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

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

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

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

rezultă a = . Caracteristici numerice ale funcţiilor de repartiţie. ∫ 2 -∞ -π / 2 -π / 2 Atunci. π/2]. cel mult numărabilă.x) b-1 dx = 1 0 Cum ∫x 0 1 a-1 (1 . Numim q-cvantile ale variabilei aleatoare X. n∈I. unde 1 ≤ i ≤ q-1. x ∈ ( 0. q . Să luăm a ≥ 0. x>π/2 ⎪ ⎩1 Dacă X este o variabilă aleatoare de tip discret. b) ⎪ β (a.3. Exemplu. Dacă k ≥0.1) ⎧0 . atunci f(x) ≥0. să se determine funcţia de repartiţie corespunzătoare. cos x ≥ 0 şi să punem condiţia ∞ π /2 π /2 1 f(x) dx = 1 . Să se determine constanta n astfel încât f: R→R+ definită prin: . x ≤ -π / 2 ⎧0 ∞ ⎪ 1 ⎪1 F(x) = ∫ f ( t ) dt = ⎨ (sin x + 1) . . 2. x ∉[−π / 2. În cazul nostru. x∈ R. numerele finite (ci(X))1≤i≤q-1 pentru q-i care P(ω:X(ω) ≥ ci(X)) ≥ . π / 2] ⎩0 poate fi o densitate de repartiţie. x n <x care este o funcţie de repartiţie de tip discret. căci pe intervalul [-π/2. π / 2] f(x) = ⎨ .π / 2 < x ≤ π / 2 2 -∞ ⎪2 . Să se verifice că funcţia f: R→R. spunem că urmează o lege beta de parametri a şi b. . b) ⎩ Variabila aleatoare X care are această densitate de repartiţie. F funcţia sa de repartiţie şi q∈N. definită prin relaţia: ⎧a cos x .b). q ≥ 2.x) unde a. f(x) = ⎨ a-1 b-1 . alegând convenabil constanta a. atunci: F(x) = ∑ Pn . x ∉ (0.Exemplu.x) b-1 . β (a. P(ω:X(ω) ≤ ci(X)) ≥ i/q. ⎛ xn ⎞ X: ⎜ ⎟ ⎝ Pn .1). Fie X o variabilă aleatoare. x ∈[−π / 2.1) ⎩kx (1 . x ∈ (0.b >0 sunt parametri. Definiţie. obţinem k = x a −1 (1 − x ) b−1 . x ∉ ( 0.1) ⎧0 1 ⎪ 1 şi f(x) = ⎨ dx = β(a. a ∫ cos x dx = 1 şi cum ∫ cos x dx = 2 . Din condiţia 1 -∞ ∫ f(x) dx = 1 rezultă: ∞ k ⋅ ∫ x a-1 (1. n ∈ I ⊂ Ν ⎠ Pn = P(ω: X(ω) = xn).

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

Exemple.. 1) Să se calculeze valoarea mediană pentru repartiţia cu densitatea ⎧λe . Fiind dată funcţia de repartiţie F care are densitatea f. Bn = B⋅…⋅B cu semnificaţia menţionată. 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.. Funcţii de repartiţie şi densităţi de repartiţie multidimensionale. f '(x) = .λm e = . Definiţie. valoarea cea mai probabilă xk este cea care corespunde probabilităţii Pk ce satisface dubla inegalitate Pk-1 ≤ Pk ≥ Pk+1.3 e σ 2π ( x − m )2 2σ 2 = 0 conduce la xmod = m..1. 3) Să se stabilească valoarea cea mai probabilă pentru repartiţiile: ⎞ ⎛k ⎛k ⎞ ⎟ ⎜ k ⎟ . 1) ∫ λe . punctul modal poartă numele de valoarea cea mai probabilă. avem repartiţii unimodale.P} este un câmp de probabilitate şi (Rn..Bn) un câmp complet aditiv...unde me este punctul mediană al repartiţiei. După numărul punctelor de maxim pentru f.4. În cazul repartiţiilor discrete.λx .λx dx = conduce la 1 . Analog. n⎠ ⎜e .σ) = 1 σ 2π e 3 − ( x − m)2 2σ 2 x-m − .σ). m. x > 0 f(x) = ⎨ . me 1 ln 2 1 . atunci X:Ω→Rn este o variabilă aleatoare n-dimensională (un vector aleator n-dimensional) dacă n . de unde me = λ 2 2 0 2) f(x. n p np q n p Cum f’’(xmod) = - 1 care este valoarea cea mai probabilă pentru X.e . < 0 rezultă că este vorba de un maxim.x ≤ 0 ⎩0 2) Să se determine valoarea modală pentru repartiţie N(m. I⊂N şi sunt presupuse a fi aşezate în ordine crescătoare.K. k = 0. k = 0. Y = ⎜ -λ λ X: ⎜ k k n − k ⎟ ⎝ C n p q . 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 .⎟ ⎠ ⎝ k! Soluţii. Dacă valorile variabilei aleatoare X sunt (xn)n∈I.q ≤ k ≤ np + p.. Vectori aleatori.1.2.2. cu R = Rx⋅ … ⋅xR. notând Pk = P(X=xk). orice punct de maxim local pentru f se numeşte mod (punct modal). bimodale sau multimodale în general. Dacă {Ω.

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

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

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

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

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

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

Definiţie. y) ∈(2.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y . (x. y) = (c) −∞ −∞ ∫ ∫ f(u. y ∉(1.(b) ⎧ . ∞ )x(1.x > 2 ⎪ ⎩ ⎧ . y) ⎪ .3) f2(y) ⎪ 0 . y ∈(1. (∀) y∈(1.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) .1] . (x. ∞ ) 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. (∀) x∈(0. y) ∈(2.3) f(y / x) = = ⎨ 2(x + 4) .3] . ∞ )x(3. ∞ ) .3] .2) ⎩ ⎧x + y + 2 f(x.2) f1(x) ⎪ 0 . x ∈ (0.5. Numim moment de ordin k al variabilei aleatoare X numărul .0] sau y ∈(-∞.3) ⎩ 2. Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare. v) du dv = . (x. (x.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 . x ∈( −∞.0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . y) ∈(0. x ∉ (0. y) ⎪ .2) f(x / y) = = ⎨ 2(y + 3) .7) .2]x(3. y) ∈(0. Este vorba de momentele obişnuite şi centrate de diferite ordine. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie.2]x(1. Momente obişnuite şi centrate.y> 3 ⎪ ⎩ F(x.

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

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

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

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

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

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

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

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

7. Presupunem deci că r1 < r2 şi atunci r2 1 1 + = 1 şi să aplicăm inegalitatea lui Hlder aşa cum rezultă > 1 . y) = ⎨ ⎪ 0 ⎩ Dintr-un calcul simplu rezultă imediat că: .M(X)) (Y . Să considerăm vectorul aleator (X. Corelaţie şi coeficient de corelaţie. cu semnul egal. Definiţie. y) ∈[−1. Acest indicator măsoară existenţa legăturii stochastice între variabilele X şi Y. (x. Numim corelaţie (covarianţă) a variabilelor X şi Y momentul mixt µ11 = M[(X.Y) şi asupra componentelor facem ipoteza că există M2(X) şi M2(Y). alegem s astfel încât r s r1 2 r1 mai jos: (M(| X| r1 ) = (M(| X| r1 ⋅1) ≤ (M((| X| r1 ) r2 / r1 ))1/ 1 1 r 2 / r1 ( M (1s ))1/ s = ( M(| X| r2 )) r1 / r2 De aici rezultă imediat că (M(|X| r1 )) r1 ≤ (M(|X| r2 )) r2 .1] . variabilele X şi Y se numesc necorelate dacă µ11 = 0.1]x[−1. în rest .Y). 2. atunci ele sunt necorelate.M(X))] Adesea se mai notează µ11 = cov(X. Din definiţia corelaţiei rezultă imediat că µ11 = M(XY) . Se consideră vectorul aleator (X.Y). Reciproc nu-i adevărat întotdeauna.M(X)M(Y) Prin definiţie. cu densitatea de repartiţie bidimensională: ⎧ 1 2 2 ⎪ 4 [1 + xy(x − y )] f(x. lucru ce se poate constata pe următorul exemplu.Pentru r1 = r2 inegalitatea este adevărată. Aceasta înseamnă că: M(XY) = M(X)M(Y) Dacă variabilele X şi Y sunt independente.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

⎟ ⎝ ⎠ k! are funcţia generatoare Gy(z) = eλ(z-1). Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k .M1(x) G ''' x (1) = M3(x) .. dacă acestea există. sau: M1(x) = G 'x (1) M2(x) = G ''x (1) + G 'x (1) '' '' M3(x) = G ''' x (1) + 3G x (1) + G x (1) ''' '' ' M4(x) = G 'v x (1) + 6G x (1) + 7G x (1) + G x (1) Pentru calculul momentelor centrate utilizăm relaţia: Hs( x ) = ∑ c sj ( −1) j M s − j ( x ) M1j ( x ) j= 0 s Această relaţie este comodă şi se recomandă pentru valori mici ale lui s..⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e ...1. .3M2(x) + 2M1(x) G 'v x (1) = M4(x) . Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1. derivatele în punctul z = 1.2..(k . Atunci..1) pk k=2 ∞ G (s) x (1) = ∑ k(k . vor fi luate ca derivate la stânga. dacă există.. În cazul când s va avea valori mari. 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) ..1). n.6M1(x). a momentelor obişnuite şi centrate de diferite ordine.6M3(x) + 11M2(x) . vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew). k = 0.. cu ajutorul acestora.

Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ . Dacă |w| ≤ r < 1. deci. . întrucât ⎛ ∞ M1j ( x )w j ⎞ ⎛ ∞ M s ( x ) s ⎞ ∞ w s j ⎟⎜∑ Lx( w) = ⎜ ∑ ( −1) w ⎟ =∑ j ! ⎠ ⎝ j= 0 s! ⎠ j= 0 s ! ⎝ j= 0 = ∑ Hs( x ) s= 0 ∞ ∑ (−1) j= 0 s j Csj M1j ( x ) Ms − j( x ) = ws s! Această funcţie mai poartă numele de funcţie generatoare a momentelor centrate. putem scrie mai ⎠ ⎝ k =0 s ! ⎠ k =0 s ! ⎝ k =0 k =0 k =0 Hx( w) = Gx( e w ) = ∑ s= 0 ∞ Ms( x ) s w s! Funcţia Hx(w) poartă numele de funcţie generatoare de momente. rezultă | e w − 1| ≤ şi. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) . funcţia GX(ew) este regulată pentru |w| ≤ r.Funcţia GX(Z) este dezvoltabilă în serie de puteri în punctul Z = 1 dacă ea este r regulată în acest punct. dacă r este suficient 1− r de mic.

Sign up to vote on this title
UsefulNot useful