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.

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

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

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

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

Definiţie. numerele finite (ci(X))1≤i≤q-1 pentru q-i care P(ω:X(ω) ≥ ci(X)) ≥ . Din condiţia 1 -∞ ∫ f(x) dx = 1 rezultă: ∞ k ⋅ ∫ x a-1 (1. π / 2] f(x) = ⎨ . ⎛ xn ⎞ X: ⎜ ⎟ ⎝ Pn . ∫ 2 -∞ -π / 2 -π / 2 Atunci. x ∉[−π / 2.3. f(x) = ⎨ a-1 b-1 . Caracteristici numerice ale funcţiilor de repartiţie. cos x ≥ 0 şi să punem condiţia ∞ π /2 π /2 1 f(x) dx = 1 .b >0 sunt parametri. 2.1) ⎧0 . . b) ⎩ Variabila aleatoare X care are această densitate de repartiţie. Să se determine constanta n astfel încât f: R→R+ definită prin: . x ∈[−π / 2. π / 2] ⎩0 poate fi o densitate de repartiţie.π / 2 < x ≤ π / 2 2 -∞ ⎪2 . să se determine funcţia de repartiţie corespunzătoare. a ∫ cos x dx = 1 şi cum ∫ cos x dx = 2 .1).x) b-1 .b). x ≤ -π / 2 ⎧0 ∞ ⎪ 1 ⎪1 F(x) = ∫ f ( t ) dt = ⎨ (sin x + 1) . x ∈ ( 0. cel mult numărabilă. definită prin relaţia: ⎧a cos x . b) ⎪ β (a.x) b-1 dx = 1 0 Cum ∫x 0 1 a-1 (1 .1) ⎧0 1 ⎪ 1 şi f(x) = ⎨ dx = β(a. . În cazul nostru. q ≥ 2.Exemplu. Numim q-cvantile ale variabilei aleatoare X. F funcţia sa de repartiţie şi q∈N. obţinem k = x a −1 (1 − x ) b−1 . alegând convenabil constanta a. Dacă k ≥0. β (a. spunem că urmează o lege beta de parametri a şi b. π/2]. x>π/2 ⎪ ⎩1 Dacă X este o variabilă aleatoare de tip discret. Exemplu. n∈I.1) ⎩kx (1 . căci pe intervalul [-π/2. n ∈ I ⊂ Ν ⎠ Pn = P(ω: X(ω) = xn). atunci f(x) ≥0. x∈ R. q . x ∈ (0.x) unde a. atunci: F(x) = ∑ Pn . P(ω:X(ω) ≤ ci(X)) ≥ i/q. Fie X o variabilă aleatoare. x n <x care este o funcţie de repartiţie de tip discret. Să se verifice că funcţia f: R→R. x ∉ ( 0. unde 1 ≤ i ≤ q-1. x ∉ (0. rezultă a = . Să luăm a ≥ 0.

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

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

când ea devine F(y1. funcţia de repartiţie are o seamă de proprietăţi care-i sunt specifice şi care o caracterizează: 1) Funcţiile parţiale xk → FX(x1.….…. adică: lim FX (x1. X2(ω) < x2.xn)∈Rn. Ea reprezintă faptul că: P(ω:(X1(ω). vom considera definiţia echivalentă.xj. x2.X-1(B) = {ω:(X1(ω).…. xi .y2). (∀) B=B1x…x Bn ∈Bn. astfel încât orice funcţie de repartiţie n-dimensională are proprietăţile amintite şi reciproc. n sunt nedescrescătoare. are loc: FX(y1...1.1] definită prin: FX(x1..yn) Pij = FX(y1. xk. Definiţie.… Proprietatea (5) completează proprietăţile funcţiei de repartiţie..xn).y2.. x n →+∞ lim FX (x1. 5) Pentru orice două n-upluri (x1.F(x1..F(x2.….∑ Pi + ∑ Pij − i=1 i < j =1 n n i < j< k =1 ∑P n ijk +..….x2.. xn) ≥ 0 unde: Pi = FX(y1.x2.X2. Ca şi în cazul unidimensional.y1) + F(x1.…. cu Pijk.yn). (y1. funcţia F:Rn→[0.y2)⋅…⋅[xn..….….yn)) ≥ 0.. x2≤X2<y2) ≥ 0 Să considerăm mulţimea (x1.…. atunci FX → 0. yn) . evident...….Xn(ω) < xn}) Ca şi în cazul unidimensional.Xn).xn) ∈Rn.yi+1. k ∈1.y1)⋅[x2. adică FX este nedescrescătoare în raport cu fiecare argument.yi-1.y2) .x2.…. xn) = 1 (dacă toate componentele xj → ∞ . u2 .X2(ω).yj+1.….yi-1. (∀) (x1.….x2) ≥ 0 care..y1)⋅(x2.X2(ω). iar acest lucru se vede foarte bine în cazul n=2.. x2. 1≤ i ≤ j ≤ n şi aşa mai departe...x2.. xk+1. Numim funcţie de repartiţie n-dimensională a variabilei aleatoare vectoriale X=(X1.xn) = P({{ω:X1(ω) < x1.xk-1. funcţia de repartiţie FX tinde către 1).yn) ∈Rn astfel încât xj < yj. X2(ω) < x2. reprezintă probabilitatea de mai jos P(x1≤X1<y1.xi.….yj-1. xi. X:Ω→Rn este variabilă aleatoare n-dimensională dacă {ω:X1(ω) < x1. 2) FX este continuă la stânga în raport cu fiecare argument 3) Dacă cel puţin una dintre componente xi → -∞.y2) ...Xn(ω)) ∈ [x1.... y2.yi+1. 1≤j≤n.+( −1) n FX(x1.xi..Xn(ω)) ∈ B}.. xi + 1..….…. xn) = 0 x i →−∞ 4) x1 →+∞ .Xn(ω) < xn}∈ K.

.1) + F(1. Din definiţia dată.2) . X2(ω)<y2} . 1 2 n 1 2 n xn −∞ atunci funcţia f poartă numele de densitate de repartiţie n-dimensională a vectorului aleator (X1. Dacă există o funcţie f:Rn→R continuă şi integrabilă pe Rn.xn)≥0 oricare ar fi (x1. X2(ω)<y2} ∪ {ω:X1(ω)<y1.du .y2 x2 0 x1 y1 u1 Cum {ω: x1≤X1(ω)<y1. iar şi A = {X1<y1..1] care au proprietăţile (1)-(4) şi care nu pot fi funcţii de repartiţie.….2) . F(2.1) = 1 . iar pe D2 = C R 2 D1 ia valoarea 1. Să introducem acum noţiunea de densitate de repartiţie n-dimensională.xn)∈Rn .[{ω:X1(ω)<x1. X2<x2}≠∅. u . deoarece nu îndeplinesc proprietatea (5).. Fie F:R2→R definită prin: ⎧0 ..x2. deci.…. X2<y2} ∪ {X1<y1. pe D1={(x. în rest Deci.. astfel încât: x1 x 2 F(x1. ∫ f (u . (0...F(1. se obţine imediat rezultatul. x2≤X2(ω)<y2} = = {ω:X1(ω)<y1. u ) du du ... xn) = −∞−∞ ∫ ∫ . X2(ω)<y2}]. în cazul n=2.2) D2 D1 (2.….x2.1 . un exemplu care justifică afirmaţia..F(2.1 + 0 = -1 şi. X2<x2} A1∩A2 = {X1<x1. În acest caz..y)⏐x≤0 sau y≤0 sau x+y≤2} F ia valoarea zero.Xn). X2<y2} ⊃ A1∪A2 = {X1<x2. dacă x ≤ 0 sau y ≤ 0 sau x + y ≤ 2 F(x. y) = ⎨ ⎩1 . Luând probabilitatea şi folosind proprietăţile acesteia. expresia dată de (5) nu poate reprezenta probabilitatea unui eveniment. x1=x2=1. rezultă imediat că funcţia f are proprietăţile: (i) f(x1. Să observăm că există funcţii F:Rn→[0.0) Să luăm acum y1=y2=2.X2.. Iată.

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

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

. p . j = 1. ... i=1. i1i2.. ne vom referi la densitatea de repartiţie condiţionată în cazul continuu şi repartiţie condiţionată în cazul discret..…..….. .. m. 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. 2. m. în cazul în care există densităţi de repartiţie. x2. j=1 n sau. pentru cazul particular n=2..n pi* = ∑ pij.. n⎟ ..….X2. 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.. **.2..2.. yi) ⎞ i = 1. m. j=1. i = 1.* *i2*.. . j = 1.…. Deci.2.. n O noţiune importantă pentru aplicaţii o constituie cea de repartiţie condiţionată. xn) = ∏ Fj(xj) .in =p p ..X2.2.. j = 1....…. (X.X2. f(x1.…. Y=yj)..y) = F1(x) ⋅ F2(y) f(x.. x2.Xn ale unui vector aleator (X1.n..*in i1*.. i = 1..... 2. p * j = ∑ pij.….Xn sunt independente dacă şi numai dacă F(x1. Având în vedere aplicaţiile.y) = f1(x) ⋅ f2(y) Pij = Pi* ⋅ P*j .Xn).... variabilele aleatoare X1... k=1.⎛ (xi....2.* Pentru n=2 relaţiile devin: F(x.m.2.Xn sunt de tip discret vom avea p oricare ar fi ik∈Ik.. X2.2.. xn) = ∏ fj(xj) j=1 n Dacă X1. precum şi dificultăţile care apar în tratarea acestei noţiuni..

Y).3) f(x. (d) Densităţile de repartiţie condiţionate. i ∈I Y / X = xi : ⎜ ⎝ P(Y = yy / X = xi ⎠ P(X = xi. y) f(x. x ∈(0. y) = f1(x) f(x. j∈J P(X = xi) pi * Exemplu. dacă (x. y) ∈(0. y) dx −∞ În mod analog. y) = ⎨ 20 ⎪ 0 .2) f1(x) = ∫ f(x. în rest ⎩ Să se determine: (a) Densităţile de repartiţie marginale. y ∈(1.3) ⎩ ∞ . y) dy ∞ În cazul vectorilor aleatori (x. Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi.3) f2(y) = ∫ f(x.y) cu componentele X şi Y variabile aleatoare discrete. y)dy = ⎨ 1 20 10 −∞ ⎪ 0 . avem densitatea de repartiţie cu variabile aleatoare y condiţionată de X = x: f(y / x) = f(x.Fiind dat vectorul aleator (X.Y). Soluţie: (a) Din definiţia densităţilor de repartiţie marginale rezultă: ⎧3 1 x+4 ∞ ⎪∫ (x + y + 2)dy = . Se consideră vectorul aleator (X.2)x(1. y) −∞ ∫ f(x. avem: ⎛ xi / Y = yj ⎞ i ∈ I⎟ . (c) Funcţia de repartiţie a vectorului aleator (X. (b) Funcţiile de repartiţie marginale.2) ⎩ ⎧2 1 y+3 ⎪∫ (x + y + 2)dx = . Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = . y)dx = ⎨ 0 20 10 −∞ ⎪ 0 . 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. y) f(x / y) = = ∞ f2(y) ∫ f(x. y ∉(1. i∈I.Y) cu densitatea de repartiţie: 1 ⎧ ⎪ (x + y + 2) . j ∈ J X / Y = yj : ⎜ ⎝ P(X = xi / Y = yj ⎠ şi analog: ⎛ yj / X = xi ⎞ j ∈J⎟ . x ∉(0.

x ∈ (0.2]x(1. y ∈(1. ∞ ) .3) ⎩ 2.3) f(y / x) = = ⎨ 2(x + 4) .2) ⎩ ⎧x + y + 2 f(x. v) du dv = . Definiţie. y) ∈(2. (x. (x. y) = (c) −∞ −∞ ∫ ∫ f(u.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) . (∀) x∈(0. y) ∈(2. ∞ )x(1. (x. Momente obişnuite şi centrate.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y .5.2) f(x / y) = = ⎨ 2(y + 3) .y> 3 ⎪ ⎩ F(x.1] .7) .3] . y) ⎪ . caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie. (∀) y∈(1.0] sau y ∈(-∞. y) ∈(0. Este vorba de momentele obişnuite şi centrate de diferite ordine.3) f2(y) ⎪ 0 .x > 2 ⎪ ⎩ ⎧ . ∞ )x(3. Numim moment de ordin k al variabilei aleatoare X numărul . x ∉ (0.0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . x ∈( −∞. Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare. y ∉(1.(b) ⎧ . (x.2]x(3. y) ⎪ . ∞ ) 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.2) f1(x) ⎪ 0 .3] . y) ∈(0.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 .

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

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

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

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

2 j =1 n 1≤ j< k ≤ n ∑ a a M(X )M(X ) = j k j k 2 = ∑ a [M(X ) . de exemplu. De aici rezultă că asimetria este pozitivă dacă valoarea modală este situată în stânga valorii medii şi negativă în caz contrar. Se consideră variabila aleatoare Poisson ⎞ ⎛k ⎟ ⎜ k X : ⎜ -λ λ k = 0. Aşa. Repartiţiile pentru care γ2 = 0 se numesc mezocurtice. µ 2 ( X ) = D( X ) = σ X este abaterea medie pătratică a variabilei aleatoare X. Prin definiţie. f (x) = e 2π pentru care γ2 = 0.. Să considerăm acum două exemple pentru care să punem în evidenţă coeficienţii de asimetrie şi de exces.2. iar cele cu γ2 < 0 .1.platocurtice.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 ) . Într-adevăr.⎟ ⎟ ⎜e ⎠ ⎝ k! . 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. k ∈ Ν * j=0 k şi reciproc. 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). cele cu γ2 > 0 leptocurtice. µk ( X ) = Mk[ X − M ( X )] = M [( X − M ( X )) k ] = ∑ ( −1) j Ckj Mk − j( X ) M j ( X ). 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 ..M (X j )] = ∑ a 2 j D (Xj) j =1 2 j 2 j=1 n Aşa după cum am amintit. 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. se introduce noţiunea de asimetrie a unei variabile aleatoare pentru care există µ2(X) şi µ3(X)..

µ2 ( X ) θ deci o repartiţie leptocurtică. 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) . de parametru λ: x ⎧ 1 −θ . .pozitiv asimetrică µ2 ( X ) θ6 µ4 ( X ) 9θ 4 γ2 = 2 − 3= 4 − 3= 6. 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.x > 0 ⎪ ⎪ e f(x) = ⎨θ θ>0 ⎪ 0 .x ≤ 0 ⎪ ⎩ Atunci.şi variabila aleatoare Y repartizată exponenţial negativ.3M(X)M(X) + 2M3(X) = λ. ∞ 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 .

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

deci.1)s = r. Dacă există M(| X| ) şi M(|X| ) . 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. Inegalitatea lui Minkowski. inegalitatea lui Schwartz. Pentru r = 1 inegalitatea este evidentă. M(|XY|) ≤ Mr(| X| ) 1 r 1 Ms(|Y| ) s . 0 < r1 ≤ r2 atunci (M(| X| )) ≤ (M(|X| )) . În cazul în care r = s = 2 se obţine de aici. Demonstraţie. 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 . care este tocmai inegalitatea considerată. 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 . deci.= se obţine: s r 1 M(|X+Y |) ≤ M(|X| ) r r r 1 r + M(|Y| ) . r1 r2 r1 r2 1 r2 1 r2 . 1.| 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. aşa cum am menţionat. Dacă X şi Y sunt variabile aleatoare astfel încât M(|X|r) şi M(|Y| ) există pentru r ≥ 1. 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. r 1 r Inegalitatea lui Liapunov (proprietatea de monotonie a momentelor).

1] . lucru ce se poate constata pe următorul exemplu. variabilele X şi Y se numesc necorelate dacă µ11 = 0. Numim corelaţie (covarianţă) a variabilelor X şi Y momentul mixt µ11 = M[(X. Presupunem deci că r1 < r2 şi atunci r2 1 1 + = 1 şi să aplicăm inegalitatea lui Hlder aşa cum rezultă > 1 .M(X)M(Y) Prin definiţie.Pentru r1 = r2 inegalitatea este adevărată. Se consideră vectorul aleator (X. Acest indicator măsoară existenţa legăturii stochastice între variabilele X şi Y. 2. y) ∈[−1.7. Definiţie.Y). atunci ele sunt necorelate.M(X))] Adesea se mai notează µ11 = cov(X. Din definiţia corelaţiei rezultă imediat că µ11 = M(XY) . Reciproc nu-i adevărat întotdeauna. (x.Y).M(X)) (Y . 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 . Aceasta înseamnă că: M(XY) = M(X)M(Y) Dacă variabilele X şi Y sunt independente.1]x[−1. y) = ⎨ ⎪ 0 ⎩ Dintr-un calcul simplu rezultă imediat că: . 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). cu semnul egal. Corelaţie şi coeficient de corelaţie. în rest . Să considerăm vectorul aleator (X.

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

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

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

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

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

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

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

j ∈J iar dacă X admite densitatea de repartiţie fX.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 .Dacă variabila aleatoare este de tip discret. Dacă ϕX este funcţia caracteristică a variabilei aleatoare X. din definiţie. rezultă. Propoziţie. ∞ Demonstraţie. atunci −A e it1x − e it2 x < ε 2 . 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. e it1x − e it2 x ≤ 2 . (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. Deci. 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. rezultă că: . X A ε Pentru |x| < A. atunci: ϕX ( t ) = ∑ e itxj P( X = xj ) . că: ϕ X ( t ) = ∫ e itx f X ( x )dx −∞ ∞ Propoziţia care urmează grupează principalele proprietăţi ale funcţiei caracteristice. dacă |t1-t2| < η(ε).

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

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

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. y. Dacă ţinem seama că ϕ(t) = M(eitX). x )dF ( y ) + ∫ δlim g(c. x1) ∪ ( x 2. y. x 2} şi. ∞ ) ⎩ lim Ic = c →∞ x 2 −δ −∞ ∫ lim g(c. y ∈{x1. x 2 ) == ⎨1 / 2 . x . y. x1 < y < x 2 ⎪ lim g( c. 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 ) . rezultă: . Atunci. x . y . y ∈ ( −∞. α < 0 c 1 sin αt ⎪ . 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). α > 0 ⎩ 1 sin αt dt < 1. atunci π∫ t 0 c ⎧1 . Notăm g( c. x1. unde δ > 0 astfel încât x1 + δ < x2 . t ⎦ 0 c c c sin t ( y − x 2 ) ⎤ 1 ⎡ sin t ( y − x1) dt − ∫ dt ⎥ . x )dF ( y ) + ∫ δlim g(c. x . |α| > δ.δ. deci: c →∞ ⎪0 . lim ∫ c→∞ π t 0 ⎪1 / 2 . iar dacă |α| ≤ δ. 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). y. y.1 Ic = 2π e − itx1 − e − itx 2 ϕ ( t ) dt ∫ it −c c este o integrală Riemann obişnuită. x . y. x )dF ( y ) . convergenţa fiind uniformă dacă dt = ⎨0 Din formula lui Dirichlet. x . x 2 ) = ⎢∫ π ⎣0 t t 0 ⎦ ⎧− 1 / 2 . x )dF ( y ) + ∫ δlim g(c. x )dF ( y ) = ∫ lim g(c. α = 0 . x . y . x1.

h>0 sunt puncte de continuitate pentru F. este continuă şi ∞ 1 f (x) = F' (x) = e − itx ϕ ( t ) ∫ 2π −∞ Demonstraţie. rezultă: c − itx1 1 e − e − itx2 ϕ ( t ) dt F ( x 2 ) − F ( x1 ) = lim ∫ 2π c→∞ − c it Teoremă. 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.h1. putem scrie: ∞ 1 e − itx1 − e − itx2 ϕ ( t ) dt . F ( x 2 ) − F ( x1 ) = ∫ 2π −∞ it pentru orice x1 < x2 puncte de continuitate pentru F. conform formulei de inversiune. Demonstraţie. Dacă funcţia caracteristică ϕ(t) este absolut integrabilă pe R. atunci funcţia de repartiţie F(x) este absolut continuă. deci. atunci. Teoremă. 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. Putem. derivata ei. atunci funcţia 1 − itx1 (e − e − itx2 )ϕ ( t ) it este integrabilă şi. Dacă funcţia |ϕ(t)| este integrabilă pe R. f(x).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. 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 −∞ ∫ ∞ . (Teorema de unicitate) Funcţia de repartiţie este determinată în mod unic de funcţia ei caracteristică. conform formulei de inversiune. x2 = x + h. Să presupunem că x1 = x .

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

Funcţia caracteristică pentru variabile aleatoare vectoriale Să considerăm vectorul aleator X = (X1.. tn ) = Rn ∫ e i ∑ t k xk k =1 n dn F ( x1.xn)...….…. t 2. t 2. în cazul în care există densitatea de repartiţie f(x1.... Să se determine densitatea de repartiţie a variabilei aleatoare X cu funcţia caracteristică ϕ(t) = e-|t|. x2 2 e .. Aplicând formula de inversiune pentru densitatea de repartiţie... F(x) = ∫ e dy 2π 2π −∞ Exemplu.Din −∞ ∫ ∞ c⋅e − x2 2 dx = 1 se obţine c = f (x) = 1 1 2π − .X2. Definiţie.. .. deci..x2.. deci.Xn) a cărei funcţie de repartiţie este F(x1. Funcţia ϕ:R→C definită prin ϕ ( t1. f (x) = 1 .... în final.X2. Rn ∫ e i ∑ tk xk k =1 n f ( x1. x 2.x2.. tn ) = M ( e caracteristică a vectorului aleator (X1. i ∑ tk X k k =1 n ) este funcţia Din definiţie rezultă că ϕ ( t1.Xn). dxn .…..….. 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.. x 2. t 2..xn). tn ) = iar în cazul discret. 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. ϕ ( t1.. xn )dx1. xn ) . π (1 + x 2 ) adică X este repartizată Cauchy.

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

….2. dtn ∏ itk k =1 n Funcţia de repartiţie F(x1.….an).….b2. a2 ≤ X2 < b2..t2. . atunci: P(a1 ≤ X1 < b1.bj.a2.x2. (a1.x2.. deci mult înainte de a se utiliza funcţia caracteristică.xn) funcţia caracteristică. iar variabila .aj-1.…. 2.3. n⎠ are funcţia generatoare Gx(z) = [1 + p(z .ak-1. k∈N.1.….….1)]n.aj+1. pk = k! Se obţine imediat că variabila aleatoare X (variabila binomială) ⎛k ⎞ ⎟ X: ⎜ k k n-k ⎝ C n p q . pk = P(X = k).10.a2.X2. Dacă (a1..an).…..…..b2. cu |z| ≤ 1 k =0 ∞ Din definiţia dată rezultă că ϕx(t) = Gx(eit). k ∈ Ν ⎠ unde: G (k) x (0) . t 2. Funcţia generatoare Funcţia generatoare a unei variabile aleatoare a fost utilizată începând de la Laplace. tn ) dt1. ..…. Vom considera că variabila aleatoare X este discretă şi că ia numai valori întregi nenegative.…. respectiv funcţia de repartiţie a vectorului aleator (X1.bn)∈Rn. aj < bj.….….aj+1. k = 1. an ≤ Xn < bn) = = 1 (2π ) n lim ∫ .2. Am văzut că funcţia caracteristică are proprietatea |ϕ(t)| ≤ 1 (deci mărginită) în timp ce funcţia generatoare nu mai este mărginită..… p0 = Gx(0). (b1.Şi în cazul n-dimensional are loc formula de inversiune şi teorema de unicitate.an). k = 0. ⎝ pk .bj..xn) este determinată în mod unic de funcţia ei caracteristică.an). (a1.bk...ak+1. al cărei enunţ îl vom menţiona: Fie ϕ(t1... 1 ≤ j ≤ n şi funcţia F este continuă în punctele (a1... ∫ c →∞ −c c c −c e − itk ak − e − itk bk ϕ ( t1.bn).aj-1.. prin relaţia: Gx(z) = ∑ pkz k .. dar ea este deosebit de utilă îndeosebi pentru calculul momentelor. Numim funcţie generatoare a variabilei aleatoare X funcţia G:C→C.Xn). Tot din definiţie rezultă că funcţia generatoare determină în mod univoc repartiţia variabilei aleatoare X ⎛k ⎞ X: ⎜ ⎟. care stabileşte o legătură între funcţia caracteristică şi funcţia generatoare.….tn) şi F(x1. (b1.

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

. Dacă |w| ≤ r < 1. 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. 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. Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ .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. rezultă | e w − 1| ≤ şi. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) . deci. dacă r este suficient 1− r de mic.

Sign up to vote on this title
UsefulNot useful