3

Vectori aleatori.
Repartiții probabilistice reale multidimensionale

3.1 Definiție. Exemple remarcabile

3.2 Funcția de repartiție. Repartiții probabilistice marginale
3.3 Transformarea domeniilor aleatoare
3.4 Aplicații numerice. Notă bibliografică

§ 3.1 DEFINIŢIA unui vector aleator real. EXEMPLE remarcabile

3.1.1 DEFINIŢIA unui vector aleator real (V.A.R.)

Amintim, că ℝ este mulțimea de numere reale, iar cu ℬℝ am notat familia
tuturor intervalelor de numere reale (mărginite sau nemărginite, închise sau
semiînchise sau deschise). De exemplu,

∅ , (𝑎, 𝑏) , (𝑎, 𝑏] , [𝑎, 𝑏) , [𝑎, 𝑏] , (−∞, 𝑎) , (−∞, 𝑎] , (𝑎, +∞) , [𝑎, +∞) , (−∞, +∞) = ℝ ,
(∀) 𝑎 < 𝑏
sunt elemente ale familiei ℬℝ .

Prin analogie perfectă, dacă ℝ𝑛 , ( 𝑛 ≥ 1 ) este spațiul vectorial real n-

dimensional, atunci vom nota cu ℬℝ𝑛 familia tuturor intervalelor reale n-
dimensionale (mărginite sau nemărginite, închise sau semiînchise sau deschise),
adică

𝐵 = ×𝑖=1 𝐵𝑖 ∈ ℬℝ𝑛 , (∀) 𝐵𝑖 ∈ ℬℝ , (𝑖 = ̅̅̅̅̅

𝑛
1, 𝑛) .
80 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

De exemplu,

𝐵 = (−∞, 𝑎) × (−∞, 𝑏) ∈ ℬℝ2 ; 𝐵 = (−∞, 𝑥) × [𝑎, 𝑏) × (𝑧, +∞) ∈ ℬℝ3 .

Observație : Se demonstrează imediat că ℬℝ𝑛 este σ-corp de mulțimi ale lui ℝ𝑛 ,

iar ( ℝ𝑛 , ℬℝ𝑛 ) este un spațiu măsurabil Borel (în raport cu măsura dată de
𝑛
lungimea/aria/volumul intervalelor 𝐵 =×𝑖=1 𝐵𝑖 ∈ ℬℝ𝑛 ).

Definiţia 3.1
Fie (𝛺, 𝒦) un σ-camp de evenimente aleatoare asociat unei experiențe cu
spațiul de bază Ω. Spunem că aplicația 𝑉 ∶ Ω → ℝ𝑛 se numește vector aleator real
(V.A.R.) dacă satisface proprietatea de măsurabilitate în sens Borel și anume:

𝑉 −1 (𝐵) ∈ 𝒦 , (∀) 𝐵 ∈ ℬℝ𝑛 (3.1.1)

unde,
𝑉 −1 (𝐵) = { 𝜔 ∈ Ω ∶ 𝑉(𝜔) ∈ 𝐵 } , (∀) 𝐵 ∈ ℬℝ𝑛 .

Exemple simple:

𝑉 −1 ((−∞, 𝑥) × (−∞, 𝑦)) = { 𝜔 ∈ Ω ∶ 𝑉(𝜔) ∈ (−∞, 𝑥) × (−∞, 𝑦) } ∈ 𝒦

𝑉 −1 ((−∞, 𝑥) × (−∞, 𝑦) × (−∞, 𝑧)) =

= { 𝜔 ∈ Ω ∶ 𝑉(𝜔) ∈ (−∞, 𝑥) × (−∞, 𝑦) × (−∞, 𝑧) } ∈ 𝒦 .

Interpretarea definiției 3.1 :

𝑉 ∶ Ω → ℝ𝑛 este V.A.R. dacă 𝑉 −1 ( ℬℝ𝑛 ) ⊆ 𝒦,

și spunem că 𝑉 întoarce orice interval real n-dimensional 𝐵 ∈ ℬℝ𝑛 în σ-corpul de
evenimente aleatoare 𝒦 . În particular,

𝑉 −1 (ℝ𝑛 ) = Ω ∈ 𝒦 ;
𝑉 −1 (∅ ∈ ℬℝ𝑛 ) = ∅ ∈ 𝒦 .

Observație : Familia de evenimente aleatoare,

𝑉 −1 ( ℬℝ𝑛 ) = ℬ𝑉 = { 𝑉 −1 (𝐵) ∶ (∀) 𝐵 ∈ ℬℝ𝑛 } ⊆ 𝒦 (3.1.2)

formează ca și 𝒦 , o structură algebrică de σ-corp, numit corpul borelian al
evenimentelor generate de vectorul aleator 𝑉 .
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 81

3.1.2 EXEMPLE REMARCABILE de vectori aleatori reali

Lema 3.2
Fie 𝑉 ∶ Ω → ℝ𝑛 un vector aleator oarecare iar 𝜑 ∶ ℝ𝑛 → ℝ𝑚 o funcție
vectorială m-dimensională oarecare, măsurabilă în sens Borel ( 𝜑 −1 (𝐶) = 𝐵 ∈ ℬℝ𝑛 ,
(∀) 𝐶 ∈ ℬℝ𝑚 ). Atunci 𝜑(𝑉) ∶ Ω → ℝ𝑚 este vector aleator m-dimensional.
Demonstrație:
Se aplică direct proprietatea de măsurabilitate Borel, atat pentru 𝑉 cat și
pentru 𝜑 și se obține proprietatea de măsurabilitate pentru funcția compusă 𝜑(𝑉) :

𝜑(𝑉)−1 (𝐶) = 𝑉 −1 (𝜑 −1 (𝐶)) = 𝑉 −1 (𝐵) ∈ 𝒦 , (∀) 𝐶 ∈ ℬℝ𝑚

ceea ce arată, potrivit definiției, că 𝜑(𝑉) ∶ Ω → ℝ𝑚 este V.A.R. m-dimensional.

Observație : Este evident că funcțiile vectoriale continue (chiar și cele a.p.t.

continue) pe orice interval n-dimensional sunt măsurabile în sens Borel pe acel
interval.

Consecinţa 3.3 – Dacă în particular 𝜑 ∶ ℝ𝑛 → ℝ este o funcție reală măsurabilă

Borel, atunci 𝜑(𝑉) ∶ Ω → ℝ este variabilă aleatoare reală.
După ce vom evidenția mai multe aspecte ale repartiției probabilistice a
unui vector aleator 𝑉 ∶ Ω → ℝ𝑛 vom putea considera exemple concrete de vectori
aleatori obținuți prin compunerea cu o transformare regulată 𝜏 ∶ ℝ𝑛 → ℝ𝑚 .

§ 3.2 FUNCȚIA DE REPARTIȚIE a unui vector aleator real

Definiţia 3.4
Fie (𝛺, 𝒦, 𝑃) un σ-camp de probabilitate asociat unei experiențe aleatoare
cu spațiul de bază Ω, iar 𝑉 ∶ Ω → ℝ𝑛 un vector aleator a.î. 𝑉 −1 : 𝒫(ℝ𝑛 ) → 𝒫(Ω).
Definim :
𝒦 (𝑉) = { 𝐵 ∈ 𝒫(ℝ𝑛 ) ∶ 𝑉 −1 (𝐵) ∈ 𝒦 } (3.2.1)

𝑃 (𝑉) ∶ 𝒦 (𝑉) → ℝ a. î. 𝑃(𝑉) (𝐵) = 𝑃[ 𝑉 −1 (𝐵) ] , (∀) 𝐵 ∈ 𝒦 (𝑉) . (3.2.2)

Teorema 3.5
În ipotezele definiției 3.4 rezultă că tripletul (𝛺, 𝒦 (𝑉) , 𝑃 (𝑉) ) este de asemenea
un σ-camp de probabilitate asociat experienței aleatoare cu spațiul de bază Ω.
Demonstrație
82 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Vom arăta că aplicația 𝑃 (𝑉) : 𝒦 (𝑉) → ℝ este probabilitate σ-aditivă pe σ-

campul de evenimente (𝛺, 𝒦 (𝑉) ), adică satisface axiomele:

(a) 𝑃 (𝑉) (ℝ𝑛 ) = 1 ;

(b) 𝑃 (𝑉) (𝐵) ≥ 0 , (∀) 𝐵 ∈ 𝒦 (𝑉) ;
(c) 𝑃 (𝑉) (⋃𝑛≥1 𝐵𝑛 ) = ∑∞
𝑛=1 𝑃
(𝑉) (𝐵 )
𝑛 , (∀) 𝐵𝑛 ∈ 𝒦
(𝑉)
a.î. 𝐵𝑖 ∩ 𝐵𝑗 = ∅ pentru 𝑖 ≠ 𝑗 .

Aplicăm definiția 3.3 și proprietățile probabilității σ-aditive 𝑃: 𝒦 → ℝ :

(a) 𝑃 (𝑉) (ℝ𝑛 ) = 𝑃[ 𝑉 −1 (ℝ𝑛 ) ] = 𝑃(Ω) = 1 ;

(b) 𝑃 (𝑉) (𝐵) = 𝑃[ 𝑉 −1 (𝐵) ] ≥ 0 , (∀) 𝐵 ∈ 𝒦 (𝑉) ;
(c) 𝑃 (𝑉) (⋃𝑛≥1 𝐵𝑛 ) = 𝑃[ 𝑉 −1 (⋃𝑛≥1 𝐵𝑛 ) ] = 𝑃(⋃𝑛≥1 𝑉 −1 (𝐵𝑛 )) =
= ∑∞ −1 ∞
𝑛=1 𝑃[𝑉 (𝐵𝑛 )] = ∑𝑛=1 𝑃
(𝑉)
(𝐵𝑛 ) , (∀) 𝐵𝑛 ∈ 𝒦 (𝑉) a.î. 𝐵𝑖 ∩ 𝐵𝑗 = ∅ pt. 𝑖 ≠ 𝑗.
∎
(𝑉) 𝑛
Observație : Deoarece ℬℝ𝑛 ⊂ 𝒦 ⊂ 𝒫(ℝ ) atunci restricția 𝑃 (𝑉)
∶ ℬℝ𝑛 → ℝ se
va numi repartiția probabilistică a vectorului aleator 𝑉 ∶ Ω → ℝ𝑛 .
Definiţia 3.6
Fie 𝑉 ∶ Ω → ℝ𝑛 un vector aleator iar 𝑃(𝑉) ∶ ℬℝ𝑛 → ℝ repartiția sa
probabilistică. Aplicația 𝐹 ∶ ℝ𝑛 → ℝ definită prin,

𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃 (𝑉) (×𝑖=1 (−∞, 𝑥𝑖 )) = 𝑃 [ 𝑉 −1 (×𝑖=1 (−∞, 𝑥𝑖 )) ] =

𝑛 𝑛

= 𝑃[{ 𝜔 ∈ Ω ∶ 𝑉(𝜔) ∈×𝑖=1 (−∞, 𝑥𝑖 ) } ] , (∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛

𝑛
(2.2.3)

se numește funcția de repartiție probabilistică (pe scurt, funcția de repartiție) a

vectorului aleator 𝑉.
Observație importantă : În Consecința 3.3 considerăm axa reală (𝑂𝑥𝑖 ) ≡ ℝ𝑖 ≡ ℝ ,
(𝑖 = ̅̅̅̅̅
1, 𝑛) astfel că (𝑂 ; 𝑥1 , 𝑥2 , … , 𝑥𝑛 ) reprezintă reperul cartezian real n-dimensional
și în acest fel luăm aplicațiile continue (implicit măsurabile Borel)
𝜑 = 𝜌𝑖 ∶ ℝ𝑛 → ℝ𝑖 ≡ ℝ , 𝜌𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑥𝑖 , (𝑖 = ̅̅̅̅̅
1, 𝑛)

fiind operatorii de proiecție ai spațiului ℝ𝑛 pe axele (𝑂𝑥𝑖 ) ≡ ℝ𝑖 ≡ ℝ și obținem că,

𝜑(𝑉) = 𝜌𝑖 (𝑉) = 𝑋𝑖 ∶ Ω → ℝ , (𝑖 = ̅̅̅̅̅

1, 𝑛)
sunt variabile aleatoare reale numite componentele vectorului aleator 𝑉.
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 83

Astfel, putem scrie 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 , iar funcția de

repartiție admite descrierea echivalentă mai precisă,

𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃 [ 𝑉 −1 (×𝑖=1 (−∞, 𝑥𝑖 )) ] = 𝑃[{ 𝜔 ∈ Ω ∶ 𝑉(𝜔) ∈×𝑖=1 (−∞, 𝑥𝑖 ) } ] =

𝑛 𝑛

= 𝑃[{ 𝜔 ∈ Ω ∶ 𝑉(𝜔) = 𝑉( 𝑋1 (𝜔) , 𝑋2 (𝜔), … , 𝑋𝑛 (𝜔)) ∈×𝑖=1 (−∞, 𝑥𝑖 ) } ] =

𝑛

= 𝑃[{ 𝜔 ∈ Ω ∶ 𝑋1 (𝜔) ∈ (−∞, 𝑥1 ) , 𝑋2 (𝜔) ∈ (−∞, 𝑥2 ) , … , 𝑋𝑛 (𝜔) ∈ (−∞, 𝑥𝑛 ) } ] =

𝑛
= 𝑃[ (𝑋1 < 𝑥1 ) ∩ (𝑋2 < 𝑥2 ) ∩ … ∩ (𝑋𝑛 < 𝑥𝑛 ) ] = 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ] ,

(∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 (3.2.3)

Teorema 3.7 (proprietățile generale ale funcției de repartiție)

Fie 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 un vector aleator iar 𝐹 ∶ ℝ𝑛 → ℝ
funcția sa de repartiție. Au loc următoarele proprietăți generale:

(a) 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ [0 ,1] , (∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 ;

(b) lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0 ; lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 1 ;
̅̅̅̅̅ ∶ 𝑥𝑖 → −∞
(∃) 𝑖=1,𝑛 ̅̅̅̅̅ ∶ 𝑥𝑖 → +∞
(∀) 𝑖=1,𝑛

(c) 𝐹 este nedescrescătoare pe ℝ𝑛 ;

(d) 𝐹 este continuă la stanga pe ℝ𝑛 , în raport cu toate componentele 𝑥𝑖 .

Demonstrație

(a) 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃 [ 𝑉 −1 (×𝑖=1 (−∞ , 𝑥𝑖 )) ] ∈ [0 , 1] , (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 ;

𝑛

𝑛
(b) lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = lim 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ] =
̅̅̅̅̅ ∶ 𝑥𝑖 → −∞
(∃) 𝑖=1,𝑛 ̅̅̅̅̅ ∶ 𝑥𝑖 → −∞
(∃) 𝑖=1,𝑛

= 𝑃[ (𝑋1 < 𝑥1 ) ∩ (𝑋2 < 𝑥2 ) ∩ … ∩ (𝑋𝑖 < − ∞) … ∩ (𝑋𝑛 < 𝑥𝑛 ) ]=

= 𝑃[ (𝑋1 < 𝑥1 ) ∩ (𝑋2 < 𝑥2 ) ∩ … ∩ ∅ ∩ … ∩ (𝑋𝑛 < 𝑥𝑛 ) ] = 𝑃(∅) = 0 ;

𝑛
lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = lim 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ] =
̅̅̅̅̅ ∶ 𝑥𝑖 →+∞
(∀) 𝑖=1,𝑛 ̅̅̅̅̅ ∶ 𝑥𝑖 →+∞
(∀) 𝑖=1,𝑛

= 𝑃[ (𝑋1 < +∞) ∩ (𝑋2 < +∞) ∩ … ∩ (𝑋𝑖 < + ∞) … ∩ (𝑋𝑛 < +∞) ] =

= 𝑃[ Ω ∩ Ω ∩ … ∩ Ω … ∩ Ω ] = 𝑃(Ω) = 1 ;

(c) Vom arăta că (∀) 𝑥, 𝑦 ∈ ℝ𝑛 a.î. " 𝑥 < 𝑦 " implică 𝐹(𝑥) ≤ 𝐹(𝑦) :
84 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

(∃) 𝑖 = ̅̅̅̅̅
1, 𝑛 ∶ 𝑥𝑖 < 𝑦𝑖
𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) < 𝑦 = (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) ⟺ {
𝑥𝑗 ≤ 𝑦𝑗 , (∀) 𝑗 = ̅̅̅̅̅
1, 𝑛 , 𝑗 ≠ 𝑖

(−∞ , 𝑥𝑖 ) ⊂ (−∞ , 𝑦𝑖 ) ⟹ ×𝑛𝑖=1 (−∞ , 𝑥𝑖 ) ⊂ ×𝑛𝑖=1 (−∞ , 𝑦𝑖 )

𝑛 𝑛
⟺ 𝑉 −1 (×𝑖=1 (−∞ , 𝑥𝑖 )) ⊂ 𝑉 −1 (×𝑖=1 (−∞ , 𝑦𝑖 )) ⟹

𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃 [ 𝑉 −1 (×𝑖=1 (−∞ , 𝑥𝑖 )) ] ≤

𝑛

≤ 𝑃 [ 𝑉 −1 (×𝑖=1 (−∞ , 𝑦𝑖 )) ] = 𝐹(𝑦1 , 𝑦2 , … , 𝑦𝑛 )

𝑛

ceea ce arată că 𝐹 este nedescrescătoare pe ℝ𝑛 ;

(d) 𝐹 este continuă la stanga pe ℝ𝑛 în raport cu fiecare dintre componentele

𝑥𝑖 , 𝑖 = ̅̅̅̅̅
1, 𝑛 deoarece,
𝑛
lim 𝐹(𝑥1 , 𝑥2 , … , 𝑦𝑖 , … , 𝑥𝑛 ) = lim 𝑃 [ ∩𝑗=1 (𝑋𝑗 < 𝑥𝑗 ) ⋂ (𝑋𝑖 < 𝑦𝑖 )] =
𝑦𝑖 → 𝑥𝑖 𝑦𝑖 → 𝑥𝑖 𝑗≠𝑖
𝑦𝑖 < 𝑥𝑖 𝑦𝑖 < 𝑥𝑖
𝑛
= 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ] = 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) , (∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 , (∀) 𝑖 = ̅̅̅̅̅
1, 𝑛 .
∎
Observații importante
1°. Orice vector aleator real 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 își determină în
𝑛
mod unic funcția de repartiție 𝐹 ∶ ℝ𝑛 → ℝ , 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ].
Reciproca acestei afirmații nu este în general adevărată, adică: pot exista doi
(sau mai mulți) vectori aleatori diferiți cu aceeași funcție de repartiție. Aceștia se
numesc vectori identic repartizați.
2°. Un vector aleator real 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 se va numi discret,
dacă are (cel puțin) o componentă 𝜌𝑖 (𝑉) = 𝑋𝑖 ∶ Ω → ℝ , (𝑖 = ̅̅̅̅̅
1, 𝑛) variabilă aleatoare
discretă. Repartițiile acestor vectori aleatori discreți sunt date de tablouri n-
dimensionale (matrice în cazul 𝑛 = 2).
3°. Un vector aleator 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 se va numi continuu, dacă
are toate componentele variabile aleatoare continue. Un astefl de vector aleator va
putea fi definit prin funcția sa de densitate 𝑓 ∶ ℝ𝑛 → ℝ , care satisface axiomele:

(a) 𝑓 este unică pe ℝ𝑛 ;

 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 85

(b) 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ≥ 0 , (∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 ;

(c) 𝑓 este măsurabilă Borel pe ℝ𝑛 ( în part. 𝑓 este a.p.t. continuă pe ℝ𝑛 ) ;

𝑥 𝑥 𝑥
(d) 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫− 1∞ ∫− 2∞ … ∫− 𝑛∞ 𝑓(𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 … 𝑑𝑡𝑛 , sau

𝜕𝑛
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) , (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 (3.2.4)
𝜕𝑥1 𝜕𝑥2 … 𝜕𝑥𝑛

ceea ce arată că funcția de repartiție 𝐹 este o primitivă pe ℝ𝑛 pentru funcția de

densitate 𝑓.

Teorema 3.8
Considerăm vectorul aleator 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 astfel încat
componentele sale 𝜌𝑖 (𝑉) = 𝑋𝑖 ∶ Ω → ℝ , (𝑖 = ̅̅̅̅̅
1, 𝑛) sunt variabile aleatoare i.s.a. .
𝑛
Atunci, funcția de repartiție 𝐹 ∶ ℝ → ℝ , 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ]
𝑛

a vectorului 𝑉 are reprezentarea:

𝑛
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ] = ∏𝑛𝑖=1 𝑃(𝑋𝑖 < 𝑥𝑖 ) = ∏𝑛𝑖=1 𝐹𝑖 (𝑥𝑖 ) , (3.2.5)

(∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛

pentru care 𝐹𝑖 ∶ ℝ → ℝ , 𝐹𝑖 (𝑥𝑖 ) = 𝑃(𝑋𝑖 < 𝑥𝑖 ) sunt funcțiile de repartiție ale

componentelor.
∎
Consecința 3.9
Considerăm vectorul aleator continuu 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 astfel
încat componentele sale 𝜌𝑖 (𝑉) = 𝑋𝑖 ∶ Ω → ℝ , (𝑖 = ̅̅̅̅̅
1, 𝑛 ) să reprezinte variabile
aleatoare i.s.a. . Atunci, funcția de densitate 𝑓 ∶ ℝ𝑛 → ℝ a vectorului 𝑉 are
reprezentarea:
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏𝑛𝑖=1 𝑓𝑖 (𝑥𝑖 ) , (∀) 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 (3.2.6)

pentru care 𝑓𝑖 ∶ ℝ → ℝ a.î. 𝑓𝑖 (𝑥𝑖 ) = 𝐹𝑖′ (𝑥𝑖 ) , (∀) 𝑥𝑖 ∈ ℝ sunt funcțiile de densitate ale
componentelor.
∎
Interpretarea teoremei 3.8/3.9
Pentru orice vector aleator cu componentele i.s.a. funcția de repartiție
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏𝑛𝑖=1 𝐹𝑖 (𝑥𝑖 ) este produsul funcțiilor de repartiție ale
componentelor. Dacă în plus 𝑉 este continuu atunci funcția de densitate
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∏𝑛𝑖=1 𝑓𝑖 (𝑥𝑖 ) are aceeași proprietate.
86 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Observații :
1°. Dacă vectorul aleator 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 este continuu atunci
funcția sa de repartiție 𝐹 ∶ ℝ𝑛 → ℝ , 𝐹(𝑥) = 𝑃(𝑉 < 𝑥) este o primitivă pe ℝ𝑛 a
funcției de densitate 𝑓 ∶ ℝ𝑛 → ℝ . Prin urmare, 𝐹 este implicit continuă pe ℝ𝑛 și
obținem,
𝐹(𝑥 − 0) = 𝐹(𝑥) = 𝐹(𝑥 + 0) , (∀) 𝑥 ∈ ℝ𝑛 ⟺

𝑥
⟺ 𝐹(𝑥) = 𝑃(𝑉 < 𝑥) = 𝑃(𝑉 ≤ 𝑥) = ∫− ∞ 𝑓(𝑡)𝑑𝑡 , (∀) 𝑥 ∈ ℝ𝑛 (3.2.7)

unde 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ ℝ𝑛 , 𝑡 = (𝑡1 , 𝑡2 , … , 𝑡𝑛 ) ∈ ℝ𝑛 , 𝑑𝑡 = 𝑑𝑡1 𝑑𝑡2 … 𝑑𝑡𝑛 .

2°. Din proprietatea generală lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 1 și axioma

̅̅̅̅̅ ∶ 𝑥𝑖 →+∞
(∀) 𝑖=1,𝑛
(d) a definiției funcției de densitate obținem identitatea (3.2.8):

+∞ +∞ +∞
1 = lim 𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = ∫− ∞ ∫− ∞ … ∫− ∞ 𝑓(𝑡1 , 𝑡2 , … , 𝑡𝑛 )𝑑𝑡1 𝑑𝑡2 … 𝑑𝑡𝑛
̅̅̅̅̅ ∶ 𝑥𝑖 →+∞
(∀) 𝑖=1,𝑛

ceea ce arată că “volumul” subgraficului funcției de densitate 𝑓 este unitatea.

Definiția 3.10
Considerăm vectorul aleator 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → ℝ𝑛 avand
componentele 𝜌𝑖 (𝑉) = 𝑋𝑖 ∶ Ω → ℝ , (𝑖 = ̅̅̅̅̅1, 𝑛 ) și funcția de repartiție 𝐹 ∶ ℝ𝑛 → ℝ ,
𝑛
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝑃[ ∩𝑖=1 (𝑋𝑖 < 𝑥𝑖 ) ].
Funcțiile de repartiție ale componentelor 𝐹𝑖 ∶ ℝ → ℝ , (𝑖 = 1, ̅̅̅̅̅
𝑛) se numesc
repartițiile marginale ale vectorului 𝑉 și sunt definite astfel:

𝐹𝑖 (𝑥𝑖 ) = 𝑃(𝑋𝑖 < 𝑥𝑖 ) = lim

𝑥𝑗 →+∞
𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑗 , … , 𝑥𝑛 ) . (3.2.9)
̅̅̅̅̅ , 𝑗≠𝑖
𝑗 =1,𝑛
Interpretarea definiției 3.10
Repartițiile marginale ale unui vector aleator continuu sunt reprezentate de
funcțiile de repartiție ale componentelor (3.2.10):

+∞ +∞ 𝑥 +∞
𝐹𝑖 (𝑥𝑖 ) = ∫− ∞ ∫− ∞ … ∫− 𝑖∞ … ∫− ∞ 𝑓(𝑥1 , 𝑥2 , … , 𝑡𝑖 , … , 𝑥𝑛 )𝑑𝑥1 𝑑𝑥2 … 𝑑𝑡𝑖 … 𝑑𝑥𝑛 , 𝑖 = ̅̅̅̅̅
1, 𝑛

sau prin funcțiile de densitate marginale (3.2.11):

+∞ +∞ +∞
𝑓𝑖 (𝑥𝑖 ) = 𝐹𝑖′ (𝑥𝑖 ) = ∫− ∞ ∫− ∞ … ∫− ∞ 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑖 , … , 𝑥𝑛 )𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑖−1 𝑑𝑥𝑖+1 … 𝑑𝑥𝑛
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 87

Cazul particular : 𝒏 = 𝟐
Considerăm vectorul aleator 𝑉 = 𝑉( 𝑋 , 𝑌 ) ∶ Ω → ℝ2 avand funcția de
repartiție 𝐹 ∶ ℝ2 → ℝ , 𝐹(𝑥 , 𝑦) = 𝑃[ (𝑋 < 𝑥) ∩ (𝑌 < 𝑦) ].
̅̅̅̅) ale componentelor 𝑋, 𝑌 ∶ Ω → ℝ
Funcțiile de repartiție 𝐹𝑖 ∶ ℝ → ℝ , (𝑖 = 1,2
se numesc repartițiile marginale ale vectorului 𝑉 și sunt definite astfel:

𝐹1 (𝑥) = 𝑃(𝑋 < 𝑥) = lim 𝐹(𝑥 , 𝑦) ; (3.2.11)

𝑦 → +∞

𝐹2 (𝑦) = 𝑃(𝑌 < 𝑦) = lim 𝐹(𝑥 , 𝑦) .

𝑥 → +∞

Dacă vectorul 𝑉 = 𝑉( 𝑋 , 𝑌 ) este continuu atunci, repartițiile marginale pot fi date

prin funcțiile de repartiție ale componentelor,

𝑥 +∞
𝐹1 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = lim 𝐹(𝑥 , 𝑦) = ∫− ∞ ∫− ∞ 𝑓(𝑠, 𝑦)𝑑𝑠𝑑𝑦 , 𝑥 ∈ ℝ ; (3.2.12)
𝑦 → +∞

+∞ 𝑦
𝐹2 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = lim 𝐹(𝑥 , 𝑦) = ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑡)𝑑𝑥𝑑𝑡 , 𝑦 ∈ ℝ
𝑥 → +∞

sau prin densitățile marginale 𝑓𝑖 ∶ ℝ → ℝ , 𝑖 = 1,2 ale componentelor 𝑋, 𝑌 ∶ Ω → ℝ ,

𝑑 𝑥 +∞ +∞
𝑓1 (𝑥) = 𝐹1′ (𝑥) = ∫ ∫ 𝑓(𝑠, 𝑦)𝑑𝑠𝑑𝑦 = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 , 𝑥 ∈ ℝ ; (3.2.13)
𝑑𝑥 − ∞ − ∞

𝑑 +∞ 𝑦 +∞
𝑓2 (𝑦) = 𝐹2′ (𝑦) = ∫ ∫ 𝑓(𝑥, 𝑡)𝑑𝑥𝑑𝑡 = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 , 𝑦 ∈ ℝ .
𝑑𝑦 − ∞ − ∞

Cazul particular : 𝒏 = 𝟑
Considerăm vectorul aleator 𝑉 = 𝑉( 𝑋 , 𝑌, 𝑍 ) ∶ Ω → ℝ3 avand funcția de
repartiție 𝐹 ∶ ℝ3 → ℝ , 𝐹(𝑥 , 𝑦, 𝑧) = 𝑃[ (𝑋 < 𝑥) ∩ (𝑌 < 𝑦) ∩ (𝑍 < 𝑧) ].
̅̅̅̅) ale componentelor 𝑋, 𝑌, 𝑍 ∶ Ω → ℝ
Funcțiile de repartiție 𝐹𝑖 ∶ ℝ → ℝ , (𝑖 = 1,3
se numesc repartițiile marginale ale vectorului 𝑉 și sunt definite astfel:

𝐹1 (𝑥) = 𝑃(𝑋 < 𝑥) = 𝑦 lim

→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) ; (3.2.14)
𝑧 → +∞

𝐹2 (𝑦) = 𝑃(𝑌 < 𝑦) = 𝑥 lim

→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) ;
𝑧 → +∞

𝐹3 (𝑧) = 𝑃(𝑍 < 𝑧) = 𝑥 lim

→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) .
𝑦 → +∞
88 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Dacă vectorul 𝑉 = 𝑉( 𝑋 , 𝑌, 𝑍 ) este continuu atunci, repartițiile marginale

pot fi date prin funcțiile de repartiție ale componentelor, date mai jos: (3.2.15)

𝑥 +∞ +∞
𝐹1 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = 𝑦 lim
→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) = ∫− ∞ ∫− ∞ ∫− ∞ 𝑓(𝑠, 𝑦, 𝑧) 𝑑𝑠𝑑𝑦𝑑𝑧 , 𝑥 ∈ ℝ ;
𝑧 → +∞
+∞ 𝑦 +∞
𝐹2 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = 𝑥 lim
→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) = ∫− ∞ ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑡, 𝑧) 𝑑𝑥𝑑𝑡𝑑𝑧 , 𝑦 ∈ ℝ ;
𝑧 → +∞

+∞ +∞ 𝑧
𝐹3 (𝑧) = 𝑃(𝑍 ≤ 𝑧) = 𝑥 lim
→ +∞
𝐹(𝑥 , 𝑦 , 𝑧) = ∫− ∞ ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑦, 𝑢) 𝑑𝑥𝑑𝑦𝑑𝑢 , 𝑧 ∈ ℝ
𝑦 → +∞

̅̅̅̅ ale componentelor

sau prin densitățile de repartiție marginale 𝑓𝑖 ∶ ℝ → ℝ , 𝑖 = 1,3
𝑋, 𝑌, 𝑍 ∶ Ω → ℝ , date mai jos: (3.2.16)

𝑑 𝑥 +∞ +∞ +∞ +∞
𝑓1 (𝑥) = 𝐹1′ (𝑥) = ∫ ∫ ∫ 𝑓(𝑠, 𝑦, 𝑧) 𝑑𝑠𝑑𝑦𝑑𝑧 = ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑦𝑑𝑧 ;
𝑑𝑥 − ∞ − ∞ − ∞

𝑑 +∞ 𝑦 +∞ +∞ +∞
𝑓2 (𝑦) = 𝐹2′ (𝑦) = ∫ ∫ ∫ 𝑓(𝑥, 𝑡, 𝑧) 𝑑𝑥𝑑𝑡𝑑𝑧 = ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑥𝑑𝑧 ;
𝑑𝑦 − ∞ − ∞ − ∞
𝑑 +∞ +∞ 𝑧 +∞ +∞
𝑓3 (𝑧) = 𝐹3′ (𝑧) = ∫ ∫ ∫ 𝑓(𝑥, 𝑡, 𝑧) 𝑑𝑥𝑑𝑦𝑑𝑢 = ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑦, 𝑧)𝑑𝑥𝑑𝑦 .
𝑑𝑧 − ∞ − ∞ − ∞

Exemplul 3.11
Se consideră vectorul aleator continuu 𝑉 = 𝑉( 𝑋 , 𝑌 ) dat prin densitatea de
repartiție,
𝑎(𝑥 + 𝑦) , 𝑑𝑎𝑐ă 𝑥 ∈ [0 , 1] , 𝑦 ∈ [0 , 2]
𝑓(𝑥, 𝑦) = { . Se cere:
0 , 𝑟𝑒𝑠𝑡

(a) Să se determine constanta 𝑎 ∈ ℝ pentru care funcția dată satisface toate

axiomele densității de repartiție.
(b) Să se afle funcția de repartiție 𝐹 ∶ ℝ2 → ℝ , 𝐹(𝑥 , 𝑦) ;
(c) Să se determine repartițiile marginale ;
(d) Să se determine mediile și dispersiile variabilelor 𝑋, 𝑌 ;
1
(e) Să se calculeze probabilitatea 𝑃 [ (𝑋 ≤ ) ∩ (𝑌 ≤ 1) ] .
2

Rezolvare :
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 89

+∞ +∞
(a) Impunem condiția necesară 1 = 𝑥 lim
→ +∞
𝐹(𝑥 , 𝑦 ) = ∫− ∞ ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 și
𝑦 → +∞
obținem:
𝑦=2
1 2 1 𝑦2 1
1 = ∫0 ∫0 [ 𝑎(𝑥 + 𝑦) ] 𝑑𝑥𝑑𝑦 = ∫0 𝑎 (𝑥𝑦 + )| 𝑑𝑥 = 𝑎 ∫0 (2𝑥 + 2)𝑑𝑥 = 3𝑎 ; 𝑎 = 1/3.
2 𝑦=0

Prin urmare, funcția de densitate are forma:

1
(𝑥 + 𝑦) , 𝑑𝑎𝑐ă (𝑥, 𝑦) ∈ [0 , 1] × [0 , 2]
3
𝑓(𝑥, 𝑦) = { .
0 , 𝑟𝑒𝑠𝑡

(b) Funcția de repartiție 𝐹 ∶ ℝ2 → ℝ are reprezentarea,

𝑥 𝑦
𝐹(𝑥 , 𝑦) = 𝑃[ (𝑋 < 𝑥) ∩ (𝑌 < 𝑦) ] = ∫−∞ ∫−∞ 𝑓(𝑠, 𝑡)𝑑𝑠𝑑𝑡 =

0 , 𝑟𝑒𝑠𝑡
𝑡=𝑦
𝑥 𝑦 1 𝑥1 𝑡2 𝑥𝑦
∫0 ∫0 [ 3 (𝑠 + 𝑡) ] 𝑑𝑠𝑑𝑡 = ∫0 3 (𝑠𝑡 + 2 )| 𝑑𝑠 =
6
(𝑥 + 𝑦) , (𝑥, 𝑦) ∈ [0 , 1] × [0 , 2]
𝑡=0
{ 1 , 𝑑𝑎𝑐ă 𝑥 > 1 ș𝑖 𝑦 > 2

(c) Repartițiile marginale pot fi densitățile variabilelor 𝑋, 𝑌 date de (3.2.13),

𝑦=2
+∞ 1 2 1 𝑦2 2
𝑓1 (𝑥) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫0 (𝑥 + 𝑦)𝑑𝑦 = (𝑥𝑦 + )| = (𝑥 + 1) ,
3 3 2 𝑦=0 3
𝑥 ∈ [0 , 1].
2 𝑥=1
+∞ 1 1 1 𝑥 1 1
𝑓2 (𝑦) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫0 (𝑥 + 𝑦)𝑑𝑥 = (𝑥𝑦 + )| 𝑑𝑥 = (𝑦 + ) ,
3 3 2 𝑥=0 3 2
𝑦 ∈ [0 , 2].
Observație: Deoarece,

2 1
(𝑥 + 1)(𝑦 + ) , 𝑑𝑎𝑐ă (𝑥, 𝑦) ∈ [0 , 1] × [0 , 2]
9 2
𝑓1 (𝑥) ∙ 𝑓2 (𝑦) = { ≠ 𝑓(𝑥, 𝑦)
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑋 și 𝑌 sunt dependente stochastic.

(d) Mediile și dispersiile componentelor 𝑋, 𝑌 sunt date de:

90 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

2 1 25 5
𝑀(𝑋) = ∫ℝ 𝑥𝑓1 (𝑥)𝑑𝑥 = ∫ 𝑥(𝑥 + 1)𝑑𝑥 = = ;
3 0 36 9
1 2 1 1 11 11
𝑀(𝑌) = ∫ℝ 𝑦𝑓2 (𝑦)𝑑𝑦 = ∫ 𝑦(𝑦 + 2)𝑑𝑥 = = ;
3 0 3 3 9

5 2 1 5 7 25 13
𝐷2 (𝑋) = ∫ℝ 𝑥 2 𝑓1 (𝑥)𝑑𝑥 − ( )2 = ∫0 𝑥 2 (𝑥 + 1)𝑑𝑥 − ( )2 = − = ;
9 3 9 18 81 162
11 1 2 1 11 16 121 23
𝐷2 (𝑌) = ∫ℝ 𝑦 2 𝑓2 (𝑦)𝑑𝑦 − ( )2 = ∫0 𝑦(𝑦 + )𝑑𝑥 − ( )2 =
9 3 2 9 9
− = .
81 81

1 1 1
(e) 𝑃 [ (𝑋 ≤ ) ∩ (𝑌 ≤ 1) ] = 𝐹 (
2 2
, 1) =
8
.

§ 3.3 TRANSFORMAREA DOMENIILOR ALEATOARE

Pentru început să reamintim schimbarea de variabile de la integrala

multiplă. Notăm cu (3.3.1),

𝜏 ∶ 𝐷1 ⊆ ℝ𝑛 → 𝐷2 ⊆ ℝ𝑛 , 𝑦 = 𝜏(𝑥) adică (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = 𝜏(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

o transformare regulată de domenii din ℝ𝑛 (în particular, difeomorfism) avand

jacobianul, (3.3.2):

𝐷(𝑦1 ,𝑦2 ,… , 𝑦𝑛 ) 𝜕𝑦𝑖

𝐽𝜏 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = | (𝑥 , 𝑥2 , … , 𝑥𝑛 ) | ≠ 0,
𝐷(𝑥1 ,𝑥2 ,… ,𝑥𝑛 ) 𝜕𝑥𝑗 1 ̅̅̅̅
𝑖,𝑗=1,𝑛

(∀) (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ 𝐷1 ⊆ ℝ𝑛 .
Evident, există transformarea inversă (3.3.3):

𝜏 − 1 ∶ 𝐷2 ⊆ ℝ𝑛 → 𝐷1 ⊆ ℝ𝑛 , 𝑥 = 𝜏 − 1 (𝑦) adică (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝜏 − 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) ,

avand jacobianul (3.3.4) de asemenea nenul,

𝐷 (𝑥1 ,𝑥2 ,…,𝑥𝑛 )

𝐽𝜏− 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = = 𝐽−1
𝜏
(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) .
𝐷(𝑦1 ,𝑦2 ,…,𝑦𝑛 )
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 91

Teorema 3.12 (schimbarea de variabile la integrala Darboux-Riemann)

Dacă 𝑓 ∶ 𝐷1 ⊆ ℝ𝑛 → ℝ , 𝑧 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) este o funcție integrabilă
Darboux-Riemann (în particular, continuă) pe domeniul 𝐷1 ⊆ ℝ𝑛 , iar
𝜏 ∶ 𝐷1 ⊆ ℝ𝑛 → 𝐷2 ⊆ ℝ𝑛 , (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = 𝜏(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) este o transformare
regulată a domeniului 𝐷1 ⊆ ℝ𝑛 atunci 𝑓 ◦ 𝜏 − 1 : 𝐷2 ⊆ ℝ𝑛 → ℝ este integrabilă
Darboux-Riemann (în particular, continuă) pe 𝐷2 ⊆ ℝ𝑛 și are loc egalitatea (3.3.5):

∫𝐷 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛 =

1

= ∫𝐷 (𝑓 ◦ 𝜏 − 1 )(𝑦1 , 𝑦2 , … , 𝑦𝑛 ) | 𝐽𝜏− 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) | 𝑑𝑦1 𝑑𝑦2 … 𝑑𝑦𝑛 .

2 = 𝜏(𝐷1 )

Sau, în mod echivalent, dacă 𝑔 ∶ 𝐷2 ⊆ ℝ𝑛 → ℝ , 𝑢 = 𝑔(𝑦1 , 𝑦2 , … , 𝑦𝑛 ) este o funcție

integrabilă Darboux-Riemann (în particular, continuă) pe domeniul 𝐷2 ⊆ ℝ𝑛
atunci are loc egalitatea,

∫𝐷 𝑔(𝑦1 , 𝑦2 , … , 𝑦𝑛 ) 𝑑𝑦1 𝑑𝑦2 … 𝑑𝑦𝑛 =

2

= ∫𝐷 − 1 (𝐷 ) (𝑔 ◦ 𝜏)(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) | 𝐽𝜏 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) | 𝑑𝑥1 𝑑𝑥2 … 𝑑𝑥𝑛 .

1= 𝜏 2
∎
Teorema 3.13 (transformarea domeniilor aleatoare)
Fie 𝑉 = 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) ∶ Ω → 𝐷1 = 𝑉(Ω) ⊆ ℝ𝑛 , iar
𝑊 = 𝑊( 𝑌1 , 𝑌2 , … , 𝑌𝑛 ) ∶ Ω → 𝐷2 = 𝑊(Ω) ⊆ ℝ𝑛 vectori aleatori continui.
Fie,
𝜏 ∶ 𝐷1 ⊆ ℝ𝑛 → 𝐷2 ⊆ ℝ𝑛 , 𝑦 = 𝜏(𝑥) adică (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = 𝜏(𝑥1 , 𝑥2 , … , 𝑥𝑛 )

este o transformare regulată de domenii (aleatoare) din ℝ𝑛 (în particular,

difeomorfism) avand jacobianul (3.3.2) nenul,

𝐷(𝑦1 ,𝑦2 ,… , 𝑦𝑛 ) 𝜕𝑦𝑖

𝐽𝜏 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = | (𝑥 , 𝑥2 , … , 𝑥𝑛 ) | ≠ 0,
𝐷(𝑥1 ,𝑥2 ,… ,𝑥𝑛 ) 𝜕𝑥𝑗 1 ̅̅̅̅
𝑖,𝑗=1,𝑛

(∀) (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ 𝐷1 ⊆ ℝ𝑛 .
iar transformarea inversă este dată de (3.3.3),

𝜏 − 1 ∶ 𝐷2 ⊆ ℝ𝑛 → 𝐷1 ⊆ ℝ𝑛 , 𝑥 = 𝜏 − 1 (𝑦) adică (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝜏 − 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) ,

și are jacobianul (3.3.4) de asemenea nenul,

92 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

𝐷(𝑥1 ,𝑥2 ,…,𝑥𝑛 )

𝐽𝜏− 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) = = 𝐽−1
𝜏
(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) .
𝐷(𝑦1 ,𝑦2 ,…,𝑦𝑛 )

Dacă vectorul aleator 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) funcția de densitate cunoscută,

𝑓 ∶ 𝐷1 = 𝑉(Ω) ⊆ ℝ𝑛 → ℝ , 𝑧 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) atunci,

funcția de densitate necunoscută a vectorului 𝑊( 𝑌1 , 𝑌2 , … , 𝑌𝑛 ) este dată astfel:

𝑔 ∶ 𝐷2 = 𝑊(Ω) ⊆ ℝ𝑛 → ℝ , 𝑢 = 𝑔(𝑦1 , 𝑦2 , … , 𝑦𝑛 ) =
= (𝑓 ◦ 𝜏 − 1 )(𝑦1 , 𝑦2 , … , 𝑦𝑛 ) | 𝐽𝜏− 1 (𝑦1 , 𝑦2 , … , 𝑦𝑛 ) | .

Analog, dacă se cunoaște funcția de densitate a vectorului 𝑊( 𝑌1 , 𝑌2 , … , 𝑌𝑛 ),

𝑔 ∶ 𝐷2 = 𝑊(Ω) ⊆ ℝ𝑛 → ℝ , 𝑢 = 𝑔(𝑦1 , 𝑦2 , … , 𝑦𝑛 )

atunci densitatea necunoscută a vectorului 𝑉( 𝑋1 , 𝑋2 , … , 𝑋𝑛 ) are reprezentarea:

𝑓 ∶ 𝐷1 = 𝑉(Ω) ⊆ ℝ𝑛 → ℝ , 𝑧 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) =
= (𝑔 ◦ 𝜏)(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) | 𝐽𝜏 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) |.
∎
Exemplul 3.14
Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin densitatea de
repartiţie,

𝑒 − (𝑥 + 𝑦) , 𝑝𝑡. 𝑥 ,𝑦 ≥ 0
𝑓(𝑥, 𝑦) = {
0 , 𝑟𝑒𝑠𝑡

Să se determine :
a) Funcţia de repartiţie 𝐹 ∶ ℝ2 → ℝ , 𝐹(𝑥, 𝑦) = 𝑃(𝑋 < 𝑥 ; 𝑌 < 𝑦)
1 𝑋
b) 𝑃( 𝑋 < 2𝑌 ) , 𝑃( 𝑋 + 𝑌 ≥ 1 ) , 𝑃( 1 ≤ 𝑋 + 𝑌 ≤ 2 ) , 𝑃 ( ≤ ≤1)= ?
2 𝑌
c) Repartiţiile marginale. Interpretare
𝑋
d) Repartiţia probabilistică a vectorului 𝑊 = (𝑇, 𝑍) = ( 𝑋 + 𝑌 , ) : Ω → ℝ2
𝑌
e) Repartiţiile marginale ale componentelor lui 𝑊 . Interpretare
1 𝑋
f) Verificare - 𝑃(𝑋 < 2𝑌) , 𝑃(𝑋 + 𝑌 ≥ 1) , 𝑃( 1 ≤ 𝑋 + 𝑌 ≤ 2 ) , 𝑃 ( ≤ ≤ 1 ).
2 𝑌

Rezolvare
Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 93

a)

Funcţia de repartiţie 𝐹 ∶ ℝ2 → ℝ ,
𝑥 𝑦
𝐹(𝑥, 𝑦) = 𝑃(𝑋 < 𝑥 ; 𝑌 < 𝑦) = ∫− ∞ ∫− ∞ 𝑓(𝑠, 𝑡)𝑑𝑠𝑑𝑡 =

𝑥 𝑦
∫0 ∫0 𝑒 − (𝑠 + 𝑡) 𝑑𝑠𝑑𝑡 , 𝑑𝑎𝑐ă 𝑥 ≥ 0 ș𝑖 𝑦 ≥ 0
={ =
0, 𝑑𝑎𝑐ă 𝑥 < 0 𝑠𝑎𝑢 𝑦 < 0
𝑥 𝑦
∫0 𝑒 − 𝑠 𝑑𝑠 ∫0 𝑒 − 𝑡 𝑑𝑡 , 𝑑𝑎𝑐ă 𝑥 ≥ 0 ș𝑖 𝑦 ≥ 0
={ =
0, 𝑑𝑎𝑐ă 𝑥 < 0 𝑠𝑎𝑢 𝑦 < 0

( − 𝑒 − 𝑠 |0𝑥 )( − 𝑒 − 𝑡 |0𝑦 ) = (1− 𝑒 − 𝑥 )(1− 𝑒 − 𝑦 ) , 𝑑𝑎𝑐ă 𝑥 ≥ 0 ; 𝑦 ≥ 0

={ .
0, 𝑑𝑎𝑐ă 𝑥 < 0 𝑠𝑎𝑢 𝑦 < 0

1 𝑋
b) 𝑃( 𝑋 < 2𝑌 ) , 𝑃( 𝑋 + 𝑌 ≥ 1 ) , 𝑃( 1 ≤ 𝑋 + 𝑌 ≤ 2 ) , 𝑃 ( ≤ ≤1)= ?
2 𝑌
94 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

𝑃( 𝑋 < 2𝑌 ) = ∬𝐷 2 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =

1 = { (𝑥,𝑦)∈ℝ ∶ 𝑥 ≤ 2𝑦 }

∞ ∞ ∞ ∞ ∞
= ∫0 ∫𝑥/2 𝑒 − (𝑥 + 𝑦) 𝑑𝑥𝑑𝑦 = ∫0 𝑒 − 𝑥 ∫𝑥/2 𝑒 − 𝑦 𝑑𝑥𝑑𝑦 = ∫0 𝑒 − 𝑥 ( − 𝑒 −𝑦 | ∞
𝑥 ) 𝑑𝑥 =
2

∞ 𝑥 3𝑥 ∞ 2
= ∫0 𝑒 − 𝑥 ∙ 𝑒 − 2 𝑑𝑥 = −
2
∙ 𝑒− 2 | = .
3
0 3

Analog,

𝑃( 1 ≤ 𝑋 + 𝑌 ≤ 2 ) = ∬𝐷 2 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =
2 = { (𝑥,𝑦)∈ℝ ∶ 1 ≤ 𝑥 + 𝑦 ≤ 2 }

1 2−𝑥 2 2−𝑥
= ∫0 𝑒 − 𝑥 ∫1 − 𝑥 𝑒 − 𝑦 𝑑𝑥𝑑𝑦 + ∫1 𝑒 − 𝑥 ∫0 𝑒 − 𝑦 𝑑𝑥𝑑𝑦 =

1 2
= ∫0 𝑒 − 𝑥 ( − 𝑒 −𝑦 |12 −− 𝑥𝑥 ) 𝑑𝑥 + ∫1 𝑒 − 𝑥 ( − 𝑒 −𝑦 |20 − 𝑥 ) 𝑑𝑥 =

1 2
= ∫0 ( 𝑒 − 1 − 𝑒 − 2 )𝑑𝑥 + ∫1 ( 𝑒 − 𝑥 − 𝑒 − 2 )𝑑𝑥 +

2 3
= ( 𝑒 − 1 − 𝑒 − 2 ) + (− 𝑒 − 𝑥 − 𝑥 𝑒 − 2 )12 = − .
𝑒 𝑒2

Analog,
1 𝑋
𝑃( ≤ ≤ 1)=∬ 1 𝑥 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =
2 𝑌 𝐷3 = { (𝑥,𝑦)∈ℝ2 ∶ ≤ ≤ 1 }
2 𝑦

∞ 2𝑥 ∞ 2𝑥 ∞
= ∫0 ∫𝑥 𝑒 − (𝑥 + 𝑦) 𝑑𝑥𝑑𝑦 = ∫0 𝑒 − 𝑥 ∫𝑥 𝑒 − 𝑦 𝑑𝑥𝑑𝑦 = ∫0 𝑒 − 𝑥 ( − 𝑒 −𝑦 |2𝑥
𝑥 ) 𝑑𝑥 =

1 1 ∞ 1 1 1
∞
= ∫0 ( 𝑒 − 2𝑥 − 𝑒 −3𝑥 )𝑑𝑥 = (− 𝑒 −3𝑥 + 3 𝑒 −3𝑥 ) | = − = .
2 0 2 3 6
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 95

c) Repartiţiile marginale. Interpretare

Metoda I : Funcțiile de densitate marginale ale componentelor 𝑋 și 𝑌 :

∞
+∞ 𝑒 − 𝑥 ∫0 𝑒 − 𝑦 𝑑𝑦 = 𝑒 − 𝑥 ( − 𝑒 −𝑦 |∞
0 ) =𝑒
−𝑥
, 𝑑𝑎𝑐ă 𝑥 ≥ 0
𝑓1 (𝑥) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 = { ;
0 , 𝑑𝑎𝑐ă 𝑥 < 0

∞
+∞ 𝑒 − 𝑦 ∫0 𝑒 − 𝑥 𝑑𝑥 = 𝑒 − 𝑦 ( − 𝑒 −𝑥 |∞
0 )= 𝑒
−𝑦
, 𝑑𝑎𝑐ă 𝑦 ≥ 0
𝑓2 (𝑦) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 = { .
0 , 𝑑𝑎𝑐ă 𝑦 < 0

Observație și Interpretare: Deoarece,

𝑒 − (𝑥 + 𝑦) , 𝑑𝑎𝑐ă 𝑥 , 𝑦 ≥ 0
𝑓1 (𝑥) ∙ 𝑓2 (𝑦) = 𝑓(𝑥, 𝑦) = { , (∀) (𝑥, 𝑦) ∈ ℝ2
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑋 și 𝑌 sunt independente stochastic.

Metoda a II-a : Funcțiile de repartiție marginale ale componentelor :

lim (1− 𝑒 − 𝑥 )(1− 𝑒 − 𝑦 ) = 1− 𝑒 − 𝑥 , 𝑥 ≥ 0

𝐹1 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = lim 𝐹(𝑥 , 𝑦) = {𝑦 → +∞ ;
𝑦 → +∞ 0 , 𝑑𝑎𝑐ă 𝑥 < 0

lim (1− 𝑒 − 𝑥 )(1− 𝑒 − 𝑦 ) = 1− 𝑒 − 𝑦 , 𝑦 ≥ 0

𝐹2 (𝑦) = 𝑃(𝑌 ≤ 𝑦) = lim 𝐹(𝑥 , 𝑦) = {𝑥 → +∞ .
𝑥 → +∞ 0 , 𝑑𝑎𝑐ă 𝑦 < 0
96 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Observație : Deoarece 𝑓1 (𝑥) = 𝑓2 (𝑥) , (∀)𝑥 ∈ ℝ rezultă că cele 2 componente 𝑋 și

𝑌 sunt identic repartizate. Prin urmare, acestea au aceleași medii și dispersii :
∞
𝑀(𝑋) = 𝑀(𝑌) = ∫ℝ 𝑥𝑓1 (𝑥)𝑑𝑥 = ∫0 𝑥 𝑒 − 𝑥 𝑑𝑥 = Γ(2) = 1 ;
∞
𝐷2 (𝑋) = ∫ℝ 𝑥 2 𝑓1 (𝑥)𝑑𝑥 − 1 = ∫0 𝑥 2 𝑒 − 𝑥 𝑑𝑥 − 1 = Γ(3) − 1 = 2! − 1 = 1 .
𝑋
d) Pentru a obține repartiția vectorului 𝑊 = (𝑇, 𝑍) = ( 𝑋 + 𝑌 , ) : Ω → ℝ2 se
𝑌
efectuează o schimbare de variabile ( transformare regulată de domenii în plan)
(difeomorfism) data prin:
𝑡 =𝑥+𝑦
𝜏 ∶ 𝑉(Ω) ⊆ ℝ2 → 𝑊(Ω) ⊆ ℝ2 , (𝑡, 𝑧) = 𝜏(𝑥, 𝑦) 𝑎. î. { 𝑧 = 𝑥 ,
𝑦

sau inversa,
𝑡𝑧
𝑥=
−1 1+𝑧
𝜏 2
∶ 𝑊(Ω) ⊆ ℝ → 𝑉(Ω) ⊆ ℝ , (𝑥, 𝑦) = 𝜏 2 − 1 (𝑡,
𝑧) 𝑎. î. { 𝑡 .
𝑦=
1+𝑧

𝑋
În acest fel, 𝑑𝑒𝑛𝑠𝑖𝑡𝑎𝑡𝑒𝑎 𝑑𝑒 𝑟𝑒𝑝𝑎𝑟𝑡𝑖ț𝑖𝑒 a vectorului 𝑊 = (𝑇, 𝑍) = ( 𝑋 + 𝑌 , ) are
𝑌
expresia analitică,

𝑔 ∶ ℝ2 → ℝ , 𝑔(𝑡, 𝑧) = 𝑓( 𝜏 − 1 (𝑡, 𝑧) ) ∙ | 𝐽𝜏− 1 (𝑡, 𝑧) |

unde,
𝜕𝑥 𝜕𝑥 𝑧 1
𝐷(𝑥,𝑦) 𝜕𝑡 𝜕𝑧 1+𝑧 1+𝑧 −𝑡
𝐽𝜏− 1 (𝑡, 𝑧) = (𝑡, 𝑧) = | 𝜕𝑦 𝜕𝑦
| (𝑡, 𝑧) = | 𝑡 −𝑡 | = (1 + 𝑧)2
.
𝐷(𝑡,𝑧)
𝜕𝑡 𝜕𝑧 (1+𝑧)2 (1+𝑧)2

Obținem,
𝑡
𝑒− 𝑡 ∙ ( , 𝑑𝑎𝑐ă 𝑡 , 𝑧 ≥ 0
1 + 𝑧)2
𝑔(𝑡, 𝑧) = {
0 , 𝑟𝑒𝑠𝑡

e) Repartiţiile marginale ale componentelor lui 𝑊 . Interpretare

Vom determina funcțiile de densitate marginale ale componentelor 𝑇 și 𝑍 :

 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 97

∞ 𝑑𝑧 −1 ∞
+∞ 𝑡 𝑒 − 𝑡 ∫0 (1+𝑧)2
= 𝑡𝑒 −𝑡 ( | ) = 𝑡 𝑒 − 𝑡 , 𝑑𝑎𝑐ă 𝑡 ≥ 0
𝑔1 (𝑡) = ∫− ∞ 𝑔(𝑡, 𝑧)𝑑𝑧 = { 1+𝑧 0
0 , 𝑑𝑎𝑐ă 𝑡 < 0

1 ∞ 1 1
+∞ ∫0 𝑡 𝑒 − 𝑡 𝑑𝑡 = (1 + 𝑧)2 Γ(2) = (1 + 𝑧)2 , 𝑑𝑎𝑐ă 𝑧 ≥ 0
𝑔2 (𝑧) = ∫− ∞ 𝑔(𝑡, 𝑧)𝑑𝑡 = { (1+𝑧)2 .
0 , 𝑑𝑎𝑐ă 𝑧 < 0

Observație și Interpretare: Deoarece,

𝑡
𝑒− 𝑡 ∙ ( , 𝑑𝑎𝑐ă 𝑡 , 𝑧 ≥ 0
1 + 𝑧)2
𝑔1 (𝑡) ∙ 𝑔2 (𝑧) = 𝑔(𝑡, 𝑧) = { ,
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑇 și 𝑍 sunt independente stochastic.

f) Recalculăm probabilitățile evenimentelor de la b) după rezultatele obținute

la d) și e) :

𝑋 2
𝑃( 𝑋 < 2𝑌 ) = 𝑃 ( < 2) = 𝑃(𝑍 < 2) = 𝐺2 (2) = ∫− ∞ 𝑔2 (𝑧) 𝑑𝑧 =
𝑌

2 1 −1 2 2
= ∫0 ( 𝑑𝑧 = ( | )= ;
1+𝑧)2 1+𝑧 0 3

2
𝑃( 1 ≤ 𝑋 + 𝑌 ≤ 2 ) = 𝑃(1 ≤ 𝑇 ≤ 2) = 𝐺1 (2) − 𝐺1 (1) = ∫1 𝑔1 (𝑡) 𝑑𝑡 =

2 2 3
= ∫1 𝑡 𝑒 − 𝑡 𝑑𝑡 = (−𝑡 𝑒 − 𝑡 − 𝑒 − 𝑡 ) |12 = − 2 .
𝑒 𝑒

1 𝑋 1 1
𝑃( ≤ ≤ 1 ) = 𝑃 ( ≤ 𝑍 ≤ 1 ) = ∫1/2 𝑔2 (𝑧) 𝑑𝑧 =
2 𝑌 2

1 1 −1 1 1
= ∫1/2 ( 𝑑𝑧 = ( | )= .
1+𝑧)2 1+𝑧 1/2 6

§ 3.4 APLICAȚII NUMERICE. Probleme rezolvate/propuse

Problema 3.4.1 Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin

densitatea de repartiţie,
1 2
1 – 2𝑥𝑦 + 2𝑦2 )
𝑓(𝑥, 𝑦) =
2𝜋
∙ 𝑒 − 2(𝑥 .
98 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Să se determine :
a) Repartiţiile marginale. Interpretare
b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)
c) Curbele de regresie : 𝑥 = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑀( 𝑌 | 𝑥).

Rezolvare :
a) Repartiţiile marginale vor fi date prin funcțiile de densitate ale
componentelor:

1 1
+∞ − (𝑥2 – 2𝑥𝑦 + 2𝑦2 )
𝑓1 (𝑥) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 = ∫ℝ 𝑒 2 𝑑𝑦 =
2𝜋

1 2 1
1 1 1
− (𝑦 2 – 𝑥𝑦 + 2 𝑥2 ) − (𝑦 – 2 𝑥) − 4 𝑥2 𝑥
= ∫ 𝑒 𝑑𝑦 = ∫ 𝑒 𝑑𝑦 = ( t = 𝑦 – ; dy = dt) =
2𝜋 ℝ 2𝜋 ℝ 2
1 2
1 1 − 1𝑥2
𝑒 − 4 𝑥 ∫ℝ 𝑒−𝑡 𝑑𝑡 =
2
𝑒 4 2 ∫0∞ 𝑒 −𝑡 𝑑𝑡 = ( 𝑡 2 = u ; dt = 2√𝑢
1
2
= du) =
2𝜋 2𝜋

1 2 1 2 1 2
1 ∞ 1 1 1
= 𝑒 − 4 𝑥 ∫0 𝑢− 1/2 𝑒− 𝑢 𝑑𝑢 = 𝑒− 4 𝑥 Γ ( ) = 𝑒− 4 𝑥 .
2𝜋 2𝜋 2 2√𝜋

Analog,

1 1
+∞ − (𝑥2 – 2𝑥𝑦 + 2𝑦2 )
𝑓2 (𝑦) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 = ∫ℝ 𝑒 2 𝑑𝑥 =
2𝜋

1 − 1𝑦2 1
– 𝑦)2
=
2𝜋
𝑒 2 ∫ℝ 𝑒− 2 (𝑥 𝑑𝑥 = ( t = x − 𝑦 ; dx = dt) =

1 2 1 2 1 2 1 2
1 1 1 1
= 𝑒− 2 𝑦 ∙ − 𝑡 − 𝑦
∫ 𝑒 2 𝑑𝑡 = √2𝜋 𝑒 2 , deoarece
− 𝑡
∫ 𝑒 2 𝑑𝑡 = 1.
√2𝜋 √2𝜋 ℝ √2𝜋 ℝ

b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)

+∞ 1 1 2
𝑀(𝑋) = ∫− ∞ 𝑥𝑓1 (𝑥)𝑑𝑥 = ∫
2√𝜋 ℝ
𝑥 𝑒− 4 𝑥 𝑑𝑥 = 0 ;

+∞ +∞ 1 ∞ 2 − 14 𝑥2
𝐷2 (𝑋) = ∫− ∞ 𝑥 2 𝑓1 (𝑥)𝑑𝑥 − 0 = 2 ∫0 𝑥 2 𝑓1 (𝑥)𝑑𝑥 = ∫ 𝑥 𝑒 𝑑𝑥 =
√𝜋 0

1 1
=( 𝑥 2 = 𝑡 ; 𝑑𝑥 = dt ) = ... = 2 ;
4 √𝑡
 Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 99

1
1 − 2 𝑦2
Deoarece 𝑓2 (𝑦) =
√2𝜋
𝑒 rezultă că 𝑌 este repartizată normal
standard și deci 𝑀(𝑌) = 0 ; 𝐷2 (𝑌) = 1 .

1 2 1 𝑥−𝑚 2
1 1
Deoarece 𝑓1 (𝑥) =
2 √𝜋
𝑒− 2 𝑥 = adică, 𝑒− 2
(
𝜎
)
rezultă că 𝑋
𝜎 √2𝜋
urmează o repartiție normală generală cu parametrii 𝑚 = 𝑀(𝑋) = 0 și dispersia
𝜎 2 = 𝐷 2 (𝑋) = 2.

Interpretare : Întrucat,

1 2 1 1 2
1 2 1 + 𝑦2 )
𝑓(𝑥, 𝑦) =
2𝜋
∙ 𝑒− 2(𝑥 – 2𝑥𝑦 + 2𝑦 ) ≠ 𝑓1 (𝑥)𝑓2 (𝑦) = ∙ 𝑒 − 2( 2𝑥
2𝜋√2

rezultă că cele două componente ale vectorului 𝑉 sunt dependente stochastic.

c) Curbele de regresie : 𝑥 = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑀( 𝑌 | 𝑥).

Media variabilei 𝑋 condiționată de variabila 𝑌 este o funcția,

+∞
𝑦 → 𝑥 = ℎ(𝑦) = 𝑀( 𝑋 | 𝑦) = ∫− ∞ 𝑥𝑓(𝑥/𝑦)𝑑𝑥

care poartă numele de regresie a variabilei Y asupra variabilei X iar,

𝑓(𝑥,𝑦)
𝑓(𝑥/𝑦) = este densitatea condiționată a variabilei 𝑋.
𝑓2 (𝑦)

Analog, media variabilei 𝑌 condiționată de variabila 𝑋 este funcția,

+∞
𝑥 → 𝑦 = 𝑘(𝑥) = 𝑀( 𝑌 | 𝑥) = ∫− ∞ 𝑦𝑓(𝑦/𝑥)𝑑𝑦

care poartă numele de regresie a variabilei 𝑋 asupra lui 𝑌, iar

𝑓(𝑥,𝑦)
𝑓(𝑦/𝑥) = este densitatea condiționată a variabilei 𝑌.
𝑓1 (𝑥)

După efectuarea calculelor, folosind integralele lui Euler se obțin:

𝑦 → ℎ(𝑦) = 𝑀( 𝑋 | 𝑦) = 4𝑦 ;

𝑥 → 𝑘(𝑥) = 𝑀( 𝑌 | 𝑥) = 𝑥 .
100 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

Problema 3.4.2
Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin densitatea de
repartiţie,

1
, 𝑝𝑡. 𝑥 ∈ (0 , 1] ; 𝑥 ≤ 𝑦 ≤ 1
2√𝑥𝑦
𝑓(𝑥, 𝑦) = {
0 , 𝑟𝑒𝑠𝑡

Să se determine :

a) Repartiţiile marginale. Interpretare

b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)
c) Curbele de regresie : 𝑥 = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑀( 𝑌 | 𝑥).

Rezolvare

a) Repartiţiile marginale. Interpretare. Notăm cu 𝑓1 , 𝑓2 ∶ ℝ → ℝ funcțiile de

densitate ale componentelor 𝑋 și 𝑌 și obținem:

1 𝑦=1 1 1 𝑦=1 1− √𝑥
+∞ ∫𝑦=𝑥 𝑑𝑦 = ( √𝑦| 𝑦=𝑥 ) = , 𝑑𝑎𝑐ă 𝑥 ∈ (0 , 1]
√𝑥 2√𝑦 √𝑥 √𝑥
𝑓1 (𝑥) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 ={
0 , 𝑑𝑎𝑐ă 𝑥 ∉ (0 , 1]

1 𝑥=𝑦 1 1 𝑥=𝑦
∫𝑥=0 𝑑𝑦 = ( √𝑥| 𝑥=0 ) = 1 , 𝑑𝑎𝑐ă 𝑦 ∈ (0 , 1]
𝑓2 (𝑦) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 = {√𝑦 √𝑦
+∞ 2√𝑥
.
0 , 𝑑𝑎𝑐ă 𝑦 ∉ (0 , 1]
Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 101

Observație și Interpretare: Deoarece,

1
, 𝑝𝑡. 𝑥 ∈ (0 , 1] ; 𝑥 ≤ 𝑦 ≤ 1
2√𝑥𝑦
𝑓(𝑥, 𝑦) = { ≠ 𝑓1 (𝑥) ∙ 𝑓2 (𝑦) , (∀) (𝑥, 𝑦) ∈ ℝ2
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑋 și 𝑌 sunt dependente stochastic.

b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)

3 1
+∞ 1 2 1 1
𝑀(𝑋) = ∫− ∞ 𝑥𝑓1 (𝑥)𝑑𝑥 = ∫0 √𝑥 (1 − √𝑥)𝑑𝑥 = ( 𝑥 2 − 𝑥 2 )| = ;
3 2 0 6

+∞ 1 1 1
𝐷2 (𝑋) = ∫− ∞ 𝑥 2 𝑓1 (𝑥)𝑑𝑥 − = ∫0 𝑥 √𝑥 (1 − √𝑥)𝑑𝑥 − =
36 36
1
2 5 1 3 1 1 1 7
=( 𝑥2 − 𝑥 )| − = − = ;
5 3 0 36 15 36 180

+∞ 1 1 2 1 1
𝑀(𝑌) = ∫− ∞ 𝑦𝑓2 (𝑦)𝑑𝑦 = ∫0 𝑦𝑑𝑦 = ( 𝑦 )| = ;
2 0 2

+∞ 1 1 1 1 1 1
𝐷2 (𝑌) = ∫− ∞ 𝑦 2 𝑓2 (𝑦)𝑑𝑦 − = ∫0 𝑦 2 𝑑𝑦 − = − = ;
4 4 3 4 12

c) Curbele de regresie : 𝑥 = ℎ(𝑦) = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑘(𝑥) = 𝑀( 𝑌 | 𝑥).

+∞ +∞ 𝑓(𝑥,𝑦)
𝑥 = ℎ(𝑦) = 𝑀( 𝑋 | 𝑦) = ∫− ∞ 𝑥𝑓(𝑥/𝑦) 𝑑𝑥 = ∫− ∞ 𝑥 ( ) 𝑑𝑥 =
𝑓2 𝑦
𝑦
𝑦 √𝑥 1 2 3 𝑦
= ∫0
2√𝑦
𝑑𝑥 = ( 3
𝑥2 )| = , (∀) 𝑦 ∈ (0 , 1] ;
2√𝑦 0 3

+∞ +∞ 𝑓(𝑥,𝑦)
𝑦 = 𝑘(𝑥) = 𝑀(𝑌 𝑋 | 𝑥) = ∫− ∞ 𝑦𝑓(𝑦/𝑥) 𝑑𝑦 = ∫− ∞ 𝑦 ( ) 𝑑𝑦 =
𝑓1 𝑥

1
1 1 √𝑥 1 1 3 1− 𝑥√𝑥
= ∫𝑥 𝑦
2√𝑥𝑦 1− √𝑥
𝑑𝑦 = ( 𝑦2 )| = , (∀) 𝑥 ∈ (0 , 1] .
1− √𝑥 3 𝑥 3( 1− √𝑥 )

Observație importantă: Curbele de regresie arată cum variază valorile unei

variabile în raport cu variația valorilor celeilalte variabile. Gradul de dependență
dintre variabilele 𝑋 și 𝑌 este exprimat însă sintetic prin coeficientul de corelație al
celor două variabile aleatoare dependente, definit astfel:
102 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

𝑐𝑜𝑣(𝑋,𝑌) 𝑀[(𝑋−𝑀(𝑋))(𝑌−𝑀(𝑌))] 𝑀(𝑋𝑌) − 𝑀(𝑋)𝑀(𝑌)

𝜌(𝑋, 𝑌) = = = =
𝐷(𝑋)𝐷(𝑌) 𝐷(𝑋)𝐷(𝑌) 𝐷(𝑋)𝐷(𝑌)
1
= ∬ 𝐷 ∶ 𝑥∈(0 ,1] [(𝑥 − 𝑀(𝑋))(𝑦 − 𝑀(𝑌))] 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 =
𝐷(𝑋)𝐷(𝑌)
𝑥≤ 𝑦 ≤1

1 1 1 1
= ∬ 𝐷 ∶ 𝑥∈(0 ,1] [(𝑥 − 6) (𝑦 − 2)] 2 𝑥𝑦 𝑑𝑥𝑑𝑦 =
√ 7 ∙ 1 𝑥≤ 𝑦 ≤1
√
180 12

1 1 1 1 1 1 1 1 5
= ∫0 ( ∫𝑥 [(𝑥 − 6) (𝑦 − 2)] 2 𝑥𝑦 𝑑𝑦 ) 𝑑𝑥 = =√ .
√ 7 ∙ 1 √ 7 1 36 21
180 12 √ ∙
180 12

Problema 3.4.3
Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin densitatea de
repartiţie,

𝑦 − 𝑦
4 𝑒 1+𝑥 , 𝑑𝑎𝑐ă 𝑥 , 𝑦 ≥ 0
(1+𝑥)
𝑓(𝑥, 𝑦) = {
0 , 𝑟𝑒𝑠𝑡

Să se determine :
a) Repartiţiile marginale. Interpretare
b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)
𝑌 1
c) Repartiţia probabilistică a vectorului 𝑊 = (𝑇, 𝑍) = ( , ) : Ω → ℝ2
1+𝑋 1+𝑋
d) Repartiţiile marginale ale componentelor lui 𝑊 . Interpretare.

Rezolvare
a) Repartiţiile marginale. Interpretare.

Notăm cu 𝑓1 , 𝑓2 ∶ ℝ → ℝ funcțiile de densitate ale componentelor 𝑋 și 𝑌 și

obținem:

∞ 𝑦 − 𝑦
+∞ ∫0 4 𝑒 1+𝑥 𝑑𝑦 , 𝑑𝑎𝑐ă 𝑥 ≥ 0 𝑦
𝑓1 (𝑥) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑦 ={ (1+𝑥) =…( = 𝑡)…=
1+𝑥
0 , 𝑑𝑎𝑐ă 𝑥 < 0
1 ∞ 1
(1+𝑥)2
∫0 𝑡 𝑒−𝑡 𝑑𝑡 , 𝑑𝑎𝑐ă 𝑥 ≥ 0 (1+𝑥)2
, 𝑑𝑎𝑐ă 𝑥 ≥ 0
={ = … ( 𝛤(2) = 1 ) … = { ;
0 , 𝑑𝑎𝑐ă 𝑥 < 0 0 , 𝑑𝑎𝑐ă 𝑥 < 0
Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 103

∞ 𝑦 − 𝑦
+∞ ∫0 4 𝑒 1+𝑥 𝑑𝑥 , 𝑑𝑎𝑐ă 𝑦 ≥ 0 𝑦
𝑓2 (𝑦) = ∫− ∞ 𝑓(𝑥, 𝑦)𝑑𝑥 ={ (1+𝑥) =…( = 𝑡)…=
1+𝑥
0 , 𝑑𝑎𝑐ă 𝑦 < 0

−1 0 4 𝑦
𝑦 ∫ 𝑡
𝑦3 𝑦
𝑒− 𝑡 𝑑𝑡 , 𝑑𝑎𝑐ă 𝑦 ≥ 0
=…( = 1 + 𝑥) … = { 𝑡2 =
𝑡
0 , 𝑑𝑎𝑐ă 𝑦 < 0

1 𝑦 2 𝑒− 𝑦
∫ 𝑡
𝑦2 0
𝑒− 𝑡 𝑑𝑡 , 𝑑𝑎𝑐ă 𝑦 ≥ 0 1
𝑦2
− 𝑦2
(𝑦 2 + 2𝑦 + 2) , 𝑦 ≥ 0
={ =…={ .
0 , 𝑑𝑎𝑐ă 𝑦 < 0 0 , 𝑦<0

Observație și Interpretare: Deoarece,

𝑦 − 𝑦
4 𝑒 1+𝑥 , 𝑑𝑎𝑐ă 𝑥 , 𝑦 ≥ 0
(1+𝑥)
𝑓(𝑥, 𝑦) = { ≠ 𝑓1 (𝑥) ∙ 𝑓2 (𝑦) , (∀) (𝑥, 𝑦) ∈ ℝ2
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑋 și 𝑌 sunt dependente stochastic.

b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)

+∞ ∞ 𝑥 ∞ 𝑥 +1−1 1 ∞
𝑀(𝑋) = ∫− ∞ 𝑥𝑓1 (𝑥)𝑑𝑥 = ∫0 (1+𝑥)2
𝑑𝑥 = ∫0 (1+𝑥)2
𝑑𝑥 = [ ln(𝑥 + 1) − ]| = +∞ ;
𝑥+1 0

+∞ ∞ 𝑥2
𝐷2 (𝑋) = ∫− ∞ 𝑥 2 𝑓1 (𝑥)𝑑𝑥 − ∞ = ∫0 (1+𝑥)2
𝑑𝑥 − ∞ = +∞ ;

+∞ ∞ 1 𝑒− 𝑦
𝑀(𝑌) = ∫− ∞ 𝑦𝑓2 (𝑦)𝑑𝑦 = ∫0 𝑦 [
𝑦2
− 𝑦2
(𝑦 2 + 2𝑦 + 2) ] 𝑑𝑦 = +∞ ;

+∞ ∞ 1 𝑒− 𝑦
𝐷2 (𝑌) = ∫− ∞ 𝑦 2 𝑓2 (𝑦)𝑑𝑦 − ∞ = ∫0 𝑦 2 [
𝑦2
− 𝑦2
(𝑦 2 + 2𝑦 + 2) ] 𝑑𝑦 − ∞ = +∞

𝑌 1
c) Pentru a obține repartiția vectorului 𝑊 = (𝑇, 𝑍) = ( , ): Ω → ℝ2
1+𝑋 1+𝑋
se efectuează schimbarea de variabile ( transformare regulată de domenii
aleatoare în plan) (în particular difeomorfism) dată prin:
𝑦
𝑡=
1+𝑥
2 2
𝜏 ∶ 𝑉(Ω) ⊆ ℝ → 𝑊(Ω) ⊆ ℝ , (𝑡, 𝑧) = 𝜏(𝑥, 𝑦) 𝑎. î. { 1 ,
𝑧=
1+𝑥
104 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

sau inversa,
1− 𝑧
𝑥=
𝜏 − 1 ∶ 𝑊(Ω) ⊆ ℝ2 → 𝑉(Ω) ⊆ ℝ2 , (𝑥, 𝑦) = 𝜏 − 1 (𝑡, 𝑧) 𝑎. î. { 𝑧
𝑡 .
𝑦=
𝑧

Dacă 𝑥, 𝑦 ≥ 0 atunci 𝑡 ≥ 0 , 𝑧 ∈ [0 , 1] . În acest fel, 𝑑𝑒𝑛𝑠𝑖𝑡𝑎𝑡𝑒𝑎 𝑑𝑒 𝑟𝑒𝑝𝑎𝑟𝑡𝑖ț𝑖𝑒 a

𝑋
vectorului 𝑊 = (𝑇, 𝑍) = ( 𝑋 + 𝑌 , ) are expresia analitică,
𝑌

𝑔 ∶ ℝ2 → ℝ , 𝑔(𝑡, 𝑧) = 𝑓( 𝜏 − 1 (𝑡, 𝑧) ) ∙ | 𝐽𝜏− 1 (𝑡, 𝑧) |

unde,
𝜕𝑥 𝜕𝑥 −1
𝐷(𝑥,𝑦)
0 1
𝜕𝑡 𝜕𝑧 𝑧2
𝐽𝜏− 1 (𝑡, 𝑧) =
𝐷(𝑡,𝑧)
(𝑡, 𝑧) = | 𝜕𝑦 𝜕𝑦
| (𝑡, 𝑧) = | 1 −𝑡 | = 𝑧3
.
𝜕𝑡 𝜕𝑧 𝑧 𝑧2

Obținem,
1
𝑡 𝑧3 𝑒− 𝑡 ∙ = 𝑡 𝑒 − 𝑡 , 𝑑𝑎𝑐ă 𝑡 ≥ 0 ș𝑖 𝑧 ∈ [0 , 1]
𝑧3
𝑔(𝑡, 𝑧) = { .
0 , 𝑟𝑒𝑠𝑡

d) Repartiţiile marginale ale componentelor lui 𝑊 . Interpretare

Vom determina funcțiile de densitate marginale ale componentelor 𝑇 și 𝑍 :

1
+∞ 𝑡 𝑒 − 𝑡 ∫0 𝑑𝑧 = 𝑡 𝑒 − 𝑡 , 𝑑𝑎𝑐ă 𝑡 ≥ 0
𝑔1 (𝑡) = ∫− ∞ 𝑔(𝑡, 𝑧)𝑑𝑧 = {
0 , 𝑑𝑎𝑐ă 𝑡 < 0

∞
+∞ ∫0 𝑡 𝑒 − 𝑡 𝑑𝑡 = Γ(2) = 1 , 𝑑𝑎𝑐ă 𝑧 ∈ [0 , 1]
𝑔2 (𝑧) = ∫− ∞ 𝑔(𝑡, 𝑧)𝑑𝑡 = { .
0 , 𝑑𝑎𝑐ă 𝑧 ∉ [0 , 1]

Observație și Interpretare: Deoarece,

𝑡 𝑒 − 𝑡 , 𝑑𝑎𝑐ă 𝑡 ≥ 0 ș𝑖 𝑧 ∈ [0 , 1]
𝑔1 (𝑡) ∙ 𝑔2 (𝑧) = 𝑔(𝑡, 𝑧) = { ,
0 , 𝑟𝑒𝑠𝑡

rezultă că variabilele 𝑇 și 𝑍 (componentele vectorului W) sunt independente

stochastic.
Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 105

Problema 3.4.4
Se consideră vectorul aleator discret 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin
tabloul bidimensional de repartiţie,

X Y 0 1 2 𝑝𝑖

-1 1/8 1/12 1/6 3/8

1 1/24 1/4 1/3 5/8

𝑞𝑗 1/6 1/3 1/2 1

Să se determine :
a) Repartiţiile marginale. Interpretare
b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)
c) Coeficientul de corelație 𝜌(𝑋, 𝑌)
d) Probabilitățile 𝑃(𝑋 + 𝑌 ≤ 1) ; 𝑃(𝑋𝑌 ≥ 1) .

Rezolvare
a) Repartiţiile marginale. Interpretare

Din tabloul bidimensional dat deducem tablourile componentelor 𝑋 și 𝑌 :

−1 1 0 1 2
𝑋∶ ( ) și 𝑌 ∶ ( ).
3/8 5/8 1/6 1/3 1/2

b) Mediile şi dispersiile componentelor : 𝑀(𝑋) , 𝑀(𝑌) ; 𝐷2 (𝑋) , 𝐷2 (𝑌)

3 5 1 1 1 2 4
𝑀(𝑋) = − + = ; 𝑀(𝑌) = 0 ∙
6
+ + = ;
3 2 3
8 8 4

1 0 1 4
Deoarece, 𝑋 2 ∶ ( ) și 𝑌 2 ∶ ( ) deducem,
1 1/6 1/3 1/2

1 15
𝐷 2 (𝑋) = 𝑀(𝑋 2 ) − 𝑀2 (𝑋) = 1 − = ;
16 16

7 16 5
𝐷 2 (𝑌) = 𝑀(𝑌 2 ) − 𝑀2 (𝑌) = − = .
3 9 9
106 | Teoria probabilităților. Fundamente teoretice și APLICAȚII

c) Coeficientul de corelație 𝜌(𝑋, 𝑌) necesită calculul produsului 𝑋𝑌 ,

−2 −1 0 1 2
𝑋𝑌 ∶ ( 1/12 1/6 1/4 ) și astfel,
1/6 1/3

𝑐𝑜𝑣(𝑋,𝑌) 𝑀[(𝑋−𝑀(𝑋))(𝑌−𝑀(𝑌))] 𝑀(𝑋𝑌) − 𝑀(𝑋)𝑀(𝑌)

𝜌(𝑋, 𝑌) = = = =
𝐷(𝑋)𝐷(𝑌) 𝐷(𝑋)𝐷(𝑌) 𝐷(𝑋)𝐷(𝑌)

1 1 1
− 2
= 2 3
= 6
5√3
= .
15 5 5√3
√ 12
16 9

Interpretare : Componentele 𝑋 și 𝑌 ale vectorului discret 𝑉 sunt dependente

2
stochastic (corelate) avand o dependență pozitivă de ≈ 23% .
5√3

d) Folosind tabloul bidimensional cu probabilitățile 𝑝𝑖𝑗 = 𝑃(𝑋 = 𝑖 ; 𝑌 = 𝑗)

deducem probabilitățile cerute:

1 1 1 1 5
𝑃(𝑋 + 𝑌 ≤ 1) = + + + = ;
8 12 6 24 12

1 1 7
𝑃(𝑋𝑌 ≥ 1) = + = .
4 3 12

Problema 3.4.5
Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin densitatea de
repartiţie,
𝑐
, 𝑝𝑡. 𝑥 ∈ [ 1;2 ] ; 1 ≤ 𝑦 ≤ 𝑥
√𝑥𝑦
𝑓(𝑥, 𝑦) = {
0 , 𝑟𝑒𝑠𝑡

Să se determine :
a) Constanta reală 𝑐 a.î. 𝑓 să fie densitatea vectorului V.
b) Repartiţiile marginale. Interpretare.
c) Mediile şi dispersiile componentelor : 𝑀(𝑋), 𝑀(𝑌) ; 𝐷2 (𝑋), 𝐷2 (𝑌).
d) Curbele de regresie : 𝑥 = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑀( 𝑌 | 𝑥).
Cap. 3 – Vectori aleatori reali. Repartiții probabilistice multidimensionale| 107

Problema 3.4.6
Se consideră vectorul aleator 𝑉 = (𝑋, 𝑌) ∶ Ω → ℝ2 definit prin densitatea de
repartiţie,
1 2
1 – 2𝑥𝑦 + 2𝑦 2 )
𝑓(𝑥, 𝑦) =
2𝜋
∙ 𝑒 −2(𝑥

Să se determine :
a) Repartiţiile marginale. Interpretare
b) Mediile şi dispersiile componentelor : 𝑀(𝑋), 𝑀(𝑌) ; 𝐷2 (𝑋), 𝐷2 (𝑌)
c) Curbele de regresie : 𝑥 = 𝑀( 𝑋 | 𝑦) ; 𝑦 = 𝑀( 𝑌 | 𝑥).