Sunteți pe pagina 1din 10

O variabilă aleatoare poate asocial valori isolate pe axa reală (în cazul zarului) sau valori

care acoperă un întreg interval.


De exemplu: Recolta de grâu la hectar este o variabilă aleatoare.
Valorile luate de această variabilă aleatoare acoperă un întreg interval de forma [0, 𝑎] ∈
ℝ.
Spunem că o variabilă aleatoare este discontinuă dacă mulțimea în care ia valori este
alcătuită din puncte isolate.
Vom spune că o variabilă aleatoare este continuă dacă valoarea acesteia acoperă un
interval real (finit/infinit).
Pentru a caracteriza o variabilă aleatoare fără enumerarea tuturor factorilor care
determină realizarea evenimentelor se folosesc anumite mărimi caracteristice asociate. Pentru
început vom defini aceste mărimi în cazul variabilei aleatoare discontiune.
Obs: O valoare aleatoare discontiună poate lua un număr finit de valori (ex. aruncarea
zarului) sau o infinitate de valori ( dacă ne imaginăm o urnă conținând o infinitate de bile
numerotate 1, 2,...n atunci extragerea unei bile este o variabilă aleatoare care poate lua orice
valoare naturală).
Definiția mărimilor caracteristice o vom formula în cazul când numărul de valori luate
este finit (trecerea la cazul unei infinități de valori se va face cu ajutorul seriilor de numere).
Def 1: Fie variabila aleatoare ξ luând valori în mulțimea {𝑥1 , 𝑥2 , . . . 𝑥𝑛 }. Notăm A1 =
evenimentul ce constă în faptul că variabila ξ a luat valoarea xi determinăm evenimentele
A2 , A3 … An . Numim MEDIE a variabilei aleatoare ξ suma următoare:
𝑥1 ∙ 𝑃(𝐴1 ) + 𝑥2 ∙ 𝑃(𝐴2 ) + ⋯ + 𝑥𝑛 ∙ 𝑃(𝐴𝑛 ) = 𝑀(𝜉)
Obs: Vom nota evenimentul 𝐴𝑖 care constă în faptul că variabila aleatoare 𝜉 a luat
valoarea 𝑥𝑖 prin 𝐴𝑖 = (𝜉 = 𝑥𝑖 ). De asemenea vom nota P(𝐴𝑖 ) = 𝑃(𝜉 = 𝑥𝑖 ) = 𝑝𝑖 . În aceste
condiții media are expresia: 𝑀(𝜉) = ∑𝑛𝑖=1 𝑥𝑖 ∙ 𝑝𝑖 .
Pentru a descrie pe scurt valorile pe care le ia o variabilă și probabilitatea acestora
folosim așa numita repartiție care constă într-o reprezentare matricială.
𝑥1 𝑥2 … 𝑥𝑛 𝑥1 𝑥2 … 𝑥𝑛
Repartiție: 𝜉𝑖 : (𝑃(𝜉 = 𝑥 ) 𝑃(𝜉 = 𝑥 ) … 𝑃(𝜉 = 𝑥 )) = (𝑝 𝑝 … 𝑝 )
1 2 𝑛 1 2 𝑛
𝐴1 = (𝜉 = 𝑥1 ), 𝐴2 = (𝜉 = 𝑥2 ), … 𝐴𝑛 = (𝜉 = 𝑥𝑛 ) sunt incompatibile.
Întrucât o variabilă aleatoare 𝜉 nu poate lua simultan 2 valori diferite urmează ca
evenimentele 𝐴1 = (𝜉 = 𝑥1 ), 𝐴2 = (𝜉 = 𝑥2 ), … 𝐴𝑛 = (𝜉 = 𝑥𝑛 ) sunt incompatibile.În același
timp 𝜉 ia valori sigur în mulțimea {𝑥1 , 𝑥2 , . . . 𝑥𝑛 } și de aceea mulțimea 𝐴1 , 𝐴2 , … , 𝐴𝑛 constituie un
sistem complet de evenimente.
În consecință:
𝑛

∑ 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.

Repartiția (formula lui Bernoulli): Fie variabila aleatoare discontinuă ξ cu repartiția


𝑥1 𝑥2 … 𝑥𝑛
𝜉: (𝑝 𝑝 … 𝑝 ), o mărime numerică asociată este media definită prin
1 2 𝑛
n

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

𝑀(𝜉 ∙ 𝜂) = ∑ ∑( 𝑥𝑖 ∙ 𝑦𝑗 ∙ 𝑝𝑖𝑗 ) = ∑ ∑(𝑥𝑖 ∙ 𝑦𝑗 ∙ 𝑝𝑖 ∙ 𝑝𝑗′ ) = (∑ 𝑥𝑖 ∙ 𝑝𝑖 ) ∙ (∑ 𝑦𝑗 ∙ 𝑝𝑗′ )


𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1
= 𝑀(𝜉) ∙ 𝑀(𝜂)
Obs: Dacă variabilele ξ și η nu sunt independente atunci relația 𝑀(𝜉 ∙ 𝜂) = 𝑀(𝜉) ∙ 𝑀(𝜂)
este falsă.
Generalizare pentru trei variabile aleatoare independente, are loc relația:
𝑀(𝜉1 , 𝜉2 , 𝜉3 ) = 𝑀(𝜉1 ) ∙ 𝑀(𝜉2 ) ∙ 𝑀(𝜉3 )
𝑥1 𝑥2 … 𝑥𝑛
Def 1: Fie variabila aleatoare 𝜉: (𝑝 𝑝 … 𝑝 ) se numește abatere a variabilei
1 2 𝑛
aleatoare ξ, numărul 𝑀(𝜉 − 𝑀(𝜉)).
Obs: Uneori prin abatere se înțelege noua variabilă aleatoare 𝜉 − 𝑀(𝜉).
Conform definiției operaților cu variabile aleatoare, variabila 𝜉 − 𝑀(𝜉) are următoarea
𝑀(𝜉) 𝑥 − 𝑀(𝜉1 ) 𝑥2 − 𝑀(𝜉2 ) … 𝑥𝑛 − 𝑀(𝜉𝑛 )
distribuție: 𝜉 − 𝑎=𝑐𝑡 : ( 1 ).
𝑝1 𝑝2 … 𝑝𝑛
Media acestei noi variabile are expresia: 𝑀(𝜉 − 𝑀(𝜉)) = ∑𝑛𝑖=1(𝑥𝑖 − 𝑀(𝜉)) ∙ 𝑝𝑖 =
∑𝑛𝑖=1[𝑥𝑖 ∙ 𝑝𝑖 − 𝑀(𝜉) ∙ 𝑝𝑖 ] = ∑𝑛𝑖=1 𝑥𝑖 ∙ 𝑝𝑖 − ∑𝑛𝑖=1 𝑀(𝜉) ∙ 𝑝𝑖 = 𝑀(𝜉) − 𝑀(𝜉) ∙ ∑𝑛𝑖=1 𝑝𝑖 = 0.
Obs: Abaterea exprimă diferența dintre valorile variabilei ξ și media sa.
Dacă pentru toate variabilele aleatoare, media abaterii aleatoare este nulă și nu putem
caracteriza astfel o variabilă aleatoare cu ajutorul abaterii, de aceea s-a definit o nouă mărime
caracteristică numită dispersie.

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

1. Inegalitatea lui Cebâșev

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 ).

Dacă presupunem din raționamente practice că variabilele 𝜉1 , 𝜉2 , … , 𝜉𝑛 descriu același


eveniment pe care îl putem repeta în condiții identice de îl putem arbitra de n ori atunci putem
admite că toate variabilele 𝜉1 , 𝜉2 , … , 𝜉𝑛 au aceeași medie (condiție nu neeapărat necesară).
1 1
𝐷2 (𝜉) = 𝐷2 ( ∙ 𝜉1 + ⋯ + ∙ 𝜉𝑛 )
𝑛 𝑛
Una dintre proprietățile dispersiei se referă la suma a două variabile aleatoare: 𝐷2 (𝜉 ∙
𝜂) = 𝐷2 (𝜉) ∙ 𝐷2 (𝜂) în cazul de față 𝜉1 , 𝜉2 , … , 𝜉𝑛 sunt independente:
1 1 1 1
𝐷2 (𝜉) = 𝐷 2 ( ∙ 𝜉1 + ⋯ + ∙ 𝜉𝑛 ) = 𝐷2 ( ∙ 𝜉1 ) + ⋯ + 𝐷2 ( ∙ 𝜉𝑛 )
𝑛 𝑛 𝑛 𝑛
1 1
𝐷2 (𝜉) = 2 ∙ 𝐷2 (𝜉1 ) + ⋯ + 2 ∙ 𝐷2 (𝜉𝑛 )
𝑛 𝑛
Prin ipoteză am admis că există o constantă C pozitivă care majorează toate dispersiile. În
consecință:
1 𝑛∙𝐶 𝐶
𝐷2 (𝜉1 ) ≤ 𝐶 … 𝐷2 (𝜉𝑛 ) ≤ 𝐶 ⟹ 𝐷2 (𝜉) ≤ 2 ∙ (𝐶 + 𝐶 + ⋯ + 𝐶) = 2 =
𝑛 𝑛 𝑛
Astfel are loc inegalitatea:
𝐶 (−1) 𝐷 2 (𝜉) 𝐶 𝐷 2 (𝜉) 𝐶
𝐷2 (𝜉) ≤ 𝑛 | ∙ ⟹− ≥ − 𝑛∙𝜀2 ⟹ 1 − ≥ 1 − 𝑛∙𝜀2 ⟹ conform inegalității lui
𝜀2 𝜀2 𝜀2
Cebâșev are loc relația:
𝐶
𝑃(|𝜉 − 𝑀(𝜉)|) < 𝜀) ≥ 1 −
𝑛 ∙ 𝜀2
Dacă trecem la limită inegalitatea se obține astfel: lim 𝑃(|𝜉 − 𝑀(𝜉)| < 𝜀) ≥ 1.
𝑛→∞
𝜉1 +𝜉2 +⋯+𝜉𝑛
Cum însă orice probabilitate este cel mult egală cu 1⟹ lim 𝑃 (| −
𝑛→∞ 𝑛
𝜉1 +𝜉2 +⋯+𝜉𝑛
𝑀( )| < 𝜀) = 1.
𝑛

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) (*).

Obs: Această proprietate ne premite să considerăm prin extensie că orice funcție de


repartiție are ca domeniu de definiție mulțimea ℝ dacă facem următoarea prelungire:
0, 𝑥 ≤ 𝑎
𝐹(𝑥) = {𝐹(𝑥), 𝑎 < 𝑥 < 𝑏
1, 𝑥 > 𝑏
Totodată proprietatea 3 are și următoarea consecință:
lim 𝐹(𝑥) = 0, iar lim 𝐹(𝑥) = 1.
𝑥↘∞ 𝑥↗∞
Uneori se va presupune că funcția de repartiție nu este doar continuă ci este o funcție
derivabilă.
Def: Fie 𝜉 o variabilă aleatoare continuă în valori (a,b) ⊂ℝ și fie 𝐹 (𝑥) = P(𝜉 < 𝑥)
funcția sa de repartiție. Dacă presupunem că funcția de repartiție este derivabilă pe ℝ atunci
derivata sa se numește densitate de probabilitate corespunzătoare variabilei aleatoare 𝜉.
𝐹 ′ (𝑥) = 𝑓(𝑥)
Conform acestei definiții funcția de repartiție este o primitivă a densității de probabilitate.
Din definiție se observă că densitatea de proabilitate se poate afla prin derivarea funcției de
repartiție dacă funcția de repartiție este cunoscută. Reciproc dacă avem o funcție f(x) cu anumite
proprietăți atunci putem determina funcția de repartiție corespunzătoare.
1) Clasa N(m,σ) a variabilelor aleatoare normale – aceste variabile au densitatea de
probabilitate x∈(-∞,∞)
−(𝑥−𝑚)2
1
𝑓(𝑥) = ∙ 𝑒 2∙𝜎2
𝜎 ∙ √2 ∙ 𝜋
Au loc următoarele proprietăți:
𝑎)𝑓(𝑥) ≥ 0 , (∀)𝑥 ∈ ℝ
+∞
} ⟹ 𝑓(𝑥)𝑑𝑥 𝑑𝑒𝑓𝑖𝑛𝑒ș𝑡𝑒 𝑜 𝑓𝑢𝑛𝑐ț𝑖𝑒 𝑑𝑒 𝑟𝑒𝑝𝑎𝑟𝑡𝑖ț𝑖𝑒
b) ∫ f(x)dx = 1
−∞
Am văzut că probabilittaea evenimentului 𝑃(𝑥1 < 𝜉 < 𝑥2 ) se exprimă prin 𝑃(𝑥1 < 𝜉 <
𝑥2 ) = 𝑃(𝜉 < 𝑥2 ) − 𝑃(𝜉 < 𝑥1 ) = 𝐹(𝑥2 ) − 𝐹(𝑥1 ).
(𝑡−𝑚)2
1 𝑥
Concluzie: 𝑃(𝑥1 < 𝜉 < 𝑥2 ) = 𝜎∙√2∙𝜋 ∙ ∫𝑥 2 𝑒 2∙𝜎2 𝑑𝑡 (1)
1
Obs: În definiția variabilei aleatoare normale cu parametrii (m,σ) se presupune că 𝑚 ∈ ℝ,
iar 𝜎 ∈ (0, ∞).
Dacă efectuăm schimbarea de variabilă:
𝑡−𝑚
=𝑦 ⟺𝑡 =𝜎∙𝑦+𝑚
𝜎
𝑥 −𝑚 𝑥 −𝑚
atunci 𝑑𝑡 = 𝜎 ∙ 𝑑𝑦, 𝑡 = 𝑥1 ⟹ y = 1σ , 𝑡 = 𝑥2 ⟹ y = 2σ
𝑥2 −𝑚 𝑦2 𝑥2 −𝑚 𝑦2
1 1
σ
(1) ⟹ 𝑃(𝑥1 < 𝜉 < 𝑥2 ) = 𝜎∙√2∙𝜋 ∙ ∫𝑥1−𝑚 𝑒 − 2 ∙ 𝜎 𝑑𝑦 = ∙∫ σ
𝑥1 −𝑚 𝑒 −
2 𝑑𝑦
σ
√2∙𝜋 σ
Scriem ultima integrală sub forma următoarei diferențe:
𝑥2 −𝑚 𝑦2 𝑥1 −𝑚 𝑦2
1 1
𝑃(𝑥1 < 𝜉 < 𝑥2 ) = ∙ ∫−∞σ 𝑒 − 2 𝑑𝑦 − ∙ ∫−∞σ 𝑒 − 2 𝑑𝑦 (2)
√2∙𝜋 √2∙𝜋
În acest fel avem în fapt aceeași integrală dar cu schimbarea marginii superioare a
intervalului de integrare. De aceea s-a definit următoarea funcție numită funcția lui LAPLACE:

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:

1) Fie 𝑠 ∈ ℕ∗ ; 𝜎 > 0. Numim clasă de variabile H(s, 𝜎) variabilele 𝜉 cu densitatea de


probabilitate:
1 𝑠
−1 −
𝑥
𝑓(𝑥) = ∙ 𝑥 2 ∙ 𝑒 2∙𝜎2
𝑠
2𝑠/2 ∙ 𝜎 𝑠 ∙ Γ(2)
, 𝑥 ∈ (0, ∞)
𝑥
Funcția de repartiție 𝐹(𝑥) = ∫0 𝑓(𝑡) 𝑑𝑡 se numește repartiția 𝜒 2 . Să se demonstreze

proprietatea: ∫0 𝑓(𝑥)𝑑𝑥 = 1.
𝑠+1 𝑠+1
Γ( ) 𝑥2
2) Fie 𝑠 ∈ ℕ∗ și funcția 𝑓: ℝ → ℝ; 𝑓(𝑥) = 2
𝑠 ∙ (1+ 𝑠 )− 2 . Să se demonstreze:
√𝜋∙𝑠∙Γ(2)

a) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
1 𝑠
𝑠𝑟 Γ(𝑟+ )∙Γ( −𝑟)
2 2
b) 𝜇2∙𝑟+1 = 0; 𝑟 ∈ ℕ 𝜇2∙𝑟 = ∙ 𝑠 .
√ 𝜋 Γ( )
2
Rezolvare:
𝑠 𝑥
∞ 1 ∞ −
1) ∫0 𝑓(𝑥)𝑑𝑥 = 𝑠/2 𝑠 𝑠 ∙ ∫0 (𝑥 2−1 ∙𝑒 2∙𝜎2 ) 𝑑𝑥
2 ∙𝜎 ∙Γ( )
2
∞ p−1 −x
Obs: Γ(p) = ∫0 x ∙ e dx (1)
𝑥
Notăm = 𝑡 ⟹ 𝑥 = 2 ∙ 𝜎 ∙ 𝑡 ⟹ 𝑑𝑥 = 2 ∙ 𝜎 2 ∙ 𝑑𝑡
2
2∙𝜎2
x↘0⟹t↘0;
x↗+∞⟹t↗+∞
∞ ∞
1 −1
𝑠
2−
𝑥
∫ 𝑓(𝑥)𝑑𝑥 = 𝑠 ∙ ∫ (𝑥 2 ∙ 𝑒 2∙𝜎 ) 𝑑𝑥
0 𝑠/2 𝑠
2 ∙ 𝜎 ∙ Γ(2) 0

1 2
𝑠
= ∙ ∫ (2 ∙ 𝜎 ∙ 𝑡) 2 ∙ 𝑒 −𝑡 ∙ 2 ∙ 𝜎 2 ∙ 𝑑𝑡
𝑠
2𝑠/2 ∙ 𝜎 𝑠 ∙ Γ(2) 0
1 𝑠
−1
𝑠
2∙( −1)
= 𝑠 ∙ 2 2 ∙ 𝜎 2 ∙ 2 ∙ 𝜎2
𝑠/2 𝑠
2 ∙ 𝜎 ∙ Γ(2)
∞ 𝑠 ∞ 𝑠
1
∙ ∫ 𝑡 2−1 ∙ 𝑒 −𝑡 𝑑𝑡 = s ∙ ∫ 𝑡 2−1 ∙ 𝑒 −𝑡 𝑑𝑡 = 1
0 Γ (2) 0

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)

Def: Fie variabila aleatoare ξ și 𝜂 (continue și discontinue), perechea alcătuită (ξ, 𝜂) se


numește vector aleator(bidimensional).
Dacă variabilele aleatoare sunt discontinue atunci vectorul aleator (ξ, 𝜂) poate fi deschis
cu ajutorul unui tablou de valori și probabilități.
Pornind de la următoarele două formule putem elabora următorul tablou matricial al
vectorilor aleatori ξ, 𝜂

Relația(1) 𝑝𝑖,∘ = ∑𝑘𝑗=1 𝑝𝑖,𝑗

Relația (2) 𝑝∘,𝑗 = ∑𝑘𝑖=1 𝑝𝑖𝑗 P

La intersecția liniei corespunzătoare valorii yi cu coloana corespunzătoare valorii xi se


trece probabilitatea evenimentului intersecție pi,j=P(ξ=xi, 𝜂=yj)
OBS: Observăm că indicii au alt rol decât în cazul matricilor și anume primul indice este
un indice de coloană, iar cel de al doilea indice este indice de linie.
Din relația (1) reiese următoarea proprietate: suma probabilităților de pe coloana valorii
xi este P(ξ=xi)=𝑝𝑖,∘
Din relația (2) se observă că suma probabilităților de pe linia valorii yj este P(𝜂=yj)=𝑝∘,𝑗
În plus se observă că evenimentul (ξ=xi, 𝜂=yj), i=1..n și j=1..k sunt incompatibile și
reuniune lor este evenimentul sigur:⋃𝑛𝑖=1 ⋃𝑘𝑗=1(𝜉 = 𝑥𝑖 , 𝜂 = 𝑦𝑗 ) = Ω