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(ω) = ∞. iar şirul (Xn)n∈N* este crescător.….K. Teoremă.x2. atunci. atunci Xn(ω) = n. Să considerăm un câmp de probabilităţi {Ω.An respectiv. definită prin relaţia: FX(x) = P({ω:X(ω) < x}) Exemplu. n ω dacã X( ) ≥ n ⎩ Din modul cum am definit Xn rezultă că este o variabilă aleatoare simplă.1. X. n⎠ Aplicând definiţia funcţiei de repartiţie. dacã n ≤ X (ω ) < n . obţinem: . atunci putem scrie: i i =1 n X (ω ) = ∑ xi I Ai (ω ).P} şi X o variabilă aleatoare definită pe acest câmp. ceea ce demonstrează complet teorema.. Densitate de repartiţie. atunci: i i −1 1 0 ≤ X (ω ) − Xn(ω ) ≤ n − n = n 2 2 2 şi.…. să punem: i -1 i ⎧i − 1 n ⎪ n . unde + X = sup (X. atunci există un şir crescător (Xn)n∈N* de variabile aleatoare simple convergent către X. Definiţie. i = 1. de aici: lim Xn (ω ) = X (ω ) . Funcţia de repartiţie. Să considerăm variabila aleatoare binomială ⎛k ⎞ ⎟ X :⎜ k k n− k ⎝ Cn p q . Numim funcţie de repartiţie a unei variabile aleatoare. k = 0. Proprietăţi.0). n ⋅ 2 Xn(ω ) = ⎨ 2 2 2 ⎪ . X. Demonstraţie.Dacă variabila aleatoare X ia valorile x1. aplicaţia FX: R→[0.2. n →∞ Dacă X nu este nenegativă. Dacă X(ω) < ∞. pentru orice n∈N*. Să presupunem mai întâi că X ≥ 0... ω∈R.. care sunt variabile aleatoare nenegative cărora li se poate aplica rezultatul menţionat. 2.. pentru orice n∈N* şi deci lim Xn(ω ) = X (ω ) .. adică Ai∩Aj = ∅ dacă i≠j şi U A = Ω .. uniform în raport cu ω.A2.= -inf (X. oricare ar fi n∈N*.2. 2. unde (Ai)1≤i≤n constituie o partiţie a lui Ω (sistem complet de evenimente).0).1]. i =1 n Rezultatul care urmează ne va da posibilitatea să aproximăm variabilele aleatoare oarecare cu ajutorul variabilelor aleatoare simple..X-.xn pe mulţimile A1. Dacă X este o variabilă aleatoare oarecare. atunci ea poate fi pusă sub forma X = X+ .

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

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

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

x∈ R. Să luăm a ≥ 0.1) ⎧0 . definită prin relaţia: ⎧a cos x . numerele finite (ci(X))1≤i≤q-1 pentru q-i care P(ω:X(ω) ≥ ci(X)) ≥ . rezultă a = . căci pe intervalul [-π/2. alegând convenabil constanta a. cos x ≥ 0 şi să punem condiţia ∞ π /2 π /2 1 f(x) dx = 1 . b) ⎩ Variabila aleatoare X care are această densitate de repartiţie.b).Exemplu. ∫ 2 -∞ -π / 2 -π / 2 Atunci. n∈I. să se determine funcţia de repartiţie corespunzătoare. 2. x ∉ (0. Să se determine constanta n astfel încât f: R→R+ definită prin: .x) b-1 dx = 1 0 Cum ∫x 0 1 a-1 (1 . x ∈ ( 0.b >0 sunt parametri. cel mult numărabilă.1) ⎩kx (1 .3. x ∈[−π / 2. Exemplu. Caracteristici numerice ale funcţiilor de repartiţie. atunci: F(x) = ∑ Pn . obţinem k = x a −1 (1 − x ) b−1 . β (a. π / 2] f(x) = ⎨ . b) ⎪ β (a. q . ⎛ xn ⎞ X: ⎜ ⎟ ⎝ Pn . Dacă k ≥0.x) b-1 .1) ⎧0 1 ⎪ 1 şi f(x) = ⎨ dx = β(a. f(x) = ⎨ a-1 b-1 . Numim q-cvantile ale variabilei aleatoare X.1). x ∈ (0. Să se verifice că funcţia f: R→R. x ∉[−π / 2. x>π/2 ⎪ ⎩1 Dacă X este o variabilă aleatoare de tip discret. .x) unde a.π / 2 < x ≤ π / 2 2 -∞ ⎪2 . Definiţie. . În cazul nostru. n ∈ I ⊂ Ν ⎠ Pn = P(ω: X(ω) = xn). Fie X o variabilă aleatoare. atunci f(x) ≥0. x ∉ ( 0. q ≥ 2. spunem că urmează o lege beta de parametri a şi b. π / 2] ⎩0 poate fi o densitate de repartiţie. x n <x care este o funcţie de repartiţie de tip discret. x ≤ -π / 2 ⎧0 ∞ ⎪ 1 ⎪1 F(x) = ∫ f ( t ) dt = ⎨ (sin x + 1) . P(ω:X(ω) ≤ ci(X)) ≥ i/q. F funcţia sa de repartiţie şi q∈N. Din condiţia 1 -∞ ∫ f(x) dx = 1 rezultă: ∞ k ⋅ ∫ x a-1 (1. π/2]. unde 1 ≤ i ≤ q-1. a ∫ cos x dx = 1 şi cum ∫ cos x dx = 2 .

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

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

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

F(1..[{ω:X1(ω)<x1.y2 x2 0 x1 y1 u1 Cum {ω: x1≤X1(ω)<y1. în cazul n=2.….….. iar şi A = {X1<y1.du . F(2.xn)∈Rn .. X2(ω)<y2} . X2<y2} ∪ {X1<y1. pe D1={(x. ∫ f (u . Să observăm că există funcţii F:Rn→[0. X2<x2}≠∅..1) = 1 . X2(ω)<y2}]. astfel încât: x1 x 2 F(x1.y)⏐x≤0 sau y≤0 sau x+y≤2} F ia valoarea zero. dacă x ≤ 0 sau y ≤ 0 sau x + y ≤ 2 F(x. (0.Xn). x2≤X2(ω)<y2} = = {ω:X1(ω)<y1..X2. xn) = −∞−∞ ∫ ∫ . Din definiţia dată. Fie F:R2→R definită prin: ⎧0 . expresia dată de (5) nu poate reprezenta probabilitatea unui eveniment. X2<y2} ⊃ A1∪A2 = {X1<x2.1) + F(1.. se obţine imediat rezultatul. 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. deci.. Să introducem acum noţiunea de densitate de repartiţie n-dimensională. Luând probabilitatea şi folosind proprietăţile acesteia.xn)≥0 oricare ar fi (x1. un exemplu care justifică afirmaţia.2) .. u ) du du .F(2.. În acest caz. rezultă imediat că funcţia f are proprietăţile: (i) f(x1.1 + 0 = -1 şi. u . Iată.2) D2 D1 (2. deoarece nu îndeplinesc proprietatea (5).1 . x1=x2=1. y) = ⎨ ⎩1 . în rest Deci.1] care au proprietăţile (1)-(4) şi care nu pot fi funcţii de repartiţie.….x2... X2(ω)<y2} ∪ {ω:X1(ω)<y1.x2. X2<x2} A1∩A2 = {X1<x1. iar pe D2 = C R 2 D1 ia valoarea 1.0) Să luăm acum y1=y2=2..2) .

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

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

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

(d) Densităţile de repartiţie condiţionate. y) = ⎨ 20 ⎪ 0 . y)dx = ⎨ 0 20 10 −∞ ⎪ 0 . y ∉(1. y) dx −∞ În mod analog. i∈I. y ∈(1. y)dy = ⎨ 1 20 10 −∞ ⎪ 0 .Y) cu densitatea de repartiţie: 1 ⎧ ⎪ (x + y + 2) . avem: ⎛ xi / Y = yj ⎞ i ∈ I⎟ .3) f(x. avem densitatea de repartiţie cu variabile aleatoare y condiţionată de X = x: f(y / x) = f(x.y) cu componentele X şi Y variabile aleatoare discrete. dacă (x. y) f(x. (c) Funcţia de repartiţie a vectorului aleator (X. y) = f1(x) f(x. x ∉(0. y) ∈(0.3) ⎩ ∞ . în rest ⎩ Să se determine: (a) Densităţile de repartiţie marginale. Se consideră vectorul aleator (X.2) f1(x) = ∫ f(x.3) f2(y) = ∫ f(x. j∈J P(X = xi) pi * Exemplu. Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = . y) f(x / y) = = ∞ f2(y) ∫ f(x. j ∈ J X / Y = yj : ⎜ ⎝ P(X = xi / Y = yj ⎠ şi analog: ⎛ yj / X = xi ⎞ j ∈J⎟ .Y). (b) Funcţiile de repartiţie marginale. i ∈I Y / X = xi : ⎜ ⎝ P(Y = yy / X = xi ⎠ P(X = xi. Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi.2) ⎩ ⎧2 1 y+3 ⎪∫ (x + y + 2)dx = . Soluţie: (a) Din definiţia densităţilor de repartiţie marginale rezultă: ⎧3 1 x+4 ∞ ⎪∫ (x + y + 2)dy = . x ∈(0. y) dy ∞ În cazul vectorilor aleatori (x.2)x(1.Y). y) −∞ ∫ f(x. 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.Fiind dat vectorul aleator (X.

(∀) x∈(0.y> 3 ⎪ ⎩ F(x. (x. ∞ ) .(b) ⎧ .0] sau y ∈(-∞.1] . (∀) y∈(1. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie.2]x(3. y) ⎪ . Este vorba de momentele obişnuite şi centrate de diferite ordine. (x. ∞ )x(3. y ∈(1. Momente obişnuite şi centrate.2) f1(x) ⎪ 0 . y) ⎪ . x ∉ (0. y) ∈(0.3] . Definiţie.3) f2(y) ⎪ 0 . x ∈( −∞. y) ∈(2.7) . x ∈ (0. y) ∈(2. (x.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y .2]x(1. (x.3] . v) du dv = .3) f(y / x) = = ⎨ 2(x + 4) .3) ⎩ 2.0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . y) ∈(0.x > 2 ⎪ ⎩ ⎧ . ∞ )x(1. Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 .2) ⎩ ⎧x + y + 2 f(x.5.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) . ∞ ) 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. Numim moment de ordin k al variabilei aleatoare X numărul . y) = (c) −∞ −∞ ∫ ∫ f(u.2) f(x / y) = = ⎨ 2(y + 3) . y ∉(1.

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

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

….xn) care...…... 0.k .. în ipoteza de independenţă. este f(X1... −∞ 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. x ) dx ) dx 1 1 2 −∞ + -∞ ∫ x ( ∫ f(x .X2.xn) = f1(x1)f2(x2)…fn(xn)..x2. a1 = a2 = 1. rezultă afirmaţia.. ⎛ axj ⎞ (2) Este suficient să demonstrăm în cazul X discretă.xn f(x1)f(x2).. x ≤ c ⎛ c⎞ (1) Dacă X = c cu probabilitatea 1.….. Operaţia valoarea medie are următoarele proprietăţi: (1) Dacă variabila aleatoare X=c (constantă) cu probabilitatea 1.x2) şi atunci urmează că: M(X1 + X2) = ∞ ∞ .…. x > c k k şi de aici urmează M(X ) = c . xn) ∏ dxj .. j=1 j =1 n dacă X1. ∫ x1x2. x2. atunci X are repartiţia X : ⎜ ⎟ şi deci FX(x) = ⎨ ⎝1 ⎠ ⎩1..xn f X1X2.. atunci: a X : ⎜ j ∈ J ⎟ şi deci ⎝ P(X = xj) ⎠ M(aX) = ∑ (aXj) P(X = xj) = aM(X) . apoi.....∞ −∞ ∫ x1 f(x1.Xn sunt independente în totalitate şi că vectorul (X1.. x2) dx1dx2 = ∫ ∞ ∞ 2 1 ∞ ∞ .X2..Xn sunt independente (în totalitate).n.Xn) = −∞ ∫ ∞ . va rezulta: = M (X1X2... 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) . p=1..Xn (x1...Xn) are densitatea de repartiţie f(X1..X2.∞ −∞ ∫ ∞ ∫ ( x1 + x2)f(x1.. x ) dx dx 2 1 2 1 −∞ ∞ ∞ 2 = = -∞ ∫ x ( ∫ f(x . ∫ ∏ (xp .X2. prin inducţie după n şi folosind proprietatea (2). x2.X2) are densitatea de repartiţie f(x1.f(xn) dx1. j=1 j=1 n n .…. Demonstraţie....Xn)( x1.x2.M(xp)) kj f(x1..µk(Xp) = µ0. Propoziţie. Vom presupune pentru simplificare că vectorul (X1. ∫ x1x2. x2) dx1dx2 + ∞ 2 −∞ ∞ -∞ −∞ ∞ ∫ ∫ x f(x ...dxn = ∏ ∫ xjfj(xj) dxj = ∏ M(Xj) −∞ j=1 -∞ j=1 ∞ adică M(∏ Xj) = ∏ M(Xj) .…. xn) dx1. ⎧0..X2. atunci M(Xk) = ck.dxn = −∞ n ∞ n ∞ −∞ ∫ ∞ .. (4) Presupunând că X1.Xn) = −∞ ∫ ∞ ..Xn)( x1.…. 0 .…. j∈J (3) Este suficient să demonstrăm proprietatea pentru n = 2.2. x ) dx ) dx 2 1 2 1 −∞ = ∫ x1 f1(x1) dx1 + ∫ x2 f2(x2) dx2 = = M ( X 1) + M ( X 2 ).0 (X1X2.

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

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

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

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

Dacă există M(| X| ) şi M(|X| ) . 1. r 1 r Inegalitatea lui Liapunov (proprietatea de monotonie a momentelor). 0 < r1 ≤ r2 atunci (M(| X| )) ≤ (M(|X| )) . Demonstraţie. aşa cum am menţionat. Pentru r = 1 inegalitatea este evidentă. 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. Demonstraţie.= 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 . 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. deci.| 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 X şi Y sunt variabile aleatoare astfel încât M(|X|r) şi M(|Y| ) există pentru r ≥ 1.1)s = r. M(|XY|) ≤ Mr(| X| ) 1 r 1 Ms(|Y| ) s . inegalitatea lui Schwartz. În cazul în care r = s = 2 se obţine de aici. 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 . Inegalitatea lui Minkowski. deci. care este tocmai inegalitatea considerată. 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 .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Funcţia generatoare se utilizează frecvent pentru calculul momentelor factoriale şi..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) . n.⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e ..M1(x) G ''' x (1) = M3(x) . Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1.2.⎟ ⎝ ⎠ k! are funcţia generatoare Gy(z) = eλ(z-1).6M3(x) + 11M2(x) .(k ..1... derivatele în punctul z = 1.. 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. vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew). cu ajutorul acestora.. În cazul când s va avea valori mari. a momentelor obişnuite şi centrate de diferite ordine. Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k . dacă acestea există. vor fi luate ca derivate la stânga.1) pk k=2 ∞ G (s) x (1) = ∑ k(k .6M1(x).1). Atunci. dacă există..3M2(x) + 2M1(x) G 'v x (1) = M4(x) . ..

Dacă |w| ≤ r < 1.Funcţia GX(Z) este dezvoltabilă în serie de puteri în punctul Z = 1 dacă ea este r regulată în acest punct. . deci. dacă r este suficient 1− r de mic. funcţia GX(ew) este regulată pentru |w| ≤ r. 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. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) . 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. Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ . rezultă | e w − 1| ≤ şi.

Sign up to vote on this title
UsefulNot useful