Documente Academic
Documente Profesional
Documente Cultură
VARIABILE ALEATOARE
⎧1 pentru ω ∈ A i
(6.1.2) χ A i (ω ) = ⎨
⎩0 pentru ω ∉ A i
Evenimentele A i , A 2 ,K , A n se pot alege astfel încât să constituie o desfacere (o
partiţie) a lui Ω.
O variabilă aleatoare f : Ω → R se numeşte discretă dacă mulţimea valorilor ei
f(Ω) este finită sau numărabilă.
( )
Fie acum (Ω, K, P) un câmp de probabilitate şi R n , B R n spaţiu măsurabil cu
( )
definită prin Pf ( A ) = P f −1 ( A ) este o probabilitate pe BR n şi se numeşte repartiţia
(distribuţia) vectorului aleator f. Din cele de mai sus rezultă că fiecărei variabile
aleatoare (vector aleator) îi corespunde o probabilitate pe (R , B R ) , respectiv
Demonstraţia rezultă din faptul că oricare din familia de intervale {(-∞, x] : x ∈ R},
{[x, +∞) : x ∈ R}, {(x, +∞) : x ∈ R} constituie sisteme de generatori pentru B R .
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 113
( )
adică vom înţelege P(f ∈ A) = P({ω ∈ Ω : f(ω) ∈ A}) = = P f −1 ( A ) . Cu această
notaţie, în cazul unei variabile aleatoare discrete vom avea:
(6.1.3) P(f ∈ A ) = ∑ pi .
x i ∈A
⎛1 2 K i K⎞
f:⎜ i −1 ⎟.
⎝ p pq K pq K⎠
O variabilă aleatoare cu o astfel de repartiţie se numeşte variabilă aleatoare geometrică
sau cu repartiţie geometrică.
Dacă variabila aleatoare f este simplă, în (5) avem în rândul superior al
tabloului un număr finit de valori, iar în cel inferior acelaşi număr de probabilităţi al
căror sumă este 1. Să considerăm o variabilă aleatoare care ia valorile i = 0 cu
probabilitatea p 0 şi i = 1 cu probabilitatea p1 , acesteia îi va corespunde tabloul:
⎛ 0 1⎞
f:⎜ ⎟ cu p 0 + p1 = 1 .
⎝ p0 p1 ⎠
Fie acum f o variabilă aleatoare reală definită pe câmpul de probabilitate (Ω,
K, P), cum f este o funcţie (K , B R ) măsurabilă şi B R = B({(− ∞, x ) : x ∈ R }) ,
repartiţia lui f este complet determinată de probabilităţile:
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 115
Definiţia 1. Funcţia Ff : R → [0, 1], definită prin (6) se numeşte funcţia de repartiţie
a variabilei aleatoare f.
Această funcţie de repartiţie nu determină în mod unic variabila aleatoare f, în
sensul că pot exista variabile aleatoare reale diferite la care corespund prin (6) aceeaşi
funcţie de repartiţie. Din punctul de vedere al teoriei probabilităţilor aceste variabile
aleatoare sunt considerate echivalente şi le vom identifica.
(6.1.8) F( x) = ∑ Pn ,
xn <x
sumarea din (8) fiind făcută pentru toate valorile lui n ∈ N, pentru care x n < x .
Funcţia de repartiţie a unei variabile aleatoare discrete se numeşte funcţie de repartiţie
de tip discret. Să notăm S x = F( x + 0) − F( x − 0) saltul funcţiei F în punctul x. Dacă
x este un punct de continuitate al lui F atunci S x = 0 iar în caz contrar
S x > 0. Atunci:
(6.1.9) F( x) = ∑ Sx n
,
xn <x
{ } n ∈N
unde x n este mulţimea punctelor de discontinuitate ale funcţiei de repartiţie.
Deoarece funcţia F creşte prin salturi în punctele de discontinuitate graficul său va fi o
funcţie în scară. Să considerăm următorul exemplu simplu.
Exemplul 1. Înaintea punerii pe piaţă, un produs finit (utilaj) este supus la trei probe
succesive de funcţionare. Probabilitatea ca să treacă de oricare din cele trei probe este
de 0,8. Dacă se presupune că cele trei încercări sunt independente una de alta, să se
determine:
116 Variabile aleatoare - 6
⎛ 0 1 2 3 ⎞
f:⎜ ⎟.
⎝ P( f = 0) P( f = 1) P( f = 2) P( f = 3)⎠
Din modul cum a fost definită variabila aleatoare f rezultă:
P(f = 0) = 0,2
P(f = 1) = 0,8 ⋅ 0,2 = 0,16
P(f = 2) = 0,8 ⋅ 0,8 ⋅ 0,2 = 0,128
P(f = 3) = 0,8 ⋅ 0,8 ⋅ 0,8 = 0,512
deci:
⎛ 0 1 2 3 ⎞
f: ⎜ ⎟.
⎝ 0,2 0,16 0,128 0,512⎠
Să notăm cu F funcţia de repartiţie corespunzătoare variabilei aleatoare f. Atunci
avem:
⎧ 0 pentru x≤0
⎪ 0,2 pentru 0 < x ≤ 1
⎪⎪
F( x) = ⎨ 0,36 pentru 1 < x ≤ 2
⎪0,448 pentru 2 < x ≤ 3
⎪
⎪⎩ 1 pentru x>3
Graficul lui F este următorul:
F(x)
1
0,488
0,36
0,2
1 2 3 x
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 117
⎛ xi ⎞ ⎛ y j⎞
f:⎜ ⎟ şi g: ⎜ ⎟ .
⎝ p i ⎠ i =1, n ⎝ q j ⎠ j =1, m
⎛ cx i ⎞ ⎛ xi + y j⎞ ⎛ xi ⋅ y j⎞
cf : ⎜ ⎟ f + g: ⎜ ⎟ f ⋅ g: ⎜ ⎟ ,
⎝ p i ⎠ i = 1, n ⎝ p ij ⎠ i = 1, n, j = 1, m ⎝ p ij ⎠ i = 1, n, j = 1, m
{ } ( )
B j = g = y j , adică Pij = P A i ∩ B j . Mai mult, între probabilităţile de mai sus
au loc relaţiile:
n m n m
∑∑ p ij = 1, ∑ p ij = q j, ∑ p ij = p i .
i =1 j=1 i =1 j=1
( )
P f i 1 < x i 1 , f i 2 < x i 2 ,K , f i n < x i n =
( ) ( ) (
= P fi1 < x i1 ⋅ P fi 2 < x i 2 L P fi n < x i n , )
oricare ar fi x i , x i ,K , x i din R.
1 2 n
⎛1 2 3⎞ ⎛ 4 5 6⎞
f: ⎜ ⎟ şi g: ⎜ ⎟.
⎝ 0,1 0,2 0,7⎠ ⎝ 0,4 0,5 0,1⎠
{ }
respectiv g. Atunci evenimentele A i = f = x i , i = 1, 2, 3 şi respectiv
{ }
B j = g = y j , j = 1, 2, 3, formează sisteme complete de evenimente. Se verifică
imediat că şi evenimentele C ij = A i ∩ B j , i,j = 1,2,3 formează un sistem complet de
evenimente. Variabila aleatoare f + g ia valorile x i + y j , i, j = 1, 2, 3 cu
( ) ( ) ( ) ( )
probabilităţile P C ij = P A i ∩ B j = P A i ⋅ P B j (între variabilele f şi g nu a
fost dată nici un fel de dependenţă deci le considerăm independente, ceea ce este
echivalent cu faptul că sistemele de evenimente definite de ele sunt independente).
( )
Variabila aleatoare f ⋅ g ia valorile x i ⋅ y j , i, j = 1, 2, 3 cu probabilităţile P C ij iar
⎛ 5 6 7 8 9 ⎞
f + g: ⎜ ⎟,
⎝ 0.04 0,13 0,39 0,37 0,07⎠
⎛ 4 5 6 8 10 12 15 18 ⎞
f ⋅ g: ⎜ ⎟;
⎝ 0,04 0,05 0,01 0,08 0,1 0,3 0,35 0,07⎠
⎛1 4 9⎞
f 2 :⎜ ⎟.
⎝ 0,1 0,2 0,7⎠
În continuare vom prezenta câteva proprietăţi ale funcţiei de repartiţie asociate
unei variabile aleatoare.
( )
lim F( x n ) = lim P( f < x n ) = P lim{f < x n } = P( ∅) = 0 ,
n →∞ n →∞
deci lim F( x) = 0 .
n → −∞
120 Variabile aleatoare - 6
⎛ ⎞
lim F( y n ) = lim P( f < y n ) = P⎜ lim {f < y n }⎟ = P( Ω) = 1.
n →∞ n →∞ ⎝ n →∞ ⎠
{
evenimente f < z n
n ∈N
}
este ascendent şi:
∞
lim {f < z n } = U {f < z n } = {f < x} .
n →∞ n =1
De aici rezultă:
⎛ ⎞
n →∞ n →∞
( )
F( x + 0) = lim F( x n ) = lim P {f < x n } = P⎜ lim {f < x n }⎟ = P( f ≤ x) .
⎝ n →∞ ⎠
În acelaşi timp putem scrie:
{ f ≤ x} = { f < x} U{ f = x} , cu { f < x} I{ f = x} = ∅,
de unde rezultă:
P( f ≤ x) = P( f < x) + P( f = x) = F( x) + P( f = x) sau
x x
Spunem că integrala improprie de mai sus este convergentă dacă limita din
membrul drept există şi este finită. Această integrală improprie stă la baza definiţiei
densităţii de repartiţie a unei variabile aleatoare.
a b a a
= ∫ ρ(x )dx + ∫ ρ(x )dx − ∫ ρ(x )dx = ∫ ρ(x )dx.
−∞ a −∞ −∞
∞ b
∫ ρ(x )dx = lim ∫ ρ(x )dx = lim F(b ) − lim F(a ) = F(∞ ) − F(− ∞ ) = 1.
a ↓ −∞ b↑∞ a ↓ −∞
−∞ a
b↑∞
şi integrala din membrul drept este o funcţie derivabilă în x, iar derivata ei este ρ(x),
deci F’(x) = ρ(x).
Dacă F este derivabilă pe R, atunci putem scrie:
x
F(x ) − F(a ) = ∫ F′(t )dt , pentru x ∈ R.
a
= ∫a ρ( x )dx = (b − a )ρ(ξ ) ,
b
124 Variabile aleatoare - 6
unde ξ ∈ (a, b) (ρ fiind continuă am aplicat o teoremă de medie integralei de mai sus,
care asigură existenţa lui ξ astfel ca ultima egalitate scrisă să fie adevărată). Din cele
de mai sus rezultă că:
P( a ≤ f ≤ b )
ρ( ξ) = , unde ξ ∈ (a , b).
b−a
şi integrala din membrul drept este o funcţie derivabilă în x, iar derivata ei este ρ(x),
deci F’(x) = ρ(x).
Dacă F este derivabilă pe R, atunci putem scrie:
x
F(x ) − F(a ) = ∫ F′(t )dt , pentru x ∈ R.
a
= ∫a ρ( x )dx = (b − a )ρ(ξ ) ,
b
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 125
unde ξ ∈ (a, b) (ρ fiind continuă am aplicat o teoremă de medie integralei de mai sus,
care asigură existenţa lui ξ astfel ca ultima egalitate scrisă să fie adevărată). Din cele
de mai sus rezultă că:
P( a ≤ f ≤ b )
ρ( ξ) = , unde ξ ∈ (a , b).
b−a
Teorema 6. Fie ρ densitatea de repartiţie corespunzătoare variabilei aleatoare f. Dacă
ρ este continuă într-un punct x din R, atunci funcţia de reparatiţie F asociată variabilei
aleatoare f este derivabilă în x şi F’(x) = ρ(x).
Reciproc, dacă funcţia de repartiţie F este derivabilă pe R, atunci f admite o
densitate de repartiţie ρ şi F’ = ρ.
= ∫a ρ( x )dx = (b − a )ρ(ξ ) ,
b
unde ξ ∈ (a, b) (ρ fiind continuă am aplicat o teoremă de medie integralei de mai sus,
care asigură existenţa lui ξ astfel ca ultima egalitate scrisă să fie adevărată). Din cele
de mai sus rezultă că:
126 Variabile aleatoare - 6
P( a ≤ f ≤ b )
ρ( ξ) = , unde ξ ∈ (a , b).
b−a
Fie x 0 un punct arbitrar din (a, b). Datorită continuităţii funcţiei ρ trecând la
limită pentru b - a → 0 şi x 0 ∈ (a , b) rezultă că ξ → x 0 şi are loc egalitatea:
P( a ≤ f ≤ b )
ρ( x 0 ) = lim ,
b−a→0 b−a
a<x0 <b
ce justifică denumirea de densitate de probabilitate a variabilei aleatoare f, atribuită
funcţiei ρ.
k
Exemplul 3. Se dă funcţia ρ: R → R , ρ( x) = x .
e + e− x
a) Să se determine constanta k astfel ca funcţia ρ să fie densitatea de repartiţie a unei
variabile aleatoare f;
b) Dacă f1 şi f 2 sunt două variabile aleatoare independente şi identic repartizate,
având aceeaşi densitate de repartiţie, cea a lui f, să se calculeze P( f1 < 1 şi f 2 > 1).
Rezolvare:
π
∫− ∞ ρ(x )dx = k 2 .
∞
a) ρ(x) este integrabilă pe R şi Pentru ca ρ să fie o densitate de
π 2
repartiţie se impune k = 1, de unde rezultă k = .
2 π
b) Dacă variabilele f1 şi f 2 sunt independente atunci:
P( f1 < 1 şi f 2 > 1) = P( f1 < 1) ⋅ P( f 2 > 1) =
[ (
= P( f1 < 1) ⋅ 1 − P f 2 < 1 = )] ∫−1∞ ρ(x)dx ⋅ (1 − ∫−1∞ ρ(x)dx ) =
2 ⎛ 2 ⎞
= arctg e ⋅ ⎜ 1 − arctg e⎟ .
π ⎝ π ⎠
6.2. Variabile aleatoare independente 127
(
P⎛⎜ ∩ f −1 (B α )⎞⎟ = ∏ P f −1 (B α ) .
⎝ α∈J ⎠ α∈J
)
variabila aleatoare fi . Aceste variabile aleatoare generează familiile de partiţii ale lui
( )
Ω i (D i )i =1,n definite prin D i = A ij j=1,ri
{
şi A ij = ω ∈ Ω : f (ω) = x ij }
Cu aceste notaţii are loc:
⎛n ⎞ n
(
P⎜⎜ I f −1 (Bi )⎟⎟ = ∏ P f i−1 (Bi ) . )
⎝ i=1 ⎠ i=1
Ţinând seama de faptul că f i −1 (Bi ) = Ai i egalitatea de mai sus devine
q
⎛n ⎞ n
( )
P⎜⎜ I A iqi ⎟⎟ = ∏ P A iqi ,
⎝ i=1 ⎠ i=1
cea ce arată prin arbitraritatea indicilor qi , că partiţiile (D i )i=1,n sunt independente.
Reciproc, fie (Bi )i=1,n o familie de submulţimi boreliene de pe dreapta reală.
Atunci
f i−1 (Bi ) = U A ij {
, unde I i = j : j ∈ N si x ij ∈ Bi }
j∈I i
⎛ ⎞ n
( )
n
= ∏ P⎜ U A ij ⎟ = ∏ f i−1 (Bi )
⎜
i =1 ⎝ j∈I i
⎟ i =1
⎠
( ) ( ) ( ) ( ) pentru orice
Fα1 α 2 ...α n x α1 , x α 2 , ..., x α n = F x α1 ⋅ F x α 2 ⋅ ... ⋅ F x α n ,
{α1 , α 2 ,..., α n } ⊂ I şi {x α , x α ,..., x α }⊂ R , unde F α α ...α este funcţia de
repartiţie a variabilei aleatoare n-dimensionale (f α , f α ,..., f α ) , iar Fα este funcţia
1 2 n 1 2 n
1 2 n i
⎛ xi ⎞
f:⎜ ⎟ ,
⎝ p i ⎠ i ∈I
⎛1 2 3 4 5 6 ⎞
⎜ ⎟
f: ⎜ 1 1 1 1 1 1 ⎟
⎝ 6 6 6 6 6 6⎠
6
1 6 6⋅7 1 7
şi valoarea medie M (f ) = ∑ pk x k = ∑ k= ⋅ = = 3,5 .
k =1 6 k =1 2 6 2
⎛x ⎞
f : ⎜⎜ k ⎟⎟ ,
⎝ p k ⎠ k =1, n
n
atunci valoarea medie M (f ) = ∑ pk x k ( ) k =1, n
este media ponderată a valorilor x k
k =1
( )
cu ponderile p k k =1, n .
⎛x ⎞ ⎛yj ⎞
f : ⎜⎜ i ⎟⎟ , g : ⎜⎜ ⎟⎟ ,
⎝ p i ⎠i∈I ⎝ g j ⎠ j∈J
cu I şi J cel mult numărabile. Variabila aleatoare f + g are distribuţia:
⎛ xi + y j ⎞
⎜ ⎟ (
⎜ rij ⎟i∈I , unde rij = P f = x i , g = y j . )
⎝ ⎠ j∈ j
= ∑ x i pi + ∑ y jq j = M(f ) + M(g).
i∈I j∈J
⎛ λx i ⎞
Distribuţia variabilei aleatoare λf este ⎜ ⎟ , deci M( λf ) =
⎝ p i ⎠ i ∈I
= ∑ λp i x i = λ∑ p i x i = λM(f ).
i ∈I i ∈I
Dacă f şi g sunt independente, atunci rij = p i q j şi:
M ( fg) = ∑ ∑ x i y jp i q j = ∑ x i p i ∑ y jq j = M( f ) ⋅ M(g).
i ∈I j∈J i ∈I j∈J
(6.3.2) M( f ⋅ g ) ≤ M( f 2 ) ⋅ M ( g 2 ) .
( )
M( h α ) = M f 2 − 2αM( fg) + α 2 M g 2 . ( )
Obţinem astfel inegalitatea:
( ) ( )
M f 2 − 2αM( fg) + α 2 M g 2 ≥ 0, pentru orice α ∈ R .
(6.3.3) M( f A) = ∑ x i PA (f = x i )
i ∈I
se numeşte valoarea medie condiţionată a variabilei aleatoare f, de evenimentul A.
Dacă în loc de evenimentul A considerăm un sistem complet de evenimente
(A j )j∈J , cu J cel mult numărabilă şi P(A j ) > 0 atunci are loc următoarea relaţie de
legătură între valoarea medie a lui f, M(f) şi valorile medii condiţionate ale lui f,
( )
M f A j , şi anume:
(6.3.4) M( f ) = ∑ P(A j ) ⋅ M( f A j ).
j∈J
134 Variabile aleatoare - 6
⎛ xi ⎞
Definiţia 3. Fie f : Ω → R o variabilă aleatoare discretă ⎜ ⎟ pentru care există
⎝ p i ⎠ i ∈I
M(f). Atunci variabila aleatoare g : Ω → R, care are distribuţia de probabilitate dată
⎛ f − M ( f )⎞
prin g: ⎜ ⎟ se numeşte variabilă “abatere” de la valoarea medie a lui f.
⎝ p i ⎠ i ∈I
Ţinând seama că valoarea medie a unei variabile aleatoare constante este
constanta însăşi, rezultă că M(g) = M(f) - M(M(f)) = M(f) -M(f) = 0.
Definiţia 4. Fie (Ω, K, P) un câmp de probabilitate şi f : Ω → R o variabilă aleatoare
discretă. Pentru orice n ∈ N (n ≥ 1), valoarea medie a variabilei aleatoare f n ,
(6.3.5) Mn(f) = M f n , ( )
dacă există se numeşte momentul de ordinul n al variabilei aleatoare f.
Valoarea medie a variabilei aleatoare f n ,
(6.3.6) Mn( f ) = M f n ( )
se numeşte momentul absolut, de ordinul n, al variabilei aleatoare f.
Să notăm, pentru simplificarea scrierii, M ( f ) = f şi să presupunem că
această valoare medie există.
Valoarea medie a variabilei aleatoare ( f − f ) ,
n
(6.3.7) [
mn (f ) = M (f − f )
n
]
se numeşte momentul centrat de ordinul n al variabilei aleatoare f.
Dacă variabila aleatoare discretă f, considerată mai sus, are distribuţia
⎛ xi ⎞
f : ⎜ ⎟ , valorile medii şi momentele considerate mai sus există, atunci acestea au
⎝ p i ⎠ i ∈I
exprimările:
(6.3.8) M n (f ) = ∑ Pi x i , M n ( f ) = ∑ Pi x i m n (f ) = ∑ Pi (x i − f ) .
n n n
D 2 (f ) = σ 2 (f ) = m 2 (f ) = ∑ Pi (x i − f ) .
2
(6.3.9)
i∈I
Demonstraţie:
D2 (f ) = M 2 (f − f ) = M (f − f ) [ 2
] = M[f 2
− 2f ⋅ f + (f )
2
]=
( )
= M f 2 − 2 fM ( f ) + ( f ) = M 2 ( f ) − [ M ( f )]
2 2
[
D 2 ( λ f ) = M ( λf − λf )
2
] = λ M[(f − f ) ] = λ M (f − f )
2 2 2
2
2
= λ2 D 2 ( f )
(amintim că f = M ( f ) ).
( ) ( )
= M f12 + 2 ⋅ M( f1 ) ⋅ M(g1 ) + M g12 = M f12 + M g12 = ( ) ( )
= D 2 ( f ) + D 2 ( g).
Din tabelul de mai sus avem M(f) = 1,5 , M 2 ( f ) = 3,0 , iar dispersia
σ 2 ( f ) = M 2 ( f ) − [ M( f ) ] = 3,0 − (1,5) = 3,0 − 2,25 = 0,75 .
2 2
Abaterea medie
păratică este σ = 0,75 = 0,87 .
P( f = 1) =
1
3
( )
, P( f = 2) = P A1 I A2 = P (A1 ) ⋅ P( A2 ) = ⋅ = 2
2 1 2
3 3 3
unde A 1 este evenimentul “la prima încercare avem reuşită”, iar A 2 este evenimentul
“la a doua încercare se obţine o reuşită”. După acelaşi raţionament se stabileşte că
2 k −1
P( f = k ) = . Variabila aleatoare f va avea distribuţia dată prin:
3k
⎛1 2 3 n ⎞
⎜ L L⎟
n −1
f:⎜ 1 2 22 2 ⎟.
⎜ L L⎟
⎝3 32 33 3n ⎠
F(x ) = P(f < x ) = ∑ pn este o funcţie în scară cu o infinitate de trepte.
1≤ n < x
1 2 22 2 n −1
M( f ) = 1 ⋅ + 2 ⋅ 2 + 3 ⋅ 3 +L+ n ⋅ n +L =
3 3 3 3
n −1
1⎛ 2 ⎛ 2⎞
2
⎛ 2⎞ ⎞
= ⎜⎜ 1 + 2 ⋅ + 3 ⋅ ⎜ ⎟ +L+ n ⋅ ⎜ ⎟ +L⎟⎟ .
3⎝ 3 ⎝ 3⎠ ⎝ 3⎠ ⎠
2
Pentru a calcula suma de mai sus notăm u = . Ţinând seama că u ∈ (0, 1) şi
3
1
utilizând seria geometrică avem = 1 + u + u 2 +L+ , relaţie, care înmulţită cu u
1− u
138 Variabile aleatoare - 6
⎛1 22 32 n2 ⎞
⎜ L L⎟
dată prin f 2 : ⎜ 1 2 22 n −1 ⎟.
⎜ L 2 L⎟
⎝3 32 33 3n ⎠
( )
Se obţine M f 2 = 15, D 2 ( f ) = 15 − 9 = 6 şi D( f ) = 6 = 2,72 . Cele de mai sus
arată că, în medie, jucătorul are nevoie de 3 încercări pînă la prima reuşită, iar D(f) =
2,72 arată că abaterea (medie pătratică) de la valoarea medie 3, la care ne putem
aştepta în acest experiment aleator, este de 2,72.
Definiţia 6. Suma:
n
(6.3.13) σ ∆ ( f , g, ξ i ) = ∑ f (ξ i )[g(x i ) − g(x i −1 )] ,
i =1
[ )
unde ξ i ∈ x i − 1 , x i , poartă numele de sumă Riemann-Stieltjes a funcţiei f în raport
cu funcţia g.
(6.3.14) σ ∆ ( f , g, ξ i ) − I < ε ,
[ )
oricare ar fi alegerea punctelor ξ i ∈ x i − 1 , x i , i = 1, n .
Numărul I este prin definiţie integrala Riemann-Stieltjes a lui f în raport cu g pe [a, b]
şi se notează prin:
I = ∫a f (x )dg(x ) .
b
(6.3.15)
Observaţia 2. Dacă g(x) = x se obţine integrala Riemann, dg(x) nu reprezintă
întotdeauna diferenţiala funcţiei g, funcţia g poate să nu fie diferenţiabilă pe [a, b] şi
integrala R-S să existe.
Teorema 6. Dacă f este integrabilă (R-S) în raport cu g pe [a, b], atunci g este
integrabilă (R-S) în raport cu f pe [a, b] şi are loc:
∫a f (x )dg(x )
b
Să presupunem acum că integrala există şi este finită, pentru
orice b > a. Dacă limita:
lim ∫a f (x )dg(x )
b
(6.3.18)
b →∞
140 Variabile aleatoare - 6
există şi este finită, spunem că integrala (R-S) a funcţiei f(x), în raport cu g(x), pe [a,
+∞), este convergentă (are sens) şi este dată de:
Integralele R-S pe intervalele nemărginite (-∞, +∞), (-∞, a) pot fi reduse la cea definită
mai sus.
Să considerăm acum, cazul general al unei variabile aleatoare f, discrete sau
continue. Fie F funcţia sa de repartiţie, aceasta este o funcţie crescătoare, I(x) = x,
funcţia identică şi fie ∆ o diviziune a intervalului [a, b). Atunci suma:
n n
(6.3.20) σ ∆ (I, F, ξ k ) = ∑ ξ k [F(x k ) − F(x k −1 )] = ∑ ξ k P(x k −1 ≤ f < x k )
k =1 k =1
împărţită cu F(b) - F(a), ca valoare medie a variabilei aleatoare f pe intervalul [a, b).
Deoarece funcţia I(x) este continuă, iar F este crescătoare, integrala există şi este
[
independentă de alegerea punctelor ξ k ∈ x k −1 , x k . )
∫−∞ xdF(x ) ∫−∞ x dF(x )
∞ ∞
În ipoteza că este absolut convergentă, adică este
absolut convergentă, cum lim ( F( b) − F( a ) ) = 1 , suntem conduşi la a defini
b →∞
a → −∞
valoarea medie a variabilei aleatoare f, M(f) prin:
M (f ) = ∫−∞ xdF(x ) .
∞
(6.3.22)
M (f ) = ∑ p k v k ,
k∈I
( )
unde p k = P f = v k , iar v k sunt valorile variabilei aleatoare discrete f, adică exact
relaţia de definiţie (1).
Pe baza celor de mai sus are loc:
Definiţia 8. Fie (Ω, K, P) un câmp de probabilitate, f : Ω → R o variabilă aleatoare şi
f = M (f ) = ∫−∞ xdF(x ) .
∞
(6.3.23)
f = M (f ) = ∫− ∞ xρ(x )dx .
∞
(6.3.24)
Pornind de la aceste exprimări ale valorii medii, ale unei variabile aleatoare f, atunci
când integralele care intervin, sunt corect definite, există şi sunt finite, celelalte
caracteristici numerice ale unei variabile aleatoare continue se exprimă prin:
a) Momentul de ordinul k:
( )
M k (f ) = M f k = ∫− ∞ x k dF(x ) = ∫− ∞ x k ρ(x )dx .
∞ ∞
Mk (f ) = M f ( )= ∫
k ∞
−∞
x dF(x ) = ∫− ∞ x ρ(x )dx .
k ∞ k
⎢⎣
( k
⎥⎦
) ∞ k
( ∞
) k
(
m k (f ) = M ⎡ f − f ⎤ = ∫− ∞ x − f dF(x ) = ∫− ∞ x − f ρ(x )dx , )
d) Dispersia:
∞ ∞
D 2 (f ) = m 2 ( f ) = ∫ ( x − f ) 2 dF( x ) = ∫ (x − f )
2
f ( x )dx .
−∞ −∞
142 Variabile aleatoare - 6
[
σ 2 = D 2 ( f ) = M[( f − M( f ) )] = P(A λ ) ⋅ M ( f − M( f ) ) / A λ +
2 2
]
[
+ P( A λ ) ⋅ M ( f − M ( f ) ) / A λ
2
]
[
Deoarece [ f − M( f ) ] ≥ 0 rezultă că M ( f = M( f ) ) / A λ ≥ 0
2 2
]
6.4. Funcţia caracteristică asociată unei variabile aleatoare 143
[ ]
σ 2 = D 2 ( f ) ≥ M ( f − M( f ) ) / A λ ⋅ P A λ .
2
( )
Pe de altă parte, din modul cum a fost definită mulţimea A λ , rezultă că pe această
[ ]
mulţime [ f − M( f ) ] ≥ λ2 σ 2 , de unde avem M ( f − M( f ) ) / A λ ≥ λ2 σ 2 . Am
2 2
1
( ) ( )
obţinut astfel inegalitatea σ 2 ≥ λ2 σ 2 P A λ , care implică P A λ ≤ 2 , ceea ce
λ
arată că inegalitatea (6.3.26) este demonstrată, ea fiind echivalentă cu inegalităţile
(6.3.25) şi (6.3.25’). Teorema este complet demonstrată.
( )
∞
(6.4.1) ϕ( t ) = M e i⋅t⋅f = ∫ e i⋅t⋅x dF(x ) .
−∞
Dacă f este o variabilă aleatoare discretă dată prin:
⎛ xk ⎞
(6.4.2) fi :⎜ ⎟ ,
⎝ p k ⎠ k = 1, ∞
atunci funcţia caracteristică asociată lui f este definită prin:
144 Variabile aleatoare - 6
n
(6.4.3) ϕ( t ) = ∑ e i⋅t⋅x k ⋅ p k .
k =1
(6.4.5) ϕ(t ) =
∞
∑ n! t ,
( )
inM f n n
n =0
( )
unde M f n este momentul de ordinul n al variabilei aleatoare f.
( )
∞
Demonstraţie: Într-adevăr înlocuind în ϕ(t ) = M e i⋅t⋅f = ∫e
i⋅t⋅x
dF(x ) funcţia e i⋅t⋅x
−∞
ϕ(t ) =
∞
∑ C n t n , unde C n =
inM f n ( )
, dar C n =
d n ϕ( t )
.
n =0 n! n! dt n t = 0
1 ⎡ d n ϕ(t ) ⎤
( )
M fn = ⎢ ⎥ .
i n ⎣ dt n ⎦ t =0
6.4. Funcţia caracteristică asociată unei variabile aleatoare 145
1 ∞ −i⋅t⋅x
ρ(x ) = ϕ(t )dt .
2π −∫∞
e
Rezolvare: ϕ( t ) =
1
4
( )
2 1 1 1
1 + e it = + e it + e 2it , de unde rezultă că variabila
4 2 4
1 1 1
aleatoare ia valorile 0, 1, 2 cu probabilităţile , , , adică distribuţia lui f este
4 2 4
⎛ 0 1 2⎞
f: ⎜⎜ 1 1 1 ⎟⎟ .
⎝ 4 2 4⎠
Funcţia de repartiţie corespunzătoare este:
⎧0 pentru x≤0
⎪1
⎪⎪ pentru 0 < x ≤ 1
F( x) = ⎨ 43 .
⎪ pentru 1 < x ≤ 2
⎪4
⎪⎩ 1 pentru x>2
e it 1 e it
Rezolvare: Observăm că = < 1 . Să notăm = r , atunci:
2 2 2
146 Variabile aleatoare - 6
∞ ∞
1
ϕ(t ) = (1 − r )−1 = 1 1 = 1 ∑ r n = ∑ n1+1 e n⋅i⋅t .
2 2 1 − r 2 n =0 n =0 2
Fie f şi g două variabile aleatoare, ele pot fi independente, între ele poate
exista o dependenţă funcţională, de exemplu, f = h(g) sau pot fi dependente, dar nu
funcţional, adică între ele poate exista o dependenţă de natură aleatoare. Covarianţa şi
coeficientul de covarianţă reprezintă măsuri ale gradului de dependenţă aleatoare a
două variabile.
Fie (Ω, K, P) un câmp de probabilitate şi f, g : Ω → R două variabile
aleatoare. Fie f , g valorile lor medii.
)
p ij = P( f = x i şi g = y j i, j ∈ N atunci:
∑∑ (x i − f )(y j − g )p ij
∞ ∞
ρ(f , g ) =
i =1 j=1
.
D 2 (f ) D 2 (g )
Din inegalitatea lui Schwartz rezultă imediat că oricare ar fi două variabile
aleatoare f şi g : Ω → R:
(6.5.3) ρ 2 ( f , g) ≤ 1 .
Mai mult, are loc:
Teorema 1. Între două variabile aleatoare f şi g există o relaţie liniară dacă şi numai
dacă:
(6.5.4) ρ 2 ( f , g) = 1 .
Pe lângă cele arătate mai sus există şi alte măsuri ale gradului de dependenţă a
două variabile, dintre care amintim coeficientul de contingenţă.
Exemplul 1. Fie vectorul aleator h = (f, g) dat prin tabloul:
148 Variabile aleatoare - 6
g
f 0 1 2 3 4
1 1
1 0 0 0
16 16
1 3 1
2 0 0
4 8 4