curs 7 probabilităţi]Dispersia, momente, coeficient de corelaţie şi funcţia

caracteristică

1 Dispersia, momente şi coeficient de corelaţie

Exemplu 1. Se dau 3 urne. Prima conţine o bilă albă şi 2 bile negre, a doua 2
albe şi una neagră, a treia 3 albe şi 3 negre. Din fiecare urnă se extrage câte o
bilă. Se cer valoarea medie şi dispersia numărului de bile albe obţinute în cele
3 extrageri.
Dem. -Fie Xi variabila aleatoare care dă numărul de bile albe extrase din urna
i, 1 ≤ i ≤ 3;
-am reţinut că din urna i se extrage o singură bilă, deci valorile lui Xi sunt 0
dacă nu se extrage bilă albă şi 1 dacă se extrage bilă albă; probabilităţile
corespunzătoare
( ) acestor
( valori sunt
) evidente;
( ) ( )
0 1 0 1 0 1 0 1
X1 : 2 1 , X2 : 1 2 , X3 : 3 3 ⇒ X3 : 1 1 ;
3 3 3 3 6 6 2 2
M (X1 ) = 0 · 32 + 1 · 13 = 13 ;
M (X2 ) = 23 ; M (X3 ) = 12 ;
M (X12 ) = 02 · 32 + 12 · 13 = 13 ; D2 (X1 ) = M (X12 ) − (M (X1 ))2 = 13 − 19 = 92 ;
M (X22 ) = 23 , D2 (X2 ) = 23 − 49 = 29 ;
M (X32 ) = 12 , D2 (X3 ) = 12 − 14 = 14 ;
-v.a. care dă numărul de bile albe obţinute în cele trei extrageri este
X = X1 + X2 + X3 ;
-se ştie că media sumei este suma mediilor, deci
M (X) = M (X1 + X2 + X3 ) = M (X1 ) + M (X2 ) + M (X3 ) = 13 + 23 + 12 = 32 ;
-dispersia nu se comportă în general bine la sume, dar pentru că X1 , X2 , X3
sunt evident v.a. independente (faptul că dintr-o urnă extragi, sau nu bilă
albă, nu are nicio legătură cu ce extragi din celelalte urne) şi aici dispersia
sumei este suma dispersiilor:
D2 (X) = D2 (X1 + X2 + X3 ) = D2 (X1 ) + D2 (X2 ) + D2 (X3 ) =
= 92 + 29 + 14 = 36
25
.
⟨⟨ -Vom da fără demonstraţie următoarea teoremă. Autorul ei este considerat
unul dintre cei mai importanţi creatori ai teoriei probabilităţilor şi statisticii
matematice.⟨⟨
Teorema 1. (inegalitatea lui Cebîşev) Dacă v.a. X are media m şi dispersia
σ 2 , atunci
2
p(|X − m| ≥ a) ≤ σa2 , ∀a > 0.
2
Ţinând cont că p(|X − m| < a) = 1 − p(|X − m| ≥ a) ≥ 1 − σa2 , inegalitatea se
poate scrie şi sub forma
2
p(|X − m| < a) ≥ 1 − σa2 , ∀a > 0.
⟨⟨ -Vom
{ reaminti câteva proprietăţi ale modulului numerelor reale:⟨⟨
x, x ≥ 0
(1)|x| = =max{x, −x};
−x, x < 0

1
-este uşor de văzut că a doua egalitate are loc:
dacă x ≥ 0, atunci −x ≤ 0 şi max{x, −x} = x, cât este şi modulul;
dacă x < 0, atunci −x > 0 şi max{x, −x} = −x, cât este şi modulul;
(2)|x| < c ⇔ −c < x < c, ∀c > 0:
|x| = max{x, −x} < c;
⟨⟨ -dacă cel mai mare dintre două numere nu-l depăşeşte pe c, atunci niciunul
{ depăşeşte pe c⟨⟨ ⇒
nu-l
x<c
, deci −c < x < c.
−x < c/ · (−1) ⇒ x > −c
Exemplu 2. V.a. X are media m = 30 şi dispersia σ 2 = 16. Demonstraţi că
p(16 < X < 44) ≥ 45
49 .

Dem. Au loc 16 < X < 44/ − m = −30, −14 < X − m = X − 30 < 14 = a;

-observăm că ultima inegalitate se poate transforma în inegalitate de module,
|X − m| < a = 14;
-cu inegalitatea lui Cebîşev, teorema 1,
2
p(16 < X < 44) = p(|X − m| < 14) ≥ 1 − σa2 = 1 − 196
16
= 45
49 .

⟨⟨ -Urmează o serie de definiţii.⟨⟨

√
Definiţia 1. (1)D(X) = D2 (X) s.n. abaterea medie pătratică a v.a. X;
(2)Mp (X) = M (X p ) s.n. moment de ordin p al v.a. X;
p
(3)Mp (|X|) = M (|X| ) s.n. moment absolut de ordin p al v.a. X;
(4)µp = Mp (X − M (X)) = M ((X − M (X))p ) s.n. moment centrat de ordin p
al v.a. X;
p
(5)Mp (|X − M (X)|) = M (|X − M (X)| ) s.n. moment centrat absolut de
ordin p al v.a. X.
⟨⟨ -Funcţiile Gamma=Γ şi Beta=B de la integrale improprii sunt legate de
probabilităţi.
-Multe din situaţiile practice se înscriu în cadrul v.a. cu densităţile de proba-
bilitate aceste funcţii.
-Înainte de a da următoarele 2 exemple, vom reaminti definiţiile şi proprietăţile
lor. ⟨⟨
Observaţia 1. (funcţia Γ)
∫
∞
(1)Γ(p) = xp−1 e−x dx, ∀p > 0;
0
(2)Γ(p) = (p − 1)Γ(p − 1), ∀p > 1, ⟨⟨ formulă cu care scade puterea p în
integrală;⟨⟨
(3)Γ(n) = (n − 1)!, ∀n ≥ 1, n ∈ N , ⟨⟨ formula lui Γ pentru numere naturale;⟨⟨
(4)Γ(x)Γ(1 − x) = sinππx , ∀x ∈ (0, 1);
(funcţia Beta)
∫1
(1)B(p, q) = xp−1 (1 − x)q−1 dx, ∀p, q > 0;
0
(5)B(p, q) = B(q, p), ∀p, q > 0, beta este comutativă;
(6)B(p, q) = Γ(p)·Γ(q)
Γ(p+q) , ∀p, q > 0.

2
Exemplu 3. (v.a. cu repartiţie Γ) Determinaţi momentul de ordin n, n ∈ N , al
v.a. X cu densitatea
{ de −ax
probabilitate
ae ,x>0
f : R → R, f (x) = , a > 0 fixat.
0, x ≤ 0

∫
∞ ∫
∞
Dem. Mn (X) = M (X n ) = xn f (x) dx = axn e−ax dx;
−∞ 0
⟨⟨ -pentru a ne apropia de funcţia Γ trebuie înlocuit ax cu t, ceea ce generează
o schimbare de variabilă:⟨⟨
ax = t, x = at , x′ dx = ( at )′ dt, dx = a1 dt,
x = 0 ⇒ t = 0, x → ∞ ⇒ t → ∞;
∫
∞ n ∫
∞
Mn (X) = a · at n · e−t · a1 dt = a1n tn e−t dt;
0 0
cu formula lui Γ identificăm n = p − 1 ⇒ p = n + 1 şi
Mn (X) = Γ(n+1)
an = an!n .

Exemplu 4. (v.a. cu repartiţie Beta) Calculaţi momentul de ordin n, n ∈ N ,

media şi dispersia v.a.
{ X1 cu densitatea de probabilitate
· x p−1
(1 − x) q−1
, x ∈ (0, 1)
f : R → R, f (x) = B(p,q) , p, q > 0.
0, în rest

∫
∞ ∫1
Dem. Mn (X) = M (X n ) = xn f (x) dx = 1
B(p,q) xn+p−1 (1 − x)q−1 dx;
−∞ 0
⟨⟨ -în continuare vom identifica direct puterile de la funcţiile Gamma şi Beta şi
proprietăţile care se aplică, altfel explicaţiile se îngreunează:⟨⟨
Mn (X) = B(n+p,q)
B(p,q) ;
B(p+1,q) Γ(p+1)·Γ(q)=pΓ(p)·Γ(q) Γ(p+q)
B(p,q) = Γ(p+q+1)=(p+q)Γ(p+q) · Γ(p)·Γ(q) = p+q ;
p
M (X) =
M (X 2 ) = B(p+2,q) Γ(p+2)·Γ(q)=(p+1)Γ(p+1)·Γ(q)=(p+1)pΓ(p)Γ(q) Γ(p+q)
B(p,q) = Γ(p+q+2)=(p+q+1)Γ(p+q+1)=(p+q+1)(p+q)Γ(p+q) · Γ(p)·Γ(q) =
p(p+1)
= (p+q)(p+q+1) ;
p(p+1) p2
D (X) = M (X 2 ) − (M (X))2 = (p+q)(p+q+1)
2
− (p+q) 2 = p+q · ( p+q+1 − p+q ),
p p+1 p

2 pq
D (X) = (p+q)2 (p+q+1) .

⟨⟨ -Vom continua cu definiţia coeficientului de corelaţie şi un exemplu legat

de el.⟨⟨

Definiţia 2. (1)cov(X, Y ) = M (XY ) − M (X)M (Y ) s.n. covarianţa variabilelor

aleatoare X şi Y .
(2)Variabilele aleatoare X şi Y s.n. necorelate dacă cov(X, Y ) = 0.
-Un exemplu de variabile aleatoare necorelate sunt cele independente.
cov(X,Y )
(3)ρ(X, Y ) = D(X)D(Y ) s.n. coeficientul de corelaţie al v.a. X şi Y .
D(X) şi D(Y ) sunt abaterile medii pătratice ale lui X, respectiv Y .

Exemplu 5. Fie variabilele aleatoare X şi Y = aX + b, a ̸= 0, b ∈ R.

Determinaţi coeficientul de corelaţie ρ(X, Y ).

3
 ⟨⟨ -În demonstraţie se aplică proprietăţile mediei de a se comporta bine la
sume şi înmulţiri cu constante, faptul că media unei constante c este c, M (c) = c
şi formula dispersiei.⟨⟨

Dem. -Din definiţia lui Y şi formula dispersiei lui X,

cov(X, Y ) = M (XY ) − M (X)M (Y ) = M (X(aX + b)) − M (X)M (aX + b) =
M (aX 2 + bX) − M (X)(aM (X) + b) =
= aM (X 2 ) + bM (X) − a(M (X))2 − bM (X) = aD2 (X);
D2 (Y ) = M (Y 2 ) − (M (Y ))2 = M ((aX + b)2 ) − (M (aX + b))2 =
= M (a2 X 2 + 2abX + b2 ) − (aM (X) + b)2 =
= a2 M (X 2 ) + 2abM (X) + b2 − a2 (M (X))2 − 2abM (X) − b2 = a2 D2 (X).
-Despre a√se ştie numai√ că este nenul, deci
D(Y ) = D2 (Y ) = a2 D2 (X) = |a| D(X). {
cov(X,Y ) aD 2 (X) a 1, a > 0
ρ(X, Y ) = D(X)D(Y ) = |a|D2 (X) = |a| = .
−1, a < 0

Aici se încheie materia pentru parţial.

Aveţi timp săptămâna viitoare să vă puneţi la punct şi în săptămâna a 9-a
este lucrare la curs, la toate grupele.

2 Funcţia caracteristică
Definiţia 1. Dacă X este v.a. atunci funcţia caracteristică a lui X este
φ : R → C, φ(t) = M (eitX ), ∀t ∈ R.
( )
x1 x2 . . .
Observaţia 1. (1)În cazul discret, X : ,
p1 p2 . . .
∑
φ(t) = M (eitX ) = eitx1 p1 + eitx2 p2 + . . . = eitxk pk .
k
(2)În cazul continuu, dacă f este densitatea de probabilitate a v.a. X, atunci
∫ itx
∞
φ(t) = M (eitX ) = e f (x) dx.
−∞

⟨⟨ -Vom încheia cu două exemple de calcul.

-Prima variabilă aleatoare este cea de la schema lui Bernoulli, în care se
consideră un eveniment cu probabilitatea de realizare p, q = 1 − p, legat de o
experienţă care se repetă de n ori. Pe primul rând se trec numărul de realizări
ale evenimentului, care variază de la 0 la n, iar pe al doilea rând probabilităţile
care au fost calculate cu schema lui Bernoulli.⟨⟨

Exemplu 1. Calculaţi funcţia caracteristică a v.a. X care urmează legea de

repartiţie
( binomială, )
0 1 ... k ... n
X: , n ≥ 1, n ∈ N .
Cn0 p0 q n Cn1 p1 q n−1 . . . Cnk pk q n−k . . . Cnn pn q 0

Dem. -În sumă se va recunoaşte dezvoltarea de la binomul lui Newton care

apoi se restrânge

4
φ(t) = M (eitX ) = Cn0 p0 q n eit·0 + Cn1 p1 q n−1 eit + . . . + Cnk pk q n−k eitk + . . . +
+Cnn pn q 0 eitn = Cn0 (peit )0 q n + Cn1 (peit )1 q n−1 + . . . +
+Cnk (peit )k q n−k + . . . + Cnn (peit )n q 0 = (peit + q)n , deci φ(t) = (peit + q)n ,
∀t ∈ R.

Exemplu 2. Determinaţi funcţia caracteristică a v.a. X cu distribuţie Poisson

cu parametru
( λ > 0, )
0 1 ... n ...
X: 0
−λ 1
−λ n .
0! · e
λ
1! · e
λ
. . . λn! · e−λ . . .

Dem. -Reamintim formulele:

∑
∞ n
n! , ∀x ∈ C;
x
ex =
n=0
eit = cos t + i sin t, ∀t ∈ R.
0
λ1 λn
φ(t) = M (eitX ) = λ0! · e−λ eit·0 + 1! · e
−λ it·1
e + ... + n! · e−λ eit·n + . . . =
it 0 it 1 it n
= e−λ ( (λe0! ) + (λe )
1! + ... + (λe )
n! + . . .),
∑
∞
(λeit )n
deci φ(t) = e−λ = e−λ eλe −1)
it it

n! = eλ(e , ∀t ∈ R.
n=0