Documente Academic
Documente Profesional
Documente Cultură
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
M(C) = C, C R.
(Cx i ) pi = C xi p i
iI
iI
= CM(X).
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
sunt
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)
n N
x x
dx 2 .
200
,y0
(10 y )3
D( 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 )
4 ( X )
- 3.
22 ( X )
( xi M ( X )) 2 P(X = xi)
iI
(2.6)
C2D(X)
(2.7)
Demonstraie. Din formula (1.7) avem
M(CX) = CM(X),
M(C2X2) = C2M(X2)
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 ) ( M () X i ) 2 = Ci2 D ( X i ) .
=
i
x 0
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
na
,
N
D(X) =
na ( N a )( N n)
N 2 ( N 1)
Cax
x 0
C Nnxa C Nn
Cax C Nnxa
1
n
M(X) =
n
CN
CN
x 0
n
1
C Nn
x 0
a Cax11
x 1
a!
C Nnxa =
a
na
C Nn11
n
CN
N
1
,
p
D( X )
q
p2
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 )
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
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
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
M(X) = xf
( x)
dx = a
dx =
ba
ab
.
2
Analog se obine
M(X2) = x 2
x2
= a
dx =
ba
f ( x ) dx
a 2 ab b 2
,
3
(b a ) 2
.
12
D(X) = 2
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
10
( x m)
1 xm
dx =
1
2
y e
y2
2
dy =
y2
2
dy
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.
1
1
...
.
1
n
nk
M2k(X) =
pentru 2k + 1 < n
n 2k
2k 1
) (
)
2
2
, pentru 2k < n,
n
( )
2
m
2
x (1 x / n)
Dem. Integrala
n2
2
dx este convergent
n2
2
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
(
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
f(x)dx <
x 1
, de unde
f(x)dx < .
f(x)dx < .
M ( X 2 ) M (Y 2 )
(4.1)
m = x dF(x) 0 ,
0
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
(4.4)
echivalent cu (4.3).
14
(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)
1,
= cov(X, Y)
(5.5)
Vectorul aleator fiind disctret, covariana se va calcula
cu formula
cov(X, Y) =
( x
iI j J
Dem.
obinem
(5.4)
pe
r=s=1
ij
xi pi* yi p*j
iI jJ
xi y j pij =
iI jJ
xi y j pi* p* j =
iI jJ
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 )
M X M ( X ) Y M (Y )
= (X, Y)
D( X ) D(Y )
(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;
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
Fie
pij pi* p* j , i I , j J ,
v.a.
independente.
Atunci
y
j J
p* j = M(Y) = const.
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
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.
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 )
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
1
2 2(1 )
2
1
2 22 (12 )
( y m2 2
x m1 2
)
1
M(Y / X = x ) = m2 +
2
(x - m1)
1
2
(X - m1)
1
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
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.
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
k X k
k 1
1, n, este
n
X(t) =
(8.6)
k 1
X (k t)
23
unde k R, k =
1
2
e i t x1 e i t x2
(t)dt
it
c
c
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
(t1, t2) = M ei ( t1 x t 2 y (
(8.9)
24
i ( t1xk t2 y j )
kI jJ
pij, I, J N
(t1, t2) = e
i ( t1x t 2 y )
f(x, y) dx dy
e ( x y )
f(x, y) =
, x, y 0, 0
0, x, y 0
(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
X(t1) = (t1, 0) = ( it )
1
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-
atunci v.a. X =
Xk
k 1
k
k 1
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
k
k 1
i conform teoremei
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
26
1 x m
1
f (x) =
e 2
2
, x R; m R, > 0
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
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
.
n
1
, k = 1, n.
n
X M (X ) X m
D( X )
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
1
f (x) =
n
2
n
2 a
2
n
1
2
x
2a2
, x 0, n N, a> 0.
(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
sunt
n
X
k 1
n
2
k
v.a.
este o
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
X(t) =
X
k 1
(t) =
(1 2 it )
2
k
2
k 1
= (1 2 2it ) 2 k1 k
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 )
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,
1
n
Y
k 1
zn(t) =
k 1
t
t
= k (
)n, k = 1, n
n
n
t
) pn la termenul
n
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
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
0
, k N.
0,2
810 800
1
+ (
) = 0,9938;
160
2
810 800
790 800
) - (
) =
160
160
0,9876.
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
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
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
k=
Xi, i
(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
1
, iar Xi cu i = 1, n
4
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 )
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
p2 = 0,6
p2 = 0,43 p2 = 0,3
p3 = 0,4
p3 = 0,1
p3 = 0,03 p3 = 0,02
X:
x1 x2 xm
p1 p2 pm
pi 0, i 1, n
cu
pi 1
i1
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
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
f(x) =
1
, 1 c x 1 c, c R
x
0 ,
`nrest
37
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)
k 0
caracteristice
densiti de
2
(1 x 2 ) 2
v.a.
care
au
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
Cebev,
Yn
1
1
5
10
6 100
39
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
1
n
( x n )
n
, x R, 0 1, n N*.
X M (X )
D( X )
f(x) =
a n n1 ax
x e , x 0, a 0, n N *
( n)
0, x 0
40
Y=
X M (X )
D( X )
Xn :
p
1
, p, q 0, p q 1
q
41