Sunteți pe pagina 1din 38

6.

VARIABILE ALEATOARE

6.1. Variabile aleatoare. Repartiţii de probabilitate.


Funcţii de repartiţie

O variabilă aleatoare este o cantitate măsurată în legătură cu un experiment


aleator, de exemplu, numărul de produse cu defecţiuni în producţia zilnică (lunară) a
unei fabrici, numărul de utilaje defecte într-o secţie, numărul de solicitanţi, la un
moment dat, într-o bază de aprovizionare, concentraţia poluării într-un mediu chimic
etc.
Să considerăm că într-un experiment aleator s-a realizat rezultatul ω şi printr-o
operaţie de măsurare, acestuia îi asociem numărul real f(ω). În acest mod putem să
stabilim o funcţie f : Ω → R. Această funcţie se numeşte variabilă aleatoare dacă
mulţimea {ω : f(ω) < x} a evenimentelor elementare ω pentru care f(ω) < x este un
eveniment, oricare ar fi x real, adică
(6.1.1) {ω : f(ω) < x} ∈ K,
pentru orice x real.
Într-o formă mai generală, fiind dat un câmp de probabilitate (Ω, K, Ρ), o
funcţie f : Ω → R se numeşte variabilă aleatoare reală, dacă pentru orice mulţime
boreliană de pe dreapta reală (A ∈ B R ) f −1 (A ) ∈ K .
Condiţia din definiţie, referitoare la K, este necesară pentru a permite studiul
probabilităţilor valorilor lui f, în cazul în care aceasta are o mulţime finită sau
numărabilă de valori sau a probabilităţilor intervalelor de valori ale lui f, în cazul în
care aceasta are o mulţime infinită nenumărabilă de valori.
În cazul în care mulţimea Ω este finită sau numărabilă, conceptul de variabilă
aleatoare coincide cu cel de funcţie reală definită pe Ω. Variabile aleatoare pot fi
definite şi pe baza conceptului echivalent de funcţie măsurabilă.
112 Variabile aleatoare - 6

O variabilă aleatoare f : Ω → R se numeşte simplă, dacă mulţimea valorilor ei


n
f(Ω) este finită. În acest caz f se poate exprima sub forma f = ∑ x i χ A i , unde
i =1
x i ∈ R, f (Ω) = {x i }i =1, n , A i ∈ K şi funcţia χ A i este indicatorul mulţimii A i , adică:

⎧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

familia mulţimilor boreliene BR n (generat de mulţimile deschise din R n ). O funcţie

{K, BR n } măsurabilă f : Ω → R n se numeşte vector aleator n-dimensional dacă


f −1 (A ) ∈ K pentru orice A ∈ BR n . Pentru n = 1 vectorul aleator f este o variabilă
aleatoare reală.
Dacă f : Ω → R n este un vector aleator atunci funcţia Pf : B R n → R

( )
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

(R n , BR ) n de unde rezultă importanţa studiului acestor probabilităţi, la care se

reduce, de altfel, studiul variabilelor aleatoare cu valori în R ( R n ).

Propoziţia 1. Fie (Ω, K, P) un câmp de probabilităţi şi f : Ω → R o variabilă


aleatoare. Atunci au loc:
{ω ∈ Ω : f(ω) ≤ x} ∈ K, {ω ∈ Ω : f(ω) ≥ x} ∈ K şi
{ω ∈ Ω : f(ω) > x} ∈ K, oricare ar fi x ∈ R

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

Propoziţia 2. Fie (Ω, K, P) un câmp de probabilitate şi f, g : Ω → R două variabile


aleatoare. Atunci:
{ω ∈ Ω : f(ω) < g(ω)} ∈ K, {ω ∈ Ω : f(ω) ≤ g(ω)} ∈ K,
{ω ∈ Ω : f(ω) = g(ω)} ∈ K

Demonstraţie: Să notăm cu r1 , r2 ,K şirul numerelor raţionale. Atunci:



{ω ∈ Ω : f(ω) < g(ω)} = U {ω ∈ Ω : f (ω) < rk } I {ω ∈ Ω : rk < g(ω)}.
k =1

Teorema1. Fie (Ω, K, P) un câmp de probabilitate. Dacă k, α ∈ R, α > 0 şi f, g sunt


1
variabile aleatoare reale (f, g : Ω → R), atunci f + g, f - g, f ⋅ g, dacă g ≠ 0, f + k,
g
kf, f α sunt de asemenea variabile aleatoare.

Teorema2. Dacă f n ( ) n ≥1 este un şir de variabile aleatoare reale ( f n : Ω → R) şi


funcţia f definită pe Ω cu valori în R este limita punctuală a şirului ( f n ) , adică
n≥1
f ( ω ) = lim f n ( ω ) pentru orice ω ∈ Ω, atunci f este deasemenea o variabilă
n →∞
aleatoare reală.
Fie (Ω, K, P) un câmp de probabilitate. Dacă mulţimea valorilor unei variabile
aleatoare f : Ω → R conţine un interval mărginit sau nemărginit (are cardinalul strict
mai mare decât cel al numerelor naturale), atunci variabila aleatoare se numeşte
continuă, de exemplu, dacă o variabilă aleatoare reprezintă temperatura într-un proces
de prelucrare termică, atunci aceasta variază într-un interval, deci variabila este una
continuă.
Mai sus am prezentat câteva definiţii şi proprietăţi utile ale variabilelor
aleatoare, care se găsesc expuse mai pe larg şi mai complet în cursurile şi tratatele de
teoria probabilităţilor. Nu vom insista asupra acestora, mai ales din motivul că în
aplicaţiile practice ale teoriei probabilităţilor, dar şi teoretic se lucrează mai puţin cu
variabilele aleatoare însăşi şi mai mult cu legile de probabilitate (repartiţie)
corespunzătoare, care oferă informaţii asupra valorilor variabilelor aleatoare şi a
probabilităţilor cu care iau aceste valori.
Pentru a descrie o variabilă discretă trebuie cunoscute valorile reale şi
( )
probabilităţile p i = P f = x i. , i ∈ N cu care aceste valori sunt luate. Mai sus am

notat P( f = x i ) = P({ω ∈ Ω: f ( ω ) = x i }) şi vom folosi această notaţie în continuare,


114 Variabile aleatoare - 6

( )
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

Ţinând seama că evenimentele A i ( )i ∈N , unde A i = {ω ∈ Ω: f ( ω) = x i } formează


un sistem complet de evenimente, adică U A i = Ω şi A i ∩ A j = ∅ pentru orice i ≠
i∈N
j rezultă că :

(6.1.4) ∑ pi = 1 .
i =1
Repartiţia unei variabile aleatoare discrete se obişnuieşte să se descrie cu ajutorul unui
“tablou” de forma:
⎛ x1 x 2 K x i K⎞
(6.1.5) f:⎜ ⎟.
⎝ p1 p 2 K p i K⎠
Să presupunem că variabila aleatoare f ia valorile x i = i, i ∈ N cu
i −1
probabilităţile p i = pq cu p + q = 1, p, q > 0. Această variabilă aleatoare este
descrisă complet din punct de vedere al teoriei probabilităţilor de “tabloul”:

⎛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

(6.1.6) Ff ( x) = P( {ω ∈ Ω: f ( ω ) < x}) .

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.

Definiţia 2. Fie acum A ∈ K cu P(A) > 0, atunci funcţia:


Ff , A : R → [0, 1] definită prin:
(6.1.7) Ff , A ( x) = PA ( {ω ∈ Ω: f ( ω ) < x})
se numeşte funcţia de repartiţie a variabilei aleatoare f condiţionată de evenimentul A.
Fie f o variabilă aleatoare discretă care ia valorile x n cu probabilităţile
Pn = P( f = x n ), atunci rezultă că:

(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

a) Distribuţia variabilei aleatoare care reprezintă numărul de probe trecute până la


prima nereuşită;
b) Să se determine funcţia de repartiţie şi să se construiască graficul funcţiei de
repartiţie al variabilei aleatoare de la punctul a).

Rezolvare: Notăm cu f variabila aleatoare cerută, ea va avea o distribuţie de forma:

⎛ 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

Propoziţia 3. Fie (Ω, K, P) un câmp de probabilitate, c ∈ R şi f, g variabile aleatoare


reale simple, definite pe Ω având distribuţiile date prin:

⎛ xi ⎞ ⎛ y j⎞
f:⎜ ⎟ şi g: ⎜ ⎟ .
⎝ p i ⎠ i =1, n ⎝ q j ⎠ j =1, m

Atunci variabilele aleatoare cf, f + g, f ⋅g sunt deasemenea variabile aleatoare simple,


având distribuţiile date prin:

⎛ 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

unde p ij este probabilitatea realizării simultane a evenimentelor A i = f = x i { } şi

{ } ( )
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

Fie (Ω, K, P) un câmp de probabilitate şi f, g : Ω → R două variabile aleatoare. Pe


baza conceptului de independenţă definit pentru evenimente se definesc variabilele
aleatoare independente.
Dacă f şi g sunt două variabile aleatoare simple, cu repartiţiile considerate mai
sus, atunci ele sunt independente dacă sistemele complete de evenimente A i
i =1, n
şi ( )
(B j ) j=1, m ( )
sunt independente, adică P A i ∩ B j = P A i ⋅ P B j , pentru orice ( ) ( )
i = 1, n şi j = 1, m sau punând în evidenţă variabilele însăşi şi valorile lor, f şi g sunt
independente dacă
( )
P f = x i şi g = y j = P(f = x i ) ⋅ P g = y j , ( )
oricare ar fi i = 1, n şi j = 1, m .
În cazul când variabilele f şi g sunt discrete cu o infinitate de valori relaţiile de
definiţie sunt aceleaşi, doar că indicii i şi j parcurg mulţimi numărabile.
Dacă f şi g sunt variabile aleatoare continue, atunci acestea sunt independente
dacă:
118 Variabile aleatoare - 6

P(f < x şi g < y) = P(f < x)⋅ P(g < y),


pentru orice x şi y din R.

O familie de variabile aleatoare f i


i ∈I
( )
, cu I cel mult numărabilă, definite pe
acelaşi câmp de probabilitate sunt independente dacă, pentru orice submulţime finită
{ }
de indici i1 , i 2 ,K , i n ⊂ I are loc:

( )
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

Exemplul 2. Variabilele aleatoare simple f şi g sunt date prin distribuţiile de


probabilitate:

⎛1 2 3⎞ ⎛ 4 5 6⎞
f: ⎜ ⎟ şi g: ⎜ ⎟.
⎝ 0,1 0,2 0,7⎠ ⎝ 0,4 0,5 0,1⎠

Se cere să se scrie distribuţiile variabilelor aleatoare f + g, f⋅g şi f 2 .


( ) ( )
Rezolvare: Să notăm cu x i , i = 1,2,3 şi y j , j = 1,2,3, valorile variabilelor f,

{ }
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

variabila aleatoare f2 ia valorile x 2i , i = 1, 2, 3 cu probabilităţile


P(A i ∩ A i ) = P(A i ) . Vom obţine astfel:
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 119

⎛ 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.

Teorema 3: Fie (Ω, K, P) un câmp de probabilitate şi f o variabilă aleatoare reală


definită pe Ω. Atunci funcţia de repartiţie asociată acestei variabile aleatoare F: R →
[0, 1], prin F(x) = P(f < x) are următoarele proprietăţi:
1) F este monoton crescătoare,
2) lim F( x) = 0, lim F( x) = 1
x → −∞ x →∞
3) F este continuă la stânga în orice punct x ∈ R.

Demonstraţie: Fie x1 , x 2 ∈ R . Dacă x1 < x 2 , atunci {f < x1} ⊂ {f < x 2 } şi


datorită proprietăţii de monotonie a probabilităţii, P( f < x1 ) ≤ P( f < x 2 ) , rezultă
F( x1 ) ≤ F( x 2 ) .
{ }
2) Fie x n
n ∈N
un şir descrescător cu lim x n = −∞ , atunci şirul f < x n
n →∞
{
n ∈N
}
este un şir descendent şi:

lim {f < x n } = I {f < x n } = ∅ .
n →∞ n =1

De mai sus rezultă că:

( )
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

Analog, să considerăm un şir arbitrar y n


n∈N
{ }
, crescător, cu lim y n = ∞ ,
n →∞
atunci şirul {f < x n } n ∈N este un şir ascendent de evenimente şi

lim {f < y n } = U {f < y n } = Ω.
n →∞ n =1
Din relaţia de mai sus, ţinând seama de comutarea limitei cu probabilitatea pentru
şiruri ascendente sau descendente rezultă:

⎛ ⎞
lim F( y n ) = lim P( f < y n ) = P⎜ lim {f < y n }⎟ = P( Ω) = 1.
n →∞ n →∞ ⎝ n →∞ ⎠

Deşi o funcţie de repartiţie F este definită pe R nu pe R vom nota F(-∞) =


= lim F( x) = 0 şi F( ∞ ) = lim F( x) = 1 .
x↓−∞ x ↑∞
3) Să luăm un şir crescător z n
n∈N
( )
, arbitrar, convergent către x. Atunci şirul de

{
evenimente f < z n
n ∈N
}
este ascendent şi:


lim {f < z n } = U {f < z n } = {f < x} .
n →∞ n =1

Ţinând seama de aceste egalităţi avem:

F( x − 0) = lim F( z n ) = lim P( f < z n ) =


n →∞ n →∞
⎛ ⎞
= P⎜ lim {f < z n }⎟ = P( f < x) = F( x)
⎝ n →∞ ⎠
ceea ce arată că funcţia F este continuă la stânga în punctul x, cum acesta a fost ales
arbitrar, rezultă că funcţia de repartiţie F este continuă la stânga pe R.
Se poate demonstra că proprietăţile 1), 2) şi 3) din teorema de mai sus
caracterizează complet funcţia de repartiţie a unei variabile aleatoare, în sensul că,
fiind dată o funcţie F : R → [0.1] cu proprietăţile de mai sus, atunci există un câmp de
probabilitate (Ω, K, P) şi o variabilă aleatoare f : Ω → R a cărei funcţie de repartiţie
este funcţia f dată. Având în vedere şi posibilitatea utilizării rezultatelor stabilite de
analiza matematică, referitor la funcţiile reale de variabilă reală, s-a impus în Teoria
probabilităţilor utilizarea funcţiilor de repartiţie în locul variabilelor aleatoare, în
studiul unor fenomene şi experimente aleatoare.
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 121

Teorema 4. Fie (Ω, K, P) un câmp de probabilitate, f : Ω → R o variabilă


aleatoare şi F : R → [0, 1], funcţia sa de repartiţie. Atunci are loc:
1) Pentru orice x ∈ R, F(x + 0) = F(x) + P(f = x) şi F este continuă în x ∈ R dacă şi
numai dacă P(f = x) = 0;
2) Pentru intervalele mărginite, de extremităţi a şi b (a < b) are loc:
P(a ≤ f < b) = F(b) - F(a)
P(a < f < b) = F(b) - F(a + 0)
P(a ≤ f ≤ b) = F(b + 0) - F(a)
P(a < f ≤ b) = F(b +0) - F(a +0).
Demonstraţie: 1) Pentru a calcula limita la dreapta în punctul x, considerăm un şir
( )
descrescător x n
n∈N
cu lim x n = x . Şirul de evenimente f < x n {
n ∈N
}
este un
n →∞
şir descendent şi are limita:

lim {f < x n } = I ({f < x 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

F(x + 0) = F(x) + P(f = 0) = 0,


relaţie ce arată că f este continuă în x dacă şi numai dacă P(f = x) = 0.
Pentru a demonstra egalităţile din 2) observăm că:
{a ≤ f < b} ∪ {f < a} = {f < b} şi {a ≤ f < b} ∩ {f < a} = ∅,
de unde rezultă:
P(a ≤ f < b) + P(f < a) = P(f < b).
Ţinând seama de definiţia funcţiei de repartiţie rezultă:
P(a ≤ f < b) = F(b) -F(a).

{a < f < b} ∪ {f = a} = {a ≤ f <b} şi {a < f < b} ∩ {f = a} = ∅,


122 Variabile aleatoare - 6

din cele două egalităţi de mai sus avem:


P(a < f < b) ≠ P(f = a) = F(b) - F(a).
Cum F(b) - [F(a) + P(f = a)] = F(b) - F(a + 0),
rezultă că:
P(a < f < b) = F(b) - F(a + 0).
În mod analog se demonstrează şi ultimele două egalităţi ale punctului 2).
Fie acum ρ : R → [0, ∞), spunem despre funcţia ρ că este integrabilă pe R
dacă este integrabilă pe orice interval compact [a, b] ⊂ R cu a < b. Pentru o astfel de
x
funcţie se defineşte integrala improprie ∫ ρ(x )dx prin:
−∞

x x

∫ ρ(t )dt = lim ∫ ρ(t )dt .


a ↓ −∞
−∞ a

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.

Definiţia 3. Fie (Ω, K, P) un câmp de probabilitate, f: Ω → R o variabilă aleatoare şi F


funcţia sa de repartiţie. Dacă există o funcţie ρ: R → [0, ∞) integrabilă pe R, astfel ca:
x
F(x ) = ∫ ρ(t )dt,
−∞

atunci funcţia ρ se numeşte densitatea de repartiţie sau densitatea de probabilitate a


variabilei aleatoare f.

Teorema 5. Dacă variabila aleatoare f admite densitatea de repartiţie ρ, atunci:


b
1) P(a ≤ f < b ) = ∫ ρ(x )dx ;
a

2) ∫ ρ(x )dx = 1 .
−∞
b a
Demonstraţie: P(a ≤ f ≤ b) = F(b) - F(a) = ∫ ρ(x )dx − ∫ ρ(x )dx =
−∞ −∞
6.1. Variabile aleatoare. repartiţii de probabilitate. Funcţii de repartiţie 123

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↑∞

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.

Demonstraţie: În condiţiile teoremei:


x
F(x ) − F(a ) = ∫ ρ(t )dt ,
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

Deoarece funcţia de repartiţie F este crescătoare rezultă că F’(x) ≥ 0 pentru


orice x ∈ R. Dacă în egalitatea de mai sus trecem la limita pentru a → - ∞, obţinem:
x
F( x ) = ∫− ∞ F′( t )dt , pentru orice x ∈ R ,

rezultă astfel, că funcţia F ′ satisface condiţiile Definiţiei 3, pentru a fi o densitate de


repartiţie a variabilei f.

Observaţia 1. Fie ρ şi F densitatea, respectiv funcţia de repartiţie a variabilei aleatoare


f. Să presupunem că ρ este continuă pe un interval I ⊂ R, atunci F este derivabilă şi
deci continuă pe I. Dacă a, b ∈ I şi a < b putem scrie:
P( a ≤ f < b) = P( a < f < b) = P( a ≤ f ≤ b) = P( a < f ≤ b) =

= ∫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

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.

Demonstraţie: În condiţiile teoremei:


x
F(x ) − F(a ) = ∫ ρ(t )dt ,
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

Deoarece funcţia de repartiţie F este crescătoare rezultă că F’(x) ≥ 0 pentru


orice x ∈ R. Dacă în egalitatea de mai sus trecem la limita pentru a → - ∞, obţinem:
x
F( x ) = ∫− ∞ F′( t )dt , pentru orice x ∈ R ,

rezultă astfel, că funcţia F ′ satisface condiţiile Definiţiei 3, pentru a fi o densitate de


repartiţie a variabilei f.

Observaţia 1. Fie ρ şi F densitatea, respectiv funcţia de repartiţie a variabilei aleatoare


f. Să presupunem că ρ este continuă pe un interval I ⊂ R, atunci F este derivabilă şi
deci continuă pe I. Dacă a, b ∈ I şi a < b putem scrie:
P( a ≤ f < b) = P( a < f < b) = P( a ≤ f ≤ b) = P( a < f ≤ b) =

= ∫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.

Demonstraţie: În condiţiile teoremei:


x
F(x ) − F(a ) = ∫ ρ(t )dt ,
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
Deoarece funcţia de repartiţie F este crescătoare rezultă că F’(x) ≥ 0 pentru
orice x ∈ R. Dacă în egalitatea de mai sus trecem la limita pentru a → - ∞, obţinem:
x
F( x ) = ∫− ∞ F′( t )dt , pentru orice x ∈ R ,
rezultă astfel, că funcţia F ′ satisface condiţiile Definiţiei 3, pentru a fi o densitate de
repartiţie a variabilei f.

Observaţia 1. Fie ρ şi F densitatea, respectiv funcţia de repartiţie a variabilei aleatoare


f. Să presupunem că ρ este continuă pe un interval I ⊂ R, atunci F este derivabilă şi
deci continuă pe I. Dacă a, b ∈ I şi a < b putem scrie:
P( a ≤ f < b) = P( a < f < b) = P( a ≤ f ≤ b) = P( a < f ≤ b) =

= ∫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

6.2. Variabile aleatoare independente


Variabilele aleatoare cu proprietatea de independenţă joacă un rol contral în
toria probabilităţilor.
Definiţia 1. Fie (Ω, Κ, Ρ) un spaţiu cu măsură de probabilitate complet aditivă şi
F= (f α ) α∈I o familie de variabile aleatoare reale definite pe (Ω, Κ, Ρ). Vom spune că
F este o familie de variabile aleatoare independente, dacă pentru orice parte finită J ⊂ I şi
orice submulţimi boreliene ale mulţimii numerelor reale (B α ) α∈J are loc egalitatea:

(
P⎛⎜ ∩ f −1 (B α )⎞⎟ = ∏ P f −1 (B α ) .
⎝ α∈J ⎠ α∈J
)

Observaţia 1. Dacă F 1 este o subfamilie de variabile aleatoare a familiei F, adică F 1


⊂ F , atunci independenţa familiei F implică, evident independenţa subfamiliei F 1 .
Acest concept de independenţă a fost introdus de matematicienii H. Steinhaus
şi M. Kac.
Să analizăm o caracterizare a independenţei unei familii finite de variabile
aleatoare simple.
( )
Fie (f i )i =1, n o astfel de familie şi fie x ij j =1, r valorile pe care le poate lua
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:

Propoziţia 1. Familia de variabile aleatoare simple (f i )i =1, n sunt independente dacă şi


numai dacă partiţiile (D i )i =1,n sunt independente.

Demonstraţie. Fie familia de indici (q i )i =1,n , cu 1 ≤ q i ≤ ri , pentru orice i = 1, n .


{ }q
Să notăm Bi = x i i , i = 1, n şi să presupunem că variabilele {f i }, i=1,n sunt
independente. Atunci
128 Variabile aleatoare - 6

⎛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

Cu notaţiile de mai sus obţinem


⎛ ⎞
⎛ n −1 ⎞ ⎛n ⎞ ⎜ n ⎟
P⎜⎜ I f i (Bi )⎟⎟ = P⎜ U U A i ⎟ = P⎜ U I A i l ⎟ =
j j

⎝ i=1 ⎠ ⎜ i=1 j∈I ⎟ ⎜ jl∈Il i=1 ⎟


⎝ i ⎠ ⎜ 1≤l≤n ⎟
⎝ ⎠
⎛ n j ⎞ n ⎛ ⎞
⎛n ⎞
= ∑ P⎜⎜ I A ijl ⎟⎟ = ∑ ⎜⎜ ∏ A i j ⎟⎟ = ∏ ⎜⎜ ∑ P A ij ⎟⎟ =( )
jl∈Il ⎝ i =1 ⎠ jl∈Il ⎝ i=1 ⎠ i=1 ⎝ j∈Ii ⎠
1≤l≤ n 1≤l≤ n

⎛ ⎞ n
( )
n
= ∏ P⎜ U A ij ⎟ = ∏ f i−1 (Bi )

i =1 ⎝ j∈I i
⎟ i =1

Am obţinut astfel relaţia care indică independenţa variabilelor aleatoare


(f i )i =1, n .
Cu ajutorul funcţiilor de repartiţie asociate, un criteriu de independenţă pentru
o familie de variabile aleatoare este dat prin teorema următoare.

Teorema 1. Condiţia necesară şi suficientă pentru ca o familie de variabile


aleatoare F = (f α )α∈I să fie o familie de variabile independente este ca:
6.2. Variabile aleatoare independente 129

( ) ( ) ( ) ( ) 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

de repartiţie a variabilei aleatoare f αi , i = 1, n .

Observaţia 2. În cazul în care variabilele aleatoare (f α )α∈I admit densităţile de


probabilitate (ρ α )α∈I , atunci condiţia de independenţă din teorema de mai sus este
echivalentă cu:
( ) ( ) ( ) ( )
ρ α1 α2 ...αn x α1 , x α2 ,..., x αn = ρ α1 x α1 ⋅ ρ x α2 ⋅ ... ⋅ ρ x αn ,

unde ρ α1 α 2 ...α n este densitatea de probabilitate asociată variabilei aleatoare n-


dimensionale f α1 α 2 ...α n . Un alt concept pentru independenţa unei familii de variabile
aleatoare este următorul:

Definiţia 2. Spunem că o famlie de variabile aleatoare F = (f α )α∈I este o familie de


variabile aleatoare independente k câte k, dacă orice subfamilie F k formată din k
variabile aleatoare arbitrare din familia F este o familie de variabile aleatoare
independente.
Observaţia 3. Este evident că orice familie de variabile aleatoare F independente este
o familie de variabile aleatoare independente k câte k, pentru orice k finit şi k ≤
card(F).
Pentru cazul a două variabile aleatoare independente are loc următoarea
proprietate caracteristică.
Teorema 2. Variabilele aleatoare f şi g sunt independente dacă şi numai dacă
variabilele aleatoare f+a, g+b sunt independente pentru orice a, b din R.
Pentru demonstraţia teoremei se consideră submulţimile boreliene ale dreptei
[ ] [ ]
reale B1 = b1 , b1' , B2 = b2 , b '2 şi se utilizează relaţia de definiţie a independenţei.

Aplicaţie. Fie vectorul aleator bidimensional h = (f, g) dat prin tabloul:


f, g 2 3 4 5
1 1/16 0 0 1/16
2 0 1/4 3/8 1/4
.
130 Variabile aleatoare - 6

Să se studieze independenţa variabilelor aleatoare f şi g.

Rezolvare. Variabilele aleatoare marginale f şi g sunt definite prin:


⎛ 1 2 ⎞ ⎛ 2 3 4 5 ⎞
f : ⎜⎜ ⎟⎟ , g : ⎜⎜ ⎟⎟
⎝1 / 8 7 / 8 ⎠ ⎝1 / 6 1 / 4 3 / 8 5 / 16 ⎠
1 7 1
Deoarece P(f = 2 şi g = 3) = ≠ P(f = 2 şi g = 3) = ⋅ rezultă că
4 8 4
variablele aleatoare f şi g nu sunt independente.
În paragraful următor vom stabili o măsură a gradului de dependenţă

6.3. Caracteristici numerice ale variabilelor aleatoare

Variabilele aleatoare sunt caracterizate complet prin funcţiile lor de repartiţie


şi atunci când acestea există, prin densităţile de repartiţie. De multe ori însă, este
necesară şi suficientă o caracterizare mai sumară a variabilelor aleatoare. De exemplu,
pentru a determina numărul de maşini necesar pentru obţinerea unui produs într-o
cantitate dată, este suficient să cunoaştem produsul mediu realizat de fiecare maşină
într-o unitate de timp. Astfel de caracterizări mai sumare sunt date prin anumite
caracteristici numerice ca: valoarea medie, momentele, dispersia, abaterea medie
pătratică ale unei variabile aleatoare.

6.3.1. Caracteristici numerice ale varibilelor aleatoare discrete

Fie (Ω, K, P) un câmp de probabilitate şi f : Ω → R o variabilă aleatoare discretă.

⎛ xi ⎞
f:⎜ ⎟ ,
⎝ p i ⎠ i ∈I

unde I este cel mult numărabilă şi ∑ pi = 1 , p i > 0 ,


i∈I
Definiţia 1. Numărul real notat cu M(f) şi definit prin:
(6.3.1) M (f ) = ∑ p i x i
i∈I

se numeşte valoarea medie a variabilei aleatoare f.


6.3. Caracteristici numerice ale variabilelor aleatoare 131

Dacă f este o variabilă aleatoare simplă (mulţimea de indici I este finită),


atunci suma din (1) conţine un număr finit de termeni şi M(f) are sens totdeauna.
Pentru variabilele aleatoare discrete cu o infinitate de valori distincte (I mulţime
numărabilă) suma din (1) conţine o infinitate de termeni şi necesităţile privind
posibilitatea schimbării ordinii termenilor într-o serie, impun cerinţa ca seria ∑ pi x i ,
i∈I
care defineşte valoarea medie să fie nu numai convergentă, ci absolut convergentă.
Valoarea medie a unei variabile aleatoare măsoară tendinţa centrală a
repartiţiei valorilor variabilei aleatoare. Valoarea M(f) reprezintă numărul în jurul
căruia se constată o apropiere a valorilor variabilei aleatoare.
Să considerăm variabila aleatoare care asociază, în experienţa aleatoare a aruncării
unui zar, numărul de puncte aflat pe faţa superioară a zarului. Aceasta va avea tabloul
de repartiţie:

⎛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

Observaţia 1. Dacă variabila aleatoare f : Ω → R este simplă:

⎛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 .

Propoziţia 1. Fie (Ω, K, P) un câmp de probabilitate şi f, g : Ω → R variabile


aleatoare discrete. Dacă valorile medii M(f) şi M(g) există, atunci şi variabilele
aleatoare f + g şi λf, cu λ ∈ R, au valori medii şi au loc următoarele relaţii:
a) M(f + g) = M(f) + M(g),
b) M(λf) = λM(f),
c) dacă în plus variabilele f şi g sunt independente, atunci există şi M(f ⋅ g) şi are loc
M(f ⋅ g) = M(f) ⋅ M(g).
132 Variabile aleatoare - 6

Demonstraţie: Deoarece f şi g sunt discrete, au distribuţiile de forma:

⎛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

M(f + g) = ∑∑ rij (x i + y j ) = ∑ x i ∑ rij + ∑ y j ∑ rij =


i∈I j∈J i∈I j∈J j∈J i∈I

= ∑ 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

În general, valoarea medie a produsului a două variabile aleatore diferă de


produsul valorilor medii ale celor două variabile aleatoare. O legătură între aceste
valori medii este dată de inegalitatea lui Schwartz.
Teorema 1. Fie (Ω, K, P) un câmp de probabilitate şi f, g : Ω → R două variabile
( ) ( )
aleatoare discrete astfel încât M f 2 şi M g 2 există. Atunci are loc

(6.3.2) M( f ⋅ g ) ≤ M( f 2 ) ⋅ M ( g 2 ) .

Demonstraţie: Să considerăm variabila aleatoare h α = f − αg ( )2 , unde α ∈ R.


( )
Observăm că h α ≥ 0 pentru orice α ∈ R şi deci, la fel M h α ≥ 0 , pentru orice α ∈
R. În baza Propoziţiei 1 avem:
6.3. Caracteristici numerice ale variabilelor aleatoare 133

( )
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 .

Considerăm membrul stâng al inegalităţii de mai sus ca un trinom de gradul doi în α,


fiind pozitiv sau nul pentru orice α ∈ R, rezultă că discriminantul său
[
∆ = M( fg) ]2 − M( f 2 ) ⋅ M(g 2 ) este negativ sau 0, deci avem:
[ M( fg)]2 ≤ M( f 2 ) ⋅ M(g 2 ),
de unde rezultă inegalitatea (2) şi teorema este demonstrată.

Fie f : Ω → R o variabilă aleatoare discretă şi A un eveniment din K (A ∈ K)


⎛ xi ⎞
astfel că P(A) > 0. Să presupunem că f are distribuţia de probabilitate ⎜ ⎟ , cu I
⎝ p i ⎠ i ∈I
mulţime numărabilă.

Definiţia 2. Dacă seria ∑ x i PA (f = x i ) este absolut convergentă, atunci valoarea:


i ∈I

(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

i∈I i∈I i∈I

Definiţia 5. Fie (Ω, K, P) un câmp de probabilitate şi f : Ω → R o variabilă aleatoare


discretă. Momentul centrat de ordinul doi al variabilei aleatoare f, dacă există, se
6.3. Caracteristici numerice ale variabilelor aleatoare 135

numeşte dispersia sau varianţa variabilei aleatoare f şi se notează cu


⎛ xi ⎞
D 2 ( f ) sau σ 2 ( f ). Dacă f are distribuţia dată prin f : ⎜ ⎟ , atunci:
⎝ p i ⎠ i ∈I

D 2 (f ) = σ 2 (f ) = m 2 (f ) = ∑ Pi (x i − f ) .
2
(6.3.9)
i∈I

Valoarea D(f) = σ(f) = m 2 ( f ) se numeşte abaterea medie pătratică a variabilei


aleatoare f.
Dacă valoarea medie a unei variabile aleatoare este o valoare numerică în jurul
căreia se constată o grupare a valorilor variabilei aleatoare, dispersia şi abaterea medie
pătratică sunt indicatorii cei mai utilizaţi pentru a caracteriza împrăştierea valorilor
unei variabile aleatoare în jurul valorii medii.

Teorema 2. Dacă dispersia D 2 ( f ) a variabilei aleatoare discrete f există, atunci au


loc egalităţile
D 2 ( f ) = M 2 ( f ) − [ M( f ) ]
2
(6.3.10)

(6.3.11) D 2 ( f ) = λ2 D 2 ( f ), pentru orice λ ∈ R .

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 ) ).

Teorema 3. Dacă variabilele discrete f şi g sunt independente are loc:


(6.3.12) D 2 ( f + g) = D 2 ( f ) + D 2 (g).
136 Variabile aleatoare - 6

Demonstraţie: Fie variabilele aleatoare abateri f1 = f − f şi g1 = g − g , unde


()
f = M( f ) şi g = M g . Dacă f şi g sunt independente rezultă că f1 şi g1 sunt
independente.
[ ] [
D 2 ( f + g ) = M 2 f + g − ( f + g) = M 2 ( f − f ) + (g − g ) = ]
[
= M 2 ( f1 + g1 ) = M ( f1 + g1 )
2
] = M( f 2
1 )
+ 2 f1g1 + g12 =

( ) ( )
= M f12 + 2 ⋅ M( f1 ) ⋅ M(g1 ) + M g12 = M f12 + M g12 = ( ) ( )
= D 2 ( f ) + D 2 ( g).

Exemplul1. Să aruncăm o monedă de trei ori şi să considerăm variabila aleatoare f,


care ia ca valori numărul care indică de câte ori s-a obţinut faţa pe care este marcat
banul. f ia valorile 0, 1, 2 sau 3. În această experienţă aleatoare există 8 cazuri
1
posibile. Variabila f ia valorile de mai sus cu probabilităţile P( f = 0) = ,
8
3 3 1
P( f = 1) = , P( f = 2) = şi P( f = 3) = .
8 8 8
Distribuţia de probabilitate a variabilei aleatoare f poate fi reprezentată prin
următoarea histogramă, iar tabelul următor conţine elemente utile calculului valorii
medii şi dispersiei variabilei aleatoare f.

P(f) f D(f) fP(f) f2 f 2 P( f )


3 0 1 0 0 0
8 8
1 3 3 1 3
2 8 8 8
8 2 3 6 4 12
1 8 8 8
3 1 3 9 9
8
8 8 8
Total 8 M = 1,5 M 2 = 3,0
0 1 2 3 f 8
6.3. Caracteristici numerice ale variabilelor aleatoare 137

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 .

Exemplul 2. Un jucător este dispus să încerce la un joc de noroc până la prima


1
nereuşită. Ştiind că la fiecare încercare în parte, şansele de reuşită sunt de , să se
3
scrie distribuţia variabilei aleatoare a numărului de încercări necesare până la prima
reuşită şi funcţia de repartiţie asociată acestei variabile aleatoare. Să se calculeze
valoarea medie şi dispersia acestei variabile aleatoare.
Rezolvare: Fie f numărul încercărilor necesare până la prima reuşită. Se observă că

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

şi derivată în raport cu variabila u, va avea în membrul drept suma din paranteză a


valorii medii M(f). Se obţine M(f) = 3.
Pentru a calcula dispersia variabilei aleatoare f, folosind formula (10) obţinem
( ) ( )
D 2 ( f ) = M f 2 − [ M( f ) ] = M f 2 − 9 . Distribuţia variabilei aleatoare f 2 este
2

⎛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.

10.3.2. Caracteristici numerice ale variabilelor aleatoare continue

Vom considera, pentru început, câteva consideraţii asupra integralei Riemann-


Stieltjes, absolut necesare în cele ce urmează. Fie [a, b] ⊂ R, a < b un interval închis
şi mărginit. Mulţimea de puncte ∆ = {x 0 , x1 ,K , x n } , cu
a = x 0 < x1 < x 2 <L < x n = b se numeşte o diviziune a segmentului [a, b].
Numărul ν( ∆ ) = max ( x k − x k − 1 ) se numeşte norma diviziunii ∆.
1≤ k ≤ n
Fie f, g : [a, b] → R două funcţii mărginite şi în plus presupunem că g este
crescătoare.

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.

Definiţia 7. Spunem că funcţia f este integrabilă Riemann-Stieltjes (R-S) în raport cu


g pe [a, b], dacă există un număr real I cu proprietatea că pentru orice ε > 0, există δ(ε)
> 0, astfel încât, oricare ar fi o diviziune ∆ a lui [a, b] cu norma ν(∆) < δ(ε) să avem:
6.3. Caracteristici numerice ale variabilelor aleatoare 139

(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 4. Condiţia necesară şi suficientă ca f să fie integrabilă R-S, în raport cu g,


pe [a, b], este ca oricare ar fi şirul de diviziuni {∆ n }n∈N , cu şirul normelor

{ν(∆ n )} n ∈N tinzând la 0, şirul sumelor integrale R-S {σ ∆ (f , g, ξ i )} n ∈N


n
să fie
convergent la I.
Pentru calculul unei integrale R-S putem folosi definiţia, în anumite condiţii,
calculul integralei R-S se reduce la calculul unei integrale Riemann.

Teorema 5. Dacă funcţia f este continuă pe [a, b] şi g derivabilă cu derivata continuă


pe [a, b], atunci:

(R − S )∫a f (x )dg (x ) = (R )∫a f (x )g ′(x )dx .


b b
(6.3.16)

De asemenea are loc următorul rezultat de reversibilitate (formula de integrare


prin părţi), care se utilizează, de obicei, când nu sunt îndeplinite condiţiile din teorema
de mai sus, dar schimbând rolul lui f cu g ele devin satisfăcute.

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 ) = f (b )g(b ) − f (a )g(a ) − ∫a g(x )df (x )


b b
(6.3.17)

∫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:

∫a f (x )dg(x ) = blim f (x )dg (x ) .


∞ b
(6.3.19) ∫
→∞ a

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 P(a ≤ f < b) = F(b) - F(a) poate fi considerată ca o aproximaţie a valorii


medii a variabilei aleatoare pe intervalul [a, b), aproximarea fiind cu atât mai bună cu
cât norma diviziunii ∆ este mai mică.
Se poate atunci considera integrala R-S a funcţiei identice I(x) = x în raport cu
funcţia de repartiţie F:
lim σ ∆ (I, f , ξ k ) = ∫a xdF(x ) ,
b
(6.3.21)
ν (∆ )→ 0

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)

Dacă f este o variabilă aleatoare discretă, luând punctele diviziunii ∆, în aşa


fel ca ele să nu coincidă cu valorile variabilei aleatoare f, iar punctele ξ k chiar
[
valorile variabilei aleatoare f, ţinând seama că dacă în intervalul x k −1 , x k ) nu se
( )
găsesc valori ale variabilei aleatoare f, atunci P x k − 1 ≤ f < x k = 0 , din (22)
obţinem:
6.3. Caracteristici numerice ale variabilelor aleatoare 141

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

∫−∞ xdF(x ) este convergentă, variabila aleatoare f are



F funcţia sa de repartiţie. Dacă
valoarea medie:

f = M (f ) = ∫−∞ xdF(x ) .

(6.3.23)

În cazul când variabila aleatoare f admite o densitate de repartiţie ρ continuă


pe porţiuni, atunci F este derivabilă în orice punct x în care ρ este continuă şi
F ′( x) = ρ( x) . În acest caz integrala din (23) se reduce la o integrală Riemann şi f are
valoarea medie:

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 .
∞ ∞

b) Momentul absolut de ordinul k:

Mk (f ) = M f ( )= ∫
k ∞
−∞
x dF(x ) = ∫− ∞ x ρ(x )dx .
k ∞ k

c) Momentul centrat de ordinul 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

e) Abaterea medie pătratică:

D(f ) = σ f = M 2 (f ) = ∫− ∞ (x − f ) dF(x ) = ∫− ∞ (x − f ) ρ(x )dx


∞ 2 ∞ 2

Cu exprimările de mai sus se constată că proprietăţile caracteristicilor


numerice ale unei variabile aleatoare discrete rămân valabile şi în cazul continuu, deci
sunt, în general, valabile.
Fie f o variabilă aleatoare şi M(f) valoarea sa medie (deseori interesează
frecvenţa abaterilor de la valoarea medie) depăşind o anumită limită L > 0 sau (a
evenimentului opus) frecvenţa abaterilor sub limita L. Răspunsul este dat de:
Teorema 7. (Inegalitatea lui Cebîşev). Dacă σ 2 este dispersia variabilei aleatoare f,
atunci probabilitatea ca modulul abaterii |f - M(f)| să ia valori mai mari decât un număr
σ2
L > 0 este mai mică decât , adică:
L2
σ2
(6.3.25) P( f − M( f ) ≥ L) ≤ 2 ,Ö
L
sau:
σ2
(6.3.25’) P ( f − M ( f ) < L) > 1 − 2 .
L
2
L 1 σ
Demonstraţie: Să notăm λ = , rezultă 2 = 2 . Se impune λ > 1. Ţinând seama
σ λ L
că L = λσ inegalitatea lui Cebîşev se mai scrie sub forma:
1
(6.3.26) P( f − M ( f ) ≥ λσ ) ≤ ,
λ2
unde σ = D(f) este abaterea medie pătratică a variabilei aleatoare f. Fie:
{
A λ = ω ∈ Ω: f ( ω ) − M( f ) ≥ λσ . }
Atunci avem:

[
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

Din egalitatea de mai sus se obţine inegalitatea:

[ ]
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. Funcţia caracteristică asociată unei


variabile aleatoare

Un instrument de studiu al variabilelor aleatoare, uşor de mânuit, conducând


la calcule mai simple şi cu aplicaţii în studiul proceselor stocastice, îl constituie
funcţiile caracteristice.
Fie (Ω, K, P) un câmp de probabilitate, f : Ω → R o variabilă aleatoare, atunci
( )
funcţia g( ω ) = e i ⋅ t ⋅ f ω , unde i = − 1 este unitatea imaginară, iar t este un
parametru real, este o nouă variabilă aleatoare, ea are însă valori complexe. Variabila g
se mai poate exprima g(ω) = cos tf(ω) + i sin tf(ω) şi are modulul egal cu unitatea,
g( ω ) = 1 . Evident, dacă f este o variabilă aleatoare discretă atunci şi g este discretă şi
la fel dacă f este continuă g este continuă.

Definţia 1. Se numeşte funcţie caracteristică a variabilei aleatoare f, aplicaţia ϕ :


R → C, definită prin relaţia:

( )

(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

Dacă f este o variabilă aleatoare continuă şi are densitatea de repartiţie ρ(x),


atunci funcţia caracteristică asociată lui f este dată prin:

(6.4.4) ϕ(t ) = ∫ e i⋅t⋅x ρ(x )dx .
−∞
Din cele prezentate până acum, rezultă că, unei variabile aleatoare f i se
asociază o funcţie de repartiţie F continuă la stânga şi o funcţie caracteristică continuă.
Mai mult, aceste funcţii caracterizează, probabilistic, variabila aleatoare f, putând-o
înlocui în diverse calcule, mai ales, când acestea se simplifică prin folosirea uneia sau
alteia din funcţiile asociate.

Teorema 1. Funcţia caracteristică, a unei variabile aleatoare f, admite următoarea


dezvoltare în serie de puteri:

(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
−∞

cu dezvoltarea ei în serie de puteri e i⋅t⋅x = ∑


∞ n n
i t x n
obţinem ϕ(t ) =


( )
in M f n n
t .
n =0 n! n =0 n!
Această egalitate permite să se calculeze, mai uşor, pe baza funcţiei
caracteristice, momentele de orice ordin ale variabilei aleatoare f, şi anume avem:

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

Din cele de mai sus rezultă:

1 ⎡ d n ϕ(t ) ⎤
( )
M fn = ⎢ ⎥ .
i n ⎣ dt n ⎦ t =0
6.4. Funcţia caracteristică asociată unei variabile aleatoare 145

Teorema 2. Dacă variabila aleatoare f admite o repatiţie continuă, atunci densitatea de


repartiţie a variabilei aleatoare f, ρ(x) este dată, cu ajutorul funcţiei caracteristice ϕ
corespunzătoare, prin:

1 ∞ −i⋅t⋅x
ρ(x ) = ϕ(t )dt .
2π −∫∞
e

Exemplul 1. Se dă funcţia caracteristică a unei variabile aleatoare f,


1
( 2
)
ϕ( t ) = 1 + e it . Să se scrie funcţia de repartiţie corespunzătoare variabilei
4
aleatoare f.

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

Exemplul 2. Să se scrie funcţia de repartiţie corespunzătoare variabilei f, pentru care


−1
1 ⎛ e it ⎞
este dată funcţia caracteristică ϕ( t ) = ⎜⎜ 1 − ⎟ .
2⎝ 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

Deducem că variabila aleatoare f are distribuţia de probabilitate dată prin:


⎛0 1 L n L⎞
f:⎜ 1 1 1 ⎟
⎜ L L⎟
⎝2 22 2n ⎠
şi funcţia de repartiţie:

⎪ 0 pentru x≤0

⎪ 1
F( x ) = ⎨ pentru 0 < x ≤1 .
⎪ n −1 2
⎪ 1

⎪⎩k =0 2 +1
k
pentru n − 1 ≤ x < n , n = 2,3, K

6.5. Dependenţa variabilelor aleatoare. Corelaţie.


Coeficient de corelaţie

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.

Definiţia 1. Se numeşte corelaţie sau covarianţă a variabilelor aleatoare f şi g


valoarea:
(6.5.1) [ ]
cov( f , g) = M ( f − f )( g − g) .
Din definiţia de mai sus, rezultă imediat că, covarianţa are următoarele
proprietăţi:
a) cov (f, g) = cov (g, f) - proprietate de simetrie;
6.5. Dependenţa variabilelor aleatoare. Corelaţie. Coeficient de corelaţie 147

b) cov (αf, βg) = αβ cov (f, g) - proprietate de omogenitate;


c) cov (f, g) = M(f⋅g) - M(f) ⋅ M(g).

Ultima proprietate stabileşte legătura între covarianţa variabilelor aleatoare f şi


g, şi valorile medii ale lui f⋅g, f şi g.
Dacă cov (f, g) = 0, se spune că variabilele aleatore sunt necorelate.
Se observă imediat că, dacă variabilele aleatoare f şi g sunt independente,
atunci M(f⋅g) = M(f)⋅M(g) şi din c) rezultă că ele sunt necorelate.
Dacă variabilele f şi g sunt necorelate, atunci are loc M(f⋅g) = M(f)⋅ ⋅M(g), dar
ele nu sunt în mod obligatoriu independente.
O măsură standardizată a dependenţei a două variabile aleatoare o reprezintă
coeficientul de corelaţie.

Definiţia 2. Se numeşte coeficient de corelaţie al variabilelor f şi g valoarea:


cov( f , g)
(6.5.2) ρ( f , g) = .
D 2 ( f ) D 2 ( g)

Dacă variabilele f şi g sunt discrete şi iau valorile x i


i ∈N
( )
, respectiv y j
j∈N
( )
şi

)
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

Să se studieze independenţa şi necorelarea variabilelor aleatoare f şi g.

Rezolvare: Variabila aleatoare f ia valorile 1 şi 2 cu probabilităţile


1 1 1 1 31 1 7
P( f = 1) = + = , P( f = 2) = + + = . Valoarea aleatoare g ia
16 16 8 4 8 4 8
1 1 3
valorile: 0, 1, 2, 3, 4 cu probabilităţile P( g = 0) = , P( g = 1) = , P( g = 2) = ,
16 4 8
1 1
P( g = 3) = şi P( g = 4) = , adică distribuţiile lui f şi g sunt date prin:
4 16
⎛1 2⎞ ⎛0 1 2 3 4⎞
f: ⎜⎜ 1 7 ⎟ , g: ⎜ 1
⎟ ⎜
1 3 1 1⎟.

⎝8 8⎠ ⎝ 16 4 8 4 16 ⎠
Pentru produsul f⋅g se obţine distribuţia:
⎛0 1 2 3 4 6 8⎞
f ⋅ g: ⎜⎜ 1 1 7 1 ⎟.
⎝ 16 0 4 0 0⎟
16 4 ⎠
15
Calculând valorile medii corespunzătoare obţinem M(f) = , M(g) = 2, M(f⋅g) =
8
15 15 15
, cov(f, g) = M(f⋅g) - M(f) ⋅ M(g) = - ⋅ 2 =0. Deci variabilele aleatoare f şi
4 8 4
1 7 1
g sunt necorelate, dar P(f = 2 şi g = 1) = ≠ P(f = 2) ⋅ P(g = 1) = ⋅ , ceea ce arată
4 8 4
că f şi g nu sunt independente.

S-ar putea să vă placă și