Capitolul 2 VARIABILE ALEATOARE. FUNCŢII ŞI DENSITĂŢI DE REPARTIŢIE 2.1.

Variabile aleatoare Noţiunea de variabilă aleatoare este fundamentală în teoria probabilităţilor. Considerată intuitiv, legată de experiment, variabila aleatoare se poate defini ca fiind o funcţie reală pe mulţimea rezultatelor unui experiment. Cu alte cuvinte, valorile acestei funcţii sunt luate după cum s-a realizat un anumit eveniment, pentru un experiment dat. Să considerăm experimentul care constă în aruncarea cu două zaruri şi în care ne interesează suma punctelor obţinute. Dacă notăm cu Sk evenimentul care constă în faptul că la o aruncare a apărut suma k, k=2,3,…,12, atunci variabila aleatoare X, care este o funcţie reală pe mulţimea experimentelor {Sk, k=2,3,…,12}, are valorile X(Sk)=k. Acest lucru poate fi sintetizat astfel:
⎛ S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12⎞ X: ⎜ ⎟ ⎝ 2 3 4 5 6 7 8 9 10 11 12 ⎠

Dar rezultatele Sk, 2 ≤ k ≤ 12 apar cu probabilităţile P(S2)=1/36; P(S6)=5/36; P(S10)=3/36; P(S3)=2/36; P(S7)=6/36; P(S11)=2/36); P(S4)=3/36; P(S8)=5/36; P(S12)=1/36 P(S5)=4/36; P(S9)=4/36;

şi atunci variabila aleatoare X poate fi scrisă:

⎛ 2 3 4 5 6 7 8 9 10 11 12 ⎞ ⎜ ⎟ ⎜ ⎟, X: 1 2 3 4 5 6 5 4 3 2 1⎟ ⎜ ⎜ ⎟ ⎝ 36 36 36 36 36 36 36 36 36 36 36 ⎠ ceea ce conduce la faptul că o variabilă aleatoare este o funcţie reală ale cărei valori sunt luate cu probabilităţile corespunzătoare unui sistem complet de evenimente. Din exemplul considerat rezultă că prin intermediul variabilelor aleatoare, evenimentele pot fi descrise cu ajutorul unor valori numerice reale, care în general sunt rezultatul unor observaţii. Vom da acum definiţia riguroasă din punct de vedere matematic a variabilei aleatoare cu care vom opera în continuare. Să considerăm câmpul de probabilitate {Ω,K,P} dat şi să notăm cu R mulţimea numerelor reale şi cu B tribul mulţimilor boreliene1 de pe R, astfel încât (R,B) este un câmp complet aditiv.

Tribul mulţimilor boreliene de pe dreapta reală este cel mai mic corp care conţine toate mulţimile deschise de pe dreaptă.

1

Definiţie. Aplicaţia X:Ω→ R se numeşte variabilă aleatoare dacă X-1(B)∈K, (∀)B∈Β. Observăm că dacă luăm B=(a,∞) atunci X-1(B)=X-1(a,∞)={w:X(w)∈(a,∞)}={ω:X(ω)>a}, a∈R arbitrar. Se demonstrează că definiţia introdusă mai sus este echivalentă cu definiţia de mai jos: Definiţie. Aplicaţia X:Ω→ R se numeşte variabilă aleatoare dacă: {ω: X(ω) > a}∈ K, (∀) a∈R.

În cele ce urmează vom folosi această definiţie şi adesea vom scrie prescurtat: {ω: X(ω)>a} = {X > a}. Având în vedere faptul că variabilele aleatoare dau posibilitatea scrierii evenimentelor cu ajutorul lor, punem în evidenţă următoarea propoziţie:
Propoziţie. X:Ω→ R este variabilă aleatoare dacă şi numai dacă este adevărată una din afirmaţiile (i) {ω:X(ω) ≥ a}∈K, (∀) a∈R (ii) {ω: X(ω) < a}∈K, (∀) a∈R (iii) {ω: X(ω) ≤ a}∈ K, (∀) a∈R Demonstraţie: se constată că : ∞ 1 1 {ω:X(ω) ≥ a} = I {ω:X (ω ) > a − }. Însã, {ω:X(ω ) > a - } ∈ K, n = 1,2, ( ∀ )a ∈R, n n n =1 ∞ 1 {ω: X (ω ) > a − } ∈ K , ( ∀ )a ∈R I n n =1

{ω:X(ω) < a} = CΩ{ω:X(ω) ≥ a}∈K {ω:X(ω) ≤ a} = CΩ{ω:X(ω) > a}∈K, ceea ce demonstrează implicaţia (⇒). Implicaţia (⇐) rezultă în acelaşi mod. De aici rezultă o observaţie importantă: Cum
Observaţie. Dacă X este o variabilă aleatoare definită pe {Ω,K,P}, atunci, pentru orice a,b∈R, a<b, avem: X-1({a})∈K, X-1([a,b))∈K, X-1([a,b])∈K, X-1((a,b))∈K. Pentru exemplificare,

X-1((a,b))={ω: a< X(ω) < b} = {ω: X(ω) > a} ∩ {ω: X(ω) < b}. Ne interesează să vedem dacă, în urma compunerii de variabile aleatoare, obţinem tot variabile aleatoare, răspuns care se va desprinde din teoremele ce urmează:
Teoremă. Dacă X este variabilă aleatoare, iar b∈R, atunci: (1) X + b (2) bX (3) |X| (4) X2 1 (5) , dacă X≠0 X

sunt variabile aleatoare. Demonstraţie: Se vede imediat că toate aplicaţiile (1) - (5) sunt de la Ω→R. Rămâne să arătăm că este îndeplinită şi cea de a doua cerinţă.
(1) {ω :( X + b)(ω ) > a} = {ω : X (ω ) + b > a} = {ω : X (ω ) > b − a} ∈ K a ⎧ {ω : X(ω ) > }, b > 0 ⎪ ⎪ b ( 2 ) {ω : bX(ω ) > a} = ⎨ ⎪{ω : X (ω ) < a }, b < 0 ⎪ b ⎩ / dacã a < 0 ⎧O, (3) {ω :| X(ω )| > a} = ⎨ ⎩{ω : X(ω ) > a} ∪ {ω : X(ω ) < -a}, a ≥ 0 / dacã a < 0 ⎧O, ( 4) {ω:X 2 (ω ) > a} = ⎨ ⎩{ω:| X(ω )|> a }, a ≥ 0 ⎧ ⎪{ω : X (ω ) > 0}, a = 0 ⎪ 1 1 ⎪ (5) {ω : > a} = ⎨{ω : X (ω ) > 0} ∩ {ω : X (ω ) < }, a > 0 X(ω ) a ⎪ 1 ⎪ { : ( ) > 0 } ∪ [{ : ( ) < 0 } ∩ { : ( ) < }], a < 0 ω ω ω ω ω ω X X X ⎪ a ⎩ Deci toate cele cinci aplicaţii sunt variabile aleatoare. Următoarea propoziţie va da posibilitatea să compunem diverse variabile aleatoare.

Propoziţie. Dacă X şi Y sunt variabile aleatoare, atunci

{ω:X(ω) > Y(ω)}∈K, {ω:X(ω) ≥ Y(ω)}∈K, {ω:X(ω) = Y(ω)}∈K.
Demonstraţie. Cum X,Y sunt variabile aleatoare reale şi X(ω) > Y(ω), există un număr real r astfel încât X(ω) > r’ > Y(ω). Fie (rk)k∈N⊂Q şi (r’k)k∈N⊂Q, rk r, r’k r. Atunci:

{ω:X(ω) > Y(ω)} = şi, de aici, rezultă că:

k ∈Ν

I [{ω: X (ω ) > r } ∩ {ω: Y (ω ) < r }]
k ' k

{ω:X(ω) > Y(ω)} ∈ K Celelalte două afirmaţii rezultă din faptul că {ω:X(ω) ≥ Y(ω)} = CΩ{ω:Y(ω) > X(ω)} şi {ω:X(ω) = Y(ω)} = {ω:X(ω) ≥ Y(ω)} ∩ {ω:X(ω) ≤ Y(ω)}, ceea ce dovedeşte afirmaţia. Putem acum să dăm o teoremă de compunere a două variabile aleatoare.
Teoremă. Dacă X şi Y sunt variabile aleatoare, atunci (1) X - Y (2) X + Y (3) XY

X , dacă Y≠0 Y sunt variabile aleatoare. Demonstraţie. (1) Este clar că X - Y:Ω→ R.. Cum {ω:X(ω) - Y(ω) > a} = {ω:X(ω) > Y(ω) + a} ∈ K conform cu propoziţiile anterioare, rezultă că X - Y este variabilă aleatoare.

(4)

(2) Deoarece X + Y = X - (-Y) am redus cazul acesta la cazul (1). 1 (3) XY = [(X + Y) 2 − (X − Y) 2 ] . Cum X + Y, X - Y şi pătratele lor sunt variabile aleatoare, 4 rezultă afirmaţia. 1 X = X⋅ şi, deci, raportul este tot o variabilă aleatoare. (4) Y Y În mulţimea variabilelor aleatoare, un rol important îl au acelea care pot lua o mulţime finită sau numărabilă de valori.
Definiţie. Spunem că variabila aleatoare X este de tip discret dacă ia o mulţime de valori cel mult numărabilă. Un exemplu de variabilă aleatoare discretă cu o mulţime numărabilă de valori este variabila aleatoare Poisson: ⎛k ⎞ ⎜ −λ k ⎟ X :⎜ e λ ⎟ ⎜ , k = 0,1, 2,...⎟ ⎝ k! ⎠ Constanta λ>0 este parametrul repartiţiei (în momentul în care avem o variabilă de tip discret ⎛ xk ⎞ şi am dat X : ⎜ ⎟ spunem că avem o repartiţie; în exemplul dat este repartiţia Poisson ⎝ pk , k ∈ I ⎠

de parametru λ>0).
Definiţie. Spunem că variabila aleatoare X este simplă dacă poate lua numai un număr finit de valori.

Ca exemplu de variabilă aleatoare simplă, să considerăm variabila binomială: ⎛k ⎞ ⎟. X : ⎜ p k n− k ⎝ Cn p q , k = 0,1, 2,..., n⎠
k n−k sunt tocmai termenii din dezvoltarea Denumirea derivă din faptul că P(X=k) = C k np q n binomului (p + q) . Variabila aleatoare simplă ⎧1, dacã ω ∈ A IA(ω ) = ⎨ ⎩0, dacã ω ∈ CΩA

o vom numi variabilă aleatoare indicator al mulţimii A.

n ⋅ 2 Xn(ω ) = ⎨ 2 2 2 ⎪ . atunci ea poate fi pusă sub forma X = X+ ... 2. atunci: i i −1 1 0 ≤ X (ω ) − Xn(ω ) ≤ n − n = n 2 2 2 şi. n →∞ Dacă X(ω) = ∞. unde + X = sup (X. Densitate de repartiţie.xn pe mulţimile A1. k = 0. i =1 n Rezultatul care urmează ne va da posibilitatea să aproximăm variabilele aleatoare oarecare cu ajutorul variabilelor aleatoare simple..A2. n⎠ Aplicând definiţia funcţiei de repartiţie.1. X. ceea ce demonstrează complet teorema. atunci există un şir crescător (Xn)n∈N* de variabile aleatoare simple convergent către X.. dacã n ≤ X (ω ) < n . Demonstraţie.….P} şi X o variabilă aleatoare definită pe acest câmp. care sunt variabile aleatoare nenegative cărora li se poate aplica rezultatul menţionat.= -inf (X. X. Să presupunem mai întâi că X ≥ 0. i = 1. atunci. de aici: lim Xn (ω ) = X (ω ) .0). Să considerăm un câmp de probabilităţi {Ω. unde (Ai)1≤i≤n constituie o partiţie a lui Ω (sistem complet de evenimente). uniform în raport cu ω. Proprietăţi. Numim funcţie de repartiţie a unei variabile aleatoare.2. oricare ar fi n∈N*.x2. obţinem: ..1]. ω∈R. definită prin relaţia: FX(x) = P({ω:X(ω) < x}) Exemplu. 2. să punem: i -1 i ⎧i − 1 n ⎪ n .X-. pentru orice n∈N* şi deci lim Xn(ω ) = X (ω ) .An respectiv. Definiţie. atunci Xn(ω) = n..0). n ω dacã X( ) ≥ n ⎩ Din modul cum am definit Xn rezultă că este o variabilă aleatoare simplă. pentru orice n∈N*. iar şirul (Xn)n∈N* este crescător. n →∞ Dacă X nu este nenegativă. Funcţia de repartiţie. Dacă X este o variabilă aleatoare oarecare.K.…. Dacă X(ω) < ∞.. adică Ai∩Aj = ∅ dacă i≠j şi U A = Ω .2. aplicaţia FX: R→[0..Dacă variabila aleatoare X ia valorile x1. Să considerăm variabila aleatoare binomială ⎛k ⎞ ⎟ X :⎜ k k n− k ⎝ Cn p q . atunci putem scrie: i i =1 n X (ω ) = ∑ xi I Ai (ω ). Teoremă.

putem scrie: {ω:x1 ≤ X(ω) < x2} = {ω:X(ω) < x2} .1. Bn⊂Bn+1. n −1 < x ≤ n . Propoziţie. yn < x şi lim yn = x .P(ω:X(ω) < x1) = FX(x2) . n →∞ n →∞ n ∈Ν adică: lim P(ω :X(ω ) < xn) = 1 ş i. n →∞ . n∈N. dacă x1 < x2 (este nedescrescătoare) (3) FX(x) = FX(x-0) = lim FX(y) (este continuă la stânga) y↑ x Demonstraţie. x’n<x’n+1. FX(+ ∞ ) = lim FX(x) = 1 x→−∞ x →∞ (2) FX(x1) ≤ FX(x2).⎧0 ⎪C 0 p 0 q n ⎪ n 0 0 n 1 1 n −1 ⎪Cn p q + Cn pq k ⎪ ⎪ FX ( x ) = ⎨∑ Cnj p j q n − j ⎪ j=0 ⎪ n −1 j j n − j ⎪∑ C n p q ⎪ j=0 ⎪ ⎩1 . Funcţia de repartiţie a unei variabile aleatoare X are următoarele proprietăţi: (1) FX( −∞ ) = lim FX(x) = 0. şirul de evenimente (An) n∈N este descendent. n∈N şi Urmează. crescător.…. 1< x ≤ 2 . deci.n. lim FX(xn) = FX(+ ∞ ) = 1 n →∞ n →∞ (2) Cum x1 < x2. An+1⊂An. =O Deci. n∈N şi putem scrie: lim P(Bn) = P(lim Bn) = P( U Bn ) = 1 .2. lim P({ω :X(ω ) < xn}) = lim Fx (xn) = F(-∞ ) = 0 . n →∞ n →∞ n ∈Ν Fie acum un şir (x’n) n∈N. x>n S-a obţinut o funcţie în trepte (în scară) cu salturi în punctele 0. yn < yn+1. n∈N şi lim Xn = -∞ şi să notăm An = {ω:X(ω) < Xn}. atunci.FX(x1) ≥ 0 (3) Să considerăm şirul (yn)n∈N⊂ R. că: lim P(An) = P(lim An) = P( I An) = 0 n →∞ n →∞ n ∈N IA n / . {ω:X(ω) < x1}⊂{ω:X(ω) < x2} P(ω:x1 ≤ X(ω) < x2) = P(ω:X(ω) < x2) . n →∞ Atunci. Am obţinut un şir ascendent de evenimente (Bn) n∈N. n →∞ Notăm Bn={ω:X(ω) < x’n}. (1) Fie şirul (Xn) n∈N.{ω:X(ω) < x1}. x≤0 . 0 < x ≤1 . k < x ≤ k +1 . Xn+1 < Xn. n∈N cu lim x' n = + ∞ .

pentru celelalte făcându-se analog. Demonstraţie. Dacă X este o variabilă aleatoare şi x1. n →∞ n ∈Ν n ∈Ν n →∞ n →∞ IA n / şi. {ω:x1 < X(ω) < x2} = {ω:X(ω) < x2} .x2∈R. P(ω:X(ω) = xi) reprezintă saltul funcţiei de repartiţie FX în punctul xi. rezultă că: lim P(ω :yn ≤ Xn(ω ) < x) = lim [Fx (x) . adică lim Fx (yn) = Fx (x . Observaţie. din =O lim P(An) = P( I An) = 0 . Dacă FX este continuă.[{ω:X(ω) < x1} ∪ {ω:X(ω) = x1}]. Demonstraţia rezultă imediat.2.(2). în mod necesar.2. Din definiţia funcţiei de repartiţie rezultă că ea are salturi numai la dreapta. rezultă că suma tuturor salturilor este 1.Fx (yn)] = 0 .P(ω:X(ω) = x1) P(ω:x1 ≤ X(ω) ≤ x2) = FX(x2) . n →∞ Urmează de aici că.(3) sunt necesare şi suficiente pentru FX funcţie de repartiţie.FX(x1) P(ω:x1 < X(ω) < x2) = FX(x2) . dăm unele expresii utile în calcul. x1 < x2. n∈N. atunci: P(ω:x1 ≤ X(ω) < x2) = FX(x2) . cu variaţia totală 1. . Unii autori definesc funcţia de repartiţie prin relaţia: GX(x) = P(ω: X(ω) ≤ x). Cum suma tuturor salturilor este 1. orice funcţie de repartiţie are proprietăţile enumerate. Deci. iar noi o vom da numai pentru una din relaţii. Propoziţie. atunci P(ω:X(ω) = xi) = 0. Ca o completare la cele de mai sus. rezultă că: 1 salturi mai mari ca : cel mult 1 2 1 salturi mai mari ca : cel mult 2 3 …………………………………. x∈ R. Cum FX este o funcţie cu variaţia mărginită.FX(x1) + P(ω:X(ω) = x2).FX(x1) . observăm că An⊃An+1.FX(x1) + P(ω:X(ω) = x2) .FX(x1) . care este o mulţime cel mult numărabilă. i=1. 1 salturi mai mari ca : cel mult n n …………………………………. Observaţie.Dacă punem An = {ω:yn ≤ X(ω) < x}.P(ω:X(ω) = x1). orice funcţie cu aceste proprietăţi este o funcţie de repartiţie. deci că proprietăţile (1).0) = Fx (x) .P(ω:X(ω) = x1) P(ω:x1 < X(ω) ≤ x2) = FX(x2) . mulţimea tuturor salturilor este o reuniune numărabilă de mulţimi cel mult numărabile. Luând probabilitatea şi ţinând cont de faptul că {ω:X(ω) ≤ x1} ⊂ {ω:X(ω) < x2}.. Teorema care urmează stabileşte că mulţimea tuturor salturilor ale funcţiei FX este cel mult numărabilă.{ω:X(ω) ≤ x1} = = {ω:X(ω) < x2} . Mai mult. x1 < x2 şi {ω:X(ω) < x1} ∩ {ω:X(ω) = x1} = ∅ şi se obţine: P(ω:x1 < X(ω) < x2) = FX(x2) . i=1.

nu-i adevărată. x ≤ -1 ⎪ ⎪1 FX(x) = P(ω:X(ω) < x) = ⎨ . ea nu determină în mod unic variabila aleatoare. adică.F(x1) = ∫ f(t) dt x1 x2 .Deosebirea constă numai în faptul că. atunci F este derivabilă şi F’(x) = f(x).−1 < x ≤ 1 ⎪2 ⎪ ⎩1 . Din definiţia dată funcţiei f. Y(ω ) = ⎨ X(ω ) = ⎨ ⎪1 . Pe acest câmp. Densitate de repartiţie.1] ⎪− 1. unde P este măsura intervalului. funcţia GX fiind continuă la dreapta. Fie câmpul de probabilitate {[0. x > 1 ⎧0 . se modifică proprietatea de continuitate. Reciproca. când se efectuează calcule cu funcţia de repartiţie. x > 1 Cum FX = FY pe R. Vom dovedi acest lucru pe baza unui contraexemplu.1. definită în acest mod. iar probabilitatea ca variabila aleatoare X să ia valori cuprinse între x1 şi x2.−1 < x ≤ 1 ⎪2 ⎪ ⎩1 . x1<x2 este dată de: P(ω:x1 ≤ X(ω) < x2) = F(x2) . fiind dată o funcţie de repartiţie. Să lămurim un aspect important privind corespondenţa între mulţimea variabilelor aleatoare şi mulţimea funcţiilor de repartiţie. ω ∈[0. va trebui să fim atenţi cum s-a definit funcţia. definim: 1 1 ⎧ ⎧ . ω ∈[ 1 . integrabilă pe R şi astfel încât F(x) = -∞ ∫ f(t) dt . însă. x∈R (2) -∞ ∫ f(x) dx = 1 ∞ Se constată imediat că dacă există densitatea de repartiţie f. rezultă că aceasta are următoarele proprietăţi: (1) f(x) ≥ 0. Dacă există o funcţie f: R→R+. P}. spre deosebire de FX care am văzut că este continuă la stânga. x atunci vom numi funcţia f densitate de repartiţie a variabilei aleatoare X care are funcţia de repartiţie F.1]. Aşadar. Din definiţia funcţiei de repartiţie rezultă că fiecărei variabile aleatoare îi corespunde o singură funcţie de repartiţie.1]. ω ∈[0. rezultă afirmaţia. ) ⎪ ⎪ ⎪ ⎪ 2 2 .1] ⎪ ⎪ 2 2 ⎩ ⎩ Se vede imediat că X ≠ Y şi că: ⎧0 . ω ∈[ 1 . ) 1 . x ≤ -1 ⎪ ⎪1 FY(x) = P(ω:X(ω) < y) = ⎨ . dacă aceasta este discontinuă (în cazul funcţiilor de repartiţie continue am văzut că nu sunt probleme). β[0.

numerele finite (ci(X))1≤i≤q-1 pentru q-i care P(ω:X(ω) ≥ ci(X)) ≥ . n∈I. . x ∈ ( 0. β (a. rezultă a = .π / 2 < x ≤ π / 2 2 -∞ ⎪2 .1) ⎧0 1 ⎪ 1 şi f(x) = ⎨ dx = β(a. x ≤ -π / 2 ⎧0 ∞ ⎪ 1 ⎪1 F(x) = ∫ f ( t ) dt = ⎨ (sin x + 1) .x) unde a.1) ⎩kx (1 . Din condiţia 1 -∞ ∫ f(x) dx = 1 rezultă: ∞ k ⋅ ∫ x a-1 (1. π/2]. cos x ≥ 0 şi să punem condiţia ∞ π /2 π /2 1 f(x) dx = 1 . π / 2] ⎩0 poate fi o densitate de repartiţie.3. definită prin relaţia: ⎧a cos x . x ∈ (0.x) b-1 dx = 1 0 Cum ∫x 0 1 a-1 (1 . x ∈[−π / 2. Exemplu. 2. x>π/2 ⎪ ⎩1 Dacă X este o variabilă aleatoare de tip discret. π / 2] f(x) = ⎨ . Fie X o variabilă aleatoare. b) ⎩ Variabila aleatoare X care are această densitate de repartiţie.1). ∫ 2 -∞ -π / 2 -π / 2 Atunci. x∈ R. . x ∉[−π / 2.Exemplu. x n <x care este o funcţie de repartiţie de tip discret. spunem că urmează o lege beta de parametri a şi b. să se determine funcţia de repartiţie corespunzătoare. cel mult numărabilă. P(ω:X(ω) ≤ ci(X)) ≥ i/q. Dacă k ≥0. f(x) = ⎨ a-1 b-1 . unde 1 ≤ i ≤ q-1. căci pe intervalul [-π/2. b) ⎪ β (a.x) b-1 . atunci: F(x) = ∑ Pn . Să se verifice că funcţia f: R→R. a ∫ cos x dx = 1 şi cum ∫ cos x dx = 2 . x ∉ ( 0. n ∈ I ⊂ Ν ⎠ Pn = P(ω: X(ω) = xn). Numim q-cvantile ale variabilei aleatoare X. ⎛ xn ⎞ X: ⎜ ⎟ ⎝ Pn . F funcţia sa de repartiţie şi q∈N. q ≥ 2. Să se determine constanta n astfel încât f: R→R+ definită prin: .1) ⎧0 . obţinem k = x a −1 (1 − x ) b−1 .b >0 sunt parametri. Caracteristici numerice ale funcţiilor de repartiţie.b). În cazul nostru. x ∉ (0. atunci f(x) ≥0. Să luăm a ≥ 0. q . Definiţie. alegând convenabil constanta a.

F(x+0)).…. avem: me -∞ ∫ f(x) dx = ∫ f(x) dx = 2 m2 ∞ 1 . i = 1.Din relaţia P(ω:X(ω) ≥ ci(X)) + P(ω:X(ω) < ci(X)) = 1 rezultă că q-cvantilele se definesc echivalent: F(ci(X) = 1 . pentru q=100 centilele. pentru q=4 cvartilele. 1 ≤ i ≤ q-1 q Se constată imediat că. echivalent: c i (x) -∞ dx = ∫ f(x) dx = ∫ f(x) dx = ∫ f(x) dx = …= ∫( f(x) q ) c1 (x) cq -2 x c 2 (x) cq -1 ( x ) ∞ 1 c q -1 (x) În cazul q = 2. 1 ≤ i ≤ q − 1 q Luând valori particulare ale lui q. q-cvantilele nu sunt unic determinate. atunci graficul y = F(x) are sau un 1 singur punct sau un segment paralel cu axa OX în comun cu dreapta y = . pentru q=10 decilele. ∫ q -∞ sau.2. Dar dacă F este continuă şi crescătoare. cu ajutorul funcţiei de repartiţie 1 F(c2(X)) ≤ 2 1 F(c2(X)+0) ≥ 2 Dacă graficul funcţiei y = F(x) se completează în punctele de discontinuitate cu rezultatele cuprinse între punctele (x. atunci q-cvantilele se pot determina în mod unic ca soluţii ale ecuaţiilor: i F(ci(X)) = .F(x)) şi (x.q-1.P(ω:X(ω) ≥ ci(X)) ≤ 1 F(ci(X) + 0) ≥ q-i i = q q i . Punctul comun 2 sau punctele comune sunt toate puncte mediane ale funcţiei de repartiţie F. Aşadar. mediana se obţine ca soluţie a ecuaţiei F(x) = (soluţie care 2 este unică). în general. Dacă există densitatea de repartiţie f(x) atunci se pot determina uşor q-cvantilele cu ajutorul ecuaţiei: c i (x) i f(x) dx = . mediana variabilei aleatoare X este numărul real c2(X) care satisface condiţiile: 1 P(ω:X(ω) ≥ c2(X)) ≥ 2 1 P(ω:X(ω) ≤ c2(X)) ≥ 2 sau. Când F este 1 continuă şi strict crescătoare. obţinem pentru q=2 mediana.

. k = 0. Definiţie. < 0 rezultă că este vorba de un maxim. n p np q n p Cum f’’(xmod) = - 1 care este valoarea cea mai probabilă pentru X.⎟ ⎠ ⎝ k! Soluţii. Bn = B⋅…⋅B cu semnificaţia menţionată. avem repartiţii unimodale.q ≤ k ≤ np + p. 1) Să se calculeze valoarea mediană pentru repartiţia cu densitatea ⎧λe . Fiind dată funcţia de repartiţie F care are densitatea f..2. orice punct de maxim local pentru f se numeşte mod (punct modal). x > 0 f(x) = ⎨ .3 e σ 2π ( x − m )2 2σ 2 = 0 conduce la xmod = m.1. n⎠ ⎜e .. 1) ∫ λe . Analog. Vectori aleatori.. Exemple.unde me este punctul mediană al repartiţiei. bimodale sau multimodale în general.λx .P} este un câmp de probabilitate şi (Rn. Dacă {Ω. I⊂N şi sunt presupuse a fi aşezate în ordine crescătoare. După numărul punctelor de maxim pentru f. 2. notând Pk = P(X=xk). e -λ λ k-1 ( k − 1)! ≤ e -λ λk k! ≥ e -λ λ k +1 (k + 1)! ne conduce la valoarea cea mai probabilă λ-1 ≤ k ≤ λ.x ≤ 0 ⎩0 2) Să se determine valoarea modală pentru repartiţie N(m.σ) = 1 σ 2π e 3 − ( x − m)2 2σ 2 x-m − . Funcţii de repartiţie şi densităţi de repartiţie multidimensionale.. de unde me = λ 2 2 0 2) f(x. cu R = Rx⋅ … ⋅xR. Y = ⎜ -λ λ X: ⎜ k k n − k ⎟ ⎝ C n p q ..λx dx = conduce la 1 ..K. k = 0.σ).4.2. punctul modal poartă numele de valoarea cea mai probabilă. σ 2π k −1 n − k +1 k n−k +1 k +1 n − k −1 q ≤ Ck ≥ Ck q 3) C k-1 ne conduce la np . 3) Să se stabilească valoarea cea mai probabilă pentru repartiţiile: ⎞ ⎛k ⎛k ⎞ ⎟ ⎜ k ⎟ . Dacă valorile variabilei aleatoare X sunt (xn)n∈I.λm e = . valoarea cea mai probabilă xk este cea care corespunde probabilităţii Pk ce satisface dubla inegalitate Pk-1 ≤ Pk ≥ Pk+1. În cazul repartiţiilor discrete. f '(x) = . m.1. me 1 ln 2 1 . atunci X:Ω→Rn este o variabilă aleatoare n-dimensională (un vector aleator n-dimensional) dacă n .Bn) un câmp complet aditiv.e .

1≤j≤n.X2(ω).xn).x2.X2.. x2.….. când ea devine F(y1. (∀) B=B1x…x Bn ∈Bn. xn) ≥ 0 unde: Pi = FX(y1. evident. n sunt nedescrescătoare. u2 . yn) ... atunci FX → 0.. 1≤ i ≤ j ≤ n şi aşa mai departe.y2). funcţia de repartiţie FX tinde către 1).….…. reprezintă probabilitatea de mai jos P(x1≤X1<y1.. iar acest lucru se vede foarte bine în cazul n=2.yn) ∈Rn astfel încât xj < yj. x2≤X2<y2) ≥ 0 Să considerăm mulţimea (x1. 2) FX este continuă la stânga în raport cu fiecare argument 3) Dacă cel puţin una dintre componente xi → -∞.1.yn)) ≥ 0.xn) = P({{ω:X1(ω) < x1.Xn(ω) < xn}) Ca şi în cazul unidimensional..y2) .yj-1..F(x1..….Xn).xi...F(x2. x2.yn) Pij = FX(y1.. k ∈1. (∀) (x1. y2. X2(ω) < x2..… Proprietatea (5) completează proprietăţile funcţiei de repartiţie.yi-1.yi+1.+( −1) n FX(x1.x2. X2(ω) < x2. xk+1.∑ Pi + ∑ Pij − i=1 i < j =1 n n i < j< k =1 ∑P n ijk +..….…..x2.x2.y1) + F(x1..…... xn) = 1 (dacă toate componentele xj → ∞ . xk. are loc: FX(y1.…. vom considera definiţia echivalentă. X:Ω→Rn este variabilă aleatoare n-dimensională dacă {ω:X1(ω) < x1. astfel încât orice funcţie de repartiţie n-dimensională are proprietăţile amintite şi reciproc.1] definită prin: FX(x1. adică FX este nedescrescătoare în raport cu fiecare argument.X2(ω). cu Pijk.….X-1(B) = {ω:(X1(ω). Ca şi în cazul unidimensional. Ea reprezintă faptul că: P(ω:(X1(ω).y1)⋅[x2.xn)∈Rn.yi-1. funcţia F:Rn→[0..x2) ≥ 0 care. xi + 1.….y2. Numim funcţie de repartiţie n-dimensională a variabilei aleatoare vectoriale X=(X1. Definiţie.. adică: lim FX (x1.. xi .….…. (y1.….Xn(ω)) ∈ [x1.….Xn(ω) < xn}∈ K..yi+1..….y2)⋅…⋅[xn.y2) .y1)⋅(x2. funcţia de repartiţie are o seamă de proprietăţi care-i sunt specifice şi care o caracterizează: 1) Funcţiile parţiale xk → FX(x1.xj. x n →+∞ lim FX (x1. xn) = 0 x i →−∞ 4) x1 →+∞ .xk-1. xi...xi.….yj+1.yn).Xn(ω)) ∈ B}.xn) ∈Rn. 5) Pentru orice două n-upluri (x1.

.2) D2 D1 (2.1) + F(1.2) ..2) .1 + 0 = -1 şi. iar şi A = {X1<y1. În acest caz..x2. ∫ f (u ..….. X2<x2}≠∅. Din definiţia dată. Iată.du ..0) Să luăm acum y1=y2=2.1) = 1 . iar pe D2 = C R 2 D1 ia valoarea 1.. X2(ω)<y2} . Luând probabilitatea şi folosind proprietăţile acesteia. x2≤X2(ω)<y2} = = {ω:X1(ω)<y1. X2<x2} A1∩A2 = {X1<x1.1 . dacă x ≤ 0 sau y ≤ 0 sau x + y ≤ 2 F(x. expresia dată de (5) nu poate reprezenta probabilitatea unui eveniment. u . X2(ω)<y2}]. pe D1={(x.…. u ) du du . xn) = −∞−∞ ∫ ∫ . Să observăm că există funcţii F:Rn→[0.X2.Xn).y2 x2 0 x1 y1 u1 Cum {ω: x1≤X1(ω)<y1. X2<y2} ∪ {X1<y1.xn)≥0 oricare ar fi (x1.F(1.. în rest Deci.x2. 1 2 n 1 2 n xn −∞ atunci funcţia f poartă numele de densitate de repartiţie n-dimensională a vectorului aleator (X1. în cazul n=2.. X2(ω)<y2} ∪ {ω:X1(ω)<y1. Să introducem acum noţiunea de densitate de repartiţie n-dimensională.[{ω:X1(ω)<x1. astfel încât: x1 x 2 F(x1.. se obţine imediat rezultatul. rezultă imediat că funcţia f are proprietăţile: (i) f(x1. Dacă există o funcţie f:Rn→R continuă şi integrabilă pe Rn.xn)∈Rn . deoarece nu îndeplinesc proprietatea (5). deci..…. Fie F:R2→R definită prin: ⎧0 .F(2. un exemplu care justifică afirmaţia.y)⏐x≤0 sau y≤0 sau x+y≤2} F ia valoarea zero. y) = ⎨ ⎩1 .. X2<y2} ⊃ A1∪A2 = {X1<x2. (0. F(2. x1=x2=1.1] care au proprietăţile (1)-(4) şi care nu pot fi funcţii de repartiţie.

.... J finită. i ∈1.…. ∂x1 ∂x2.P}. să avem: P( I X α < aα )) = ∏ P( X α < aα )) .. xi. Condiţia necesară şi suficientă ca (Xα)α∈I să fie independente este ca pentru orice J⊂I. x2...Xk.......x2. 1 ≤ k < n.. ∂xn şi că f(x1.Xn)..X2. xi + 1. xk ... x 2.. relativ la independenţa variabilelor aleatoare.. Teoremă. xn ) = Fi( xi ).. ceea ce se poate exprima imediat când este vorba de variabilele Xi 1 . putem introduce o repartiţie marginală relativ la k variabile . u ) du du . xi −1 →∞ xi +1 →∞ .. x n →∞ lim F ( x1...X2.. xn) Tot din definiţie rezultă că există ∂x1 ∂x2.x2.…. importantă în aplicaţii..xn) este funcţie de repartiţie a vectorului aleator (X1. ..xn)= Să considerăm acum câmpul de probabilitate {Ω.. Definiţie. x2... (Xα)α∈I o familie de variabile aleatoare (I fiind o familie de indici)...K. x k ( x1.Xn) atunci: x1 →∞ ... Analog. xn ) = Fx 1 .Xn).du 1 2 n 1 2 ∞ ∞ ∞ n =1 −∞ ∂ n F(x1.. ....…. ∫ f (u . dacă pentru orice J⊂I..xn) este densitatea de repartiţie a vectorului aleator (X1.. J finită şi orice familie de mulţimi boreliene (Bα)α∈J are loc relaţia: −1 −1 P( I X α ( Bα )) = ∏ P( X α ( Bα )) α ∈J α ∈J Se poate demonstra următoarea teoremă. . . Xi k şi obţinem FXi1 ... Xi 2 . Astfel.... u .. xi k ) ... Dacă F(x1.…. xk ) . xk + 1. xi − 1.….Xi k ( xi 1 . n se numeşte funcţie de repartiţie marginală a variabilei Xi. dacă f(x1. de exemplu. Acelaşi lucru este valabil în cazul densităţilor de repartiţie ndimensionale. x 2..…... atunci densitatea de repartiţie marginală a variabilei Xi este dată de: .….(ii) −∞−∞ ∫ ∫ . x n →∞ lim F ( x1.x2. Astfel. ∂xn n ∂ F(x1. xn) . xi 2 .. aα∈R. Familia (Xα)α∈I este o familie de variabile aleatoare independente. dacă alegem primele k variabile ale vectorului (X1.X2..Xi 2 . α∈J α ∈J α ∈J Vom introduce acum noţiunea de funcţie de repartiţie marginală. atunci x k +1 →∞ ......

f Xi (xi) = −∞ ∫ . 1 ≤ j ≤ n cel mult numărabile.....Xk (x1.. n) ∈ 1⋅ 2⋅..in ( k+1. atunci: F1(x) = lim F(x.. y) y →∞ x →∞ f1(x) = ∫ f(x.i2. repartiţia marginală a variabilei Xk este ⎛ x ik Xk : ⎜ ⎜P ⎝ *... în mod asemănător.ik+1. k+1... Xn ) : ⎜ P (i1.. fie repartiţia vectorului (x...... xi.in i1 i2 in Atunci.Xn) sunt variabile aleatoare discrete. k-1..X2.. .. F2(y) = lim F(x.i2.⋅ n ∑ I P i1.…. xk) = dx j ∫ .ik. atunci repartiţia n-dimensională este dată de: ⎛ (x i1 ...* i = ( 1..... se obţine: f X1.Y) este un vector aleator cu funcţia de repartiţie F(x. Xn = x ) i1.i2..in ⎠ Ij... X2 = x .. xn)∏ dx j −∞ j ≠i j =1 ∞ ∞ n Desigur că.⋅ n i i ∑ I I P i1. .... X2.... n) ∈ k+1⋅. .. i2...* k*.y). y)dx -∞ -∞ ∞ ∞ În cazul discret...* ⎞ ik ∈ Ik⎟ ⎟.. .... y). cât şi în cel discret..1.. iar P = P(X1 = x ... ⎝ i1. P = i1...* unde: P *. in) ∈ I1 ⋅ I2⋅..y) . ⎠ i i i i II I I Ca şi în cazul variabilelor aleatoare de tip continuu. xi ..... y)dy. f2(y) = ∫ f(x.. Dacă (X..i2..⋅ k-1⋅ k+1⋅. −∞ ∫ fi (x1... xn) j∏ = k +1 −∞ 144 4 244 4 3 n− k ∞ ∞ n Dacă componentele vectorului aleator X=(X1..y) şi densitatea de repartiţie f(x..ik*...*ik*. xi + 1. ∫ fi (x1.... x i2 . x2......i2..in Să vedem ce devin aceste relaţii pentru n=2 atât în cazul continuu..⋅In⎟ ⎟...... x in ) ⎞ ⎜ ( X1.X2...........

. (X... f(x1.. 2.y) = F1(x) ⋅ F2(y) f(x. j = 1.….…...y) = f1(x) ⋅ f2(y) Pij = Pi* ⋅ P*j .. i=1.2. ..2. Y) : ⎜ ⎝ pij ⎠ pe care să o scriem sub forma tabelului de mai jos: Y X x1 x2 … xi … xm p*j unde am pus: pij=P(X=xi..….2. X2.…. j=1 n sau. xn) = ∏ fj(xj) j=1 n Dacă X1.…. m.X2. m. m.. j = 1. Având în vedere aplicaţiile.. xn) = ∏ Fj(xj) ... .* Pentru n=2 relaţiile devin: F(x. x2....* *i2*. pentru cazul particular n=2..X2...2..Xn ale unui vector aleator (X1.X2. ne vom referi la densitatea de repartiţie condiţionată în cazul continuu şi repartiţie condiţionată în cazul discret. j=1. **.m.*in i1*.…. p * j = ∑ pij.. Deci. în cazul în care există densităţi de repartiţie.2. Y=yj).. .. n⎟ . yi) ⎞ i = 1. precum şi dificultăţile care apar în tratarea acestei noţiuni.. p ..Xn sunt independente dacă şi numai dacă F(x1. n j=1 i=1 n m y1 y2 … yj … yn pi* p1* p2* pi* pm* p11 p12 … p1j … p1n p21 p22 … p2j … p2n pi1 pi2 … pij … pin pm1 pm2 … pmj … pmn p*1 p*2 … p*j … p*n ∑∑p = ∑p = ∑p ij i* i=1 j =1 i =1 j =1 m n m n * j =1 Cu ajutorul funcţiilor de repartiţie marginale putem exprima acum simplu condiţia de independenţă a componentelor X1.. i1i2. i = 1.n...….... 2..in =p p .⎛ (xi.Xn).n pi* = ∑ pij. k=1.2.2.... x2. .. i = 1.Xn sunt de tip discret vom avea p oricare ar fi ik∈Ik. variabilele aleatoare X1.. n O noţiune importantă pentru aplicaţii o constituie cea de repartiţie condiţionată.. j = 1..

j ∈ J X / Y = yj : ⎜ ⎝ P(X = xi / Y = yj ⎠ şi analog: ⎛ yj / X = xi ⎞ j ∈J⎟ . y) −∞ ∫ f(x. y)dy = ⎨ 1 20 10 −∞ ⎪ 0 . y)dx = ⎨ 0 20 10 −∞ ⎪ 0 .y) cu componentele X şi Y variabile aleatoare discrete. j∈J P(X = xi) pi * Exemplu. y) dy ∞ În cazul vectorilor aleatori (x.Y) cu densitatea de repartiţie: 1 ⎧ ⎪ (x + y + 2) .3) ⎩ ∞ . (c) Funcţia de repartiţie a vectorului aleator (X.2) ⎩ ⎧2 1 y+3 ⎪∫ (x + y + 2)dx = .2) f1(x) = ∫ f(x. se defineşte densitatea de repartiţie a variabilei aleatoare X condiţionată de Y=y şi pe care o vom nota f(x/y) prin: f(x. y) = f1(x) f(x. i ∈I Y / X = xi : ⎜ ⎝ P(Y = yy / X = xi ⎠ P(X = xi. y ∉(1. y) f(x / y) = = ∞ f2(y) ∫ f(x.Fiind dat vectorul aleator (X.Y).3) f2(y) = ∫ f(x. x ∉(0. (b) Funcţiile de repartiţie marginale. x ∈(0. dacă (x. avem: ⎛ xi / Y = yj ⎞ i ∈ I⎟ . Se consideră vectorul aleator (X. Y = yj) pij P(X = xi / Y = yj) = p(xi / yj) = = P(Y = yj) p*j P(X = xi. în rest ⎩ Să se determine: (a) Densităţile de repartiţie marginale. i∈I.2)x(1. Y = yj) pij = P(Y = yj / X = xi) = p(yj / xi) = .3) f(x. y) f(x.Y). Soluţie: (a) Din definiţia densităţilor de repartiţie marginale rezultă: ⎧3 1 x+4 ∞ ⎪∫ (x + y + 2)dy = . y) dx −∞ În mod analog. (d) Densităţile de repartiţie condiţionate. y ∈(1. y) = ⎨ 20 ⎪ 0 . y) ∈(0. avem densitatea de repartiţie cu variabile aleatoare y condiţionată de X = x: f(y / x) = f(x.

∞ ) x y ⎧ ⎪0 ⎪1 ⎪ ( x 2 y + xy 2 + 4 xy − x 2 − 10 x ) ⎪ 40 ⎪1 = ⎨ ( y 2 + 6 y − 7) ⎪ 20 ⎪ 1 ( x 2 + 8x ) ⎪ 20 ⎪ 1 ⎪ ⎩ (d) Densităţile de repartiţie condiţionate: ⎧x + y + 2 f(x. ∞ )x(3. x ∈ (0.2) f1(x) ⎪ 0 . y) ∈(0. y) ∈(0. (x.2]x(3.3) f(y / x) = = ⎨ 2(x + 4) .2) f(x / y) = = ⎨ 2(y + 3) . (x. x ∉ (0.x > 2 ⎪ ⎩ ⎧ .(b) ⎧ . y) ∈(2. y) = (c) −∞ −∞ ∫ ∫ f(u.3] .2]x(1. (∀) x∈(0. x ∈( −∞.−∞ < x ≤ 0 ⎪0 x ⎪ ⎪1 F1(x) = ∫ f1(u)du = ⎨ (x 2 + 8x) . v) du dv = . y ∈(1. caracetristici care intervin în mod frecvent în aplicaţii şi care vin să caracterizeze diversele tipuri de legi de repartiţie.3) f2(y) ⎪ 0 . (x. y) ⎪ .1 < y ≤ 3 −∞ ⎪ 20 ⎪1 . y ∉(1.−∞ < y ≤ 1 ⎪0 y ⎪ ⎪1 F2(y) = ∫ f2(v)dv = ⎨ (y 2 + 6y .3) ⎩ 2.y> 3 ⎪ ⎩ F(x.0 < x ≤ 2 −∞ ⎪ 20 ⎪1 . (x. (∀) y∈(1. Numim moment de ordin k al variabilei aleatoare X numărul . Proprietăţi Asociem acum o serie de caracteristici numerice variabilelor aleatoare.3] . y) ⎪ . Este vorba de momentele obişnuite şi centrate de diferite ordine.0] sau y ∈(-∞.2) ⎩ ⎧x + y + 2 f(x. Definiţie.1] . ∞ ) . Momente obişnuite şi centrate. y) ∈(2.5. ∞ )x(1.7) .

X2. care joacă un rol tot atât de important ca şi cele obişnuite. definit prin: Mk(X) = Mk(| X| ) = ∫ | x| k dF(x) -∞ ∞ Dacă variabila aleatoare X are densitate de repartiţie. Un caz important pentru aplicaţii este acela în care există densitatea de repartiţie f a variabilei aleatoare X şi atunci: Mk(X) = −∞ ∫x ∞ k f(x) dx (în ipoteza că există integrala Riemann improprie). însă. k j∈J -∞ ∞ Să definim acum momentele centrate. Dacă X este variabilă aleatoare discretă. Momentul centrat de ordinul doi poartă numele de dispersie a variabilei aleatoare X şi o vom nota µ2(X) sau D2(X) sau σ2X. J cel mult numărabilă.k2. atunci: µk(X) = ∫ (x − M(x)) k f(x ) dx . Numim moment centrat de ordinul k al variabilei aleatoare X numărul µk(X).Xn). Pentru aceasta avem nevoie însă de unele proprietăţi ale valorii medii pe care le vom da în cele ce urmează. Mk(X) = ∫ | x| k f(x) dx . Definiţie. µk(X) = ∑ x j − M(X)) k P(X = xj) . definit prin: µk(X) = ∫ (x − M(x)) k f(x ) dx -∞ ∞ Dacă variabila aleatoare X are densitatea de repartiţie f(x). j∈J -∞ ∞ Momentul de ordinul unu poartă numele de valoare medie şi vom scrie M1(X)=M(X). dacă acesta există. numim moment mixt de ordinul k1.…. iar dacă X este de tip discret. inclusiv. Mk(X) = ∑ | x j | P(X = xj) . dacă integrala Stieltjes există. dacă acesta există.Mk(X) = −∞ ∫x ∞ k dF(x) . Numim moment absolut de ordinul k al variabilei aleatoare X numărul Mk(X) . j∈J J cel mult numărabilă. Radical din dispersie poartă numele de abatere medie pătratică.kn numărul . Definiţie. atunci: Mk(X) = ∑ x k j P(X = xj) . Înainte. Momentele centrate de ordinul k se pot exprima cu ajutorul momentelor obişnuite până la ordinul k. să introducem noţiunea de moment mixt. în ipoteza că seria este convergentă. iar dacă X este de tip discret. Fiind dat vectorul aleator X = (X1.….

.....0.....Xn) = −∞ ∫ ∞ k2 kn .(xj n ... xn) ∏ dxj −∞ j=1 ∞ n ..kn (X1X2..…. x n f(x1... xn) ∏ dxj −∞ j=1 j=1 iar în cazul variabilelor aleatoare discrete..kn (X1X2. x jn P(X1 = x j1 ... ∫ x1k1 x 2 .. ..kn (X1X2..M(Xj)) kj f(x1. ∫ ∏ (xj ... se definesc momentele centrate de ordinul k1.0 (X1X2.Xn) este de tip discret. Xn) = µ k1k2..X2..M(Xj)) kj dn F(x1.....kn (dacă ele există): µ k1k2....…. ∑ x jn ∈Jn ∞ k1 j1 kn 2 ⋅ xk j2 ... ∫ x k p f(x1...Xn) are densitatea de repartiţie f(x1. xn) dx1. µk1k2.…... −∞ j=1 ∞ n n ∞ n sau..k...Xn) = ∑ .. ∫ ∏ (xj ....xn)... când există densitatea de repartiţie f(x1....0.k2.. x n dn F(x1. X n = x jn ) Analog.... −∞ ∫ ∞ . M k1. xn) −∞ ∞ dacă există integrala Stieltjes multiplă. X 2 = x j2 . ∑ (xj1 .... Xn) = −∞ ∫ ∞ .dxn ∞ −∞ (în ipoteza că integrala multiplă de ordinul n există).. x2.kn (X1X2. iar dacă vectorul (X1..….….... Xn) = −∞ ∫ . Xn) = −∞ ∫ ∞ k2 kn ..Xn) = j 1∈J 1 ∑ .. Dacă vectorul aleator (X1......M(X1 )) k1 .M(X n )) k n P(X1 = x j1 ..xn)....X2.M k1k2.. xn) ....... x2..k n (X1X2..x2...x2. X n = x jn ) j 1∈J 1 jn ∈Jn Din momentele mixte se pot obţine momentele variabilelor aleatoare unidimensionale obişnuite sau centrate: Mk(Xp) = M 0. atunci M k1k2...kn (X1X2. x2. x2. x2. ∫ x1k1 x 2 .

Operaţia valoarea medie are următoarele proprietăţi: (1) Dacă variabila aleatoare X=c (constantă) cu probabilitatea 1. 0... x ) dx ) dx 2 1 2 1 −∞ = ∫ x1 f1(x1) dx1 + ∫ x2 f2(x2) dx2 = = M ( X 1) + M ( X 2 ). ∫ ∏ (xp . j=1 j=1 n n .n..µk(Xp) = µ0. Propoziţie.. 0 .X2.. x2) dx1dx2 + ∞ 2 −∞ ∞ -∞ −∞ ∞ ∫ ∫ x f(x .xn f(x1)f(x2).2.…. x2) dx1dx2 = ∫ ∞ ∞ 2 1 ∞ ∞ . va rezulta: = M (X1X2. a1 = a2 = 1. xn) ∏ dxj .. xn) dx1.. prin inducţie după n şi folosind proprietatea (2). ⎧0.dxn = −∞ n ∞ n ∞ −∞ ∫ ∞ .Xn (x1. x > c k k şi de aici urmează M(X ) = c . x2.xn) = f1(x1)f2(x2)…fn(xn). x ) dx ) dx 1 1 2 −∞ + -∞ ∫ x ( ∫ f(x ... în ipoteza de independenţă.X2.f(xn) dx1.. j=1 j =1 n dacă X1... x ≤ c ⎛ c⎞ (1) Dacă X = c cu probabilitatea 1.. Demonstraţie.….X2) are densitatea de repartiţie f(x1..…. rezultă afirmaţia.k ..dxn = ∏ ∫ xjfj(xj) dxj = ∏ M(Xj) −∞ j=1 -∞ j=1 ∞ adică M(∏ Xj) = ∏ M(Xj) . ⎛ axj ⎞ (2) Este suficient să demonstrăm în cazul X discretă. x2.Xn) = −∞ ∫ ∞ ...….….. este f(X1.. ∫ x1x2. atunci M(Xk) = ck..X2..…. −∞ j=1 j=1 ∞ n n Frecvenţa de utilizare a valorii medii şi dispersiei în aplicaţii sau în tratarea unor aspecte teoretice impune un studiu al proprietăţilor acestora.....x2.Xn)( x1..x2) şi atunci urmează că: M(X1 + X2) = ∞ ∞ .….. apoi.Xn sunt independente în totalitate şi că vectorul (X1.xn) care.…. atunci X are repartiţia X : ⎜ ⎟ şi deci FX(x) = ⎨ ⎝1 ⎠ ⎩1..Xn sunt independente (în totalitate)..x2..xn f X1X2.∞ −∞ ∫ ∞ ∫ ( x1 + x2)f(x1. Vom presupune pentru simplificare că vectorul (X1.Xn) = −∞ ∫ ∞ .X2. p=1.M(xp)) kj f(x1. ∫ x1x2.Xn)( x1. (4) Presupunând că X1.0 (X1X2.X2.Xn) are densitatea de repartiţie f(X1.∞ −∞ ∫ x1 f(x1. j∈J (3) Este suficient să demonstrăm proprietatea pentru n = 2...... k∈N (2) M(aX) = a M(X) (3) M( ∑ ajXj) = ∑ ajM(Xj) j=1 n j=1 n n (4) M( ∏ Xj) =∏ M(Xj) . x ) dx dx 2 1 2 1 −∞ ∞ ∞ 2 = = -∞ ∫ x ( ∫ f(x .. atunci: a X : ⎜ j ∈ J ⎟ şi deci ⎝ P(X = xj) ⎠ M(aX) = ∑ (aXj) P(X = xj) = aM(X) .

M(aX))2] = M[a2(X .M 2 ( ∑ ajXj) j=1 n j=1 j=1 2 M 2 ( ∑ ajXj) = ( ∑ ajM(Xj)) 2 = ∑ a 2 j M (Xj) + 2 j=1 n j=1 j=1 n n n n n n n 1≤ j< k ≤ n ∑ a a M(X )M(X ) j k j k 2 2 M ( ∑ ajXj) = M (( ∑ ajXj) ) = ∑ a 2 j M (X j ) + 2 2 2 j=1 j=1 j=1 1≤ j< k ≤ n ∑ a a M(X X ) j k j k Cum variabilele X1.…. Dacă. dat fiind faptul că: ⎡ X . atunci D2(X) = 0. ⎝1 ⎠ (3) Aplicăm definiţia dispersiei: D 2 ( ∑ ajXj) = M2( ∑ ajXj) .M2(X) = M2(X) . vom obţine: D2(X) = M[(X . D( X ) n j =1 Demonstraţie.M(X) o vom numi variabilă aleatoare abatere şi.M(X))2] = a2D2(X) ⎛ 0⎞ 2 ⎜ ⎟ .M(X)) = 0.X2. Au loc următoarele proprietăţi pentru momentul centrat de ordinul doi: (1) Dacă X = c (constantă) cu probabilitatea 1. ⎛ c⎞ (1) Cum X are repartiţia X : ⎜ ⎟ . pornind de la definiţie şi folosind proprietăţile valorii medii.Xn sunt independente două câte două. rezultă că: M(XjXk) = M(Xj)M(Xk) şi.M2(X). folosind proprietăţile valorii medii.…. dacă X1. D 2 ⎢ ⎥ ⎥ =1 ⎣ D( X ) ⎦ ⎣ D( X ) ⎦ Propoziţie. 2 (3) D ( ∑ ajXj) = ∑ a 2 j D (Xj ) . Dacă X este o variabilă aleatoare pentru care există M(X).X2. . atunci X . adică D (X)=0.2M(X)X + M2(X)] = M(X2) . Dacă variabila aleatoare X are valoare medie şi dispersie. în plus. există M2(X) atunci. deci. va rezulta imediat că: M(X .M(X) ⎤ M⎢ = 0.Observaţie.M(X) . (2) D2(aX) = a2D2(X). rezultă că M(X) = c şi X .M(X))2] = M[X2 . 2 j=1 n X . atunci are sens pe care o vom numi abatere normală.Xn sunt independente două câte două.M(x) : ⎝1 ⎠ 2 (2) D (aX) = M[(aX .M(X) ⎤ ⎡ X .

f (x) = e 2π pentru care γ2 = 0. Se consideră variabila aleatoare Poisson ⎞ ⎛k ⎟ ⎜ k X : ⎜ -λ λ k = 0. µ 2 ( X ) = D( X ) = σ X este abaterea medie pătratică a variabilei aleatoare X.2 j =1 n 1≤ j< k ≤ n ∑ a a M(X )M(X ) = j k j k 2 = ∑ a [M(X ) . µk ( X ) = Mk[ X − M ( X )] = M [( X − M ( X )) k ] = ∑ ( −1) j Ckj Mk − j( X ) M j ( X ).⎟ ⎟ ⎜e ⎠ ⎝ k! . Mk ( X ) = ∑ Ckj µ k − j ( X ) M j ( X ) j=0 k Alte valori tipice ale variabilei aleatoare se pot introduce de la momentele obişnuite sau centrate. iar cele cu γ2 < 0 . Pentru variabilele aleatoare pentru care există µ2(X) şi µ4(X) se introduce coeficientul de exces prin expresia: µ (X) γ 21 = 4 −3 µ22 ( X ) Acest coeficient caracterizează gradul de aplatizare a graficului densităţii de repartiţie faţă de graficul densităţii de repartiţie normală: 1 −x2 /2 . se introduce noţiunea de asimetrie a unei variabile aleatoare pentru care există µ2(X) şi µ3(X). Să considerăm acum două exemple pentru care să punem în evidenţă coeficienţii de asimetrie şi de exces.1.platocurtice. Aşa.M (X j )] = ∑ a 2 j D (Xj) j =1 2 j 2 j=1 n Aşa după cum am amintit. de exemplu... Repartiţiile pentru care γ2 = 0 se numesc mezocurtice. Într-adevăr..2 2 D 2 ( ∑ ajXj) = ∑ a 2 j M (X j ) + 2 j=1 j=1 2 j n n n 1≤ j< k ≤ n ∑ ajakM(Xj)M(Xk) − ∑ a 2j M 2 (X 2j ) .2. Ca aplicaţie a proprietăţilor valorii medii putem acum să arătăm că momentele centrate de ordinul k se pot exprima cu ajutorul momentelor de ordin cel mult k şi reciproc. De aici rezultă că asimetria este pozitivă dacă valoarea modală este situată în stânga valorii medii şi negativă în caz contrar. coeficientul de asimetrie al variabilei X este µ (X) γ 1 = 33 µ2 / 2 ( X ) Se constată imediat că acest coeficient are acelaşi semn cu momentul µ3(X). cele cu γ2 > 0 leptocurtice. k ∈ Ν * j=0 k şi reciproc. Prin definiţie.

şi variabila aleatoare Y repartizată exponenţial negativ. .x ≤ 0 ⎪ ⎩ Atunci. M(X) = ∑ ke -λ k=0 ∞ λx k! =λ = λe -λ ∑ k k=1 M2(X) = ∑ k 2 e -λ k=0 ∞ λx k! ∞ ∞ ⎡ ∞ λk-2 λk-1 ⎤ = e -k λ ⎢λ ∑ +∑ = λ2 + λ ⎥ ( k − 1)! ⎣ k=2 ( k − 2)! k=1 ( k − 1)!⎦ 2 λk-1 M3(X) = ∑ k e k=0 ∞ 3 −λ λ x k! = e λ∑ k -λ k=1 ∞ λk-1 ( k − 1)! = e λ ∑ [( k − 1) + 2( k − 1) + 1] −λ 2 k=1 ∞ λk-1 ( k − 1)! = = λ3 + 3λ2 + λ M4(X) = ∑ k e k=0 ∞ 4 -λ λx k! = λ4 + 4λ3 + 8λ2 + 2λ Întrucât µ2(X) = λ şi µ3(X) = M3(X) . ∞ x 1 k −θ M k (X) = ∫ x e dx = θ k Γ ( k + 1) θ 0 M1(X) = θ M2(X) = 2θ2 M3(X) = 6θ3 M4(X) = 24θ4 µ1(X) = 0 µ2(X) = θ2 µ3(X) = 2θ3 µ4(X) = 9θ4 µ3 ( X ) 2θ 3 γ 1 = 3/ 2 −3= = 2 . de parametru λ: x ⎧ 1 −θ .x > 0 ⎪ ⎪ e f(x) = ⎨θ θ>0 ⎪ 0 .3M(X)M(X) + 2M3(X) = λ. µ2 ( X ) θ deci o repartiţie leptocurtică.pozitiv asimetrică µ2 ( X ) θ6 µ4 ( X ) 9θ 4 γ2 = 2 − 3= 4 − 3= 6. rezultă: γ1 = µ3 ( X ) λ 1 = 3/ 2 = 1/ 2 > 0 3/ 2 µ2 ( X ) λ λ ceea ce înseamnă că repartiţia Poisson este asimetrică (pozitiv asimetrică) 1 2 3 M 3 ( X ) M ( X ) + C4 M 2 ( X ) M 2 ( X ) − C4 M 4(X) + M 4(X) = µ 4 ( X ) = C40 M 4 ( X ) − C4 = 2λ (1 + 2λ − λ 2 ) µ4 ( X ) 2λ (1 + 2λ − λ 2 ) −3 −3= γ2 = 2 µ2 ( X ) λ2 (1 + λ ) 2 În cazul repartiţiei exponenţiale.

6. Inegalităţi pentru momente.Inegalitatea lui Cebîşev. are loc inegalitatea: D2 ( X ) P(ω:| X (ω ) − M ( X )| ≥ ε ) ≤ 2 ε Pentru a dovedi acest lucru. . pornim de la expresia dispersiei: D 2 ( X ) = ∫ ( x − M ( X )) 2 dF ( x ) = R | x − M ( X )|≥ ∫ ( x ε− M ( X )) 2 2 dF ( x ) + | x − M ( X )|< ∫ ( x ε− M ( X )) 2 dF ( x ) ≥ ≥ | x − M ( X )|≥ε ∫ ( x − M ( X )) 2 dF ( x ) ≥ ε ⋅ 2 | x − M ( X )|<ε ∫ dF ( x ) = ε D2 ( X ) P(ω:| X (ω ) − M ( X )| ≥ ε ) Deci. pentru orice ε > 0. s r r s Dacă luăm obţinem: a= X X b= r 1/ r . ( M (|/ Y | sr ))1/ s ( M (| X | )) şi înlocuim în inegalitatea considerată. | a| r | b| s 1 1 + .b∈R. 9 motiv pentru care este cunoscută şi sub numele de “regula 3σX”. atunci. Inegalitatea lui H lder Dacă X şi Y sunt variabile aleatoare astfel încât există Mr(|X|) şi Ms(|Y|). Vom pleca de la inegalitatea | ab| ≤ 1 2 1 2 (M2(|Y|)) . + = 1. r > 1. Dacă X este o variabilă aleatoare pentru care există M(X) şi D2(X). r s Pentru r = s = 2 obţinem un caz particular. care mai poate 9 9 fi scrisă 8 P(ω : M ( X ) − 3σ X < X (ω ) < M ( X ) + 3σ X ) ≥ . P(ω:| X (ω ) − M ( X )| ≥ ε ) ≤ ε2 P(ω :| X (ω ) − M ( X )| ≥ ε ) + P(ω :| X (ω ) − M ( X )| < ε ) = 1. cu ajutorul inegalităţii lui Cebîşev putem evalua o limită inferioară a probabilităţii cu care valorile variabilei aleatoare se grupează în jurul valorii medii. atunci există M(|XY|) şi 1 1 1 1 r M(|XY|) ≤ Mr(| X| ) Ms(|Y| ) s . inegalitatea lui Schwartz: M(|XY|) ≤ (M2(|X|)) Demonstraţie. 1 8 Dacă luăm ε = 3σX. Această inegalitate celebră leagă posibilitatea abaterii în valoare absolută de dispersia variabilei aleatoare şi intervine în numeroase aplicaţii. atunci P(ω :| X (ω ) − M ( X )| < 3σ X ) ≥ 1 − = . a. 2. unde r > 1 ş i + = 1 . Dacă acum ţinem seama de egalitatea D2 ( X ) ε2 Aşadar. obţinem: P(ω:| X (ω ) − M ( X )| < ε ) = 1 − P(ω:| X (ω ) − M ( X )| ≥ ε ) ≥ 1 − .

Dacă X şi Y sunt variabile aleatoare astfel încât M(|X|r) şi M(|Y| ) există pentru r ≥ 1. Dacă există M(| X| ) şi M(|X| ) . Pentru r = 1 inegalitatea este evidentă.1)s = r. r 1 r Inegalitatea lui Liapunov (proprietatea de monotonie a momentelor). r1 r2 r1 r2 1 r2 1 r2 . se obţine: M (| XY | ) M (| X | r ) M (| Y | s ) 1 1 ≤ + + =1 r 1/ r s 1/ s r s = ( M (| X | )) ( M (| Y | ) ) rM (| X | ) s( M (| Y | ) ) r s şi. inegalitatea lui Schwartz. Demonstraţie.= se obţine: s r 1 M(|X+Y |) ≤ M(|X| ) r r r 1 r + M(|Y| ) . M(|XY|) ≤ Mr(| X| ) 1 r 1 Ms(|Y| ) s . 1 1 1 ⎡ ⎤ M(| X + Y| r ) ≤ ⎢( M(| X| r )) r + (M(|Y| r )) r ⎥ M(| X + Y| s(r-1) ) s ⎣ ⎦ 1 1 1 Împărţind cu M(| X + Y| s(r-1) ) s şi ţinând seama de faptul că (r . atunci există M(|X+Y|r) şi avem: r 1 M(|X+Y| ) ≤ M(|X| r ) r r 1 r 1 + M(|Y| r ) r . 0 < r1 ≤ r2 atunci (M(| X| )) ≤ (M(|X| )) . aşa cum am menţionat. deci.| XY | | X |r | Y|s ≤ + ( M (| X | r ))1/ r ( M (| Y | ) s )1/ s rM (| X | r ) s( M (| Y | ) s ) Aplicând operatorul valoare medie. Presupunem deci r >1 şi atunci putem scrie: M(| X + Y| r ) = M(| X + Y|| X + Y| r-1 ) ≤ M((| X|+|Y| )| X + Y| r-1 ) = = M(| X|| X + Y| r-1 ) + M(|Y|| X + Y| r-1 Aplicând inegalitatea lui Hlder pentru fiecare termen din ultima sumă obţinem: M(| X|| X + Y| r-1 ) ≤ M(| X| )) M(| X + Y| r 1 1 r s(r-1) ) 1 s 1 M(|Y|| X + Y| r-1 ) ≤ M(|Y| r )) r M(| X + Y| s(r-1) ) s Avem. care este tocmai inegalitatea considerată. deci. Inegalitatea lui Minkowski. Demonstraţie. În cazul în care r = s = 2 se obţine de aici. 1.

cu densitatea de repartiţie bidimensională: ⎧ 1 2 2 ⎪ 4 [1 + xy(x − y )] f(x.1] .Y) şi asupra componentelor facem ipoteza că există M2(X) şi M2(Y). cu semnul egal. Corelaţie şi coeficient de corelaţie. Numim corelaţie (covarianţă) a variabilelor X şi Y momentul mixt µ11 = M[(X.1]x[−1. Definiţie. (x. variabilele X şi Y se numesc necorelate dacă µ11 = 0. Reciproc nu-i adevărat întotdeauna.Pentru r1 = r2 inegalitatea este adevărată.7.M(X))] Adesea se mai notează µ11 = cov(X. Se consideră vectorul aleator (X. Să considerăm vectorul aleator (X. Presupunem deci că r1 < r2 şi atunci r2 1 1 + = 1 şi să aplicăm inegalitatea lui Hlder aşa cum rezultă > 1 . 2. Aceasta înseamnă că: M(XY) = M(X)M(Y) Dacă variabilele X şi Y sunt independente. y) = ⎨ ⎪ 0 ⎩ Dintr-un calcul simplu rezultă imediat că: . lucru ce se poate constata pe următorul exemplu. în rest .M(X)M(Y) Prin definiţie. Din definiţia corelaţiei rezultă imediat că µ11 = M(XY) .Y).Y). Acest indicator măsoară existenţa legăturii stochastice între variabilele X şi Y. atunci ele sunt necorelate. alegem s astfel încât r s r1 2 r1 mai jos: (M(| X| r1 ) = (M(| X| r1 ⋅1) ≤ (M((| X| r1 ) r2 / r1 ))1/ 1 1 r 2 / r1 ( M (1s ))1/ s = ( M(| X| r2 )) r1 / r2 De aici rezultă imediat că (M(|X| r1 )) r1 ≤ (M(|X| r2 )) r2 . y) ∈[−1.M(X)) (Y .

Y două variabile aleatoare pentru care există D2(X) şi D2(Y). (3) | ρ XY | = M[( X − M ( X ))(Y − M (Y ))] M ( ( X − M ( X ))(Y − M (Y )) ) ≤ ≤ D( X )D(Y ) D( X )D(Y ) . (2) Dacă X. au loc proprietăţile: (1) ρXY = 0 dacă şi numai dacă variabilele aleatoare X. Numim coeficient de corelaţie al variabilelor X.Y sunt necorelate. Oricare ar fi variabilele aleatoare X. x∈[-1. Fie X. (2) X.Y = = D(X)D(Y) D 2 ( X )D 2 (Y ) Teoremă. f1 (x) = 1 1 1 + xy(x 2 − y 2 )]dy = . (3) |ρXY| ≤ 1. Demonstraţie.Y astfel încât D2(X)D2(Y) ≠ 0. reciproca nefiind adevărată.Y sunt independente. Intensitatea legăturii stochastice a două variabile aleatoare se poate măsura cu ajutorul unor indicatori numerici dintre care cel mai frecvent întâlnit este coeficientul de corelaţie. ceea ce înseamnă că variabilele X şi Y nu sunt independente. atunci ρXY = 0. Definiţie.Y independente înseamnă M(XY) = M(X)M(Y) şi deci conv(XY) = 0. (1) rezultă imediat. ceea ce conduce la ρXY = 0. y∈[-1.1 M(X) = ∫ 4 −1 − 1 ∫1 4− 1 1 1 −1 ∫ 1 1 x[1 + xy(x − y )] dx dy = ∫ 4 −1 2 2 1 −1 ∫ 1 1 x dx dy + ∫ 4 −1 1 −1 ∫ 1 x 4 y dx dy − −1 ∫ 1 1 x 2 y 3 dx dy = 0 2 1 M(Y) = ∫ 4 −1 −1 1 ∫ y[1 + xy(x −1 − y 2 )] dx dy = 0 1 2 2 1 M(XY) = ∫ 4 −1 1 ∫1 4− 1 ∫ 1 1 xy[1 + xy(x − y )] dx dy = ∫ 4 −1 x 2 y 4 dx dy = 0 −1 ∫ 1 1 xy dx dy + ∫ 4 −1 1 −1 ∫ 1 x 4 y 2 dx dy - −1 ∫ 1 Deci µ11 = 0. Pe de altă parte.y) ≠ f1(x)f2(y). evident.1] 4 −1 2 şi. din însăşi definiţia coeficientului de corelaţie. adică variabilele X şi Y sunt necorelate. (4) |ρXY| = 1 implică o dependenţă liniară între variabilele X şi Y.1] [ ∫ 4 −1 2 1 1 1 1 f 2 (y) = ∫ [1 + xy(x 2 − y 2 )]dx = . f(x. Faptul că invers nu-i adevărat rezultă imediat din exemplul anterior.Y raportul: µ11 M ( XY ) − M ( X ) M (Y ) ρ X.

a < 0 . Dreptele Valori medii condiţionate. X'= M (( X − M ( X )) 2 ) M ((Y − M (Y )) 2 ) + ± 2 M ( X ' Y ' ) = 2 ± 2( ±1) = 0 D2( X ) D 2 (Y ) şi. 2 M [( X − M ( X ))( aX + b − aM ( X ) − b)] aM ( X − M ( X )) . y − M (Y ) x − M( X ) x − M( X ) y − M (Y ) şi se numesc drepte = λ1 = λ2 D(Y ) D( X ) D( X ) D(Y ) de regresie şi se intersectează în punctul (M(X)M(Y)). atunci ρ XY = ±1. Ţinând cont de modul în care s-au definit cele două variabile aleatoare rezultă: X − M( X ) Y = M (Y ) ± D(Y ) D( X ) M (| X '±Y '| 2 ) = ceea ce dovedeşte că: Y = b ± aX. Pe de altă parte. când există densitate de repartiţie condiţionată sau când variabilele sunt de tip discret. atunci.b ∈ R. = ρ XY | = D( X ) D( aX + b) | a| D 2 ( X ) [ ] Deci. valoarea medie condiţionată de evenimentul A a variabilei X este: . prin definiţie. deci. adică o dependenţă liniară. ρXY = a ⎧− 1 =⎨ | a| ⎩1 . Dacă variabila aleatoare X are repartiţia ⎛xj X: ⎜ ⎝ P(X = x j ) ⎞ j ∈J⎟ ⎠ şi dacă A este un eveniment cu P(A) ≠ 0. a ≠ 0 şi să luăm Y = aX + b. Atunci.( M (| X − M ( X )| 2 ))1/ 2 ( M (| Y − M (Y )| 2 ))1/ 2 ≤ =1 D( X )D(Y ) (4) Fie a. Vom lua în consideraţie doar cazurile importante. X’ ± Y’ = 0 cu probabilitatea 1. Y' = D( X ) D(Y ) Atunci.a > 0 şi. M(X’Y’) = ρ XY = ±1. dacă există între X şi Y o dependenţă liniară. Să considerăm acum variabilele aleatoare abatere normată: X − M( X ) Y − M (Y ) .

.. atunci FY ( y1 . y 2 .M(X / A) = ∑ x j P(X = x j / A) .. iar X şi Y admit densităţi de repartiţie. în locul evenimentului A putem lua {Y = yk} şi atunci M(X / Y = y k ) = ∑ x j P(X = x j / Y = y k ) j∈J În ipoteza că există densitatea de repartiţie condiţionată f(x/y) rezultă: x f(x.Y) cu X şi Y de tip discret..Xn)...X2..…. se introduc mediile condiţionate: M(Y / B) = ∑ y k P(Y = y k / B) jkJK M(Y / X = x j ) = ∑ y k P(Y = y k / X = x j ) jkJK 1 M(Y / X = x ) = ∫ yf(y / x) dy = yf(x.......xn)∈Rn : hj(x1. 1 ≤ j ≤ m}.xn) < yj. xn ) .…. xn)) | J| unde J este iacobianul transformării.. j∈J În cazul când avem un vector aleator bidimensional (X. xn). 2. J= D( h1. În cazul în care m = n.. y m ) = ∫ . xn) = fX(h 1 (x1.. h -1 n (x1. Funcţii de argumente aleatoare Fie (Xi) 1 ≤ i ≤ n o familie finită de variabile aleatoare şi să considerăm familia de aplicaţii hj:Rn→R.. x n ) .... Dn unde Dn = {(x1.. D ( x1... ∫ d n FX ( x1 . funcţii care poartă numele de curbe de regresie.…. y) dy f1 (x) -∫ −∞ ∞ ∞ ∞ Se vede imediat că M(X/Y=y) = ϕ1(y) M(Y/X=x) = ϕ2(x)...x2.x2.. 1 ≤ j ≤ m sunt bijecţii diferenţiabile. y) 1 M(X / Y = y) = ∫ xf(x / y) dx = ∫ dx = xf(x.. hj. Dacă notăm cu X = (X1...8..X2. x 2 .….Xn) vectorul aleator n-dimensional şi cu Y = (Y1. hn ) .…. Atunci Yj = hj(X1.. atunci -1 (*) fY(x1. y) dx f 2 (y) f 2 (y) -∫ −∞ −∞ ∞ ∞ ∞ ∞ Analog.. 1 ≤ j ≤ m sunt variabile aleatoare..Y2. 1 ≤ j ≤ m măsurabile Borel.Ym) vectorul aleator m-dimensional.

. Fie Y o variabilă aleatoare a cărei densitate de repartiţie este fX(x) şi să considerăm variabila aleatoare Y = h(X) = X2. relaţia (*) devine: fY(x) = fX(h −1 (x)) |(h −1 (x))'| Exemplu....x ≤ 0 FY ( x ) = P(ω : Y (ω ) < x ) = P(ω : X 2 (ω ) < x ) = ⎨ ⎩P(ω :| X (ω )| < x . x > o şi de aici rezultă: ⎧ 0 ⎪ ⎪ f Y (x) = ⎨ 1 ⎪ fX( x) + fX( − x ) ⎪ ⎩2 x .. dFn( x n ) . 3) W = .x ≤ 0 . prin derivare.y) şi să determinăm densitatea de repartiţie a variabilelor X 1) U = X+Y. 2) V = XY.∗ F )( x ) =( F ∗.x2.. x > 0 ⎧0 .x > 0 [ ] Această relaţie rezultă însă imediat (şi mai simplu). Dn Dn unde Dn = {(x1.∗ F )( x ) 1 y n 1 n Să considerăm acum vectorul aleator (X..Y(x..Y) cu densitatea de repartiţie fX. în cazul m =1 şi Y = h(X1.. Y ≠ 0 . după cum urmează: ⎧0 . ∫ d n FX ( x1 .…. x > 0 De aici. atunci: i =1 n FY ( y ) = ∫ . x 2 .X2..x ≤ 0 =⎨ ⎩FX ( x ) − FX ( − x ) ..x ≤ 0 .…. Ţinând seama de definiţia produsului de compoziţie (convoluţie) şi de asociativitatea sa.Xn)= ∑ Xi .xn)∈R : x1+x2+…+xn < y}. putem scrie FY ( y ) = −∞ n ∫ d ( F ∗. Y . x n ) = ∫ .x > 0 [ ] Pentru familia de variabile aleatoare (Xi) 1 ≤ i ≤ n independente. Atunci h −1 (x) = ± x . rezultă că: ⎧ 0 ⎪ ⎪ f Y (x) = ⎨ 1 ⎪ fX( x) + fX( − x ) ⎪ ⎩2 x .Dacă m = n = 1. ∫ dF 1( x1 )....

Y (x. fU ( u ) = ∞ ∞ −∞ ∫f ∞ (x. Y( . −∞ 2) FV(v)=P(XY<v)= ∫ ∞ {( x .x) dx . Y ∞ u− y (X. atunci fU(u) = −∞ ∫ fX(u − y)fY(y) dy = ∫ fX(x)fY(u − x) dx . y)dy . y)dy − ∫ fX. Rezultă: fU ( u) = −∞ ∫f X. Y (x. y) dx dy = ∫ 0 ∞ −∞ ∫f v y (X. y y y y −∞ 0 Deci. Y (u − y.Y sunt independente. Y) (x. )dx y x x y −∞ ∞ . y) dx dy . prin simetrie. Y(x. fV(v) = -∞ ∫ ∞ 1 v 1 v fX. u .1) FU(u) ∞ = P(X+Y<u)= ∫ {( x . Y( . y)dy = ∫ fX. y) dx dy = −∞ −∞ ∫ ∫f X. Y) (x. y) dx dy 1 v 1 v fV(v) = ∫ fX. y )∈R :xy < v } 2 ∫f 0 X. y) dx dy + −∞ v y ∫ ∫ f$ 0 ∞ X.Y (x. Dacă X. Y( . y )∈R 2 :x + y < u ∫f X. y) dy şi.

y ≠ 0} y 2 ∫ fX. T)(z. z .Y (z .T (z. Y(yw. y) dx dy + −∞ yw ∫ ∫f 0 ∞ X. y)dy = ∫ y fX. y) F(Z. atunci: fW(w) = -∞ ∫ y f (yw)f (y)dy X Y ∞ Observaţie. Y(yw. = =1 0 1 D(z. y)dy − ∫ yfX. t)dt = ∫ f X. y) D(z. y) 1 − 1 x = z-t. y(z. y = t.x)dx -∞ −∞ −∞ −∞ ∞ ∞ ∞ ∞ 2) V = XY.Y (x.Y sunt independente.T (v. D(x. y )∈R : < w . t) = f(X. pe această cale simplă: 1) Z = X+Y şi punem T=Y. t)dt = ∫ f X.y. Cu ajutorul schimbărilor la variabile se pot obţine aceleaşi rezultate. atunci: fV(v) = X 3) FW(w) = P( < w) = Y Urmează că -∞ ∫ ∞ 1 v 1 v fX( )fY(y)dy = ∫ fX(x)fY( )dx x x y y −∞ ∞ yw ∞ ∫ x {( x . t). t)) D(z. y(v. t)) v ⎧ ⎪x = t ⎨ ⎪ y = t ⎩ 1 D(x. y)dy = ∫ f X.Y sunt independente. Y (x. t) = f(X. t) . t) şi fZ(z) = ∫ f Z. y) t = D(v. y)dy 0 −∞ −∞ ∞ 0 ∞ Dacă X. Y(yw.t. y) dx dy = ∫ 0 −∞ ∫ fX. Y(x. t).Y (z . Y)(x(z. y) dx dy fW(w) = ∫ yfX. Y)(x(v. t) D(x. t) 0 v t2 = 1 t 1 − D(x. T = Y FV. Atunci. Y(x.Dacă X.

Y) (yw.P} cu funcţia de repartiţie FX.devine mai dificil de manipulat şi. t) | t| dt = -∞ ∞ −∞ ∫f ∞ (X. dacă punem 1 D( x. de aici. definită prin: ϕX(t) = M(eitX) o vom numi funcţie caracteristică a variabilei aleatoare X. Y)( . de aici. W)(t. obţinem: t t ∞ ∞ −∞ ∫ ∞ v 1 v 1 f(T. t) = f(X. Fie X o variabilă aleatoare definită pe {Ω. t) dt = ∫ f(X. w) = f(X.v 1 f(V. Definiţie. Funcţia caracteristică constituie un instrument puternic de investigaţie şi comod de utilizat. y) dy t | t| y | y| -∞ −∞ ∞ ∞ ⎧x = t ⎪ v ⎨ y= ⎪ t ⎩ Analog. ) dx t | t| x | x| −∞ -∞ 3) Să punem X ⎧ ⎧x = tw ⎪W = Y ⎨ ⎨ ⎩y = t ⎪ ⎩T = Y D(x. Y)( . v) dt = ∫ f(X. fW(w) = −∞ ∫ ∞ f(T. Y)(tw. În multe situaţii . w) 1 0 f(T. V)(t. ) dt = ∫ f(X.îndeosebi în studiul sumelor de variabile aleatoare independente . t) t | t| şi. t) dt = ∫ f(X. Din definiţia funcţiei caracteristice rezultă că: ϕ X (t) = −∞ ∫e ∞ itx dFX ( x ) . fV(v) = −∞ ∫ ∞ v 1 v 1 f(V.9. Y)(tw. Aplicaţia ϕX:R→C. T)(v. Y)( . w) dt = ∫ f(X. y)| y| dy 2. s-au căutat alte instrumente mai uşor de manipulat. y ) = v D( v. t)| t| şi. t ) − 2 t fV(v) = 0 1 = 1 . Funcţie caracteristică. Y)(t. drept urmare.K. Proprietăţi Am văzut că funcţia de repartiţie constituie un instrument analitic de studiat variabilele aleatoare. W)(t. y) w t = = −t D(t. Y)(x. T)(v.

atunci −A e it1x − e it2 x < ε 2 . dacă |t1-t2| < η(ε). ∞ Demonstraţie. atunci ea are proprietăţile: (1) (2) (3) (4) ϕX(0) = 1 | ϕX(t) | ≤ 1 ϕ X (t) = ϕ X ( − t) ϕX este uniform continuă pe R. rezultă că: .t2∈R şi să considerăm ϕX ( t1) − ϕX ( t 2 ) = −∞ ∫e ∞ it1 x dFX ( x ) − −∞ ∫e ∞ it 2 x dFX ( x ) ≤ −∞ −A ∫ (e şi ∞ it1 x −e it 2 x )dFX ( x ) ≤ −∞ ∞ ∫e ∞ it1 x − e it 2 x dFX ( x ) Fie acum ε > 0 şi A > 0 astfel încât −∞ ∫ dF X (x) < ε 8 ∫ dF ( x ) < 8 . e it1x − e it2 x ≤ 2 . Propoziţie. atunci: ϕX ( t ) = ∑ e itxj P( X = xj ) . Deci. din definiţie. rezultă. X A ε Pentru |x| < A.Dacă variabila aleatoare este de tip discret. (1) Rezultă imediat că ϕ X ( 0) = ∫ 1 ⋅ dFX(x) = 1 −∞ (2) ϕX ( t ) = −∞ ∫e ∞ itx dFX ( x ) ≤ −∞ ∫e itx ∞ itx dFX ( x ) = ∫ dFX ( x ) = 1 −∞ ∞ ∞ (3) ϕX ( t ) = −∞ ∫e ∞ itx dFX ( x ) ≤ −∞ ∫e ∞ dFX ( x ) = ∫ e − itx dFX ( x ) =ϕX ( − t ) −∞ (4) Fie t1. dFX ( x ) + ∫ e it1x − e it2 x dFX ( x ) A ∞ ϕX ( t 1) − ϕX ( t 2 ) = −∞ ∫e it1 x −e it 2 x dFX ( x ) + −A ∫e A it1 x −e it 2 x Cum pentru orice x∈R. că: ϕ X ( t ) = ∫ e itx f X ( x )dx −∞ ∞ Propoziţia care urmează grupează principalele proprietăţi ale funcţiei caracteristice. j ∈J iar dacă X admite densitatea de repartiţie fX. Dacă ϕX este funcţia caracteristică a variabilei aleatoare X.

dacă acestea există. (1) ϕY(t) = M(eitY) = M(eit(aX+b)) = M(eibt eiatX) = eibtM(eiatX) = eibtϕX(at) (2) Demonstrăm prin inducţie: n = 2: ϕ ( X . atunci ϕX este de n ori derivabilă şi (k) ϕX ( 0) = i k M k ( X ). A ∞ ceea ce demonstrează afirmaţia. rezultă acum imediat: .ϕX ( t1) − ϕX ( t 2 ) = 2 ∫ dFX ( x ) + −∞ −A ε 2 −∫A A dFX ( x ) + 2∫ dFX ( x ) = ε .X ) ( t ) = M e it ( X1 + X 2 ) = M e it ( aX1 ) e it ( aX 2 ) = M ( e itX1 ) M ( e itX 2 ) = ϕX 1 ( t )ϕX 2 ( t ) 1 2 Presupunem proprietatea adevărată pentru n-1 şi dovedim pentru n: ( ) ( ) ϕ j =1 ∑ Xj n (t ) = M (e it ∑ X ) =M (e j j =1 n it ∑ Xj j =1 n e itXn ) = M (e it ∑ Xj j =1 n ) M ( e itXn ) = ∏ ϕ X j ( t )ϕ Xn ( t ) =∏ ϕ X j ( t ) j =1 j =1 n −1 n −1 Să stabilim legătura între funcţia caracteristică şi momente. atunci: (1) ϕY ( t ) = e ibt ϕX ( at ) Dacă (Xj)1 ≤ j ≤ n sunt variabile aleatoare independente. în virtutea ipotezei făcute. ϕ (k ) X (t ) = i k −∞ ∫x k e dFX ( x ) ≤ itx −∞ ∫x ∞ k dFX ( x ) = Mk (| x| ) < ∞ . Dacă X este o variabilă aleatoare pentru care există Mn(|X|). Teoremă. În expresia funcţiei caracteristice ∞ ϕ X ( t ) = ∫ e itx dFX ( x ) −∞ ∞ să derivăm formal de k ori (k ≤ n). atunci: (2) ϕ (t ) = ∏ ϕ X j (t ) j =1 n j =1 ∑ Xj n Demonstraţie. Propoziţie. Obţinem ϕ Dar. 1 ≤ k ≤ n Demonstraţie. Din derivata de ordin K a funcţiei caracteristice. ∞ (k) X (t) = i k −∞ ∫x k e itx dFX ( x ) . Dacă Y = aX + b.

(Formula de inversiune) Fie X o variabilă aleatoare şi FX. D2(X) = i2 ψ’’X(0) (k) ( 0) . diferite de momentele considerate de noi. Dacă variabila aleatoare X admite momente de orice ordin (finite). deci. definită prin: ψX(t) = ln ϕX(t) a doua funcţie caracteristică a variabilei aleatoare X. teorema de unicitate Am văzut că fiecărei variabile aleatoare îi corespunde funcţia ei de repartiţie FX şi. k! k =0 pe intervalul de convergenţă al seriei de puteri. 1 ≤ k ≤ n Consecinţă. Se constată că ϑ k(X) este funcţie raţională întreagă de primele k momente. ϕX respectiv funcţia de repartiţie şi funcţia caracteristică corespunzătoare. Din definiţia dată. atunci: 1 FX ( x 2) − FX ( x1) = lim c →∞ 2π e − itx1 − e − itx2 ϕ ( t ) dt ∫ it −c c Demonstraţie. pentru orice c ∈R integrala . Fie X o variabilă aleatoare şi ϕX(t) funcţia ei caracteristică. odată cu aceasta. Ne punem acum întrebarea: dacă se cunoaşte funcţia caracteristică. Dacă x1. Formula de inversiune. Definiţie. (s-a luat aici determinarea principală a logaritmului natural). Vom numi aplicaţia ψX:R→C. Teoremă. Pornind de la funcţia caracteristică vom defini acum alte caracteristici numerice ale unei variabile aleatoare X. atunci expresia Dacă există ψ X (k ) ϑk ( X ) = i k ψ X ( 0) poartă numele de semiinvariantul sau cumulantul de ordin k al variabilei aleatoare X. putem determina funcţia de repartiţie? Răspunsul este dat de teorema care urmează. că este continuă şi mărginită şi. rezultă că dacă există ψ’X(0) şi ψ”X(0) atunci există M(X) şi D2(X) şi putem scrie: M(X) = -i ψ’X(0). atunci: ∞ ( it ) k ϕ X (t) = ∑ M k ( X ) . Să observăm mai întâi că funcţia de sub integrală este luată în origine prin continuitate. k∈N*.x2 cu x1<x2 sunt puncte de continuitate ale lui FX.(k) ϕX ( 0) = i k M k ( X ). putem determina funcţia caracteristică ϕX(t) = M(eitX).

y. x )dF ( y ) + c →∞ 1 2 −∞ c →∞ 1 2 x1 − c →∞ 1 2 x 2 +δ ∞ 1 2 x2 − c →∞ 1 2 x2 + c →∞ 1 2 ∞ x −δ x1 +δ + c→∞ x1 +δ ∫ lim g(c. x )dF ( y ) . Notăm g( c. urmează că: c ∞ ∞ ⎡ c e − it ( y − x1 ) − e − it ( y − x 2 ) ⎤ 1 e − itx1 − e − itx 2 1 ity Ic = dt ⎥ dF ( y ) = ∫c ∫ e dF( y ) dt = 2π −∞ ∫ ⎢ ∫ 2π − it it −∞ ⎣− c ⎦ 1 = 2π −∞ ∫ ∞ ⎡ c cos t ( y − x1) − cos t ( y − x 2 ) + i(sin t ( y − x1) − sin t ( y − x 2 )) ⎤ dt ⎥ dF ( y ) ⎢∫ it ⎣− c ⎦ (s-a putut schimba ordinea de integrare deoarece integrala în raport cu y este absolut convergentă). α > 0 ⎩ 1 sin αt dt < 1. c cos t ( y − x1) − cos t ( y − x 2) Dar ∫ dt = 0 (se integrează o funcţie impară ca funcţie it −c pară + impară) şi atunci: Ic = 1 π −∞ ∫ ∫⎢ ⎣ ∞ ⎡ sin t ( y − x1) − sin t ( y − x 2 ) ⎤ ⎥ dt dF ( y ) . convergenţa fiind uniformă dacă dt = ⎨0 Din formula lui Dirichlet. x 2 ) = ⎢∫ π ⎣0 t t 0 ⎦ ⎧− 1 / 2 . Dacă ţinem seama că ϕ(t) = M(eitX). ∞ ) ⎩ lim Ic = c →∞ x 2 −δ −∞ ∫ lim g(c. y . |α| > δ. α < 0 c 1 sin αt ⎪ . rezultă: . x . x . y. y. x . x )dF ( y ) = ∫ lim g(c. y ∈ ( −∞.1 Ic = 2π e − itx1 − e − itx 2 ϕ ( t ) dt ∫ it −c c este o integrală Riemann obişnuită. y . x )dF ( y ) + ∫ δlim g(c. lim ∫ c→∞ π t 0 ⎪1 / 2 . y ∈{x1. x1. α = 0 . x 2} şi. x . x . y. t ⎦ 0 c c c sin t ( y − x 2 ) ⎤ 1 ⎡ sin t ( y − x1) dt − ∫ dt ⎥ . iar dacă |α| ≤ δ. x )dF ( y ) + ∫ δlim g(c. x )dF ( y ) + ∫ δlim g(c. x1. x1 < y < x 2 ⎪ lim g( c. deci: c →∞ ⎪0 . x 2 ) == ⎨1 / 2 . y.δ. y. Atunci. x . Urmează că: lim Ic = c →∞ 1 1 F ( x1 + δ ) − F ( x1 − δ )] + [ F ( x 2 − δ ) − F ( x1 + δ )] + [ F ( x 2 + δ ) − F ( x 2 − δ )] [ 2 2 Făcând pe δ→0 (δ>0). atunci π∫ t 0 c ⎧1 . x1) ∪ ( x 2. unde δ > 0 astfel încât x1 + δ < x2 .

(Teorema de unicitate) Funcţia de repartiţie este determinată în mod unic de funcţia ei caracteristică. atunci funcţia 1 − itx1 (e − e − itx2 )ϕ ( t ) it este integrabilă şi. derivata ei.h1. rezultă: c − itx1 1 e − e − itx2 ϕ ( t ) dt F ( x 2 ) − F ( x1 ) = lim ∫ 2π c→∞ − c it Teoremă. f(x). scrie: ∞ ∞ ith − e − ith 1 1 2 sin th −itx − itx e F ( x + h) − F ( x − h) = ϕ ( t ) dt = ∫e ∫ t e ϕ ( t ) dt = it 2π −∞ 2π −∞ 1 = 2h 2π sin th −itx e ϕ ( t ) dt th −∞ ∫ ∞ . Dacă funcţia |ϕ(t)| este integrabilă pe R. Dacă x şi y sunt puncte de continuitate pentru F. conform formulei de inversiune. Putem. Să presupunem că x1 = x . Teoremă. atunci. deci. F ( x 2 ) − F ( x1 ) = ∫ 2π −∞ it pentru orice x1 < x2 puncte de continuitate pentru F. h>0 sunt puncte de continuitate pentru F. putem scrie: c 1 e − itx1 − e − itx2 ϕ ( t ) dt F ( x ) − F ( y ) = lim c→∞ 2π ∫ it −c Luând limita în raport cu y după punctele y de continuitate pentru F.lim Ic = c →∞ 1 1 F ( x1 + 0) − F ( x1 − 0)] + [ F ( x 2 − 0) − F ( x1 + 0)] + [ F ( x 2 + 0) − F ( x 2 − 0)] [ 2 2 şi cum x1 şi x2 sunt puncte de continuitate pentru F. putem scrie: ∞ 1 e − itx1 − e − itx2 ϕ ( t ) dt . conform formulei de inversiune. x2 = x + h. Demonstraţie. Dacă funcţia caracteristică ϕ(t) este absolut integrabilă pe R. obţinem: 1 F ( x ) = lim y →−∞ 2π −c ∫ c e − ity − e − itx ϕ ( t ) dt it Să vedem acum în ce condiţii putem obţine o formulă de inversiune pentru densitatea de repartiţie. este continuă şi ∞ 1 f (x) = F' (x) = e − itx ϕ ( t ) ∫ 2π −∞ Demonstraţie. atunci funcţia de repartiţie F(x) este absolut continuă.

∞ sin th 1 ≤ 1 . putem scrie: ∞ th th th 1 1 1 | f ( x + h ) − f ( x )| ≤ 2|sin ||ϕ ( t )| dt = ∫ |sin ||ϕ ( t )| dt + ∫ |sin ||ϕ ( t )| dt ∫ π |t |≤ A π |t |> A 2π −∞ 2 2 2 Pentru orice ε > 0. F ''( x ) = − xF '( x ) care conduce la F ' ( x ) = c ⋅ e x2 − 2 . Pe de altă parte. Exemplu. deci. F ' ' ( x ) = − 1 π ∫ t sin tx ⋅e 0 − dt . dacă mai derivăm odată. 1 − e − itx − t2 ∫ it e dt şi de aici. astfel încât Dacă h este suficient de mic. adică f ( x ) = c ⋅ e . | t |≤ A ∫ | sin Ne propunem să determinăm funcţia de repartiţie corespunzătoare funcţiei − t2 2 caracteristice ϕ ( t ) = e . . putem alege A suficient de mare. rezultă că există şi limita din membrul stâng şi: ∞ F ( x + h) − F ( x − h) 1 lim = f (x) = ∫ e −itxϕ ( t ) dt h→ 0 2h 2π −∞ De asemenea. 1 F '( x ) = 2π sau: F '( x ) = 1 ∞ −∞ ∫e ∞ − itx e − t2 2 1 dt = 2π −∞ ∫ (cos tx − i sin tx )e ∞ − t2 2 1 dt = 2π −∞ ∫ cos tx ⋅e ∞ dt . avem: sin tx − t2 e F' ( x ) = x 2 ∞ 0 t t − − 1 1 2 t sin tx ⋅e dt = t sin tx ⋅ ⋅e 2 dt + ∫ x πx ∫ π 0 0 ∞ t2 2 ∞ 2 ∞ 2 Pe de altă parte. π şi. π ∫ cos tx ⋅e 0 − t2 2 dt . întrucât limita din membrul drept există. −∞ − t2 2 ∞ 2 1 Aplicând formula de inversiune. rezultă F ( x + h ) − F ( x − h ) ≤ 2 h Deoarece ∫ | ϕ ( t )| dt . ∞ F ( x + h) − F( x − h) 1 sin th − itx = ∫ th e ϕ ( t ) dt 2h 2π −∞ Făcând pe h→0. adică F este absolut th 2π −∞ continuă. 1 th ε || ϕ ( t )| dt < 2 2 1 π | t |> A ∫ | ϕ ( t )| dt < ε 2 . putem scrie F ( x ) − F ( 0 ) = 2π prin derivare. | f ( x + h) − f ( x )| < ε . Integrând prin părţi relaţia obţinută. c > 0. − x2 2 Deci.

Funcţia caracteristică pentru variabile aleatoare vectoriale Să considerăm vectorul aleator X = (X1.. x2 2 e . Funcţia ϕ:R→C definită prin ϕ ( t1.... dxn .…. Aplicând formula de inversiune pentru densitatea de repartiţie.X2. x 2.. t 2.…. xn ) . t 2. tn ) = Rn ∫ e i ∑ t k xk k =1 n dn F ( x1.. în final.….x2. deci. i ∑ tk X k k =1 n ) este funcţia Din definiţie rezultă că ϕ ( t1.. xn )dx1.Din −∞ ∫ ∞ c⋅e − x2 2 dx = 1 se obţine c = f (x) = 1 1 2π − . ϕ ( t1. putem scrie: 1 x − y2 2 1 f (x) = 2π −∞ ∫e ∞ − itx 0 ∞ ⎤ 1 ∞ −t 1 ⎡ t − itx − t − itx e dt = dt ⎥ = ∫ e cos tx dt ⎢ ∫ e dt + ∫ e 2π ⎣−∞ 0 ⎦ π 0 − |t | Integrând de două ori prin părţi.x2.. deci.Xn) a cărei funcţie de repartiţie este F(x1. ...X2. tn ) = iar în cazul discret. tn ) = M ( e caracteristică a vectorului aleator (X1.…....xn). Să se determine densitatea de repartiţie a variabilei aleatoare X cu funcţia caracteristică ϕ(t) = e-|t|.. obţinem: 1⎡ f ( x ) = ∫ ( − e )'cos tx dt = ⎢− e − t cos tx π0 π⎣ 1 ∞ −t ∞ 0 ∞ ⎤ 1⎡ ⎤ − x ∫ e sin tx dt ⎥ = ⎢1 − x ∫ e − t sin tx dt ⎥ = 0 0 ⎦ π⎣ ⎦ ∞ −t ∞ ∞ ⎤ 1 1⎡ 1 1 −t 2 2 1 = ⎢1 − x ∫ e cos tx dt ⎥ = − x e − t cos tx dt = − x 2 f ( x ) ⇒ f ( x )(1 + x 2 ) = ∫ π⎣ π0 π π 0 ⎦ π şi. x 2.. Definiţie.xn).... F(x) = ∫ e dy 2π 2π −∞ Exemplu. t 2. în cazul în care există densitatea de repartiţie f(x1.Xn). Rn ∫ e i ∑ tk xk k =1 n f ( x1..... f (x) = 1 . π (1 + x 2 ) adică X este repartizată Cauchy.

ϕ ( t1..un) şi se consideră vectorul i ∑ bjt j j =1 m Y = (Y1.X2.. u2. t 2...∂ tn j =1 k1 k2 kn ∑ kj n . Xn = xn ) . un ) Din funcţia caracteristică ϕX(t1..0.….. = tn = 0 ∂ t1 ∂ t 2 .. 1 ≤ k ≤ n..Y2......X2.. celelalte fiind simple transpuneri din cazul unidimensional.tn) se pot obţine imediat funcţiile caracteristice ale componentelor vectorului X: ϕX k ( t k ) = ϕX ( 0. Funcţia caracteristică a vectorului aleator (X1. obţinem ϕY ( t 1.kn ( X 1... j=1 Vom deduce numai relaţia de la punctul (e).. t 2.. tn ) (d) ϕ(t1. tm ) = M ( e =e i ∑ bjt j j =1 m n m i ∑tjXj j =1 m ) = M (e i ∑ bjt j j =1 m i ∑tj( j =1 m ∑ c jk X k + b j ) k =1 n ) = M (e i ∑ bjt j j =1 m e i ∑ ∑ t j c jk X k j =1 k =1 m n )= M (e i ∑ ( ∑ t j c jk ) X k k =1 j =1 )=e ϕ X ( ∑ t j c j1 .. unde uk = ∑ cjktj...…. tm ) = e ϕ X ( u1.... 1 ≤ j ≤ m .. 1 ≤ k ≤ n .. Xn ) = ∑ kj n ϕ ( t1...t2. t 2.0) = 1 (b) |ϕ(t1....k2.…....0. t 2.0..tn) este uniform continuă pe Rn (e) Dacă vectorul aleator X = (X1... k =1 m n atunci ϕY ( t 1.0 ) 1 ≤ k ≤ n şi dacă vectorul X are componentele independente..k 2.. tn ) = x1 ∈S1 x 2 ∈S 2 ∑ ∑ .…. un ) . tn ) t1 =.t2.. t k .. 1 ≤ k ≤ n ....…. Propoziţie. x n ∈S n unde am notat cu Sk mulţimea valorilor variabilei aleatoare Xk...... atunci: ϕX ( t1. u2. X 2. Yj = ∑ cjkXk + bj.0. X 2 = x 2.tn)| ≤ 1 (c) ϕ ( − t1...Xn) are funcţia caracteristică ϕX(u1.. ∑ t j c jn ) j =1 j =1 j =1 i ∑ bjt j j =1 m m m m şi..….. tn ) = ∏ ϕX k ( tk ) k =1 n Legătura cu momentele este dată de relaţia de mai jos: dacă vectorul X are momente mixte de ordinul k1. t 2. tm ) = e j=1 m ϕ X ( u1.u2..− tn ) = ϕ ( t1.t2.. t 2..kn atunci: 1 ∂ i j =1 M k1.− t 2...…..….... dacă notăm uk = ∑ cjktj.. mulţime care este cel mult numărabilă. t 2. ∑ e i ∑ tk xk k =1 n P( X 1 = x1.. ϕ Y ( t1..….Xn) are următoarele proprietăţi: (a) ϕ(0.. ∑ t j c j 2 ..Yn)...

∫ c →∞ −c c c −c e − itk ak − e − itk bk ϕ ( t1. tn ) dt1.aj-1.aj+1. t 2.….an). k ∈ Ν ⎠ unde: G (k) x (0) .xn) este determinată în mod unic de funcţia ei caracteristică.x2. (a1. a2 ≤ X2 < b2. iar variabila .. atunci: P(a1 ≤ X1 < b1.bn).….2.….1.10.b2..ak-1. (a1.bk.1)]n.x2.. aj < bj.ak+1...bn)∈Rn. ⎝ pk . 1 ≤ j ≤ n şi funcţia F este continuă în punctele (a1. (b1.. dar ea este deosebit de utilă îndeosebi pentru calculul momentelor.Xn). care stabileşte o legătură între funcţia caracteristică şi funcţia generatoare...….b2. cu |z| ≤ 1 k =0 ∞ Din definiţia dată rezultă că ϕx(t) = Gx(eit)..bj.…. pk = k! Se obţine imediat că variabila aleatoare X (variabila binomială) ⎛k ⎞ ⎟ X: ⎜ k k n-k ⎝ C n p q .. k∈N. Funcţia generatoare Funcţia generatoare a unei variabile aleatoare a fost utilizată începând de la Laplace.aj+1. 2.bj.an).Şi în cazul n-dimensional are loc formula de inversiune şi teorema de unicitate.a2.….3.tn) şi F(x1. Tot din definiţie rezultă că funcţia generatoare determină în mod univoc repartiţia variabilei aleatoare X ⎛k ⎞ X: ⎜ ⎟.a2.… p0 = Gx(0).. (b1. . deci mult înainte de a se utiliza funcţia caracteristică. prin relaţia: Gx(z) = ∑ pkz k .…..….. al cărei enunţ îl vom menţiona: Fie ϕ(t1.….xn) funcţia caracteristică. Vom considera că variabila aleatoare X este discretă şi că ia numai valori întregi nenegative. Numim funcţie generatoare a variabilei aleatoare X funcţia G:C→C. k = 0.…. an ≤ Xn < bn) = = 1 (2π ) n lim ∫ .an).. Am văzut că funcţia caracteristică are proprietatea |ϕ(t)| ≤ 1 (deci mărginită) în timp ce funcţia generatoare nu mai este mărginită.….aj-1.…. pk = P(X = k). .an).. k = 1.…. n⎠ are funcţia generatoare Gx(z) = [1 + p(z .2. dtn ∏ itk k =1 n Funcţia de repartiţie F(x1. respectiv funcţia de repartiţie a vectorului aleator (X1..t2. Dacă (a1.X2.

a momentelor obişnuite şi centrate de diferite ordine.M1(x) G ''' x (1) = M3(x) ...⎟ ⎝ ⎠ k! are funcţia generatoare Gy(z) = eλ(z-1).s + 1) pk k=s De aici rezultă că: Gx(1) = M0(x) = 1 G 'x (1) = M1(x) = M(x) G ''x (1) = M2(x) . În cazul când s va avea valori mari. n.(k . vom proceda în felul următor: notăm Z = ew şi dezvoltăm în serie de puteri funcţia GX(ew). cu ajutorul acestora.3M2(x) + 2M1(x) G 'v x (1) = M4(x) . sau: M1(x) = G 'x (1) M2(x) = G ''x (1) + G 'x (1) '' '' M3(x) = G ''' x (1) + 3G x (1) + G x (1) ''' '' ' M4(x) = G 'v x (1) + 6G x (1) + 7G x (1) + G x (1) Pentru calculul momentelor centrate utilizăm relaţia: Hs( x ) = ∑ c sj ( −1) j M s − j ( x ) M1j ( x ) j= 0 s Această relaţie este comodă şi se recomandă pentru valori mici ale lui s. Atunci: G 'x (1) = ∑ k pk k =1 ∞ ∞ G ''x (1) = ∑ k(k .⎛k ⎞ ⎜ ⎟ k Y: ⎜ -λ λ ⎟ ⎜e .6M3(x) + 11M2(x) . Funcţia generatoare se utilizează frecvent pentru calculul momentelor factoriale şi.1) pk k=2 ∞ G (s) x (1) = ∑ k(k .1.2.6M1(x).. k = 0. vor fi luate ca derivate la stânga.... dacă acestea există.. Atunci. dacă există.. . derivatele în punctul z = 1. Din definiţia funcţiei generatoare rezultă că ea are sens pentru |z| ≤ 1.1)..

Funcţia GX(Z) este dezvoltabilă în serie de puteri în punctul Z = 1 dacă ea este r regulată în acest punct. întrucât ⎛ ∞ M1j ( x )w j ⎞ ⎛ ∞ M s ( x ) s ⎞ ∞ w s j ⎟⎜∑ Lx( w) = ⎜ ∑ ( −1) w ⎟ =∑ j ! ⎠ ⎝ j= 0 s! ⎠ j= 0 s ! ⎝ j= 0 = ∑ Hs( x ) s= 0 ∞ ∑ (−1) j= 0 s j Csj M1j ( x ) Ms − j( x ) = ws s! Această funcţie mai poartă numele de funcţie generatoare a momentelor centrate. deci. funcţia GX(ew) este regulată pentru |w| ≤ r. Întrucât departe: ∞ ∞ ∞ ⎛ ∞ k S wS ⎞ wS ⎛ ∞ s⎞ GX ( e w ) = ∑ pke wk = ∑ pk ⎜ ∑ ⎟ =∑ ⎜ ∑ pkk ⎟ . . putem scrie mai ⎠ ⎝ k =0 s ! ⎠ k =0 s ! ⎝ k =0 k =0 k =0 Hx( w) = Gx( e w ) = ∑ s= 0 ∞ Ms( x ) s w s! Funcţia Hx(w) poartă numele de funcţie generatoare de momente. rezultă | e w − 1| ≤ şi. dacă r este suficient 1− r de mic. Dacă |w| ≤ r < 1. Momentele centrate se calculează acum utilizând funcţia: Lx( w) = e − w M1( x )Hx( w) .

Sign up to vote on this title
UsefulNot useful