CAPITOLUL V

MRIMI CARACTERISTICE ALE

VARIABILELOR ALEATOARE

1. Momentele iniiale ale variabilelor

aleatoare. Proprietile valorii medii.
Se tie, din cele prezentate anterior, c o variabil
aleatoare este perfect determinat de distribuia ei. O
caracterizare mai amnunit a variabilelor aleatoare este
ns dat de caracteristicile lor numerice, iar, dintre acestea,
valoarea medie este una din cele mai importante noiuni ale
teoriei probabilitilor.
Definiia 1.1. Fie X o variabil aleatoare. Dac X este
o v.a. discret lund valorile xi cu probabilitile pi = P(X =
xi), i I N, valoarea ei medie (sau media sau sperana
matematic) este numrul dat de expresia
M(X) =

x
iI

pi

(1.1)
cu condiia ca seria s fie absolut convergent, iar dac X
este o v.a. continu cu densitatea de probabilitate f (x),
valoarea medie a ei este

M(X) = xf ( x )dx

(1.2)
dac integrala generalizat este convergent.
Definiia 1.2. Fie r N. Expresia
Mr(X) = M(Xr)
(1.3)
se numete moment iniial de ordin r al v.a. X.
Dac v.a. X este discret, atunci momentul iniial de
ordin r se calculez prin
Mr(X) =

xir pi
iI

(1.4)
iar n cazul n care X este v.a. continu va fi

Mr(X) = x f (x)dx, r N

(1.5)
1

Momentele iniiale de ordin r exist n aceleai condiii

n care exist valoarea medie.Se observ c pentru r = 1
momentul iniial este chiar valoarea medie.
Deoarece momentele iniiale (la fel ca toate celelalte
momente, aa cum se va vedea) se definesc cu ajutorul
valorii medii vom da n continuare proprietile ei. n
demonstraiile acestora se va considera c v.a. sunt
discrete, dar, evident, proprietile sunt valabile pentru
orice tip de v.a.
Propoziia 1.1. Valoarea medie a unei variabile
aleatoare constante este constanta
(1.6)

M(C) = C, C R.

Dem. Avem X = C, deci / X( = C) = i p = PX() =

=C = 1. Deci M(X) = C . 1 = C.
Propoziia 1.2. Dac X este o variabil aleatoare cu
media M(X) i C este o constant, atunci M(CX) exist i
este:
M(CX) = CM(X), C R
(1.7)
Dem. Avem:
M(CX) =

(Cx i ) pi = C xi p i
iI

iI

= CM(X).

Propoziia 1.3. Fie X i Y dou variabile aleatoare

pentru care exist M(X) i M(Y). Atunci exist M(X + Y) i
M(X + Y) = M(X) + M(Y)
(1.8)
Dem. Vom folosi Prop.1.2 din Cap. IV
funcia g(X, Y) = X + Y pentru care avem:
Cij = Ai
jJ

n care lum

Cij = Bj,
iJ

P (Cij ) = P(A ) i
de unde se obin relaiile:
i
jJ

P(Cij ) =
iI

P(Bj). Atunci:
M(X + Y) =

( x
iI jJ

y j ) P (Cij ) =

xi P(Cij) + yi
i
j
i
j

P(Cij) =

xi P (Cij ) + y j P (Cij ) =
=
i
j
j J

iI

yi P ( Bi ) .

xi P( Ai ) +
i

innd cont c seriile din membrul doi

convergente, M(X + Y) exist i este dat de (1.8).
2

sunt

Corolar. Fie X1, ... Xn variabile aleatoare i C1, ... Cn

constante. Dac M(Xk) exist, k = 1, ... n, atunci exist

Ck X k
k 1

M (X k )

, Ck R, k = 1,..n

(1.9)
Propoziia 1.4. Dac X i Y sunt variabile aleatoare
independente i dac M(X) i M(Y) exist, atunci exist
M(XY) = M(X) M(Y)
(1.10)
Dem. Se folosete Prop. 1.2 din Cap. II cu g(X, Y) = X
Y i faptul c X i Y sunt independente,
M(XY) = xi y j P(C ) = xi P(A ) yi P(B ) = M(X)
iI jJ

ij

iI

jJ

M(Y).
Exemplul 1. Se fac msurtori asupra unor bare
cilindrice de fier a cror lungime este de 10 cm i arie a
bazei este de 1 cm 2 . Se tie c media erorilor n
msurarea lungimii este de 0,005 cm i a celor din
msurarea bazei este de 0,01 cm 2 . Care este media erorii
n estimarea greutii ?
Deoarece greutatea este un multiplu de volum, vom
determina eroarea media fcut n msurarea volumului.
Notnd cu L, A , respectiv V erorile n lungime, arie,
respectiv volum, obinem c
V ( L L)( A A) LA LA AL LA

de unde avem
M ( V ) M ( L) M ( A) M ( A) M (L) M (L ) M (A)

=10 0,01 1 0,005 0,01 0,005 cm 3 .

Exemplul 2. Se arunc o moned perfect n mod
repetat pn la prima apariie a stemei (Exemplul ! Cap III
&1). Fie X v.a. ce reprezint numrul acestei aruncri.
Atunci avem
P ( X n) 1 / 2 n , n N

Numrul mediu de aruncri la care stema apare va fi

dat de
M (X )

n N

suma acestei serii fiind determinat prin derivarea seriei

geometrice cu raia x = , care este convergent. Se
obine c M(X)=2.
Exemplul 3. Nivelul apei unui ru crete n fiecare an
crend inundaii. Dac se msoar X nivelul apei pornind
de la nivelul minim de 1m, atunci X este v.a. cu funcia de
repartiie
1
F ( x) 1 2 , x 1 .
x
3

(Se observ c F(1)=0, c F este cresctoare odat cu

x i c F ( x ) 1 cnd x .)
Pentru a afla nivelul mediu pn la care crete rul
determinm mai nti densitatea de probabilitate prin
2
f ( x) F ( x) 3 , x 1
x
i apoi gsim
M (X )

x x

dx 2 .

Dac nivelul minim de la care se pornesc msurtorile

este 0 i folosim o unitate de msur a nimii care este
1/10 din cea folosit anterior, atunci nivelul apei este v.a.
Y 10( X 1).

Din Prop. 6.1. Cap.IV deducem c funcia ei de

repartiie este
G ( y ) F (1 y / 10) ,
deci densitatea de probabilitate va fi
g ( y)

200
,y0
(10 y )3

Obinem c M(Y)=10 , rezultat pe care l puteam gsi i

folosind proprietile valorii medii enunate n Prop. 1.1 i
1.2 din care avem c
M (Y ) 10[ M ( X ) 1] .

2. Momentele centrate i absolute ale v.a.

Proprietile dispersiei.
Definiia 2.1. Se numete moment centrat de ordin r
al unei v.a. X valoarea medie a v.a. X - M(X)r (dac
exist) i este dat de expresia
r(X) = M(X - M(X)r) , r N
(2.1)
Definiia 2.2. Se numete moment absolut de ordin r
al v.a. X valoarea medie a v.a. X r (dac exist) i este
M( X r ), r N.
Dintre momentele centrate ale unei v.a. cel mai
important este momentul de ordin 2.
Definiia 2.3. Momentul centrat de ordin 2 se numete
dispersia sau variana v.a. X i se noteaz cu
2(X) = D(X) = 2 ( X ) = M(X - M(X)]2)
(2.2)
= ( X ) se numete abaterea medie ptratic.
Pentru a nelege ce reprezint abaterea medie
ptratic observm c diferena X M(X) este abaterea lui
X de la valoarea ei medie, abatere ce poate lua valori
pozitive sau negative. Dac suntem interesai de mrimea
iar

D( X )

abaterii, atunci se consider abaterea medie absolut

M(X M(X)). Aceast expresie poate fi, desigur, folosit, dar e greu de
calculat. Atunci s-a introdus radicalul dispersiei v.a., care este o msur a
abaterii medii a variabilei aleatoare de la media ei. Cu ct ( X ) este mai
mic, cu att valorile v.a. sunt mai apropiate de M(X) i se spune c
populaia este mai centrat sau mai concentrat n jurul valorii medii.
Considernd acum v.a. X discret, respectiv continu,
i folosind notaia m = M(X) pentru simplificarea scrierii,
momentele centrate i cele absolute se pot calcula dup cum
urmeaz
r(X) =

( xi m) r pi , r N
iI

M( X

xi pi ,
)=
iI
r

rN

(2.3)
dac v.a. X este discret, i

r(X) = ( x m) f (x)dx, r N
r

M( X r) =

f (x)dx, r N

(2.4)
dac v.a. X este continu.
S-au introdus i alte valori tipice ale variabilelor
aleatoare folosind momentele centrate. De exemplu,
presupunnd c exist momentele 2(X), 3(X) i 4(X) se
pot defini coeficientul de asimetrie al v.a. X.
1 =

3 ( X )
32 / 2 ( X )

i coeficientul de exces al v.a. X

2 =

4 ( X )
- 3.
22 ( X )

Coeficientul de asimetrie fiind pozitiv sau negativ va

conduce la concluzia c valoarea modal este situat la
stnga sau la dreapta valorii medii, iar mrimea
coeficientului de exces d gradul de aplatizare a graficului
densitii de probabilitate.
Dispersia unei v.a. fiind cel mai important dintre
momentele centrate, vom enuna proprietile ei valabile
pentru orice tip de variabile aleartoare, demonstraiile
acestor proprieti folosind v.a. discrete.
Propoziia 2.1. Fie X o v.a. i C o constant real
astfel nct X= C . Atunci
D(C) = 0 .
(2.5)
5

Demonstraie. Dac X = C, avem din (1.6) M(X) = C i

deci
D(X) = M(C - C) = 0
Reciproc, fie X o v.a. discret dat de X() = xi pentru
Ai, i N pentru care D(X) = 0. Atunci
0 = D(X) = M(X M(X))2 =

( xi M ( X )) 2 P(X = xi)
iI

Cum P(X = xi) 0, i I, avem

(xi - M(X))2 P(X = xi) = 0. i I.
S notm cu I1 mulimea indicilor i pentru care xi - M(X)
=
0
i
cu
I2 mulimea indicilor j pentru care xj - M(X) 0 i P(X = xi)
= 0.
Rezult c
xi = M(X) = constant, i I1
i
P(X constant) = P(X = xj, j I2) = 0
adic
P(X = constant) = 1 - P(X constant) = 1
aadar, cu probabilitatea 1, v.a. X este constant.
Observaie. Pentru un cmp de probabilitate finit, un
eveniment de probabilitate 1 este eveniment sigur. Deci
dac D(X) = 0 cu siguran v.a. X este constant.
n concluzie, ntr-un cmp de probabilitate finit
dispersia unei v.a. este nul dac i numai dac v.a. este
constant.
Propoziia 2.2. Fie X o v.a. Atunci
D(X) = M 2 (X) - M2 (X)

(2.6)

Demonstraie. Folosind proprietile valorii medii, avem

D(X) = M(X - M(X))2 = MX2 - 2XM(X) + M2(X) =
= M(X2) - 2M(X)2 + M(X)2 = M 2 (X) - M(X)2
Propoziia 2.3. Dac X este o v.a. i C o constant,
atunci
D(CX)

C2D(X)

(2.7)
Demonstraie. Din formula (1.7) avem
M(CX) = CM(X),

M(C2X2) = C2M(X2)

Propoziia 2.4. Fie X1, ... Xn, v.a. independente i

C1, ... Cn, constante reale. Atunci

i 1

i 1

2
D( Ci X i ) = Ci D ( X i ) ,

Ci R, i =

1, n

(2.8)
Demonstraie. Se aplic formula (2.6) i avem
D( Ci X i ) = M( Ci X i ) - M ( Ci X i ) )=
2

Ci2 X i2
=M
i

C
i

2
i

- M ( Ci X i ) =

Ci C j X i X j
i, j

2
i

M ( X ) + 2 Ci Ci M(XiXj) -

Ci2 M ( X i )

-2

Ci C j M(Xi) M(Xj).
Dar v.a. Xi sunt independente, deci conform Propoziiei
1.4. se deduce c
D( Ci X i ) =

Ci2 M ( X i2 ) - [Ci M ( X i )]2 =

i
i

Ci2 M ( X i2 ) ( M () X i ) 2 = Ci2 D ( X i ) .
=
i

3. Valorile medii i dispersiile v.a. cu

repartiii clasice
n acest paragraf se vor determina valorile medii i
dispersiile variabilelor aleatoare cu repartiiile clasice prezentate
n &2 i 4 din Cap IV.
Propoziia 3.1. Dac X este v.a. binominal Bi(n,p),
atumci
M(X) = np, D(X) = npq
Demonstraie. Din definiia valorii medii aplicat unei
v.a. cu tabelul de distribuie (2.2) Cap.IV avem
n
n
n!
x
x
n x
xC
p
q
M(X) =
= x
px qn-x =
n
x! ( n x )!
x 0
x 0
n
n( n 1)!
x ( x 1)!(n x)! px qn-x =
x 0
n

= n C n1 p qn-x = np(p + q)n -1 = np

x 1

x 0

Pentru calculul dispersiei se folosete relaia (2.6), deci

se calculeaz
n

M2(X) = M(X2) =

x 2Cnx
x 0

px qn-x =

x( x 1) xCnx px qn-x =
x 1

= x ( x 1)
x 2

n!
px qn-x +
x! (n x )!

xCnx px qn-x =
x 1

n(n 1)Cnx22 p2 px-2 + np =

x2

= n(n -1)p2(p + q)n-2 + np = n(n -1)p2 + np

Atunci
D(X) = M(X2) -M2(X) = npq.
Propoziia 3.2. Dac X este o v.a. cu distribuie
hipergeometric, atunci
M(X) =

na
,
N

D(X) =

na ( N a )( N n)
N 2 ( N 1)

Demonstraie. Pentru calculul momentelor se folosete

urmtoarea relaie
n

Cax
x 0

C Nnxa C Nn

Atunci, folosind probabilitile din (2.3) Cap.II, valoarea

medie este:

Cax C Nnxa
1
n
M(X) =
n
CN
CN
x 0
n

1
C Nn

x 0

a Cax11
x 1

a!

x x!(a x)! C Nnxa

C Nnxa =

a
na
C Nn11
n
CN
N

n mod asemntor se calculeaz dispersia cu ajutorul

formulei (2.6).
Propoziia 3.3. Dac X este o v.a. repartizat
geometric cu probabilitatea p a unui succes, atunci
M (X )

1
,
p

D( X )

q
p2

Dem. Se nlocuiesc pobabilitile repartiiei (2.4) Cap.IV

i se obine

k 1

k 0

M ( X ) kpq k 1 p ( k 1) q k p

q
k 0

k 1

q
'
' p

1 q

p
1
.
2
p
(1 q )

Pentru calculul dispersiei este nevoie de momentul

iniial de ordin 2, deci
8

M 2 (X )

k 1

k 1

k 1

k 2 pq k 1 p [k (k 1) k ]q k 1 p k (k 1)q k 1

k 1

k 0

p kq k 1 pq (k 1)kq k 1

pq
p

q
k 0

k 1

' '

2q 1
1
2
p
p
p

pentru c

q
2
2q
' ' pq
pq q k 1 pq
2
3
(1 q )
p
k 0
1 q

Atunci obinem
D( X )

2q 1
1
q
2 2 .
2
p p
p
p

Exemplu. Dac se folosete o moned omogen,

atunci p =1 / 2, deci numrul mediu de aruncri pn la
prima apariie a stemei va fi M(X)=2.
Propoziia 3.4. Dac X este o v.a. Poisson de
parametru , atunci
M(X) = , D(X) =
Dem. Folosind dezvoltarea n serie a funciei e i tabelul
(2.6) Cap.IV avem

M(X) = ke
k 0

k 1
k
-

=e
= e- e =
(
k

1
)!
k 1
k!

iar
M(X2) =

k 2 e
k 0

k
k
= e- k (k 1) k
= e- 2
k!
k!
k 1

k 2

(k 2)! + =
k 2

= 2 e- e + = 2 +
Atunci
D(X) = M(X2) -M2(X) = 2 + -2 = .
Observaii 1. Se observ acum faptul c semnificaia
parametrului repartiiei Poisson este aceea c reprezint
valoarea medie i dispersia unei v.a. distribuit astfel.
2. n teorema lui Poisson enunat n forma ei general
(&2.4. Cap.IV) am considerat cazul n care este limita
unui ir n de forma npn n , adic

lim npn lim n

n n

Cu ajutorul rezultatelor obinute n Prop. 3.1 i 3.4

putem vedea c nu mai este o surpriz faptul c media
repartiiei binomiale ( np ) este aproximat de media
repartiiei Poisson ( ). Un rezultat asemntor gsim i pentru
dispersiile celor dou repartiii, i anume:

np n q n n (1 n ) n
n
Propoziia 3.5. Dac X este o v.a. uniform pe a, b
atunci valoarea medie i dispersia sunt
ab
(b a )1
M(X) =
, D(X) =
b
12

Dem. Cu densitatea de probabilitate (4.1) Cap.IV avem

M(X) = xf

( x)

dx = a
dx =
ba

ab
.
2

Analog se obine

M(X2) = x 2

x2

= a
dx =
ba

f ( x ) dx

de unde rezult: D(X) = M(X2) -M2(X) =

a 2 ab b 2
,
3

(b a ) 2
.
12

Propoziia 3.6. Dac X N(m, ), atunci

M(X) = m,

D(X) = 2

Dem. Din definiia valorii medii i folosind schimbarea

de variabil
xm
y

se obine

M(X) =

1
xf ( x ) dx =
2

y) e
=

m
2

y2
2

xe

1 xm

dx

1
(m +
2

y2

dy +

dy =

ye

y2
2

dy = m

deoarece prima integral din sum are valoarea 2 (fiind

o integral Euler-Poisson), iar a doua este 0 (se integreaz
o funcie impar pe un interval ce se poate considera
simetric fa de origine).
Se calculeaz apoi dispersia cu ajutorul definiiei ei de
moment centrat de ordin doi
1
D(X) = ( x M ( X )) f(x)dx =
2

10

( x m)

1 xm

dx =

1
2

y e

y2
2

dy =

y2
2

dy

n aceast ultim integral se face substituia y2 / 2 = t i

se obine o integral gamma

2 2 12 -t
2
2 2 1 1
3
= 2
t

D(X) =
e dt =

2
2
2 2 2
2 0
Astfel, rezultatele acestei propoziii arat c cei doi
parametrii ai repartiiei N(m, ) sunt valoarea medie i
abaterea medie ptratic a v.a. cu aceast densitate de
probabilitate.
Propoziia 3.7. Dac X este o v.a. gamma de
parametru p, atunci
M(X) = p, D(X) = p
Demonstraie. Se folosete definiia funciei gamma

(p) = x
0

p 1

e x dx, p > 0

i relaia de recuren
(p) = (p -1) (p -1)
Propoziia 3.8. Dac X este o v.a. repartizat ( p,q ),
p, q > 0, atunci
pq

M(X) = p q , D(X) =
( p q) 2 ( p q 1)
Demonstraie. Se folosete definiia funciei beta.
Propoziia 3.9. Dac X este o v.a. 2 cu n grade de
libertate i de parametru a cu n N , a 0 , atunci
M(X) = an2, D(X) = 2na4
Demonstraie. Se calculeaz momentele de primele
dou ordine fcnd aceeai substituie y = x / 2a2 i
folosind definiia funciei gamma.
Propoziia 3.10. Dac X este o v.a. exponenial de
parametru , atunci
M(X) = 1 / ,

D(X) = 1 / 2 , >0.

Dem. Se face substituia x / = y ajungnd tot la o

funcie gamma.
Exemplu. Reamintim Exemplul 3 din &4.3. al Cap. IV,
unde S n erau v.a. reprezentnd timpii succesivi ale
cererilor de plat a unor daune asigurate, iar
T1 S1 , T2 S 2 S1 ,...Tn S n S n1 ,...

reprezentau timpii dintre sosiri i sunt v.a. repartizate

exponenial pentru orice n natural. Dac repartiiile lor
11

depind de acelai parametru (de ex. accidentele rutiere se

pot datora aceleiai cauze), atunci timpul mediu la care
apare cea de a n-a cerere este
M ( S n ) M (T1 ) ... M (Tn )

deoarece avem S n T1 ... Tn . Se observ c nu exist nici

o presupunere de independen a Tn -urilor i c o
influen mutual ntre ele este permis.
Dac repartiiile exponeniale au parametrii diferii,
atunci
M ( Sn )

1
1
...
.
1
n

Propoziia 3.11. V.a. repartizat Student cu n grade

de libertate admite momente iniiale de ordin mai mic ca n
cu urmtoarele valori:
M2k+1(X) = 0,

nk
M2k(X) =

pentru 2k + 1 < n

n 2k
2k 1
) (
)
2
2
, pentru 2k < n,
n
( )
2

D(X) = n / (n -2), n =3,4,

m
2
x (1 x / n)

Dem. Integrala

n2
2

dx este convergent

dac i numai dac m < n, deci momentul de ordin m

exist dac i numai dac m < n.
Funcia x2k+1 (1 x 2 / n)

n2
2

este impar, deci M2k+1(X) = 0

pentru 2k + 1 < n.
Pentru 2k < n, avem
n 1
)
2
n
x ( )
2

M2k(X) =

x 2 n21
2k
x
(
1

)
dx = 2

n 1
)
2
n
x ( )
2

x 2 n21
x (1 n ) dx
0

2k

Se face substituia y =
M2k(X) =

n 1
)
2
n
( )
2

i se obine

nx

12

1
2

(1 y )

n 1
2

dy =

n 1
)
n
2
=
(k + 1 / 2, n / 2 -k) =
n

( )
2
n 1
2k n
n 2k
(
) (
) (
)
nk
2
2
2
=
=
n
n 1

( )
(
)
2
2
2k 1
n 2k
(
) (
)
k
n
2
2
=
n 1

(
)
2
Pentru n >2 avem
(

D(X) = M2(X) -M2(X) = M2(X) = n / (n -2).

4. Inegaliti ale momentelor

Vom da n continuare cteva proprieti ale diverselor
tipuri de momente ale v.a. Demonstraiile acestora vor
considera v.a. discrete sau continue, dup cum acest lucru
va conduce la o simplificare a scrierii.
Propoziia 4.1. Dac momentul absolut de ordinul r al
unei v.a. exist, atunci exist toate momentele absolute de
ordin s < r, s, r N.
Dem. Pentru c momentul absolut de ordin r exist,
avem
r

M( X r) =

f(x)dx =

f(x)dx +

x 1

f(x)dx <

x 1

,
deci x1x

Pentru

f(x)dx < .
x 1

x 1

Deci

i pentru s < r avem

s

f(x)dx <

x 1

, de unde

f(x)dx < .

f(x)dx < .

Propoziia 4.2. (Inegalitatea lui Schwarz) Dac X i Y

sunt dou v.a. pentru care exist M(X2) i M(Y2), atunci
M(XY)

M ( X 2 ) M (Y 2 )

(4.1)

Dem. Fie v.a. Z = (X - Y)2, unde este un parametru

real. Valoarea medie a v.a. Z va fi
13

M(Z) = M(X2) - 2M(XY) + 2M(Y2)

Cum Z 0, avem M(Z) 0, R, deci
M(X2) - 2M(XY) + 2M(Y2) 0, R,
care conduce la (4.1).
Propoziia 4.3. (Inegalitatea lui Markov) Fie X o v.a.
pozitiv, care admite valoarea medie m = M(X). Atunci,
pentru orice > 0 avem
P(X M(X)) 1 /
(4.2)
Dem. Dac 0 < 1, avem 1 / 1 i inegalitatea (4.2)
este evident.
Presupunem > 1. Cum X este o v.a pozitiv

m = x dF(x) 0 ,
0

deci se poate scrie c

m

m = x f(x)dx x f(x)dx m f(x)dx = m 1 - F(m)

=
= m P(X m)
de unde rezult (4.2).
Propoziia 4.4. (Inegalitatea lui Cebev) Dac X este
o v.a. cu dispersie finit, atunci pentru orice > 0 are loc
P( X - M(X) < ) 1 - D (X) / 2
(4.3)
Demonstraie. Fie f(x) densitatea de probabilitate a v.a.
X i fie m = M(X). Atunci

D(X) = ( x m) f(x)dx =
2

2
( x m) f(x)dx +

x m

2
( x m) f(x)dx

x m

( x m) f(x)dx 2 P( X - m ).
2

x m

S-a obinut astfel c:

P( X - m ) D(X) / 2

(4.4)
echivalent cu (4.3).

14

Observaie. Inegalitatea lui Cebev se poate obine

din inegalitatea lui Markov care se aplic pentru v.a. Y =
(X - m)2 i = 2 / D(X).

5. Momentele variabilelor aleatoare

bidimensionale discrete
Fie un vector aleator bidimensional discret (X, Y) n care
componenta X este v.a. ce ia valorile (xi)i I, iar
componenta Y ia valorile (yj)j J, unde I, J N. Probabilitile
ce definesc distribuia vectorului (X,Y) sunt (vezi 5 din
Cap. II):
pij = P(X = xi, Y = yj), i I, j J
Definiia 5.1.Se numete moment iniial de ordin r,s
(r, s N) al v.a. bidimensionale discrete (X, Y) expresia
mr , s M ( X r Y s ) x ri y sj pij
i I j J

(5.1)
Cteva cazuri particulare de momente se pot calcula
dac se folosesc definiiile probabilitilor marginale date
n paragraful 5 din Cap IV. Astfel obinem pentru perechile
r=1, s=0 i r=0, s=1, respectiv
m1, 0 =

xi pij =
iI jJ

xi pi*
iI

= M(X)

(5.2)
m0,1 =

xi pij = y j p* j = M(Y)
iI jJ
jJ

(5.3)
Definiia 5.2. Se numete moment centrat de ordin r,
s (r, s N) al v.a. bidimensionale discrete (X, Y) expresia
r , s M [( X m1, 0 ) r (Y m0,1 ) s ] ( xi m1, 0 ) r ( y j m0,1 ) s pij
i I j J

(5.4)
Particulariznd r, s N avem
0,0 =

pij = 1
iI jJ

2
1,0 = M ( X m1, 0 ) = 0 ; 2,0 = M (( X m1,0 ) ) = D(X)

n mod asemntor 0,1 = 0, 0,2 = D(Y).

Definiia 5.3. Momentul centrat de ordin 1,1 se
numete covariana variabilelor aleatoare X i Y i se
noteaz
15

1,

= cov(X, Y)

(5.5)
Vectorul aleator fiind disctret, covariana se va calcula
cu formula
cov(X, Y) =

( x
iI j J

m1, 0 )( y j m0,1 ) pij

Propoziia 5.1. Fie (X, Y) un vector aleator. Atunci

cov(X, Y) = M(XY) - M(X) M(Y)
(5.6)
sau, folosind notaiile momentelor iniiale, este

Dem.
obinem

11 = m1,1 - m1,0 m0,1

(5.7)
Particulariznd n formula

(5.4)

pe

r=s=1

( xi y j m0,1 y j m0,1 xi m1, 0 m0,1 ) 2 pij =

11 =
i
j
=

( xi y j pij m1, 0 y j p* j m0,1

i

x j pi* m1,0 m0,1 p

i

ij

= m1,1 - m1,0 m0,1 - m0,1 m1,0 + m1,0 m0,1 = m1,1 - m1,0

m0,1
Propoziia 5.2. Dac X i Y sunt v.a. independente,
atunci
cov (X, Y) = 0
Dem. Dac v.a. X i Y sunt independente, atunci are loc
relaia pij = =pi* p*j, i I, j J. n acest caz se poate
scrie c
m1, 1 = M(XY) =

xi pi* yi p*j
iI jJ

xi y j pij =
iI jJ

xi y j pi* p* j =
iI jJ

= m1,0 m0, 1 = M(X) M(Y).

nlocuind n expresiile (5.6) sau (5.7), se obine o

covarian nul.
Definiia 5.4. Se numete coeficient de corelaie a
v.a. X i Y raportul

16

(X, Y) =

1,1

cov( X , Y )
=
D ( X ) D (Y )

2, 0 0, 2

(5.8)
Propoziia 5.3. Dac X i Y sunt v.a. independente
atunci
(X, Y) = 0
Dem. n formula (5.8) se folosete Prop. 5.2. i se
obine un coeficient de corelaie nul.
Reciproca acestei afirmaii nu este valabil.
Propoziia 5.4. Oricare ar fi v.a. X i Y avem
2(X, Y) 1
Dem. Se consider v.a.
U =

X M (X )
,
D( X )

V=

Y M (Y )
D (Y )

Folosind proprietile mediei i ale dispersiei se obin

urmtoarele valori
M(U) = M(V) = 0; D(U) = M(U2) = 1; D(V) = M(V2) = 1
M(UV) =

M X M ( X ) Y M (Y )
= (X, Y)
D( X ) D(Y )

Atunci, dac se presupune c vectorul aleator (X, Y)

este de tip discret (demonstraia este aceeai pentru tipul
continuu), atunci
pij = P(X = xi, Y = yj) = P(U = ui, V = vj), i I ; j J
Fie inegalitatea

(tui v j ) 2 pij 0
iI j J
care este evident pentru orice t R. Ea poate fi pus sub
forma
t2M(U2) + 2tM(UV) + M(V2) 0, t R,
din definiia momentelor iniiale.
Condiia ca aceast ultim inegalitate s aib loc
pentru orice t R este ca discriminatul s fie negativ sau
nul, adic
M(UV)2 - M(U2) M(V2) 0
ceea ce reprezint c 2(X, Y) - 1 0.

6. Drepte de regresie
Fie vectorul aleator discret (X, Y). Am definit n Cap. IV
paragraful 5 probabilitile condiionate ale v.a. Y / X = xi
17

i, respectiv, X / Y = y j ,
i I ; j J ca fiind date de
formulele (5.4) i (5.5).
Definiia 6.1. Valoarea medie a v.a. X condiionat de
evenimentul
Y = y j i valoarea medie a v.a. Y
condiionat de evenimentul X = xi sunt:
pij

M(X / Y = yj) = xi

p* j

iI

, j J

(6.1)
M(Y / X = xi) =

yj
j J

pij
pi *

, i I

(6.2)
Ele pot fi notate
M(X /Y = yj) = X (yj), j J;

M(Y /X = xi) = Y (xi),

iI
i, deoarece sunt funcii de y j , respectiv, de xi pentru
orice i I i j J,
ele vor reprezenta valorile unor variabile aleatoare care se
realizeaz cu probabilitile p*j , j J, respectiv pi* , i I, i
pe care le notm:
M(X / Y) = X (Y)
(6.3)
M(Y / X) = Y (X)
(6.4)
Propoziia 6.1. Corespunztor v.a. (6.1) au loc
relaiile:
MM(X / Y) = M(X)
(6.5)
MYM(X / Y) = M(XY)
(6.6)
Dem. Din Definiia 6.1 avem
MM(X / Y) =
M(X / Y = yj) p* j =
[ xi
jJ
jJ
iI

x p
i I j J

ij

pij
p* j

] p* j =

= M(X)

Apoi
y j M(X / Y = y ) p = y j [ x
MYM(X /Y)=
*j
i
j
j J
j J
iI

=
xi y j pij = M(XY).
=
iI j J

18

pij
p* j

] p* j

Pentru v.a. (6.4) se obin valori similare permutnd

literele x cu y.
Definiia 6.2. Curba Y = M(Y / X) se numete linia de
regresie a v.a. Y n raport cu X.
Evident, X = M(X / Y) va fi linia de regresie a lui X n
raport cu Y.
Propoziia 6.2. Dac v.a. X i Y sunt independente,
liniile de regresie sunt dou drepte paralele cu axele de
coordonate.
Dem.

Fie

pij pi* p* j , i I , j J ,

v.a.

independente.

Atunci

deci obinem nlocuind n formula (6.2)

de exemplu (la fel i n (6.1)), c

M(Y / X= xi ) =

y
j J

p* j = M(Y) = const.

Cum media unei constante este constant, rezult c

linia de regresie a lui Y n raport cu X are ecuaia Y = const.
ceea ce reprezint o dreapt paralel cu axa 0x.
Propoziia 6.3. Dac linia de regresie a lui Y n raport
cu X este o dreapt de ecuaie Y = aX + b atunci
a=

cov( X , Y )
, b = M(Y) - aM(X)
D( X )

(6.7)
Dem. Fie aadar dreapta de regresie de forma
M(Y /X) = aX + b
(6.8)
Atunci
M(M(Y / X)) = aM(X) + b = M(Y)
pentru c am folosit relaia (6.2), rezult c
b = M(Y) - aM(X)
Dac n ecuaia (6.8) se nmulesc ambii membrii cu X
i se calculeaz media, aplicnd rezultatul (6.6), se obine
relaia
M(X Y) = aM(X2) + bM(X)
n care se nlocuiete b i se deduce c
a=

M ( XY ) M ( X ) M (Y )
cov( X , Y )
=
.
D( X )
D( X )

19

7.
Momentele
variabilelor
bidimensionale continue

aleatoare

n cele ce urmeaz vom da modul de calcul al

mrimilor definite n paragrafele 5 i 6, precum i unele
demonstraii considernd c variabila aleatoare (X, Y) este
continu. Astfel, momentul iniial de ordin r,s este
mr , s M ( X rY s )

y s f ( x, y ) dxdy ,

r, s N

(7.1)
unde f(x,y) este densitatea de probabilitate a vectorului
(X, Y), iar momentul centrat de ordin r,s este
r , s M [( X M ( X )) r (Y M (Y )) s ]
=

(x m

1, 0

) r ( y m0 ,1 ) s f ( x, y ) dxdy

, r, s N

(7.2)
notaiile
i
fiind M(X) i M(Y), respectiv.
Pentru a calcula mediile condiionate se folosesc
densitile condiionate corespunztoare i se obine c
valoarea medie a v.a. X condiionat de Y = y i valoarea
medie a v.a. Y condiionat de X = x sunt, respectiv
calculate cu formulele:
m1, 0

m0 ,1

M(X / Y = y) = xf ( x /

M(Y / X = x) =

y)

dx, y R

yf ( y / x ) dx,

x R.

Pstrnd notaiile anterioare, ele devin:

M(X / Y = y) = X (y); M(Y / X = x) = Y (x)
deoarece sunt funcii de y, respectiv de x. Considernd c
ele reprezit valorile unor variabile aleatoare
M(X / Y) = X (Y); M(Y / X) = Y (X),
valori ce se realizeaz cu densitile de probabilitate f2(y),
respectiv f1(x), i folosind rezultatele Prop.6.1., se vor
putea determina ecuaiile curbelor de regresie i,
respectiv, ale dreptelor de regresie definite n paragraful
6.
Propozi]ia 7.1. Dreapta celor mai mici ptrate a lui Y
n raport cu X este dreapta de regresie corespunztoare.
Dem. Calculm media ptratelor abaterilor valorilor lui
Y de la ecuaia dreptei Y=X+ i obinem :
M[(Y- Y) 2 ]= M(Y - X - )2 = M(Y - M(Y)) - (X - M(X)) +
(M(Y) - - M(X) - )2 = M[(Y - M(Y)2 + 2(X - M(X))2+ (M(Y)) M(X) - )2 - 2(Y - M(Y))(X - M(X)) + 2(Y - M(Y))(M(Y) 20

M(X) - ) - 2(X - M(X))(M(Y) - M(X) - ) = D(Y)

2
2
+ D(X) + (M(Y) - M(X) - ) - 2cov(X, Y).
Folosind expresia (5.8) a coeficientului de corelaie se
obine :

D(Y )
M(Y - X - ) = D(X)

D( X )

+ D(Y)(1 - 2) +

+ (M(Y) - M(X) - )2
Aceast expresie este minim pentru
=

cov( X , Y )
D (Y )
=
, = M(Y) - M(X)
D( X )
D( X )

care sunt coeficienii (6.7) ai dreptei de regresie.

Dreapta n sensul celor mai mici ptrate a lui Y n
raport cu X va avea ecuaia dreptei de regresie
corespunztoare
Y - M(Y) =

cov( X , Y )
(X - M(X))
D( X )

(7.3)
i n mod analog, dreapta n sensul celor mai mici ptrate
a lui X n raport cu Y va fi
cov( X , Y )
(Y - M(Y))
D (Y )

X - M(X) =

(7.4)
n exemplul din paragraful 5.2 Cap. IV am considerat
un vector aleator (X, Y) repartizat normal i am calculat
densitile marginale.
Vom demonstra acum urmtorul rezultat:
Propozi]ia
7.2.
Regresia
distribuiei
normale
bidimensionale este liniar\.
Dem. Cu ajutorul expresiei densitii marginale f1(x) se
poate scrie
f (x, y) = f1(x)

1
2 2(1 )
2

1
2 22 (12 )

( y m2 2

x m1 2
)
1

de unde se deduce c densitatea lui Y condiionat de X

este
f (y / x) =

1
2 2(1 )
2

1
2 22 (12 )

( y m2 2

x m1 2
)
1

Aceasta este densitatea de probabilitate a unei v.a.

normale
cu
media
2
2
m2 +
(x - m1) i cu abaterea medie ptratic 2 1
1
. Deci
21

M(Y / X = x ) = m2 +

2
(x - m1)
1

prin urmare ecuaia liniei de regresie a lui Y n raport cu X

este
Y = m2 +

2
(X - m1)
1

care este ecuaia unei drepte.

8. Funcia caracteristic
8.1. Funcia caracteristic a variabilelor
aleatoare unidimensionale. Proprieti.
Definiia 8.1. Fie X o v. a. Aplicaia : R C dat de
X(t) = M(ei t X)
(8.1)
se numete funcia caracteristic a v.a. X.
innd cont de formula lui De Moivre: ei t X = cos tX + i
sin tX pentru t real, i de consecina ei: ei t X =
cos 2 tX sin 2 tX 1, deducem c funcia (8.1) exist pentru
orice v.a. X. Acest lucru acord deosebita importan pe
care o are funcia caracteristic fa de toate celelalte
mrimi caracteristice ale unei v.a., mrimi care uneori nu
exist
deoarece
seriile
asociate
sau
integralele
generalizate nu sunt convergente.
Modul de calcul al funciei caracteristice va ine seama
de tipul variabilei aleatoare, astfel: dac X este o v.a.
discret cu distribuia

X:

xk

pk

,kIN

atunci (8.1) devine

22

X(t) =

ei t x

pk ,

kI

(8.2)
iar dac X este o v.a. continu cu densitatea de
probabilitate f (x), atunci

X(t) = e

it x

f(x)dx

(8.3)
n urmtoarele propoziii i teoreme se vor da
proprietile funciei caracteristice fiind demonstrate doar
unele dintre ele.
Propoziia 8.1. Avem
X(t) 1, X(0) = 1.
Dem. innd cont de proprietatea: ei t X = 1, rezult
din definiie c

X(t) =
i X(0) =

k I

itx k

k I

pk

itx k

k I

pk =

p
k I

=1

= 1.

Propoziia 8.2. Funcia caracteristic este uniform

continu pe R.
Propoziia 8.3. Dac Y = aX + b, unde a i b sunt
constante reale, atunci
Y(t) = ei b t Y(at)
(8.4)
Dem. Se folosesc proprietile valorii medii. Avem
Y(t) = M(ei t(aX + b)) = ei b tM(ei t a X) = ei b tX(at)
Propoziia 8.4. Dac X1, X2, Xn sunt v.a
independente, atunci funcia caracteristic a v.a. X =
n

Xk
k 1

este

X(t) = X 1 (t ) X 2 (t ) ... X n (t )
(8.5)
Dem. Din definiia funciei caracteristice i din faptul c
v.a. sunt independente rezult
X(t) = M(

it

X k ) = M(
k 1

e i t X k ) = M (e i t X k ) = X k (t)

e
k 1
k 1
k 1
Corolar. Dac v.a. X1 Xn sunt independente, atunci
n

funcia caracteristic a v.a. X =

k X k
k 1

1, n, este
n

X(t) =
(8.6)

k 1

X (k t)

23

unde k R, k =

Propoziia 8.5. Fie X o v.a. Dac momentul iniial de

ordin r exist, atunci
1 (r )
mr = M(X r) = r ( 0 ) , r = 1, n
i
(8.7)
Teorema 8.1. (Teorema de inversiune) Fie X o v.a. cu
funcia de repartiie F(x) i funcia caracteristic (t). Dac
x1 < x2, sunt puncte de continuitate ale lui F(x), atunci
F(x 2 ) - F(x1) = lim
c

1
2

e i t x1 e i t x2
(t)dt

it
c
c

Teorema 8.2. (Teorema de unicitate) Orice funcie de

repartiie
este
unic
determinat
de
funcia
ei
caracteristic.
Teorema 8.3. Dac funcia caracteristic a v.a. X este
absolut integrabil, atunci funcia de repartiie F(x) este
absolut continu i X are densitatea de probabilitate
continu.
1
i t x
dt
(t )e

f (x) = F(x) =

(8.8)
Exemplu. S se determine densitatea de probabilitate a
v.a. cu funcia caracteristic
(t) = e- t , t R
Se va aplica formula de inversiune, deci
f (x) =

1
2

i t x

dt =

t (1i x )

1
2

t (1i x )

dt +

1
2

dt =

1
1
e t (1ix )

2 1 ix

1
1
1 ix e t (1ix )

=
0

1
1
1
1 1

,xR
2 1 ix 1 ix
1 x2

care este densitatea de probabilitate a repartiiei Cauchy.

8.2. Funcia caracteristic a variabilelor

aleatoare bidimensionale
Definiia 8.2. Fie (X, Y) o v.a. bidimensional. Funcia
caracteristic a ei este :R2 C dat de

(t1, t2) = M ei ( t1 x t 2 y (
(8.9)

24

Pentru cazul particular al v.a. bidimensionale discrete,

funcia caracteristic se calculeaz prin
(t1, t2) =

i ( t1xk t2 y j )

kI jJ

pij, I, J N

iar pentru v.a. bidimensionale continue prin

(t1, t2) = e

i ( t1x t 2 y )

f(x, y) dx dy

Exemplu. S se determine funcia caracteristic a v.a.

bidimensionale (X, Y) avnd densitatea de probabilitate

e ( x y )
f(x, y) =

, x, y 0, 0

0, x, y 0

Avem din definiie :

(t1, t2) = e

i ( t1x t 2 y )

e- (x + y) dx dy =

0 0

= e

( it1 ) x

( it1 )( it 2 )

e ( it2 ) y dx dy =

0 0

Dac dorim s determinm funciile caracteristice ale

componentelor X i Y ale vectorului aleator, atunci

X(t1) = (t1, 0) = ( it )
1

Y(t2) = (0, t2) = ( it )

2
de unde se deduce c (t1, t2)) = X(t1) Y(t2), rezultat care
se obine pentru c componentele aleatoare X i Y sunt
independente (f (x, y) = f1(x) f2(y)).

9. Funciile caracteristice ale repartiiilor

clasice
10. Repartiia binominal definit n 2.1 din Cap. 4
este dat de
P(X = k) = Cnk p k q n k ; k = 0, 1, ... n;
25

unde p, q 0, p + q = 1. Atunci funcia caracteristic a

v.a. X este:
n

X(t) = e

itk

k 0

de

Cnk p k

q nk =

C
k 0

k
n

(peit) k qn-k =

(peit + q)n
20. Repartiia Poisson de parametru > 0 este definit
k

P(X = k) = e- k! , k N.
Funcia caracteristic este atunci

X(t) =

k 0

(eit ) k

eit
( eit 1)
k! = e k 0 k! = e e e

itk

e-

Propoziia 9.1 Dac X1, Xn sunt n v.a. independente

repartizate Poisson de parametrii 1, n, respective,
n

atunci v.a. X =

Xk
k 1

este o v.a. Poisson de parametru =

k
k 1

Dem. Se utilizeaz Prop. 8.4 . Deci

n

X(t) = X k (t ) = e

k ( eit 1)

( eit 1)

n .
k 1

e
S-a obinut o funcie caracteristic ce corespunde unei
k 1

k 1

v.a. Poisson de parametru =

k
k 1

i conform teoremei

de unicitate, X are o repartiie Poisson.

30. Repartiia uniform pe intervalul
densitatea de probabilitate

a,

are

1
, x a, b
f (x) = b a
0,
`n rest
Atunci funcia catacteristic este
b

X(t) =

it x
e
a

1
ei b t ei a t
dx =
.
ba
ba

40. Repartiia normal N(m, ) are o densitate de

probabilitate

26

1 x m

1
f (x) =
e 2
2

, x R; m R, > 0

nlocuind n expresia (7.3) avem

1
X(t) =
2

Se face substituia
1
X(t) =
2
e

i t m

t 2 2
2

it x

dt

xm
= y i se obine

i t y i t m

y2
2

ei t m
2

dy =

1
( y i t )
2

1 xm

1
( y 2 2i t y )
2

dy =

dy

deci
t 2 2

X(t) = e i t m 2
Dac X N(0,1), particulariznd parametrii n formula
anterioar, se obine
t2

X(t) = e 2
Propoziia 9.2. Dac X1, ... Xn sunt v.a. independente
avnd repartiia Xk N (mk, k), k = 1, n, atunci v.a. X =
n

ak X k

are

k 1

N( ak mk ,

ak2 2k

k 1

k 1

repartiia

Dem. Folosind proprietile funciei caracteristice se

obine
n

t 2 ak2 2k
2

t2

ak mk 2 ak 2k

X(t) = X(tak) = e
=
k
e k
k 1
k 1
care este funcia caracteristic a unei v.a. normale de
parametrii
i ak t mk

m=

ak mk
k 1

it

, 2 =

ak 2k .
k 1

Propoziia 9.3. Dac X1, ... Xn sunt v.a. independente

repartizate normal de aceeai parametrii m i (Xk N(m,
1 n
), k = 1,... n), atunci v.a. X = X k (media atrimetic a
n k 1
celor n v.a.) are repartiia normal de parametrii m i

.
n

Demonstraia se face prin particularizarea parametrilor

din propoziia anterioar mk = m, k = =
27

1
, k = 1, n.
n

Rezultatul propoziiei urmtoare a fost demonstrat n

Exemplul 1 din Cap. IV, &6, folosind proprietile funciei
de repartiie, dar se poate obine i cu ajutorul funciei
caracteristice aa cum se va vedea :
Propoziia 9.4. Dac X N(m, ), atunci v.a.
Z=

X M (X ) X m

D( X )

are repartiie normal normat.

Dem. Se aplic Propoziia 8.3. Atunci
m

t 2 2

Z(t) = X(t / ) e it = e i m 22 e it =

t2
2

e
care este funcia caracteristic a repartiiei normale
normate. Deci v.a.
Z N(0, 1).
V.a. Z definit n Prop.9.4. se numete variabila
normat a lui X.
50.Repartiia exponenial este dat de
f (x) = e-x, x 0; > 0
prin urmare funcia caracteristic va fi

(t) = e

e x dx = e x ( it ) dx =

it x

it

60.Repartiia 2 cu n grade de libertate i de parametru

a are densitatea de probabilitate

1
f (x) =

n
2

n
2 a
2

n
1
2

x
2a2

, x 0, n N, a> 0.

Atunci funcia caracteristic va fi

1

(t) =

n
2

n
2 a n
2

it x

n
1
2

x
2a2

dx =

n
1
2

2a2

i t

dx

Cu substituia x (

1
- it) = y se obine
2a 2

(t) = (1 - 2a2it)-n/2

28

n
2

2 a n

Propozi]ia

9.5.

Dac

X1,

Xn

independente repartizate N(0, ), atunci X =

sunt
n

X
k 1

n
2
k

v.a.

este o

variabil aleatoare repartizat n 2 ().

Dem. Din Exemplul 2, Cap. IV, &6 rezult c variabilele
X k2 12 (), k = 1,...n. Cum cele n v.a. sunt
aleatoare
independente, avem din proprietile funciei caracteristice
c
n

X(t) =

X
k 1

2
k

(t) =

(1 2 2it )

1
2

= (1 2 2 it )

k 1

n
2

deci X n ()..
Propozi]ia 9.6. Dac X1, Xn sunt v.a. independente
2
astfel nct
Xk k (), k = 1, n, atunci v.a. X =
n
2 ()
X k n k
2

k 1

k 1

Dem. Cu aceleai proprieti se obine

n

X(t) =

X
k 1

(t) =

(1 2 it )
2

k
2

k 1

= (1 2 2it ) 2 k1 k

adic v.a. X ce reprezint suma a n variabile aleatoare

independente repartizate 2 de acelai parametru i cu
grade de libertate diferite k, k = 1, n, are o reparti]ie
2 de parametru i cu numrul gradelor de libertate egal
cu suma gradelor corespunztoare.

10. Teoreme limit central

Fie (Xn)n un ir de v.a independente definite pe acelai
cmp borelian de probabilitate (, K, P), avnd mediile
M(Xk) = mk i dispersiile D(Xk) = = 2k , k N* finite.
Se definete irul de v.a. (Yn)n prin
n

Yn =

Xk
k 1

, n N*,

pentru care
n

M(Yn) =

M (Xk ) =

D(Yn) =

D( X k ) = 2k (2n )

k 1

mk
k 1

k 1

k 1

m( n )

Normnd v.a. Yn, n N* se obine irul de v.a.

29

Zn =

Yn m( n )
(n)

, n N*

(10.1)
cu funcia de repartiie Fn(x).
Fie
2
1 x t2
F(x) =
e dt
2
(10.2)
funcia de repartiie a unei v.a. normale normate.
Condiiile n care irul de funcii de repartiie (Fn(x))n
converge ctre funcia F(x) sunt stabilite de teoremele
numite teoreme limit central, sau, n ali termeni,
teoremele limit central vor determina ipotezele n care
irul de v.a. (Zn)n converge ctre o v.a. Z N(0, 1).
Deoarece repartiia normal are un rol deosebit de
important att din punct de vedere teoretic ct i practic,
este necesar s se cunoasc condiiile n care un ir de v.a.
independente are asimptotic o repartiie normal normat.
Pentru demonstrarea teoremelor limit central se
impune urmtorul rezultat.
Teoremea 10.1. (Levy) Fie (Xn)n un ir de v.a. Dac
v.a. Xn are funcia de repartiie Fn(x) i funcia
caracteristic n(t), iar X este o v.a. cu funcia de repartiie
F(x) i funcia caracteristic (t), atunci Fn(x) n F(x),
dac i numai dac n(t) n (t) uniform pe orice interval
finit al lui t .
Teorema 10.2. (Teorema limit central Linderberg Levy) Fie (Xn)n un ir de v.a independente avnd aceeai
repartiie cu valorile medii M(Xk) = m i dispersiile D(Xk) =
2, k N*. Atunci irul de v.a (Zn)n definit de (10.1) are
asimptotic o repartiie normal normat.
Dem. Din ipotezele teoremei avem
n

Zn =

X k m( n )
k 1

(n)

X k nm
k 1

1
=
n

k 1

Xk m

Notnd variabilele
Yk =

Xk m
, k N,

pentru care M(Yk) = 0 i D(Yk) = 1, k N, gsim

Zn =

1
n

Y
k 1

Deoarece v.a. X1, ... Xn sunt independente i au

aceeai repartiie, variabilele Y1 ,...Yn ... vor fi, la rndul
30

lor, independente i vor avea aceeai repartiie, deci vom

putea folosi Prop.8.3 i 8.4 pentru funciile caracteristice
k (t ) ale v.a. Yk , k 1,...n , de unde gsim c
n

zn(t) =

k 1

t
t
= k (
)n, k = 1, n
n
n

Din proprietile funciei caracteristice ( Prop. 8.5) se

tie c
k (0) = iM(Zk) = 0

k (0) = i2M2(Zk) = i2D(Zk) = -1

Dezvoltnd n serie funcia k (

t
) pn la termenul
n

de gradul doi i folosind valorile de mai nainte se obine

k (

unde 0(

t
t3
t2
)=1+ 0( 3 / 2 )
n
2n
n

t3
) este restul de ordin 3 al seriei. Atunci
n3/ 2

lim

zn(t) =

lim

1 -

t2
t3
t2
+ 0( 3 / 2 )n = e 2
2n
n

care este funcia caracteristic a repartiiei normale

normate.
n baza teoremei lui Levy, rezult c irul funciilor de
repartiie corespunztor irului (Zn ) nN converge ctre
funcia de repartiie a unei v.a. Z N(0,1).
Teorema 10.3. (Teorema Moivre - Laplace) Fie (Xn)n un
ir de v.a. independente repartizate binominal Bi(1.p).
Atunci irul de v.a. Zn definite prin (10.1) are asimptotic
repartiia N(0,1).
Dem. Se aplic Teorema 10.2 pentru c
Corolar.

M(Xk) = p, D(Xk) = pq, k N

Fie (Xn)n un ir de v.a. independente
n

repartizate binominal i fie Yn =

P(a < Yn < b) (

Xk
k 1

b np
npq

. Atunci

) - (

a np
npq

(10.3)
Dem. V.a. Yn au M(Yn) = np, D(Yn) = npq, pentru orice n

N*,
deci
n
Teorema 10.3 v.a. Zn are expresia
Zn =

Yn np
npq

31

i are asimptotic repartiia normal normat. Atunci pentru n

suficient de mare, v.a. Yn are o repartiie normal de
parametrii np i npq , de unde rezult formula (10.3).
Acest corolar permite ca pentru un numr suficient de
mare de probe independente, n care se urmrete apariia
unui eveniment ce se produce n orice prob cu aceeai
probabilitate p, s poat fi folosit funcia de repartiie
normal n locul celei binominale, care ar conduce la
calcule foarte laborioase.
Exemplu. ntr-un magazin alimentar sunt servite zilnic
n = 1 000 persoane. Probabilitatea ca o persoan s
cumpere este p = 0,8. Care este probabilitatea ca numrul
cumprtorilor s fie: a) 810; b) ntre 790 i 810.
Rezolvare. Fie Xk v.a. ce reprezint faptul c cea de a k
persoan este cumprtor sau nu. Atunci
1
X k :
0,8

0
, k N.
0,2

Cum n = 1 000 este foarte mare, se poate aplica

Corolarul teoremei Moivre-Laplace:
a) P(Yn = 810)

810 800
1
+ (
) = 0,9938;
160
2

b) P(790 < Yn < 810) (

810 800
790 800
) - (
) =
160
160

0,9876.

11. Legi ale numerelor mari

Aceste legi stabilesc condiiile n care aciunea
concomitent a mai multor factori conduce la un rezultat
care nu mai este aleator, mai precis, se dau condiiile n
care media aritmetic a unui numr suficient de mare de
v.a. i pierde caracterul aleator.
Definiia 11.1. Spunem c irul de v.a (Xn) n N
urmeaz legea slab a numerelor mari dac exist un ir
de numere reale (an) nN astfel ca pentru orice > 0 s
avem
1 n

1 n
lim P X k ak = 0
n
n k 1
n k 1

(11.1)
sau

1 n

1 n
X k ak = 1

n k 1
n k 1

lim P
n

(11.2)

32

Teorema 11.1. (Cebev) Fie (Xn)n un ir de v.a

independente avnd mediile finite i dispersiile egal
mrginite. Atunci, pentru orice > 0, avem

1 n

1 n
X

M ( X k ) = 1

k
n
n k 1
n k 1

(11.3)
Dem. S notm media artimetic a primelor n v.a.
independente din ir
1 n
Yn = X k
n k 1
pentru care avem
1 n
M(Yn) = M ( X k )
n k 1
1 n
c
D(Yn) = 2 D( X k )
n k 1
n
lim P

deoarece D(Xn) c pentru orice n N, unde c este o

constant real. Se aplic inegalitatea lui Cebev (vezi
Propoziia 4.4 ) pentru v.a. Yn
P Yn - M(Yn) < 1 - c / n2
i trecnd la limit se obine exprimarea (11.2) a legii
slabe a numerelor mari n care irul numerelor reale este
ak = M(Xk), k N.
Teorema 11.2. (Markov) Fie (Xn)n un ir de v.a. pentru
care
n
1
lim 2 D( X k ) = 0.
n n
k 1
Atunci irul (Xn)n se supune legii slabe a numerelor mari n
formularea (11.3).
Dem. Se definete v.a. Yn la fel ca n demonstraia
Teoremei 11.1., avnd aceeai medie, iar dispersia fiind
n
1
D(Yn) = 2 D ( X k )
n
k 1
i se trece la limit n inegalitatea lui Cebev aplicat lui
Yn. Avem
n
lim P Yn - M(Yn) < lim 1 D ( X k )
2
n
n
n
k 1
=1
din ipoteza teoremei i, cum orice eveniment are
probabilitatea subunitar pozitiv, rezult c limita de mai
sus este chiar 1.
Teorema 11.3. (Bernoulli) Fie k numrul de apariii ale
unui eveniment A n n probe independente i p = P(A).
Atunci
33

lim P( k - p < ) = 1
n
n

(11.4)
Dem. Se consider v.a. Xi ce reprezint rezultatul celei
de a i probe, i = 1,... n. Atunci

Xi :

1 0

p q

, i = 1, ... n; p, q 0; p + q = 1

unde p este probabilitatea de realizare a evenimentului A.

Evident,
avem
n

k=

X i , k n i vom arta c variabilele aleatoare

k 1

Xi, i

= 1, n satisfac condiiile teoremei Cebev. Aadar

M(Xi) = p, i = 1, n
D(Xi) = pq 1 / 4, i = 1, n
i, cum probele sunt independente, nlocuind n formula
(11.3) se obine convergena (11.4).
Teorema 11.4. (Poisson) Fie k numrul de apariii ale
unui eveniment A n n probe independente i fie pi
probabilitatea de realizare a evenimentului A n cea de a i
prob, i = 1, n. Atunci
n
lim P k 1 pi = 1
n
n n i 1

(11.5)
Dem. Fie v.a. Xi ce reprezint rezultatul cele de a i
probe

Xi :

1 0

pi qi

, pi, qi 0, pi + qi = 1, i = 1, ... n

(valorile v.a. Xi sunt 1 i 0 dup cum evenimentul A se

realizez sau nu.).
34

Atunci M(Xi) = pi, D(Xi) = pi qi

1
, iar Xi cu i = 1, n
4

sunt v.a. independente. Avem

1 n
1 n
k
k
X
pi i
M( ) = M( i ) =
D( )= =

n
n
n i 1
n 1
1 n
1
pq
,
2 i i
4n
n i 1
n
1
lim
de unde n 2 D( X i )=0. Am obinut astfel condiia
n
i 1
Teoremei Markov, care conduce la convergena exprimat
n relaia (11.5).
Observaie. Teorema lui Poisson este o generalizare a
teoremei lui Bernoulli pentru care avem p1 = p2 = ... = pn
= p.
Definiia 11.2.
Se spune c irul de v.a. (Xn)n
urmeaz legea tare a numerelor mari dac exist un ir de
numere reale (an)n astfel ca

P( nlim
X k n ak = 0) = 1

k 1
n k 1

(11.6)
Vom da fr demonstraie doar una dintre teoremele
ce stabilesc condiiile n care irul de v.a. se supune legii
numerelor mari.
Teorema 11.7. (Kolmogorov) Fie (Xn)n un ir de v.a
independente
cu medii i dispersii finite. Dac seria

n2

D( X n )

este convergent, atunci irul de v.a. se

supune legii numerelor mari n formularea :

1 n
1 n

P lim X k M ( X k ) 0 = 1
n n k 1
n k 1

(11.7)
n 1

10. Aplicaii
1. O int este mprit de 3 cercuri concentrice n 3
zone enumerate I, II, III pornind de la centru. Se atribuie 3
35

puncte dac proiectilul lovete inta n zona I, 2 puncte

pentru zona II i 1 punct pentru zona III. 4 intai
efectueaz trageri, probabilitile lor de a nimeri fiecare
zon fiind:
p1 = 0,05 p1 = 0,3
p1 = 0,54 p1 = 0,68
p2 = 0,55

p2 = 0,6

p2 = 0,43 p2 = 0,3

p3 = 0,4

p3 = 0,1

p3 = 0,03 p3 = 0,02

Determinai punctajul mediu pe partid obinut de

fiecare inta i abaterea medie ptratic. Ce rezultat va fi
mai bun?
2. Calculai funcia de repartiie, valoarea medie i
dispersia pentru v.a. X dac se tie c
1
P(X = n) = n , n N
2
S se calculeze P( X - M(X) > 2 ) i limita ei superioar.
3. V.a. X are distribuia de probabilitate

X:

x1 x2 xm

p1 p2 pm

pi 0, i 1, n

cu

pi 1
i1

i cu valorile x1 < x2 < xm. S se calculeze L = lim

n
M n 1 ( X )
.
mn ( X )

4.Se d v.a. X pentru care avem c

P ( X k ) c ( n)

k 1
, k 1,2,...n, n N .
n

a) S se determine c(n).
b) S se calculeze media i dispersia v.a. X.
5. Un comerciant dispune la momentul t0 de un numr
de s articole, s N. Cererea acestui articol n intervalul
de timp t0, t1 este o v.a. X care are
P(X = k) c(x0) p qk-1, k = x0, x0 + 1,
unde p > 0, p + q = 1, i x0 < s este un numr natural
fixat.
a) S se determine c(x0) i M(x).
36

b) dac cererea este mai mic dect s, atunci marfa

deteriorndu-se va fi vndut n pierdere i deci
comerciantul va suferi o pierdere medie de l1 u. m.
Dac cererea este mai mare dect s, atunci el va
cheltui n medie cu aprovizionarea o sum de l2 u.m. S se
afle cheltuiala medie a comerciantului suportat n
perioada t0, t1.
6. Se d funcia

f(x) = ae- x , a R.
a) S se determine a astfel nct f(x) s fie densitatea
de probabilitate a unei v.a. X.
b) S se calculeze M(X), D(X) i coeficienii de asimetrie
i de exces.
7. Fie funcia

a cos x, / 2 x / 2
f(x) =
0 , `nrest

a) S se afle a R astfel nct f(x) s fie densitate de

probabilitate.
b) S se calculeze M(X) i D(X).
c) S se determine funcia de repartiie i P(0 < X < /
4).
8. Fie funcia

f(x) =

1
, 1 c x 1 c, c R
x
0 ,
`nrest

a) S se determine c R astfel nct f(x) s fie

densitatea de probabilitate.
b) S se calculeze funcia de repartiie, M(X) i D(X).
9. Fie = (0, 0), (0, 1), (1, 0), (1, 1) - mulimea
tuturor momentelor elementare presupuse egal probabile
i fie v.a. X i Y definite pe prin
X() = a, Y() = b a = (a, b)
a) Verificai c X i Y sunt independente.
b) Determinai distribuia v.a. T = XY, valoarea ei
medie i dispersia.
c) Determinai distribuia v.a. U = X + Y i funcia ei de
repartiie.

37

10. O urn conine 3 bilete numerotate 1, 2, 3. Se fac

dou extrageri fr a pune bila extras n urn. Dac X i Y
sunt v.a. ce reprezint rezultatul fiecrei extrageri, s se
calculeze coeficientul lor de corelaie.
11. V. a. X are densitatea de probabilitate

cos x, 0 x / 2
f(x) =
0, `nrest
S se determine funcia caracteristic i, cu ajutorul ei,
M(X) i D(X).
12. S se
corespunztoare
probabilitate:

f1(x) =

determine funciile
v.a. cu urmtoarele

a s s1 ax
x e , x0

; f (x) =
M
(
a
)

0 , x 0 (a 0, s 1)

13. S se determine repartiiile

urmtoarele funcii caracteristice:
a) 1(t) = cos t
b) 2(t) = cos2 t

k 0

caracteristice
densiti de

2
(1 x 2 ) 2

v.a.

care

au

c) 3(t) = ak cos kt, cu ak > 0, ak = 1.

14. S se determine densitatea de probabilitate a v.a.
X ce are funcia caracteristic
(t) = e- t , t R
15. Fie v.a. X1, X2, Xn independente repartizate
uniform pe -1, 1
a) S se calculeze funcia caracteristic a v.a.
Y = X1 + X2 + Xn
precum i densitatea ei de probabilitate
b) S se determine P(-a Y < a), a R+.
16. Fie (X, Y) o v.a. bidimensional cu densitatea de
probabilitate

38

 a b e axby , x, y 0
f(x, y) =
0 `nrest a, b 0
S se determine liniile de regresie.
17. Fie (X, Y) o v.a. bidimensional cu densitatea de
probabilitate
f(x, y) =

k
, x, y R
(1 x y 2 )5 / 2
2

a) S se afle constanta real k.

b) S se calculeze coeficientul de corelaie a v.a. X i Y.
18. O urn conine 10 bile albe, 8 negre i 2 roii. Dac
au loc 200 de extrageri cu ntoarcere, s se determine
probabilitatea ca numrul de bile albe s fie:
a) cuprins ntre 95 i 102;
b) mai mic dect 90;
c) mai mare de 105.
19. n problema anterioar se cere numrul minim de
extrageri pentru ca probabilitatea ca numrul bilelor albe
extrase s se abat de la valoarea medie cu mai puin de
5 bile s fie 0,95.
20. S se afle, aplicnd inegalitatea
marginea inferioar a probabilitii ca

Cebev,

Yn
1
1

5
10
6 100

unde Yn este numrul de apariii ale feei 3 n 105 aruncri

ale unui zar.
21. Se arunc un zar de 500 ori. Cu ce probabilitate
obinem faa 4 de cel mult 90 ori?
22. Cu ce probabilitate se poate afirma c din 100 de
aruncri ale unei monede, stema apare de un numr de ori
cuprins ntre 40 i 60?
23. Se arunc de 360 ori o pereche de zaruri. Cu ce
probabilitate perechea (6, 6) apare de un numr de ori
cuprins ntre 8 i 12?

39

24. Fie XnnN un ir de v.a

independente cu
urmtoarele repartiii:
P(X1 = 0) = 1,
k
k
0

2
Xk : 1
1 k = 1, 2, 3, ...
1

k
k
k
S se arate c irul se supune legii slabe a numerelor
mari.
25. Fie Xnn un ir de v.a independente pentru care
P(X1 = 0) = 1,
P(Xk = -

ln k

) = P(Xk =

ln k

)=

1
, k = 2, 3, ...
2

S se arate c irul dat se supune legii slabe a

numerelor mari n formularea lui Markov.
26. Fie irul de v.a XnnN independente care au
M(Xn) = 0, D(Xn) = n, n N*, 0 < < 1.
S se arate c irul se supune legii numerelor mari
27. Fie irul XnnN de v.a. independente avnd
densitile de probabilitate
fn(x) =

1
n

( x n )
n

, x R, 0 1, n N*.

S se arate c irul se supune legii numerelor mari.

28. Fie X o v.a. repartizat gamma de parametru n
N*- i fie
Y=

X M (X )
D( X )

S se atare c funcia de repartiie a v.a. Y tinde ctre

funcia de repartiie normal normat cnd n .
29. Fie X o v.a. cu densitatea de probabilitate

f(x) =

a n n1 ax
x e , x 0, a 0, n N *

( n)
0, x 0

S se arate c pentru a fixat funcia de repartiie a v.a.

40

Y=

X M (X )
D( X )

tinde ctre funcia de repartiie normal normat cnd

n.
30. Fie irul XnnN de v.a. independente cu repartiia
1

Xn :
p

1
, p, q 0, p q 1
q

i fie irul de v.a.

Y1 = X1, Y2 = X1X2, ... Yn = X1X2 ... Xn, ...
a) S se calculeze M(Yn) i s se afle repartiia lui Yn, n
N*.
b) S se arate c funcia de repartiie a v.a. Yn tinde,
pentru n , ctre funcia de repartiie a unei v.a. care se
va determina.

41