TEORIA PROBABILITĂŢILOR

Dr. Liana Manu Iosifescu

Octombrie 2015

Partea a doua a cursului- STATISTICĂ MATEMTICĂ

UNITATEA DE ÎNVĂŢARE 1- Câmp de probabilitate

Evenimente. Definiţia clasică a probabilităţii…………………………………….1
Cậmp de evenimente. Definiţia axiomatică a probabilităţii………………………2
Proprităţile probabilităţii……………………………………………………...….3
Probabilitate condiţionată……………………………………………………...…4
Scheme clasice de probabilitatate……………………………………………...…4

Evenimente
Prin eveniment se înţelege rezultatul unui experiment (este o noţiune primară).
Evenimentul care se realizează cu certitudine într-o experienţă îl vom numi
eveniment sigur şi îl vom nota cu  . Evenimentul care nu se realizează niciodată îl vom
numi eveniment imposibil şi îl vom nota cu  . Evenimentul complementar ( contrar) al
unui eveniment A este acel eveniment care se realizează atunci şi numai atunci când nu
se realizează A. Evenimentul complementar îl vom nota A .
Vom scrie A  K dacă evenimentul A aparţine unei familii de evenimente K.
Dacă realizarea evenimentului A implică realizarea evenimentului B vom scrie
A  B . Se spune că evenimentul A este favorabil producerii evenimentului B. Un
eveniment A este elementar dacă B  A implică B   sau B=A. Pentru un eveniment
arbitrar, avem implicaţiile:   A   , relaţia de implicare constituind o relaţie de
ordine parţială.
Operaţii cu evenimente. Ca şi relaţiile dintre evenimente, operaţiile cu evenimente sunt
operaţii logice şi vor fi simbolizate ca în teoria mulţimilor.
Două evenimente a căror realizare simultană este echivalentă cu evenimentul
imposibil se numesc incompatibile şi vom scrie A  B   ; în caz contrar, evenimentele
se numesc compatibile ( A  B   ). Fiind date evenimentele A şi B, se introduce
evenimentul care constă în realizarea evenimentului A şi nerealizarea evenimentului B,
notat A  B  A  B .
Orice reuniune de evenimente arbitrare se poate scrie ca o reuniune de evenimente
k 1 n n

incompatibile (prin disjuncţia Bk  Ak  A j , k  1,2,...n  A Bk )

k
j 1 k 1 k 1

Definiţia clasică a probabilităţii

Se numeşte probabilitate a evenimentului A şi se notează P(A), raportul dintre

numărul m de cazuri favorabile producerii evenimentului A şi numărul total n de rezultate
m
ale experimentului, considerate egal posibile: P A  , din definiţie rezultând
n
proprietăţile:
1. 0  P A  1

1
2. P     0, P     1
3. P A  B   P A  P B  , dacă A B  
4. P  A   1  P  A
5. A  B  P  A  P  B 
Câmp de evenimente.
Să considerăm    si P    mulţimea părţilor lui  .
Definiţie: O familie nevidă K  P    se numeşte corp de părţi (mulţimi) dacă:
i) A  K  A  K
ii) A, B  K  A  B  K
Observaţie: Axioma ii) este echivalentă cu
n
ii A1 , A2 ,..., An  K , n  N , n  2  Ak  K
k 1

Asociativitatea reuniunii, împreună cu i) şi ii) implică faptul că un corp K este o

mulţime nevidă de părţi închisă în raport cu reuniunea finită şi trecerea la complementară.
Propoziţie: Dacă K  P    este un corp de părţi, atunci:
1)   K ,   K
A 
n

2) k 1 k  n
 K  Ak  K
k 1

3) A, B  K  A  B  K
Definitie: O mulţime nevidă K  P    se numeşte  -corp de mulţimi ( corp borelian)
dacă:
i) A  K  A  K
ii)  An  nN  K  n
N
An  K

Observaţie: Se constată că orice corp borelian de mulţimi este şi corp de mulţimi,

reciproca nu este adevarată.
Definiţie: O mulţime  ȋnzestrată cu un corp (borelian) K de părţi se numeşte câmp
(borelian) de evenimente. Vom nota acest câmp de evenimente  , K  .
Definiţie: Un sistem de evenimente A1 , A2 ,..., An  K cu proprietatea că Ai  A j  
n

dacă i  j , i, j  1,2,..., n , Ai  spunem că formează un sistem complet de

i 1

evenimente sau o desfacere a lui  .

Definiţia axiomatică a probabilităţii
Definiţie: Se numeşte probabilitate pe câmpul de evenimente  , K  o funcţie de
mulţime P : K  R , care satisface următoarele axiome:
i) A  K  P A  K
ii) P    1
iii) A, B  K , A  B    P A  B   P A  P B 
Observaţie: Axioma iii) este echivalentă cu A1 , A2 ,..., An  K , Ai  A j   , i  j ,
 n 
 
n
i, j  1,2,..., n  P Ai    P Ai
 i 1  i 1
Definiţie: Un câmp de evenimente  , K  înzestrat cu o probabilitate P se numeşte
câmp de probabilitate şi îl vom nota  , K , P .
Definiţie: O probabilitate  -aditivă (complet aditivă) pe câmpul borelian de evenimente
 , K  este o funcţie de mulţime P : K  R care satisface axiomele:

2
i) A  K  P  A  K
ii) P    1
 
iii)  An  nN  K , Am  An  , m  n, m, n  N  P
 An 
  P A n
 nN  nN

Prin definiţie, un câmp borelian de evenimente  , K  înzestrat cu o

probabilitate P complet aditivă se numeşte câmp borelian de probabilitate şi îl vom nota
 , K , P .

Proprietăţile probabilităţii

Propoziţie: Probabilitatea are următoarele proprietăţi:

1) P B  A  P  B   P  B  A
2) P B  A  P B   P  A şi P A  P B  dacă A  B
3) P  A   1  P A
4) P    0
5) 0  P  A  1
6) P A  B   P A  P B   P A  B  , P A  B   P A  P B 
7) Formula lui Poincarè:-principiul includerii şi excluderii :
 
      n 1  
n n n
P Ai    P Ai   P Ai  A j   P Ai  A j  Ak  ...    1 P Ai 
 i 1  i 1 i j i jk  i 1 
 
 
n n
8) subaditivitatea probabilităţii : P Ai    P Ai
 i 1  i 1
 n 
 
n
9) inegalitatea lui Boole : P Ai    P Ai   n  1
 i 1  i 1

Propoziţie: axioma continuităţii: Dacă  An  nN este un şir descendent de evenimente,

atunci: lim P  A  Dacă  An  nN este un şir ascendent de evenimente,
 
n
 P  An .
n
 n N 

atunci: lim P  A 
 
n
 An 
 P 
n 
 n N 
Propoziţie: Un câmp de probabilitate în care probabilitatea este finit aditivă şi în care are
loc axioma continuităţii este un câmp borelian de probabilitate.

Probabilitate condiţionată
Fie  , K , P un câmp de probabilitate şi A  K astfel încât P  A  0
Definiţie: Numim probabilitate condiţionată de evenimentul A a evenimentului B
P  A  B  not
P
expresia A  B    P  B A
P  A
Propoziţie: , K , PA  este câmp de probabilitate
Definiţie: Evenimentele A şi B se numesc independente dacă P A  B   P A P B  .
Comentarii:
1. independenţa înseamnă PA  B   P  B 
2. definiţia este echivalentă cu oricare dintre relaţiile:

3
 i) P A  B   P A  P B 
ii) P  A  B   P  A P  B 
iii) P A  B   P  A  P  B 
Regula de înmulţire a probabilităţilor
Fie A i 1 i  n o familie finită de evenimente, astfel încât P
 n

 Ai 

0;
 i 1 
atunci:
P
 n
 Ai 

   
  P A1 PA A2 PA  A A3 ...PA  A ... A An    
 i 1  1 1 2 1 2 n 1

Considerăm desfacerea (sistemul complet de evenimente)  Ai  1 i  n , Ai  A j   ,

n
i  j şi A i  , P  Ai   0, i  1,2,..., n . Dacă B  K , P B   0 , atunci are loc:
   
i 1

Formula lui Bayes: P Ai B    P Ai P B Ai

P B 

   
n
Formula probabilităţii totale: P B    P Ai P B Ai
i 1

Scheme clasice de probabilitatate

a. Schema lui Poisson: este folosită în rezolvarea problemelor în care se cere
probabilitatea realizării de k ori a unui eveniment într-o experienţă care constă în
efectuarea a n probe independente, atunci când se cunoaşte probabilitatea pi a realizării
evenimentului în fiecare din cele n probe.
Să considerăm n urne U1 ,U 2 ,...,U n fiecare urnă conţinând bile albe şi bile
negre în proporţii date. Fie ai numărul de bile albe din urna U i şi bi numărul de bile
negre din urna U i . Probabilitatea de a extrage o bilă albă din urna U i este:
ai
pi  , i  1,2,..., n , iar probabilitatea de a extrage o bilă neagră din urna U i este:
ai  bi
bi
qi  , i  1,2,..., n . Evident, pi  qi  1 , i  1,2,..., n .
ai  bi
Se extrage câte o bilă din fiecare urnă şi se cere să se afle probabilitatea ca din
cele n bile extrase, k să fie albe.
Fie Ai evenimentul care constă în faptul că s-a extras o bilă albă din urna U i .
Evenimentul care răspunde favorabil este cel constituit din k evenimente A şi n-k
evenimente A , o situaţie posibilă fiind Ai  Ai 2  ...  Ai  Ai  ...  Ai . Intrucât 1 k k 1 n

rezultatele extragerilor sunt independente, probabilitatea acestui eveniment este

P
 A  A  ...  A  A  ...  A 
  p p ... p q ...q .
 i1 i2 ik  i k 1 in i1 i2 ik i k 1 in

Notăm cu B evenimentul care constă în apariţia de k ori a bilei albe şi de n-k ori a
B
bilei negre. Atunci i ,i ,. .,i   i1   A  A . . A  A . . A . Urmează că
i2 ik ik1 in
12 n
k ori A,n-k ori A

4
  
 
PB  P  Ai  Ai . . Ai  Ai . . Ai    pi pi . pi qi . .qi Constatăm că după aceeaşi regulă se calculează coeficientul lui x k
i1,i2,. ,in   1 k k1 n  i1,i2,. ,in  1 2 k k1 n
2

k ori A,n-k ori A  k oriA,n-k ori A

din polinomul
 
n
P  x    pi x i  qi , deci aşa vom determina simplu probabilitatea cerută.
i 1
b. Schema lui Bernoulli (schema bilei revenite) rezolvă problemele în care se cere să se
calculeze probabilitatea realizării unui eveniment de k ori într-o serie de n probe
independente, când se cunoaşte probabilitatea p a realizării evenimentului într-o singură
probă.
Se presupune că cele n urne din schema lui Poisson au aceeaşi compoziţie. A
extrage câte o bilă din fiecare urnă este echivalent cu a utiliza o singură urnă şi a reface
compoziţia după fiecare extragere (adică a reintroduce bila la loc în urnă). Polinomul
devine P  x    px  q  n , iar coeficientul lui x k , care dă probabilitatea căutată va fi
Cnk p k q n  k .
c. Schema lui Bernoulli în mai multe culori (schema multinomială). Considerăm o urnă
care conţine bile de k culori: C1 , C2 ,..., Ck . Fie pi probabilitatea de a extrage o bilă de
culoarea Ci ; ne propunem să calculăm probabilitatea evenimentului ca în cele n probe
independente, reintroducând în urnă de fiecare dată bila extrasă, să apară de ni ori bila
de culoarea Ci , i  1,2,..., k . O situaţie posibilă este următoarea:
A1  A1  ... A1  A2  A2  ...  A2  ...  Ak  Ak  ...  Ak
n1 ori n 2 ori n k ori
n1 n2 nk
Probabilitatea acestui eveniment este p1 p2 ... pk cu n1  n2  ...  nk  n . Cum
n!
evenimentul se poate exprima în n !n !..n ! situaţii distincte (incompatibile două câte
1 2 k

n!
două), rezultă că probabilitatea cerută este n !n !..n ! p1 p2 ... pk , n1  n2  ...  nk  n
n1 n2 nk

1 2 k

.
d. Schema bilei nerevenite: Se consideră o urnă care conţine N bile de două culori A şi
N
B în număr de N1 şi respectiv N 2 , extragându-se cu probabilităţile p1  1  p şi
N
N 2 N  N1 N1
respectiv p2   1  1  p  N1  Np, N 2  N 1  p  .
N N N
Din urnă extrag n bile, fără a pune bila extrasă înapoi în urnă şi se cere
probabilitatea de a obţine k bile de culoarea celor având probabilitatea p de a fi extrase.
n
Utilizând definiţia clasică a probabilităţii, numărul cazurilor posibile este C N , iar
k nk
k
C Np C Nn  1k p 
al celor favorabile C NpC N  1 p  , probabilitatea cerută fiind: , unde numărul
C Nn
k satisface: max 0, n  N 1  p    k  min  n, Np  .
Schema bilei nerevenite este un caz particular al schemei lui Polya. În acest caz,
extragerile se fac cu revenire, a.î. înaintea următoarei extrageri se pun în urnă j  1 bile

5
de culoarea bilei extrase.Se cere probabilitatea obţinerii a k bile de culoarea celor de
probabilitate p şi apoi a n-k bile de cealaltă culoare în urma a n astfel de extrageri.
Probabilitatea de a obţine k bile de culoarea celor de probabilitate p în primele k
extrageri şi n-k de cealaltă culoare, în următoarele n-k extrageri este:
N1 N1  j N1   k  1 j N2 N2  j N   n  k  1 j
pk  ... ... 2
N1  N 2 N1  N 2  j N1  N 2   k  1 j N1  N 2  kj N1  N 2   k  1 j N1  N 2   n  1 j
aceasta reprezentând probabilitatea obţinerii a k bile de culoarea celor N1 şi a n-k de
k
culoarea celor N 2 în orice altă ordine, deci probabilitatea cerută este Cn pk .
N1 N2
Cum  p,  1  p  q , N1  N 2  N notând j   , probabilitatea
N1  N 2 N1  N 2 N
k p  p   ... p   k  1  q  q   ... q   n  k  1 
cerută devine: Cn , care pentru j  1
 1   1  2 ...1   n  1 
1
,  
N
Np Np  1... Np   k  1  N 1  p   N 1  p   1... N 1  p    n  k  1 
 Cnk
N  N  1 N  2 ... N   n  1 
k
C Np C Nn  1k p 
= , adicǎ probabilitatea obținutǎ ȋn schema bilei nerevenite.
C Nn
e. Schema bilei nerevenite în mai multe culori: Considerăm o urnă în care se află ni bile
 
de culoarea Ci , i  1,2,..., j . Se extrag n n  n1  n2  ...  n j bile fără a pune la loc bila
extrasă şi se cere probabilitatea ca din cele n bile extrase ki să fie de culoarea Ci .
Utilizând tot definiţia clasică a probabilităţii,( bilele se extrag simultan), obţinem
k  k  ...  k
numărul căzurilor posibile Cn  n ... n , iar numărul cazurilor favorabile este
1 2 j

1 2 j

k k k
kj
Cn 1 .Cn 2 ...Cn j
k1 k2
Cn .Cn ...Cn , deci probabilitatea cerută este
1 2
k1  k 2  ...  k j
j
.
1 2 j
Cn  n 2  ...  n j
1

f. Schema lui Pascal: Considerăm urna din schema lui Bernoulli din care fac extrageri
(revenite) până la obţinerea primei bile albe. Probabilitatea ca la extragerea k să se obţină
prima bilă albă este pq k 1 . O generalizare a acesteia este “timpul de aşteptare”.
Se consideră un eveniment care are probabilitatea de a se realiza egală cu p.
Efectuăm k probe independente, până când evenimentul se realizează de n ori  k  n  .
n 1 n k n
Probabilitatea corespunzătoare va fi: Ck 1 p q , k  n , întrucât în ultima probă
evenimentul are loc.
Observaţie:Repartiţia geometrică : pk  pq este ‘generalizată’ de repartiţia binomială
k

negativă: pk  C p q ,k  0 .
k n k
n  k 1

UNITATEA DE ÎNVĂŢARE 2- Variabile aleatoare

Variabile aleatoare………………………………………………………………………..7
Funcţia de repartiţie a unei variabile aleatoare. ………………………..………………. ..9
Caracteristici numerice ale funcţiilor de repartiţie……………………………………….11
Vectori aleatori. …………………….……………………………………………………11
Repartiţii marginale……………………………………………………...………………12

6
Momente iniţiale ………………………………………………………………..……….14
Momente centrate…………………………………………………………...……………15
Momente mixte…………………………………………………………………………..15
Inegalităţi pentru momente………………………………………………………………17
Corelaţie si regresie………………………………………………………………………17
Funcţia caracteristică. Proprietăţi…………………………………………………...……18
Funcţia generatoare de momente……………………………………………………...…20
Variabile aleatoare
Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor.
Intuitiv, variabila aleatoare se poate defini ca fiind o funcţie reală definită pe mulţimea
valorilor posibile ale unui experiment.
Fie  , K  un câmp borelian de evenimente.
Definiţie: X :   R se numeste variabila aleatoare dacă şi numai dacă
 : X     x  K , x  R
Observaţie: Noţiunea de probabilitate nu intră în definiţia variabilei aleatoare.
Vom utiliza notaţiile:  X  x  K pentru v.a. X
Propoziţie: X :   R este o variabilă aleatoare dacă şi numai dacă este adevarată una
din afirmaţiile:
 i   : X     x  K , x  R
 ii   : X     x  K , x  R
 iii   : X     x  K , x  R
Observaţie:  X  a  K şi  a  X  b  K , a, b  R .
Aplicaţie:La un examen se prezintă trei candidaţi. Variabila aleatoare reprezentând
0 1 2 3
numărul candidaţilor admişi are repartiţia:  2 
p  . Determinaţi
 26 p 9 p
5 
probabilitea
fiecărui candidat de a promova examenul.
Solutie:Cum numărul candidaţilor promovaţi reprezintă o partiţie a evenimentului sigur:
2 1
la examen se prezintă trei candidaţi, avem   26  9  1 p  1  p  , deci distribuţia
5 60
0 1 2 3
v.a. este X :  2 13 3 1  . Cum P X  k  , k   0,1,2,3 reprezintă probabilitatea
 
 5 30 20 60 
ca k candidaţi să promoveze examenul, conform schemei lui Poisson se obţine sistemul:

7

 1  p1   1  p2   1  p3   2
5
 13
 p1  1  p2   1  p3   p2  1  p1   1  p3   p3  1  p2   1  p1  
 30 , unde p , i  1,2,3
 3 i
 p1  p2  1  p3   p1  p3  1  p2   p3  p2  1  p1  
 20
 1
 p1 p2 p3 
60
reprezintă probabilitatea fiecărui candidat de a promova examenul. Utilizând relaţiile lui
 1  47
 S3   S1 
60 60
 3  1
Viete, sistemul devine:  S 2  3S3    S 2   ecuaţia cu soluţiile pi este:
 20  5
1  S1  S 2  S3  2  S3  1
 5  60

60  47 12  1
60 p 3  47 p 2  12 p  1  0 . Aplicând schema lui Horner: 1
60  27 3 0
3
1 9 1
 p1  , iar p2 , p3 sunt soluţi pentru: 20 p  9 p  1  0  p2,3 
2
, probabilităţiile
3 40
1 1 1
fiind , , .
3 4 5
Operaţii cu variabile aleatoare:
Propoziţie: Dacă X este variabilă aleatoare şi b  R , atunci:
1
X  b, bX , X , X 2 , , cu X  0 sunt variabile aleatoare
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci:  X  Y   K ,  X  Y   K ,
X  Y  K
X
Propoziţie: Dacă X şi Y sunt variabile aleatoare, atunci: X  Y , X  Y , XY , , cu Y  0
Y
sunt variabile aleatoare.

Funcţia de repartiţie a unei variabile aleatoare

Să considerăm un câmp borelian de probabilitate  , K , P şi X o variabilă
aleatoare.
Definiţie: Numim funcţie de repartiţie a variabilei aleatoare X, aplicaţia FX : R   0,1 ,
definită prin relaţia FX  x   P  : X     x  . Vom scrie: FX  x   P X  x 
Propoziţie: Funcţia de reparţie a unei variabile aleatoare X are următoarele proprietăţi;
(1) FX      lim FX  x   0 ; FX     lim FX  x   1
x   x 

(2) este nedescrescătoare : x1  x2  FX  x1   FX  x2 

8
(3) este continuă la stânga: FX  x   FX  x  0  lim
y x
FX  y 
Propoziţie: Daca X este o variabila aleatoare si x1  x2 , atunci:
     
P x1  X  x2  FX x2  FX x1
P x  X  x   F  x   F  x   P X  x 
P x  X  x   F  x   F  x   P X  x   P X  x 
1 2 X 2 X 1 1

P x  X  x   F  x   F  x   P X  x 
1 2 X 2 X 1 2 1

1 2 X 2 X 1 2

Observaţie: P  X  xi  , i  1,2 reprezintă saltul funcţiei de repartiţie FX în punctul xi

, i  1,2 . Dacă FX este continuă, atunci P X  xi   0 , i  1,2 .
In funcţie de mulţimea valorilor posibile X    ale v.a. X :   R avem:
Definiţie: O v.a. X pe câmpul borelian de probabilitate  , K , P se numeşte discretă
dacă ia o mulţime cel mult numarabilă de valori :
X      xi iI , xi  x j , i, j  I  N , i  j .
V.a. cu proprietatea că X    este un interval din R se numeşte continuă

Propoziţie: Dacă X      xi iI ,  Ai iI  K definite prin Ai     : X     xi 
formează o partiţie a evenimentului sigur.
Notând P  Ai   pi  pi  0, 
iI
pi  1 . Punctele  x  se numesc puncte de
i i I

creştere ale funcţiei de repartiţie, iar probabilităţile lor se numesc salturi ale funcţiei de
FX  x   p
repartiţie. Evident, xi  x
i .

Definiţie: Numerele  pi iI satisfacând P  X  xi   pi , i  I şi p i

 1 dau legea de
iI

probabilitate a v.a. discrete X ( pi reprezintă funcţia de frecvenţă a v.a. X numită mai

sugestiv masă de probabilitate).
Observaţie: Unii autori definesc funcţia de repartiţie prin relaţia:
~
FX  x   P  X  x  , x  R
Aplicaţie: Durata unei convorbiri telefonice exprimată în secunde este o variabilă
t  t 
1  1  
aleatoare X având funcţia de repartiţie: F  t   1  e 50  e  50  , t  0 . Determinaţi
X
2 2
probabilitatea ca o convorbire telefonică să dureze:
a) cel mult 70s
b) cel puţin 110s
c) între 70 si 110s
d) exact 100s, respectiv 90s
e) cel mult doua minute, ştiind ca va dura cel puţin un minut
f) cel puţin un minut, ştiind ca va dura cel mult doua minute .
Solutie: Funcţia de repartiţie a variabilei date, explicitata, este:

9
  1  50
t

 1 e dacã 0  t  50
 2
t
 1  1 e  50  1 dacã 50  t  100
FX  t    2 2e
 1 t 1
1  e 50  2 dacã 100  t  150
 2 2e
 ...
Aceasta este o functie crescǎtoare, continua la dreapta, avand salturi in punctele de forma
7
1  1
t=50k, k  N * . Deci: a) P X  70   FX  70  1  e 5  b) P X  110   1  FX 110 
2 2e
1  5 1 1
11 7 11
1 1 5 P  70  X  110   F  110   F  70    e  e

  
 2  e : c) 5

2e 2
X X
2  e e 2 
1  1
d) P  X  100  tlim F  t   FX 100  1   , iar P X  90  0
100 X 2e  e
1
1 5
FX 120  FX  60
e) P X  120 X  60 
1 e2
1 
1  FX  60 e 1 1
5
e
6
1 1 5
F 120  FX  60 1   e
f) P X  60 X  120  X 1 2e 2
FX 120 1 1 5
12
1  e
2e 2
F
Definiţie: V.a. X se numeşte continuă dacă X este absolut continuă, adică, dacă există o
x

funcţie integrabilă nenegativă f : R  R astfel încât FX  x    f  t dt , x  R .



Funcţia f se numeşte densitate de repartiţie. Din definiţia dată rezultă:

i) f  x   0, x  R


ii)  f  x dx  1


Se constată imediat că dacă există densitatea de repartiţie f, atunci F este

x2
    
derivabilă şi FX  x   f  x  , iar P  : x1  X  x2  FX x2  FX x1     f  t dt
x1

Propoziţie: Dacă g este continuă şi strict monotonă pe I  X    , atunci aplicaţia

g  X :   R este o variabila aleatoare şi are loc egalitatea:

 
 F X g 1  x  daca g este strict crescatoare
Fg  X  x   
 
1  F X g  x  daca g este strict descrescatoare
1

Caracteristici numerice ale funcţiilor de repartiţie

10
 Fie X o v.a. cu funcţia de repartiţie F şi q  N , q  2.
Definiţie: Numim q-cuantile ale v.a. X, numerele finite  ci  X  1 i  q 1 pentru care
 
F ci  X  
i
q
şi  i

F ci  X   0  , 1  i  q
q
Observaţie: In general, cuantilele nu sunt unic determinate. Dacă F este continuă,
i
cuantilele se determină ca soluţii unice ale ecuaţiilor: F  ci  X    q , 1  i  q  1 .
Cuantilele au denumirea de mediană  q  2  , cuartile  q  4  , decile  q  10  ,
centile  q  100  .
Definiţie: Fiind dată funcţia de repartiţie F care are densitatea f, orice punct de maxim
local pentru f se numeşte mod (punct modal). In cazul repartiţiilor discrete, punctul modal
se numeşte valoarea cea mai probabilă: pk  P  X  xk   pk 1  pk  pk 1
Vectori aleatori
Definiţie: X :   R se numeşte vector aleator(variabilă aleatoare n-dimensională)
n

dacă  : X 1     x1 , X 2     x2 ,...X n     xn   K ,  x1 , x2 ,..., xn   R

n

Definiţie: Numim funcţie de repartiţie n-dimensională a variabilei aleatoare vectoriale

X   X 1 , X 2 ,..., X n  , funcţia F : R n   0,1 definită prin
  
FX x1 , x2 ,..., xn  P  : X 1     x1 , X 2     x2 ,..., X n     xn 
Ca şi în cazul unidimensional, funcţia de repartiţie are o seamă de proprietăţi care
îi sunt specifice şi care o caracterizează:
1) FX este nedescrescătoare în raport cu fiecare argument (funcţiile parţiale
xk  FX  x1 , x2 ,..., xk 1 , xk , xk 1 ,...xn ,1  k  n sunt nedescrescătoare)
2) FX este continuă la stânga în raport cu fiecare argument
3) Dacă cel puţin una dintre componentele xi   , atunci FX  0 , adică:

lim FX x1 , x2 ,..., xi 1 , xi , xi 1 ,...xn  0 
 
x i  

lim F x1 , x2 ,..., xn  1
x  X
4) 1 ( dacă toate componentele xj   , funcţia de repartiţie
...
x n 
FX
tinde către 1)
5) Pentru orice două n-tupluri  x1 , x2 ,..., xn   R ,  y1 , y2 ,..., yn   R astfel încât
n n

x j  y j ,1  j  n , are loc:

   
n n n n

FX y1 , y2 ,..., yn   Pi   Pij   Pijk  ...    1 FX x1 , x2 ,..., xn  0 unde

 
i 1 i  j 1 i  j  k 1

 
Pi  FX y1 ,... yi 1 , xi , yi 1 ,..., yn , Pij  FX y1 ,... yi 1 , xi , yi 1 ,..., y j 1 , x j , y j 1 ,..., yn ,1  i  j  n

Noţiunea de densitate de repartiţie n-dimensională a vectorului aleator  X 1 , X 2 ,... X n  :

Dacă există o funcţie f : R n  R continuă şi integrabilă pe R n astfel încât:

11
 x1 x2 xn


FX x1 , x2 ,..., xn     ...  f u , u 1 2

,...un du1du2 ...dun , atunci f se numeste densitate

de repartitie n-dimensionala a vectorului aleator  X 1 , X 2 ,... X n  . Din definiţie rezultă:

  

 i  f  x1 , x2 ,...xn   0,  x1 , x2 ,..., xn   R n
x1 x2 xn

 ii    ...   
f u1 , u2 ,...un du1du2 ...dun  1
  


 n F x1 , x2 ,..., xn  
 n F x1 , x2 ,..., xn 
Mai mult, există si f  x1 , x2 ,...xn  
x1x2 ...xn x1x2 ...xn
Fie un câmp borelian de probabilitate  , K , P şi X   X 1 , X 2 ,... X n  :   R o
n

variabilă
aleatoare vectorială continuă cu X     D un domeniu din R n . Considerând funcţia
g : D  R n cu g  D     R n avem-analog cazului unidimensional-următoarea:


f g  X y1 , y2 ,..., yn  f X g1   1
 y , y ,..., y ,..., g  y , y ,..., y  Dy , y ,..., y  ,  y , y ,..., y   
1 2 n n
1
1 2 n
D g11 ,..., g11
1 2 n
1 2 n

Propoziţie: Dacă g este o transformare regulată şi bijectivă de la D la  , atunci

g  X :   R n este o variabilă aleatoare a cărei densitate verifică egalitatea:
Repartitii marginale
Definiţie: Dacă FX  x1 , x2 ,..., xn  este funcţia de repartiţie a vectorului aleator

lim FX  x1, x2 ,..., xi 1, xi , xi 1,..., xn   Fi  xi 

x1  
...
X , X 1 2
,... X n  , atunci x  
i 1
,
xi 1  
...
xn 
1  i  n se numeşte
funcţie de repartiţie marginală a variabilei X i .
Observaţie: Repartiţia unui vector aleator determină unic repartiţiile marginale, dar, în
general, cunoaşterea repartiţiilor marginale nu este suficientă pentru determinarea
repartiţiei vectorului
Definiţie: Spunem că variabilele aleatoare X i ,1  i  n sunt independente dacă
 
evenimentele Ai   : X     xi sunt independente pentru orice xi  R, 1  i  n .
Propoziţie: Variabilele aleatoare X i ,1  i  n, n  2 sunt independente dacă şi numai
dacă funcţia de repartiţie a vectorului aleator X   X 1 , X 2 ,... X n  este produsul funcţiilor

   
n
de repartiţie marginale, adică: FX x1 , x2 ,..., xn   Fi xi pentru orice
i 1
 x , x ,..., x   R
1 2 n
n

Pentru fixarea noţiunilor vom analiza cazul variabilor aleatoare bidimensionale:

12
 Fie F  x, y  funcţia de repartiţie a vectorului aleator  X , Y  . Atunci,
FX  x, y   lim F  x, y  si F  x, y   lim F  x, y  , iar independenţa variabilelor aleatoare
y  Y x 

X şi Y se exprimă prin: F  x, y   FX  x, y  FY  x, y 

 xi , y j  
In cazul discret, repartiţia vectorului  X , Y  :  pij  se scrie sub
  i 1, 2 ,..., m ; j 1, 2 ,..., n
forma:
X \ Y y1 y2 .. . yj ... yn Total
x1 p11 p12 … p1j … p1n p1●
x2 p21 p22 … p2j … p2n p2●
… … … … … … … …
xi pi1 pi2 … pij … pin nj●
… … … … … … … …
xm-1 p(m-1)1 p(m-1)2 … p(m-1)i … pm-1)n p(m-1)●
xm pm1 pm2 … pij … pmn pm●
Total p●1 n●2 … n●i … n●n 1
pi j  P X  xi , Y  y j , i  1,2,..., m; j  1,2,..., n ; X,Y v.a.i.  pij  pi p j
n m m n m n
pi   pi , i  1,2,..., m ; p   p , j  1,2,..., n   pi  pi   p j  1
j j ij j
j 1 i 1 i 1 j 1 i 1 j 1

 xi Y  y j 
X Y  y j :   , jJ
Mai mult, avem:


P X  xi Y  y j 
iI
 cu

    
P X  xi , Y  y j  p
P X  xi Y  y j  p xi y j 
 
ij

P Y  yj pj


In cazul continuu, fie f  x, y  densitatea de repartiţie. Atunci, f X  x   f  x, y dy şi



fY  y    f  x, y dx , iar independenţa variabilelor aleatoare X şi Y se exprimă ca:


f  x, y   f X  x  fY  y  . Definim densitatea de repartiţie a v.a. X condiţionată de Y=y

f  x, y  f  x, y  f  x, y  f  x, y 
f  x y    f  y x   
fY  y  şi analog f X  x
 f  x, y dx

 f  x, y dy 

Momente iniţiale


Definiţie: Numim moment iniţial de ordin k al v.a. X numărul Mk  X   x

k
dF  x  , dacă


integrala Stieltjes există.

Cazurile importante pentru aplicaţii sunt:

Mk  X   x
k
f  x , în ipoteza că există integrala Riemann improprie
 


M k  X    x kj P X  x j , J cel mult numarabilă, în ipoteza că seria este convergentă.

jJ

Definiţie: Numim moment absolut de ordin k al v.a. X numărul


Mk  X   Mk  X   x dF  x 
k



Mk X   f  x
k
Dacă v.a. X are densitate de repartiţie ,  x ,


13
iar dacă este de tip discret, Mk  X   x
jJ
j
k

P X  xj .
Momentul de ordinul unu poartă numele de valoare medie şi vom scrie M 1  X   M  X  .
Observaţie: Evident, M k  X   M  X 
k

Observaţii: Dacă v.a. X este de tip discret, având funcţia de frecvenţă pk  P  X  xk  ,

seria x
k 1
k
pk poate fi convergentă, dar seria x
k 1
k
pk nu. În acest caz spunem că nu

există M  X  .


În mod similar, pentru v.a. continuă X, spunem că există MX   x

k
f  x dx



dacă există  x f  x dx .



Astfel mediile nu există pentru v. a. având :

 3j  2
- funcţia de frecvenţă p j  P X    1
j 1
  j , j  N * , deşi x j
p j  2 ln 2
 j  3 j 1

a
1 1 x 1
- densitatea de repartiţie f  x   2 , x  R , deşi a   
lim dx  0 .
 1 x a
 1  x2
Propoziţie: Proprietăţile mediei
(1). Dacă v.a. X  c , atunci M  X k   c k , k  N
(2). Dacă v.a. este omogenă M  aX   aM  X 
 n  n
(3). Dacă v.a. este aditivă M   X i    M X i  
 i 1  i 1
X
(4). Dacă v.a. 1 2 , X ,... X n sunt independente (în totalitate), atunci

 
 
n n
M   X i    M X i
 i 1  i 1
Momente centrate
Definiţie: Numim moment centrat de ordin k al v.a. X numărul

k  X    x  M  X 
k
f  x  dx dacă v.a. X este continuă
   


 k  X    x j  M  X  k P X  x j dacă v.a. X este de tip discret

j J

Propoziţie: Momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de

ordin cel mult k şi reciproc
k k
 k  X      1 Ckj M k  j  X M j  X  şi M k  X    Ckj  k  j  X M j  X  , k  N *
j

j 0 j 0

Cu ajutorul momentelor centrate se introduc noţiunile:

3  X 
Definiţie:Coeficient de asimetrie al v.a. X:  1  .
 X3
4  X 
Coeficient de exces al v.a. X:  2  3
 X4
Definiţie: Momentul centrat de ordinul doi se numeste dispersie şi se notează D X  , iar

14
 D X    X se numeşte abatere medie pătratică.
Pornind de la definiţie, rezultă imediat D X   M 2  X   M 2  X  , evident, nenegativă.
Observaţie: Dacă X este o v.a. pentru care există M  X  , atunci v.a. X  M  X  o vom
numi variabila aleatoare abatere. Imediat, rezultă M  X  M  X    0
X  MX
Dacă, în plus, există M 2  X  , atunci v.a. X o vom numi abatere normată.

 X MX 
Imediat, rezultă D   1
 X 
Momente mixte
Definiţie: Fiind dat vectorul aleator X   X 1 , X 2 ,... X n  , numim moment mixt de ordinul
 
k1 , k 2 ,...k n numărul M k 1 ,k2 ,...k n  X 1 , X 2 ,... X n    ...  x 1
k1
x2
k2
...xnk n dF  x  , dacă există
 

integrala Stieltjes multiplă.

Dacă vectorul aleator X   X 1 , X 2 ,... X n  are densitate de repartiţie
f  x1 , x2 ,..., xn  , atunci
 
M k1 , k 2 ,...k n  X 1 , X 2 ,...X n    ...  x ...xnk n f  x1 , x2 ,..., xn  dx1dx2 ...dxn în ipoteza
k1 k2
1 x2

că integrala multiplă de ordinul n există, iar dacă vectorul  X 1 , X 2 ,... X n  este de tip
 

discret, M k 1
, k 2 ,...k n
X , X
1 2
,...X n    ...  x 1 ...x j n P X 1  x j ,..., X n  x j 
k
j1
k

n  1 n 
j1  J 1 j n J n

Analog se definesc momentele centrate de ordinul k1 , k 2 ,...k n (dacă ele există):

Definiţie: Fiind dat vectorul aleator X   X 1 , X 2 ,... X n  , numim moment mixt de ordinul
k1 , k 2 ,...k n numărul

X , X   ...    x    
  n
k , k 2 ,... k n 1 2
,... X n  j
M Xj
kj
dF x1 , x2 ,..., xn ,
1
   j 1

In cazul variabilelor discrete

X , X   ...   x    
k k
 ...
 M X1   xj  M Xn 
 P X 1  x j ,..., X n  x j 
1 n
k ,... X n  
1
, k 2 ,... k n 1 2
j1  J 1 j n J n
j1   n   1 n 

iar în cazul variabilelor continue cu densitatea de repartiţie f  x1 , x2 ,..., xn  ,

 

 ...    x j  M  X j  
n n
 k ,k
1 2 ,...k n
 X 1 , X 2 ,...X n  
kj
f  x1 , x2 ,..., xn   dx j
  j 1 j 1

In ipoteza că există şi M2 X  M 2 Y  pentru v.a. bidimensională  X , Y  dăm urmatoarea

definiţie:
Definiţie: Se numeşte covarianţă a variabilelor aleatoare X şi Y momentul mixt
11  M   X  M  X    Y  M  Y    =cov(X,Y)
Acest indicator măsoara existenţa legăturii stocastice a v.a. X şi Y.
Din definiţie, rezultă imediat cov X , Y   M  XY   M  X  M  Y  , care este o funcţională
biliniară simetrică.
Propoziţie: Proprietăţile covarianţei
(1) cov aX , bY   ab cov X , Y  , a, b  R şi cov X , a   0, a  R

15
(2) cov X  X , Y   cov X , Y   cov X , Y 
(3) cov X , Y   cov Y , X  şi cov X , X   D  X 
Definiţie: V.a. se numesc necorelate dacă cov X , Y   0
Observaţie: Intrucât cov X , Y   0  M  XY   M  X  M  Y  , dacă v.a. X şi Y sunt
independente, atunci ele sunt necorelate. Reciproca, nu este adevărată întotdeauna. Vom
arăta acest lucru în exemplul următor:
Exemplu: Trei bile de culori diferite se pun la întîmplare in trei urne. Notând cu X v.a.
care indica numarul de bile dintr-o urna si cu Y pe cea care reprezinta numarul urnelor
ocupate, arătati ca X si Y sunt necorelate (evident, nu sunt independente).
Propoziţie: Proprietăţile dispersiei
(1). Dacă v.a. X  c , atunci D X   0
(2). D aX   a 2 D X 
 n  n
 
(3). D  X i    D X i , dacă X 1 , X 2 ,... X n sunt independente două câte două.
 i 1  i 1
(4) D X  Y   D X   D Y   2 cov X , Y 
Legătura dintre medie şi dispersie este data de ineglitatea lui Cebâşev:
Inegalitatea lui Cebâşev: Dacă X este o v.a. pentru care există M  X  şi D  X  , atunci,
D X 
  0 , are loc inegalitatea: P  : X     M  X     
2
Observaţie: Cu ajutorul acestei inegalităţi se poate evalua o limita inferioară a
probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii:
D X 
P : X     M  X      1  2 .

Dacă   3 , atunci: P  : M  X   3 X  X     M  X   3 X  
8
, inegalitate
9
cunoscută sub numele de “regula 3 ”

Inegalităţi pentru momente

Inegalitatea lui Hőlder: Dacă X şi Y sunt v.a. astfel încât există M r  X  şi MsY ,
1 1
 şi M  XY   M  X  M  Y  , unde
1 1
atunci există M  XY r s r  1,   1 . Pentru
r s r s
r  s  2 , avem:
Inegalitatea lui Schwartz : M  XY   M 2  X  M2 Y 2
1 1
2

Inegalitatea lui Minkowski: Dacă X şi Y sunt v.a. astfel încât există M r  X  şi M s  Y  ,

adică dacă X şi Y sunt v.a. astfel încât există M  X  şi M  Y  , atunci pentru r  1 ,
r r

  şi avem: M  X  Y   M  X   
1 1
r
există M X Y r r r
M Y
r r

Inegalitatea lui Liapunov: propritatea de monotonie a momentelor

Dacă există M X   şi M  X  cu 0  r  r atunci M  X 
r1 r2
1 2
1
r1 r
1 M X  
1
r2 r
2 .

Corelaţie si regresie

16
 Intensitatea legăturii stocastice a două variabile aleatoare se poate măsura cu
ajutorul unor indicatori numerici, cel mai frecvent întilnit fiind coeficientul de corelaţie.
cov X , Y 
Definiţie: Numim coeficient de corelaţie al v.a. X şi Y raportul  X ,Y  .
 XY
Teorema: Pentru orice v.a. X şi Y pentru care D X  D Y   0 , au loc proprietăţile:
(1).  X ,Y  0 dacă şi numai dacă v.a. X şi Y sunt necorelate.
(2). Dacă X,Y sunt v.a. independente, atunci  X ,Y  0 , reciproca nu este adevarată.
(3).  X ,Y  1 ;  X , X  1 şi  X ,  X  1
(4).  X ,Y  1implică o dependenţă liniară între X şi Y.
X  MX Y  M Y 
Considerând variabilele abatere normată X   , Y 
X Y

 
 M  X Y    XY  1 . Cum M X   Y   0  Y  M  Y    Y
2 X  MX
X
x  MX y  M Y  y  M Y  x  MX
Definiţie: Dreptele  1 şi  2 se numesc
x Y Y x
drepte de regresie .
Definiţie: Presupunând că există M 2  X  şi M 2  X  , dreapta de regresie a v.a. Y în
cov X , Y  cov X , Y 
raport cu X este: y  M  Y    x  M  X   , iar  X Y  se numeşte
x x
coeficient de regresie al v.a.Y în raport cu X.
Observaţie:  X ,Y   X Y  Y X
Dacă Z :   R 2 , Z   X , Y  este o v. a. bidimensională, se pot defini momente
iniţiale condiţionate şi dispersii condiţionate
Definiţie: Media condiţionată a v.a.Y stiind că X=x este:
  ypY X  x in cazul discret
 y

M Y X  x    
  yf Y X  x  y  dy in cazul continuu

 
Observaţie: Media condiţionată M Y X  x   h x  este funcţie de x, şi poartă numele
de curba de regresie, h X   M Y X  . Aceasta medie condiţionată este o v.a., pentru
care are loc următoarea teoremă:
Teorema: Presupunând că M  X    , M  M Y X    M  Y 
Definiţie: Dispersia condiţionată a v.a. Y ştiind că X=x este:

D Y X  x   M  Y  M Y X  x   2 X  x 
Observaţie: Dispersia condiţionată este funcţie de x, v X   DY X  fiind o v.a., pentru
care are loc :
Teorema: Fie X şi Y v.a. şi g o funcţie. Atunci:

M Y  g  X  
2
  M  DY X    M  M Y X   g  X   
2

17
Corolar: Dacă M 2  X    , atunci D  X   M  D Y X    D M Y X  

Funcţia caracteristică
Definiţie: Fie X o v.a. definită pe  , K , P cu funcţia de repartiţie FX . Aplicaţia
 X : R  C , definită prin:  X  t   M e  
itX
se numeste funcţia caracteristică a v.a.X.


Observaţie: Din definiţia funcţiei caracteristice rezultă: X t  e

itx
dFX  x  , adică:


 eitx j P  X  x j  daca v.a. X este discreta


 j J
X t   
  eitx f X  x  dx daca v.a. X este continua

 

Propoziţie: Proprietăţile funcţiei caracteristice

(1)  X  0  1
(2)  X  t   1
(3)  X  t    X   t 
(4)  X este uniform continuă pe R
Propoziţie:
1. Dacă Y  aX  b , atunci:  X  t   e  X  at 
ibt

2. Daca  X j 1 j n sunt v.a. independente, atunci:

 n
 t    X  t 
X j 1 j

j 1

Formula de inversiune: Fie X o v.a., FX funcţia ei de repartiţie si funcţia sa  X

caracteristică. Dacă x1  x2 sunt puncte de continuitate pentru FX , atunci:

c
1 e  itx1  e  itx 2
FX  x2   FX  x1   lim   X  t  dt
c   2 it
c

Teorema de unicitate. Funcţia de repartiţie este determinată în mod unic de funcţia ei

caracteristică.
Legătura dintre funcţia caracteristică şi momente (dacă acestea există) este dată de:
Teorema: Dacă X este o v.a. pentru care există M n  X  , atunci  X este de n ori
derivabilă şi  X  0  i M k  X  , 1  k  n
k k

Corolar: Dacă v.a. X admite momente de orice ordin (finite) , atunci:

X t   M k  X 
 it  k
pe intervalul de convergenţă al seriei de puteri.
k 0 k!
Funcţia caracteristică pentru variabile aleatoare vectoriale

18
  i  tk X k 
n

Definiţie: Funcţia  : R  C definită prin 1 2 t , t ,..., t n

 M
 k 1
 e   
 este funcţia
 
caracteristică a vectorului aleator  X 1
, X 2
,... X 
n .
n

 tk X k
Observaţie: Din definiţia rezultă:  t1 , t 2 ,..., t n    
 i

e

k 1
dF x1 , x2 ,..., xn , care, în

cazul
n

    ...  e  
i  tk X k
k 1
i) discret devine  t1 , t2 ,..., tn  P X 1  x1 , X 2  x2 ,..., X n  xn , unde
x1 S1 x 2 S 2 x n S n

Sk mulţimea valorilor v.a. X k , mulţime care este cel mult numarabilă.

ii) continuu, cu densitatea de repartiţie f  x1 , x2 ,..., xn  devine:
n
 i  tk X k
  t1 , t 2 ,..., t n   e k 1
f  x1 , x2 ,..., x n dx1 dx2 ...dxn

 


Propoziţie: Funcţia caracteristică a vectorului aleator X 1 , X 2 ,... X n are proprietăţile(1)

 X  0,0,...,0   1

(2)  X t1 , t2 ,..., t n  1
(3)  X   t1 ,t 2 ,...,t n    X t1 , t 2 ,..., t n 
(4)  X este uniform continuă pe R n
(5) Dacă vectorul aleator X   X 1 , X 2 ,... X n  are funcţia caracteristică  X  u1 , u 2 ,..., u n 
n

şi se consideră vectorul Y   Y1 , Y2 ,...Yn  , Y j   c jk X k  b j , 1  j  m , atunci:

j 1
m m
 b jt j
   X u1 , u2 ,..., un , unde k 
 
i
u  c jk t j , 1  k  n .
Y t1 , t2 ,..., tn  e j 1
j 1

Observaţie: Din funcţia caracteristică  X  t1 , t 2 ,..., t n  se pot obţine imediat funcţiile

caracteristice ale componentelor vectorului X:  X k  tk    X  0,...,0, tk ,0,...,0 , 1  k  n
n
şi dacă vectorul X are componente independente, atunci:  X  t1 , t2 ,..., t n     X  tk  k
k 1

Legătura dintre funcţia caracteristică şi momente este dată de relaţia:

n

k j
M k ,k  X , X ,..., X   1   t1 , t2 ,..., tn
j 1
 
n k k k
 k j t1 1 t2 2 ...tn n
1 2
,..., k n 1 2 n

i j 1
t1  t 2  ...  t n  0

Funcţia generatoare de momente

Definiţie: Funcţia generatoare de momente a v. a. X este  X  t   M e dacă
tX
 
h  0 astfel încât media există şi este finită pentru t  h
Teorema: Dacă există h>0 astfel încât  X  t    Y  t  pentru t h , atunci X=Y.

19
Teorema: Fie X 1 , X 2 ,..., X n v.a.i. ale căror funcţii generatoare de momente există
n n
pentru t h ,h>0, si S n   X k . Atunci  S  t    X  t  , t  h.
n k
k 1 k 1

Corolar: Dacă, în plus, X 1 , X 2 ,..., X n sunt identic repartizate, atunci

 
 S t   X t , t  h .
n
n

Teorema: Fie X v.a. a cărei funcţie generatoare de momente  X  t  există pentru t  h ,

h>0. Atunci
a) toate momentele există: M  X    pentru k  0
k

 
b) M X n   X n   0 , n  N
Observaţie: Pentru v.a. care ia doar valori naturale se defineşte funcţia generatoare de
X n
 
probabilitate : g X  t   M t   t P  X  n  , care este definită cel puţin pentru t  1 .
n0

Pentru aceste variabilele aleatoare  X  t   g  e , pentru t  h . Are loc urmatoarea:

t

Teorema: Fie X 1 , X 2 ,..., X n v.a. independente identic repartizate şi N v.a. luând valori
naturale, independentă de X 1 , X 2 ,..., X n . Atunci  S n  t   g N  X  t  şi  

S  t   g N  X  t 
n

Legi de repartiţie clasice

Repartițiile clasice de tip discret, caracterizate de funcţia lor de frecvenţă pk  P  X  k 

sunt cele care apar inclusiv ȋn schemele clasice de probabilitate.
Exceptând variabila Dirac (trivială) cu masa concentratǎ intr-un punct a  R , având
0, x  a
funcţia de repartiţie Fa  X    , de unde rezultă că orice repartiţie discretă admite
1, x  a
pentru funcţia de repartiţie reprezentarea F  x   
j J
p j Fa  x  , unde p j  P X  a j , j  J
j
 
J cel mult numǎrabilǎ, cea mai simplǎ v.a. este cea repartizata Bernoulli X  Be p  . Are
pk  p k 1  p  , k   0,1 . Notǎm 1  p  q .
1 k

Repartiţia binomiala: X  Bi n, p   pk  Cn p 1  p  ,0  k  n ;  Bi  n , p    peit  q 

k k 1 k n

Dacǎ X j  Be p  , j  1,2,...n sunt v.a.i.i.r., atunci X   X j  M  X   np, D X   npq

j 1

Repartiţia multinomialǎ: În schema multinomialǎ am vǎzut cǎ probabilitatea de a obţine

k
în n   n j extrageri succesive, cu revenire, nj bile de culoarea Cj , 1  j  k este:
i 1


Pn n1 , n2 ,..., nk   n! n n n
p 1 p 2 ... pk k , n1  n2  ...  nk  n cu p1 , p2 ,..., pk  0
n1!n2 !..nk ! 1 2 ṣi
k n

 p j  1 .Atunci, variabila multinomialǎ este X   X i , unde X 1 , X 2 ,…, X n sunt

j 1 i 1

20
  e1  1,0,0,...,0 
e   0,1,0,...,0 
 e1 e2 ... ek   2
v.a.i.,având repartiţiile:  , unde  , deci
p p2 ... pk  ...
 1 
e   0,0,0,...,1
 k

 
 X t1 , t 2 ,...t k   p j e
k
it j
.Evident,  n , n ,..., n
 P n , n ,..., n   1 ,iar
n 1 2 k
i
j 1 1 2 k
n1  n2 ... nk  n
n

     k 
n
 X t1 , t2 ,...tk    X t1 , t 2 ,...tk    p j e j
it



i 1 i
 j 1 

 
M Xj 

1  X t1 , t2 ,...tk  n it
 it
  p j p1e 1  ...  pk e k  n 1
ie
it j 
 np j
i t j i 
 t1  t 2  ... t k  0
t1  t 2  ... t k  0

M X 2j   
1   X t1 , t 2 ,...t k
2
 D X    np 1  p 
Calculând în acelaşi mod i t 2j j j j
t1  t 2  ...  t k  0


M X j Xl   
1   X t1 , t2 ,...t k
2
  n n  1 p j pl p1e  it 1
 ...  pk e
it k
 n2
e
it j
e
it l

i2 t j tl t1  t 2  ...  t k  0

 
t1  t 2  ...  t k  0

M X j X l  n n  1 p j pl , j , l  1,2,..., k ; j  l
k
Repartiţia Poisson: X  Po    pk  e   , k  N ;apare ca limita repartitiei binomiale
k!
n n  1... n  k  1   
nk   nk 
k
np  
k  lim
lim Cn p 1  p 
1 k
k k
 lim 1    e n  n
 pk
n k! n   nk  n k!
 e  ,  1 ,  1
Avem: M  X   D X    , Po     t   e
it
1
1
 2 
Repartiţia hipergeometricǎ este cea a variabilei X care reprezinta numarul bilelor a
cǎror probabilitate de a fi extrase este p obţinute în urma a n extrageri nerevenite dintr-o
urna conţinând N bile de douǎ culori:
k
C Np C Nn  1k p 
X  H  N , n, p   pk  , max 0, n  N 1  p    k  min n, Np   M  X   np ;
C Nn
N n
Observaţie: D X   npq care diferǎ de dispersia v.a. X  Bi  n, p  prin factorul
N 1
N n
 1 . Pentru N=n dispare factorul aleator  D X   0 . În plus, când extragerile se
N 1
N n
fac dintr-un volum mare  N    : Nlim D X   lim npq  npq
 N  N  1

p q
Repartiţia geometricǎ: X  Ge p   pk  pq , k  N ;Ge  p   t    MX 
k

1  qeit p

 
n

Repartiţia binomială negativǎ: X  NB  n, p   X   X j , X j j 1, 2 ,..., n

 Ge p  v.a.i.
j 1

21
 q q
pk  Cnk k 1 p n q k , k  N ; M  X   n ; D  X   n 2 ; dacă probabilitatea de realizare a
p p
unui eveniment este p, probabilitatea realizării de n ori în repetarea experimentului
implică efectuarea acestuia de n  k ori, k fiind numărul eşecurilor care preced cele n
realizări ale evenimentului. Acest lucru se va întîmpla dacă şi numai dacă ultima probă
din cele n  k conduce la realizarea evenimentului dorit , în cele n  k  1 probe
anterioare realizându-se toate cele k eşecuri , ceea ce justifica expresia funcţiei de
frecvenţă.
Observaţie: Schema lui Pascal exprima probabilitatea ca într-o serie de extrageri revenite
bila a cǎrei probabilitate de a fi extrasă este p să apară pentru prima dată la extragerea k
pk  pq k 1 , k  N * , variabila cu aceastǎ repartiţie numindu-se ‘first succes”, diferită de
peit 1 q
cea geometrică: Y  X  n  Fs p  .Avem:  Fs  p   , M  X   , D X   2 , funcţia
1  qe it
p p
caracteristică şi media diferind de cele ale repartiţiei geometrice, dar dispersia fiind
aceeaşi. Efectuând n probe până când un eveniment a cărui probabilitate de realizare este
n 1 n k  n
p se realizează de k ori, probabilitatea corespunzătoare este: pk  Ck 1 p q , k  n . V.a.
cu această funcţie de frecvenţă , dat fiind că
k n j     n  j  1 n  j  2...n q j  
 pk  p n
 C n 1 k  n
k 1 q  p n 1   Cnj j 1q j   p n 1  
j! 
k n k n  j 1   j 1 
 j  n  n  1 ...  n  j  1 
 p n 1     1 q j   p n 1  q   1 , se numeşte repartiţie
n

 j 1 j! 
n
binomială cu exponent negativ. Evident Y  BN  n, p   Y   Yk , Yk  Fs p  v.a.i.
k 1

Repartiţia uniformǎ discreta: P  X  ak  

1
, k  1,2,..., n . Dacǎ a1  a2  ...  an , atunci
n
 0, x  a1
 1
 , a1  x  a2
 n
 ... 1 n ita
FX  x    k având  X  t    e k

n k 1
 , a k  x  a k 1
 n
 ...
 1, x  a
 n

Repartiţii clasice continue

1 eitb  eita
Repartiţia uniformǎ: f  x   , x   a , b     t  
it  b  a 
U  a , b  U  a , b 
ba

X  U  a, b   M  X  
ab
; D X  
 b  a 2

2 12
2  2 ab 
Repartiţia triunghiularǎ: fTri  a ,b   x   1  x , x   a, b  
b  a  ba 2 

22
 2
 itb ita 
 e 2 e 2  ab  b  a 2
 U  a ,b   t     ,M  X   , D X  
 1 it  b  a   2 24
2 
 xm 2 t 2 2
1  imt 
Repartiţia normalǎ: f
N  m , 
 x   e 2 2
, x  R   N  m,   t   e 2
 2
x2 x t2
1  1 
Z  N  0,1  f Z  x   e 2 , x  R  FZ  x   e 2
dt ;
2 2 


t2  0, n  2k  1
 Z  t   e  M n  Z     2k !
2
, n  2k
 2k k!
Pentru X  N  m,   Z  m  X si  1   2  0
Repartiţia lognormalǎ: Y  LN  m,   Y  e X , X  N  m,  ;nu existǎ  LN  m ,  , deṣ
 ln x  m  2
k 2 2 1 
, M n  Y   e
km 
; f
, n  N LN  m, 
2  x   e 2 2
,x  0.
x 2
Repartiţia normalǎ n-dimensionalǎ- definiţii echivalente:
1. Vectorul aleator X  N  m,   este normal  v.a. aX este normalǎ, a vector
de aceeaşi dimensiune.
  1
2. Vectorul aleator X este normal   X  t   exp it m  t t  , unde  este o
 2 
matrice nenegativ definitǎ.
3. Un vector aleator X cu M  X   m şi cov X   astfel încât det  >0 este
n
 x m  x m
repartizat N  m,    are densitatea: f  x    1   1
2 
e 2
X
 2  det 
x

a 1
x e b

  a ,b   x   , x  0    a , b   t   1  itb 
Repartiţia Gama: f a

b  a 
a

n x
1 
 n  f 2  x  x e
2 2 n

Repartiţia  n   ,2  :  n
2 , x  0   2  t    1  2it  
2

2  n n n
  2
2
n
Z  N  0,1  Z 2  12 ; Z k  Z v.a.i.  Z
k 1
2
k   n2
x
 1
Repartiţia exponenţialǎ: exp   1,  : Fexp    x   1  e  , x  0  exp    t  
1  it
x

W   ,   x   1  e
Repartiţia Weibull: F 
,x  0
a
a 1  x b 
a xb
caz triparametric X  W  a, b, c   f X  x   
 
 e  c 
,x  b
c c 

23
 1
1 
1  x
model biparametric(b=0): f
W   , 
 x  1 x 
e 
,x 0;

X  W   ,    M  X        1; D X    2    2   1   2    1 
 1
Repartiţia Rayleigh: Ra   W  ,  ; X  Ra   X 2  exp  ;
 2

FRa     x   1  e

x2
 2
2

, x  0 ;deci FX  x   P X  x   P X  x  FX   x
ax a0
Repartiţia Pareto:  
X  Pa a, x0  f Pa  a , x   x   a 1 , x  x0 ;
0 x
 ax
 M  X   0 , x0  1
 a 1 a
 2 , în general x0  k  M k  X   xk
ax0 ak 0
 D X   ,x  2
  a  1 a  2 2 0
 2 n
Repartiţia  n :  n      ,2 
2 2

 2
Z
T  tn  T 
U , unde Z  N  0,1 ,U   n v.a.i
2
Repartiţia Student:
n
 n 1
  2  2
n 1

2  x 
fT  x     1   n
  , x  R ; M  T   0 , D T   ,n  2
n n n2
n  
 2
U
Repartiţia Fisher(Snedecor): X  F  m, n   X  V m , unde U   2 ,V   2 v.a.i
m n

n
m 
mn
  m 
mn
m  2  2 1  m  2
f F  m, n   x    
2
x 1  x  ,x  0
 n   m   n   n 
   
 2  2
 r  s  r 1
Repartiţia Beta: f B  r , s   x   x 1  x  , x   0,1 ;
s 1

 r   s 
r rs
X  B r , s   M  X  
, D X  
rs  r  s   r  s  1
2

1 a
Repartiţia Cauchy: f C  m, a   x    2 ,xR   t   eimt  a t ;
 a   x  m 2 C  m ,a 

nu existǎ momente!!!
x
1 a 1
Repartiţia Laplace: f
La  a 
 x  e , x  R   La  a   t  
2a 1  a 2t 2

24
UNITATEA DE ÎNVATARE 3- Şiruri de variabile aleatoare
Moduri de convergenţă ale şirurilor de variabile aleatoare…………………………21
Legi ale numerelor mari……………………………………………………………….23
Teoreme limitǎ centralǎ……………..………………………………………………....24
Moduri de convergenţă ale şirurilor de variabile aleatoare

Fie  X n  nN * un şir de v.a.definite pe un câmp de probabilitate complet aditiv  , K , P .

Definiţie: Spunem cǎ şirul de v.a.  X n  nN este un şir Cauchy în probabilitate dacǎ
*

pentru:   0,   0, N   ,  astfel încât P  : X n     X m         de îndatǎ ce

n, m  N   ,  .
Definiţie: Spunem cǎ şirul de v.a.  X n  nN * converge în probabilitate cǎtre v.a. X dacǎ
pentru:   0,   0, N   ,  astfel încât P : X n     X         de îndatǎ ce
 
n  N   ,  , sau , ecivalent P  : X n     X       1   . Vom scrie: X n  X .
P

n

Definiţie: Spunem cǎ şirul de v.a.  X  converge în repartiţie(sau în sens Bernoulli,

n n N *

sau slab) cǎtre v.a. X, dacǎ: lim FX  x   FX  x  pentru orice x punct de continuitate al
n n
s
funcţiei FX . Vom scrie: X n  X .
n

Definiţie: Şirul de v.a.  X n  nN * converge tare cǎtre v.a. X, dacǎ pentru   0,   0
N   ,  astfel încât

 
   : X n    X       
P   .
 n  N   ,  

Definiţie: Şirul de v.a.  X n  nN converge aproape sigur cǎtre v.a. X, dacǎ şi numai dacă:
 
*

P  :  lim X n     X     1 . Vom scrie: X n  X .

a.s.

n  n

Definiţie: Şirul de v.a.  X n  nN converge în medie de ordinul r cǎtre v.a. X(pentru care
*

M r  X  ), M  X n  X   0 . Vom scrie: X n  X .
r r.
dacǎ: nlim
   n

Teoremă: Dacă un şir de v.a.  X n  nN * converge aproape sigur, în probabilitate, în medie
de ordinul r sau în repartiţie, atunci v.a. limită este unică.
Relaţii între conceptele de convergenţă:
a. s. tare .
1. X n n X  Xn  X
 n 
a .s. P
2. X n n X  Xn  X
 n
r P
3. X n n X  Xn  X
 n

4. Conceptele de convergenţă aproape sigură şi cel de convergenţă în medie de ordinul r

nu pot fi ordonate (nici unul nu-l implică pe celălalt)
P s
5. X n n X  Xn  X
 n

Teoremă: Fie  X n  nN * şi X v.a..Au loc următoarele implicaţii (stricte):

25
 a.s . P s
Xn  X  Xn  X  Xn  X
n n n 

r
Xn  X
n 
P s
Teoremă: X n n c  X n    c  - conceptele de convergenţă slabă şi cel de convergenţă
 n 

în probabilitate sunt echivalente când v.a. limită este constantă.

Observaţie: Convergenţă slabă poate fi stabilită cu ajutorul funcţiei caracteristice
(generatoare) , lucru stabilit de aşa numitele teoreme de continuitate. Aplicaţiile acestora
sunt rezultatele asupra convergenţei sumelor normate de v.a.i.i.r.( legi ale numerelor mari
şi teoreme limită centrală).
Teoremă: Dacă  X  t  n  X  t  , t  R , atunci X  X .
s

 n n
n

Observaţie: Deosebit de importantă este reciproca şi cazul particular al variabilei limită

X=c: Dacă  X  t  n
s
eitc , t  R , atunci X  c .
n  n
n 

Teoremă: Fie  X n  nN * şi  Yn  n N * două şiruri de v.a. a.î.

a.s. a.s. a.s.
1. X n  X şi Yn  Y . Atunci X n  Yn  X  Y
n n n
P P P
2. X n  X şi Yn  Y . Atunci X n  Yn  X  Y
n n n 
r r r
3. X n  X şi Yn  Y . Atunci X n  Yn  X  Y
n n n 

s s s s Xn s X
4. X n  X şi Yn  a . Atunci X n  Yn n X  a, X nYn  a  X ,  , a  0 , unde
n n   n  Yn a
a este o constantă.(teorema lui Cramér)
Observaţie: Rezultatele teoremei precedente sunt valabile fǎrǎ ipoteze de independenţǎ.
Teoremă: Dacă  X n  nN * şi  Yn  n N * sunt şiruri de v.a.i. a. î. X n  X şi Yn  Y , iar
s s

n n 
s
X şi Y sunt v.a.i., atunci X n  Yn  X  Y .
n 

Teoremă: Dacă  X n  nN * este un şir de v.a. a.î. X n  a , iar g o funcţie continuǎ în
P
a,
n
P
atunci g  X n   g  a 
n 

Legi ale numerelor mari

Obiectul legilor numerelor mari este studiul unor legitaţi de apariţie a unor evenimente cu
probabilitatea 0 sau 1 într-un număr foarte mare de probe, ceea ce poate fi formulat în
cadrul unor teoreme de tip lege a numerelor mari într-o formă determinată.
Definiţie: Spunem cǎ şirul  X n  nN * de v.a. se supune legii slabe a numerelor mari în
raport cu constantele de normare  Bn  nN * , Bn  0, Bn   dacǎ existǎ un şir de constante
n
reale  An  nN * ( constante de centrare) a. î. Bn1  S n  An   0 , unde S n   X k .
P

k 1
Observaţie: Dacă convergenţa în probabilitate din definiţia de mai sus este înlocuitǎ cu
convergenţa a.s., şirul  X n  nN * de v.a. se supune legii tari a numerelor mari.

26
Teorema lui Cebâşev: Fie  X n  nN * un şir de v.a.i., cu dispersii finite, uniform mǎrginite.
Atunci şirul  X n  nN * se supune legii numerelor mari în varianta lui Cebâşev:
1 n 1 n 
lim P  X k   M  X k      1
n 
 n k 1 n k 1 
1  n 
Teorema lui Markov: Fie  X n  nN * un şir de v.a.i. a.î.
2
D  X k   0 .
n  k 1  n
1 n 1 n 
Atunci nlim P  X k   M  X k      1

 n k 1 n k 1 
1  n

Observaţie: Condiţia 2 D  X k   0 este cunoscutǎ sub numele de condiţia lui
n  k 1  n 
Markov.
Teorema lui Hincin: Fie  X n  nN * un şir de v.a.i.i.r. cu medii finite M  X k   m, k  1 .
1 n 
Atunci nlim P  X k  m     1 .

 n k 1 
Teorema lui Bernoulli: Fie  numǎrul de apariţii ale unui eveniment având
probabilitatea de realizare p în n probe independente. Atunci,   0 are loc:
 
lim P  p     1
n
 n 
Teorema lui Poisson: Dacă într-o succesiune de probe independente, probabilitatea de
apariţie a unui eveniment în proba de rang k este pk , atunci:
 1 n 
lim P   pk     1
n
 n n k 1 
 fiind numǎrul de apariţii ale evenimentului în primele n probe.

Teoreme limită centralǎ

Teorema Lindeberg-Levy: Fie  X n  nN * un şir de v.a.i.i.r. care admit momente de
n
 n 

k 1
X k M  X k 
 k 1  not
ordinul unu şi doi. Atunci  Yn 
s
Z
n 
 n 
D  X k 
 k 1 
not not
Demonstrație :Dacǎ se noteazǎ m  M  X k  ,  2  D X k  , k  N * ,cum
n
 n  n
M   X k    M  X k   nm ,iar  n  n
 X k  m
.
 k    D  X k   n  Yn 
k 1
 k 1  k 1 D  X 2

 k 1  k 1  n

27
Pentru demonstrarea convergenței slabe din concluzia teoremei, vom utiliza funcția
caracteristicǎ (sau cea generatoare de momente) a variabilei Yn :  Yn  t   M e n 
itY
 
 k1 X k  m 

n

 it   n it
 X k m    it  X k  m  
    X  m  t    Xn  m  t 
n n
 M e  n   M  e n    M  e n
   k 1  k 1   k 1 k   n  k  
 n 
   
 
t  t   2 t2
Cum pentru n suficient de mare,  1   X k  m    1   . Ca urmare a
 n  n  2 n 2
n 2
 t2  
t

acestei dezvoltǎri ȋn serie ȋn jurul originii,  n  0 a.ȋ .  Yn  t   1  1   n    e 2 .

 2n 
x y2
1 
Din teorema de unicitate și inversiune rezultǎ cǎ lim FYn  x   e 2
dy .
n 
2 

Teorema lui Leapunov: Fie  X n  nN * un şir de v.a.i. pentru care existǎ
n
3
H 3

   H ,k  N
k
M  X k   mk , D X k    k2 , M X k  mk k 1
3 3
k
*
. Dacǎ lim n
 0 , atunci
n

k 1
2
k

n
 n

X
k 1
k M   X k 
 k 1  
s
Z
n
 Xk
k 1

Teorema lui Moivre-Laplace: Dacă se noteazǎ cu k numărul de realizǎri ale unui

eveniment care poate sǎ apară cu probabilitatea p în n probe independente, atunci:
 k  np  1
x

y2
lim P  x   e 2
dy
n
 npq  2 

28