Capitolul 2 VARIABILE ALEATOARE. FUNCŢII ŞI DENSITĂŢI DE REPARTIŢIE 2.1.

Variabile aleatoare Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor. Considerată intuitiv, legată de experiment, variabila aleatoare se poate defini ca fiind o funcţie reală pe mulţimea rezultatelor unui experiment. Cu alte cuvinte, valorile acestei funcţii sunt luate după cum s-a realizat un anumit eveniment, pentru un experiment dat. Să considerăm experimentul care constă în aruncarea cu două zaruri şi în care ne interesează suma punctelor obţinute. Dacă notăm cu Sk evenimentul care constă în faptul că la o aruncare a apărut suma k, k=2,3,…,12, atunci variabila aleatoare X, care este o funcţie reală pe mulţimea 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 probabilităţile 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;

şi atunci variabila aleatoare X poate fi scrisă:

⎛ 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 că o variabilă aleatoare este o funcţie reală ale cărei valori sunt luate cu probabilităţile corespunzătoare unui sistem complet de evenimente. Din exemplul considerat rezultă că prin intermediul variabilelor aleatoare, evenimentele pot fi descrise cu ajutorul unor valori numerice reale, care în general sunt rezultatul unor observaţii. Vom da acum definiţia riguroasă din punct de vedere matematic a variabilei aleatoare cu care vom opera în continuare. Să considerăm câmpul de probabilitate {Ω,K,P} dat şi să notăm cu R mulţimea numerelor reale şi cu B tribul mulţimilor boreliene1 de pe R, astfel încât (R,B) este un câmp complet aditiv.

Tribul mulţimilor boreliene de pe dreapta reală este cel mai mic corp care conţine toate mulţimile deschise de pe dreaptă.

1

Definiţie. Aplicaţia X:Ω→ R se numeşte variabilă aleatoare dacă X-1(B)∈K, (∀)B∈Β. Observăm că dacă luăm B=(a,∞) atunci X-1(B)=X-1(a,∞)={w:X(w)∈(a,∞)}={ω:X(ω)>a}, a∈R arbitrar. Se demonstrează că definiţia introdusă mai sus este echivalentă cu definiţia de mai jos: Definiţie. Aplicaţia X:Ω→ R se numeşte variabilă aleatoare dacă: {ω: X(ω) > a}∈ K, (∀) a∈R.

În cele ce urmează vom folosi această definiţie şi adesea vom scrie prescurtat: {ω: X(ω)>a} = {X > a}. Având în vedere faptul că variabilele aleatoare dau posibilitatea scrierii evenimentelor cu ajutorul lor, punem în evidenţă următoarea propoziţie:
Propoziţie. X:Ω→ R este variabilă aleatoare dacă şi numai dacă este adevărată una din afirmaţiile (i) {ω:X(ω) ≥ a}∈K, (∀) a∈R (ii) {ω: X(ω) < a}∈K, (∀) a∈R (iii) {ω: X(ω) ≤ a}∈ K, (∀) a∈R Demonstraţie: se constată că : ∞ 1 1 {ω:X(ω) ≥ a} = I {ω:X (ω ) > a − }. Însã, {ω:X(ω ) > a - } ∈ K, n = 1,2, ( ∀ )a ∈R, n n n =1 ∞ 1 {ω: X (ω ) > a − } ∈ K , ( ∀ )a ∈R I n n =1

{ω:X(ω) < a} = CΩ{ω:X(ω) ≥ a}∈K {ω:X(ω) ≤ a} = CΩ{ω:X(ω) > a}∈K, ceea ce demonstrează implicaţia (⇒). Implicaţia (⇐) rezultă în acelaşi mod. De aici rezultă o observaţie importantă: Cum
Observaţie. Dacă X este o variabilă aleatoare definită pe {Ω,K,P}, atunci, pentru orice a,b∈R, 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))={ω: a< X(ω) < b} = {ω: X(ω) > a} ∩ {ω: X(ω) < b}. Ne interesează să vedem dacă, în urma compunerii de variabile aleatoare, obţinem tot variabile aleatoare, răspuns care se va desprinde din teoremele ce urmează:
Teoremă. Dacă X este variabilă aleatoare, iar b∈R, atunci: (1) X + b (2) bX (3) |X| (4) X2 1 (5) , dacă X≠0 X

sunt variabile aleatoare. Demonstraţie: Se vede imediat că toate aplicaţiile (1) - (5) sunt de la Ω→R. Rămâne să arătăm că este îndeplinită şi cea de a doua cerinţă.
(1) {ω :( X + b)(ω ) > a} = {ω : X (ω ) + b > a} = {ω : X (ω ) > b − a} ∈ K a ⎧ {ω : X(ω ) > }, b > 0 ⎪ ⎪ b ( 2 ) {ω : bX(ω ) > a} = ⎨ ⎪{ω : X (ω ) < a }, b < 0 ⎪ b ⎩ / dacã a < 0 ⎧O, (3) {ω :| X(ω )| > a} = ⎨ ⎩{ω : X(ω ) > a} ∪ {ω : X(ω ) < -a}, a ≥ 0 / dacã a < 0 ⎧O, ( 4) {ω:X 2 (ω ) > a} = ⎨ ⎩{ω:| X(ω )|> a }, a ≥ 0 ⎧ ⎪{ω : X (ω ) > 0}, a = 0 ⎪ 1 1 ⎪ (5) {ω : > a} = ⎨{ω : X (ω ) > 0} ∩ {ω : X (ω ) < }, a > 0 X(ω ) a ⎪ 1 ⎪ { : ( ) > 0 } ∪ [{ : ( ) < 0 } ∩ { : ( ) < }], a < 0 ω ω ω ω ω ω X X X ⎪ a ⎩ Deci toate cele cinci aplicaţii sunt variabile aleatoare. Următoarea propoziţie va da posibilitatea să compunem diverse variabile aleatoare.

Propoziţie. Dacă X şi Y sunt variabile aleatoare, atunci

{ω:X(ω) > Y(ω)}∈K, {ω:X(ω) ≥ Y(ω)}∈K, {ω:X(ω) = Y(ω)}∈K.
Demonstraţie. Cum X,Y sunt variabile aleatoare reale şi X(ω) > Y(ω), există un număr real r astfel încât X(ω) > r’ > Y(ω). Fie (rk)k∈N⊂Q şi (r’k)k∈N⊂Q, rk r, r’k r. Atunci:

{ω:X(ω) > Y(ω)} = şi, de aici, rezultă că:

k ∈Ν

I [{ω: X (ω ) > r } ∩ {ω: Y (ω ) < r }]
k ' k

{ω:X(ω) > Y(ω)} ∈ K Celelalte două afirmaţii rezultă din faptul că {ω:X(ω) ≥ Y(ω)} = CΩ{ω:Y(ω) > X(ω)} şi {ω:X(ω) = Y(ω)} = {ω:X(ω) ≥ Y(ω)} ∩ {ω:X(ω) ≤ Y(ω)}, ceea ce dovedeşte afirmaţia. Putem acum să dăm o teoremă de compunere a două variabile aleatoare.
Teoremă. Dacă X şi Y sunt variabile aleatoare, atunci (1) X - Y (2) X + Y (3) XY

X , dacă Y≠0 Y sunt variabile aleatoare. Demonstraţie. (1) Este clar că X - Y:Ω→ R.. Cum {ω:X(ω) - Y(ω) > a} = {ω:X(ω) > Y(ω) + a} ∈ K conform cu propoziţiile anterioare, rezultă că X - Y este variabilă 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 şi pătratele lor sunt variabile aleatoare, 4 rezultă afirmaţia. 1 X = X⋅ şi, deci, raportul este tot o variabilă aleatoare. (4) Y Y În mulţimea variabilelor aleatoare, un rol important îl au acelea care pot lua o mulţime finită sau numărabilă de valori.
Definiţie. Spunem că variabila aleatoare X este de tip discret dacă ia o mulţime de valori cel mult numărabilă. Un exemplu de variabilă aleatoare discretă cu o mulţime numărabilă de valori este variabila aleatoare Poisson: ⎛k ⎞ ⎜ −λ k ⎟ X :⎜ e λ ⎟ ⎜ , k = 0,1, 2,...⎟ ⎝ k! ⎠ Constanta λ>0 este parametrul repartiţiei (în momentul în care avem o variabilă de tip discret ⎛ xk ⎞ şi am dat X : ⎜ ⎟ spunem că avem o repartiţie; în exemplul dat este repartiţia Poisson ⎝ pk , k ∈ I ⎠

de parametru λ>0).
Definiţie. Spunem că variabila aleatoare X este simplă dacă poate lua numai un număr finit de valori.

Ca exemplu de variabilă aleatoare simplă, să considerăm variabila binomială: ⎛k ⎞ ⎟. X : ⎜ p k n− k ⎝ Cn p q , k = 0,1, 2,..., n⎠
k n−k sunt tocmai termenii din dezvoltarea Denumirea derivă din faptul că P(X=k) = C k np q n binomului (p + q) . Variabila aleatoare simplă ⎧1, dacã ω ∈ A IA(ω ) = ⎨ ⎩0, dacã ω ∈ CΩA

o vom numi variabilă aleatoare indicator al mulţimii A.

Teoremă. care sunt variabile aleatoare nenegative cărora li se poate aplica rezultatul menţionat. Funcţia de repartiţie. dacã n ≤ X (ω ) < n . Definiţie.. n ω dacã X( ) ≥ n ⎩ Din modul cum am definit Xn rezultă că este o variabilă aleatoare simplă. Densitate de repartiţie.P} şi X o variabilă aleatoare definită pe acest câmp. uniform în raport cu ω.0). iar şirul (Xn)n∈N* este crescător. ω∈R.. atunci ea poate fi pusă sub forma X = X+ . să punem: i -1 i ⎧i − 1 n ⎪ n .X-.= -inf (X.…. i = 1.. X. aplicaţia FX: R→[0.xn pe mulţimile A1.x2. n⎠ Aplicând definiţia funcţiei de repartiţie. Proprietăţi.. i =1 n Rezultatul care urmează ne va da posibilitatea să aproximăm variabilele aleatoare oarecare cu ajutorul variabilelor aleatoare simple. de aici: lim Xn (ω ) = X (ω ) .…. atunci Xn(ω) = n. oricare ar fi n∈N*.. unde + X = sup (X.2.An respectiv.1]. Dacă X este o variabilă aleatoare oarecare. 2. pentru orice n∈N*.. definită prin relaţia: FX(x) = P({ω:X(ω) < x}) Exemplu. Numim funcţie de repartiţie a unei variabile aleatoare. 2. Demonstraţie.K. atunci putem scrie: i i =1 n X (ω ) = ∑ xi I Ai (ω ). Dacă X(ω) < ∞.A2. adică Ai∩Aj = ∅ dacă i≠j şi U A = Ω . n ⋅ 2 Xn(ω ) = ⎨ 2 2 2 ⎪ . n →∞ Dacă X(ω) = ∞. Să considerăm un câmp de probabilităţi {Ω. pentru orice n∈N* şi deci lim Xn(ω ) = X (ω ) .2. unde (Ai)1≤i≤n constituie o partiţie a lui Ω (sistem complet de evenimente). atunci. Să presupunem mai întâi că X ≥ 0.1.Dacă variabila aleatoare X ia valorile x1. atunci: i i −1 1 0 ≤ X (ω ) − Xn(ω ) ≤ n − n = n 2 2 2 şi. atunci există un şir crescător (Xn)n∈N* de variabile aleatoare simple convergent către X. X.0). ceea ce demonstrează complet teorema. n →∞ Dacă X nu este nenegativă.. obţinem: . Să considerăm variabila aleatoare binomială ⎛k ⎞ ⎟ X :⎜ k k n− k ⎝ Cn p q .. k = 0.

x’n<x’n+1. k < x ≤ k +1 . n →∞ n →∞ n ∈Ν Fie acum un şir (x’n) n∈N. n∈N şi putem scrie: lim P(Bn) = P(lim Bn) = P( U Bn ) = 1 . Bn⊂Bn+1. lim FX(xn) = FX(+ ∞ ) = 1 n →∞ n →∞ (2) Cum x1 < x2. Propoziţie. yn < yn+1. că: lim P(An) = P(lim An) = P( I An) = 0 n →∞ n →∞ n ∈N IA n / . atunci.1.2.P(ω:X(ω) < x1) = FX(x2) . n −1 < x ≤ n . n∈N cu lim x' n = + ∞ .⎧0 ⎪C 0 p 0 q n ⎪ n 0 0 n 1 1 n −1 ⎪Cn p q + Cn pq k ⎪ ⎪ FX ( x ) = ⎨∑ Cnj p j q n − j ⎪ j=0 ⎪ n −1 j j n − j ⎪∑ C n p q ⎪ j=0 ⎪ ⎩1 . n∈N şi Urmează. Funcţia de repartiţie a unei variabile aleatoare X are următoarele proprietăţi: (1) FX( −∞ ) = lim FX(x) = 0. putem scrie: {ω:x1 ≤ X(ω) < x2} = {ω:X(ω) < x2} . lim P({ω :X(ω ) < xn}) = lim Fx (xn) = F(-∞ ) = 0 . x>n S-a obţinut o funcţie în trepte (în scară) cu salturi în punctele 0. crescător. şirul de evenimente (An) n∈N este descendent. n∈N şi lim Xn = -∞ şi să notăm An = {ω:X(ω) < Xn}. yn < x şi lim yn = x . dacă x1 < x2 (este nedescrescătoare) (3) FX(x) = FX(x-0) = lim FX(y) (este continuă la stânga) y↑ x Demonstraţie.{ω:X(ω) < x1}. n →∞ Atunci. FX(+ ∞ ) = lim FX(x) = 1 x→−∞ x →∞ (2) FX(x1) ≤ FX(x2). (1) Fie şirul (Xn) n∈N. =O Deci. n∈N. n →∞ n →∞ n ∈Ν adică: lim P(ω :X(ω ) < xn) = 1 ş i. n →∞ . Am obţinut un şir ascendent de evenimente (Bn) n∈N.….n. 0 < x ≤1 . Xn+1 < Xn. x≤0 . n →∞ Notăm Bn={ω:X(ω) < x’n}.FX(x1) ≥ 0 (3) Să considerăm şirul (yn)n∈N⊂ R. An+1⊂An. deci. 1< x ≤ 2 . {ω:X(ω) < x1}⊂{ω:X(ω) < x2} P(ω:x1 ≤ X(ω) < x2) = P(ω:X(ω) < x2) .

n →∞ Urmează de aici că.FX(x1) .FX(x1) . . {ω:x1 < X(ω) < x2} = {ω:X(ω) < x2} .FX(x1) + P(ω:X(ω) = x2) . Cum FX este o funcţie cu variaţia mărginită.[{ω:X(ω) < x1} ∪ {ω:X(ω) = x1}]. Luând probabilitatea şi ţinând cont de faptul că {ω:X(ω) ≤ x1} ⊂ {ω:X(ω) < x2}. orice funcţie de repartiţie are proprietăţile enumerate. atunci P(ω:X(ω) = xi) = 0.{ω:X(ω) ≤ x1} = = {ω:X(ω) < x2} . x1 < x2. Mai mult. deci că proprietăţile (1). adică lim Fx (yn) = Fx (x . x1 < x2 şi {ω:X(ω) < x1} ∩ {ω:X(ω) = x1} = ∅ şi se obţine: P(ω:x1 < X(ω) < x2) = FX(x2) . Demonstraţia rezultă imediat.FX(x1) P(ω:x1 < X(ω) < x2) = FX(x2) . Deci. x∈ R.P(ω:X(ω) = x1). Propoziţie. Cum suma tuturor salturilor este 1. Unii autori definesc funcţia de repartiţie prin relaţia: GX(x) = P(ω: X(ω) ≤ x). dăm unele expresii utile în calcul.2..P(ω:X(ω) = x1) P(ω:x1 ≤ X(ω) ≤ x2) = FX(x2) . atunci: P(ω:x1 ≤ X(ω) < x2) = FX(x2) .FX(x1) + P(ω:X(ω) = x2).(2). în mod necesar. Din definiţia funcţiei de repartiţie rezultă că ea are salturi numai la dreapta. observăm că An⊃An+1. i=1.x2∈R.Dacă punem An = {ω:yn ≤ X(ω) < x}. din =O lim P(An) = P( I An) = 0 . Ca o completare la cele de mai sus. iar noi o vom da numai pentru una din relaţii.Fx (yn)] = 0 . Demonstraţie. Observaţie. Dacă X este o variabilă aleatoare şi x1.P(ω:X(ω) = x1) P(ω:x1 < X(ω) ≤ x2) = FX(x2) . cu variaţia totală 1. i=1. pentru celelalte făcându-se analog. Teorema care urmează stabileşte că mulţimea tuturor salturilor ale funcţiei FX este cel mult numărabilă. orice funcţie cu aceste proprietăţi este o funcţie de repartiţie. rezultă că suma tuturor salturilor este 1.2. 1 salturi mai mari ca : cel mult n n ………………………………….0) = Fx (x) . n∈N.(3) sunt necesare şi suficiente pentru FX funcţie de repartiţie. P(ω:X(ω) = xi) reprezintă saltul funcţiei de repartiţie FX în punctul xi. mulţimea tuturor salturilor este o reuniune numărabilă de mulţimi cel mult numărabile. care este o mulţime cel mult numărabilă. rezultă că: lim P(ω :yn ≤ Xn(ω ) < x) = lim [Fx (x) . Observaţie. rezultă că: 1 salturi mai mari ca : cel mult 1 2 1 salturi mai mari ca : cel mult 2 3 …………………………………. n →∞ n ∈Ν n ∈Ν n →∞ n →∞ IA n / şi. Dacă FX este continuă.

ea nu determină în mod unic variabila aleatoare. definită în acest mod.1] ⎪− 1. x1<x2 este dată de: P(ω:x1 ≤ X(ω) < x2) = F(x2) . Densitate de repartiţie. x ≤ -1 ⎪ ⎪1 FX(x) = P(ω:X(ω) < x) = ⎨ . spre deosebire de FX care am văzut că este continuă la stânga. Y(ω ) = ⎨ X(ω ) = ⎨ ⎪1 . va trebui să fim atenţi cum s-a definit funcţia. Din definiţia funcţiei de repartiţie rezultă că fiecărei variabile aleatoare îi corespunde o singură funcţie de repartiţie. ω ∈[ 1 . x atunci vom numi funcţia f densitate de repartiţie a variabilei aleatoare X care are funcţia de repartiţie F. dacă aceasta este discontinuă (în cazul funcţiilor de repartiţie continue am văzut că nu sunt probleme). ) 1 . Din definiţia dată funcţiei f. integrabilă pe R şi astfel încât F(x) = -∞ ∫ f(t) dt . P}. Reciproca. Aşadar.1].1] ⎪ ⎪ 2 2 ⎩ ⎩ Se vede imediat că X ≠ Y şi că: ⎧0 . β[0. definim: 1 1 ⎧ ⎧ .1.F(x1) = ∫ f(t) dt x1 x2 . ω ∈[0. x∈R (2) -∞ ∫ f(x) dx = 1 ∞ Se constată imediat că dacă există densitatea de repartiţie f. ) ⎪ ⎪ ⎪ ⎪ 2 2 . rezultă că aceasta are următoarele proprietăţi: (1) f(x) ≥ 0. nu-i adevărată. adică.−1 < x ≤ 1 ⎪2 ⎪ ⎩1 . când se efectuează calcule cu funcţia de repartiţie. însă.−1 < x ≤ 1 ⎪2 ⎪ ⎩1 . x > 1 Cum FX = FY pe R. iar probabilitatea ca variabila aleatoare X să ia valori cuprinse între x1 şi x2.Deosebirea constă numai în faptul că. x ≤ -1 ⎪ ⎪1 FY(x) = P(ω:X(ω) < y) = ⎨ . Să lămurim un aspect important privind corespondenţa între mulţimea variabilelor aleatoare şi mulţimea funcţiilor de repartiţie. fiind dată o funcţie de repartiţie. x > 1 ⎧0 . unde P este măsura intervalului. ω ∈[ 1 . rezultă afirmaţia. ω ∈[0.1]. Fie câmpul de probabilitate {[0. Dacă există o funcţie f: R→R+. funcţia GX fiind continuă la dreapta. Vom dovedi acest lucru pe baza unui contraexemplu. Pe acest câmp. atunci F este derivabilă şi F’(x) = f(x). se modifică proprietatea de continuitate.

x ∉[−π / 2. b) ⎪ β (a. Să se determine constanta n astfel încât f: R→R+ definită prin: . x∈ R. definită prin relaţia: ⎧a cos x . Exemplu.Exemplu. π / 2] ⎩0 poate fi o densitate de repartiţie. rezultă a = . q ≥ 2.1) ⎩kx (1 . atunci f(x) ≥0.x) unde a. n∈I. b) ⎩ Variabila aleatoare X care are această densitate de repartiţie. Numim q-cvantile ale variabilei aleatoare X. ⎛ xn ⎞ X: ⎜ ⎟ ⎝ Pn . x ∈ ( 0. n ∈ I ⊂ Ν ⎠ Pn = P(ω: X(ω) = xn). 2. Fie X o variabilă aleatoare. Dacă k ≥0. cos x ≥ 0 şi să punem condiţia ∞ π /2 π /2 1 f(x) dx = 1 . obţinem k = x a −1 (1 − x ) b−1 . Definiţie. F funcţia sa de repartiţie şi q∈N. q . spunem că urmează o lege beta de parametri a şi b. β (a.b >0 sunt parametri.3. căci pe intervalul [-π/2. Caracteristici numerice ale funcţiilor de repartiţie.1) ⎧0 1 ⎪ 1 şi f(x) = ⎨ dx = β(a. x>π/2 ⎪ ⎩1 Dacă X este o variabilă aleatoare de tip discret. Din condiţia 1 -∞ ∫ f(x) dx = 1 rezultă: ∞ k ⋅ ∫ x a-1 (1. a ∫ cos x dx = 1 şi cum ∫ cos x dx = 2 .π / 2 < x ≤ π / 2 2 -∞ ⎪2 . π/2]. x ≤ -π / 2 ⎧0 ∞ ⎪ 1 ⎪1 F(x) = ∫ f ( t ) dt = ⎨ (sin x + 1) . . π / 2] f(x) = ⎨ . x ∈ (0. Să se verifice că funcţia f: R→R. În cazul nostru. f(x) = ⎨ a-1 b-1 .b). unde 1 ≤ i ≤ q-1. alegând convenabil constanta a. cel mult numărabilă.1) ⎧0 . x ∈[−π / 2. x ∉ (0. numerele finite (ci(X))1≤i≤q-1 pentru q-i care P(ω:X(ω) ≥ ci(X)) ≥ .x) b-1 .1). x ∉ ( 0. . x n <x care este o funcţie de repartiţie de tip discret. P(ω:X(ω) ≤ ci(X)) ≥ i/q. să se determine funcţia de repartiţie corespunzătoare. atunci: F(x) = ∑ Pn . ∫ 2 -∞ -π / 2 -π / 2 Atunci. Să luăm a ≥ 0.x) b-1 dx = 1 0 Cum ∫x 0 1 a-1 (1 .

1 ≤ i ≤ q − 1 q Luând valori particulare ale lui q. 1 ≤ i ≤ q-1 q Se constată imediat că. Punctul comun 2 sau punctele comune sunt toate puncte mediane ale funcţiei de repartiţie F. Aşadar. ∫ q -∞ sau. cu ajutorul funcţiei de repartiţie 1 F(c2(X)) ≤ 2 1 F(c2(X)+0) ≥ 2 Dacă graficul funcţiei y = F(x) se completează în punctele de discontinuitate cu rezultatele cuprinse între punctele (x. pentru q=10 decilele. pentru q=4 cvartilele. Dar dacă F este continuă şi crescătoare.q-1.….Din relaţia P(ω:X(ω) ≥ ci(X)) + P(ω:X(ω) < ci(X)) = 1 rezultă că q-cvantilele se definesc echivalent: F(ci(X) = 1 .F(x+0)).F(x)) şi (x. mediana variabilei aleatoare X este numărul real c2(X) care satisface condiţiile: 1 P(ω:X(ω) ≥ c2(X)) ≥ 2 1 P(ω:X(ω) ≤ c2(X)) ≥ 2 sau. i = 1. obţinem pentru q=2 mediana. q-cvantilele nu sunt unic determinate. atunci graficul y = F(x) are sau un 1 singur punct sau un segment paralel cu axa OX în comun cu dreapta y = . mediana se obţine ca soluţie a ecuaţiei F(x) = (soluţie care 2 este unică). avem: me -∞ ∫ f(x) dx = ∫ f(x) dx = 2 m2 ∞ 1 . atunci q-cvantilele se pot determina în mod unic ca soluţii ale ecuaţiilor: i F(ci(X)) = .P(ω:X(ω) ≥ ci(X)) ≤ 1 F(ci(X) + 0) ≥ q-i i = q q i .2. echivalent: c i (x) -∞ dx = ∫ f(x) dx = ∫ f(x) dx = ∫ f(x) dx = …= ∫( f(x) q ) c1 (x) cq -2 x c 2 (x) cq -1 ( x ) ∞ 1 c q -1 (x) În cazul q = 2. în general. pentru q=100 centilele. Dacă există densitatea de repartiţie f(x) atunci se pot determina uşor q-cvantilele cu ajutorul ecuaţiei: c i (x) i f(x) dx = . Când F este 1 continuă şi strict crescătoare.

.1.. 1) ∫ λe . 1) Să se calculeze valoarea mediană pentru repartiţia cu densitatea ⎧λe .K. valoarea cea mai probabilă xk este cea care corespunde probabilităţii Pk ce satisface dubla inegalitate Pk-1 ≤ Pk ≥ Pk+1.x ≤ 0 ⎩0 2) Să se determine valoarea modală pentru repartiţie N(m.⎟ ⎠ ⎝ k! Soluţii. Fiind dată funcţia de repartiţie F care are densitatea f.. k = 0. După numărul punctelor de maxim pentru f.. Bn = B⋅…⋅B cu semnificaţia menţionată.P} este un câmp de probabilitate şi (Rn.1. Dacă {Ω. m.σ). < 0 rezultă că este vorba de un maxim. notând Pk = P(X=xk). σ 2π k −1 n − k +1 k n−k +1 k +1 n − k −1 q ≤ Ck ≥ Ck q 3) C k-1 ne conduce la np .e . punctul modal poartă numele de valoarea cea mai probabilă. k = 0. de unde me = λ 2 2 0 2) f(x. f '(x) = . atunci X:Ω→Rn este o variabilă aleatoare n-dimensională (un vector aleator n-dimensional) dacă n . 2..4. Y = ⎜ -λ λ X: ⎜ k k n − k ⎟ ⎝ C n p q . Exemple.Bn) un câmp complet aditiv. n⎠ ⎜e . x > 0 f(x) = ⎨ .. Analog.λx .2.3 e σ 2π ( x − m )2 2σ 2 = 0 conduce la xmod = m.2. I⊂N şi sunt presupuse a fi aşezate în ordine crescătoare. orice punct de maxim local pentru f se numeşte mod (punct modal).λx dx = conduce la 1 . avem repartiţii unimodale.σ) = 1 σ 2π e 3 − ( x − m)2 2σ 2 x-m − .λm e = . 3) Să se stabilească valoarea cea mai probabilă pentru repartiţiile: ⎞ ⎛k ⎛k ⎞ ⎟ ⎜ k ⎟ . În cazul repartiţiilor discrete. Funcţii de repartiţie şi densităţi de repartiţie multidimensionale.. Definiţie. Dacă valorile variabilei aleatoare X sunt (xn)n∈I. me 1 ln 2 1 .unde me este punctul mediană al repartiţiei.q ≤ k ≤ np + p. n p np q n p Cum f’’(xmod) = - 1 care este valoarea cea mai probabilă pentru X. Vectori aleatori. e -λ λ k-1 ( k − 1)! ≤ e -λ λk k! ≥ e -λ λ k +1 (k + 1)! ne conduce la valoarea cea mai probabilă λ-1 ≤ k ≤ λ. bimodale sau multimodale în general. cu R = Rx⋅ … ⋅xR.

Definiţie.….y2. (y1.…...1] definită prin: FX(x1. funcţia de repartiţie are o seamă de proprietăţi care-i sunt specifice şi care o caracterizează: 1) Funcţiile parţiale xk → FX(x1.Xn(ω)) ∈ B}. 2) FX este continuă la stânga în raport cu fiecare argument 3) Dacă cel puţin una dintre componente xi → -∞.y1)⋅(x2.yn). xk.1.…. (∀) (x1.yj-1.F(x1.…. iar acest lucru se vede foarte bine în cazul n=2. atunci FX → 0. u2 ... xi + 1.xn)∈Rn.yn) Pij = FX(y1... reprezintă probabilitatea de mai jos P(x1≤X1<y1.….y2) . când ea devine F(y1. x2.yi-1.… Proprietatea (5) completează proprietăţile funcţiei de repartiţie.xj.. funcţia de repartiţie FX tinde către 1). xn) = 1 (dacă toate componentele xj → ∞ .xn) = P({{ω:X1(ω) < x1. x2.. (∀) B=B1x…x Bn ∈Bn. xi ..yi-1.….. vom considera definiţia echivalentă..y2)⋅…⋅[xn.….….….xk-1..x2.x2.Xn(ω) < xn}∈ K. evident.. Ca şi în cazul unidimensional. n sunt nedescrescătoare.X2.y1) + F(x1.….yj+1. 1≤j≤n. astfel încât orice funcţie de repartiţie n-dimensională are proprietăţile amintite şi reciproc. xn) = 0 x i →−∞ 4) x1 →+∞ .x2.yi+1..yn) ∈Rn astfel încât xj < yj.xn) ∈Rn.y2) .+( −1) n FX(x1..xn).. xi.….x2.X2(ω).. adică: lim FX (x1.Xn).Xn(ω)) ∈ [x1.. k ∈1.∑ Pi + ∑ Pij − i=1 i < j =1 n n i < j< k =1 ∑P n ijk +.yn)) ≥ 0. 1≤ i ≤ j ≤ n şi aşa mai departe. xn) ≥ 0 unde: Pi = FX(y1...F(x2.. are loc: FX(y1.X-1(B) = {ω:(X1(ω).xi.…. xk+1.X2(ω).…...….Xn(ω) < xn}) Ca şi în cazul unidimensional.….x2) ≥ 0 care. x2≤X2<y2) ≥ 0 Să considerăm mulţimea (x1.y2).…. Ea reprezintă faptul că: P(ω:(X1(ω). X2(ω) < x2.xi. cu Pijk.. adică FX este nedescrescătoare în raport cu fiecare argument.yi+1. Numim funcţie de repartiţie n-dimensională a variabilei aleatoare vectoriale X=(X1. x n →+∞ lim FX (x1.. 5) Pentru orice două n-upluri (x1. X:Ω→Rn este variabilă aleatoare n-dimensională dacă {ω:X1(ω) < x1. funcţia F:Rn→[0. yn) .y1)⋅[x2. y2. X2(ω) < x2.

∫ f (u .1 + 0 = -1 şi.x2. X2(ω)<y2} ∪ {ω:X1(ω)<y1. în rest Deci....…. x2≤X2(ω)<y2} = = {ω:X1(ω)<y1. y) = ⎨ ⎩1 . iar pe D2 = C R 2 D1 ia valoarea 1. deci. X2(ω)<y2}].1] care au proprietăţile (1)-(4) şi care nu pot fi funcţii de repartiţie. 1 2 n 1 2 n xn −∞ atunci funcţia f poartă numele de densitate de repartiţie n-dimensională a vectorului aleator (X1.1) + F(1..y2 x2 0 x1 y1 u1 Cum {ω: x1≤X1(ω)<y1. În acest caz. deoarece nu îndeplinesc proprietatea (5). expresia dată de (5) nu poate reprezenta probabilitatea unui eveniment. F(2. X2<x2} A1∩A2 = {X1<x1. Iată.0) Să luăm acum y1=y2=2.…. X2<y2} ⊃ A1∪A2 = {X1<x2. în cazul n=2. pe D1={(x. un exemplu care justifică afirmaţia.. Din definiţia dată. u ) du du .…..F(2.. xn) = −∞−∞ ∫ ∫ . X2(ω)<y2} .x2. dacă x ≤ 0 sau y ≤ 0 sau x + y ≤ 2 F(x. astfel încât: x1 x 2 F(x1.y)⏐x≤0 sau y≤0 sau x+y≤2} F ia valoarea zero. Fie F:R2→R definită prin: ⎧0 .1 .du .Xn).xn)∈Rn . u . x1=x2=1.2) D2 D1 (2. Să observăm că există funcţii F:Rn→[0.xn)≥0 oricare ar fi (x1..F(1. iar şi A = {X1<y1.X2..[{ω:X1(ω)<x1... Să introducem acum noţiunea de densitate de repartiţie n-dimensională. Dacă există o funcţie f:Rn→R continuă şi integrabilă pe Rn.2) . se obţine imediat rezultatul.1) = 1 . rezultă imediat că funcţia f are proprietăţile: (i) f(x1. Luând probabilitatea şi folosind proprietăţile acesteia. (0.2) . X2<x2}≠∅.. X2<y2} ∪ {X1<y1.

. ∂x1 ∂x2. să avem: P( I X α < aα )) = ∏ P( X α < aα )) .. Condiţia necesară şi suficientă ca (Xα)α∈I să fie independente este ca pentru orice J⊂I. xn ) = Fx 1 ... i ∈1. Acelaşi lucru este valabil în cazul densităţilor de repartiţie ndimensionale... ... u ... xi + 1. xi − 1... relativ la independenţa variabilelor aleatoare. xn) .…. Familia (Xα)α∈I este o familie de variabile aleatoare independente.Xk. dacă pentru orice J⊂I...x2.….. ∂xn şi că f(x1...P}. ∂xn n ∂ F(x1..x2.x2. xi k ) . Dacă F(x1..Xn)..... xk + 1. Xi k şi obţinem FXi1 .xn)= Să considerăm acum câmpul de probabilitate {Ω. xn ) = Fi( xi )..Xn) atunci: x1 →∞ ..….. x 2. xi 2 ..xn) este funcţie de repartiţie a vectorului aleator (X1.X2. Analog. x k ( x1.xn) este densitatea de repartiţie a vectorului aleator (X1..Xn)... Definiţie. Xi 2 . x2..…...…. x 2.Xi 2 . putem introduce o repartiţie marginală relativ la k variabile ..du 1 2 n 1 2 ∞ ∞ ∞ n =1 −∞ ∂ n F(x1.X2. J finită. xk .. atunci densitatea de repartiţie marginală a variabilei Xi este dată de: . importantă în aplicaţii.. α∈J α ∈J α ∈J Vom introduce acum noţiunea de funcţie de repartiţie marginală.. de exemplu. aα∈R. xn) Tot din definiţie rezultă că există ∂x1 ∂x2. ... xi −1 →∞ xi +1 →∞ . . u ) du du . ...Xi k ( xi 1 ... Astfel.. x n →∞ lim F ( x1.. (Xα)α∈I o familie de variabile aleatoare (I fiind o familie de indici).…. atunci x k +1 →∞ . xk ) . 1 ≤ k < n. x n →∞ lim F ( x1. ceea ce se poate exprima imediat când este vorba de variabilele Xi 1 .K.... Astfel. xi.. Teoremă....…... dacă alegem primele k variabile ale vectorului (X1.X2.. x2. n se numeşte funcţie de repartiţie marginală a variabilei Xi...(ii) −∞−∞ ∫ ∫ . dacă f(x1. ∫ f (u . J finită şi orice familie de mulţimi boreliene (Bα)α∈J are loc relaţia: −1 −1 P( I X α ( Bα )) = ∏ P( X α ( Bα )) α ∈J α ∈J Se poate demonstra următoarea teoremă.

se obţine: f X1..* i = ( 1. Xn = x ) i1.. xi + 1. xi . n) ∈ k+1⋅. Xn ) : ⎜ P (i1. xn)∏ dx j −∞ j ≠i j =1 ∞ ∞ n Desigur că. repartiţia marginală a variabilei Xk este ⎛ x ik Xk : ⎜ ⎜P ⎝ *. Dacă (X......Xn) sunt variabile aleatoare discrete.*ik*..⋅In⎟ ⎟... xk) = dx j ∫ . x i2 . ⎠ i i i i II I I Ca şi în cazul variabilelor aleatoare de tip continuu.....i2.. n) ∈ 1⋅ 2⋅....ik*.⋅ n ∑ I P i1.. y)dx -∞ -∞ ∞ ∞ În cazul discret.* unde: P *.. y) y →∞ x →∞ f1(x) = ∫ f(x.X2......y) şi densitatea de repartiţie f(x. F2(y) = lim F(x.....X2.ik+1.* ⎞ ik ∈ Ik⎟ ⎟.i2... ..i2..in ( k+1. ⎝ i1.....Y) este un vector aleator cu funcţia de repartiţie F(x.. X2 = x . în mod asemănător....y) .in Să vedem ce devin aceste relaţii pentru n=2 atât în cazul continuu. X2.i2..Xk (x1.* k*....... xi....y).. ...f Xi (xi) = −∞ ∫ . P = i1. ∫ fi (x1. k-1.i2.⋅ k-1⋅ k+1⋅. ....... y)dy.. y)...in i1 i2 in Atunci.. atunci repartiţia n-dimensională este dată de: ⎛ (x i1 .. 1 ≤ j ≤ n cel mult numărabile...ik... atunci: F1(x) = lim F(x.. f2(y) = ∫ f(x..in ⎠ Ij..... x in ) ⎞ ⎜ ( X1..1.. in) ∈ I1 ⋅ I2⋅..⋅ n i i ∑ I I P i1. −∞ ∫ fi (x1..... i2.... iar P = P(X1 = x . k+1.. cât şi în cel discret. ... xn) j∏ = k +1 −∞ 144 4 244 4 3 n− k ∞ ∞ n Dacă componentele vectorului aleator X=(X1. x2.…... fie repartiţia vectorului (x.

.….Xn sunt independente dacă şi numai dacă F(x1....2. i=1.….. X2.….⎛ (xi. variabilele aleatoare X1. Y=yj). în cazul în care există densităţi de repartiţie.. .X2.2..Xn ale unui vector aleator (X1..Xn sunt de tip discret vom avea p oricare ar fi ik∈Ik. j=1. .. j = 1..….X2... f(x1. ....*in i1*.* Pentru n=2 relaţiile devin: F(x. x2.…. Deci.. m..2. yi) ⎞ i = 1. k=1.2. m.. j = 1. n O noţiune importantă pentru aplicaţii o constituie cea de repartiţie condiţionată. p . i1i2..2. ne vom referi la densitatea de repartiţie condiţionată în cazul continuu şi repartiţie condiţionată în cazul discret. x2. Având în vedere aplicaţiile.….Xn).n... **.* *i2*.. 2.... 2.in =p p ..... m.. i = 1.m. 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 m n m n * j =1 Cu ajutorul funcţiilor de repartiţie marginale putem exprima acum simplu condiţia de independenţă a componentelor X1..y) = f1(x) ⋅ f2(y) Pij = Pi* ⋅ P*j . xn) = ∏ fj(xj) j=1 n Dacă X1.. precum şi dificultăţile care apar în tratarea acestei noţiuni..…. xn) = ∏ Fj(xj) . p * j = ∑ pij. (X... Y) : ⎜ ⎝ pij ⎠ pe care să o scriem sub forma tabelului de mai jos: Y X x1 x2 … xi … xm p*j unde am pus: pij=P(X=xi.n pi* = ∑ pij.2... n⎟ . ..2.. i = 1. j=1 n sau.y) = F1(x) ⋅ F2(y) f(x. j = 1.X2. pentru cazul particular n=2.

y) cu componentele X şi Y variabile aleatoare discrete. se defineşte densitatea de repartiţie a variabilei aleatoare X condiţionată de Y=y şi pe care o vom nota f(x/y) prin: f(x. în rest ⎩ Să se determine: (a) Densităţile de repartiţie marginale.Y). y) ∈(0. y)dy = ⎨ 1 20 10 −∞ ⎪ 0 . (d) Densităţile de repartiţie condiţionate. y)dx = ⎨ 0 20 10 −∞ ⎪ 0 . y) dy ∞ În cazul vectorilor aleatori (x. y ∉(1. y) = ⎨ 20 ⎪ 0 .2)x(1. y) −∞ ∫ f(x. y) dx −∞ În mod analog.2) f1(x) = ∫ f(x. i∈I. x ∈(0. y) f(x / y) = = ∞ f2(y) ∫ f(x.Fiind dat vectorul aleator (X. j∈J P(X = xi) pi * Exemplu.2) ⎩ ⎧2 1 y+3 ⎪∫ (x + y + 2)dx = . y) f(x. Soluţie: (a) Din definiţia densităţilor de repartiţie marginale rezultă: ⎧3 1 x+4 ∞ ⎪∫ (x + y + 2)dy = . (b) Funcţiile de repartiţie marginale. x ∉(0. j ∈ J X / Y = yj : ⎜ ⎝ P(X = xi / Y = yj ⎠ şi analog: ⎛ yj / X = xi ⎞ j ∈J⎟ . Se consideră vectorul aleator (X.Y).3) f(x. (c) Funcţia de repartiţie a vectorului aleator (X.3) f2(y) = ∫ f(x.3) ⎩ ∞ .Y) cu densitatea de repartiţie: 1 ⎧ ⎪ (x + y + 2) . dacă (x. y ∈(1. avem: ⎛ xi / Y = yj ⎞ i ∈ I⎟ . y) = f1(x) f(x. Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi. avem densitatea de repartiţie cu variabile aleatoare y condiţionată de X = x: f(y / x) = f(x. i ∈I Y / X = xi : ⎜ ⎝ P(Y = yy / X = xi ⎠ P(X = xi. Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = .

2) f1(x) ⎪ 0 . Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare. y) ∈(0. (∀) x∈(0. ∞ ) .−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y . v) du dv = .5.3] .0] sau y ∈(-∞. Numim moment de ordin k al variabilei aleatoare X numărul . y) ⎪ . Este vorba de momentele obişnuite şi centrate de diferite ordine. y ∈(1. (x.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) . y) ⎪ .3) f(y / x) = = ⎨ 2(x + 4) .1] . ∞ )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) Densităţile de repartiţie condiţionate: ⎧x + y + 2 f(x.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 . y) ∈(2. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie. (∀) y∈(1.2) f(x / y) = = ⎨ 2(y + 3) . Momente obişnuite şi centrate.2) ⎩ ⎧x + y + 2 f(x. y) ∈(2. (x. y) ∈(0.x > 2 ⎪ ⎩ ⎧ .0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . (x. x ∈( −∞.2]x(1. ∞ )x(1.2]x(3. x ∉ (0. y) = (c) −∞ −∞ ∫ ∫ f(u. y ∉(1. (x. x ∈ (0.y> 3 ⎪ ⎩ F(x.3] .3) ⎩ 2.(b) ⎧ . Definiţie.3) f2(y) ⎪ 0 .7) .

Înainte. J cel mult numărabilă. Fiind dat vectorul aleator X = (X1. Definiţie. iar dacă X este de tip discret. dacă acesta există. Mk(X) = ∑ | x j | P(X = xj) . Numim moment absolut de ordinul k al variabilei aleatoare X numărul Mk(X) . însă.k2. Definiţie. care joacă un rol tot atât de important ca şi cele obişnuite. k j∈J -∞ ∞ Să definim acum momentele centrate. iar dacă X este de tip discret. în ipoteza că seria este convergentă. Numim moment centrat de ordinul k al variabilei aleatoare X numărul µk(X).…. definit prin: Mk(X) = Mk(| X| ) = ∫ | x| k dF(x) -∞ ∞ Dacă variabila aleatoare X are densitate de repartiţie.kn numărul . Radical din dispersie poartă numele de abatere medie pătratică. atunci: Mk(X) = ∑ x k j P(X = xj) .Xn).…. j∈J J cel mult numărabilă. Momentul centrat de ordinul doi poartă numele de dispersie a variabilei aleatoare X şi o vom nota µ2(X) sau D2(X) sau σ2X. µk(X) = ∑ x j − M(X)) k P(X = xj) . definit prin: µk(X) = ∫ (x − M(x)) k f(x ) dx -∞ ∞ Dacă variabila aleatoare X are densitatea de repartiţie f(x).X2. atunci: µk(X) = ∫ (x − M(x)) k f(x ) dx . Un caz important pentru aplicaţii este acela în care există densitatea de repartiţie f a variabilei aleatoare X şi atunci: Mk(X) = −∞ ∫x ∞ k f(x) dx (în ipoteza că există integrala Riemann improprie). dacă integrala Stieltjes există.Mk(X) = −∞ ∫x ∞ k dF(x) . j∈J -∞ ∞ Momentul de ordinul unu poartă numele de valoare medie şi vom scrie M1(X)=M(X). Momentele centrate de ordinul k se pot exprima cu ajutorul momentelor obişnuite până la ordinul k. dacă acesta există. Pentru aceasta avem nevoie însă de unele proprietăţi ale valorii medii pe care le vom da în cele ce urmează. Dacă X este variabilă aleatoare discretă. numim moment mixt de ordinul k1. să introducem noţiunea de moment mixt. Mk(X) = ∫ | x| k f(x) dx . inclusiv.

. Xn) = −∞ ∫ .. Dacă vectorul aleator (X1....xn). X 2 = x j2 .dxn ∞ −∞ (în ipoteza că integrala multiplă de ordinul n există).(xj n . iar dacă vectorul (X1. x2... xn) dx1...Xn) are densitatea de repartiţie f(x1. ...Xn) = j 1∈J 1 ∑ ..0..X2.. x jn P(X1 = x j1 .........kn (X1X2. x2. xn) ∏ dxj −∞ j=1 ∞ n ......x2... X n = x jn ) Analog.... −∞ j=1 ∞ n n ∞ n sau.xn)... xn) −∞ ∞ dacă există integrala Stieltjes multiplă. ∫ x k p f(x1..M(Xj)) kj f(x1. Xn) = µ k1k2...…... x2..k n (X1X2...kn (X1X2.. ∫ ∏ (xj .x2.kn (X1X2. x n f(x1.....M(Xj)) kj dn F(x1.. µk1k2.. ∫ x1k1 x 2 ... când există densitatea de repartiţie f(x1.M(X1 )) k1 .kn (X1X2..kn (dacă ele există): µ k1k2..Xn) = −∞ ∫ ∞ k2 kn ..... x2...Xn) este de tip discret.0 (X1X2. Xn) = −∞ ∫ ∞ ....X2...…...k...M(X n )) k n P(X1 = x j1 ..0..…. atunci M k1k2. ∑ (xj1 .kn (X1X2. −∞ ∫ ∞ ..k2. ∫ x1k1 x 2 .. X n = x jn ) j 1∈J 1 jn ∈Jn Din momentele mixte se pot obţine momentele variabilelor aleatoare unidimensionale obişnuite sau centrate: Mk(Xp) = M 0..M k1k2... ∫ ∏ (xj ...…... ∑ x jn ∈Jn ∞ k1 j1 kn 2 ⋅ xk j2 ... xn) .Xn) = ∑ .….. x n dn F(x1. xn) ∏ dxj −∞ j=1 j=1 iar în cazul variabilelor aleatoare discrete.. se definesc momentele centrate de ordinul k1.. M k1. x2... Xn) = −∞ ∫ ∞ k2 kn .

x2) dx1dx2 + ∞ 2 −∞ ∞ -∞ −∞ ∞ ∫ ∫ x f(x .. x2) dx1dx2 = ∫ ∞ ∞ 2 1 ∞ ∞ .. x ) dx ) dx 1 1 2 −∞ + -∞ ∫ x ( ∫ f(x .Xn sunt independente în totalitate şi că vectorul (X1. atunci X are repartiţia X : ⎜ ⎟ şi deci FX(x) = ⎨ ⎝1 ⎠ ⎩1. ⎧0.. k∈N (2) M(aX) = a M(X) (3) M( ∑ ajXj) = ∑ ajM(Xj) j=1 n j=1 n n (4) M( ∏ Xj) =∏ M(Xj) . j∈J (3) Este suficient să demonstrăm proprietatea pentru n = 2..dxn = −∞ n ∞ n ∞ −∞ ∫ ∞ . în ipoteza de independenţă. Demonstraţie.Xn) = −∞ ∫ ∞ ..∞ −∞ ∫ x1 f(x1..Xn) are densitatea de repartiţie f(X1.M(xp)) kj f(x1.X2.. xn) ∏ dxj ..Xn (x1. prin inducţie după n şi folosind proprietatea (2). 0.Xn)( x1. ∫ x1x2. j=1 j=1 n n .….k .Xn)( x1. atunci: a X : ⎜ j ∈ J ⎟ şi deci ⎝ P(X = xj) ⎠ M(aX) = ∑ (aXj) P(X = xj) = aM(X) .Xn sunt independente (în totalitate). apoi.…...xn f(x1)f(x2). ∫ ∏ (xp .X2.f(xn) dx1. este f(X1. ⎛ axj ⎞ (2) Este suficient să demonstrăm în cazul X discretă. 0 .X2..n..xn f X1X2. va rezulta: = M (X1X2.....….. x > c k k şi de aici urmează M(X ) = c ... x ) dx ) dx 2 1 2 1 −∞ = ∫ x1 f1(x1) dx1 + ∫ x2 f2(x2) dx2 = = M ( X 1) + M ( X 2 ).0 (X1X2... xn) dx1. −∞ j=1 j=1 ∞ n n Frecvenţa de utilizare a valorii medii şi dispersiei în aplicaţii sau în tratarea unor aspecte teoretice impune un studiu al proprietăţilor acestora.dxn = ∏ ∫ xjfj(xj) dxj = ∏ M(Xj) −∞ j=1 -∞ j=1 ∞ adică M(∏ Xj) = ∏ M(Xj) ..2.. (4) Presupunând că X1..x2. rezultă afirmaţia.X2) are densitatea de repartiţie f(x1.…. Vom presupune pentru simplificare că vectorul (X1...X2.…. x ) dx dx 2 1 2 1 −∞ ∞ ∞ 2 = = -∞ ∫ x ( ∫ f(x .... x ≤ c ⎛ c⎞ (1) Dacă X = c cu probabilitatea 1.. atunci M(Xk) = ck.∞ −∞ ∫ ∞ ∫ ( x1 + x2)f(x1..Xn) = −∞ ∫ ∞ . Operaţia valoarea medie are următoarele proprietăţi: (1) Dacă variabila aleatoare X=c (constantă) cu probabilitatea 1.x2.x2) şi atunci urmează că: M(X1 + X2) = ∞ ∞ . a1 = a2 = 1. j=1 j =1 n dacă X1.….µk(Xp) = µ0. x2...xn) = f1(x1)f2(x2)…fn(xn).. p=1.X2. Propoziţie. x2.. ∫ x1x2.xn) care.…..….

M(X))2] = a2D2(X) ⎛ 0⎞ 2 ⎜ ⎟ . . Dacă.M(X))2] = M[X2 . Au loc următoarele proprietăţi pentru momentul centrat de ordinul doi: (1) Dacă X = c (constantă) cu probabilitatea 1.M(X) o vom numi variabilă aleatoare abatere şi.X2. dat fiind faptul că: ⎡ X .M(aX))2] = M[a2(X .M(x) : ⎝1 ⎠ 2 (2) D (aX) = M[(aX . deci.X2. D 2 ⎢ ⎥ ⎥ =1 ⎣ D( X ) ⎦ ⎣ D( X ) ⎦ Propoziţie. folosind proprietăţile valorii medii. 2 j=1 n X .M(X)) = 0. ⎝1 ⎠ (3) Aplicăm definiţia dispersiei: D 2 ( ∑ ajXj) = M2( ∑ ajXj) . atunci D2(X) = 0.….Xn sunt independente două câte două.M(X) ⎤ M⎢ = 0.M 2 ( ∑ ajXj) j=1 n j=1 j=1 2 M 2 ( ∑ ajXj) = ( ∑ ajM(Xj)) 2 = ∑ a 2 j M (Xj) + 2 j=1 n j=1 j=1 n n n n n n n 1≤ j< k ≤ n ∑ a a M(X )M(X ) j k j k 2 2 M ( ∑ ajXj) = M (( ∑ ajXj) ) = ∑ a 2 j M (X j ) + 2 2 2 j=1 j=1 j=1 1≤ j< k ≤ n ∑ a a M(X X ) j k j k Cum variabilele X1. (2) D2(aX) = a2D2(X). există M2(X) atunci. rezultă că M(X) = c şi X . 2 (3) D ( ∑ ajXj) = ∑ a 2 j D (Xj ) .Observaţie. atunci X . dacă X1. rezultă că: M(XjXk) = M(Xj)M(Xk) şi. Dacă variabila aleatoare X are valoare medie şi dispersie.M(X) .2M(X)X + M2(X)] = M(X2) . în plus.M(X) ⎤ ⎡ X . Dacă X este o variabilă aleatoare pentru care există M(X). va rezulta imediat că: M(X . adică D (X)=0. ⎛ c⎞ (1) Cum X are repartiţia X : ⎜ ⎟ . D( X ) n j =1 Demonstraţie.M2(X).….Xn sunt independente două câte două. pornind de la definiţie şi folosind proprietăţile valorii medii. vom obţine: D2(X) = M[(X .M2(X) = M2(X) . atunci are sens pe care o vom numi abatere normală.

de exemplu. se introduce noţiunea de asimetrie a unei variabile aleatoare pentru care există µ2(X) şi µ3(X).. coeficientul de asimetrie al variabilei X este µ (X) γ 1 = 33 µ2 / 2 ( X ) Se constată imediat că acest coeficient are acelaşi semn cu momentul µ3(X). iar cele cu γ2 < 0 .. Într-adevăr.M (X j )] = ∑ a 2 j D (Xj) j =1 2 j 2 j=1 n Aşa după cum am amintit. Repartiţiile pentru care γ2 = 0 se numesc mezocurtice. Pentru variabilele aleatoare pentru care există µ2(X) şi µ4(X) se introduce coeficientul de exces prin expresia: µ (X) γ 21 = 4 −3 µ22 ( X ) Acest coeficient caracterizează gradul de aplatizare a graficului densităţii de repartiţie faţă de graficul densităţii de repartiţie normală: 1 −x2 /2 . Mk ( X ) = ∑ Ckj µ k − j ( X ) M j ( X ) j=0 k Alte valori tipice ale variabilei aleatoare se pot introduce de la momentele obişnuite sau centrate.. Să considerăm acum două exemple pentru care să punem în evidenţă coeficienţii de asimetrie şi de exces. De aici rezultă că asimetria este pozitivă dacă valoarea modală este situată în stânga valorii medii şi negativă în caz contrar.⎟ ⎟ ⎜e ⎠ ⎝ k! .2.1. µk ( X ) = Mk[ X − M ( X )] = M [( X − M ( X )) k ] = ∑ ( −1) j Ckj Mk − j( X ) M j ( X ).2 2 D 2 ( ∑ ajXj) = ∑ a 2 j M (X j ) + 2 j=1 j=1 2 j n n n 1≤ j< k ≤ n ∑ ajakM(Xj)M(Xk) − ∑ a 2j M 2 (X 2j ) . Ca aplicaţie a proprietăţilor valorii medii putem acum să arătăm că momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de ordin cel mult k şi reciproc. µ 2 ( X ) = D( X ) = σ X este abaterea medie pătratică a variabilei aleatoare X. Aşa. f (x) = e 2π pentru care γ2 = 0.2 j =1 n 1≤ j< k ≤ n ∑ a a M(X )M(X ) = j k j k 2 = ∑ a [M(X ) . cele cu γ2 > 0 leptocurtice.platocurtice. k ∈ Ν * j=0 k şi reciproc. Prin definiţie. Se consideră variabila aleatoare Poisson ⎞ ⎛k ⎟ ⎜ k X : ⎜ -λ λ k = 0.

pozitiv asimetrică µ2 ( X ) θ6 µ4 ( X ) 9θ 4 γ2 = 2 − 3= 4 − 3= 6.x > 0 ⎪ ⎪ e f(x) = ⎨θ θ>0 ⎪ 0 . µ2 ( X ) θ deci o repartiţie leptocurtică. ∞ x 1 k −θ M k (X) = ∫ x e dx = θ k Γ ( k + 1) θ 0 M1(X) = θ M2(X) = 2θ2 M3(X) = 6θ3 M4(X) = 24θ4 µ1(X) = 0 µ2(X) = θ2 µ3(X) = 2θ3 µ4(X) = 9θ4 µ3 ( X ) 2θ 3 γ 1 = 3/ 2 −3= = 2 .3M(X)M(X) + 2M3(X) = λ.şi variabila aleatoare Y repartizată exponenţial negativ. . M(X) = ∑ ke -λ k=0 ∞ λx k! =λ = λe -λ ∑ k k=1 M2(X) = ∑ k 2 e -λ k=0 ∞ λx k! ∞ ∞ ⎡ ∞ λk-2 λk-1 ⎤ = e -k λ ⎢λ ∑ +∑ = λ2 + λ ⎥ ( k − 1)! ⎣ k=2 ( k − 2)! k=1 ( k − 1)!⎦ 2 λk-1 M3(X) = ∑ k e k=0 ∞ 3 −λ λ x k! = e λ∑ k -λ k=1 ∞ λk-1 ( k − 1)! = e λ ∑ [( k − 1) + 2( k − 1) + 1] −λ 2 k=1 ∞ λk-1 ( k − 1)! = = λ3 + 3λ2 + λ M4(X) = ∑ k e k=0 ∞ 4 -λ λx k! = λ4 + 4λ3 + 8λ2 + 2λ Întrucât µ2(X) = λ şi µ3(X) = M3(X) .x ≤ 0 ⎪ ⎩ Atunci. de parametru λ: x ⎧ 1 −θ . rezultă: γ1 = µ3 ( X ) λ 1 = 3/ 2 = 1/ 2 > 0 3/ 2 µ2 ( X ) λ λ ceea ce înseamnă că repartiţia Poisson este asimetrică (pozitiv asimetrică) 1 2 3 M 3 ( X ) M ( X ) + C4 M 2 ( X ) M 2 ( X ) − C4 M 4(X) + M 4(X) = µ 4 ( X ) = C40 M 4 ( X ) − C4 = 2λ (1 + 2λ − λ 2 ) µ4 ( X ) 2λ (1 + 2λ − λ 2 ) −3 −3= γ2 = 2 µ2 ( X ) λ2 (1 + λ ) 2 În cazul repartiţiei exponenţiale.

Inegalităţi pentru momente. care mai poate 9 9 fi scrisă 8 P(ω : M ( X ) − 3σ X < X (ω ) < M ( X ) + 3σ X ) ≥ . r > 1. are loc inegalitatea: D2 ( X ) P(ω:| X (ω ) − M ( X )| ≥ ε ) ≤ 2 ε Pentru a dovedi acest lucru. 9 motiv pentru care este cunoscută şi sub numele de “regula 3σX”. 2.b∈R.Inegalitatea lui Cebîşev. pornim de la expresia dispersiei: D 2 ( X ) = ∫ ( x − M ( X )) 2 dF ( x ) = R | x − M ( X )|≥ ∫ ( x ε− M ( X )) 2 2 dF ( x ) + | x − M ( X )|< ∫ ( x ε− M ( X )) 2 dF ( x ) ≥ ≥ | x − M ( X )|≥ε ∫ ( x − M ( X )) 2 dF ( x ) ≥ ε ⋅ 2 | x − M ( X )|<ε ∫ dF ( x ) = ε D2 ( X ) P(ω:| X (ω ) − M ( X )| ≥ ε ) Deci. + = 1. Vom pleca de la inegalitatea | ab| ≤ 1 2 1 2 (M2(|Y|)) . Această inegalitate celebră leagă posibilitatea abaterii în valoare absolută de dispersia variabilei aleatoare şi intervine în numeroase aplicaţii. ( M (|/ Y | sr ))1/ s ( M (| X | )) şi înlocuim în inegalitatea considerată. Dacă X este o variabilă aleatoare pentru care există M(X) şi D2(X). a. P(ω:| X (ω ) − M ( X )| ≥ ε ) ≤ ε2 P(ω :| X (ω ) − M ( X )| ≥ ε ) + P(ω :| X (ω ) − M ( X )| < ε ) = 1. atunci. . r s Pentru r = s = 2 obţinem un caz particular. s r r s Dacă luăm obţinem: a= X X b= r 1/ r . atunci există M(|XY|) şi 1 1 1 1 r M(|XY|) ≤ Mr(| X| ) Ms(|Y| ) s . 1 8 Dacă luăm ε = 3σX. obţinem: P(ω:| X (ω ) − M ( X )| < ε ) = 1 − P(ω:| X (ω ) − M ( X )| ≥ ε ) ≥ 1 − . cu ajutorul inegalităţii lui Cebîşev putem evalua o limită inferioară a probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii. Inegalitatea lui H lder Dacă X şi Y sunt variabile aleatoare astfel încât există Mr(|X|) şi Ms(|Y|). atunci P(ω :| X (ω ) − M ( X )| < 3σ X ) ≥ 1 − = .6. pentru orice ε > 0. Dacă acum ţinem seama de egalitatea D2 ( X ) ε2 Aşadar. inegalitatea lui Schwartz: M(|XY|) ≤ (M2(|X|)) Demonstraţie. unde r > 1 ş i + = 1 . | a| r | b| s 1 1 + .

r 1 r Inegalitatea lui Liapunov (proprietatea de monotonie a momentelor). M(|XY|) ≤ Mr(| X| ) 1 r 1 Ms(|Y| ) s . deci. Demonstraţie. Presupunem deci r >1 şi 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 Aplicând inegalitatea lui Hlder pentru fiecare termen din ultima sumă obţinem: 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.1)s = r. inegalitatea lui Schwartz. Inegalitatea lui Minkowski.| XY | | X |r | Y|s ≤ + ( M (| X | r ))1/ r ( M (| Y | ) s )1/ s rM (| X | r ) s( M (| Y | ) s ) Aplicând operatorul valoare medie. Dacă există M(| X| ) şi M(|X| ) . care este tocmai inegalitatea considerată. Pentru r = 1 inegalitatea este evidentă. aşa cum am menţionat. r1 r2 r1 r2 1 r2 1 r2 . deci. Demonstraţie. se obţine: 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 şi. 0 < r1 ≤ r2 atunci (M(| X| )) ≤ (M(|X| )) .= se obţine: s r 1 M(|X+Y |) ≤ M(|X| ) r r r 1 r + M(|Y| ) . 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 Împărţind cu M(| X + Y| s(r-1) ) s şi ţinând seama de faptul că (r . atunci există M(|X+Y|r) şi avem: r 1 M(|X+Y| ) ≤ M(|X| r ) r r 1 r 1 + M(|Y| r ) r . 1. În cazul în care r = s = 2 se obţine de aici. Dacă X şi Y sunt variabile aleatoare astfel încât M(|X|r) şi M(|Y| ) există pentru r ≥ 1.

2. Numim corelaţie (covarianţă) a variabilelor X şi Y momentul mixt µ11 = M[(X. în rest . Definiţie. alegem s astfel încât r s r1 2 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 rezultă imediat că (M(|X| r1 )) r1 ≤ (M(|X| r2 )) r2 . cu densitatea de repartiţie bidimensională: ⎧ 1 2 2 ⎪ 4 [1 + xy(x − y )] f(x.Y) şi asupra componentelor facem ipoteza că există M2(X) şi M2(Y).M(X)M(Y) Prin definiţie. Acest indicator măsoară existenţa legăturii stochastice între variabilele X şi Y. atunci ele sunt necorelate. Să considerăm vectorul aleator (X.Y).Pentru r1 = r2 inegalitatea este adevărată.M(X))] Adesea se mai notează µ11 = cov(X. y) ∈[−1. cu semnul egal. (x. Reciproc nu-i adevărat întotdeauna.M(X)) (Y .1] . y) = ⎨ ⎪ 0 ⎩ Dintr-un calcul simplu rezultă imediat că: . Presupunem deci că r1 < r2 şi atunci r2 1 1 + = 1 şi să aplicăm inegalitatea lui Hlder aşa cum rezultă > 1 . lucru ce se poate constata pe următorul exemplu. Corelaţie şi coeficient de corelaţie. variabilele X şi Y se numesc necorelate dacă µ11 = 0. Se consideră vectorul aleator (X.Y).7. Din definiţia corelaţiei rezultă imediat că µ11 = M(XY) .1]x[−1. Aceasta înseamnă că: M(XY) = M(X)M(Y) Dacă variabilele X şi Y sunt independente.

Oricare ar fi variabilele aleatoare X. f1 (x) = 1 1 1 + xy(x 2 − y 2 )]dy = . (3) | ρ XY | = M[( X − M ( X ))(Y − M (Y ))] M ( ( X − M ( X ))(Y − M (Y )) ) ≤ ≤ D( X )D(Y ) D( X )D(Y ) .1 M(X) = ∫ 4 −1 − 1 ∫1 4− 1 1 1 −1 ∫ 1 1 x[1 + xy(x − y )] dx dy = ∫ 4 −1 2 2 1 −1 ∫ 1 1 x dx dy + ∫ 4 −1 1 −1 ∫ 1 x 4 y dx dy − −1 ∫ 1 1 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 ∫1 4− 1 ∫ 1 1 xy[1 + xy(x − y )] dx dy = ∫ 4 −1 x 2 y 4 dx dy = 0 −1 ∫ 1 1 xy dx dy + ∫ 4 −1 1 −1 ∫ 1 x 4 y 2 dx dy - −1 ∫ 1 Deci µ11 = 0. Definiţie. y∈[-1.Y sunt independente. (1) rezultă imediat. Intensitatea legăturii stochastice a două variabile aleatoare se poate măsura cu ajutorul unor indicatori numerici dintre care cel mai frecvent întâlnit este coeficientul de corelaţie. (2) X. au loc proprietăţile: (1) ρXY = 0 dacă şi numai dacă variabilele aleatoare X. Pe de altă parte. Faptul că invers nu-i adevărat rezultă imediat din exemplul anterior. reciproca nefiind adevărată. x∈[-1. atunci ρXY = 0. f(x.Y astfel încât D2(X)D2(Y) ≠ 0. (3) |ρXY| ≤ 1.1] 4 −1 2 şi.Y două variabile aleatoare pentru care există D2(X) şi D2(Y).1] [ ∫ 4 −1 2 1 1 1 1 f 2 (y) = ∫ [1 + xy(x 2 − y 2 )]dx = . Numim coeficient de corelaţie al variabilelor X.Y independente înseamnă M(XY) = M(X)M(Y) şi deci conv(XY) = 0.Y sunt necorelate. ceea ce înseamnă că variabilele X şi Y nu sunt independente.Y = = D(X)D(Y) D 2 ( X )D 2 (Y ) Teoremă. (4) |ρXY| = 1 implică o dependenţă liniară între variabilele X şi Y. evident.y) ≠ f1(x)f2(y). (2) Dacă X. Demonstraţie. ceea ce conduce la ρXY = 0. din însăşi definiţia coeficientului de corelaţie.Y raportul: µ11 M ( XY ) − M ( X ) M (Y ) ρ X. Fie X. adică variabilele X şi Y sunt necorelate.

atunci. adică o dependenţă liniară. X'= M (( X − M ( X )) 2 ) M ((Y − M (Y )) 2 ) + ± 2 M ( X ' Y ' ) = 2 ± 2( ±1) = 0 D2( X ) D 2 (Y ) şi. prin definiţie.( M (| X − M ( X )| 2 ))1/ 2 ( M (| Y − M (Y )| 2 ))1/ 2 ≤ =1 D( X )D(Y ) (4) Fie a. a ≠ 0 şi să luăm Y = aX + b. Vom lua în consideraţie doar cazurile importante. ρXY = a ⎧− 1 =⎨ | a| ⎩1 . 2 M [( X − M ( X ))( aX + b − aM ( X ) − b)] aM ( X − M ( X )) .a > 0 şi. Dacă variabila aleatoare X are repartiţia ⎛xj X: ⎜ ⎝ P(X = x j ) ⎞ j ∈J⎟ ⎠ şi dacă A este un eveniment cu P(A) ≠ 0. deci.b ∈ R. M(X’Y’) = ρ XY = ±1. y − M (Y ) x − M( X ) x − M( X ) y − M (Y ) şi se numesc drepte = λ1 = λ2 D(Y ) D( X ) D( X ) D(Y ) de regresie şi se intersectează în punctul (M(X)M(Y)). Ţinând cont de modul în care s-au definit cele două variabile aleatoare rezultă: X − M( X ) Y = M (Y ) ± D(Y ) D( X ) M (| X '±Y '| 2 ) = ceea ce dovedeşte că: Y = b ± aX. = ρ XY | = D( X ) D( aX + b) | a| D 2 ( X ) [ ] Deci. Y' = D( X ) D(Y ) Atunci. atunci ρ XY = ±1. Să considerăm acum variabilele aleatoare abatere normată: X − M( X ) Y − M (Y ) . Atunci. Pe de altă parte.a < 0 . Dreptele Valori medii condiţionate. valoarea medie condiţionată de evenimentul A a variabilei X este: . X’ ± Y’ = 0 cu probabilitatea 1. dacă există între X şi Y o dependenţă liniară. când există densitate de repartiţie condiţionată sau când variabilele sunt de tip discret.

.. x 2 .. ∫ d n FX ( x1 ..Ym) vectorul aleator m-dimensional. 1 ≤ j ≤ m sunt bijecţii diferenţiabile. xn). y m ) = ∫ .. y) dx f 2 (y) f 2 (y) -∫ −∞ −∞ ∞ ∞ ∞ ∞ Analog. Dn unde Dn = {(x1..x2.xn) < yj. Dacă notăm cu X = (X1.M(X / A) = ∑ x j P(X = x j / A) .…. x n ) ...Y2. 1 ≤ j ≤ m}. D ( x1. iar X şi Y admit densităţi de repartiţie. atunci -1 (*) fY(x1.. h -1 n (x1.. Funcţii de argumente aleatoare Fie (Xi) 1 ≤ i ≤ n o familie finită de variabile aleatoare şi să considerăm familia de aplicaţii hj:Rn→R.. atunci FY ( y1 ....x2.…. se introduc mediile condiţionate: 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..Xn)..X2...Xn) vectorul aleator n-dimensional şi cu Y = (Y1.. în locul evenimentului A putem lua {Y = yk} şi atunci M(X / Y = y k ) = ∑ x j P(X = x j / Y = y k ) j∈J În ipoteza că există densitatea de repartiţie condiţionată f(x/y) rezultă: x f(x.. 2. J= D( h1. y) 1 M(X / Y = y) = ∫ xf(x / y) dx = ∫ dx = xf(x. xn) = fX(h 1 (x1.. 1 ≤ j ≤ m măsurabile Borel. funcţii care poartă numele de curbe de regresie.…..…..….. hj..8.. hn ) . xn ) . Atunci Yj = hj(X1. y) dy f1 (x) -∫ −∞ ∞ ∞ ∞ Se vede imediat că M(X/Y=y) = ϕ1(y) M(Y/X=x) = ϕ2(x).xn)∈Rn : hj(x1. y 2 ...Y) cu X şi Y de tip discret. În cazul în care m = n.. 1 ≤ j ≤ m sunt variabile aleatoare.. j∈J În cazul când avem un vector aleator bidimensional (X. xn)) | J| unde J este iacobianul transformării...X2..

Y . ∫ dF 1( x1 ). Atunci h −1 (x) = ± x . x > 0 ⎧0 .∗ F )( x ) =( F ∗. Ţinând seama de definiţia produsului de compoziţie (convoluţie) şi de asociativitatea sa...…. relaţia (*) devine: fY(x) = fX(h −1 (x)) |(h −1 (x))'| Exemplu.x ≤ 0 FY ( x ) = P(ω : Y (ω ) < x ) = P(ω : X 2 (ω ) < x ) = ⎨ ⎩P(ω :| X (ω )| < x . Dn Dn unde Dn = {(x1. x 2 .Dacă m = n = 1... prin derivare.Xn)= ∑ Xi . ∫ d n FX ( x1 .x > 0 [ ] Această relaţie rezultă însă imediat (şi mai simplu).∗ F )( x ) 1 y n 1 n Să considerăm acum vectorul aleator (X. x > o şi de aici rezultă: ⎧ 0 ⎪ ⎪ f Y (x) = ⎨ 1 ⎪ fX( x) + fX( − x ) ⎪ ⎩2 x .x > 0 [ ] Pentru familia de variabile aleatoare (Xi) 1 ≤ i ≤ n independente. 2) V = XY..x2.. dFn( x n ) . rezultă că: ⎧ 0 ⎪ ⎪ f Y (x) = ⎨ 1 ⎪ fX( x) + fX( − x ) ⎪ ⎩2 x ..xn)∈R : x1+x2+…+xn < y}. putem scrie FY ( y ) = −∞ n ∫ d ( F ∗. Fie Y o variabilă aleatoare a cărei densitate de repartiţie este fX(x) şi să considerăm variabila aleatoare Y = h(X) = X2.. după cum urmează: ⎧0 . în cazul m =1 şi Y = h(X1..Y(x.x ≤ 0 =⎨ ⎩FX ( x ) − FX ( − x ) . atunci: i =1 n FY ( y ) = ∫ .Y) cu densitatea de repartiţie fX....…..x ≤ 0 .. x n ) = ∫ .X2. x > 0 De aici.x ≤ 0 .y) şi să determinăm densitatea de repartiţie a variabilelor X 1) U = X+Y. Y ≠ 0 . 3) W = .

y )∈R :xy < v } 2 ∫f 0 X. y y y y −∞ 0 Deci.Y (x. fU ( u ) = ∞ ∞ −∞ ∫f ∞ (x. prin simetrie. y) dy şi. −∞ 2) FV(v)=P(XY<v)= ∫ ∞ {( x . y) dx dy = −∞ −∞ ∫ ∫f X. Y(x. Y ∞ u− y (X. fV(v) = -∞ ∫ ∞ 1 v 1 v fX. Y (u − y. Y( .1) FU(u) ∞ = P(X+Y<u)= ∫ {( x . Y (x. y)dy = ∫ fX. u . y) dx dy . y)dy − ∫ fX. y)dy . )dx y x x y −∞ ∞ . Rezultă: fU ( u) = −∞ ∫f X.x) dx . y) dx dy = ∫ 0 ∞ −∞ ∫f v y (X. Y (x. atunci fU(u) = −∞ ∫ fX(u − y)fY(y) dy = ∫ fX(x)fY(u − x) dx .Y sunt independente. Y( . y) dx dy + −∞ v y ∫ ∫ f$ 0 ∞ X. Y) (x. Y( . Dacă X. Y) (x. y) dx dy 1 v 1 v fV(v) = ∫ fX. y )∈R 2 :x + y < u ∫f X.

y )∈R : < w . Y(yw. y) 1 − 1 x = z-t. pe această cale simplă: 1) Z = X+Y şi punem T=Y. y)dy − ∫ yfX. y) F(Z. Y(x. t) D(x. y = t.Y sunt independente. Cu ajutorul schimbărilor la variabile se pot obţine aceleaşi rezultate. Y(yw.T (z. y) dx dy + −∞ yw ∫ ∫f 0 ∞ X. t) 0 v t2 = 1 t 1 − D(x. y) dx dy = ∫ 0 −∞ ∫ fX.Y (x.Y (z .x)dx -∞ −∞ −∞ −∞ ∞ ∞ ∞ ∞ 2) V = XY.t. atunci: fV(v) = X 3) FW(w) = P( < w) = Y Urmează că -∞ ∫ ∞ 1 v 1 v fX( )fY(y)dy = ∫ fX(x)fY( )dx x x y y −∞ ∞ yw ∞ ∫ x {( x . t)) v ⎧ ⎪x = t ⎨ ⎪ y = t ⎩ 1 D(x. Y(x. = =1 0 1 D(z. atunci: fW(w) = -∞ ∫ y f (yw)f (y)dy X Y ∞ Observaţie. Y (x. Y)(x(z.Dacă X. y)dy = ∫ f X. y) D(z. t) . Y)(x(v. y(z. T)(z. y)dy = ∫ y fX. t) = f(X. t)dt = ∫ f X.T (v. y ≠ 0} y 2 ∫ fX. Atunci. t) = f(X. t)dt = ∫ f X. t). T = Y FV. z .Y (z .Y sunt independente. t)) D(z. Y(yw. t) şi fZ(z) = ∫ f Z. y) t = D(v. y(v. t). y)dy 0 −∞ −∞ ∞ 0 ∞ Dacă X. D(x. y) dx dy fW(w) = ∫ yfX.y.

T)(v. obţinem: t t ∞ ∞ −∞ ∫ ∞ v 1 v 1 f(T. Proprietăţi Am văzut că funcţia de repartiţie constituie un instrument analitic de studiat variabilele aleatoare. t) = f(X. Y)(t. s-au căutat alte instrumente mai uşor de manipulat. v) dt = ∫ f(X. Din definiţia funcţiei caracteristice rezultă că: ϕ X (t) = −∞ ∫e ∞ itx dFX ( x ) . Y)(tw. Y)( . dacă punem 1 D( x. ) dx t | t| x | x| −∞ -∞ 3) Să punem X ⎧ ⎧x = tw ⎪W = Y ⎨ ⎨ ⎩y = t ⎪ ⎩T = Y D(x. Y)(x. t) t | t| şi. fW(w) = −∞ ∫ ∞ f(T. T)(v.v 1 f(V.9. Y) (yw. Definiţie. y) dy t | t| y | y| -∞ −∞ ∞ ∞ ⎧x = t ⎪ v ⎨ y= ⎪ t ⎩ Analog. w) = f(X. W)(t.P} cu funcţia de repartiţie FX. Y)( . t) dt = ∫ f(X. t) | t| dt = -∞ ∞ −∞ ∫f ∞ (X. definită prin: ϕX(t) = M(eitX) o vom numi funcţie caracteristică a variabilei aleatoare X.K. drept urmare. t) dt = ∫ f(X. Funcţie caracteristică. y)| y| dy 2. fV(v) = −∞ ∫ ∞ v 1 v 1 f(V. y) w t = = −t D(t. Fie X o variabilă aleatoare definită pe {Ω.îndeosebi în studiul sumelor de variabile aleatoare independente . w) 1 0 f(T. ) dt = ∫ f(X. În multe situaţii . de aici. Aplicaţia ϕX:R→C.devine mai dificil de manipulat şi. de aici. w) dt = ∫ f(X. Funcţia caracteristică constituie un instrument puternic de investigaţie şi comod de utilizat. t ) − 2 t fV(v) = 0 1 = 1 . V)(t. W)(t. Y)( . Y)(tw. t)| t| şi. y ) = v D( v.

dacă |t1-t2| < η(ε). atunci ea are proprietăţile: (1) (2) (3) (4) ϕX(0) = 1 | ϕX(t) | ≤ 1 ϕ X (t) = ϕ X ( − t) ϕX este uniform continuă pe R. Propoziţie. X A ε Pentru |x| < A. atunci −A e it1x − e it2 x < ε 2 . Dacă ϕX este funcţia caracteristică a variabilei aleatoare X. rezultă. din definiţie.Dacă variabila aleatoare este de tip discret. (1) Rezultă imediat că ϕ X ( 0) = ∫ 1 ⋅ dFX(x) = 1 −∞ (2) ϕX ( t ) = −∞ ∫e ∞ itx dFX ( x ) ≤ −∞ ∫e itx ∞ itx dFX ( x ) = ∫ dFX ( x ) = 1 −∞ ∞ ∞ (3) ϕX ( t ) = −∞ ∫e ∞ itx dFX ( x ) ≤ −∞ ∫e ∞ dFX ( x ) = ∫ e − itx dFX ( x ) =ϕX ( − t ) −∞ (4) Fie t1. că: ϕ X ( t ) = ∫ e itx f X ( x )dx −∞ ∞ Propoziţia care urmează grupează principalele proprietăţi ale funcţiei caracteristice. ∞ Demonstraţie. dFX ( x ) + ∫ e it1x − e it2 x dFX ( x ) A ∞ ϕX ( t 1) − ϕX ( t 2 ) = −∞ ∫e it1 x −e it 2 x dFX ( x ) + −A ∫e A it1 x −e it 2 x Cum pentru orice x∈R. rezultă că: .t2∈R şi să considerăm ϕX ( t1) − ϕX ( t 2 ) = −∞ ∫e ∞ it1 x dFX ( x ) − −∞ ∫e ∞ it 2 x dFX ( x ) ≤ −∞ −A ∫ (e şi ∞ it1 x −e it 2 x )dFX ( x ) ≤ −∞ ∞ ∫e ∞ it1 x − e it 2 x dFX ( x ) Fie acum ε > 0 şi A > 0 astfel încât −∞ ∫ dF X (x) < ε 8 ∫ dF ( x ) < 8 . e it1x − e it2 x ≤ 2 . atunci: ϕX ( t ) = ∑ e itxj P( X = xj ) . j ∈J iar dacă X admite densitatea de repartiţie fX. Deci.

A ∞ ceea ce demonstrează afirmaţia. Dacă X este o variabilă aleatoare pentru care există Mn(|X|). Propoziţie. atunci: (2) ϕ (t ) = ∏ ϕ X j (t ) j =1 n j =1 ∑ Xj n Demonstraţie. ϕ (k ) X (t ) = i k −∞ ∫x k e dFX ( x ) ≤ itx −∞ ∫x ∞ k dFX ( x ) = Mk (| x| ) < ∞ . rezultă acum imediat: . Dacă Y = aX + b. În expresia funcţiei caracteristice ∞ ϕ X ( t ) = ∫ e itx dFX ( x ) −∞ ∞ să derivăm formal de k ori (k ≤ n). atunci: (1) ϕY ( t ) = e ibt ϕX ( at ) Dacă (Xj)1 ≤ j ≤ n sunt variabile aleatoare independente. (1) ϕY(t) = M(eitY) = M(eit(aX+b)) = M(eibt eiatX) = eibtM(eiatX) = eibtϕX(at) (2) Demonstrăm prin inducţie: n = 2: ϕ ( X . Din derivata de ordin K a funcţiei caracteristice.X ) ( t ) = M e it ( X1 + X 2 ) = M e it ( aX1 ) e it ( aX 2 ) = M ( e itX1 ) M ( e itX 2 ) = ϕX 1 ( t )ϕX 2 ( t ) 1 2 Presupunem proprietatea adevărată pentru n-1 şi dovedim pentru n: ( ) ( ) ϕ j =1 ∑ Xj n (t ) = M (e it ∑ X ) =M (e j j =1 n it ∑ Xj j =1 n e itXn ) = M (e it ∑ Xj j =1 n ) M ( e itXn ) = ∏ ϕ X j ( t )ϕ Xn ( t ) =∏ ϕ X j ( t ) j =1 j =1 n −1 n −1 Să stabilim legătura între funcţia caracteristică şi momente. în virtutea ipotezei făcute. ∞ (k) X (t) = i k −∞ ∫x k e itx dFX ( x ) . Teoremă. 1 ≤ k ≤ n Demonstraţie. Obţinem ϕ Dar.ϕX ( t1) − ϕX ( t 2 ) = 2 ∫ dFX ( x ) + −∞ −A ε 2 −∫A A dFX ( x ) + 2∫ dFX ( x ) = ε . dacă acestea există. atunci ϕX este de n ori derivabilă şi (k) ϕX ( 0) = i k M k ( X ).

odată cu aceasta. teorema de unicitate Am văzut că fiecărei variabile aleatoare îi corespunde funcţia ei de repartiţie FX şi. Vom numi aplicaţia ψX:R→C. rezultă că dacă există ψ’X(0) şi ψ”X(0) atunci există M(X) şi D2(X) şi putem scrie: M(X) = -i ψ’X(0). Să observăm mai întâi că funcţia de sub integrală este luată în origine prin continuitate. Pornind de la funcţia caracteristică vom defini acum alte caracteristici numerice ale unei variabile aleatoare X. Formula de inversiune. ϕX respectiv funcţia de repartiţie şi funcţia caracteristică corespunzătoare. k∈N*. D2(X) = i2 ψ’’X(0) (k) ( 0) . deci. că este continuă şi mărginită şi. Se constată că ϑ k(X) este funcţie raţională întreagă de primele k momente. Fie X o variabilă aleatoare şi ϕX(t) funcţia ei caracteristică. atunci: 1 FX ( x 2) − FX ( x1) = lim c →∞ 2π e − itx1 − e − itx2 ϕ ( t ) dt ∫ it −c c Demonstraţie. Teoremă. pentru orice c ∈R integrala . (s-a luat aici determinarea principală a logaritmului natural). putem determina funcţia de repartiţie? Răspunsul este dat de teorema care urmează.x2 cu x1<x2 sunt puncte de continuitate ale lui FX. definită prin: ψX(t) = ln ϕX(t) a doua funcţie caracteristică a variabilei aleatoare X.(k) ϕX ( 0) = i k M k ( X ). Ne punem acum întrebarea: dacă se cunoaşte funcţia caracteristică. Din definiţia dată. k! k =0 pe intervalul de convergenţă al seriei de puteri. putem determina funcţia caracteristică ϕX(t) = M(eitX). atunci expresia Dacă există ψ X (k ) ϑk ( X ) = i k ψ X ( 0) poartă numele de semiinvariantul sau cumulantul de ordin k al variabilei aleatoare X. diferite de momentele considerate de noi. atunci: ∞ ( it ) k ϕ X (t) = ∑ M k ( X ) . 1 ≤ k ≤ n Consecinţă. (Formula de inversiune) Fie X o variabilă aleatoare şi FX. Dacă x1. Definiţie. Dacă variabila aleatoare X admite momente de orice ordin (finite).

x )dF ( y ) + ∫ δlim g(c.δ. y ∈ ( −∞. atunci π∫ t 0 c ⎧1 . x 2 ) == ⎨1 / 2 . x )dF ( y ) + ∫ δlim g(c. x . x . x1. x1 < y < x 2 ⎪ lim g( c. x1. x 2} şi. lim ∫ c→∞ π t 0 ⎪1 / 2 . x )dF ( y ) = ∫ lim g(c. y . α = 0 . Notăm g( c. y. α < 0 c 1 sin αt ⎪ . x . Dacă ţinem seama că ϕ(t) = M(eitX). t ⎦ 0 c c c sin t ( y − x 2 ) ⎤ 1 ⎡ sin t ( y − x1) dt − ∫ dt ⎥ . x . rezultă: . x )dF ( y ) + ∫ δlim g(c. y ∈{x1. α > 0 ⎩ 1 sin αt dt < 1. iar dacă |α| ≤ δ. y. Urmează că: lim Ic = c →∞ 1 1 F ( x1 + δ ) − F ( x1 − δ )] + [ F ( x 2 − δ ) − F ( x1 + δ )] + [ F ( x 2 + δ ) − F ( x 2 − δ )] [ 2 2 Făcând pe δ→0 (δ>0). x . c cos t ( y − x1) − cos t ( y − x 2) Dar ∫ dt = 0 (se integrează o funcţie impară ca funcţie it −c pară + impară) şi atunci: Ic = 1 π −∞ ∫ ∫⎢ ⎣ ∞ ⎡ sin t ( y − x1) − sin t ( y − x 2 ) ⎤ ⎥ dt dF ( y ) . y. x )dF ( y ) . y. Atunci. convergenţa fiind uniformă dacă dt = ⎨0 Din formula lui Dirichlet. x . y . y. x 2 ) = ⎢∫ π ⎣0 t t 0 ⎦ ⎧− 1 / 2 . x )dF ( y ) + c →∞ 1 2 −∞ c →∞ 1 2 x1 − c →∞ 1 2 x 2 +δ ∞ 1 2 x2 − c →∞ 1 2 x2 + c →∞ 1 2 ∞ x −δ x1 +δ + c→∞ x1 +δ ∫ lim g(c. deci: c →∞ ⎪0 . urmează că: c ∞ ∞ ⎡ c e − it ( y − x1 ) − e − it ( y − x 2 ) ⎤ 1 e − itx1 − e − itx 2 1 ity Ic = dt ⎥ dF ( y ) = ∫c ∫ e dF( y ) dt = 2π −∞ ∫ ⎢ ∫ 2π − it it −∞ ⎣− c ⎦ 1 = 2π −∞ ∫ ∞ ⎡ 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 în raport cu y este absolut convergentă). ∞ ) ⎩ lim Ic = c →∞ x 2 −δ −∞ ∫ lim g(c. unde δ > 0 astfel încât x1 + δ < x2 . |α| > δ. x1) ∪ ( x 2.1 Ic = 2π e − itx1 − e − itx 2 ϕ ( t ) dt ∫ it −c c este o integrală Riemann obişnuită. y.

h1. conform formulei de inversiune. Demonstraţie. atunci. Dacă funcţia caracteristică ϕ(t) este absolut integrabilă pe R. putem scrie: ∞ 1 e − itx1 − e − itx2 ϕ ( t ) dt . scrie: ∞ ∞ ith − e − ith 1 1 2 sin th −itx − itx e F ( x + h) − F ( x − h) = ϕ ( t ) dt = ∫e ∫ t e ϕ ( t ) dt = it 2π −∞ 2π −∞ 1 = 2h 2π sin th −itx e ϕ ( t ) dt th −∞ ∫ ∞ . Putem. conform formulei de inversiune. atunci funcţia 1 − itx1 (e − e − itx2 )ϕ ( t ) it este integrabilă şi. este continuă şi ∞ 1 f (x) = F' (x) = e − itx ϕ ( t ) ∫ 2π −∞ Demonstraţie. Să presupunem că x1 = x . obţinem: 1 F ( x ) = lim y →−∞ 2π −c ∫ c e − ity − e − itx ϕ ( t ) dt it Să vedem acum în ce condiţii putem obţine o formulă de inversiune pentru densitatea de repartiţie. Dacă x şi y sunt puncte de continuitate pentru F. (Teorema de unicitate) Funcţia de repartiţie este determinată în mod unic de funcţia ei caracteristică. f(x). h>0 sunt puncte de continuitate pentru F. derivata ei. Teoremă. rezultă: c − itx1 1 e − e − itx2 ϕ ( t ) dt F ( x 2 ) − F ( x1 ) = lim ∫ 2π c→∞ − c it Teoremă.lim Ic = c →∞ 1 1 F ( x1 + 0) − F ( x1 − 0)] + [ F ( x 2 − 0) − F ( x1 + 0)] + [ F ( x 2 + 0) − F ( x 2 − 0)] [ 2 2 şi cum x1 şi x2 sunt puncte de continuitate pentru F. F ( x 2 ) − F ( x1 ) = ∫ 2π −∞ it pentru orice x1 < x2 puncte de continuitate pentru F. putem scrie: c 1 e − itx1 − e − itx2 ϕ ( t ) dt F ( x ) − F ( y ) = lim c→∞ 2π ∫ it −c Luând limita în raport cu y după punctele y de continuitate pentru F. Dacă funcţia |ϕ(t)| este integrabilă pe R. atunci funcţia de repartiţie F(x) este absolut continuă. x2 = x + h. deci.

| t |≤ A ∫ | sin Ne propunem să determinăm funcţia de repartiţie corespunzătoare funcţiei − t2 2 caracteristice ϕ ( t ) = e . putem alege A suficient de mare. adică f ( x ) = c ⋅ e . ∞ F ( x + h) − F( x − h) 1 sin th − itx = ∫ th e ϕ ( t ) dt 2h 2π −∞ Făcând pe h→0. astfel încât Dacă h este suficient de mic. rezultă că există şi limita din membrul stâng şi: ∞ F ( x + h) − F ( x − h) 1 lim = f (x) = ∫ e −itxϕ ( t ) dt h→ 0 2h 2π −∞ De asemenea. deci. avem: sin tx − t2 e F' ( x ) = x 2 ∞ 0 t t − − 1 1 2 t sin tx ⋅e dt = t sin tx ⋅ ⋅e 2 dt + ∫ x πx ∫ π 0 0 ∞ t2 2 ∞ 2 ∞ 2 Pe de altă parte. . Exemplu. F ''( x ) = − xF '( x ) care conduce la F ' ( x ) = c ⋅ e x2 − 2 . întrucât limita din membrul drept există. 1 F '( x ) = 2π sau: F '( x ) = 1 ∞ −∞ ∫e ∞ − itx e − t2 2 1 dt = 2π −∞ ∫ (cos tx − i sin tx )e ∞ − t2 2 1 dt = 2π −∞ ∫ cos tx ⋅e ∞ dt . adică F este absolut th 2π −∞ continuă. 1 − e − itx − t2 ∫ it e dt şi de aici. rezultă F ( x + h ) − F ( x − h ) ≤ 2 h Deoarece ∫ | ϕ ( t )| dt . putem scrie: ∞ th th th 1 1 1 | f ( x + h ) − f ( x )| ≤ 2|sin ||ϕ ( t )| dt = ∫ |sin ||ϕ ( t )| dt + ∫ |sin ||ϕ ( t )| dt ∫ π |t |≤ A π |t |> A 2π −∞ 2 2 2 Pentru orice ε > 0. π şi. Pe de altă parte. 1 th ε || ϕ ( t )| dt < 2 2 1 π | t |> A ∫ | ϕ ( t )| dt < ε 2 . π ∫ cos tx ⋅e 0 − t2 2 dt . F ' ' ( x ) = − 1 π ∫ t sin tx ⋅e 0 − dt . c > 0. dacă mai derivăm odată.∞ sin th 1 ≤ 1 . − x2 2 Deci. | f ( x + h) − f ( x )| < ε . Integrând prin părţi relaţia obţinută. putem scrie F ( x ) − F ( 0 ) = 2π prin derivare. −∞ − t2 2 ∞ 2 1 Aplicând formula de inversiune.

deci.xn).x2. tn ) = Rn ∫ e i ∑ t k xk k =1 n dn F ( x1.. t 2... t 2. x 2... xn )dx1.. putem scrie: 1 x − y2 2 1 f (x) = 2π −∞ ∫e ∞ − itx 0 ∞ ⎤ 1 ∞ −t 1 ⎡ t − itx − t − itx e dt = dt ⎥ = ∫ e cos tx dt ⎢ ∫ e dt + ∫ e 2π ⎣−∞ 0 ⎦ π 0 − |t | Integrând de două ori prin părţi... Aplicând formula de inversiune pentru densitatea de repartiţie.…. Definiţie..Din −∞ ∫ ∞ c⋅e − x2 2 dx = 1 se obţine c = f (x) = 1 1 2π − ... F(x) = ∫ e dy 2π 2π −∞ Exemplu. obţinem: 1⎡ f ( x ) = ∫ ( − e )'cos tx dt = ⎢− e − t cos tx π0 π⎣ 1 ∞ −t ∞ 0 ∞ ⎤ 1⎡ ⎤ − x ∫ e sin tx dt ⎥ = ⎢1 − x ∫ e − t sin tx dt ⎥ = 0 0 ⎦ π⎣ ⎦ ∞ −t ∞ ∞ ⎤ 1 1⎡ 1 1 −t 2 2 1 = ⎢1 − x ∫ e cos tx dt ⎥ = − x e − t cos tx dt = − x 2 f ( x ) ⇒ f ( x )(1 + x 2 ) = ∫ π⎣ π0 π π 0 ⎦ π şi.. Rn ∫ e i ∑ tk xk k =1 n f ( x1.…. . Funcţia caracteristică pentru variabile aleatoare vectoriale Să considerăm vectorul aleator X = (X1. xn ) .Xn) a cărei funcţie de repartiţie este F(x1... i ∑ tk X k k =1 n ) este funcţia Din definiţie rezultă că ϕ ( t1.xn). deci. dxn ...Xn). ϕ ( t1. Să se determine densitatea de repartiţie a variabilei aleatoare X cu funcţia caracteristică ϕ(t) = e-|t|. x 2..…. f (x) = 1 .... în final. în cazul în care există densitatea de repartiţie f(x1. x2 2 e .X2.X2.…... Funcţia ϕ:R→C definită prin ϕ ( t1. π (1 + x 2 ) adică X este repartizată Cauchy. t 2. tn ) = M ( e caracteristică a vectorului aleator (X1.x2. tn ) = iar în cazul discret.

t2. obţinem ϕY ( t 1.ϕ ( t1. t 2.. ∑ e i ∑ tk xk k =1 n P( X 1 = x1.….un) şi se consideră vectorul i ∑ bjt j j =1 m Y = (Y1..….. k =1 m n atunci ϕY ( t 1.…. ∑ t j c jn ) j =1 j =1 j =1 i ∑ bjt j j =1 m m m m şi..tn)| ≤ 1 (c) ϕ ( − t1. tm ) = M ( e =e i ∑ bjt j j =1 m n m i ∑tjXj j =1 m ) = M (e i ∑ bjt j j =1 m i ∑tj( j =1 m ∑ c jk X k + b j ) k =1 n ) = M (e i ∑ bjt j j =1 m e i ∑ ∑ t j c jk X k j =1 k =1 m n )= M (e i ∑ ( ∑ t j c jk ) X k k =1 j =1 )=e ϕ X ( ∑ t j c j1 ....Yn).kn ( X 1. mulţime care este cel mult numărabilă...…..t2. ϕ Y ( t1.…. ∑ t j c j 2 ..∂ tn j =1 k1 k2 kn ∑ kj n .. 1 ≤ k ≤ n ...….. Xn = xn ) . u2. Propoziţie.− t 2..Y2.. tn ) (d) ϕ(t1..t2.kn atunci: 1 ∂ i j =1 M k1.…. t 2..tn) se pot obţine imediat funcţiile caracteristice ale componentelor vectorului X: ϕX k ( t k ) = ϕX ( 0....... un ) . = tn = 0 ∂ t1 ∂ t 2 .0..k 2. t 2.. t 2.…. x n ∈S n unde am notat cu Sk mulţimea valorilor variabilei aleatoare Xk. Funcţia caracteristică a vectorului aleator (X1..0. unde uk = ∑ cjktj.... tn ) = ∏ ϕX k ( tk ) k =1 n Legătura cu momentele este dată de relaţia de mai jos: dacă vectorul X are momente mixte de ordinul k1. t 2...Xn) are următoarele proprietăţi: (a) ϕ(0.Xn) are funcţia caracteristică ϕX(u1. un ) Din funcţia caracteristică ϕX(t1.. Yj = ∑ cjkXk + bj.. u2. Xn ) = ∑ kj n ϕ ( t1. j=1 Vom deduce numai relaţia de la punctul (e).u2.. celelalte fiind simple transpuneri din cazul unidimensional. t 2. tn ) = x1 ∈S1 x 2 ∈S 2 ∑ ∑ .... X 2..0 ) 1 ≤ k ≤ n şi dacă vectorul X are componentele independente. tm ) = e j=1 m ϕ X ( u1.0.....0) = 1 (b) |ϕ(t1. 1 ≤ k ≤ n ......X2.k2. tm ) = e ϕ X ( u1.. X 2 = x 2. 1 ≤ k ≤ n. atunci: ϕX ( t1..X2... dacă notăm uk = ∑ cjktj... t k . 1 ≤ j ≤ m ..− tn ) = ϕ ( t1.. t 2....….. tn ) t1 =.......tn) este uniform continuă pe Rn (e) Dacă vectorul aleator X = (X1...0..

bk.….3. (b1..a2.. n⎠ are funcţia generatoare Gx(z) = [1 + p(z . iar variabila . Numim funcţie generatoare a variabilei aleatoare X funcţia G:C→C. prin relaţia: Gx(z) = ∑ pkz k .…. 2. aj < bj. dtn ∏ itk k =1 n Funcţia de repartiţie F(x1. respectiv funcţia de repartiţie a vectorului aleator (X1...an). deci mult înainte de a se utiliza funcţia caracteristică..tn) şi F(x1. Funcţia generatoare Funcţia generatoare a unei variabile aleatoare a fost utilizată începând de la Laplace.xn) funcţia caracteristică..aj+1. a2 ≤ X2 < b2.an)..aj-1.x2. Tot din definiţie rezultă că funcţia generatoare determină în mod univoc repartiţia variabilei aleatoare X ⎛k ⎞ X: ⎜ ⎟.…. al cărei enunţ îl vom menţiona: Fie ϕ(t1. care stabileşte o legătură între funcţia caracteristică şi funcţia generatoare. Am văzut că funcţia caracteristică are proprietatea |ϕ(t)| ≤ 1 (deci mărginită) în timp ce funcţia generatoare nu mai este mărginită.Xn). an ≤ Xn < bn) = = 1 (2π ) n lim ∫ .b2.….ak+1. (a1.. k = 0. k∈N.2.X2.t2. tn ) dt1.bn)∈Rn.bj..an). (a1.aj-1.….1)]n. k ∈ Ν ⎠ unde: G (k) x (0) .2.. cu |z| ≤ 1 k =0 ∞ Din definiţia dată rezultă că ϕx(t) = Gx(eit).….… p0 = Gx(0). atunci: P(a1 ≤ X1 < b1. . Vom considera că variabila aleatoare X este discretă şi că ia numai valori întregi nenegative. ⎝ pk .. 1 ≤ j ≤ n şi funcţia F este continuă în punctele (a1.xn) este determinată în mod unic de funcţia ei caracteristică.….…. pk = P(X = k).b2.. ∫ c →∞ −c c c −c e − itk ak − e − itk bk ϕ ( t1.ak-1.aj+1.….Şi în cazul n-dimensional are loc formula de inversiune şi teorema de unicitate.. (b1.a2. .10. pk = k! Se obţine imediat că variabila aleatoare X (variabila binomială) ⎛k ⎞ ⎟ X: ⎜ k k n-k ⎝ C n p q .….1.an).…. dar ea este deosebit de utilă îndeosebi pentru calculul momentelor.bj.bn)..….….. t 2. k = 1. Dacă (a1..x2.

.1. k = 0. vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew)..6M1(x). derivatele în punctul z = 1.. sau: M1(x) = G 'x (1) M2(x) = G ''x (1) + G 'x (1) '' '' M3(x) = G ''' x (1) + 3G x (1) + G x (1) ''' '' ' M4(x) = G 'v x (1) + 6G x (1) + 7G x (1) + G x (1) Pentru calculul momentelor centrate utilizăm relaţia: Hs( x ) = ∑ c sj ( −1) j M s − j ( x ) M1j ( x ) j= 0 s Această relaţie este comodă şi se recomandă pentru valori mici ale lui s.⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e . cu ajutorul acestora. vor fi luate ca derivate la stânga. a momentelor obişnuite şi centrate de diferite ordine.6M3(x) + 11M2(x) .s + 1) pk k=s De aici rezultă că: Gx(1) = M0(x) = 1 G 'x (1) = M1(x) = M(x) G ''x (1) = M2(x) .(k .M1(x) G ''' x (1) = M3(x) .1) pk k=2 ∞ G (s) x (1) = ∑ k(k .⎟ ⎝ ⎠ k! are funcţia generatoare Gy(z) = eλ(z-1). Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1.. . dacă acestea există....2. Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k . n.3M2(x) + 2M1(x) G 'v x (1) = M4(x) . Funcţia generatoare se utilizează frecvent pentru calculul momentelor factoriale şi... Atunci. dacă există. În cazul când s va avea valori mari.1).

Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ . deci. . dacă r este suficient 1− r de mic. rezultă | e w − 1| ≤ şi. 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! Funcţia Hx(w) poartă numele de funcţie generatoare de momente.Funcţia GX(Z) este dezvoltabilă în serie de puteri în punctul Z = 1 dacă ea este r regulată în acest punct. funcţia GX(ew) este regulată pentru |w| ≤ r. întrucât ⎛ ∞ 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 s j Csj M1j ( x ) Ms − j( x ) = ws s! Această funcţie mai poartă numele de funcţie generatoare a momentelor centrate. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) . Dacă |w| ≤ r < 1.

Sign up to vote on this title
UsefulNot useful