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.

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

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

Propoziţie.P(ω:X(ω) = x1) P(ω:x1 ≤ X(ω) ≤ x2) = FX(x2) .FX(x1) . cu variaţia totală 1. Observaţie. Mai mult. 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. i=1.0) = Fx (x) .. mulţimea tuturor salturilor este o reuniune numărabilă de mulţimi cel mult numărabile. dăm unele expresii utile în calcul. orice funcţie cu aceste proprietăţi este o funcţie de repartiţie. în mod necesar.FX(x1) + P(ω:X(ω) = x2).{ω:X(ω) ≤ x1} = = {ω:X(ω) < x2} . Luând probabilitatea şi ţinând cont de faptul că {ω:X(ω) ≤ x1} ⊂ {ω:X(ω) < x2}.FX(x1) + P(ω:X(ω) = x2) .x2∈R. Deci. n∈N. i=1.Dacă punem An = {ω:yn ≤ X(ω) < x}. 1 salturi mai mari ca : cel mult n n ………………………………….(3) sunt necesare şi suficiente pentru FX funcţie de repartiţie. atunci P(ω:X(ω) = xi) = 0.FX(x1) P(ω:x1 < X(ω) < x2) = FX(x2) . adică lim Fx (yn) = Fx (x .P(ω:X(ω) = x1).2. n →∞ Urmează de aici că. . Dacă FX este continuă. rezultă că: 1 salturi mai mari ca : cel mult 1 2 1 salturi mai mari ca : cel mult 2 3 …………………………………. x∈ R. atunci: P(ω:x1 ≤ X(ω) < x2) = FX(x2) . Demonstraţia rezultă imediat. P(ω:X(ω) = xi) reprezintă saltul funcţiei de repartiţie FX în punctul xi. Cum FX este o funcţie cu variaţia mărginită. pentru celelalte făcându-se analog. Cum suma tuturor salturilor este 1. observăm că An⊃An+1.FX(x1) . Teorema care urmează stabileşte că mulţimea tuturor salturilor ale funcţiei FX este cel mult numărabilă.P(ω:X(ω) = x1) P(ω:x1 < X(ω) ≤ x2) = FX(x2) . n →∞ n ∈Ν n ∈Ν n →∞ n →∞ IA n / şi. Ca o completare la cele de mai sus. Dacă X este o variabilă aleatoare şi x1. deci că proprietăţile (1). {ω:x1 < X(ω) < x2} = {ω:X(ω) < x2} . Demonstraţie. iar noi o vom da numai pentru una din relaţii. x1 < x2 şi {ω:X(ω) < x1} ∩ {ω:X(ω) = x1} = ∅ şi se obţine: P(ω:x1 < X(ω) < x2) = FX(x2) .2. orice funcţie de repartiţie are proprietăţile enumerate.Fx (yn)] = 0 . x1 < x2. Observaţie. Unii autori definesc funcţia de repartiţie prin relaţia: GX(x) = P(ω: X(ω) ≤ x). care este o mulţime cel mult numărabilă. rezultă că suma tuturor salturilor este 1. din =O lim P(An) = P( I An) = 0 .[{ω:X(ω) < x1} ∪ {ω:X(ω) = x1}].(2).

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

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

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

λx dx = conduce la 1 . cu R = Rx⋅ … ⋅xR.unde me este punctul mediană al repartiţiei. x > 0 f(x) = ⎨ . Vectori aleatori. < 0 rezultă că este vorba de un maxim.Bn) un câmp complet aditiv.. f '(x) = . k = 0. Bn = B⋅…⋅B cu semnificaţia menţionată. În cazul repartiţiilor discrete. 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.. orice punct de maxim local pentru f se numeşte mod (punct modal). de unde me = λ 2 2 0 2) f(x.1. După numărul punctelor de maxim pentru f.P} este un câmp de probabilitate şi (Rn.. k = 0.K.σ).⎟ ⎠ ⎝ k! Soluţii. Definiţie. m.. Exemple.e . Y = ⎜ -λ λ X: ⎜ k k n − k ⎟ ⎝ C n p q .λm e = . me 1 ln 2 1 .x ≤ 0 ⎩0 2) Să se determine valoarea modală pentru repartiţie N(m. punctul modal poartă numele de valoarea cea mai probabilă. atunci X:Ω→Rn este o variabilă aleatoare n-dimensională (un vector aleator n-dimensional) dacă n .2.4. n p np q n p Cum f’’(xmod) = - 1 care este valoarea cea mai probabilă pentru X. I⊂N şi sunt presupuse a fi aşezate în ordine crescătoare.λx .. n⎠ ⎜e . notând Pk = P(X=xk).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 . valoarea cea mai probabilă xk este cea care corespunde probabilităţii Pk ce satisface dubla inegalitate Pk-1 ≤ Pk ≥ Pk+1. Analog. Dacă valorile variabilei aleatoare X sunt (xn)n∈I.. bimodale sau multimodale în general. avem repartiţii unimodale. Fiind dată funcţia de repartiţie F care are densitatea f..2. 1) ∫ λe . Funcţii de repartiţie şi densităţi de repartiţie multidimensionale. Dacă {Ω. 1) Să se calculeze valoarea mediană pentru repartiţia cu densitatea ⎧λe .1. 3) Să se stabilească valoarea cea mai probabilă pentru repartiţiile: ⎞ ⎛k ⎛k ⎞ ⎟ ⎜ k ⎟ .q ≤ k ≤ np + p.σ) = 1 σ 2π e 3 − ( x − m)2 2σ 2 x-m − .

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

Luând probabilitatea şi folosind proprietăţile acesteia.2) D2 D1 (2.. xn) = −∞−∞ ∫ ∫ ... rezultă imediat că funcţia f are proprietăţile: (i) f(x1. u ) du du . X2(ω)<y2} . X2<x2} A1∩A2 = {X1<x1.[{ω:X1(ω)<x1.…. ∫ f (u .X2. deoarece nu îndeplinesc proprietatea (5).1 + 0 = -1 şi.y2 x2 0 x1 y1 u1 Cum {ω: x1≤X1(ω)<y1.x2.x2.. Iată. Să observăm că există funcţii F:Rn→[0. X2(ω)<y2} ∪ {ω:X1(ω)<y1. Dacă există o funcţie f:Rn→R continuă şi integrabilă pe Rn. y) = ⎨ ⎩1 .F(2. 1 2 n 1 2 n xn −∞ atunci funcţia f poartă numele de densitate de repartiţie n-dimensională a vectorului aleator (X1. Fie F:R2→R definită prin: ⎧0 .. deci. iar şi A = {X1<y1.1 . Din definiţia dată. x2≤X2(ω)<y2} = = {ω:X1(ω)<y1.xn)∈Rn .y)⏐x≤0 sau y≤0 sau x+y≤2} F ia valoarea zero.1) + F(1. F(2. un exemplu care justifică afirmaţia. X2<y2} ∪ {X1<y1.2) . X2<y2} ⊃ A1∪A2 = {X1<x2.du ..…... În acest caz. X2(ω)<y2}]. în cazul n=2. Să introducem acum noţiunea de densitate de repartiţie n-dimensională. se obţine imediat rezultatul.F(1.xn)≥0 oricare ar fi (x1...2) . X2<x2}≠∅.. iar pe D2 = C R 2 D1 ia valoarea 1.1] care au proprietăţile (1)-(4) şi care nu pot fi funcţii de repartiţie. pe D1={(x.1) = 1 . expresia dată de (5) nu poate reprezenta probabilitatea unui eveniment. (0.…. u . x1=x2=1. astfel încât: x1 x 2 F(x1.0) Să luăm acum y1=y2=2.Xn). în rest Deci.. dacă x ≤ 0 sau y ≤ 0 sau x + y ≤ 2 F(x.

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

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

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

i ∈I Y / X = xi : ⎜ ⎝ P(Y = yy / X = xi ⎠ P(X = xi. dacă (x. avem: ⎛ xi / Y = yj ⎞ i ∈ I⎟ . i∈I. y) dx −∞ În mod analog.Y) cu densitatea de repartiţie: 1 ⎧ ⎪ (x + y + 2) . y)dy = ⎨ 1 20 10 −∞ ⎪ 0 .3) ⎩ ∞ . y) = f1(x) f(x. în rest ⎩ Să se determine: (a) Densităţile de repartiţie marginale.Y). x ∉(0.2) f1(x) = ∫ f(x. y) ∈(0. y) dy ∞ În cazul vectorilor aleatori (x. y)dx = ⎨ 0 20 10 −∞ ⎪ 0 . se defineşte densitatea de repartiţie a variabilei aleatoare X condiţionată de Y=y şi pe care o vom nota f(x/y) prin: f(x. y) f(x / y) = = ∞ f2(y) ∫ f(x.Fiind dat vectorul aleator (X. (b) Funcţiile de repartiţie marginale. (c) Funcţia de repartiţie a vectorului aleator (X. y ∉(1. y) −∞ ∫ f(x.y) cu componentele X şi Y variabile aleatoare discrete. y) f(x. Soluţie: (a) Din definiţia densităţilor de repartiţie marginale rezultă: ⎧3 1 x+4 ∞ ⎪∫ (x + y + 2)dy = . Se consideră vectorul aleator (X. avem densitatea de repartiţie cu variabile aleatoare y condiţionată de X = x: f(y / x) = f(x.2) ⎩ ⎧2 1 y+3 ⎪∫ (x + y + 2)dx = .3) f2(y) = ∫ f(x.Y). y ∈(1. j∈J P(X = xi) pi * Exemplu. Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = .2)x(1. x ∈(0. (d) Densităţile de repartiţie condiţionate. y) = ⎨ 20 ⎪ 0 . j ∈ J X / Y = yj : ⎜ ⎝ P(X = xi / Y = yj ⎠ şi analog: ⎛ yj / X = xi ⎞ j ∈J⎟ .3) f(x. Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi.

Numim moment de ordin k al variabilei aleatoare X numărul . y) ⎪ . x ∈ (0. Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare. y ∉(1. ∞ ) .0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . y ∈(1.2]x(3.1 < y ≤ 3 −∞ ⎪ 20 ⎪1 . (x.(b) ⎧ . Este vorba de momentele obişnuite şi centrate de diferite ordine. y) = (c) −∞ −∞ ∫ ∫ f(u.3] .3) f2(y) ⎪ 0 . y) ∈(2. ∞ )x(1. x ∉ (0. (x.0] sau y ∈(-∞. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie. (∀) y∈(1.x > 2 ⎪ ⎩ ⎧ .2) f(x / y) = = ⎨ 2(y + 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.3) f(y / x) = = ⎨ 2(x + 4) . y) ∈(0. (x.y> 3 ⎪ ⎩ F(x.1] .2]x(1.2) f1(x) ⎪ 0 .3) ⎩ 2.2) ⎩ ⎧x + y + 2 f(x. y) ∈(0. ∞ )x(3. y) ∈(2. v) du dv = . Definiţie. Momente obişnuite şi centrate.3] . (x. (∀) x∈(0.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y . x ∈( −∞.7) .−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) .5. y) ⎪ .

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

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

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

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

.. Aşa. iar cele cu γ2 < 0 .⎟ ⎟ ⎜e ⎠ ⎝ k! . Să considerăm acum două exemple pentru care să punem în evidenţă coeficienţii de asimetrie şi de exces. 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 . 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.M (X j )] = ∑ a 2 j D (Xj) j =1 2 j 2 j=1 n Aşa după cum am amintit. µ 2 ( X ) = D( X ) = σ X este abaterea medie pătratică a variabilei aleatoare X. Ca aplicaţie a proprietăţilor valorii medii putem acum să arătăm că momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de ordin cel mult k şi reciproc. cele cu γ2 > 0 leptocurtice. de exemplu. f (x) = e 2π pentru care γ2 = 0. De aici rezultă că asimetria este pozitivă dacă valoarea modală este situată în stânga valorii medii şi negativă în caz contrar.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 ) . Se consideră variabila aleatoare Poisson ⎞ ⎛k ⎟ ⎜ k X : ⎜ -λ λ k = 0. k ∈ Ν * j=0 k şi reciproc.1. 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. Prin definiţie.platocurtice..2. 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). Într-adevăr.2 j =1 n 1≤ j< k ≤ n ∑ a a M(X )M(X ) = j k j k 2 = ∑ a [M(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 . . de parametru λ: x ⎧ 1 −θ .3M(X)M(X) + 2M3(X) = λ. rezultă: γ1 = µ3 ( X ) λ 1 = 3/ 2 = 1/ 2 > 0 3/ 2 µ2 ( X ) λ λ ceea ce înseamnă că repartiţia Poisson este asimetrică (pozitiv asimetrică) 1 2 3 M 3 ( X ) M ( X ) + C4 M 2 ( X ) M 2 ( X ) − C4 M 4(X) + M 4(X) = µ 4 ( X ) = C40 M 4 ( X ) − C4 = 2λ (1 + 2λ − λ 2 ) µ4 ( X ) 2λ (1 + 2λ − λ 2 ) −3 −3= γ2 = 2 µ2 ( X ) λ2 (1 + λ ) 2 În cazul repartiţiei exponenţiale.pozitiv asimetrică µ2 ( X ) θ6 µ4 ( X ) 9θ 4 γ2 = 2 − 3= 4 − 3= 6.x ≤ 0 ⎪ ⎩ Atunci. 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) .şi variabila aleatoare Y repartizată exponenţial negativ.x > 0 ⎪ ⎪ e f(x) = ⎨θ θ>0 ⎪ 0 . µ2 ( X ) θ deci o repartiţie leptocurtică.

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

Dacă există M(| X| ) şi M(|X| ) . 0 < r1 ≤ r2 atunci (M(| X| )) ≤ (M(|X| )) . r1 r2 r1 r2 1 r2 1 r2 . 1 1 1 ⎡ ⎤ M(| X + Y| r ) ≤ ⎢( M(| X| r )) r + (M(|Y| r )) r ⎥ M(| X + Y| s(r-1) ) s ⎣ ⎦ 1 1 1 Împărţind cu M(| X + Y| s(r-1) ) s şi ţinând seama de faptul că (r . Inegalitatea lui Minkowski. În cazul în care r = s = 2 se obţine de aici.1)s = r.= se obţine: s r 1 M(|X+Y |) ≤ M(|X| ) r r r 1 r + M(|Y| ) . Dacă X şi Y sunt variabile aleatoare astfel încât M(|X|r) şi M(|Y| ) există pentru r ≥ 1. Pentru r = 1 inegalitatea este evidentă. 1. Demonstraţie. deci. 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. 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 .| 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). 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. aşa cum am menţionat. deci. Demonstraţie. inegalitatea lui Schwartz. M(|XY|) ≤ Mr(| X| ) 1 r 1 Ms(|Y| ) s . care este tocmai inegalitatea considerată.

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

reciproca nefiind adevărată. Demonstraţie. y∈[-1. din însăşi definiţia coeficientului de corelaţie. Oricare ar fi variabilele aleatoare X.Y sunt necorelate. (2) Dacă X. Fie 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. ceea ce înseamnă că variabilele X şi Y nu sunt independente.y) ≠ f1(x)f2(y). Faptul că invers nu-i adevărat rezultă imediat din exemplul anterior.Y astfel încât D2(X)D2(Y) ≠ 0.1] [ ∫ 4 −1 2 1 1 1 1 f 2 (y) = ∫ [1 + xy(x 2 − y 2 )]dx = . (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 ) . Definiţie. ceea ce conduce la ρXY = 0. (2) X.Y raportul: µ11 M ( XY ) − M ( X ) M (Y ) ρ X.Y două variabile aleatoare pentru care există D2(X) şi D2(Y). atunci ρXY = 0.Y = = D(X)D(Y) D 2 ( X )D 2 (Y ) Teoremă.Y independente înseamnă M(XY) = M(X)M(Y) şi deci conv(XY) = 0. (4) |ρXY| = 1 implică o dependenţă liniară între variabilele X şi Y. adică variabilele X şi Y sunt necorelate. Pe de altă parte. f(x. au loc proprietăţile: (1) ρXY = 0 dacă şi numai dacă variabilele aleatoare X. evident. f1 (x) = 1 1 1 + xy(x 2 − y 2 )]dy = . Numim coeficient de corelaţie al variabilelor X.Y sunt independente. (1) rezultă imediat.1] 4 −1 2 şi. 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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

.an). ⎝ pk .ak-1.….…. deci mult înainte de a se utiliza funcţia caracteristică. t 2.….Xn). respectiv funcţia de repartiţie a vectorului aleator (X1.b2. care stabileşte o legătură între funcţia caracteristică şi funcţia generatoare.a2.aj+1.aj+1.x2.. a2 ≤ X2 < b2. . ∫ c →∞ −c c c −c e − itk ak − e − itk bk ϕ ( t1.. k = 1.. n⎠ are funcţia generatoare Gx(z) = [1 + p(z . an ≤ Xn < bn) = = 1 (2π ) n lim ∫ . 2..an).1)]n.…. Dacă (a1.t2.x2.tn) şi F(x1. Funcţia generatoare Funcţia generatoare a unei variabile aleatoare a fost utilizată începând de la Laplace. Am văzut că funcţia caracteristică are proprietatea |ϕ(t)| ≤ 1 (deci mărginită) în timp ce funcţia generatoare nu mai este mărginită.….….b2. Tot din definiţie rezultă că funcţia generatoare determină în mod univoc repartiţia variabilei aleatoare X ⎛k ⎞ X: ⎜ ⎟. (b1... (a1.. al cărei enunţ îl vom menţiona: Fie ϕ(t1.1.bk. (b1. Vom considera că variabila aleatoare X este discretă şi că ia numai valori întregi nenegative.aj-1.bj. pk = P(X = k).aj-1.xn) funcţia caracteristică.… p0 = Gx(0).an). dtn ∏ itk k =1 n Funcţia de repartiţie F(x1.bj. iar variabila .X2. dar ea este deosebit de utilă îndeosebi pentru calculul momentelor.Şi în cazul n-dimensional are loc formula de inversiune şi teorema de unicitate. k∈N. 1 ≤ j ≤ n şi funcţia F este continuă în punctele (a1..a2. k = 0.an).….. aj < bj..xn) este determinată în mod unic de funcţia ei caracteristică. cu |z| ≤ 1 k =0 ∞ Din definiţia dată rezultă că ϕx(t) = Gx(eit).bn). Numim funcţie generatoare a variabilei aleatoare X funcţia G:C→C. tn ) dt1.10.2..ak+1..3..…. k ∈ Ν ⎠ unde: G (k) x (0) .. atunci: P(a1 ≤ X1 < b1.2..….….….bn)∈Rn. pk = k! Se obţine imediat că variabila aleatoare X (variabila binomială) ⎛k ⎞ ⎟ X: ⎜ k k n-k ⎝ C n p q . (a1.…. . prin relaţia: Gx(z) = ∑ pkz k .….

3M2(x) + 2M1(x) G 'v x (1) = M4(x) . dacă 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! are funcţia generatoare Gy(z) = eλ(z-1)...(k ..M1(x) G ''' x (1) = M3(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) .⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e . n.1) pk k=2 ∞ G (s) x (1) = ∑ k(k .... vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew). Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k .6M3(x) + 11M2(x) .6M1(x).. dacă acestea există.. În cazul când s va avea valori mari.. Funcţia generatoare se utilizează frecvent pentru calculul momentelor factoriale şi. a momentelor obişnuite şi centrate de diferite ordine. vor fi luate ca derivate la stânga.1). k = 0. derivatele în punctul z = 1.1. Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1. cu ajutorul acestora.2. .

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