2: D( a + X ) = D( X ) . Consecina 3: Dac Y = a X + b , atunci D (Y ) = a 2 D( X ) . Consecina 4: Dac Z = X Y , atunci D(Z) = D( X ) + D(Y ) . ntr-adevr, putem scrie i deci Z = X Y = X + ( Y ) 2 D(Z) = D( X ) + D[(1)Y ] = D( X ) + (1) D(Y ) i deci D(Z) = D( X ) + D(Y ) .

TEOREM:

Fie X 1 , X 2 , , X n variabile aleatoare cu

n n aritmetic a veriabilelor X i . Atunci D(Y ) = 1 D( X i ) . n i =1

aceeai medie i dispersie. Fie Y =

X
i =1

1 n X i , media n i =1

n 1 n 1 1 Demonstraie: D(Y ) = D X = n n i n2 D( X i ) = n D( X i ) . i =1 i=1

9.3. Abaterea medie ptratic DEFINIIE: Se numete abatere medie ptratic a unei variabile aleatoare X, rdcina ptrat din dispersia variabilei aleatoare. Abaterea medie ptratic, = D ( X ) , are n principiu proprieti corespunztoare dispersiei.

9.4. Momentele unei variabile aleatoare X Momentele unei variabile aleatoare sunt valori tipice ale variabilei. Exist dou tipuri de momente: momente iniiale i momente centrate. DEFINIIE: Momentul iniial de ordinul k al unei variabile aleatoare X este media variabilei aleatoare X k . mk = M ( X k ) , k = 1,2, Cazuri particulare: m1 = M ( X ) , m2 = M ( X 2 ) , deci D ( X ) = m2 m12 . DEFINIIE: Momentul centrat de ordinul k al unei variabile aleatoare X este media variabilei aleatoare [( X M ( X )) k ] . k = M [( X M ( X )) k ] , k = 1,2, Cazuri particulare: 1 = M[ X M ( X )] = 0 , 2 = [X M( X)]2 = D( X) .
x xn n cazul unei variabile aleatoare discrete, fie X: 1 , p p n 1
k xk xn atunci Xk : 1 i ( X m) k p p n 1

( x1 m) k : p1

( x n m) k . pn
n i=1

Prin urmare mk = M( X k ) =
k = 1,2, , n .

n i=1

xik pi i k = M[(X m)k ] = ( xi m)k pi ,

X :

n cazul unei variabile aleatoare continue, fie x 0, x ( , a ) (b, ) , x [ a , b] , f ( x ) = , momentele f ( x ), x [a , b] f ( x)

b a

vor fi mk =

x k f ( x )dx i k =

( x m ) k f ( x ) dx , k = 1,2, , n .

k = ( x m) dF ( x) .
k

Fie F(X) funcia de repartiie. Atunci mk = x k dF ( x) i

Relaia dintre momentele iniiale i cele centrate:

k k k = M[X M(X)]k = M[X m]k = M(1)k Ckjmj X k j = (1) j Ckjmj M(X k j ) j=0 j=0

Dar M ( X k j ) = m k j . Deci avem: k = ( 1) j Ckj m j mk j .

k =0

OBSERVAIE : Pentru k=2 , obinem :

j 0 1 1 2 2 . 2 = C2 j m mk j = C2 m2 C2m m 1 + C2 m m0 j=0 2

Dar m0 = M ( X 0 ) = M (1) = 1 i m1 = m . Atunci 2 = m2 m12 + 0 = m2 m12 = D ( X ) . 9.5. Funcia generatoare de momente a unei variabile aleatoare Funcia generatoare de momente a unei variabile aleatoare se introduce pentru simplificarea calculului momentelor. DEFINIIE: Se numete funcie generatoare de momente a unei variabile aleatoare X, valoarea medie a variabilei e tX , unde tR. Notm funcia generatoare de momente cu g : R R , dat de g (t ) = M ( e tX ) .
x1 x 2 x n Fie X : o variabil aleatoare discret, p p p 2 n 1 e tx1 e tx2 e txn , iar funcia generatoare de e tX = p 1 p 2 pn
n i =1

deci

momente este g(t) = M (etX ) = etxi pi . Fie

deci e tX =
x , , o variabil aleatoare continu, X : x [ a , b] f ( x) e tx , x [a, b] , iar funcia generatoare de momente f ( x)
b a

este g(t ) = M (etX ) = etx f ( x)dx .

Proprieti ale funciei generatoare de momente: P1. g (0) = 1 Demonstraie: g (0) = M ( e t0 ) = M (1) = 1 P2. Dac X 1 , X 2 , , X n sunt variabile aleatoare independente cu funciile generatoare de momente g1 (t ), g 2 (t ), , gn (t ) , atunci funcia generatoare de momente a variabilei aleatoare X = X 1 + X 2 + + X n , este g(t ) = g1 (t ) g2 (t ) gn (t ) . Demonstraie: g (t ) = M ( e tX ) = M ( e t ( X 1 + X 2 + + X n ) ) = M [e tX1 e tX 2 e tX n ] = = M(etX1 ) M(etX2 ) M(etXn ) = g1(t) g2 (t) gn (t) . P3. Dac variabila aleatoare X admite momente finite de orice tk ordin, atunci g (t ) = mk . k = 0 k! Demonstraie: Dezvoltm n serie Taylor (Mc Laurin) pe e tX . tim t t2 tk c e t = 1 + + + + + . k! 1! 2! Atunci e tX va avea forma : t t2 tk tk k . e tX = 1 + X + X 2 + + X k + = X k! 1! 2! k =0 k!
tk k tk g(t ) = M (etX ) = M X = M( X k ) ! ! k k k =0 k =0

g(t ) =

tk mk . k =0 k!

P4. Funcia generatoare de momente este de n ori derivabil n raport cu t i g ( k ) (0) = mk sau g ( k ) (t ) |t =0 = mk . Demonstraie:
x1 a) Fie variabila aleatoare discret X : p 1 x2 p2 xn . pn

g (t ) = e txi pi
i =1

g ' (t ) = xi e txi pi
g ' ' (t ) = xi2 e txi pi
i =1 i =1 n

.
g ( k ) (t ) = xik e txi pi
i =1 n n

nlocuind pe t cu zero, obinem:

g ( k ) (0) = xik pi = mk
i =1

x b) Fie variabila aleatoare continu X : , . x [ a , b] f ( x)

g(t ) = etx f ( x)dx

a

g' (t ) = x etx f ( x)dx g' (0) = x e0 f ( x)dx = m1

a a

g (k ) (t ) = x k etx f ( x)dx g (k ) (0) = x k f ( x)dx = mk

a a b b

g' ' (t) = x e f ( x)dx g' ' (0) = x 2 f ( x)dx = m2

2 tx a a

9.6. Funcia caracteristic a unei variabile aleatoare Funcia caracteristic a unei variabile aleatoare X se folosete tot pentru calculul momentelor. DEFINIIE: Se numete funcie caracteristic a variabilei aleatoare X , valoarea medie a variabilei e itX , adic c(t) = M(eitX ) , unde t R . x1 x 2 x n o variabil aleatoare discret, Fie X : p p p 2 n 1 deci
eitx1 eitx2 eitxn , iar funcia caracteristic este eitX = p 1 p2 pn
n j =1

c (t ) = M ( e itX ) = e itX p j .

deci

x Fie X : , , o variabil aleatoare continu, x [ a , b] f ( x) e itx , x [a, b] , iar funcia caracteristic este e itX = f ( x)
b a

c (t ) = M ( e itX ) = e itX f ( x ) dx .
1 1 e it e it itX , iar . EXEMPLU: Fie X : e = 0,5 0,5 0,5 0,5 Funcia caracteristic este : c(t) = M(eitX ) = eit 0.5 + eit 0,5 = 0,5 (eit + eit ) . Dar e i = cos + i sin i e i = cos i sin , deci putem scrie e i + e i e i + e i i sin = . cos = 2 2i Astfel, funcia caracteristic va fi : c(t ) = 0,5 (cost i sin t ) + 0,5 (cost + i sin t ) = cost .

Proprieti ale funciei caracteristice: P1. Funcia caracteristic c(t) este o funcie uniform continu pe R P2. c(0) = 1 Demonstraie: c(0) = M ( e i 0 t ) = M ( e 0 ) = M (1) = 1 . P3. Dac X 1 , X 2 , , X n sunt variabile aleatoare independente cu funciile caracteristice c1 (t ), c2 (t ), , cn ( t ) , atunci funcia caracteristic a variabilei aleatoare X = X 1 + X 2 + + X n este c(t ) = c1 (t ) c2 (t ) cn (t ) Demonstraie: c(t ) = M ( e itX ) = M [e it ( X1 + X 2 + + X n ) ] = M [e itX1 e itX 2 e itX n ] = = M ( e itX 1 ) M ( e itX 2 ) M ( e itX n ) = = c1 (t ) c2 (t ) cn (t ) .

Consecina 1:

Dac Y = k X k ,
k =1 n

k R , unde

X1, X2, , Xn sunt variabile aleatoare independente cu funciile

caracteristice c1 (t ), c2 (t ), , cn ( t ) , atunci cY (t ) = c X ( k t ) . k
k =1

Consecina 2: Un produs de funcii caracteristice este tot o funcie caracteristic. n particular, dac c(t) este funcia caracteristic a variabilei aleatoare X , atunci [c(t )]n este tot o funcie caracteristic. P4. Fie c X (t ) funcia caracteristic a variabilei aleatoare X i fie Y = X . Atunci cY (t ) = c X ( t ) . Demonstraie: cY (t ) = M ( e itY ) = M ( e itX ) = c X ( t ) . P5. Fie variabila aleatoare X i c X (t ) funcia sa caracteristic. Fie Y = aX + b . Atunci cY ( t ) = c X ( at )e ibt . Demonstraie: cY (t) = M(eitY ) = M(eit(aX+b) ) = M[ei(at) X eitb] = e itb M [e i ( at ) X ] = e itb c X ( at ) . P6. Fie variabila aleatoare X i c(t) funcia caracteristic. Atunci (it ) k c (t ) = mk . k = 0 k! Demonstraie:
(it) k k (it) k (it ) k mk , c(t) = M (eitX ) = M X = M( X k ) = k =0 k ! k =0 k! k =0 k! (it ) k k . e itX = X k =0 k !

unde

1 P7. mk = 1 [c ( k ) (t )] |t =0 = k c ( k ) (0) ik i

Demonstraie:

x1 a) Fie variabila aleatoare discret X : p 1 itx1 itx2 itxn e e e eitX = p 1 p2 pn

x2 p2

xn . pn

c( t ) = e
j =1
n

itx j

pj
itx j

c' (t ) = ix j e
j =1 n

pj

.
c ( k ) (t ) = i k x k j e
j =1 n itx j

pj

nlocuind pe t cu zero, obinem:

(k ) c ( k ) ( 0) = i k x k ( 0) = i k M ( X k ) = i k m k j pj c j =1

Deci mk =

1 (k ) c (0) , k = 1,2, , n . ik

x c) Fie variabila aleatoare continu X : , . x [ a , b] f ( x) e itx e itX = f ( x)

c(t ) = eitx f ( x)dx

a

. nlocuind pe t cu zero, obinem:

c(k ) (0) = i k x k eitx f ( x)dx = i k mk
a b

c' (t ) = i x eitx f ( x)dx

a b

c(k ) (t ) = i k x k eitx f ( x)dx

a

Deci mk =

1 (k ) c (0) , k = 1,2, , n . ik

9.7. Normarea (reducerea) unei variabile aleatoare X Fie variabila aleatoare X cu M ( X ) = m i D ( X ) = 2 .

X m se numete variabila normat a variabilei aleatoare X (sau redusa variabilei aleatoare X).

DEFINIIE: Variabila aleatoare Z =

Proprieti ale variabilei normate: P1. M ( Z ) = 0

m 1 m 1 Demonstraie: M ( Z ) = M X = M (X ) = 0

P2. D( Z ) = 1
1 2 X m 1 Demonstraie: D(Z) = D = 2 [D(x) D(m)] = 2 =1, deoarece D(m) = 0 .

9.8. Valoarea median DEFINIIE: Se numete valoare median a variabilei aleatoare X numrul Me care satisface relaia P( X < Me) = P( X > Me) , adic valoarea pentru care variabila aleatoare X are aceeai probabilitate de a fi mai mare i mai mic dect ea. Relaia P( X < Me) = P( X > Me) se mai scrie i sub forma 1 F ( Me) = 1 F ( Me) sau 2 F ( Me) = 1 sau F ( Me) = . 2 1 Deci Me este soluia ecuaiei F ( x ) = . n cazul unei 2 x , , mediana se va variabile aleatoare continue X : x [ a , b] f ( x) Me determina din ecuaia f ( x )dx = 1 . a 2 EXEMPLU:

S se determine mediana variabilei aleatoare continue x , x [0,3] . X : 1 (2 x + 1) 12 Me 1 1 1 2 2 0 12 (2 x + 1)dx = 12 [ Me + Me] = 2 Me + Me 6 = 0 . Me1 = 3 [0,3] i Me2 = 2 . Deci Me = 2 . 9.9. Modul (valoarea cea mai probabil) DEFINIIE: Se numete modul (valoarea cea mai probabil) a variabilei aleatoare X acea valoare pentru care funcia de probabilitate f ( xi ) , pentru variabila aleatoare discret, respectiv densitatea de probabilitate f ( x ) este maxim. OBSERVAIE: n cazul variabilei aleatoare continue, maximul funciei f ( x ) se obine prin rezultatele cunoscute ale analizei matematice n cazul variabilelor aleatoare discrete se procedeaz astfel: EXEMPLU: S se determine modul variabilei aleatoare binomiale. x , x x n x , . X : x = 0,1,..., n f ( x ) = Cn p q f ( x) Presupunem c funcia f ( x ) are o valoare maxim x * . Atunci f (x* 1) < f (x* ) i f ( x * ) > f ( x * + 1) . Deci obinem (1)
* *

f ( x* ) >1 f ( x * 1)
*

(2)

f ( x * + 1) < 1. f ( x* )

Cx px qnx f ( x* ) n!(n x* + 1)!(x* 1)! p n x* + 1 p = x*n1 x*1 nx*+1 = = >1 * f ( x 1) Cn p q x*!(n x* )!n! q x* q
x*q < np x* p + p x* ( p + q) < np+ p x* < np+ p , deoarece p+q =1.

f ( x* + 1) n x* p < 1 x* ( p + q) > np q x* > np q . = * f ( x* ) x +1 q

Deci np q Mo np + p .

9.10. Covariana (corelaia) Fie variabilele aleatoare X, cu media M ( X ) = m X i 2 i Y, cu media M (Y ) = mY i dispersia dispersia D( X ) = x
2 . D (Y ) = y Calculnd dispersia sumei celor dou variabile aleatoare obinem: D( X + Y ) = M[(X + Y mX mY )2 ] = M{[(X mX )2 + (Y mY )2 ]} = = M [( X m X ) 2 ] + M [(Y mY ) 2 ] + 2 M [( X m X )(Y mY )] .

DEFINIIE: Media M[( X mX )(Y mY )] se numete covariana celor dou variabile i se noteaz cov( X , Y ) . Efectund produsul, obinem i o alt expresie a coverianei: cov( X,Y) = M[XYmY X mXY + mX mY ] = M(XY) mY M(X) mX M(Y) + mX mY = = M ( XY ) m X mY deoarece M( X ) = mX i M (Y ) = mY . OBSERVAIE: Dac X i Y sunt variabile aleatoare independente, atunci cov( X , Y ) = 0 . Reciproc nu este adevrat. 9.11. Coeficientul de corelaie

2 i Fie X, Y dou variabile aleatoare cu dispersiile X X m 2 X finite i nenule i mediile m X i mY . Fie X ' = i Y X Y mY variabilele aleatoare normate corespunztoare. Y'= Y (M(X)=0, M(Y)=0, D(X)=1, D(Y)=1) .

DEFINIIE: Se numete coeficient de corelaie a variabilelor aleatoare X i Y, coveriana variabilelor aleatoare normate X i Y i l notm cu ( X , Y ) . ( X , Y ) = cov( X ' , Y ' ) Avem: X mX Y mY M[(X mX )(Y mY )] cov( X,Y) (X,Y) = cov( , X' ,Y' ) = M = = Y X Y XY X

Proprieti ale coeficientului de corelaie: P1. Dac X i Y sunt independente, atunci ( X , Y ) = 0 . Demonstraie: Deoarece cov( X , Y ) = 0 n cazul unor variabile aleatoare independente, i ( X , Y ) = cov( X , Y ) = 0 . XY

P2. 1 ( X , Y ) 1 , pentru orice X i Y. Demonstraie: M(X)=0, M(Y)=0, D(X)=0, D(Y)=0 , deci M ( X ' 2 ) = 1 i M (Y ' 2 ) = 1 . Din egalitatea ( X 'Y ' ) 2 = ( X ' 2 2 X ' Y '+Y ' 2 ) obinem : M [( X 'Y ' )2 ] = M ( X ' 2 ) 2M ( X ' Y ' ) + M (Y ' 2 ) = 2 2M ( X ' Y ' ) . Cum M ( X 'Y ' ) = cov(X ' ,Y ' ) , obinem: 1 ( X , Y ) 0 , adic 1 ( X ,Y ) 1. P3. Dac pentru dou constante reale a i b variabila aleatoare 1, a > 0 . Y = aX + b , atunci ( X , Y ) = 1.a < 0
2 2 Demonstraie: tim c M(Y ) = mY = amX b i D(Y ) = Y . = a2 X Atunci vom obine: cov(X ,Y ) = M[(X mX )(Y mY )]M[(X mX )(aX + b amX B)] = 2 . = M[(X mX )(aXam [(X mX )(X mX )]= M[(X mX )2 ] = aD( X ) = a X X )]= aM 2 2 a X a X cov( X , Y ) a = = = = 1 . 2 X Y X Y | a | X | a |

( X ,Y ) =

9.12. Caracteristici ale formei de repartiie. Simetrie i asimetrie. DEFINIIE: Variabila aleatoare X definit de funcia f(x) este simetric fa de valoarea medie m dac f (m ) = f (m + ) , oricare ar fi > 0 .

SIMETRIC

m +

ASIMETRIC
m m +

Proprieti: P1. Pentru o repartiie simetric, media, mediana i modul coincid. P2. Momentele centrate de ordin impar pentru o repartiie simetric sunt nule 2 k +1 = 0 . Coeficieni utilizai pentru msurarea asimetriei: Coeficientul lui Pearson: 1 = M ( X ) M 0 ( X ) . X Coeficientul lui Fisher: 2 = 3 . X