Documente Academic
Documente Profesional
Documente Cultură
F(x) = F(x-0).
Reciproca acestei teoreme este următoarea:
Teorema 14. Orice funcţie F : ℜ → [0,1], monotonă, nedescrescătoare, continuă la
stânga şi cu F(- ∞ ) = 0, F(+ ∞ ) = 1 este funcţia de repartiţie a unei variabile aleatoare
definită pe un câmp de probabilitate convenabil ales.
Observaţii. (i). Dacă ξ este o variabilă aleatoare discretă cu pi = P(ξ = xi), i∈I,
atunci rezultă:
F ( x) = ∑ pi ,
xi < x
25
3’. P(a < ξ ≤ b) = F (b + 0) − F (a + 0) ;
4’. P(a ≤ ξ ≤ b) = F (b + 0) − F (a + 0) .
Definiţia 18. Se numeşte salt în punctul x0∈ℜ al funcţiei de repartiţie
F : ℜ→[0, 1], expresia S ( x 0 ) = F ( x 0 + 0) − F ( x 0 − 0) .
Teorema 16. O funcţie de repartiţie F are o mulţime cel mult numărabilă de
puncte de discontinuitate de prima speţă .
Demonstraţie. Deoarece 0 ≤ F ( x) ≤ 1 , funcţia F nu poate avea decât cel mult un
1 1 1
salt mai mare ca , cel mult trei salturi pentru care < S ( x0 ) ≤ , cel mult 2 n −1 salturi
2 4 2
1 1
pentru care n < S ( x0 ) ≤ n −1 .
2 2
Renumerotând salturile rezultă că mulţimea salturilor nenule este o mulţime cel
mult numărabilă .
Noţiunea de funcţie de repartiţie se poate extinde în mod natural la variabilele
aleatoare n-dimensionale astfel :
Definiţia 19. Fie (ξ , η ) : Ω→ℜ 2 o variabilă aleatoare 2-dimensională. Funcţia
F : ℜ2→ [0, 1] definită astfel :
F ( x, y ) = P ({ω / ξ (ω ) < x,η ( x) < y})
se numeşte funcţia de repartiţie a vectorului aleator bidimensional (ξ ,η ) .
Teorema 17. Funcţia de repartiţie F (⋅,⋅) satisface următoarele proprietăţi :
(i). 0 ≤ F ( x, y ) ≤ 1 , ∀(x. y)∈ℜ2;
(ii). F (⋅,⋅) este nedescrescătoare în raport cu fiecare variabilă, adică
F ( x1 , y ) ≤ F ( x 2 , y ) , dacă x1 < x2 ; (∀)y∈ℜ;
F ( x, y1 ) ≤ F ( x, y 2 ) , dacă y1 < y2 ; (∀)x∈ℜ.
lim F ( x, y ) = 0, lim F ( x, y ) = 0, lim F ( x, y ) = 0, lim F ( x, y ) = 1.
(iii). x →−∞ y → −∞ x → −∞ x →∞
y → −∞ y →∞
ξη
x →∞ x →∞
26
- repartiţia Ha;
- repartiţia binomială;
- repartiţia Poisson.
(i). Repartiţia Ha
Dacă ξ este o variabilă aleatoare care este, aproape sigur, egală cu a, adică
P({ω ξ (ω ) = a}) =1, funcţia ei de repartiţie este:
0, adică x ≤ a
Fa ( x ) =
1, adică x > a,
a
iar repartiţia ei definită de ξ : ; această repartiţie se numeşte Ha.
1
Observaţie. Funcţia de repartiţie a oricărei variabile aleatoare discrete ξ poate fi
scrisă sub forma:
∞
F ( x) = ∑ pi Fai ( x ),
i =1
27
ξ (n) = ξ 1 + ξ 2 +…+ ξ n
unde, pentru fiecare j, 1 ≤ j ≤ n , variabila aleatoare ξ j ia valoarea 1 sau 0 după cum la
experienţa de rang j s-a realizat evenimentul A sau evenimentul CA, ia valoarea k dacă
evenimentul k s-a produs de k ori; variabilele aleatoare ξ j, 1 ≤ j ≤ n sunt independente;
1 0
fiecare variabilă ξ j(j = 1,…,n) are repartiţia ξ j : ; evident ξ (n)∈B(n, p).
p q
Observaţie. Repartiţia binomială a fost studiată J. Bernoulli (1654-1705). Schema
bilei reîntoarse, imaginată de Bernoulli, a jucat un rol important în dezvoltarea statisticii
matematice. Schema este realizată de o succesiune de extrageri independente dintr-o urnă
care conţine a bile albe şi b bile negre, a şi b fiind constante în decursul extragerilor
succesive. Probabilitatea de a extrage o bilă albă sau neagră este aceeaşi la fiecare extragere
şi anume:
a b
p= , q= .
a+b a+b
Funcţia de repartiţie a repartiţiei binomiale este funcţia de repartiţie a variabilei
aleatoare ξ (n).
0 , dacă x ≤ 0
0 n
C n q , dacă 0 < x ≤ 1
1
∑ C n p q , dacă 1 < x ≤ 2
k k n−k
[ x ]−1
k =0
F(x) = P({ω ξ (n)(ω ) < x}) = ∑ C n p q =
k k n−k
k =0 .....................................................
n −1 k k n − k
∑ C n p q , dacă n − 1 < x ≤ n
k =0
1 , dacă x > n
Graficul funcţiei de repartiţie a repartiţiei binomiale are n trepte corespunzătoare
celor n+1 puncte de discontinuitate.
Figura 1.
Definiţia 20. Fie ξ o variabilă aleatoare a cărei funcţie de repartiţie este F. Dacă
există o funcţie de repartiţie f : ℜ→ℜ, integrabilă pe ℜ, astfel încât:
x
F ( x) = ∫ f (u )du,
−∞
29
10 . f ( x ) ≥
0, pentru orice x ∈
ℜ;
+
∞
2 0. ∫
f (u )du =
−
∞
1;
3 0. Pentru orice a, b ∈
ℜ,a<
b are loc relaţia :
b
ξ
P( a ≤ ∫
; b) =f ( x)dx.
a
−∞ −∞
∂ n F ( x1 , x 2 ,..., x n )
3 0. f ( x1 , x 2 ,..., x n ) = .
∂x1∂x 2 ...∂x n
Pentru cazul bidimensional (n = 2) rezultă:
Definiţia 22. Se numeşte densitate de probabilitate bidimensională a doua
derivată parţială mixtă (dacă există) a funcţiei de repartiţie F( ⋅,⋅ ):
∂ 2 F ( x, y )
f ( x, y ) = .
∂y∂x
Teorema 20. Densitatea de probabilitate bidimensională f( ⋅,⋅ ) are proprietăţile
următoare:
(i ). f ( x, y ) ≥ 0, (∀ )( x, y ) ∈ ℜ
2
;
∞
∞
(ii). ∫∫
f ( x, y )dxdy =
1;
−
∞−
∞
x y
∫
(iii ). F ( x, y) =∫f ( x, y )dydx
−∞
∞−
(iv). P({ω
| (ξ
(ω
),η
(ω
)) ∈ ∫f ( x, y)dxdy,
D}) =
D
30
∞ ∞
∫
(v). f1 ( x) =
−
∞
∫
f ( x, y )dy; f 2 ( y ) =
f ( x, y )dx.
−
∞
π σ
m) 2
( x−
f ( x) = e 2σ
1 −
σ , > 0, x ∈
2
ℜ .
2 n
Observaţie. Funcţia f este o densitate de probabilitate deoarece este continuă,
nenegativă şi
∞
∫ f ( x)dx = 1.
−∞
x−m
Ultima afirmaţie rezultă făcând substituţia y = .
σ
σ
Într-adevăr obţinem:
σ
π πππ
∞ y2
∞ y2
∞ y2
∞
1 −1 −2 − 1 1
∫
f (
∞ 2
−
x ) dx = ∫
e
∞2
−
2
dy ∫
=
−
∞
e 2
dy = ∫
2 0
e 2
dy = Γ
( )=
2
1.
x
0 m-σ m m+σ
Figura 2.
31
Remarcăm faptul că punctul x = m este punct de maxim, valoarea maximului fiind
1
f ( m) = , iar punctele de abscisă m± σ sunt puncte de inflexiune.
σ 2π
(ii). Repartiţia Cauchy este definită prin densitatea de probabilitate:
1 1
f ( x) = ⋅ , x∈ℜ.
π 1+ x2
Funcţia de repartiţie este:
x
1 dy 1 1
F ( x) = ∫ = ⋅ arctg ( x) + .
π −∞1 + y 2
π 2
(iii). Repartiţia Gama este definită prin densitatea de probabilitate:
x p −1e − x
f ( x) = , 0 ≤ x < ∞, p > 0.
Γ( p )
Vom nota prin γ (p) mulţimea variabilelor aleatoare cu densitatea de probabilitate
dată mai sus.
(iv). Repartiţia Beta este definită prin densitatea de probabilitate:
1
f ( x) = x p −1 (1 − x ) q −1 , 0 < x < 1, p > 0, q > 0.
B ( p, q )
Vom nota prin β (q, p) mulţimea variabilelor aleatoare a căror densitate de
probabilitate este dată de funcţia de mai sus.
(v). Repartiţia χ 2 (Helmert-Pearson) este definită prin densitatea de
probabilitate.
s x
1 −1 − 2
f ( x) = s x e2 2σ
, 0 ≤ x < ∞,
s
2 2 σ Γ
s
2
unde s este un număr natural dat numit numărul gradelor de libertate, iar σ > 0 un număr
dat.
Vom nota prin H(s, σ ) mulţimea variabilelor aleatoare a căror densitate de
probabilitate este dată de funcţia de mai sus.
(vi). Repartiţia Weibull este definită prin densitatea de probabilitate:
( x −γ ) k
k −
f ( x) = ( x − γ ) e θ , θ , k > 0, γ ≥ 0,
k −1
θ
pentru x ≥ γ .
În marea majoritate a cazurilor avem γ = 0 , situaţie în care densitatea devine:
xk
k −
f ( x) = x k −1e θ , x ≥ 0, k ,θ > 0.
θ
Funcţia de repartiţie este:
x tk xk
x −
F ( x) = ∫ f (t )dt = −e −θ
|
0
= 1− e θ
, x ≥ 0; θ , k > 0.
0
32
Repartiţia Weibull include drept cazuri particulare repartiţia exponenţială (pentru
k=1) şi repartiţia Rayleigh (pentru k=2). Prezintă o mare elasticitate în adecvarea acestui
model la un eşantion de date de observaţie, datorită existenţei celor doi parametri,
eliminând astfel rigiditatea existentă la modelul existenţial care furnizează bune rezultate în
cazul comportării “normale” a caracteristicii studiate.
prin urmare
n n n n
P (ξi−1 ( Bi )) =P (Ai j ) =P (
i=1 i=1 j∈Ii
jl ∈
Ai j ) = ∑P(Ai j ) =
Il i=1
i
jl ∈Il j=1
i
1≤l ≤n 1≤l ≤n
33
n n n n
∑(∏P( A
jl ∈I l i =1
i
ji
)) = ∏(∑ P ( Ai j )) = ∏ P ( Ai j ) = ∏ P (ξi−1 ( Bi ))
i =1 j∈I i i =1 j∈I i i =1
.
1≤l ≤n
∫ ∫ f ( x, y)dxdy = ∫ f ( x)dx ∫ f
− ∞− ∞ −∞
1
−∞
2 ( y )dy
deci:
F(x, y) = F1(x)⋅ F2(y).
35
x
{ω / ξ (ω ) <
c
} ∈ K, dacă c > 0;
{ωcξ (ω ) < x}=
x
{ω / ξ (ω ) > } ∈ K, dacă c < 0;
c
{ω| ξ | (ω ) < x}= {ω ξ (ω ) < x}∩{ω ξ (ω ) > -x}∈K;
{ω ξ 2 (ω ) < x}= {ω| ξ (ω )| < x }∈K;
{ω | ξ (ω ) < 0 ∈ K , d aăc x = 0
1
{ω | ξ (ω ) < x} = {ω | ξ (ω ) < 0} ∩ {ω | ξ (ω ) > } ∈ K , d aăc x < 0 Teorema 24. Dacă ξ şi
x
{ω | ξ (ω ) < 0} ∪ ( {ω | ξ (ω ) > 0} ∩ {ω | ξ (ω ) > 1} ∈ K , d aăcx > 0
x
η două variabile aleatoare, atunci:
{ω ξ (ω ) > η (ω )}∈K; {ω ξ (ω ) ≥ η (ω )∈K; {ω ξ (ω ) = η (ω )}∈K.
Teorema 25. Dacă ξ şi η sunt două variabile aleatoare atunci ξ -η , ξ + η ,
ξ
ξ η , , dacă η ≠ 0, sup(ξ , η ), inf(ξ , η ), ξ + , ξ − sunt de asemenea variabile
η
aleatoare.
Demonstraţie.
{ω ξ (ω )-η (ω ) < x}= {ω ξ (ω ) < η (ω ) + x}∈K;
ξ +η = ξ - (-η );
1
ξ η = (ξ + η ) − (ξ − η ) ;
4
2
[ 2
]
ξ 1
=ξ ⋅ ;
η η
sup( , ) = ξ
ηξ
1
2
η
ξη
( + + − );
1
inf(ξ ,η ) = (ξ + η − ξ − η );
2
ξ = sup(ξ ,0);
+
ξ − = inf(ξ ,0).
Observaţie. Dacă ξ şi η sunt variabile aleatoare simple
x x 2 ... x n y y ... y m
ξ : 1 ; η : 1 2 ,
p1 p 2 ... p n q1 q 2 ... q m
atunci:
(i). variabila ξ + η este definită de repartiţia:
x1 + y1 x1 + y 2 ... xi + y j ... x n + y m
ξ + η :
p11 p12 ... pij ... p nm
36
unde:
pij = P({ω ξ (ω } = xi}∩{ω η (ω ) = yj) = P(ξ +η = xi+yj)
n m
∑∑ p
i =1 j =1
ij =1 ;
cu
pij = P({ω ξ (ω ) = xi}∩{ω η (ω ) = yj}) = P(ξ η = xiyj);
(iii). variabila ξ k (k ∈ N * ) este definită de repartiţia:
x1k x 2k ... x nk
ξ :
k
p
1 p 2 ... p n
deoarece P (ξ = xi ) = P (ξ = xi ) = pi ;
k k
1
(iv). variabila ξ , ξ ≠ 0 este definită de repartiţia:
1 1 1
1 ...
: x1 x2 xn ;
ξ
p1 p2 ... p n
ξ
(v). variabila η = ξ η , η ≠ 0 este definită de repartiţia:
−1
x1 xi xn
ξy ... y ... y
: n .
η1 j
p11 ... p ij ... p nm
Observaţie. O constantă a∈ℜ poate fi interpretată ca o variabilă aleatoare definită
de repartiţia:
a
a : .
1
, ( r ∈ N * ).
r
α r = ∑ C ri µ r −iα 1i
i =0
Observaţie. Un interes deosebit, pentru aplicaţii, îl reprezintă şi următoarele
caracteristici numerice:
µ (ξ )
γ1 = 3 ; (coeficient de simetrie)
u 23 (ξ )
şi
µ 4 (ξ )
γ2 = −3; (coeficient de exces de turtire),
µ 22 (ξ )
dacă momentele respective există.
Observaţii. (i). Dacă repartiţia lui ξ este simetrică atunci µ 3(ξ ) = 0, deci γ 1 = 0;
condiţia γ 1 = 0 este o condiţie necesară, însă nu suficientă de simetrie.
(ii). Dacă variabila ξ este repartizată normal, atunci γ 2 = 0; după cum γ 2 este
pozitiv sau negativ, graficul repartiţiei este mai puţin turtit sau mai mult turtit decât curba
normală.
Observaţie. În cazul funcţiilor de repartiţie discrete (deci al variabilelor aleatoare
discrete) integralele din cazul continuu se reduc la sume obişnuite; astfel dacă ξ este o
variabilă aleatoare discretă care ia valorile xi cu probabilităţile pi, i∈I ⊆ N atunci:
38
M r (ξ ) = α r (ξ ) = ∑ xir pi ,
i∈I
dacă seria respectivă este convergentă ; pentru r = 1 se obţine valoarea medie a variabilei
aleatoare ξ :
M(ξ ) = ∑ xi p i ,
i∈I
3 . M(ξ - M(ξ )) = 0, ξ ∈ Ε ;
0
0 2 2
4 . D (ξ ) = M2(ξ ) – (M(ξ )) , ξ ∈ Ε ;
50. D2(a) = 0, a∈ℜ ;
60. Dacă η = aξ + b, ξ ∈ Ε , a, b∈ℜ atunci D(η ) = a D(ξ );
70. D2(aξ ) = a2D2(ξ ), ξ ∈ Ε , a∈ℜ;
80. Dacă (ξ i)1≤ i≤ n sunt variabile aleatoare independente, ξ i∈Ε (i = 1, n ), atunci
n n
M (∏ξ i ) = ∏ M (ξ i ) ;
i =1 i =1
0
9 . Dacă (ξ i)1≤ i≤ n sunt variabile aleatoare independente, ξ i∈Ε (i = 1, n ), ai∈ℜ
n n
) atunci D (∑ aiξ i ) = ∑ ai D (ξ ) .
2 2 2
(i = 1, n
i =1 i =1
Demonstraţia poate fi găsită în [8], [18].
3 0. ρ ξ ,η ≤ 1;
40
Definiţia 30. Se numeşte semnal aleator orice funcţie ξ : T→Ε .
Pentru un semnal aleator fixat ξ : T→Ε , fiecărui moment t∈T i se asociază o
variabilă aleatoare ξ (numită eşantion la momentul t al semnalului), deci noţiunea de
semnal aleator coincide cu cea de proces aleator (stochastic), aşadar o familie ξ = (ξ t)t∈T
de variabile aleatoare.
Pentru orice semnal aleator ξ şi orice eveniment elementar ω∈ Ω se poate defini
un semnal determinist ξ ω : T→ℜ, t→ξ t(ω ), numit traiectorie (realizare sau selecţie) a
lui ξ . Orice traiectorie este un rezultat al unei observări a semnalului şi este funcţie
deterministă de timp; prin urmare semnalul ξ poate fi privit ca o familie (ξ ω )ω∈ Ω de
semnale deterministe, ceea ce evidenţiază faptul că semnalele aleatoare constituie o
extensie a semnalelor deterministe.
41