Documente Academic
Documente Profesional
Documente Cultură
∑ 𝑃( 𝜉 = 𝑥𝑖 ) = 1
𝑖=1
De asemenea pentru un număr k∈ℕ∗ vom numi puterea de ordinul k, variabila aleatoare
𝑥 𝑘 𝑥2 𝑘 … 𝑥𝑛 𝑘
notată 𝜉 𝑘 având următoarea repartiție: 𝜉 𝑘 : ( 1 ).
𝑝1 𝑝2 … 𝑝𝑛
Def 4: Variabilele aleatoare 𝜉 și 𝜂 din Def 2 sunt independente dacă evenimentele (𝜉 =
𝑥𝑖 și 𝜂 = 𝑦𝑗 ), 1≤i≤n; 1≤j≤m sunt independente.
𝑥1 𝑥2 … 𝑥𝑛
P3: a) Dacă variabilele 𝜉 și 𝜂 au repartiția 𝜉: (𝑝 𝑝 … 𝑝 );
1 2 𝑛
𝑦1 𝑦2 … 𝑦𝑛
𝜂: (𝑝 𝑝 … 𝑝 ) atunci media sumei: M(𝜉 + 𝜂) = 𝑀(𝜉) + 𝑀(𝜂).
1 2 𝑛
b) Dacă variabilele aleatoare de la punctul a) sunt independente, atunci: M(𝜉 ∙
𝜂) = 𝑀(𝜉) ∙ 𝑀(𝜂).
c) Dacă a∈ℝ este o constantă, atunci M(𝑎 ∙ 𝜉) = 𝑎 ∙ 𝑀(𝜉).
Aceste proprietăți sunt enunțate provizoriu în ipoteza că variabilele aleatoare iau un
număr finit de valori (discontiune). Totuși formulele din P3 se mențin inclusiv în cazul
variabilelor aleatoare contiune.
𝑀(ξ) = ∑ xi pi
i=1
Această mărime numerică nu este suficientă pentru identificarea variabilei aleatoare.
De exemplu două variabile aleatoare au aceeași medie însă diferă prin valorile pe care le
pot lua:
−0,1 0,1
𝜉: ( )
0,5 0,5
−1000 1000
𝜂: ( )
0,5 0,5
𝑀(𝜉) = −0,1 ∙ 0,5 + 0,1 ∙ 0,5 = 0
𝑀(𝜂) = −1000 ∙ 0,5 + 1000 ∙ 0,5 = 0
De aceea s-au definit alte mărimi numerice cu ajutorul cărora să poată fi caracterizată
variabila aleatoarei.
Obs: Media are următoarele proprietăți:
a) 𝑀(𝑎) = 𝑎
b) 𝑀(𝑎 ∙ 𝜉) = 𝑎 ∙ 𝑀(𝜉)
c) 𝑀(𝜉 + 𝜂) = 𝑀(𝜉) + 𝑀(𝜂)
d) Dacă variabila aleatoare 𝜉, 𝜂 sunt independente atunci M(𝜉 ∙ 𝜂) = 𝑀(𝜉) ∙ 𝑀(𝜂).
M(𝜉 ∙ 𝜂) se va calcula aplicând definiția produsului a două variabile aleatoare și ținând
cont că 𝑝𝑖𝑗 = 𝑝𝑖 ∙ 𝑝𝑗′ .
𝑛 𝑚 𝑛 𝑚 𝑛 𝑚
produs.
Proprietăți:
a) Pentru orice variabilă aleatoare ξ∙η⟹𝐷2 (𝜉 + 𝜂) = 𝐷2 (𝜉) + 𝐷2 (𝜂);
1
b) Pentru orice variabilă aleatoare constantă 𝜉: ( ) ⟹ 𝐷2 (𝜉) = 0;
𝑐
c) (∀) variabile aleatoare independente ⟹𝐷2 (𝜉 ∙ 𝜂) = 𝐷2 (𝜉) ∙ 𝐷2 (𝜂).
În afară de definițiile mediei și dispersiei se mai asociază cu variabilele aleatoare
următoarele mărimi numerice:
a) Momentul inițial de ordinul k, k∈ℕ∗
𝛼𝑘 = 𝑀(𝜉 𝑘 )
b) Momentul centrat de ordin k, k∈ℕ∗ definit prin:
𝜇𝑘 = 𝑀(𝜉 − 𝑀(𝜉))𝑘
Se observă că:
𝛼1 = 𝑀(𝜉) = 𝑚𝑒𝑑𝑖𝑎 , 𝛼2 = 𝑀(𝜉 𝑘 )
𝜇1 = 𝑀(𝜉 − 𝑀(𝜉)) = 0
𝜇2 = 𝑀(𝜉 − 𝑀(𝜉))2 = 𝐷2 (𝜉) = 𝛼2 − 𝛼12
𝜇3 = 𝑀(𝜉 − 𝑀(𝜉))3 = 𝑀(𝜉 3 − 3 ∙ 𝑀(𝜉) ∙ 𝜉 2 + 3 ∙ 𝑀2 (𝜉) ∙ 𝜉 − 𝑀3 (𝜉))
= 𝑀(𝜉 3 ) − 3 ∙ 𝑀(𝜉) ∙ 𝑀(ξ2 ) + 3 ∙ 𝑀2 (𝜉) ∙ 𝑀(𝜉) − 𝑀3 (𝜉)
= 𝛼3 − 3 ∙ 𝛼1 ∙ 𝛼2 + 3 ∙ 𝛼13 − 𝛼13 = 𝛼3 − 3 ∙ 𝛼1 ∙ 𝛼2 + 2 ∙ 𝛼13
În concluzie: 𝜇3 = 𝛼3 − 3 ∙ 𝛼1 ∙ 𝛼2 + 2 ∙ 𝛼13 .
În mod similar se poate arăta relația: 𝜇4 = 𝛼4 − 4 ∙ 𝛼3 ∙ 𝛼1 + 6 ∙ 𝛼2 ∙ 𝛼1 2 − 3 ∙ 𝛼14 .
Astfel orice moment centrat de ordinul k se poate exprima cu ajutorul momentelor inițiale
de ordinul 1, 2,...k.
Să considerăm repartiția binomială:
𝑛 𝑛−1 𝑛−2 … 2 1 0
𝜉: ( 𝑛 𝑛 )
𝐶𝑛 𝑝 𝐶𝑛𝑛−1 𝑝𝑛−1 ∙ 𝑞 𝐶𝑛𝑛−2 𝑝𝑛−2 ∙ 𝑞 2 … 𝐶𝑛2 𝑝2 ∙ 𝑞 𝑛−2 𝐶𝑛1 𝑝 ∙ 𝑞 𝑛−1 𝐶𝑛0 𝑝0 ∙ 𝑞 𝑛
Dacă variabila aleatoare ξ are media 𝑀(𝜉) atunci am definit abaterea ca fiind variabila
aleatoare 𝜉 − 𝑀(𝜉).
Deoarece media abaterii este întotdeauna 𝑀(𝜉 − 𝑀(𝜉)) = 𝑀(𝜉) − 𝑀(𝑀(𝜉)) = 𝑀(𝜉) −
𝑀(𝜉) = 0 urmează că abaterea nu este un indicato util în caracterizarea variabilei ξ. S-a constatat
însă că modulul abaterii are importanță deosebită astfel are loc următoarea teorie:
Fie variabila aleatoare ξ (discontinuă/continuă ξ>0) 𝐷2 (𝜉) – dispersia, variabila aleatoare
ξ în aceste condiții are loc inegalitatea:
𝐷2 (𝜉)
𝑃(|𝜉 − 𝑀(𝜉)| < 𝜀) ≥ 1 −
𝜀2
(inegalitatea lui Cebâșev)
Dacă presupunem că variabila ξ are repartiția:
𝑥1 𝑥2 … 𝑥𝑘 𝑥𝑘+1 … 𝑥𝑛
𝜉: (𝑝 𝑝 … 𝑝 𝑝 )
1 2 𝑘 𝑘+1 … 𝑝𝑛
atunci vom porni de la definiția dispersiei: 𝐷2 (𝜉) = 𝑀(𝜉 − 𝑀(𝜉))2 = (𝑥1 − 𝑀(𝜉))2 ∙ 𝑝1 +
⋯ (𝑥𝑛 − 𝑀(𝜉))2 ∙ 𝑝𝑛 .
Fără a restrânge inegalitatea putem admite că pentru indicii1, 2, ...k avem: |𝑥1 − 𝑀(𝜉)| <
𝜀, … , |𝑥𝑘 − 𝑀(𝜉)| < 𝜀 dar pentru toți indicii următori au loc inegalitățiile: |𝑥𝑘+1 − 𝑀(𝜉)| ≥
𝜀, |𝑥𝑛 − 𝑀(𝜉)| ≥ 𝜀
Evenimentul (|𝜉 − 𝑀(𝜉)| ≥ 𝜀) contrar (|𝜉 − 𝑀(𝜉)| < 𝜀). În consecință (|𝜉 − 𝑀(𝜉)| +
𝑃(|𝜉 − 𝑀(𝜉)|)) = 1 ⟹ 𝑃(|𝜉 − 𝑀(𝜉)| < 𝜀) = 1 − 𝑃(|𝜉 − 𝑀(𝜉)| ≥ 𝜀).
În baza ipotezei precedente au loc inegalitățiile:
(𝑥1 − 𝑀(𝜉))2 < 𝜀 2 ; … ; (𝑥𝑘 − 𝑀(𝜉))2 < 𝜀 2 ; (𝑥𝑘+1 − 𝑀(𝜉))2 ≥ 𝜀 2 ; … (𝑥𝑛 − 𝑀(𝜉))2 ≥
𝜀 2 (reamintim că |𝛼| ≤ 𝛽 ⇔ 𝛼 2 ≤ 𝛽 2 ).
𝐷2 (𝜉) = [(𝑥1 − 𝑀(𝜉))2 ∙ 𝑝1 + ⋯ + (𝑥𝑘 − 𝑀(𝜉))2 ∙ 𝑝𝑘 ] + [(𝑥𝑘+1 − 𝑀(𝜉))2 ∙ 𝑝𝑘+1 +
⋯ (𝑥𝑛 − 𝑀(𝜉))2 ∙ 𝑝𝑛 ] (se neglijează).
Se obține astfel următoarea inegalitate:
𝐷2 (𝜉) ≥ (𝑥𝑘+1 − 𝑀(𝜉))2 ∙ 𝑝𝑘+1 + ⋯ (𝑥𝑛 − 𝑀(𝜉))2 ∙ 𝑝𝑛 ≥ 𝜀 2 ∙ (𝑝𝑘+1 + ⋯ + 𝑝𝑛 ).
𝜉1 + 𝜉2 + ⋯ + 𝜉𝑛
lim 𝑃 (| − 𝑚)| < 𝜀) = 1
𝑛→∞ 𝑛
În esență teorema lui Cebâșev exprimă următoarea proprietate: deși variabilele aleatoare
independente 𝜉1 , 𝜉2 , … , 𝜉𝑛 pot lua valori depărtate de mediile lor totuși media aritmetică a unui
număr suficient de mare de astfel de variabile aleatoare ia valori foarte apropiate de numărul
𝜉1 +𝜉2 +⋯+𝜉𝑛
constant 𝑀( ) cu o probabilitate aproape de 1. În acest fel între comportarea fiecărei
𝑛
variabile aleatoare 𝜉1 , 𝜉2 , … , 𝜉𝑛 considerate separat și comportarea variabilei aleatoare
𝜉1 +𝜉2 +⋯+𝜉𝑛
( ) există o mare deosebire: nu este posibil să prevedem ce valoare va lua
𝑛
separat𝜉1 , 𝜉2 , … , 𝜉𝑛 însă cu o probabilitate foarte mare, putem vedea ce valoare va lua media lor
aritmetică.
Media aritmetică a unui număr mare de variabile aleatoare (cu dispersiile mărginite) își
pierde caracterul de variabilă aleatoare. Explicația practică a acestui fapt constă în aceea că
abaterile variabilelor 𝜉1 , 𝜉2 , … , 𝜉𝑛 sunt unele negative, altele pozitive și o dată cu creșterea
numărului n, aceste abateri tind să se compenseze.
În rezolvarea problemelor practice teorema lui Cebâșev are de asemenea o mare
importanță: ne furnizează o confirmare a procedeului uzual de măsurare a unei mărimi fizice
(experiențe de laborator).
Teorema lui Cebâșev explică de ce, despre calitatea unei cantități mari de produse, putem
să ne pronunțăm pe baza unei probe mici comparativ cu întreaga cantitate. În acest fel, teorema
lui Cebâșev stă la baza metodei selective folosită în statistică.
2. Funcții de repartiție și densitate de probabilitate
Presupunem că variabila aleatoare ξ este o variabilă cu valori izolate în număr finit sau o
variabilă cu valori într-un interval (a, b)⊂ℝ (finit sau infinit). Notăm (ξ<x) evenimentul care
constă în faptul că variabila aleatoare ξ a luat o valoare <x.
Definim funcția 𝐹: ℝ → [0,1], 𝐹(𝑥) = 𝑃(𝜉 < 𝑥).
Obs: Orice probabilitate având valoarea în [0,1] ⟹ 𝐹(𝑥) ∈ [0,1], (∀)𝑥 ∈ ℝ.
Definiția funcției de repartiție 𝐹(𝑥) = 𝑃(𝜉 < 𝑥) ne permite să definim mai exact
noțiunea de variabilă aleatoare continuă: spunem că variabila aleatoare ξ este continuă dacă
funcția de partiție corespunzătoare este continuă.
P1: (∀)𝑥1 < 𝑥2 , 𝑥1,2 ∈ (𝑎, 𝑏) ⟹ 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 ) orice funcție de repartiție este
crescătoare ( nu neeapărat strict). Întradevăr 𝐹(𝑥1 ) = 𝑃(𝜉 < 𝑥1 ) iar 𝐹(𝑥2 ) = 𝑃(𝜉 < 𝑥2 ). Putem
scrie evenimentul (𝜉 < 𝑥2 ) ca reuniune a două evenimente incompatibile:
(𝜉 < 𝑥2 ) = (𝜉 < 𝑥1 ) ∪ (𝑥1 ≤ 𝜉 ≤ 𝑥2 ) ⟹ 𝑃(𝜉 < 𝑥2 ) = 𝑃(𝜉 < 𝑥1 ) + 𝑃(𝑥1 ≤ 𝜉 < 𝑥2 ) ≥ 𝐹(𝑥1 )
P2: Dacă variabila aleatoare ξ este continuă⟹ a) 𝑃(𝜉 = 𝑥1 ) = 0
b) 𝑃(𝜉 ≤ 𝑥1 ) = 𝑃(𝜉 < 𝑥1 )
c) 𝑃(𝑥1 < 𝜉 < 𝑥2 ) = 𝑃(𝑥1 ≤ 𝜉 < 𝑥2 ) =
(𝑥1 < 𝜉 ≤ 𝑥2 ) = 𝑃(𝑥1 ≤ 𝜉 ≤ 𝑥2 ) , (∀)𝑥1 , 𝑥2 ∈ (𝑎, 𝑏).
Întradevăr am obținut 𝑃(𝜉 < 𝑥2 ) = 𝑃(𝜉 < 𝑥1 ) + 𝑃(𝑥1 ≤ 𝜉 < 𝑥2 ).
Să presupunem că 𝑥1 ∈ (𝑎, 𝑏) este fixat, iar 𝑥2 = 𝑥1 + ℎ ∈ (𝑎, 𝑏) pentru ℎ → 0 ⟹ 𝑥2 →
𝑥1 .
Avem 𝑃(𝜉 < 𝑥2 + ℎ) = 𝑃(𝜉 < 𝑥1 ) + 𝑃(𝑥1 ≤ 𝜉 < 𝑥1 + ℎ) (*).
Concluzie: Este suficient să cunoaștem valoarea funcției lui Laplace pentru a putea
calcula probabilitatea oricărui eveniment de forma (𝑥1 < 𝜉 < 𝑥2 ) pentru orice variabilă normală
cu m∈ℝ și σ∈(0,∞).
Funcția lui Laplace are următoarea proprietate importantă:
𝜙(−𝑥) = 1 − 𝜙(𝑥) , (∀) x∈ℝ
𝑦 2
1 −𝑥
Demonstrație: 𝜙(−𝑥) ≝ ∙ ∫−∞ 𝑒 − 2 𝑑𝑦 în această integrală facem schimbarea de
√2∙𝜋
variabilă y=-t⟹dy=-dt, când y↘-∞, t↗+∞; y↗-x, t↘x.
𝑥 𝑡2 𝑥 𝑡2
1 1
𝜙(−𝑥) = ∙ ∫ 𝑒 − 2 (−𝑑𝑡) = ∙ (− ∫ 𝑒 − 2 𝑑𝑡)
√2 ∙ 𝜋 +∞ √2 ∙ 𝜋 +∞
∞ 𝑡2 𝑥 𝑡2 +∞ 𝑡2
1 − 1 − 1 −
= ∙ ∫ 𝑒 𝑑𝑡 = −
2 ∙ ∫ 𝑒 𝑑𝑡 =
2 ∙ ∫ 𝑒 2 𝑑𝑡 − 𝜙(𝑥)
√2 ∙ 𝜋 𝑥 √2 ∙ 𝜋 −∞ √2 ∙ 𝜋 −∞
Cu ajutorul densității de probabilitate putem definii momentele ințiale și momentele
centrate pentru variabilele aleatoare continue. Aceste definiții generalizează definițiile formate în
cazul variabilelor discrete, astfel dacă variabila aleatoare 𝜉 este continuă și valorile sale ∈(a,b)
atunci:
a) momentul inițial de ordinul k (k∈ ℕ∗ ) se definește prin:
𝑏
𝛼𝑘 = ∫ 𝑥 𝑘 ∙ 𝑓(𝑥)𝑑𝑥
𝑎
b) momentul centrat de ordinul k se definește prin:
𝑏
𝜇𝑘 = ∫ (𝑥 − 𝑚)𝑘 ∙ 𝑓(𝑥)𝑑𝑥
𝑎
𝑏
,unde f(x)= densitatea de probabilitate corespunzătoare variabilei 𝑥1 , iar m=𝛼1 = ∫𝑎 𝑥 ∙ 𝑓(𝑥)𝑑𝑥
este media variabilei 𝜉.
(𝑡−𝑚)2
x 1 𝑥 −
Funcția de repartiție normală are expresia F(x) = ∫−∞ f(t)dt = 𝜎∙√2∙𝜋 ∙ ∫−∞ 𝑒 2∙𝜎2 𝑑𝑡.
Vom calcula momentele variabilelor aleatoare normale presupunând inițial m=0 și σ=1 ,
𝜉 ∈ ℕ(0,1).
Calculăm momentele centrate de ordinul r, r∈ ℕ∗ :
∞ ∞ 1
a) Pentru r= număr impar, r=2∙k+1⟹𝜇𝑟 ≝ ∫−∞(𝑥 − 𝑚)𝑟 ∙ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑥 2∙𝑘−1 ∙ ∙
√2∙𝜋
𝑥2 ∞ 𝑥2
1
𝑒 − 2 𝑑𝑥 = ∙ ∫−∞ 𝑥 2∙𝑘−1 ∙ 𝑒 − 2 𝑑𝑥 = 0 ⇒ 𝜇2∙𝑘+1 = 0, (∀) k∈ ℕ, 𝜉 ∈ ℕ(0,1).
√2∙𝜋
𝑥2 𝑥2
1 ∞ 1 ∞
b) r=2∙k⟹𝜇𝑟 = ∙ ∫−∞ 𝑥 2∙𝑘 ∙ 𝑒 − 2 𝑑𝑥 = ∙ 2 ∙ ∫0 𝑥 2∙𝑘 ∙ 𝑒 2 𝑑𝑥
√2∙𝜋 √2∙𝜋
𝑥2 2 1
Schimbarea de variabilă = 𝑡; 𝑥 = 2𝑡; 𝑥 = √2 ∙ √𝑡; 𝑑𝑥 = √2 ∙ 2 𝑡 𝑑𝑡
2 √
x↘0⟹t↘0;
x↗+∞⟹t↗+∞
∞ ∞
1 𝑘 −𝑡
1 1 1
𝜇2𝑘 = ∙2∙∫ (2 ∙ 𝑡) ∙ 𝑒 ∙ √2 ∙ 𝑑𝑡 = ∙ ∫ 2𝑘 ∙ 𝑡 𝑘 ∙ 𝑒 −𝑡 ∙ 𝑡1/2 𝑑𝑡 =
√2 ∙ 𝜋 0 2 ∙ √𝑡 √𝜋 0 √𝜋
∞
∙ 2 ∙ ∫ 𝑡 𝑘−1/2 ∙ 𝑒 −𝑡 𝑑𝑡(∗)
𝑘
0
∞
1 1
Γ(𝑝) ≝ ∫ 𝑥 𝑝−1 ∙ 𝑒 −𝑥 𝑑𝑥 ⟹ p − 1 = k − ⟹ p= k+
0 2 2
1 1
(∗) ⟹ 𝜇2𝑘 = ∙ 2𝑘 ∙ Γ (𝑘 + ) ; 𝑘𝜖ℕ∗ (∗∗)
√𝜋 2
Probleme:
𝑠+1 1 𝑠
∞ Γ ( 2 ) Γ( ) ∙ Γ( )
∫ 𝑓(𝑥)𝑑𝑥 = 2 2
s ∙ =1
−∞ √𝜋 ∙ Γ(2) Γ(𝑠 + 1)
2
b) Variabilele aleatoare 𝜉 a căror densitate de probabilitate are definiția precedentă se
numesc variabile student iar clasa acestora se notează: S(s).
Proprietate: Dacă 𝜉 ∈ 𝑆(𝑠) ⟹ 𝑀(𝜉) = 0.
𝑠+1 𝑠+1 𝑠+1
∞ ∞ Γ() 𝑥2 Γ( )
Demonstrație: 𝑀(𝜉) ≝ ∫−∞ 𝑥 ∙ 𝑓(𝑥)𝑑𝑥 = ∫−∞ 𝑥 ∙ 2
s ∙ (1+ 𝑠 )− 2 𝑑𝑥 = 2
s ∙
√𝜋∙Γ(2) √𝜋∙Γ(2)
∞ 𝑥 2 −𝑠+1 𝛼
∫−∞ 𝑥 ∙ (1+ ) 2 𝑑𝑥 ⟹ 𝑀(𝜉) = 0 (deoarece ∫−𝛼 𝑓(𝑥)𝑑𝑥 = 0 dacă funcția f este impară).
𝑠
∞
Consecință: Prin definiție 𝛼𝑟 = ∫−∞ 𝑥 𝑟 ∙ 𝑓(𝑥)𝑑𝑥 (momentul inițial)
∞
𝜇𝑟 ≝ ∫−∞(𝑥 − 𝑀( 𝜉))𝑟 ∙ 𝑓(𝑥) = 𝛼𝑟 (momentul centrat)
Cazul I: r = număr impar
∞
𝑟 = 2 ∙ 𝑘 + 1 ⟹ 𝜇𝑟 = ∫−∞ 𝑥 2𝑘+1 ∙ 𝑓(𝑥)𝑑𝑥 = 0 ⟹ 𝜇2𝑘+1 = 0 (∀)k∈ ℕ
Cazul II: r = număr par
𝑟 = 2 ∙ 𝑘 ⟹ 𝜇𝑟
𝑠+1 𝑠+1
∞ ∞ Γ( 2 ) 𝑥 2 𝑠+1 2 ∙Γ( 2 )
−
= ∫ 𝑥 2𝑘 ∙ 𝑓(𝑥)𝑑𝑥 = 2 ∫ 𝑥 2𝑘 ∙ 𝑠 ∙ (1+ 𝑠 )
2 𝑑𝑥 =
𝑠
−∞ 0 √𝜋 ∙ 𝑠 ∙ Γ (2) √𝜋 ∙ 𝑠 ∙ Γ (2)