P. 1
VARIABILE ALEATOARE. FUNCŢII ŞI DENSITĂŢI DE REPARTIŢIE

VARIABILE ALEATOARE. FUNCŢII ŞI DENSITĂŢI DE REPARTIŢIE

|Views: 5|Likes:
Published by Madalina Georgiana
Statistica si probabilitati : variabile aleatoare( def, exemple, teoreme)
Statistica si probabilitati : variabile aleatoare( def, exemple, teoreme)

More info:

Categories:Book Excerpts
Published by: Madalina Georgiana on Jan 09, 2014
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/26/2014

pdf

text

original

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.

Dacă variabila aleatoare X ia valorile x1. X. n ω dacã X( ) ≥ n ⎩ Din modul cum am definit Xn rezultă că este o variabilă aleatoare simplă. să punem: i -1 i ⎧i − 1 n ⎪ n . pentru orice n∈N*. atunci Xn(ω) = n. 2. Teoremă.1. Să considerăm variabila aleatoare binomială ⎛k ⎞ ⎟ X :⎜ k k n− k ⎝ Cn p q . ω∈R. Să presupunem mai întâi că X ≥ 0. Dacă X(ω) < ∞. n →∞ Dacă X nu este nenegativă. n⎠ Aplicând definiţia funcţiei de repartiţie. n ⋅ 2 Xn(ω ) = ⎨ 2 2 2 ⎪ . iar şirul (Xn)n∈N* este crescător. i = 1.0).. Numim funcţie de repartiţie a unei variabile aleatoare.. Densitate de repartiţie. aplicaţia FX: R→[0. unde + X = sup (X. Proprietăţi. adică Ai∩Aj = ∅ dacă i≠j şi U A = Ω .2. Funcţia de repartiţie. Să considerăm un câmp de probabilităţi {Ω.0).2.. oricare ar fi n∈N*.X-. 2.xn pe mulţimile A1.. ceea ce demonstrează complet teorema.= -inf (X. de aici: lim Xn (ω ) = X (ω ) .1]. X.…. atunci există un şir crescător (Xn)n∈N* de variabile aleatoare simple convergent către X.x2. unde (Ai)1≤i≤n constituie o partiţie a lui Ω (sistem complet de evenimente).….. atunci putem scrie: i i =1 n X (ω ) = ∑ xi I Ai (ω ). obţinem: . atunci ea poate fi pusă sub forma X = X+ .P} şi X o variabilă aleatoare definită pe acest câmp. k = 0.. Definiţie.K.. atunci.An respectiv. atunci: i i −1 1 0 ≤ X (ω ) − Xn(ω ) ≤ n − n = n 2 2 2 şi. i =1 n Rezultatul care urmează ne va da posibilitatea să aproximăm variabilele aleatoare oarecare cu ajutorul variabilelor aleatoare simple.. pentru orice n∈N* şi deci lim Xn(ω ) = X (ω ) . care sunt variabile aleatoare nenegative cărora li se poate aplica rezultatul menţionat.A2. uniform în raport cu ω. dacã n ≤ X (ω ) < n . definită prin relaţia: FX(x) = P({ω:X(ω) < x}) Exemplu. Dacă X este o variabilă aleatoare oarecare. Demonstraţie. n →∞ Dacă X(ω) = ∞.

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

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

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

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

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

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

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

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

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

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

pentru cazul particular n=2...…..X2. m..…. Având în vedere aplicaţiile.….. . j=1 n sau..2. .... j = 1.* Pentru n=2 relaţiile devin: F(x.*in i1*. . x2. m. i = 1.⎛ (xi....n. 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.Xn ale unui vector aleator (X1. n O noţiune importantă pentru aplicaţii o constituie cea de repartiţie condiţionată... yi) ⎞ i = 1. X2... 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.X2. n⎟ . precum şi dificultăţile care apar în tratarea acestei noţiuni.. i1i2. variabilele aleatoare X1. k=1... 2. ..Xn sunt independente dacă şi numai dacă F(x1.. m.n pi* = ∑ pij... xn) = ∏ Fj(xj) .2.m.. xn) = ∏ fj(xj) j=1 n Dacă X1.y) = f1(x) ⋅ f2(y) Pij = Pi* ⋅ P*j .Xn sunt de tip discret vom avea p oricare ar fi ik∈Ik. p * j = ∑ pij. f(x1. i = 1.. 2.…. **.in =p p ...2.y) = F1(x) ⋅ F2(y) f(x. j = 1..2.. j = 1. (X....…. Y=yj).Xn)..2.2.. în cazul în care există densităţi de repartiţie.. i=1. ne vom referi la densitatea de repartiţie condiţionată în cazul continuu şi repartiţie condiţionată în cazul discret.…. x2.….X2..... Deci. j=1.* *i2*. p .

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

(b) ⎧ . x ∈ (0. x ∉ (0.x > 2 ⎪ ⎩ ⎧ .2) f(x / y) = = ⎨ 2(y + 3) . Definiţie.y> 3 ⎪ ⎩ F(x. (∀) x∈(0. Este vorba de momentele obişnuite şi centrate de diferite ordine. ∞ )x(3. ∞ )x(1. (x.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y . ∞ ) .3] . y ∈(1. y) ⎪ . y) ∈(0. (x.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) . y) ∈(0. Momente obişnuite şi centrate.0 < x ≤ 2 −∞ ⎪ 20 ⎪1 .3] .2) f1(x) ⎪ 0 . (x. y) ⎪ . Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare.1] .2]x(1. x ∈( −∞.7) . y ∉(1. (∀) y∈(1. y) ∈(2.3) ⎩ 2. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie. Numim moment de ordin k al variabilei aleatoare X numărul . v) du dv = .3) f2(y) ⎪ 0 .2) ⎩ ⎧x + y + 2 f(x.0] sau y ∈(-∞.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 . y) = (c) −∞ −∞ ∫ ∫ f(u.2]x(3. ∞ ) x y ⎧ ⎪0 ⎪1 ⎪ ( x 2 y + xy 2 + 4 xy − x 2 − 10 x ) ⎪ 40 ⎪1 = ⎨ ( y 2 + 6 y − 7) ⎪ 20 ⎪ 1 ( x 2 + 8x ) ⎪ 20 ⎪ 1 ⎪ ⎩ (d) Densităţile de repartiţie condiţionate: ⎧x + y + 2 f(x.5. y) ∈(2.3) f(y / x) = = ⎨ 2(x + 4) . (x.

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

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

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

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

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

3M(X)M(X) + 2M3(X) = λ.x ≤ 0 ⎪ ⎩ Atunci. .x > 0 ⎪ ⎪ e f(x) = ⎨θ θ>0 ⎪ 0 . 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. de parametru λ: x ⎧ 1 −θ . µ2 ( X ) θ deci o repartiţie leptocurtică.şi variabila aleatoare Y repartizată exponenţial negativ.pozitiv asimetrică µ2 ( X ) θ6 µ4 ( X ) 9θ 4 γ2 = 2 − 3= 4 − 3= 6. M(X) = ∑ ke -λ k=0 ∞ λx k! =λ = λe -λ ∑ k k=1 M2(X) = ∑ k 2 e -λ k=0 ∞ λx k! ∞ ∞ ⎡ ∞ λk-2 λk-1 ⎤ = e -k λ ⎢λ ∑ +∑ = λ2 + λ ⎥ ( k − 1)! ⎣ k=2 ( k − 2)! k=1 ( k − 1)!⎦ 2 λk-1 M3(X) = ∑ k e k=0 ∞ 3 −λ λ x k! = e λ∑ k -λ k=1 ∞ λk-1 ( k − 1)! = e λ ∑ [( k − 1) + 2( k − 1) + 1] −λ 2 k=1 ∞ λk-1 ( k − 1)! = = λ3 + 3λ2 + λ M4(X) = ∑ k e k=0 ∞ 4 -λ λx k! = λ4 + 4λ3 + 8λ2 + 2λ Întrucât µ2(X) = λ şi µ3(X) = M3(X) . ∞ x 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 .

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

..... 1 ≤ k ≤ n . ∑ t j c j 2 . t 2...ϕ ( t1.. t 2.0) = 1 (b) |ϕ(t1. 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 ) t1 =... mulţime care este cel mult numărabilă..... obţinem ϕY ( t 1.− t 2. t 2.... t k . = tn = 0 ∂ t1 ∂ t 2 . dacă notăm uk = ∑ cjktj.... Xn ) = ∑ kj n ϕ ( t1..∂ tn j =1 k1 k2 kn ∑ kj n . t 2..tn) se pot obţine imediat funcţiile caracteristice ale componentelor vectorului X: ϕX k ( t k ) = ϕX ( 0.....….…. tn ) = x1 ∈S1 x 2 ∈S 2 ∑ ∑ .t2. ϕ Y ( t1..0.. k =1 m n atunci ϕY ( t 1.0.− tn ) = ϕ ( t1. tm ) = e j=1 m ϕ X ( u1. j=1 Vom deduce numai relaţia de la punctul (e).….X2..tn) este uniform continuă pe Rn (e) Dacă vectorul aleator X = (X1.t2.. X 2.... un ) .... Yj = ∑ cjkXk + bj...Xn) are următoarele proprietăţi: (a) ϕ(0. 1 ≤ k ≤ n. Funcţia caracteristică a vectorului aleator (X1..Xn) are funcţia caracteristică ϕX(u1. Propoziţie...0.t2. un ) Din funcţia caracteristică ϕX(t1. tm ) = M ( e =e i ∑ bjt j j =1 m n m i ∑tjXj j =1 m ) = M (e i ∑ bjt j j =1 m i ∑tj( j =1 m ∑ c jk X k + b j ) k =1 n ) = M (e i ∑ bjt j j =1 m e i ∑ ∑ t j c jk X k j =1 k =1 m n )= M (e i ∑ ( ∑ t j c jk ) X k k =1 j =1 )=e ϕ X ( ∑ t j c j1 .. X 2 = x 2.kn ( X 1. u2.k2. 1 ≤ k ≤ n .. atunci: ϕX ( t1. tm ) = e ϕ X ( u1.kn atunci: 1 ∂ i j =1 M k1.. ∑ t j c jn ) j =1 j =1 j =1 i ∑ bjt j j =1 m m m m şi.. t 2.... tn ) (d) ϕ(t1.....k 2.0 ) 1 ≤ k ≤ n şi dacă vectorul X are componentele independente.….X2.…..u2.tn)| ≤ 1 (c) ϕ ( − t1. celelalte fiind simple transpuneri din cazul unidimensional. unde uk = ∑ cjktj..Y2..0.Yn)...…. ∑ e i ∑ tk xk k =1 n P( X 1 = x1.…. t 2. 1 ≤ j ≤ m .... Xn = xn ) . u2.…..un) şi se consideră vectorul i ∑ bjt j j =1 m Y = (Y1.... t 2. x n ∈S n unde am notat cu Sk mulţimea valorilor variabilei aleatoare Xk.…..

.an). n⎠ are funcţia generatoare Gx(z) = [1 + p(z .t2.an)..x2. k ∈ Ν ⎠ unde: G (k) x (0) .….bn)∈Rn.aj+1.X2.a2.2. dar ea este deosebit de utilă îndeosebi pentru calculul momentelor.…. Dacă (a1.. pk = P(X = k). cu |z| ≤ 1 k =0 ∞ Din definiţia dată rezultă că ϕx(t) = Gx(eit).. t 2.b2.1)]n.bj.bk. Am văzut că funcţia caracteristică are proprietatea |ϕ(t)| ≤ 1 (deci mărginită) în timp ce funcţia generatoare nu mai este mărginită.ak-1. atunci: P(a1 ≤ X1 < b1.. Numim funcţie generatoare a variabilei aleatoare X funcţia G:C→C.10.3.aj+1.bj.aj-1. dtn ∏ itk k =1 n Funcţia de repartiţie F(x1. pk = k! Se obţine imediat că variabila aleatoare X (variabila binomială) ⎛k ⎞ ⎟ X: ⎜ k k n-k ⎝ C n p q . 2. Funcţia generatoare Funcţia generatoare a unei variabile aleatoare a fost utilizată începând de la Laplace.an).Şi în cazul n-dimensional are loc formula de inversiune şi teorema de unicitate. (a1.xn) funcţia caracteristică. Vom considera că variabila aleatoare X este discretă şi că ia numai valori întregi nenegative. ∫ c →∞ −c c c −c e − itk ak − e − itk bk ϕ ( t1.…. k = 1. Tot din definiţie rezultă că funcţia generatoare determină în mod univoc repartiţia variabilei aleatoare X ⎛k ⎞ X: ⎜ ⎟. aj < bj.ak+1. ⎝ pk .bn)... k∈N..x2. al cărei enunţ îl vom menţiona: Fie ϕ(t1.….2.Xn).. prin relaţia: Gx(z) = ∑ pkz k .1.. an ≤ Xn < bn) = = 1 (2π ) n lim ∫ ..…. respectiv funcţia de repartiţie a vectorului aleator (X1.….aj-1.….tn) şi F(x1. k = 0. .b2.xn) este determinată în mod unic de funcţia ei caracteristică. tn ) dt1. 1 ≤ j ≤ n şi funcţia F este continuă în punctele (a1. care stabileşte o legătură între funcţia caracteristică şi funcţia generatoare.…. (b1.…. (a1.…..a2.....an). a2 ≤ X2 < b2.… p0 = Gx(0).. iar variabila . (b1.….….…. deci mult înainte de a se utiliza funcţia caracteristică.

. .. n..6M1(x). Atunci.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) .. vor fi luate ca derivate la stânga.⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e . dacă există..⎟ ⎝ ⎠ k! are funcţia generatoare Gy(z) = eλ(z-1). k = 0. Funcţia generatoare se utilizează frecvent pentru calculul momentelor factoriale şi.1. dacă acestea există.3M2(x) + 2M1(x) G 'v x (1) = M4(x) . derivatele în punctul z = 1.. Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1.6M3(x) + 11M2(x) .. vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew).1) pk k=2 ∞ G (s) x (1) = ∑ k(k . În cazul când s va avea valori mari. cu ajutorul acestora. a momentelor obişnuite şi centrate de diferite ordine.. sau: M1(x) = G 'x (1) M2(x) = G ''x (1) + G 'x (1) '' '' M3(x) = G ''' x (1) + 3G x (1) + G x (1) ''' '' ' M4(x) = G 'v x (1) + 6G x (1) + 7G x (1) + G x (1) Pentru calculul momentelor centrate utilizăm relaţia: Hs( x ) = ∑ c sj ( −1) j M s − j ( x ) M1j ( x ) j= 0 s Această relaţie este comodă şi se recomandă pentru valori mici ale lui s.(k .1)..2. Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k .M1(x) G ''' x (1) = M3(x) .

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. . Dacă |w| ≤ r < 1. rezultă | e w − 1| ≤ şi. putem scrie mai ⎠ ⎝ k =0 s ! ⎠ k =0 s ! ⎝ k =0 k =0 k =0 Hx( w) = Gx( e w ) = ∑ s= 0 ∞ Ms( x ) s w s! Funcţia Hx(w) poartă numele de funcţie generatoare de momente. funcţia GX(ew) este regulată pentru |w| ≤ r. Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ . dacă r este suficient 1− r de mic. deci. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) .Funcţia GX(Z) este dezvoltabilă în serie de puteri în punctul Z = 1 dacă ea este r regulată în acest punct.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->