Sunteți pe pagina 1din 86

1

Variabile aleatoare

Variabila aleatoare sau intamplatoare este legata de experimente aleatoare, care desfasurate in timp conduc la procese aleatoare. In cadrul teoriei statistice a semnalelor, procesul (semnalul) aleator este un model mai realist decat semnalul determinist pentru o serie intreaga de semnale atat utile (date, imagini, sunete) cat si perturbatoare (zgomote) din sistemele de prelucrare si transmitere a informatiei. Teoria statistica a semnalelor este strans legata de teoria probabilitatilor si de teoria multimilor, care impreuna permit introducerea notiunii de spatiu probabilistic.

1. Spatiu probabilistic Baza pentru definirea variabilei aleatoare este spatiul probabilistic = (H, , P), numit de unii autori si model statistic. Acesta este compus din trei elemente: multimea esantioanelor H, campul evenimentelor , si masura probabilistica P. multimea esantioanelor H: multimea tuturor rezultatelor posibile ale unui experiment aleator. Exemplu: numerele corespunzatoare apelurilor sosite la o anumita centrala de comutatie, fetele aparute la aruncarea zarului, durata de viata a unei anumite componente a unui sistem, tensiunea retelei masurat la bornele unei prize.

campul evenimentelor multimea nevida, continand

submultimi ale multimii H, avand urmatoarele proprietati:

a)

H

b)

Din

A

rezulta A

c) Din A 1 , A 2 ,

rezulta A

i

i

=

1

.

In aceasta definitie se noteaza cu A complementul mutimii A, adica toate elementele multimii H care nu sunt in A. In consecinta, un

rezultat

Exemplu: la aruncarea zarului, multimea rezultatelor este H = { 1 ,

2 ,

6 } unde i = aparitia fetei i si un camp posibil de evenimente

, este = {, { 1 }, { 1 , 2 }, { 2 , 3 , 4 , 5 , 6 },

H poate fi element al mai multor evenimente.

i

, H}

2

Masura probabilistica P: o masura speciala care se

o

functie care se poate defini pe acest camp . Domeniul valorilor ei este intervalul {0, 1} al numerelor reale; se

poate spune ca functia P este o aplicatie a campului pe intervalul {0, 1}. Proprietatile lui P sunt definite prin trei axiome (Kolmogorov):

poate

asocia

elementelor

campului

evenimentelor,

a) P(A) 0

b) P(H) = 1

c)

n

P( A ) =

i

1

n

1

P

(

A

i

)

unde A i sunt disjuncte doua

cate doua. Definitiile probabilitatii:

n

A

n

ca frecventa relativa:

unde un experiment

aleator este repetat de n ori si evenimentul A apare de n A

ori

N A unde N este numarul total de

P

(

A

) = lim

n

in sens clasic:

P

(

A ) =

N

rezultate ale experimentului (numarul elementelor din H

finit), din care evenimentul A intervine de N A ori.

Legi uzuale ale probabilitatii:

P( ) = 0 unde

P(A)

Daca

este evenimentul nul,

A

A = H

si

A

A =

atunci

P( A)

Daca A

B

atunci P(A) P(B)

B) P(A) + P(B)

P(A

P(A

B) = P(A) + P(B) P(A

Daca

A

i

P

(

A

)

=

P

(

A

A

j

=

H

)

=

P

(

i

A

π

j

A

1

si

)

+

B)

P

A

(

1

A

A

2

A

2

= 1

P( A)

 
 

A

n

=

H

)

+

+

P

(

A

A

n

atunci

)

adica seturile A i sunt mutual exclusive si complete.

3

Probabilitatea conditionata:

P

(

A

|

B

) =

P

(

A

B

)

P ( B

)

sau in forma Bayes :

sau

P

(

A

|

P

(

B

B

) =

|

A

) =

P ( B

|

P

(

A

B

)

P A ) P

(

(

A

A

)

)

P

(

B

)

In contextul de mai sus, P(A) se numeste probabilitatea a priori iar P(A|B) se numeste probabilitatea a posteriori a evenimentului A. Din axiomele de mai sus rezulta:

P

P

P

( |

(

(

A

A

H

1

|

B

B

)

=

A

2

|

)

0

1

B

)

=

P

(

A

1

|

B

)

+

P

(

A

2

|

B

)

daca A si A

1

2

sunt disjuncte

Se spune ca doua evenimente sunt statistic independente daca:

P

(

A

B

)

=

P

(

A ) P ( B

)

si atunci mai rezulta :

P

(

A

|

B

)

=

P

(

A

)

P

(

B

|

A

)

=

P ( B

)

P

(

A

|

H

)

=

P

(

A

)

deoarece

P ( H

)

=

1

2. Definitia varibilei aleatoare reale X( ) Variabila aleatoare reala X( ) este reprezentarea multimii rezultatelor H a unui experiment aleator pe multimea IR a numerelor reale cu urmatoarele proprietati:

pe multimea IR a numerelor reale cu urmatoarele proprietati: a) {X ( ) x} b) P({X
a) {X ( ) x} b) P({X ( ) = • experiment aleatoriu IR X(
a)
{X (
)
x}
b) P({X ( ) = •
experiment
aleatoriu
IR
X( i )
* *
i
* * *
*
axa reala

multimea

rezultatelor H

pentru fiecare x IR

}) = P({X ( ) = +• }) = 0

Valoarea unei variabile aleatoare X( ) pentru un argument

=

i

se

numeste

o

realizare

a

variabilei

(vezi

fig. alaturata).

Variabila

aleatoare

poate

fi

continua

sau

discreta.

Daca

multimea

rezultatelor

H

este

numarabila, atunci

variabila

X( )

aleatoare

o

discreta

este

4

(aruncarea cu zarul), daca multimea rezultatelor H este nenumarabila, atunci variabila aleatoare este continua (masurarea valorilor unei tensiuni).

Exemplu: aruncarea zarului; H = {toate fetele posibile)

   

1

2

3

4

   

5

 

6

X( )

 

0

0

5

10

   

10

100

3. Functia

de

repartite

a

probabilitatii

si

densitatea

de

probabilitate

Permit caracterizarea completa a unei variabile aleatoare.

Functia de repartitie a probabilitatii este:

F

x

(x) =

P({X ( )

x}) .

Proprietatile ei sunt:

=

a)

b)

c) ( x ) creste monoton

F x

F x

F x

x

F

(

+•

)

(

)

0

=

1

Densitatea de probabilitate este:

f

x

(

x ) =

dF

x

(

x

)

dx

cu functie de

repartitie absolut continua. In punctele in care functia de repartitie

are salturi, se introduc distributii ponderate cu un factor egal cu marimea saltului lui F x (x) in punctul respectiv.

Aceasta derivata exista numai pentru varibile

Functia

integrare:

de

repartitie

F (x)

x

se

poate

deduce

= x f x (u)du.

din

densitate

5

prin

Exemple:

Variabile aleatoare discrete (Aruncarea cu banul )

Variabile aleatoare continue (Masurarea timpului de viata)

F x (x) 1,0 0,5 x f x (x) 0,5 x
F
x (x)
1,0
0,5
x
f
x (x)
0,5
x
F x (x) 1 (x/t max ) 2 t max
F x (x)
1
(x/t max ) 2
t
max
f x (x) 2/t max
f
x (x)
2/t max

t max

Daca o variabila aleatoare discreta ia valorile x i cu i = 1, atunci densitatea de probabilitate este de forma:

, M

x

x

6

f

x

i

 

M

(

x

)

=

 

a

 

i = 1

i

=

P

({

X

(

)

(

x

= x

i

x

i

)

})

unde

a

i

este saltul lui

a

Introducand cele doua relatii in expresia lui

F

x

F

x

( x

)

=

x •
x

f

x

(

u

)

du

=

x

i

P

x

({

X

(

)

=

x

i

})

F

x

(

x

) la

x

i

:

(

x

) se obtine :

Proprietati ale densitatii de probabilitate a unei variabile aleatoare :

a)

b)

f

x

(

x

+•

-

f

x

(

)

0 pentru toti

x ) dx =

1

x

Se poate calcula din

valoare intre

x

1

si

x

2

f

:

x

(

x

) probabilitatea ca

X

(

) sa ia o

P

({

x

1

X

(

)

x

2

})

=

x

x

2

1

f

x

(

x ) dx

Pentru variabile discrete datorita proprietatii de filtrare a lui

probabilitatea devine :

P x

({

(

X

)

x

2

})

P

x

2

({

X

(

)

=

x

i

})

1

=

x 1
x
1

x

i

,

4.Valori medii ale variabilelor aleatoare (valori asteptate = expected values) Permit caracterizarea incompleta, partiala a variabilelor aleatoare.

Momente de ordin n

X

(

n

)

=

E

{[

X

(

n

)] }

=

+•

n

x

f

x

(

x ) dx

= m x

(n)

Pentru n = 1 (valoare medie liniara):

X

X

=

+•

n

x f

x

=

k = 1

P x

k

(

k

x ) dx

pentru variabile continue

pentru variabile discrete

P k = P({X( ) = x k })

7

Operatorul de mediere se poate extinde si asupra functiilor de variabila aleatoare. Daca g(X( )) este o functie bijectiva de variabila aleatoare X( ), atunci:

E{g( X ( ))}

• = •
=

g(x)dF (x)

x

Daca desitatea de probabilitate f x (x) exista, atunci:

 

E

{

g

(

X

(

))}

=

g

(

x

)

 

f

x

(

x ) dx

Operatorul de mediere este un operator liniar:

E{ag( X ( ))} = aE{g( X ( ))}

E{g( X ( )) + h(Y ( ))} = E{g( X ( ))} +

E{h(Y ( ))}

Pentru n = 2 (valoare medie patratica):

X

X

(2)

(2)

=

+•

n

=

k = 1

2

x

f

x

(

x ) dx

pentru variabile continue

P x

k

k

2 pentru variabile discrete

Momente centrale de ordin n:

(

X

= x

X

( n)

)

(

n

)

=

E

{[

X

(

)

X

]

n

}

=

+•

(

x

Pentru n = 2 (varianta):

X

)

n

f

x

(

x ) dx

(

X

X

)

(2)

=

+•

(

x

X

)

2

f

x

(

x dx

)

pentru variabile continue

Var{X(

x 2 ; x este dispersia (deviatia standard) a v.a.

Se poate arata ca:

8

Var{X(

x 2 =

X

(2)

{( X ) }

2

Statistica clasica este o statistica de ordin 2, care descrie variabilele aleatoare numai cu valori medii de ordinul 1 si 2. Statisticile de ordin superior folosesc pentru caracterizarea v.a. si valorile medii de ordin n >2. Valorile medii de ordin superior lui 2 se numesc cumulanti. Interesul crescand din ultimul timp pentru statisticile de ordin superior este justificat de urmatoarea teorema:

O v.a. poate fi complet caracterizata daca se cunosc valorile medii pana la ordinul n, cand n

5. Ansamble de doua variabile aleatoare

Pe acelasi spatiu al esantioanelor H se pot defini mai multe variabile aleatoare, de exemplu X( ) si Y( ), proiectand multimea H a rezultatelor posibile pe doua multimi IR de numere reale.

Pentru aceste doua variabile se pot defini:

6. Functia de repartitie a ansamblului:

F XY (x,y) = P({X( ) x} Y( ) y}) si

Densitatea de probabilitate a ansamblului:

f

xy

(x, y) =

2

F

xy

(

x

,

y

)

x

y

.

Evenimentele sigure in aceasta situatie sunt {X( )

respectiv{Y( )

respectiv{Y( ) -

X( )

-

9

Rezulta astfel pentru ansamblul de doua v.a. urmatoarele Proprietati ale functiei de repartitie de ansamblu, F XY (x,y):

F XY (x, +

F X (x)

F XY (+ , y) = F Y (y) F XY (x, -

F XY (- , y) = 0

F XY (+ ,+

Functia de repartitie a ansamblului se poate determina prin integrarea densitatii de probabilitate a ansamblului:

F XY

+• +• ( x , y ) = f ( u v dudv , )
+•
+•
(
x
,
y
)
=
f
(
u v dudv
,
)
XY

.

Densitatile marginale de probabilitate se pot determina cu relatiile:

+• f ( x ) = f ( x , y dy ) X XY
+•
f
(
x
)
=
f
(
x
,
y dy
)
X
XY
+•
f
(
y
)
=
f
(
x
,
y dx
)
Y
XY

Proprietatile densitatii de probabilitate de ansamblu:

este o functie nenegativa:

f XY

(x, y) 0

satisface conditia de completitudine:

+•

+•

f

XY

(

x

,

y dxdy = 1

)

Observatie: Pentru v.a. discrete densitatile de probabilitate se inlocuiesc cu probabilitati, iar integrarile prin sumari.

Independenta statistica a doua variabile aleatoare Este una din relatiile interesante pentru studiul sistemelor de prelucrare a informatiei, deoarece efectele variabilelor pot fi luate in consideratie separat. Conditia de independenta statistica este:

f

XY

(x, y)

=

f

X

(x). f ( y) .

Y

10

Rezulta pentru functiile de repartitie relatia:

F

XY

(x, y)

=

F

X

(x).F

Y

( y) .

Valori medii (momente) ale ansamblului

Moment de ordin k, m

m xy

(

k ,

m

)

=

E

{

X

pentru k

=

1, m

k

(

=

m

xy

(1,1)

=

Cor { XY

)

Y

m

(

)}

=

+•

+• k m x y f ( XY •
+•
k
m
x
y
f
(
XY

x

,

y ) dxdy

1, se obtine functia de corelatie mutuala

}

=

E { XY

}

Moment centrat de ordin k, m

=

(

xy

+•

k

,

m

+•

)

=

(

E

x

{(

X

m

X

(

(1)

)

)

k

(

m

y

X

(1)

m

)

k

(

(1)

y

Y

(

)

m

)

f

XY

m

Y

(1)

)

m

}

=

(

x , y ) dxdy

pentru k

=

(1,1)

xy

1, m

=

Cov XY

=

{

1, se obtine functia de covariatie mutuala

}

E

{(

X

(

(1)

m

Y

(1)

=

)

m

X

) (

Y

(

)

)} =

+•

+•

(1)

=

(

x

) (

y

(1)

)

m

X

m

y

f

XY

(

x

,

y ) dxdy

}

=

E { XY

}

}

E { Y

}

Intre Cor si Cov exista relatia :

Cov { XY

Variabile necorelate :

Cov { XY

Variabile ortogonale :

Cor { XY

Doua variabile aleatoare independente statistic sunt necorelate :

}

}

}

=

=

=

Cor { XY

0

E { XY

}

=

0

}

E

{

X

}

=

E { Y

E

{

X

E

{

X

}

{

E Y

}

E { XY

}

11

E

+•

{

+• +• X ( ) Y ( )} = xyf ( XY • • +•
+•
+•
X
(
)
Y
(
)}
=
xyf
(
XY
+•
xf
(
x ) dx
yf
(
y ) dy
= E
X
Y
 

+•

x

,

y ) dxdy

=

 

{

X

(

)}

E { Y

 

(

+•

)}

xyf

X

(

x

)

f

Y

(

y ) dxdy =

Reciproca nu este intotdeauna adevarata: conditia de independenta statistica este mai „tare” decat cea de necorelare (decorelare).

Coeficient de corelatie

=

(1,1)

XY

XY

X

1

Y

 

E

{(

X

(

)

m

X

(1)

)(

Y

(

)

m

Y

(1)

)}

 

|

E {(

E

{(

X

(

)

 

m

(1)

)

2

}

E

{(

Y

(

)

m

(1)

)

2

} |

±

Y

(

)

m

Y

(1)

X

2

0

   

Y

 

Y

 
 

XY

|

=

X

(1)

XY

limitele domeniului de variatie ale coeficientului sunt :

-1

Demonstratie:

m

X

(

)

E

valoarea medie a partii din stanga a relatiei este :

1

care este valabila pentru ambele semne numai pentru |

±

2

XY

+

X

1

0

1

Coeficientul de corelatie arata relatia dintre doua variabile aleatoare :

1. Sunt decorelate pentru :

XY

= 0

2. Daca sunt liniar dependente :

Y

ca

XY

=

1 pentru

a

>

0 si

XY

=

(

aX

1 pentru

) =

( ), atunci se poate arata

a

<

0 .

12

Functia de repartitie conditionata si densitatea de probabilitate conditionata.

F ( x / B ) = P ({ X ( ) x }/ B
F
(
x
/
B
)
=
P
({
X
(
)
x
}/
B
)
X
dF
(
x
/
B
)
X
f
(
x
/
B
) =
X
dx
Pentru B
=
{
X
(
)
a
}
P
({
X
(
)
x
}
{
X
(
)
a
})
F
(
x
/
B
) =
X
P
({
X
(
)
a
})
x
a
P
({
X
(
)
x
}
{
X
(
)
a
})
=
P
({
X
(
)
a
})
F
(
x
/
B
)
=
1
X
x
a
P
({
X
(
)
x
}
{
X
(
)
a
})
=
P
({
X
(
)
x
})
F
(
x
)
X
F
(
x
/
B
)
=
X
F
(
a
)
X
f
(
x
)
f
(
x
)
X
X
=
pentru x
a
a
F
(
a
)
X
f
(
u ) du
X
dF
(
x
/
B
)
X
f
(
x
/
B
) =
=
X
dx
0
pentru x
a
Pentru B
=
{
Y
(
)
y
}
F
(
x
,
y
)
XY
F
(
x
/
B
) =
X
F
(
y
)
Y
(
x
,
y
)
f XY
f
( x
/
B
) =
X
f
( y
)
Y

13

7. Densitati de probabilitate uzuale

Distributii discrete

Uniforma, cand rezultatele experimentului aleator sunt egal

probabile: P X

(

= x

i

) = 1/

n

i

= 1,2,3,

,

n

Binomiala, cand intereseaza probabilitatea de aparitie a unui eveniment A de probabilitate p de k ori in sirul de n repetitii ale experimentului:

P

(

X

=

k

) =

k

C

n

p

k n !

C

n

=

k

!(

n

k

)!

si

k

(1

m

!

=

p )

m ( m

n

k

,

k

1)(

= 1,2,

m

2)

n

unde :

(3)(2)(1);

0 !

=

1

Exemplu: Probabilitatea de eronare a k simboluri intr-un cuvant de lungime n

Poisson, cand intereseaza numarul k al rezultatelor pozitive ale unui experiment intr-un interval de timp de lungime T :

P

(

X

=

k

cu

k

) =

e

k

=

0, 1, 2,

k ! = ' T unde ' este numarul rezultatelor pozitive

,

care apar in unitatea de timp. Exemplu: Numarul apelurilor primite de o centrala telefonica sau numarul electronilor emisi de un catod fierbinte.

Distributii continue:

Distributia uniforma

f

x

( x ) =
(
x
) =

0 in rest

1/(

b

a

),

a

x

b

Media si varianta varibilei aleatoare uniforme sunt:

m

x

2

x

=

=

b

+

a

(

2

b

a

)

2

12

Exemplu: Eroarea de cuantizare

Distributia normala (gaussiana) unidimensionala

14

Este cea mai utilizata, avand o forma analitica simpla; are multiple aplicatii ca urmare a teoremei limita centrala.

f x (x) 1 f ( x ) = exp x 2 2 x Aria
f
x (x)
1
f
(
x
) =
exp
x
2
2
x
Aria = 1/2
Aria = P(X > m x + y x ) = Q(y)
x
1
P
(
X
>
a
)
=
2
a
2
x
x
m x
m x
+ y
x
Pentru schimbarea de variabila :
z = (x – m x )/
x, integrala precedenta devine:
x 1
P
(
X
>
a
)
=
exp(
z
2 / 2)
dz
2
(
a
m
) /
x
x

(

x

m

x

)

2

 

2

 

2

 
 

x

 
   

(

x

 

m

x

)

2

exp

   
 

2

2

x

 

O medoda de calcul a acestei integrale se bazeaza pe integrala tabulata Q(y):

Q

(

y

) =

 

1

x

exp(

 
   
 
2
2

y

 

P

(

X

>

a

)

=

Q

[(

a

m

x

z

2

) /

/ 2)

x

]

dz

,

y >

0

Deasemenea se poate calcula:

P( X a) = 1 =1/ 2 Q( y) sau: P(X 0) [1-2Q(a)] P(X a)
P( X
a)
= 1
=1/ 2
Q( y)
sau:
P(X
0)
[1-2Q(a)]
P(X
a) =
Q(a)
Q(a)
1-Q(a)
-a
a
0
a
0
a

15

∑ Distributia normala bidimensionala 2 x m y m X Y 1 1 + f
∑ Distributia normala bidimensionala
2
x
m
y
m
X
Y
1
1
+
f
(
x
,
y
) =
exp
X
Y
xy
2
2
2
1
2(1
)
2
(
x
m
)(
y
m
)
X
Y
X
Y
X
Y
8. Transformari de variabile aleatoare
Y = g(X)
Cazul unidimensional:
Y
X
X
g(X)

2

Exemplu: caracteristica unui amplificator In ce consta problema: daca este cunoscuta f X (x) trebuie
Exemplu: caracteristica unui amplificator
In ce consta problema: daca este cunoscuta f X (x) trebuie determinata
f Y (y)
a) Cazul cand g(x) este bijectiva:
g (x)
g: R
P
{
x
X
x
+
dx
}
=
P
{
y
Y
y
+
dy
}
y+dy
y
x
1
f
(
x ) dx
=
f
(
y ) dy
f
(
y
)
=
f
(
x
)
X
Y
Y
X
dy
x x+dx
dx
1
x
= g
(
y
)
b) Cazul cand g este bijectiva pe
portiuni:
g(x)
g: R
y
R
,
x
R
g
(
x
)
=
y
i
i
x
f
(
x
)
x
k
f
(
y
) =
Y
dy
1 3
2
4
5
6
dx
1
x
= g
(
y
)
k

16

Cazul bidimensional:

x 2

x 2 +dx 2

x 2

16 Cazul bidimensional : x 2 x 2 +dx 2 x 2 y 1 y 2
16 Cazul bidimensional : x 2 x 2 +dx 2 x 2 y 1 y 2

y 1

16 Cazul bidimensional : x 2 x 2 +dx 2 x 2 y 1 y 2
y 2 x y 2 +dy 2 y 2
y 2
x
y 2 +dy 2
y 2

x 1 x 1 +dx 1

x

1

y 1 y 1 +dy 1

X

Y

P{x

g g

1

1

2

2

Y :

X :

y ( x , 1 g = 1 1 y = x ( 2 g
y
(
x
,
1 g
= 1
1
y
= x
(
2 g
2
1
x
=
(
y
,
1
1
1
x
=
(
y
2
2
1

x}= P{y

y}

x ) 2 , x ) 2 y ) 2 , y ) 2
x
)
2
,
x
)
2
y
)
2
,
y
)
2
f ( x x 1 2 y x
f
(
x x
1
2
y
x

x x

1

2

)

x

=

f

y y

1

2

(

y y

1

2

)

y

Jacobianul transformarii

lim

x

> 0

y

(

y y

1

2

)

=

x

(

x

1

x

2

)

=

y

1

x

1

y

1

x

2

y

2

x

1

y

2

x

2

f

y y

1

2

(

f

y y

1

2

y y

1

2

(

y y

1

) =

2

)

=

f

x x

1

2

f

x x

1

2

(

x x

1

2

(

x x

1

2

y

)

x

)

1

Exemplu: schimbarea de coordonate rectangulare / polare

17

x 2 1 x 2 2 x 1 x 1 x = 1 cos(y 2
x
2
1
x
2
2
x
1
x 1
x
=
1 cos(y 2 )
1
x 2
1 sin(y 2 )
∂ y
∂ y
2
1
x
x
cos(
y
=
1
1
2
=
y
x
y
y
y
sin(
1
2
1
∂ x
∂ x
2
2
x
1
f
(
x x
)
=
f
(
y y
)
=
x x
1
2
y y
1
2
1
2
1
2
y
(
y
y
)
=
◊ f
(
x x
)
f y
y
1
2
x x
1
2
1
2
1
2

)

y

2

)

f

y y

1

2

2 2 1 = 2 = arctg x + x 1 2 x 2 x
2
2
1 =
2 = arctg
x
+ x
1
2
x
2
x
1

y

sin(

1

y

cos(

(

y y

1

2

)

2

)

y

2

)

=

y

1

=

2 x 2 + x 1 2
2
x
2 +
x
1
2

Modificarea coordonatelor duce la schimbarea distributiilor

F

x 1

F

y

1

x

2

y

2

(

(

x x

1

2

)

y y

1

2

)

x x 1 2 = f ( x x 1 2 • • y y
x
x
1
2
= f
(
x x
1
2
y
y
1
2
= f
y y
1
2

u , v ) dudv

(

u , v ) dudv

9. Variabile aleatoare complexe Variabila aleatoare complexa Z se defineste cu ajutorul variabilelor aleatoare reale X si Y:

Z = X+jY Valoarea medie of g(Z) este definita ca:

18

E

{

g

(

Z

)}

=

g

(

z

)

f

X

,

Y

(

x y dxdy

,

)

}

m

Z

E

media lui Z,

m

var ianta este :

= =

E

{

Z

Z

, este :

{

X

}

+

{

jE Y

}

=

m

X

+

2

Z

= E

{|

Z

m

Z

covarianta lui

C

E

{(

Z

Z

m

Z

n

=

Z

m

m

|

2

,

}

Z

n

m

Z

este :

m

) * (

Z

n

m

Zn

)}

jm

Y

unde * semnifica complex conjugat

10. Vector aleator

Variabila aleatoare scalara ia valori pe axa reala, iar vectorul aleator

ia valori intr-un spatiu m dimensional R m . Functia de repartitie a vectorului aleator ca si densitatea sa de probabilitate se pot defini ca pentru ansamble de m variabile aleatoare:

F

X

f

X

1

1

,

,

X

,

X

2

m

X

(

x

1

m

(

,

x

1

,

,

x

m

x

2

,

)

=

P

,

x

m

[(

X

) =

1

x

1

)

(

X

m

 

x

m

)

m

F

X

1

,

,

X

m

(

x

1

,

,

x

m

)

 

x

1

x

2

 

x

m

Parametrii importanti sunt valorile medii si covariantele:

m

X

i

=

X

i

X

j

E

=

{

X

{

E

i }

X X

i

j

}

m