CAPITOLUL 9

CARACTERISTICI NUMERICE ALE VARIABILELOR

ALEATOARE

9.1. Media; definiţie, proprietăţi

Fie X variabilă aleatoare pe câmpul de probabilitate

(Ω, K , P ) .
æ xi ö
DEFINIŢIE : Fie
X : çç ÷÷ , unde i = 1, Κ , n .
è i
p = f ( x )
i ø

Atunci valoarea medie variabilei aleatoare discrete X este

n
M (X ) = xi f ( xi ) .
i =1

DEFINITIE : Fie X : æçç

x ö
, unde x ∈ [a, b] . Atunci
è f ( x)
valoarea medie a variabilei aleatoare continue X este
b
M (X ) = x ⋅ f ( x )dx .
a

OBSERVAŢIE : Pentru n → ∞, trebuie ca seria

∞
xi f ( xi ) să fie convergentă. Pentru a sau b tinzând către − ∞ sau
i =1
+ ∞ , trebuie ca integrala improprie să fie convergentă.

EXEMPLE:

1 2 3 ö
1) X : æçç ÷÷ , M ( X ) = 1 ⋅ 0,2 + 2 ⋅ 0,5 + 3 ⋅ 0,3 = 2,1 .
è 0,2 0,5 0,3 ø
æ x ö ∞
÷ , x ≥ 0 , M ( X ) = ò0 xe dx = Γ( 2) = 1 .
−x
2) X : çç −x ÷
è f ( x ) = e ø

Proprietăţi ale mediei:

æ x ö
P1. Fie X : çç i ÷ , i = 1, Κ , n . Dacă λ ≤ xi ≤ µ , atunci :
÷
è f ( xi ) ø
λ ≤ M(X ) ≤ µ .
 n
Demonstraţie: M ( X ) = å xi f ( xi )
i =1
Adunând aceste relaţii pentru valorile indicelui i = 1, Κ , n , obţinem:
n n
λ ⋅ f ( xi ) ≤ xi ⋅ f ( xi ) ≤ µ ⋅ f ( xi ) ⋅ λ ⋅ å f ( xi ) ≤ M ( X ) ≤ µ ⋅ å f ( xi ) ,deci
i =1 i =1
n
λ ≤ M(X ) ≤ µ , deoarece å f (x ) = 1.
i =1
i

P2. M ( k ) = k , adică media unei constante este o constantă.

Demonstraţie: X : æçç ö÷÷ , M (k ) = k ⋅ 1 = k .

k
è1ø

P3. Media unei constante înmulţită cu o variabilă aleatoare este

egală cu constanta înmulţită cu media variabilei aleatoare.
Adică: M ( a ⋅ X ) = a ⋅ M ( X ) .
æx Κ xn ö n n
Demonstraţie: Fie X : çç 1 ÷, åp = 1 , M ( X ) = å xi ⋅ pi .
Κ pn ÷ø
i
è p1 i =1 i =1

a ⋅ x1 Κ a ⋅ xn ö
Atunci a ⋅ X : æç ÷.
ç p p n ÷ø
è 1 Κ
M(a ⋅ X) = a ⋅ x1 ⋅ p1 +Κ + a ⋅ xn ⋅ pn = a ⋅ (x1 ⋅ p1 +Κ + xn ⋅ pn ) = a ⋅ M(X) .

P4. Dacă X şi Y sunt două variabile aleatoare, atunci :

M ( X + Y ) = M ( X ) + M (Y ) .

Fie X : æç i ö÷ ,
n
x
Demonstraţie:
çp ÷ i = 1, Κ , n , M ( X ) = å xi ⋅ pi ,
è iø i =1

n
æ yj ö m

åp i =1 şi fie Y : çç ÷÷ , j = 1, Κ , m , M (Y ) = å y j ⋅ q j ,
i =1 è qj ø j =1
m
æ xi + y j ö
å q j = 1 . Atunci X + Y : çç ÷÷ , i = 1, Κ , n , j = 1, Κ , m .
j =1 è pi ⋅ q j ø
n m n m n m n m
M(X +Y) = åå(xi + yj ) ⋅ pi ⋅ qj =ååxi ⋅ pi ⋅ qj +ååyj ⋅ pi ⋅ qj =åxi ⋅ pi åqj +
i=1 j=1 i=1 j=1 i=1 j=1 i=1 j=1
n m
+ å pi å y j ⋅ q j = M ( X ) + M (Y ) .
i =1 j =1
P5. Dacă X şi Y sunt independente, atunci: M(X ⋅Y) = M(X) ⋅ M(Y) .
æx ⋅ y ö
Demonstraţie: X ⋅ Y : ç i j ÷ , i = 1, Κ , n , j = 1, Κ , m .
çp ⋅q ÷
è i jø
n m n m
M ( X ⋅ Y ) = å å xi y j pi q j = å xi pi å y j q j = M ( X ) ⋅ M (Y )
i =1 j =1 i =1 j =1

9.2. Dispersia; definiţie, proprietăţi

− 2 −1 1 2ö
Fie X : æçç ÷÷ , M ( X ) = 0 . Observăm că
è 0,1 0,4 0,4 0,1ø
valorile lui X nu diferă mult de medie.
− 1000 − 5 5 1000 ö
Fie Y : æçç ÷ , M (Y ) = 0 . Observăm că
è 0,1 0,4 0,4 0,1 ÷ø
valorile lui Y diferă mult de medie.
Împrăştierea valorilor lui Y este mai mare decât
împrăştierea valorilor lui X.

x x2 Κ xn ö
Fie X : æç 1 şi fie M(X) media sa. Construim
ç p p Κ p ÷÷
è 1 2 nø

variabila aleatoare ξ = X − M ( X ) , numită abaterea variabilei

aleatoare X de la media sa. Fie m=M(X).

æ x − m x2 − m Κ xn − m ö
ξ : çç 1 ÷
è p1 p2 Κ pn ÷ø

OBSERVAŢIE: M(ξ) = M[ X − m] = M( X) − M(m) = M(x) − m = 0.

Deci nu putem utiliza media variabilei aleatoare abatere

pentru a determina împrăştierea faţă de media sa. Din acest motiv,
ca o măsură a împrăştierii valorilor unei variabile aleatoare X faţă de
media sa, vom lua dispersia, notată cu D(X), unde:
D( X ) = σ 2 = M (ξ 2 ) . Dispersia este media pătratului variabilei
aleatoare de abatere ξ .
 æ ( x − m) 2 ( x2 − m) 2 Κ ( xn − m) 2 ö
ξ 2 : çç 1 ÷.
Κ ÷
è p1 p2 pn ø

ξ 2 = [ X − M ( X )]2 = X 2 − 2 M ( X ) ⋅ X + M 2 ( X ) .
Atunci dispersia va fi :
D(X) = M(ξ 2 ) = M(X 2 ) − 2M( X)M(X) + M2 (X) = M(X 2 ) − M 2 (X) .
Rezultă astfel că D( X ) = M ( X 2 ) − M 2 ( X ) .

EXEMPLE :

−1 0 1 ö æ1 0ö
1) X : æçç ÷÷ , M( X ) = 0 ; X 2 : çç ÷÷ , M( X ) = 0,6
2

è 0,3 0,4 0,3ø è 0,6 0,4ø

D( X ) = M ( X ) − M ( X ) = 0,6 .
2 2

æ−1000 0 1000ö æ 0 106 ö

2) Y : çç ÷÷ , M(Y) = 0; Y 2 : çç ÷÷ , M (Y 2 ) = 600000
è 0,3 0,4 0,3 ø è0,4 0,6 ø
D (Y ) = M (Y ) − M (Y ) = 600000 .
2 2

æ x ö ∞
÷ , x ≥ 0 , M ( X ) = ò0 xe dx = Γ( 2) = 1
−x
3) X : çç −x ÷
è f ( x ) = e ø
æ x 2
ö ∞
X 2 : çç ÷ , x ≥ 0 , M ( X ) = ò x 2 e − x dx = Γ(3) = 2! = 2
−x ÷
è f ( x) = e ø
0

D( X ) = M ( X 2 ) − M 2 ( X ) = 2 − 1 = 1 .

Proprietăţi ale dispersiei:

P1. Dispersia unei constante este egală cu zero. Adică D( a ) = 0 ,

unde a este o constantă.

Demonstraţie: D ( a ) = M ( a 2 ) − M 2 ( a ) = a 2 − a 2 = 0 .

P2. Dispersia unei constante înmulţită cu o variabilă aleatoare este

egală cu produsul dintre pătratul constantei şi dispersia variabilei
aleatoare. Adică: D ( a ⋅ X ) = a 2 ⋅ D ( X )

Demonstraţie: D(a ⋅ X ) = M (a2 ⋅ X 2 ) − M 2 (a ⋅ X ) = a2 M ( X 2 ) −

− a 2 M 2 ( X ) = a 2 [ M ( X 2 ) − M 2 ( X )] = a 2 D( X ) .

P3. Dacă X şi Y sunt independente, atunci D(X +Y) = D(X) + D(Y)

Demonstraţie: D( X + Y ) = M [( X + Y ) 2 ] − M 2 ( X + Y ) =
= M( X 2 + 2XY + Y 2 ) − [M( X ) + M(Y )]2 = M( X 2 ) + 2M( X )M(Y ) +
+ M (Y 2 ) − M 2 ( X ) − 2 M ( X ) M (Y ) − M 2 (Y ) = D( X ) + D(Y ) .

Consecinţa 1: D æç å X i ö÷ = å D ( X i ) , unde variabilele X i

r r

è i =1 ø i =1
sunt independente, i = 1, Κ , r .
Consecinţa 2: D( a + X ) = D( X ) .
Consecinţa 3: Dacă Y = a ⋅ X + b , atunci D (Y ) = a 2 D( X ) .
Consecinţa 4: Dacă Z = X − Y , atunci D(Z) = D( X ) + D(Y ) .
Într-adevăr, putem scrie Z = X − Y = X + ( −Y ) şi deci
D(Z) = D( X ) + D[(−1)Y ] = D( X ) + (−1) D(Y ) şi deci D(Z) = D( X ) + D(Y ) .
2

TEOREMĂ: Fie X 1 , X 2 , Κ , X n variabile aleatoare cu

n

åX i
1 n
aceeaşi medie şi dispersie. Fie Y =
n
i =1
= å X i , media
n i =1
aritmetică a veriabilelor X i . Atunci D(Y ) = 1 å D( X i ) .
n

n i =1
Demonstraţie: D(Y ) = Déê 1 å X i ùú = 12 ⋅ n ⋅ åD( X i ) = 1 D( X i ) .
n n

ë n i=1 û n i =1 n

9.3. Abaterea medie pătratică

DEFINIŢIE: Se numeşte abatere medie pătratică a unei

variabile aleatoare X, rădăcina pătrată din dispersia variabilei
aleatoare.

Abaterea medie pătratică, σ = D ( X ) , are în principiu

proprietăţi corespunzătoare dispersiei.
9.4. Momentele unei variabile aleatoare X

Momentele unei variabile aleatoare sunt valori tipice ale

variabilei. Există două tipuri de momente: momente iniţiale şi
momente centrate.

DEFINIŢIE: Momentul iniţial de ordinul k al unei

variabile aleatoare X este media variabilei aleatoare X k .
mk = M ( X k ) , k = 1,2, Κ

Cazuri particulare:
m1 = M ( X ) , m2 = M ( X 2 ) , deci D ( X ) = m2 − m12 .

DEFINIŢIE: Momentul centrat de ordinul k al unei

variabile aleatoare X este media variabilei aleatoare [( X − M ( X )) k ] .
µ k = M [( X − M ( X )) k ] , k = 1,2, Κ

Cazuri particulare:
µ1 = M[ X − M ( X )] = 0 , µ2 = [X − M( X)]2 = D( X) .

æx Κ xn ö
În cazul unei variabile aleatoare discrete, fie X:ç 1 ,
çp Κ p
è1 n

æxk Κ xnk ö æ ( x − m) k Κ ( x n − m) k ö
atunci Xk : ç 1 şi ( X − m) k : çç 1 ÷.
÷
çp Κ p Κ
è1 n è p1 pn ø
n n
Prin urmare mk = M( X k ) = xik pi şi µk = M[(X − m)k ] = å( xi − m)k pi ,
i=1 i=1

k = 1,2, Κ , n .

În cazul unei variabile aleatoare continue, fie

æ x ö ì0, x ∈ ( −∞, a ) ∪ (b, ∞)
X : çç , x ∈ [ a , b] , f ( x ) = í , momentele
è f ( x) f ( x ), x ∈ [a , b]
b b
vor fi mk =
a
x k f ( x )dx şi µ k = òa
( x − m ) k f ( x ) dx , k = 1,2, Κ , n .
∞
Fie F(X) funcţia de repartiţie. Atunci mk = ò x k dF (x) şi
−∞
∞
µk = ò ( x − m) dF ( x) .
k
−∞
Relaţia dintre momentele iniţiale şi cele centrate:

ék ù k
µk = M[X − M(X)]k = M[X −m]k = Mêå(−1)k Ckjmj X k− j ú = å(−1) j Ckjmj M(X k− j )
ë j=0 û j=0
j
Dar M ( X k − j ) = m k − j . Deci avem: µ k = å ( −1) j Ckj m j mk − j .
k =0
OBSERVAŢIE : Pentru k=2 , obţinem :
2
µ2 = åC2j m j mk− j = C20m2 − C21m1m1 + C22m2m0 .
j=0

Dar m0 = M ( X 0 ) = M (1) = 1 şi m1 = m .
Atunci µ 2 = m2 − m12 + 0 = m2 − m12 = D ( X ) .

9.5. Funcţia generatoare de momente a unei variabile aleatoare

Funcţia generatoare de momente a unei variabile aleatoare

se introduce pentru simplificarea calculului momentelor.

DEFINIŢIE: Se numeşte funcţie generatoare de momente

a unei variabile aleatoare X, valoarea medie a variabilei e tX , unde
t∈R.
Notăm funcţia generatoare de momente cu g : R → R , dată
de g (t ) = M ( e tX ) .

x x2 Κ xn ö
Fie X : æç 1 o variabilă aleatoare discretă,
ç p p Κ p ÷÷
è 1 2 nø

æ e tx1 e tx2 Κ e txn ö

deci e tX = çç ÷ , iar funcţia generatoare de
÷
è p1 p 2 Κ pn ø
n
momente este g(t) = M (etX ) = åetxi pi .
i =1

æ x ö,
Fie X : çç ÷÷ x ∈ [a, b] , o variabilă aleatoare continuă,
è f ( x) ø
æ e tx ö
deci e tX = ç
ç ÷ , x ∈ [a, b] , iar funcţia generatoare de momente
è f (x ) ÷ø
b
este g(t ) = M (etX ) = ò etx f ( x)dx .
a
Proprietăţi ale funcţiei generatoare de momente:

P1. g (0) = 1

Demonstraţie: g (0) = M ( e t⋅0 ) = M (1) = 1

P2. Dacă X 1 , X 2 , Κ , X n sunt variabile aleatoare independente cu

funcţiile generatoare de momente g1 (t ), g 2 (t ),Κ , gn (t ) , atunci funcţia
generatoare de momente a variabilei aleatoare
X = X 1 + X 2 + Κ + X n , este g(t ) = g1 (t ) ⋅ g2 (t ) ⋅ Κ ⋅ gn (t ) .

Demonstraţie:
g (t ) = M ( e tX ) = M ( e t ( X 1 + X 2 +Κ + X n ) ) = M [e tX1 ⋅ ⋅e tX 2 ⋅ Κ ⋅ e tX n ] =
= M(etX1 ) ⋅ M(etX2 ) ⋅Κ ⋅ M(etXn ) = g1(t) ⋅ g2 (t) ⋅Κ ⋅ gn (t) .

P3. Dacă variabila aleatoare X admite momente finite de orice

∞
ordin, atunci g (t ) = tk
⋅ mk .
k = 0 k!

Demonstraţie: Dezvoltăm în serie Taylor (Mc Laurin) pe e tX . Ştim

t t2 tk
că e t = 1 + + + Κ + + Κ .
1! 2! k!
Atunci e tX va avea forma :
∞
t t2 tk tk k .
e tX = 1 + X + X 2 + Κ + X k + Κ = X
1! 2! k! k =0 k!

é ∞ tk k ù ∞ tk ∞
tk
g(t ) = M (etX ) = M ê X = M( X k ) g(t ) = mk .
ëk =0 k! k =0 k! k =0 k!

P4. Funcţia generatoare de momente este de n ori derivabilă în

raport cu t şi g ( k ) (0) = mk sau g ( k ) (t ) |t =0 = mk .

Demonstraţie:
x2 Κ
a) Fie variabila aleatoare discretă X : æç 1
x xn ö
çp ÷.
è 1 p2 Κ pn ÷ø
n
g (t ) = å e txi ⋅ pi
i =1
 n
g ' (t ) = å xi ⋅ e txi ⋅ pi
i =1
n
g ' ' (t ) = å xi2 ⋅ e txi ⋅ pi
i =1
………………………….
n
g ( k ) (t ) = å xik ⋅ e txi ⋅ pi
i =1
Înlocuind pe t cu zero, obţinem:
n
g ( k ) (0) = å xik ⋅ pi = mk
i =1

b) Fie variabila aleatoare continuă X : æçç

x ö
÷÷ , x ∈ [a, b] .
è f ( x) ø
b
g(t ) = ò etx f ( x)dx
a
b b
g' (t ) = ò x ⋅ etx f ( x)dx Þ g' (0) = ò x ⋅ e0 f ( x)dx = m1
a a
b b
g' ' (t) = ò x ⋅ e f ( x)dx Þ g' ' (0) = ò x 2 f ( x)dx = m2
2 tx
a a
……………………………………………………
b b
g (k ) (t ) = ò x k ⋅ etx f ( x)dx Þ g (k ) (0) = ò x k f ( x)dx = mk
a a

9.6. Funcţia caracteristică a unei variabile aleatoare

Funcţia caracteristică a unei variabile aleatoare X se

foloseşte tot pentru calculul momentelor.

DEFINIŢIE: Se numeşte funcţie caracteristică a variabilei

aleatoare X , valoarea medie a variabilei e itX , adică c(t) = M(eitX ) ,
unde t ∈ R .
æ x x2 Κ xn ö
Fie X : çç 1 ÷÷ o variabilă aleatoare discretă,
p
è 1 p 2 Κ p nø

æ eitx1 eitx2 Κ eitxn ö

deci eitX = çç ÷ , iar funcţia caracteristică este
÷
è p1 p2 Κ pn ø
n
c (t ) = M ( e itX ) = å e itX ⋅ p j .
j =1
 Fie X : æçç
x ö
÷÷ , x ∈ [a, b] , o variabilă aleatoare continuă,
è f ( x) ø
æ e itx ö
deci e itX = çç ÷÷ , x ∈ [a, b] , iar funcţia caracteristică este
è f (x ) ø
b
c (t ) = M ( e itX ) = ò e itX f ( x ) dx .
a

−1 1 ö æ e −it e it ö
EXEMPLU: Fie X : æçç ÷÷ , iar e itX = çç ÷÷ .
è 0,5 0,5 ø è 0,5 0,5 ø
Funcţia caracteristică este :
c(t) = M(eitX ) = e−it ⋅ 0.5 + eit ⋅ 0,5 = 0,5⋅ (e−it + eit ) .
Dar e iθ = cos θ + i sin θ şi e − iθ = cos θ − i sin θ , deci putem scrie
e iθ + e − iθ e iθ + e − iθ
cos θ = şi sin θ = .
2 2i
Astfel, funcţia caracteristică va fi :
c(t ) = 0,5 ⋅ (cost − i sin t ) + 0,5 ⋅ (cost + i sin t ) = cost .

Proprietăţi ale funcţiei caracteristice:

P1. Funcţia caracteristică c(t) este o funcţie uniform continuă pe R

P2. c(0) = 1

Demonstraţie: c(0) = M ( e i 0 t ) = M ( e 0 ) = M (1) = 1 .

P3. Dacă X 1 , X 2 , Κ , X n sunt variabile aleatoare independente cu

funcţiile caracteristice c1 (t ), c2 (t ), Κ , cn ( t ) , atunci funcţia
caracteristică a variabilei aleatoare X = X 1 + X 2 + Κ + X n este
c(t ) = c1 (t ) ⋅ c2 (t ) ⋅Κ ⋅ cn (t )

Demonstraţie:
c(t ) = M ( e itX ) = M [e it ( X1 + X 2 +Κ + X n ) ] = M [e itX1 ⋅ e itX 2 ⋅ Κ ⋅ e itX n ] =
= M ( e itX 1 ) ⋅ M ( e itX 2 ) ⋅ Κ ⋅ M ( e itX n ) = = c1 (t ) ⋅ c2 (t ) ⋅Κ ⋅ cn (t ) .
 n
Consecinţa 1: Dacă Y = å λk ⋅ X k , λk ∈ R , unde
k =1

X1, X2,Κ , Xn sunt variabile aleatoare independente cu funcţiile

n
caracteristice c1 (t ), c2 (t ), Κ , cn ( t ) , atunci cY (t ) = ∏ c X ( λk t ) .
k
k =1
Consecinţa 2: Un produs de funcţii caracteristice este tot o
funcţie caracteristică. În particular, dacă c(t) este funcţia
caracteristică a variabilei aleatoare X , atunci [c(t )]n este tot o
funcţie caracteristică.

P4. Fie c X (t ) funcţia caracteristică a variabilei aleatoare X şi fie

Y = α ⋅ X . Atunci cY (t ) = c X (α ⋅ t ) .

Demonstraţie: cY (t ) = M ( e itY ) = M ( e itαX ) = c X (α ⋅ t ) .

P5. Fie variabila aleatoare X şi c X (t ) funcţia sa caracteristică. Fie

Y = aX + b . Atunci cY ( t ) = c X ( at )e ibt .

Demonstraţie:
cY (t) = M(eitY ) = M(eit(aX+b) ) = M[ei(at) X ⋅ eitb] = e itb M [e i ( at ) X ] = e itb c X ( at ) .

P6. Fie variabila aleatoare X şi c(t) funcţia caracteristică. Atunci

∞
(it ) k
c (t ) = å ⋅ mk .
k = 0 k!

Demonstraţie:
∞
é ∞ (it) k k ù ∞ (it) k (it ) k
c(t) = M (eitX ) = M êå X ú=å M( X k ) = å mk , unde
ëk =0 k! û k =0 k! k =0 k !
∞
(it ) k k .
e itX = å X
k =0 k !

P7. mk = 1k [c ( k ) (t )] |t =0 = 1k c ( k ) (0)
i i

Demonstraţie:
 x2 Κ
a) Fie variabila aleatoare discretă X : æç 1
x xn ö
çp ÷.
è 1 p2 Κ pn ÷ø
æe itx1
e itx2
Κ e ö
itxn
eitX = çç ÷
÷
è p1 p2 Κ pn ø
n
c( t ) = å e ⋅ pj
itx j

j =1
n
c' (t ) = å ix j ⋅ e ⋅ pj
itx j

j =1

………………………….
n
c ( k ) (t ) = å i k x kj ⋅ e ⋅ pj
itx j

j =1

Înlocuind pe t cu zero, obţinem:

n
c ( k ) (0) = i k å x kj ⋅ p j Þ c ( k ) (0) = i k M ( X k ) = i k ⋅ mk
j =1

1 (k )
Deci mk = c (0) , k = 1,2, Κ , n .
ik
c) Fie variabila aleatoare continuă X : æçç
x ö
÷÷ , x ∈ [a, b] .
è f ( x) ø
æ e itx ö
e itX = çç ÷÷
è f (x ) ø
b
c(t ) = ò eitx f ( x)dx
a
b
c' (t ) = ò i ⋅ x ⋅ eitx f ( x)dx
a
…………………………….
b
c(k ) (t ) = ò i k ⋅ x k ⋅ eitx f ( x)dx
a
Înlocuind pe t cu zero, obţinem:
b
c(k ) (0) = i k ⋅ ò ⋅ x k ⋅ eitx f ( x)dx = i k mk
a
1 (k )
Deci mk = c (0) , k = 1,2, Κ , n .
ik

9.7. Normarea (reducerea) unei variabile aleatoare X

Fie variabila aleatoare X cu M ( X ) = m şi D ( X ) = σ 2 .

 X −m
DEFINIŢIE: Variabila aleatoare Z = se numeşte
σ
variabila normată a variabilei aleatoare X (sau redusa variabilei
aleatoare X).

Proprietăţi ale variabilei normate:

P1. M ( Z ) = 0
Demonstraţie: M ( Z ) = M æç 1 X − m ö÷ = 1 M ( X ) − m = 0
èσ σø σ σ

P2. D( Z ) = 1
Demonstraţie: D(Z) = Dæç X − mö÷ = 12 [D(x) − D(m)] = 12 ⋅σ2 =1, deoarece
è σ ø σ σ
D(m) = 0 .

9.8. Valoarea mediană

DEFINIŢIE: Se numeşte valoare mediană a variabilei

aleatoare X numărul Me care satisface relaţia
P( X < Me) = P( X > Me) , adică valoarea pentru care variabila
aleatoare X are aceeaşi probabilitate de a fi mai mare şi mai mică
decât ea.

Relaţia P( X < Me) = P( X > Me) se mai scrie şi sub forma

1
F ( Me) = 1 − F ( Me) sau 2 F ( Me) = 1 sau F ( Me) = .
2
1
Deci Me este soluţia ecuaţiei F ( x ) = . În cazul unei
2
æ x ö
variabile aleatoare continue X : çç ÷÷ , x ∈ [a, b] , mediana se va
è f ( x) ø
determina din ecuaţia ò f ( x )dx = 1 .
Me

a 2

EXEMPLU:
 Să se determine mediana variabilei aleatoare continue
æ x ö
X :ç 1 ÷ , x ∈ [0,3] .
ç (2 x + 1) ÷
è 12 ø
Me 1 1 1
ò0 12 (2 x + 1)dx = 12 [ Me + Me] = 2 Þ Me + Me − 6 = 0 .
2 2

Me1 = −3 ∉ [0,3] şi Me2 = 2 . Deci Me = 2 .

9.9. Modul (valoarea cea mai probabilă)

DEFINIŢIE: Se numeşte modul (valoarea cea mai

probabilă) a variabilei aleatoare X acea valoare pentru care funcţia
de probabilitate f ( xi ) , pentru variabila aleatoare discretă, respectiv
densitatea de probabilitate f (x ) este maximă.

OBSERVAŢIE: În cazul variabilei aleatoare continue,

maximul funcţiei f (x ) se obţine prin rezultatele cunoscute ale
analizei matematice

În cazul variabilelor aleatoare discrete se procedează astfel:

EXEMPLU: Să se determine modul variabilei aleatoare

binomiale.
æ x ö, x x n− x
X : çç ÷÷ x = 0,1,..., n , f ( x ) = Cn p q .
è f ( x ) ø
Presupunem că funcţia f (x ) are o valoare maximă x * .
Atunci f (x* −1) < f (x* ) şi f ( x * ) > f ( x * + 1) .

Deci obţinem (1) f ( x* ) şi (2) f ( x * + 1)

>1 < 1.
f ( x * − 1) f ( x* )
* * *
f ( x* ) Cx px qn−x n!(n − x* + 1)!(x* −1)! p n − x* + 1 p
= x*−n1 x*−1 n−x*+1 = ⋅ = ⋅ >1Þ
f ( x −1) Cn p q
*
x*!(n − x* )!n! q x* q
Þ x*q < np− x* p + p Þ x* ( p + q) < np+ p Þ x* < np+ p , deoarece p+q =1.
f ( x* + 1) n − x* p
= * ⋅ < 1 Þ x* ( p + q) > np − q Þ x* > np − q .
f ( x* ) x +1 q

Deci np − q ≤ Mo ≤ np + p .
9.10. Covarianţa (corelaţia)

Fie variabilele aleatoare X, cu media M ( X ) = m X şi

dispersia D( X ) = σ x2 şi Y, cu media M (Y ) = mY şi dispersia
D (Y ) = σ y2 .
Calculând dispersia sumei celor două variabile aleatoare
obţinem:
D( X + Y ) = M[(X + Y − mX − mY )2 ] = M{[(X − mX )2 + (Y − mY )2 ]} =
= M [( X − m X ) 2 ] + M [(Y − mY ) 2 ] + 2 M [( X − m X )(Y − mY )] .

DEFINIŢIE: Media M[( X − mX )(Y − mY )] se numeşte

covarianţa celor două variabile şi se notează cov( X , Y ) .

Efectuând produsul, obţinem şi o altă expresie a coverianţei:

cov(X,Y) = M[XY−mY X −mXY + mX mY ] = M(XY) −mY M(X) −mX M(Y) + mX mY =
= M ( XY ) − m X mY deoarece M( X ) = mX şi M (Y ) = mY .

OBSERVAŢIE: Dacă X şi Y sunt variabile aleatoare

independente, atunci cov( X , Y ) = 0 . Reciproc nu este adevărat.

9.11. Coeficientul de corelaţie

Fie X, Y două variabile aleatoare cu dispersiile σ X2 şi

X − m X şi
σ Y2 finite şi nenule şi mediile m X şi mY . Fie X ' =
σX
Y − mY variabilele aleatoare normate corespunzătoare.
Y'=
σY
(M(X’)=0, M(Y’)=0, D(X’)=1, D(Y’)=1) .

DEFINIŢIE: Se numeşte coeficient de corelaţie a

variabilelor aleatoare X şi Y, coverianţa variabilelor aleatoare
normate X’ şi Y’ şi îl notăm cu ρ ( X , Y ) .
ρ ( X , Y ) = cov( X ' , Y ' )
Avem:
é X − mX Y − mY ù M[(X − mX )(Y − mY )] cov(X,Y)
ρ(X,Y) = cov(X' ,Y' ) = Mê , = =
ë σX σY úû σXσY σXσY
Proprietăţi ale coeficientului de corelaţie:

P1. Dacă X şi Y sunt independente, atunci ρ ( X , Y ) = 0 .

Demonstraţie: Deoarece cov( X , Y ) = 0 în cazul unor variabile

aleatoare independente, şi ρ ( X , Y ) = cov( X , Y ) = 0 .
σ XσY

P2. − 1 ≤ ρ ( X , Y ) ≤ 1 , pentru orice X şi Y.

Demonstraţie:
M(X’)=0, M(Y’)=0, D(X’)=0, D(Y’)=0 , deci M ( X ' 2 ) = 1 şi
M (Y ' 2 ) = 1 .
Din egalitatea ( X '±Y ' ) 2 = ( X ' 2 ±2 X ' Y '+Y ' 2 ) obţinem :
M [( X '±Y ' )2 ] = M ( X ' 2 ) ± 2M ( X ' Y ' ) + M (Y ' 2 ) = 2 ± 2M ( X ' Y ' ) .
Cum M ( X 'Y ' ) = cov(X ' ,Y ' ) , obţinem: 1 ± ρ ( X , Y ) ≥ 0 , adică
− 1 ≤ ρ( X ,Y ) ≤ 1.

P3. Dacă pentru două constante reale a şi b variabila aleatoare

ì1, a > 0
Y = aX + b , atunci ρ ( X , Y ) = í .
î− 1.a < 0

Demonstraţie: Ştim că M(Y ) = mY = amX − b şi D(Y ) = σY2 = a2σ X2 .

Atunci vom obţine:
cov(X ,Y ) = M[(X − mX )(Y − mY )]M[(X − mX )(aX + b − amX − B)] =
= M[(X −mX )(aX−amX )]= aM[(X −mX )(X −mX )]= M[(X −mX )2 ] = aD( X ) = aσ X2 .

cov( X , Y ) aσ X2 aσ X2 a
ρ ( X ,Y ) = = = = = ±1 .
σ Xσ Y σ Xσ Y | a | σ X | a |
2

9.12. Caracteristici ale formei de repartiţie. Simetrie şi

asimetrie.

DEFINIŢIE: Variabila aleatoare X definită de funcţia f(x)

este simetrică faţă de valoarea medie m dacă f (m − ε ) = f (m + ε ) ,
oricare ar fi ε > 0 .
 SIMETRICĂ

m −ε m m +ε

ASIMETRICĂ

m −ε m m +ε

Proprietăţi:

P1. Pentru o repartiţie simetrică, media, mediana şi modul coincid.

P2. Momentele centrate de ordin impar pentru o repartiţie simetrică

sunt nule µ 2 k +1 = 0 .

Coeficienţi utilizaţi pentru măsurarea asimetriei:

Coeficientul lui Pearson: α1 = M ( X ) − M 0 ( X ) .
σX
Coeficientul lui Fisher: α 2 = µ 3 .
σX