Sei sulla pagina 1di 349

Teoria Probabilit

atilor
si
Statistic
a Matematic
a

Sorin Nadaban

Cuprins
Mise en sc`
ene

1 Spatiu de probabilitate
1.1 Notiunea de eveniment . . . . .
1.2 Operatii cu evenimente . . . . .
1.3 C
amp de evenimente . . . . . .
1.4 Definitia clasic
a a probabilitatii
1.5 Spatiu cu m
asur
a . . . . . . . .
1.6 Prelungirea unei m
asuri . . . .
1.7 Modelul Kolmogorov . . . . . .
1.8 Probabilitatea conditionata . .
1.9 Formula probabilit
atii totale . .
1.10 Evenimente independente . . .
1.11 Probabilit
ati geometrice . . . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

15
15
16
20
24
27
30
46
48
49
52
54

2 Variabile aleatoare
2.1 Functii m
asurabile . . . . . . . . . . . . .
2.2 Operatii cu functii m
asurabile . . . . . . .
2.3 Distributia variabilelor aleatoare discrete .
2.4 Functia de repartitie . . . . . . . . . . . .
2.5 M
asura Borel-Stieltjes . . . . . . . . . . .
2.6 Variabile aleatoare independente . . . . .
2.7 Densitatea de repartitie . . . . . . . . . .
2.8 Distributia conditionat
a . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

59
59
63
65
67
71
76
82
89

.
.
.
.

95
95
98
102
107

3 Teoria integr
arii
3.1 Tipuri de convergent
a . . . . .
3.2 Functii etajate . . . . . . . . .
3.3 Integrarea functiilor m
asurabile
3.4 Definitia integralei Lebesgue . .

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

. . . . .
. . . . .
pozitive
. . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

CUPRINS

3.5
3.6
3.7
3.8

Principalele teoreme ale teoriei integrarii


Integrabilitatea Riemann . . . . . . . . .
Spatiile Lp . . . . . . . . . . . . . . . . .
Integrala pe spatiu produs . . . . . . . .

4 Caracteristici numerice
4.1 Valoarea medie . . . . . . .
4.2 Dispersia . . . . . . . . . .
4.3 Inegalit
ati remarcabile . . .
4.4 Momente de ordin superior
4.5 Median
a, cuantil
a, mod . .
4.6 Corelatia . . . . . . . . . .
4.7 Functia caracteristica . . . .
4.8 Media conditionata . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

5 Repartitii probabilistice clasice


5.1 Repartitia binomiala . . . . . .
5.2 Repartitia hipergeometrica . .
5.3 Repartitia Poisson . . . . . . .
5.4 Repartitia uniforma . . . . . .
5.5 Repartitia exponentiala . . . .
5.6 Functiile Beta si Gamma ale lui
5.7 Repartitia Weibull . . . . . . .
5.8 Repartitia normala . . . . . . .
5.9 Repartitia Gamma . . . . . . .
5.10 Repartitia 2 . . . . . . . . . .
5.11 Repartitia Fisher - Snedecor . .
5.12 Repartitia Student . . . . . . .
5.13 Repartitia Beta . . . . . . . . .
5.14 Repartitia lognormala . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

. . . .
. . . .
. . . .
. . . .
. . . .
Euler
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.

110
117
122
126

.
.
.
.
.
.
.
.

137
137
142
145
146
148
150
157
168

.
.
.
.
.
.
.
.
.
.
.
.
.
.

175
175
181
184
187
190
192
199
201
209
212
214
220
225
226

6 Teoreme clasice de convergent


a
229
6.1 Legea numerelor mari . . . . . . . . . . . . . . . . . . . . . . . . . 229
6.2 Convergenta n repartitie . . . . . . . . . . . . . . . . . . . . . . . 232
6.3 Teorema limit
a centrala . . . . . . . . . . . . . . . . . . . . . . . . 243
7 Teoria selectiei
249
7.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
7.2 Caracteristici numerice empirice . . . . . . . . . . . . . . . . . . . 254
7.3 Functia empiric
a de repartitie . . . . . . . . . . . . . . . . . . . . . 258

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

8 Teoria estimatiei
8.1 Consideratii generale . . . . . .
8.2 Metoda momentelor . . . . . .
8.3 Metoda verosimilit
atii maxime
8.4 Estimatii eficiente . . . . . . .
8.5 Intervale de ncredere . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

261
261
265
266
271
273

9 Verificarea ipotezelor statistice


9.1 Introducere . . . . . . . . . .
9.2 Testul Z . . . . . . . . . . . .
9.3 Testul T . . . . . . . . . . . .
9.4 Compararea a dou
a medii . .
9.5 Testul 2 . . . . . . . . . . .
9.6 Testul F . . . . . . . . . . . .
9.7 Test asupra frecventei . . . .
9.8 Testul de concordant
a 2 . .
9.9 Testarea independentei . . . .

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

287
287
288
290
292
297
299
301
302
307

.
.
.
.
.
.
.
.
.

10 Corelatie si regresie
311
10.1 Introducere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
10.2 Corelatia simpl
a liniar
a . . . . . . . . . . . . . . . . . . . . . . . . 313
10.3 Corelatia simpl
a neliniar
a . . . . . . . . . . . . . . . . . . . . . . . 317
A Legea binomial
a

321

B Legea lui Poisson

325

C Legea normal
a

329

D Legea 2

331

Legea Fisher-Sn
ed
ecor

335

Distributia t Student

341

Index

344

Bibliografie

349

Nu valoarea utilitara stabileste importanta


cunoasterii, ci cunoasterea stabileste valoarea
utilitatii...
Cultura matematica este solul fertil de existenta
al unei culturi de specialitate...
H.R. Patapievici

Mise en sc`
ene
Elaborarea n secolul al XVII - lea a primelor principii ale teoriei
probabilitatilor a constituit un impuls pentru dezvoltarea puternica a teoriei
probabilitatilor n secolul al XVIII - lea. Astfel Abraham Moivre a dat n
1718 formula probabilitatii conditionate
PA (B) =

P (A B)
.
P (A)

In 1765, Thomas Bayes a introdus o formula celebra, care i poarta numele,


P (Ai )PAi (A)
PA (Ai ) = P
,
n
P (Ai )PAi (A)
i=1

unde {Ai }ni=1 reprezinta un sistem complet de evenimente. George Buffon a


aplicat notiunea de probabilitate n geometrie, punand n 1777 o problema
care a ajuns celebra: problema acului. Un impuls considerabil n cercetare
a fost dat de Jacob Bernoulli care n 1713 introduce distributia binomiala si
de Daniel Bernoulli care n 1760 introduce metode ale calculului diferential
n teoria probabilitatilor.
O carte de referinta este cea din 1812 a lui Simon Laplace, Theorie
analytique des probabilites. In aceasta carte ntalnim formulate clar unele
rezultate deja cunoscute, dar tot aici sunt introduse si rezultate noi. Modelul
lui Laplace a constituit baza dezvoltarii teoriei probabilitatilor n secolul al
XIX - lea, cand multi matematicieni au definitivat cercetarile acestuia. Astfel,
Simeon Poisson a introdus n 1837 o noua distributie care i poarta numele
si care mai este numita legea evenimentelor rare. Vom spune ca o variabila
aleatoare discreta este o variabila aleatoare Poisson daca are distributia


k
k
, unde pk = e .
pk kN
k!
9

`
MISE EN SCENE

10

Carl Gauss a determinat n 1809 repartitia normala. Astfel, vom spune ca o


variabila aleatoare satisface o lege normala daca are densitatea de repartitie
(xm)2
1
(x) = e 22 ,
2

unde m este valoarea ei medie iar dispersia.


Constructia axiomatica a teoriei probabilitatilor a fost nceputa de George
Boole n 1854 si a fost continuata de Henri Poincare n 1896. Teoria masurii
si integrarii dezvoltata de Emile Borel si Henri Lebesgue acum o suta de ani
a facut posibil ca treizeci de ani mai tarziu, n 1933, Andrei Kolmogorov
sa puna fundamentul axiomatic al teoriei probabilitatilor. De atunci teoria
probabilitatilor moderna este vorbita n limbajul teoriei masurii si integrarii.

Prin urmare, este dificil sa ne imaginam cum am putea ntelege multe


din notiunile avansate ale teoriei probabilitatilor moderne fara sa nvatam
limbajul necesar. Pe de alta parte, pentru un student care vine la un curs
introductiv n probabilitati ntalnirea unui text avansat ce utilizeaza limbajul
teoriei masurii si integrarii reprezinta un pas mare si dificil. Teoria masurii
si integrarii este ea nsasi o matematica avansata ce ar necesita cel putin un
curs de un semestru. Si atunci cum rezolvam aceasta problema? Solutia este
diferentierea ntre cursul vorbit si cel scris. In cursul vorbit trebuie sa tinem
seama ntotdeauna de interlocutori. Din acest motiv cursul vorbit este ntr-o
permanenta adaptare si schimbare. De multe ori, pentru a fi mai bine ntelesi,
n cursul vorbit renuntam la o parte din rigurozitate, locul unor demonstratii
fiind luat de exemple si observatii. Cursul scris vine sa completeze cursul
vorbit si nu sa se suprapuna peste acesta. Cursul scris trebuie sa fie unitar,
sa trateze cu rigurozitate subiectele prezentate, dar, nu n ultimul rand, sa
includa si ultimile descoperiri.
Cartea contine un numar mare de teoreme, marea majoritate fiind nsotite
de demonstratii. Acestea au n primul rand un rol formativ. In carte pot fi
gasite un numar mare de exemple. Unele nu sunt originale, putand fi gasite
n cartile din bibliografie, dar, chiar reproduceri, ele dobandesc un gust nou
si original. Bibliografia are si menirea de a stimula studiul, pentru a largi si
aprofunda subiectele prezentate.
Instrumentul statistic si modelarile care folosesc teoria probabilitatilor au
devenit indispensabile pentru orice specialist, indiferent de aria de actiune a

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

11

acestuia, datorita faptului ca astazi ele si gasesc aplicabilitatea n domenii diverse, atat n informatica, n stiintele economice, cat si n stiintele ingineresti
si cele sociale.
In capitolul 1 se introduce notiunea de eveniment si se definesc operatiile
cu evenimente, punandu-se n evidenta principalele proprietati ale acestor
operatii. Apoi se prezinta notiunile de semi-algebra, algebra si - algebra,
semnalizandu-se faptul ca un camp de evenimente nu este altceva decat
ansamblul format din multimea evenimentelor elementare asociate unei
experiente si o - algebra P(). Modelul lui Laplace pentru probabilitate este prezentat n sectiunea a 4 - a. Pentru o buna aplicare a acestui
model se recapituleaza unele notiuni de analiza combinatorie. In sectiunea a
5 - a se introduc notiunile de semi - masura, masura pe o algebra si masura
pe o - algebra. O importanta deosebita o are teorema lui Caratheodory
de prelungire a unei masuri. In finalul acestui capitol se ajunge la modelul Kolmogorov pentru probabilitate. Probabilitatea nu este altceva decat
o masura P definita pe un camp de evenimente (, ) de masa totala unu,
adica P () = 1. Se defineste probabilitatea conditionata, demonstandu-se
ca aceasta este o probabilitate pe , se prezinta formula probabilitatii totale si formula lui Bayes. Nu putem ncheia acest capitol fara a vorbi de
independenta evenimentelor.
De multe ori, n urma efectuarii unei experiente, nu suntem interesati de
rezultatul direct al acesteia ci mai mult de unele din consecintele ei. Astfel
se ajunge la notiunea de variabila aleatoare care este studiata n capitolul 2.
Variabila aleatoare nu este altceva decat o functie masurabila definita pe un
spatiu de probabilitate. Prin urmare este firesc ca primele doua sectiuni sa
fie consacrate functiilor masurabile si operatiilor cu functii masurabile. Se
introduce notiunea de functie de repartitie. Se demonstreaza ca oricarei variabile aleatoare i se asociaza o functie de repartitie dar si afirmatia reciproca:
fiind data o functie de repartitie F , exista un spatiu de probabilitate si o
variabila aleatoare definita pe acest spatiu careia sa i se asocieze functia de
repartitie F . Un punct important al acestui capitol l reprezinta introducerea
masurii Borel - Stieltjes si demonstrarea faptului ca exista o corespondenta
bijectiva ntre masurile Borel - Stieltjes si functiile de repartitie extinse data
de formula ([a, b)) = F (b) F (a). Nu se poate ncheia acest capitol fara a
vorbi de independenta variabilelor aleatoare. In final se introduce notiunea
de densitate de repartitie.

12

`
MISE EN SCENE

Pentru a putea da o definitie generala a valorii medii a unei variabile


aleatoare este necesara constructia integralei abstracte Lebesgue. Acest lucru
este facut n capitolul 3. Sunt precizate mai ntai tipurile de convergenta a
sirurilor de functii masurabile. Se defineste integrala Lebesgue si sunt date
principalele proprietati ale acesteia. Trebuie sa vorbim n acest capitol si de
spatiile Lp .
In capitolul 4 sunt introduse principalele caracteristici numerice ale unei
variabile aleatoare: valoarea medie, dispersia, momentele de ordin superior,
mediana, cuantila si modulul. Tot n acest capitol vorbim si de corelatia
variabilelor aletoare. Nu s-a acordat un capitol special functiei caracteristice
a unei variabile aleatoare ci doar o sectiune cuprinsa n finalul acestui capitol.
Functia caracteristica reprezinta un instrument matematic remarcabil. Este
adevarat nsa ca el face apel la notiuni ca: variabile aleatoare complexe,
transformata Fourier, variabile aleatoare independente si identic distribuite
(i.i.d.). Nu este scapata din vedere notiunea de functie generatoare a unei
variabile aleatoare discrete.
In capitolul 5 ne-am propus sa prezentam principalele repartitii probabilistice clasice. Cea mai simpla distributie este distributia Bernoulli. Spatiul
de probabilitate contine doar doua elemente 0 si 1. Probabilitatea valorii 1
se noteaza p si este parametrul distributiei. Ea singura nu prezinta interes.
Dar, daca facem suma a n variabile aleatoare Bernoulli independente si suntem interesati de numarul k al succeselor (aparitia valorii 1), ajungem la
distributia binomiala Bi(n, p), unde Pk,n = Cnk pk (1 p)nk . Schema data
de Bernoulli pentru repartitia binomiala este aceea n care dintr-o urna ce
contine bile albe si negre se extrag succesiv n bile punand dupa fiecare
extractie bila extrasa napoi n urna. O generalizare a repartitiei binomiale este aceea n care n urna sunt bile de mai multe culori si ajungem astfel
la repartitia multinomiala. Daca n loc de o urna se considera mai multe
urne cu bile albe si negre n compozitii diferite si se extrage cate o bila
din fiecare urna ajungem la schema urnelor lui Poisson. Daca renuntam la
ipoteza ca dupa fiecare extragere bila extrasa sa fie repusa n urna se ajunge la
schema bilei nerevenite cunoscuta ca repartitia hipergeometrica. Distributia
Poisson este limita distributiei binomiale cand n si p 0 cand produsul np ramane constant, egal cu , aceata semnificand faptul ca numarul
de succese ramane constant, adica n medie se produc realizari ntr-o
perioada de timp. Repartitia uniforma este extensia la cazul continuu a unei
distributii echiprobabile discrete. Repartitiile uniforme apar atunci cand o
variabila aleatoare ia valori ntr-un interval [a, b] si probabilitatea ca variabila

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

13

l
aleatoare sa ia valori ntr-un interval I de lungime l fixata este ba
, indiferent care sunt extremitatile intervalului I n [a, b]. Daca variabila aleatoare
Poisson ne da numarul de realizari ale unui eveniment ntr-un interval de
timp, atunci variabila aleatoare exponentiala Exp() este cea care masoara
timpul dintre doua realizari succesive ale evenimentului. O generalizare
a repartitiei exponentiale este repartitia Weibull. O importanta deosebita
n teoria probabilitatilor si statistica matematica o are distributia normala
Gauss-Laplace. In mod succint mai sunt prezentate repartitii nrudite cu
cea normala precum: repartitia Gamma, repatitia 2 , repartitia Fisher Snedecor, repartitia Student, repartitia Beta, repartitia lognormala.
Justificarea teoretica ca n statistica matematica sa folosim frecventa
relativa n loc de probabilitate este furnizata de legea numerelor mari care
este studiata n prima sectiune a capitolului 6. Vom vorbi apoi de convergenta
n repartitie, demonstrand cateva rezultate importante precum teorema lui
Helly si teorema lui Levy. Teorema limita centrala, prezentata n sectiunea
a treia, ne arata rolul central jucat de repartitia normala.
Ultimile patru capitole sunt consacrate statisticii. Astfel, n capitolul
7 gasim notiuni importante precum: functie statistica, histograma, media
empirica, dispersia empirica, mediana empirica, modul empiric.
In teoria estimatiei utilizam datele obtinute pe un esantion pentru a face
estimari ale unui parametru al populatiei statistice. Proprietatile unui bun
estimator sunt: nedeplasat, consistent, eficient. Pentru a obtine estimatori
se pot utiliza: metoda momentelor, metoda verosimilitatii maxime. Una din
problemele cu estimatorii punctuali este ca acestia ne dau o singura valoare.
Daca dorim sa ne facem o idee asupra multimii valorilor bune ajungem la
notiunea de interval de ncredere. Importante sunt intervalele de ncredere
pentru parametrii m si ai unei legi normale si intervalul de ncredere pentru
probabilitatea unui eveniment.
Verificarea ipotezelor statistice se face n capitolul 9. Mai ntai se fixeaza
o probabilitate de eroare (nivel de semnificatie), notata . Apoi, se determina o regiune critica. T
inand cont de nivelul de semnificatie ales o ipoteza
poate fi acceptata sau respinsa. Acceptarea unei ipoteze nu nseamna ca
acea ipoteza este adevarata, iar respingerea ei nu nseasmna ca acea ipoteza
este falsa. Acceptarea sau respingerea ne arata doar daca datele observate
pe un esantion sunt n concordanta sau neconcordanta cu ipoteza facuta.
Sunt prezentate mai multe teste: testul Z, testul T, testul 2 , testul F, testul
asupra frecventei, testul de concordanta, testarea independentei. Importante
si frumoase sunt si exemplele prezentate.

14

`
MISE EN SCENE

Corelatia este termenul folosit pentru a defini legatura ntre variabilele


observate ale populatiei statistice. Relatia matematica care exprima aceasta
legatura se numeste ecuatie de regresie. Ea ne ajuta sa facem predictii asupra
variabilei de interes pe baza valorilor cunoscute ale variabilei de care depinde.
In capitolul 10 se abordeaza mai ntai cazul cel mai simplu, acela n care o
variabila aleatoare Y depinde aproximativ liniar de o variabila X. Pentru
estimarea parametrilor din dreapta de regresie se aplica metoda celor mai
mici patrate. Daca dependenta nu este liniara atunci se cauta una sau mai
multe functii ale caror grafice se apropie de forma curbei de regresie si care
pot fi liniarizate si astfel aduse la modelul corelatiei simple liniare.

Doresc sa multumesc pe aceasta cale domnului prof.univ.dr. Gheorghe


Bocsan, de la Universitatea de Vest din Timisoara, pentru parcurgerea cu
atentie a acestui material si pentru observatiile utile pe care le-a facut, care
au ajutat la mbunatatirea lui. Ii multumesc pentru sfaturile date si pentru
interesul cu care s-a implicat.
Mai ntai am nvatat! In primul rand am nvatat de la parintii mei. Lor
le multumesc ca m-au format ca om. Apoi am nvatat de la profesorii mei de
la Universitatea de Vest din Timisoara. Le multumesc, cu aceasta ocazie, ca
m-au format ca matematician. Daca am vazut mai departe, este pentru ca
am stat pe umerii unor giganti (Newton). Acum nvat n continuare. Cred
ca voi ramane un vesnic student! Invat din carti dar si din munca de zi cu
zi cu studentii. Cunostintele dobandite ncerc sa le redau napoi societatii.
Insa niciodata imputurile nu sunt egale cu outputurile!

Sorin Nadaban

Capitolul 1
Spatiu de probabilitate
1.1

Notiunea de eveniment

Definitia 1.1.1. Prin experient


a se ntelege orice act care poate fi repetat
n conditii date si al carui rezultat este guvernat de hazard. Efectuarea unei
experiente se numeste prob
a. Rezultatul unei probe se numeste eveniment
elementar. Un ansamblu de evenimente elementare se numeste eveniment
compus sau mai simplu eveniment.
Exemplul 1.1.2. Experienta aruncarii unui zar omogen pe o suprafata plana.
Precizarea pe o suprafata plana este o conditie care ne va asigura ca
zarul va cadea pe o fata bine determinata. La o proba pot rezulta unul din
urmatoarele sase evenimente elementare: 1 , 2 , 3 , 4 , 5 , 6 , evenimente
care constau n aparitia fetei cu un punct, cu doua puncte etc.
Evenimentul aparitia unui numar par de puncte este un eveniment compus format din {2 , 4 , 6 }.
Observatia 1.1.3. Daca este data o experienta E, vom nota un eveniment
elementar prin si vom nota cu multimea evenimentelor elementare. Un
eveniment compus este simbolizat printr-o submultime A a lui .
Observatia 1.1.4. Sa mai notam ca, daca consideram notiunea de experienta
ntr-un sens larg, atunci rezultatele unei probe (multimea evenimentelor elementare) pot diferi de la un observator la altul. Altfel spus, multimea poate
diferi pentru aceeasi experienta, n functie de interesul observatiei (calitativ,
cantitativ).
15

16

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Exemplul 1.1.5. Fie E evenimentul lansarii unui satelit. Pentru un public


neavizat poate fi = {S, E} (S - succes, E - esec), n timp ce un expert
poate alege 0 = {T1 , T2 , } formata din ansamblul traiectorilor posibile Ti
ale satelitului.
Observatia 1.1.6. Daca confundam nsa o experienta cu rezultatele acesteia atunci este determinat ntr -o maniera unica, fiind reuniunea tuturor
rezultatelor pe care noi le consideram pentru aceasta experienta. Astfel am
ajuns la asimilarea experientei cu rezultatele acesteia.
Observatia 1.1.7. Multimea poate fi:
- numarabila, cand elementele sale se afla n bijectie cu o parte a multimii
acest caz poate fi finita sau infinit numarabila.
numerelor naturale N. In
- nenumarabila, n caz contrar.
Exemplul 1.1.8. Daca E este experienta aruncarii unui zar, atunci
= {1 , 2 , ....6 } este finita. Daca E reprezinta experienta aruncarii unei
monede pana se obtine fata cu banul, atunci = {1, 2, , n, } este infinit numarabila. Daca E consta n masurarea timpului exact n care un
vehicol parcurge o distanta data, atunci multimea rezultatelor posibile este
nenumarabila fiind un interval [0, T ]R+ .
Definitia 1.1.9. Se numeste eveniment imposibil si se noteaza evenimentul care nu se realizeaza la nici o efectuare a experientei.
Se numeste eveniment sigur evenimentul care se realizeaza cu certitudine
la fiecare efectuare a experientei. Acesta este .

1.2

Operatii cu evenimente

Definitia 1.2.1. Se numeste reuniunea evenimentelor A si B, evenimentul


care consta n realizarea lui A sau B si se noteaza A B.
Se numeste intersectia evenimentelor A si B evenimentul care consta n
realizarea lui A si B si se noteaza A B. De fapt
A B = { : A sau B} ,
A B = { : A si B} .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

17

Teorema 1.2.2. (Propriet


ati ale operatiilor introduse). Daca A, B,
C sunt trei evenimente atunci avem:
1. A B = B A , A B = B A (comutativitate);
2. A(B C) = (AB)C , A(B C) = (AB)C (asociativitate);
3. A (B C) = (A B) (A C) (distributivitatea reuniunii fata de
intersectie);
4. A (B C) = (A B) (A C) (distributivitatea intersectiei fata de
reuniune);
5. A A = A , A A = A (idempotenta);
6. A = A , A = ;
7. A = , A = A;
8. A (A B) = A , A (A B) = A (absorbtie).
Demonstratie. Verificare imediata.
Definitia 1.2.3. Doua evenimente A si B se numesc incompatibile daca
caz contrar ele se numesc
ele nu se pot realiza simultan, adica A B = . In
compatibile.
Observatia 1.2.4. Operatiile de reuniune si intersectie introduse pentru
doua evenimente se pot extinde la o familie de evenimente. Astfel, daca avem
o familie de evenimente {Ai }iI , unde I este o familie de indici arbitrara,
atunci
definim reuniunea acestei familii de evenimente ca fiind evenimentul
S
Ai := { : ()i0 I a.. Ai0 }. Intersectia familiei de evenimente
iI
T
{Ai }iI este evenimentul
Ai := { : Ai , ()i I}.
iI

Teorema 1.2.5. (Propriet


ati ale reuniunii si intersectiei familiilor
de evenimente). Daca {Ai }iI este o familie de evenimente si A este un
eveniment atunci:
S S
S
1. A ( Ai ) = (A Ai );
iI

iI

T S
S
2. A ( Ai ) = (A Ai );
iI

iI

18

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

3. A

S T
T
( Ai ) = (A Ai );
iI

iI

T T
T
4. A ( Ai ) = (A Ai ).
iI

iI

Demonstratie. Verificare directa.


Definitia 1.2.6. Se numeste diferenta evenimentelor A si B, evenimentul
care consta n realizarea lui A si nerealizarea lui B, adica
A \ B := { : A si 6 B} .
Diferenta \ A se numeste contrarul evenimentului A sau complementarul evenimentului A si este evenimentul care nu se realizeaza niciodat
a

cand A se realizeaza si invers. Pentru el vom folosi notatia A sau CA. Astfel
A := { : 6 A} .
Teorema 1.2.7. (Propriet
ati ale diferentei si complementarei). Fie
A, B, C trei evenimente si {Ai }iI o familie de evenimente. Atunci:
1. A B se poate scrie ca reuniunea a trei evenimente A B, A\B si
B\A, incompatibile doua cate doua;
2. C(CA) = A , A CA = , A CA = , C = ;
S
T
T
S
3. A\( Ai ) = (A\Ai ) , A\( Ai ) = (A\Ai );
iI

4. C(

Ai ) =

iI

5. (

iI

C(Ai ) , C(

iI

Ai )\A =

iI

iI

Ai ) =

iI

(Ai \A) , (

iI

S
iI

iI

C(Ai ) (relatiile lui de Morgan);

iI

Ai )\A =

(Ai \A).

iI

Demonstratie. 3)
A\(

S
iI

Ai ) [ A si 6

Ai ]

iI

[ A si 6 Ai : ()i I] [ A \ Ai , ()i I]

(A\Ai ) .

iI

In mod similar se demonstreaza si cealalta egalitate de la punctul 3.


4) Se obtine din 3 punand A = .
Celelalte proprietati se verifica asemanator.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

19

Exemplul 1.2.8. Intr-un


magazin sunt expuse spre vanzare trei produse.
Vom nota cu A, B, C evenimentele care constau n vanzarea primului produs,
al celui de al doilea si respectiv al celui de al treilea. Sa se exprime n functie
de A, B si C urmatoarele evenimente:
a) se vinde cel putin un produs;
b) se vand toate produsele;
c) nu se vinde nici un produs;
d) se vinde un singur produs.
Solutie. a) A B C ;
b) A B C ;
C ;
c) A B
C)
(A B C)
(A B
C).
d) (A B
Definitia 1.2.9. Se numeste sistem complet de evenimente sau partitie
a evenimentului sigur o familie de evenimente {Ai }iI cu proprietatile:
1. Ai 6= , ()i I;
2. Ai Aj = , ()i, j I , i 6= j;
S
3.
Ai = .
iI

Exemplul 1.2.10. Pentru experienta aruncarii unui zar sistemul


{{1 , 3 } , {2 , 4 , 5 } , {6 } } formeaza o partitie a evenimentului sigur.
Definitia 1.2.11. Se numeste diferenta simetric
a a evenimentelor A si
B, evenimentul A 4 B = (A \ B) (B \ A).
Teorema 1.2.12. (Propriet
ati ale diferentei simetrice). Fie A, B, C
trei evenimente. Atunci:
1. A 4 B = B 4 A (comutativitate);
2. (A 4 B) 4 C = A 4 (B 4 C) (asociativitate);
3. A 4 = A , A 4 CA = ;
4. A (B 4 C) = (A B) 4 (A C) (distributivitatea intersectiei fata de
diferenta simetrica);
5. A 4 B = (A B) \ (A B);

20

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

6. A 4 B = A B daca si numai daca A B = .


Demonstratie. Verificare imediata.
Definitia 1.2.13. Daca odata cu realizarea evenimentului A se realizeaza si
evenimentul B, se spune ca A implic
a B si vom scrie A B.
Observatia 1.2.14. A B () A avem B.
Teorema 1.2.15. Relatia de incluziune are proprietatile:
1. A A (reflexiva);
2. A B si B A A = B (antisimetrica);
3. A B si B C A C (tranzitiva).
Prin urmare incluziunea este o relatie de ordine.

1.3

C
amp de evenimente

Definitia 1.3.1. Fie o multime arbitrara. O familie S P() se numeste


semi-algebr
a daca ndeplineste urmatoarele axiome:
1. A, B S A B S;
2. Daca A S atunci CA poate fi scrisa ca reuniunea unei familii finite
de multimi din S disjuncte doua cate doua (vom spune pe scurt ca CA
se poate reprezenta ca o reuniune finita si disjuncta de multimi din S).
Exemplul 1.3.2. Daca = R si S este familia intervalelor nchise la stanga,
adica
S = {[a, b) : < a < b } {(, b) : < b } ,
atunci S este o semi-algebra.
Definitia 1.3.3. Fie o multime arbitrara. O familie nevida A P() se
numeste algebr
a daca ndeplineste urmatoarele axiome:
1. A A CA A;
2. A, B A A B A.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

21

Teorema 1.3.4. (Propriet


ati ale algebrelor).
1. , A;
2. {Ai }ni=1 A

n
S

Ai A ;

i=1

3. {Ai }ni=1 A

n
T

Ai A.

i=1

Demonstratie. 1) Familia A fiind nevida contine cel putin un element A.


Atunci, conform primei axiome CA A si aplicand axioma 2, avem
A CA = A. Aplicand din nou prima axioma C = A.
2) Imediata prin inductie.
3) Din prima axioma Ai A conduce la CAi A. Aplicand proprietatea
n
S
a doua obtinem ca
CAi A. Conform legilor lui de Morgan avem
C(

n
T

i=1

Ai ) A si aplicand nca o data prima axioma obtinem

i=1

n
T

Ai A.

i=1

Teorema 1.3.5. Daca S P() este o semi-algebra atunci S formata cu


reuniuni finite si disjuncte de multimi din S este o algebra, numita algebra
generat
a de S.
Demonstatie. Etapa 1. Vom demonstra mai ntai ca S este nchisa la intersectie
finita. Pentru aceasta este suficient sa demonstram ca daca A, B S atunci
A B S si rezultatul dorit se obtine prin inductie.
n
m
S
S
Fie A, B S. Atunci A =
Ai , B =
Bj , unde reuniunile sunt disjuncte
i=1

j=1

si formate cu multimi din S. Avem


!
!
n
m
n [
m
[
[
[
AB =
Ai
Bj =
(Ai Bj ) .
i=1

j=1

i=1 j=1

Din definitia lui S se obtine ca Ai Bj sunt din S (pentru i = 1, n , j = 1, m).


Evident ele sunt disjuncte doua cate doua si prin urmare A B S.
Etapa 2. Fie acum A S. Atunci exista A1 , A2 , , An din S disjuncte astfel
n
n
S
T
ncat A =
Ai . De aici obtimen ca CA =
CAi . Cum Ai S, din definitia
i=1

i=1

lui S, obtinem ca CAi se poate reprezenta ca o reuniune finita si disjuncta de

22

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

multimi din S. Prin urmare CAi S , ()i = 1, n. Folosind acum faptul ca S


n
T
este nchisa la intersectie finita avem ca CA =
CAi S.
i=1

Etapa 3. Fie A, B S. Dorim sa aratam ca A B S. In baza etapei


precedente aceasta revine la C(A B) S, adica la CA CB S. Aceasta
este nsa o consecinta imediata a etapelor precedente.
Definitia 1.3.6. Fie o multime arbitrara. O familie P() se numeste
-algebr
a daca ndeplineste urmatoarele axiome:
1. ;
2. A CA ;
S
3. {Ai }iN
Ai .
iN

Ansamblul (, ) se numeste spatiu m


asurabil. In cazul n care reprezint
a
multimea evenimentelor elementare ansamblul (, ) se numeste c
amp de
evenimente.
Observatia 1.3.7. Evident orice -algebra este o algebra. Reciproca nu este
n general adevarata.
Pentru a justifica acest lucru consideram familia S din exemplul 1.3.2 care
constituia o semi-algebra. Fie S algebra generata de S (furnizata de teorema

S
1.3.5). S nu este o -algebra caci An = [1/n, 1) S dar
An = (0, 1) 6 S.
n=2

Exemplul 1.3.8. (Exemple de -algebre).


1. = {, };
2. = P();
} este o -algebra pe .
3. Daca A atunci = {, A, A,
Teorema 1.3.9. (Propriet
ati ale -algebrelor).
1. ;
2. {Ai }iN

T
iN

Ai ;

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

3. {Ai }ni=1

n
T
i=1

Ai si

n
S

23

Ai .

i=1

Demonstratie. 1) Conform primei axiome . Aplicand axioma a doua


C = .
2) Daca AS
si folosind
i atunci conform axiomei 2 avem CAi
Taxioma 3
obtinem
CAi . In baza relatiilor lui de Morgan avem ca C(
Ai )

iN
iN
T
si aplicand nca o data axioma 2 deducem ca
Ai .
iN

3) Faptul ca

n
S

Ai se obtine din axioma 3 punand Ai = pentru i > n.

i=1

De aici, utilizand relatiile lui de Morgan, se obtine proprietatea similara


pentru intersectie.
Teorema
1.3.10. Daca { }I este o familie de -algebre pe atunci
T
=
este o -algebra pe .
I

Demonstratie. Cum , () I, avem ca

= si prin

urmare axioma 1 este ndeplinita.


Fie A . Atunci
A , () I si prin urmare CA , () I, de
T
unde CA
= . Astfel axioma 2 a fost verificata.
I

Fie
si prin urmare
i }iN T , () I
S {Ai }iN . Atunci {AS
Ai , () I, de unde
Ai
= .
iN

iN

Definitia 1.3.11. Fie F P(). Se numeste -algebr


a generat
a de F
intersectia tuturor -algebrelor care contin F si va fi notata (F).
Observatia 1.3.12. Corectitudinea definitiei se obtine din teorema precedenta. De fapt (F) este cea mai mica -algebra ce contine familia F.
Observatia 1.3.13. Daca n particular (, T) este un spatiu topologic, atunci
campul generat de T P() se numeste -algebra multimilor boreliene din
si se noteaza Bor(). Daca pe multimea R a numerelor reale se considera
topologia naturala D, unde, dupa cum se stie, o multime este deschisa daca
si numai daca este reuniune numarabila de intervale deschise, se deduce ca
F = {(a, b) : a, b R} genereaza Bor (R). Mai mult decat atat, familiile

24

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

F1 = {(a, b] : a, b R } ,
F2 = {[a, b) : a, b R } ,
F3 = {[a, b] : a, b R } ,
F4 = {(, a) : a R} ,
F5 = {(, a] : a R} ,
F6 = {(a, ) : a R } ,
F7 = {[a, ] : a R }
genereaza tot Bor(R).
Observatia 1.3.14. Constructia de mai sus functioneaza si n Rn . Astfel,
alegand F familia tuturor intervalelor de forma
[a1 , b1 ) [an , bn ) ,

unde < ai < bi , ()i {1, 2, . . . , n} ,

ea genereaza Bor(Rn ).
Definitia 1.3.15. Daca reprezinta multimea evenimentelor elementare si
F P(), vom numi c
amp de evenimente generat de F intersectia
tuturor campurilor de evenimente care contin F si va fi notat (F).
Exemplul 1.3.16. Sa consideram experienta aruncarii unui zar si sistemul
F = {{1 , 3 }, {2 , 4 , 5 }, {6 }} care formeaza o partitie a evenimentului
sigur. Campul de evenimente generat de acest sistem este format din evenimentele sistemului F si reuniunile posibile ale acestora la care se adaug
a
evenimentul imposibil . Astfel
(F) = {, {1 , 3 }, {2 , 4 , 5 }, {6 }, {1 , 3 , 2 , 4 , 5 }, {1 , 3 , 6 },
{2 , 4 , 5 , 6 }, } .

1.4

Definitia clasic
a a probabilit
atii

Consideram (, ) un camp finit de evenimente, = P(). In definitia


clasica a probabilitatii se presupune ca evenimentele elementare sunt egal
posibile. Dupa cum am vazut, orice eveniment este fie un eveniment elementar, fie o reuniune de evenimente elementare. Evenimentele elementare care
intra n compunerea evenimentului A se numesc cazuri favorabile evenimentului A. Toate evenimentele elementare se numesc cazuri posibile. Atunci

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

25

probabilitatea evenimentului A se va defini ca raportul dintre numarul de


cazuri favorabile evenimentului A si numarul de cazuri posibile sau altfel
spus
card(A)
P (A) =
.
card()
In exemplul aruncarii unui zar, cazurile favorabile evenimentului A = {2 , 5 }
sunt {2 } si {5 } si astfel P (A) = 62 = 13 .
Definitia clasica a probabilitatii, formulata de Laplace, nu poate fi aplicata decat pentru un numar restrans de campuri de evenimente. Chiar pentru unele cazuri simple ea se dovedeste nesatisfacatoare. Astfel daca zarul
nu este perfect construit, fie din punct de vedere geometric, fie n privinta
repartitiei masei, nu mai putem presupune ca aparitia oricarei fete este egal
posibila. Pentru o buna aplicare a definitiei clasice a probabilitatii este necesara recapitularea unor notiuni de analiza combinatorie. Vom face acest lucru
utilizand un model de urne si bile.
Propozitia 1.4.1. Numarul extragerilor a k bile numerotate dintr-o urna cu
n bile, fara ntoarcere si cu nregistrarea ordinii bilelor extrase este
Akn =

n!
= n(n 1) (n k + 1)
(n k)!

(aranjamente de n luate cate k).


Exemplul 1.4.2. Dintr-o urna ce contine trei bile {a, b, c} se extrag doua
bile, fara ntoarcere si cu nregistrarea ordinii bilelor extrase. Avem variantele
posibile: ab, ac, ba, bc, ca, cb, adica A23 = 6 variante.
Propozitia 1.4.3. Numarul extragerilor a k bile numerotate dintr-o urna
cu n bile, cu ntoarcere si cu nregistrarea ordinii bilelor extrase este egal cu
numarul alocarilor a k bile numerotate n n urne numerotate si este
akn = nk .
Exemplul 1.4.4. Extragerea a doua bile dintr-o urna ce contine 3 bile
{a, b, c}. Avem variantele posibile: aa, ab, ac, ba, bb, bc, ca, cb, cc, adica
9 = 32 variante.
Exemplul 1.4.5. Asezarea a trei bile {a, b, c} n doua urne. Avem variantele posibile { abc, -}, {ab, c}, {ac, b}, {bc, a}, {a, bc}, {b, ac}, {c, ab},
{-, abc}, adica 8 = 23 variante.

26

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Propozitia 1.4.6. Numarul extragerilor a k bile dintr-o urna cu n bile, far


a
ntoarcere si fara nregistrarea ordinii bilelor extrase, este
Cnk =

n!
k!(n k)!

(combinari de n luate cate k).


Exemplul 1.4.7. Extragerea a 2 bile dintr-o urna ce contine 3 bile {a,b,c}.
Avem variantele ab, ac, bc, adica C32 = 3 variante.
Propozitia 1.4.8. Numarul extragerilor a k bile dintr-o urna cu n bile, cu
k
ntoarcere si fara nregistrarea ordinii bilelor extrase, este Cn+k1
.
Exemplul 1.4.9. Numarul extragerilor a doua bile dintr-o urna ce contine
3 bile {a, b, c}. Avem variantele posibile: aa, ab, ac, bb, bc, cc, adic
a
2
= C42 variante.
6 = C3+21
Exemplul 1.4.10. Intr-o grupa sunt 24 studenti, dintre care 6 foarte buni,
10 buni si 8 slabi. Se cere probabilitatea ca alegand la ntamplare 5 studenti
acestia sa fie 1 foarte bun, 2 buni, 2 slabi.
Solutie.
P =

2
C61 C10
C82
.
5
C24

Exemplul 1.4.11. Se mpart 15 studenti n 3 grupe egale.


a) Daca trei dintre ei sunt foarte buni, care este probabilitatea ca n fiecare
grupa sa nimereasca un astfel de student?
b) Daca trei sunt buni, care este probabilitatea ca toti sa nimereasca n aceeasi
grupa?
Solutie.
a) P =

2
5
4
3C12
C10
C55
3!C12
C84 C44
;
b)
P
=
.
5
5
5
5
C15
C10
C55
C15
C10
C55

Exemplul 1.4.12. Se dau 10 bile care se distribuie n 3 urne. Se cere


probabilitatea ca n urna ntai sa fie 2 bile, n urna a doua 3 bile si n urna
a treia 5 bile.
Solutie.
2
C10
C83 C55
P =
.
310

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

27

Exemplul 1.4.13. La un magazin se gasesc 25 de masini de spalat rufe


dintre care 5 sunt defecte. Se cere probabilitatea ca un aparat bun sa se
obtina la a treia ncercare.
Solutie.
P =

1.5

A25 A120
.
A325

Spatiu cu m
asur
a

Definitia 1.5.1. Fie S este o semi-algebra pe . Se numeste semi-m


asur
a
pe S o aplicatie : S [0, ] care satisface axiomele:
1. () = 0;
2. Daca {Ai }ni=1 S : Ai Aj = , ()i 6= j si A =

n
S

Ai S, atunci

i=1

(A) =

n
X

(Ai ) ;

i=1

3. Daca {Ai }
si A =
i=1 S : Ai Aj = , ()i 6= j

Ai S, atunci

i=1

(A)

(Ai ) .

i=1

Definitia 1.5.2. Daca A este o algebra pe , se numeste m


asur
a pe A o
aplicatie : A [0, ] care satisface axiomele:
1. () = 0;
2. Daca {Ai }
si A =
i=1 A : Ai Aj = , ()i 6= j

S
i=1

[
i=1

!
Ai

X
i=1

(Ai ) .

Ai A, atunci

28

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Definitia 1.5.3. Fie (, ) un spatiu masurabil. Se numeste m


asur
a o
aplicatie : [0, ] care satisface axiomele:
1. () = 0;
2. Daca {Ai }
i=1 : Ai Aj = , ()i 6= j, atunci
!

[
X

Ai =
(Ai ) .
i=1

i=1

Tripletul (, , ) se numeste spatiu cu m


asur
a.
Exemplul 1.5.4. Daca este o multime cel mult numarabila si = P()
atunci aplicatia
: [0, ] , (A) := card(A)
este o masura, numita m
asura de num
arare.
a daca exist
a
Definitia 1.5.5. O masura : R+ se numeste -finit

S
ncat =
n si (n ) < , ()n N .
{n }
n=1 astfel
n=1

cazul particular n care () < masura se numeste finit


In
a.
Definitia 1.5.6. O masura : R+ se numeste complet
a daca pentru
orice A cu (A) = 0 si orice B A avem ca B .
Teorema 1.5.7. (Propriet
ati ale m
asurii). Fie (, , ) un spatiu cu
masura. Presupunem ca toate multimile mentionate mai jos fac parte din .
Atunci:
1. Daca A B atunci (A) (B).
plus, daca (A) < , atunci (B \ A) = (B) (A).
In
 

S
P
2.
Ai
(Ai ).
i=1

i=1

3. Daca An An+1 , atunci

[
n=1

!
An

= lim (An ) .
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

29

4. Daca An+1 An si (A1 ) < , atunci

!
An

= lim (An ) .
n

n=1

Demonstratie. 1) Fie D = B \ A. Atunci A D = si vom avea


(A D) = (A) + (D) .
Dar A D = B si astfel (B) = (A) + (D). Cum (D) 0 obtinem ca
In cazul (A) < aceeasi relatie conduce la
(B) (A).
(B \ A) = (B) (A).
n1
S
a
2) Fie B1 = A1 , Bn = An \
Ai . Atunci {Bn }
n=1 sunt disjuncte dou
i=1



S
P
S
S
cate doua si vom avea
Bn =
(Bn ). Dar
Bn =
An si cum
n=1

n=1

n=1

n=1

Bn An , conform punctului precedent, avem (Bn ) (An ). Astfel avem

S
P

An
(An ).
n=1

n=1

a cate
3) Fie B1 = A1 , Bn = An \ An1 . Atunci {Bn }
n=1 sunt disjuncte dou

S
S
doua si
Bn =
An .
n=1

n=1

Daca exista n0 N astfel ncat (An0 ) = atunci (An ) = , pentru


orice n n0 si egalitatea din enunt este evidenta.
Daca (An ) < , pentru orice n N , obtinem

!
An

n=1

= (A1 ) +

!
Bn

n=1

(Bn ) =

n=1

[(An ) (An1 )] = lim (An ) .


n

n=2

4) Fie Bn = A1 \ An . Atunci Bn Bn+1 si conform punctului precedent


avem
!

Bn = lim (Bn ) .
n=1

30

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Dar

Bn = A1 \

n=1

An si (Bn ) = (A1 ) (An ). Revenind obtinem

n=1

(A1 )

!
An

= (A1 ) lim (An ) ,


n

n=1

de unde egalitatea dorita.


Observatia 1.5.8. Conditia (A1 ) < din proprietatea 4 este necesara.
Pentru a observa aceasta fie = N , = P() si masura de numarare. Fie

T
An := {k N : k n}. Atunci (An ) = , ()n N . Dar
An = .
n=1

Observatia 1.5.9. Fie spatiul cu masura (, , ). Daca masura nu este


completa atunci se poate obtine o completata a ei. Fie
N := {N : ()B astfel ncat N B si (B) = 0} .
generata de N se numeste completata prin a lui . De
-algebra
fapt
= {A N : A si ()B , (B) = 0 astfel ncat N B} .

punand
Masura se poate prelungi pe
R+

(A N ) := (A) .

Aplicatia
este corect definita si este o masura completa, numindu-se com
pletata masurii . Spatiul (, ,
) se numeste completatul spatiului
(, , ).

1.6

Prelungirea unei m
asuri

Teorema 1.6.1. (Teorema de prelungire a unei semi-m


asuri). Fie S
este o semi-algebra pe si o semi-masura pe S. Pentru A S definim
(A) :=

n
X

(Ai ) ,

i=1

unde A =

n
S

Ai , reuniunea fiind formata cu multimi din S disjuncte dou


a

i=1

cate doua. Atunci:

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

31

1. Aplicatia este corect definita.


2. Daca {Ai }ni=1 S : Ai Aj = , ()i 6= j, atunci
!
n
n
[
X

Ai =
(Ai ) .
i=1

i=1

3. Daca A, B S : A B atunci (A) (B).


n
S

4. Daca {Ai }ni=1 S si A S : A

Ai atunci

i=1

(A)

n
X

(Ai ) .

i=1

5. este o masura pe S.
6. se prelungeste n mod unic la o masura pe S.
Demonstratie. (1) Presupunem ca A S se mai poate reprezenta si
m
S
A=
Bj , reuniunea fiind formata cu multimi din S, disjuncte doua cate
j=1

doua. Atunci
Ai = Ai A = Ai

m
[

!
Bj

j=1

Bj = Bj A = Bj

n
[

m
[

(Ai Bj ) ,

j=1

!
Ai

n
[

(Ai Bj ) ,

i=1

i=1

cele doua reuniuni de mai sus fiind formate cu multimi din S, disjuncte doua
cate doua. Folosind axioma 2 a unei semi-masuri deducem
(Ai ) =

m
X

(Ai Bj ) , (Bj ) =

j=1

n
X

(Ai Bj ) .

i=1

Prin urmare
n
X
i=1

(Ai ) =

n X
m
X
i=1 j=1

(Ai Bj ) =

m X
n
X
j=1 i=1

(Ai Bj ) =

m
X
j=1

(Bj ) .

32

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Astfel este corect definita pe S.


m
Si
(2) Cum Ai S avem ca Ai =
Aik , reuniunea fiind formata cu multimi
k=1

din S disjuncte.
A =

n m
S
Si

Atunci (Ai ) =

mi
P

(Aik ).

Fie A =

n
S

Ai .

Atunci

i=1

k=1

Aik , reuniunea fiind formata cu multimi din S disjuncte doua

i=1 k=1

cate doua. Atunci


(A) =

mi
n X
X

(Aik ) =

i=1 k=1

n
X

(Ai ) .

i=1

(3) Fie C = B CA S. Cum A si C sunt disjuncte, n baza punctului


precedent, avem (A C) = (A) + (C) de unde
(B) = (A) + (C) (A) .
(4) Sa remarcam mai ntai ca multimile {Ai }ni=1 de la acest punct nu sunt
disjuncte. Prin urmare o aplicare a punctului 2 nu ar fi posibila. Acest lucru
se poate remedia definind multimile {Bi }ni=1 prin B1 = A1 si
!
!
k1
k1
[
\
[
Bk = Ak \
Ai = Ak
C
Ai = Ak CA1 CAk1 ,
i=1

i=1

pentru k = 2, n. Multimile {Bi }ni=1 sunt din S, disjuncte doua cate doua si
n
n
n
S
S
S
Bi =
Ai . Cum A
Ai , obtinem ca
i=1

i=1

i=1

A=A

n
[

!
Ai

=A

i=1

n
[

!
Bi

i=1

n
[

(A Bi ) .

i=1

Aplicand punctul 2 deducem ca


(A) =

n
X

(A Bi ) .

i=1

Dar A Bi Bi Ai si din punctul 3 avem ca (A Bi ) (Ai ). Prin


urmare
n
n
X
X
(A) =
(A Bi )
(Ai ) .
i=1

i=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

33

(5) Cum prelungeste pe avem () = 0. Ramane sa verificam axioma a


2-a a unei masuri. Fie {Ai }
a
i=1 S : Ai Aj = , ()i 6= j. Presupunem c

S
A=
Ai S. Avem de aratat ca
i=1

(A) =

(Ai ) .

i=1

Etapa 1. Cum Ai S, avem ca Ai =

m
Si

Aik , reuniunea fiind formata cu

k=1

multimi din S, disjuncte doua cate doua. Cum {Ai }


si ele disjuncte
i=1 sunt
doua cate doua, obtinem ca
A=

mi
[
[

Aik , unde {Aik } S disjuncte .

i=1 k=1

In continuare vom scrie A = S Aik . Apartenenta lui A la S conduce la


i,k

A=

n
S

Bj , reuniunea fiind formata cu multimi din S, disjuncte doua cate

j=1

doua. Observam ca
!
[

Bj = Bj A = Bj

Aik

i,k

(Bj Aik ) .

i,k

Conform axiomei 3 a unei semi-masuri avem


X
(Bj )
(Bj Aik ) .
i,k

Atunci
(A) =

n
X
j=1

Dar

n
[

(Bj )

n X
X

(Bj Aik ) =

j=1 i,k

(Bj Aik ) = Aik

j=1

n
XX

(Bj Aik ) .

i,k j=1

n
[
j=1

!
Bj

= Aik A = Aik .

34

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Din axioma 2 a unei semi-masuri obtinem


n
X

(Bj Aik ) = (Aik ) .

j=1

Revenind, avem ca
(A)

(Aik ) .

i,k

Dar Ai =

m
Si

Aik si atunci (Ai ) =

(Aik ). In concluzie

k=1

(A)

XX
i

(Aik ) =

(Ai ) .

Etapa 2. Mai avem de aratat inegalitatea inversa. Fie Dn =

n
S

Ai S.

i=1

Evident Dn A si din punctul 3 avem ca (Dn ) (A). Dar din punctul 2


n
P
avem (Dn ) =
(Ai ). Deci
i=1
n
X

(Ai ) (A) .

i=1

Trecand n aceasta inegalitate la limita pentru n obtinem

(Ai ) (A) .

i=1

(6) Preupunem ca
este o alta masura pe S ce prelungeste pe , adica

(A) = (A) , ()A S. Vom demonstra ca

(A) = (A) , ()A S ,


ceea ce demonstreaza unicitatea.
n
S
Fie A S. Atunci A =
Ai , reuniunea fiind formata cu multimi din S
i=1

disjuncte doua cate doua. Cum


si sunt masuri pe S avem
!
n
n
n
[
X
X
(A) =
Ai =
(Ai ) =
(Ai ) ,
i=1

i=1

i=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

(A) =

n
[

!
Ai

i=1

n
X

(Ai ) =

i=1

n
X

35

(Ai ) .

i=1

Prin urmare
(A) = (A).
Definitia 1.6.2. O aplicatie : P() [0, ] se numeste m
asur
a exterioar
a daca satisface axiomele:
1. () = 0;
2. Daca A B atunci (A) (B);
 

S
P

Ai
(Ai ).
3. Daca {Ai }i=1 P() atunci
i=1

i=1

Observatia 1.6.3. Evident, orice masura definita pe P() este o masura


exterioara. Afirmatia reciproca nu este n general valabila.
Intr-adevar, : P() [0, ], definita prin

1 , daca A 6=

(A) =
,
0 , daca A =
este o masura exterioara dar nu este masura.
Definitia 1.6.4. Fie : P() R+ o masura exterioara. O multime
A se numeste m
asurabil
a n raport cu m
asura exterioar
a daca
(E) = (A E) + (CA E) , ()E .
Vom nota cu A familia multimilor masurabile n raport cu masura esterioara
.
Teorema 1.6.5. (Teorema Carath
eodory de prelungire a unei m
asuri).
Fie o masura -finita pe o algebra A. Pentru A P() definim

X
[

(A) := inf{
(Ai ) : {Ai }i=1 A , A
Ai } .

i=1

Atunci:
1. (A) = (A) , ()A A;

i=1

36

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

2. este o masura exterioara pe P();


3. A este o -algebra;
4. restrictia lui la A este o masura;
5. daca (A) = 0 atunci A A ;
6. A A ;
7. se prelungeste n mod unic la o masura pe (A).
Demonstratie. (1) Evident (A) (A) , ()A A.

S
Ai . Fie B1 = A A1 si
Fie {Ai }
i=1 A : A
i=1

Bn = A (An \

n1
[

Ai ) , pentru n 2 .

i=1

Observam ca {Bn } A, sunt disjuncte si reuniunea lor este este A. Cum


este o masura pe A avem
!

[
X

Bn =
(Bn ) .
n=1

n=1

Dar Bn An , ()n 1 si prin urmare (Bn ) (An ). Deci


!

[
X
X
(A) =
Bn =
(Bn )
(An ) .
n=1

Cum (A)

n=1

n=1

(An ), pentru orice acoperire numarabila a lui A cu ele-

n=1

mente din A, obtinem ca


(A) inf{

X
n=1

(An ) : {An }
n=1 A , A

An } = (A) .

n=1

Astfel (A) = (A) , ()A A.


(2) Din punctul precedent avem ca () = () = 0. Evident ca daca
A B atunci (A) (B), pentru ca orice acoperire numarabila a lui B

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

37

cu multimi din A va fi si acoperire pentru A.

S
P

Fie acum {Ai }

P()

s
i
A
=
A
.
Vom
ar
a
ta
c
a

(A)

(Ai ).
i
i=1
Daca

i=1

i=1

(Ai ) = atunci inegalitatea de mai sus este evidenta. In cazul

i=1

n care

(Ai ) < , avem ca (Ai ) < , ()i N . Cum

i=1

X
[

A
,
A

Ain } ,
(Ai ) = inf{
(Ain ) : {Ain }
i
n=1
n=1

n=1

pentru orice > 0 exista o familie {Ain }


n=1 A : Ai

Ain si

n=1

(Ain ) (Ai ) +

n=1

Deci

(Ain )

i=1 n=1

X
i=1

Dar
A=

[
i=1

Prin urmare
(A)

, ()i N .
i
2

X
X

(Ai ) +
=
(Ai ) + .
i
2
i=1
i=1

Ai

Ain , {Ain } A .

i=1 n=1

(Ain )

i=1 n=1

(Ai ) + .

i=1

Cum > 0 a fost ales arbitrar, obtinem ca


(A)

(Ai ) .

i=1

(3) Avem de verificat cele trei axiome ale unei -algebre.


Axioma 1. Observam ca pentru orice E avem E = E si CE = .
Prin urmare
( E) + (C E) = (E) + () = (E) .

38

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Aceasta relatie ne spune ca A .


Axioma 2. Fie A A . Atunci
(E) = (A E) + (CA E) , ()E ,
adica
(E) = (CA E) + (C(CA) E) , ()E
si astfel CA A .
Axioma 3. Vom face demonstratia acestei axiome n mai multe etape.
Etapa1. Aratam mai ntai ca A este o algebra.
Fie A, B A . Atunci, pentru orice E , avem
(E) = (A E) + (CA E) .
Dar
(A E) = (B A E) + (CB A E) ,
(CA E) = (B CA E) + (CB CA E) .
Revenind, obtinem
(E) = (B AE)+ (CB AE)+ (B CAE)+ (CB CAE) .
Aceasta egalitate fiind valabila pentru orice E , vom putea nlocui E cu
E (A B). Obtinem
(E (A B)) = (B A E) + (CB A E) + (B CA E) + () .
In final
(E) = (E (A B)) + (C(A B) E) ,
egalitate valabila pentru orice E . Prin urmare A B A .

Etapa 2. Fie {Ai }

A
disjuncte.
Vom
ar
a
ta
c
a
A
=
Ai A .
i=1
n
S

i=1

Conform etapei precedente Bn =


Ai A si astfel, pentru orice E ,
i=1
avem
(E) = (E Bn ) + (E CBn ) .

Cum Bn A, avem ca CA CBn si folosind monotonia masurii exterioare


obtinem
(E CBn ) (E CA) .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Deci
(E) (E Bn ) + (E CA) .
Cum An A , avem ca
(E) = (E An ) + (E CAn ) ,
egalitate valabila pentru orice E . Inlocuind E cu E Bn obtinem
(E Bn ) = (An Bn E) + (CAn Bn E) .
Deci
(E Bn ) = (An E) + (Bn1 E) .
De aici deducem

n
X

(E Bn ) =

(Ai E) .

i=1

Prin urmare
(E)

n
X

(Ai E) + (E CA) .

i=1

Trecand la limita pentru n obtinem

(E)

(Ai E) + (E CA) .

i=1

Dar
AE =

!
Ai

E =

i=1

(Ai E) .

i=1

Folosind subaditivitatea masurii exterioare obtinem

(A E)

(Ai E) .

i=1

Revenind, avem ca
(E) (A E) + (E CA) .
Pe de alta parte
E = (E A) (E CA)

39

40

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

si folosind subaditivitatea masurii exterioare deducem ca


(E) (E A) + (E CA) .
In concluzie
(E) = (E A) + (E CA) .
Aceasta egalitate fiind valabila pentru orice E , obtinem ca A A .

Etapa 3. Acum verificam axioma a 3 -a a unei -algebre. Fie {Ai }


i=1 A .
Fie B1 = A1 si
n1
[
Ak .
Bn = An \
k=1

Observam ca {Bn }
si sunt disjuncte. Conform etapei precedente
n=1 A

S
S
S
S
avem
Bn A . Dar
Bn =
An si prin urmare
An A .
n=1

n=1

n=1

n=1

(4) Vom arata ca este o masura pe A . Cum () = 0 ramane sa

si A =
Ai . Am
verificam axioma a doua. Fie {Ai }
i=1 A disjuncte
i=1

vazut ca A A . In punctul precedent am demonstrat ca


(E)

(E Ai ) + (E CA) ,

i=1

pentru orice multime E din . In particular, pentru E = A, obtinem

(A)

(A Ai ) + (A CA) =

i=1

(Ai ) .

i=1

La punctul (2) am demonstrat ca (A)

(Ai ). Prin urmare

i=1

(A) =

(Ai ) .

i=1

(5) Fie E arbitrara. Cum


E = (E A) (E CA) ,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

41

folosind subaditivitatea masurii exterioare , deducem ca


(E) (E A) + (E CA) .
Pe de alta parte E A A si folosind monotonia masurii exterioare
obtinem (E A) (A) = 0, adica (E A) = 0.
Dar E CA E si din monotonia masurii exterioare obtinem
(E CA) (E) .
In concluzie (E A) + (E CA) (E). Cele doua inegalitati demonstrate conduc la
(E) = (E A) + (E CA)
si deci A A .
(6) Fie A A. Fie E arbitrara. Cum E = (E A) (E CA), folosind
subaditivitatea masurii exterioare , deducem
(E) (E A) + (E CA) .
Daca (E) = , atunci inegalitatea inversa este evidenta. Presupunem ca
(E) < . Cum

(E) = inf{

{Ai }
i=1

(Ai ) :

A, E

i=1

Ai } ,

i=1

pentru orice > 0 exista {Ai }


i=1 A : E

Ai si

i=1

(Ai ) (E) + .

i=1

Dar E A


S


Ai

A=

i=1

(E A)

(Ai A) si prin urmare

i=1

!
(Ai A)

i=1

Cum
E CA

(Ai A) =

i=1

[
i=1

!
Ai

CA =

X
i=1

(Ai CA) ,

i=1

(Ai A) .

42

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

deducem ca
(E CA)

!
(Ai CA)

i=1

(Ai CA) =

i=1

(Ai CA) .

i=1

In concluzie
(E A) + (E CA)

(Ai A) +

i=1

(Ai CA) =

i=1

X
X
=
[(Ai A) + (Ai CA)] =
(Ai ) (E) + ,
i=1

i=1

unde, n ultima egalitate, am folosit faptul ca este o masura pe A si prin


urmare daca
Ai = (Ai A) (Ai CA)
avem ca
(Ai ) = (Ai A) + (Ai CA) .
Am obtinut ca
(E A) + (E CA) (E) + .
Cum > 0 a fost ales arbitrar, avem ca
(E A) + (E CA) (E) .
Cele doua inegalitati conduc la
(E) = (E A) + (E CA)
si deci A A .
(7)Din punctul (3) stim ca A este o -algebra. Din punctul (6) avem ca
A A . Cum (A) este cea mai mica -algebra ce contine A avem ca
(A) A . Am vazut n punctul (4) ca restrictia lui la A este o masura
care, conform punctului (1), prelungeste pe . Presupunem ca ar mai exista
o masura
pe (A) care prelungeste pe , adica

(A) = (A) , ()A A .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

43

Vom demonstra ca
(A) = (A) , ()A (A), ceea ce demonstreaza
unicitatea prelungirii lui la o masura pe (A).
Fie A (A) A . Atunci

(A) = inf{

(Ai ) :

{Ai }
i=1

A, A

i=1

Ai } .

i=1

Observam ca

(A)

Ai

i=1

(Ai ) =

i=1

(Ai ) ,

i=1

pentru orice familie {Ai }


i=1 A, cu proprietatea A

Ai . Prin urmare

i=1

(A) (A). Ramane sa demonstram inegalitatea inversa.


Cazul I. (A) < . Cum

(A) = inf{

(Ai ) :

{Ai }
i=1

A, A

i=1

Ai } ,

i=1

pentru orice > 0 va exista o familie {Ai }


i=1 A, cu proprietatea

S
A
Ai , astfel ncat
i=1

(Ai ) (A) + .

i=1

Fie B =

S
i=1

Ai si Bn =

n
S

Ai . Atunci Bn Bn+1 si cum si


sunt masuri,

i=1

avem ca

!
= lim (Bn ) ,

Bn

n=1

!
Bn

n=1

= lim
(Bn ) .
n

Dar Bn A si prin urmare (Bn ) =


(Bn ). Astfel (B) =
(B). Dar
!

[
X
X
(Ai ) =
(Ai ) (A) + .
(B) =
Ai
i=1

i=1

i=1

44

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Deci (B) (A) , de unde (B \ A) si prin urmare


(B \ A) .
In concluzie
(A) (B) =
(B) =
(A) +
(B \ A)
(A) + .
Cum > 0 a fost ales arbitrar, obtinem ca (A)
(A).
Cazul II. Fie A (A) arbitrar. Cum masura este -finita avem ca

S
=
j , unde (j ) < si reuniunea este disjuncta. Prin urmare
j=1

A=

(j A), unde reuniunea este formata cu multimi disjuncte cu pro-

j=1

prietatea (j A) < , pentru orice j N . Conform cazului precedent


avem ca
(j A) = (j A). Cum si
sunt masuri deducem ca
(A) =
(A), ceea ce demonstreaza unicitatea.
completata prin
Teorema 1.6.6. Fie o masura -finita pe -algebra ,

a lui si familia multimilor masurabile n raport cu masura exterioar


a

indusa de . Atunci
= .

unde A si ()B cu (B) = 0


Demonstratie. (1) Fie A N ,

astfel ncat N B. Atunci (N ) (B) = 0 si deci (N ) = 0. Din


teorema 1.6.5.(5) vom avea ca N . Cum vom avea ca A si
.
deci A N . Astfel
(2) Fie A . Presupunem mai ntai ca (A) < . Aratam ca
()M : A M si (M ) = (A) .
Din definitia lui (A) avem ca pentru orice numar natural n 1

S
P
(Ani ) (A) + n1 . Fie
ncat A
Ani si
exista {Ani }
i=1 astfel
Mn =
A

Ani

si M =

i=1

i=1

Mn . Cum A Mn , ()n 1 avem ca

n=1

i=1

Mn = M si, n particular, (A) (M ) = (M ). In plus

n=1

(Mn )

(Ani ) (A) +

i=1

Atunci
(M ) (Mn ) (A) +

1
, ()n 1 .
n

1
, ()n 1
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

45

si deci (M ) (A). Prin urmare (M ) = (A).


(3) Conform etapei precedente, pentru M \ A va exista B astfel
ncat M \ A B si (B) = (M \ A) = 0. Cum M \ A B deducem ca
M \ B A. Deci M \ B A M . Prin urmare exista N B astfel ncat

A = (M \ B) N . Deci A .

(4) Fie A cu (A) = . Cum este o masura -finita vom avea ca

:
A
=
An si
este o masura -finita si prin urmare (){An }
n=1
n=1

, ()n 1.
(An ) < . Conform celor de mai sus vom avea ca An

Astfel A .
Observatia 1.6.7. Consideram pe R familia S a intervalelor nchise la
stanga (vezi exemplul 1.3.2). Aceasta este o semi-algebra care, conform teoremei 1.3.5, genereaza algebra S.
Pentru fiecare interval I S vom nota cu l(I) lungimea acestui interval. Se
verifica usor ca l : S R+ este o semi-masura. In baza teoremei 1.6.1 ea se
prelungeste n mod unic la o masura -finita pe S, pe care o notam .
Conform teoremei 1.6.5.(7) se prelungeste n mod unic la o masura pe
asura Borel pe R.
(S) = Bor(R) numita m
Pe de alta parte, tot din teorema 1.6.5 stim ca masura induce o masura exterioara pe care o vom nota m si o vom numi m
asura exterioar
a Lebesgue
pe R. O multime A R masurabila n raport cu masura exterioara Lebesgue
va fi numita multime m
asurabil
a Lebesgue. -algebra multimilor masurabile Lebesgue va fi notata Leb(R). Masura m = m |Leb(R) , indusa de masura
exterioara Lebesgue m , se numeste m
asura Lebesgue pe R. Cum
plus, teorema
S Leb(R), vom avea ca (S) = Bor(R) Leb(R). In
1.6.6 ne spune ca masura Lebesgue este tocmai completata masurii Borel.
Observatia 1.6.8. O constructie asemanatoare functioneaza si n Rp . Astfel, vom numi interval (paralelipiped) n Rp o multime de forma
I = I1 I2 Ip , unde fiecare Ik este un interval din R ce poate fi
deschis, nchis, semi-deschis, marginit sau nemarginit. Vom nota cu S familia acestor intervale. Daca l(Ik ) desemneaza lungimea intervalului Ik atunci
p
Q
numarul v(I) :=
l(Ik ) se numeste volumul lui I. Aici facem conventia
k=1

ca 0 = 0. Se poate arata ca familia S formeaza o semi-algebra si ca


aplicatia v : S [0, ] este o semi-masura. Conform teoremei 1.6.1 aceasta
semi-masura se va prelungi n mod unic la o masura pe algebra S care, la
randul ei se va prelungi n mod unic, n baza teoremei 1.6.5.(7), la o masura

46

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

pe (S) = Bor(Rp ) pe care o vom numi m


asura Borel pe Rp si o notam m.
Multimile din completata prin m a lui Bor(Rp ) se zic multimi m
asurabile
Lebesgue. Notam prin Leb(Rp ) familia multimilor masurabile Lebesgue si
remarcam ca, n baza teoremei lui Caratheodory, masura Borel se prelungeste
n Leb(Rp ). Aceasta prelungire se numeste m
asura Lebesgue din Rp .

1.7

Modelul Kolmogorov

Definitia 1.7.1. Se numeste probabilitate o masura P definita pe un camp


de evenimente (, ) cu proprietatea P () = 1. Ansamblul (, , P ) se
numeste spatiu de probabilitate sau c
amp de probabilitate.
Teorema 1.7.2. (Propriet
ati ale probabilit
atii).
= 1 P (A), () A ;
1. P(A)
2. P (A) [0, 1] , ()A ;
3. P(A B) = P (A) + P (B) P (A B) , ()A, B ;
4. P (A B C) = P (A) + P (B) + P (C) P (A B) P (B C)
P (A C) + P (A B C), ()A, B, C .
Demonstratie. 1) Avem A A = si A A = . Atunci
= P (A) + P (A)
,
P (A A)
Cum P () = 1 obtinem P (A) + P (A)
= 1, de
adica P () = P (A) + P (A).
unde proprietatea dorita.
2) Pentru orice A avem A , de unde P (A) P () = 1. Din definitia
masurii P (A) 0 si prin urmare P (A) [0, 1].
3) Fie D = B \ A, C = A B, E = A \ B. Aceste evenimente sunt
incompatibile doua cate doua si
DC E =AB ; DC =B ; C E =A.
Avem
P (D C E) = P (D) + P (C) + P (E) ,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

47

P (B) = P (D) + P (C) , P (A) = P (E) + P (C) .


Prin urmare
P (A B) = P (D) + P (C) + P (E) + P (C) P (C) ,
P (A B) = P (B) + P (A) P (A B) .
4) Se obtine usor n baza proprietatii precedente. Astfel
P (A B C) = P (A B) + P (C) P ((A B) C) =
= P (A) + P (B) P (A B) + P (C) P ((A C) (B C)) =
= P (A) + P (B) P (A B) + P (C) P (A C) P (B C) + P (A B C) .
Exemplul 1.7.3. Fie P o probabilitate pe un camp finit de evenimente (, )
si A, B, C trei evenimente astfel ncat
P (A) = 0, 6 ; P (A B) = 0, 2 ; P (B C) = 0, 1 ;
P (A C) = 0, 1 ; P (A B C) = 0, 05 .
a) Determinati probabilitatea evenimentelor
E1 = A (B C); E2 = A (B C) .
b) Daca P (B) = 0, 4 calculati probabilitatea evenimentului nici A si nici B
nu se realizeaza.
Solutie. a) P (E1 ) = P (A (B C)) = P (A) + P (B C) P (A B C) =
= 0, 6 + 0, 1 0, 05 = 0, 65;
P (E2 ) = P (A (B C)) = P ((A B) (A C)) = P (A B) + P (A C)
P (A B C) = 0, 2 + 0, 1 0, 05 = 0, 25;
= P (A B) = 1 P (A B) = 1 [P (A) + P (B) P (A B)] =
b) P (A B)
= 1 [0, 6 + 0, 4 0, 2] = 0, 2.
Propozitia 1.7.4. (Reg
asirea definitiei clasice ca un caz particular de probabilitate). Consideram = {1 , 2 , ......, n } si = P().
Daca P : R+ este o probabilitate atunci restrictia ei la multimea
evenimentelor elementare
P , notata , defineste o functie numerica pozitiva cu proprietatea
() = 1. Reciproc, orice functie : R+ cu

P
proprietatea
() = 1 defineste o probabilitate P : P() R+ prin
P
P (A) =
().
A

48

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Demonstratie. Evident este o functie numerica pozitiva. Apoi


X

() =

P () =

n
X

P (i ) = P (

i=1

n
[

wi ) = P () = 1 .

i=1

Pentru a demonstra afirmatia reciproca trebuie sa verificam axiomele


probabilitatii:
P
1) P () = 1. Intr-adevar, din definitia lui P avem P () =
(), suma

care este egala cu 1 din proprietatea functiei .


2) Fie A, B P() : A B = . Atunci
P (A B) =

() =

AB

() +

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

particular, daca este constanta, adica


Observatia 1.7.5. In
() =

1
, () ,
n

vom spune ca evenimentele elementare sunt echiprobabile. Daca A P()


atunci A se descompune n k evenimente elementare. Atunci
P (A) =

X
A

() =

X1
1
k
=k =
n
n
n
A

si am regasit definitia clasica a probabilitatii.

1.8

Probabilitatea conditionat
a

Definitia 1.8.1. Fie (, , P ) un camp de probabilitate si A cu


P (A) 6= 0. Se numeste probabilitate conditionat
a de evenimentul A
aplicatia
P (A B)
PA : R+ , PA (B) :=
.
P (A)
fapt PA (B) este probabilitatea realizarii evenimentului
Observatia 1.8.2. In
B stiind ca evenimentul A s-a realizat n prealabil.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

49

Exemplul 1.8.3. Avem 3 discuri: unul cu ambele fete albe, unul cu o fata
alba si una neagra iar al treilea cu ambele fete negre. Se alege un disc la
ntamplare si se constata ca prima fata este alba. Care este probabilitatea ca
cealalta fata sa fie tot alba?
Solutie. Fie
A - evenimentul prima fata este alba;
B - evenimentul a doua fata este alba.
Ne intereseaza PA (B). Avem P (A B) =
PA (B) =

1
3

si P (A) =

P (A B)
=
P (A)

1
3
1
2

3
6

= 12 . Atunci

2
.
3

Teorema 1.8.4. Probabilitatea conditionata este o probabilitate pe .


Demonstratie. Evident PA (B) 0. Apoi
PA () =

P ()
P (A )
=
=0
P (A)
P (A)

si
PA () =

P (A )
P (A)
=
=1.
P (A)
P (A)

Fie {Ai }iN : Ai Aj = , ()i 6= j. Atunci



 


S
S
!
P A
Ai
P
(A Ai )

[
i=1
i=1
PA
Ai =
=
=
P (A)
P (A)
i=1

1.9

P (A Ai )

i=1

P (A)

X
P (A Ai )
i=1

P (A)

PA (Ai ) .

i=1

Formula probabilit
atii totale

Fie (, , P ) un camp de probabilitate, {Ai }iI un sistem complet de evenimente (I fiind o multime de indici finita sau numarabila) cu
P (Ai ) 6= 0, () i I.

50

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Teorema 1.9.1. (Formula probabilit


atii totale). Pentru orice eveniment A avem
X
P (A) =
P (Ai ) PAi (A) .
iI

Demonstratie. Pentru fiecare i I avem PAi (A) =


P (A Ai ) = P (Ai ) PAi (A). Prin urmare
X

P (Ai ) PAi (A) =

iI

P (AAi )
,
P (Ai )

de unde

P (A Ai ) =

iI

[
[
= P ( (A Ai )) = P (A ( Ai )) = P (A ) = P (A) .
iI

iI

Teorema 1.9.2. (Formula lui Bayes). Fie A cu P (A) 6= 0. Atunci


P (Ai ) PAi (A)
.
PA (Ai ) = P
P (Ai ) PAi (A)
iI
i)
Demonstratie. Avem PAi (A) = P P(AA
, de unde P (A Ai ) = P (Ai ) PAi (A).
(Ai )
Atunci
P (Ai ) PAi (A)
P (A Ai )
=
.
PA (Ai ) =
P (A)
P (A)

Formula dorita se obtine aplicand formula probabilitatii totale.


prima sunt 3 bile albe si 5 bile negre,
Exemplul 1.9.3. Se dau doua urne. In
iar n a doua 3 bile albe si 2 bile negre. Se alege o urna la ntamplare si se
extrage o bila. Se cere:
a) Care este probabilitatea de a extrage o bila alba?
b) Care este probabilitatea ca ea (bila alba) sa fi fost extrasa din urna ntai?
c) Stiind ca bila extrasa este alba care este probabilitatea ca urmatoarea s
a
fie tot alba?
Solutie. Fie A1 - evenimentul de a alege urna ntai,
A2 - evenimentul de a alege urna a doua,
A - evenimentul prima bila extrasa este alba,
B - evenimentul a doua bila extrasa este alba.
a) Aplicam formula probabilitatii totale

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

P (A) = P (A1 ) PA1 (A) + P (A2 ) PA2 (A) =

51

1 3 1 3
39
+ =
.
2 8 2 5
80

b) Aplicam formula lui Bayes


PA (A1 ) =

P (A1 ) PA1 (A)


=
P (A)

1
2

39
80

3
8

5
.
13

c) Aplicam formula probabilitatii totale


P (B) = PA (A1 ) PA1 A (B) + PA (A2 ) PA2 A (B) .
Avem
PA (A1 ) =

5
8
2
2
1
; PA (A2 ) =
; PA1 A (B) = ; PA2 A (B) = = .
13
13
7
4
2

Atunci

8 1
76
5 2
+
=
.
13 7 13 2
182
Exemplul 1.9.4. Fie P o probabilitate pe un camp finit de evenimente si
A, B doua evenimente cu probabilitati nenule astfel ncat
P (B) =

PB (A) = 0, 7 ; PB (A) = 0, 3 ; PA (B) = 0, 6 .


Sa se determine P (A).
este un sistem complet de evenimente. Aplicand formula
Solutie. S = {B, B}
probabilitatii totale obtinem
PB (A) ,
P (A) = P (B) PB (A) + P (B)
adica
P (A) = P (B) 0, 7 + (1 P (B)) 0, 3 .
Pe de alta parte
P (A B) = P (A) PA (B) , P (A B) = P (B) PB (A) ,
de unde
P (A) PA (B) = P (B) PB (A) ,
adica 0, 6P (A) = 0, 7P (B) si prin urmare P (B) = 76 P (A).
Revenind la relatia obtinuta cu ajutorul formulei probabilitatii totale obtinem
7
6
3
6
P (A) = P (A)
+ (1 P (A))
.
7
10
7
10
De aici, prin calcul, gasim P (A)= 21
.
46

52

1.10

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Evenimente independente

Notiunea de independenta a doua evenimente are sensul din limbajul uzual,


adica realizarea sau nerealizarea unui eveniment nu influenteaza probabilitatea celuilalt eveniment.
Fiind date doua evenimente A si B cu P (A) 6= 0, independenta lor se
scrie n limbaj matematic P (B) = PA (B). In baza definitiei probabilitatii
conditionate aceasta revine la P (A B) = P (A) P (B) si prin urmare putem
da urmatoarea definitie:
Definitia 1.10.1. Doua evenimente A si B se numesc independente dac
a
P (A B) = P (A) P (B)
Exemplul 1.10.2. Se arunca doua zaruri. Se cere probabilitatea ca pe cel
putin unul din zaruri sa apara fata cu trei puncte.
Solutie. Fie A - evenimentul aparitia fetei cu 3 puncte la primul zar,
B - evenimentul aparitia fetei cu 3 puncte la al doilea zar.
Evident cele doua evenimente sunt independente. Atunci
P (A B) = P (A) + P (B) P (A B) = P (A) + P (B) P (A) P (B) =
=

11
1 1 1 1
+ =
.
6 6 6 6
36

Definitia 1.10.3. Evenimentele {Ai }ni=1 se numesc independente dou


a
c
ate dou
a daca P (Ai Aj ) = P (Ai ) P (Aj ) , () i 6= j.
Definitia 1.10.4. Evenimentele {Ai }ni=1 se numesc independente n ansamblul lor daca pentru orice submultime de indici 1 i1 < i2 < ... < ik n
avem P (Ai1 Ai2 Aik )= P (Ai1 ) P (Ai2 ) P (Aik ).
Observatia 1.10.5. Evident ca daca n evenimente sunt independente n
ansamblul lor atunci ele sunt independente doua cate doua dar reciproca nu
este n general adevarata.
Exemplul 1.10.6. (Bernstein). Consideram un tetraedru omogen cu fetele
colorate n alb, negru, rosu si a patra n cele trei culori. Consideram experienta
aruncarii tetraedrului si notam cu Ai evenimentul ca tetraedrul sa se aseze
pe fata cu numarul i (i = 1, 4). Evenimentele {Ai }4i=1 sunt evenimente elementare si P (Ai ) = 14 , () i = 1, 4.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

53

Fie A = A1 A4 , B = A2 A4 , C = A3 A4 . Observam ca A, B, C sunt

independente doua cate doua. Intr-adev


ar,
P (A B) = P (A4 ) =

1
1 1
= = P (A) P (B)
4
2 2

si n mod analog se verifica ca


P (A C) = P (A) P (C) , P (B C) = P (B) P (C) .
Dar ele nu sunt independente n ansamblul lor pentru ca
P (A B C) = P (A4 ) =

1
1
6= = P (A)P (B)P (C) .
4
8

Propozitia 1.10.7. Daca evenimentele {Ai }ni=1 sunt independente n ansamblul lor atunci
n
n
[
Y
P ( Ai ) = 1 (1 P (Ai )) .
i=1

i=1

Demonstratie.
P(

n
[

Ai ) = 1 P (C(

i=1

=1

n
[

Ai )) = 1 P (

i=1
n
Y
i=1

P (CAi ) = 1

n
\

CAi ) =

i=1
n
Y
(1 P (Ai )) .
i=1

Exemplul 1.10.8. Care este probabilitatea ca din 4 aruncari ale unui zar
sa obtinem cel putin o data fata cu 6 puncte?
Solutie. Fie Ai - aparitia fetei cu 6 puncte la aruncarea i , (i = 1, 4). Atunci
4
[


 4
4
4 
Y
Y
5
1
=1
.
P ( Ai ) = 1 (1 P (Ai )) = 1
1
6
6
i=1
i=1
i=1
Exemplul 1.10.9. Un student urmeaza sa fie examinat la trei discipline:
matematica, economie si contabilitate. Probabilitatea de a promova la matematica este 0,4, probabilitatea de a promova la economie este 0,7 si probabilitatea de a promova la contabilitate este 0,9. Sa se determine probabilitatile
urmatoarelor evenimente:

54

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

1. Studentul promoveaza toate examenele.


2. Studentul nu promoveaza nici un examen.
3. Studentul promoveaza cel putin un examen.
4. Studentul promoveaza un singur examen.
Solutie. Fie
A - evenimentul ca studentul sa promoveze la matematica;
B - evenimentul ca studentul sa promoveze la economie;
C - evenimentul ca studentul sa promoveze la contabilitate.
Atunci:
1. P (A B C) = P (A) P (B) P (C) = 0, 4 0, 7 0, 9 = 0, 252;
C)
= 0, 6 0, 3 0, 1 = 0, 018;
2. P (A B
C)
= 1 0, 018 = 0, 982;
3. P (A B C) = 1 P (A B
C)
(A B C)
(A B
C)) = 0, 4 0, 3 0, 1+
4. P ((A B
+0, 6 0, 7 0, 1 + 0, 6 0, 3 0, 9 = 0, 216.

1.11

Probabilit
ati geometrice

Nu ne propunem sa dezvoltam aceasta sectiune, dar nici nu o puteam omite.


Fondatorul teoriei probabilitatilor geometrice este considerat G. Buffon care,
n 1777, a pus o problema care a ajuns celebra: problema acului.
Probabilitatea geometrica poate fi introdusa ca un analog continuu al
definitiei clasice, nlocuind masura de numarare cu masura Lebesgue pe un
domeniu marginit din Rp .
Astfel, fie Leb(Rp ) o -algebra astfel ncat elementul maxim din sa
fie de masura Lebesgue finita si nenula. Notam cu m masura indusa pe de
catre masura Lebesgue. Pentru A vom pune
P (A) :=

m(A)
.
m()

Functia P : [0, 1] este o probabilitate, iar raportul m(A)


se interpreteaza
m()
ca probabilitatea ca un punct al multimii sa apartina lui A.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

55

Exemplul 1.11.1. (Problema acului - Buffon). Pe un plan orizontal


sunt trasate drepte paralele la distanta 2d. Se arunca pe acest plan un ac de
lungime 2 l (l d). Sa se determine probabilitatea ca acul sa ntalneasca
una din drepte.
Solutie. Pozitia acului este un eveniment ntamplator si este data de doi
parametri. Pentru fixarea parametrilor care determina pozitia acului AB n
plan vom nota cu M mijlocul acului si cu x distanta de la M la cea mai
apropiata dreapta . Fie unghiul dintre AB si dreapta . Parametrii x si
determina complet pozitia acului.
Valorile posibile pentru acesti parametri sunt date de sistemul de inegalitati
0xd,
0.
Altfel interpretat, multimea a evenimentelor elementare este formata cu
multimea punctelor din plan de coordonate (x, ) corespunzatoare sistemului
de inegalitati de mai sus, adica dreptunghiul cu un varf n origine si doua
varfuri pe axele de coordonate la distante d, respectiv de origine.
Fie M D si C punctul de intersectie a dreptei M D cu o paralela la dusa
prin A. Evenimentul cerut n experienta, adica AB sa ntalneasca dreapta
, are loc cand M D M C, adica x l sin .
Toate valorile parametrilor si x favorabile realizarii evenimentului cerut
sunt acelea care satisfac inecuatia de mai sus, care, din punct de vedere
geometric, reprezinta suprafata
E = {(x, ) : 0 , 0 x l sin } .
Vom folosi drept masura aria acestor suprafete.
aria() = d ;

Z lZsin
Z Z
aria(E) =
1dxd =
1dx d =
0

Z
=
0

[x]l0sin d

Z
=
0

l sin d = l ( cos )0 = 2l .

56

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Probabilitatea cautata este


P =

aria(E)
2l
=
.
aria()
d

Exemplul 1.11.2. (Problema nt


alnirii). Doua persoane se duc la o
spalatorie auto ntre orele 15 si 16. Stiind ca timpul de spalare a unei
masini este de 20 minute, care este probabilitatea ca cele doua persoane s
a
se ntalneasca?
Solutie. Modelul matematic: se da un segment AB de lungime a si pe
acest segment se iau la ntamplare doua puncte P si Q. Sa se determine
probabilitatea ca distanta dintre P si Q sa fie mai mica decat b.
In cazul nostru A = ora 15, B = ora 16, iar lungimea segmentului AB va fi
a = 60 minute.
P si Q reprezinta momentele sosirii celor doua persoane. Pentru ca ntalnirea
sa aiba loc avem conditia: dist(P, Q) 20. Astfel b = 20.
Fie x abscisa punctului P si y abscisa punctului Q. Cazurile posibile sunt
= {(x, y) :

0 x a , 0 y a} ,

adica patratul cu un varf n origine si cu doua varfuri pe axele de coordonate,


de latura a.
Segmentul P Q trebuie sa aiba lungimea mai mica decat b, deci multimea
cazurilor favorabile este
E = {(x, y) :| y x | b} .
Vom considera n planul xOy dreptele
d1 : y x = b , d2 : y x = b .
Multimea cazurilor favorabile va fi portiunea din patratul cuprinsa ntre
aceste doua drepte. Probabilitatea cautata va fi
P =

aria(E)
.
aria()

Avem aria() = a2 . Pentru a calcula aria lui E vom scadea din aria
patratului aria celor doua triunghiuri ce lipsesc din E. Aria unuia din tri2
unghiuri este (ab)
si astfel
2
aria(E) = a2 (a b)2 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Prin urmare
a2 (a b)2
P =
=1
a2

ab
a

2

In cazul nostru particular, probabilitatea cautata va fi


2

5
60 20
= .
P =1
60
9

57

58

CAPITOLUL 1. SPAT
IU DE PROBABILITATE

Capitolul 2
Variabile aleatoare
2.1

Functii m
asurabile

Definitia 2.1.1. Fie (, ) un spatiu masurabil si (0 , T) un spatiu topologic.


O aplicatie f : 0 se numeste functie m
asurabil
a daca
f 1 (T ) := { : f () T } , () T T .
Teorema 2.1.2. O aplicatie f : 0 este masurabila daca si numai daca
f 1 (B) , () B Bor(0 ) .
Demonstratie. Evidenta deoarece T Bor(0 ).
Familia 1 = {B 0 : f 1 (B) } este o -algebra ce contine
familia multimilor deschise T si prin urmare Bor(0 ) 1 .
cazul n care este un spatiu topologic iar
Definitia 2.1.3. In
= Bor(), o functie f : 0 masurabila se numeste functie borelian
a.
Propozitia 2.1.4. Orice functie continua este boreliana.
Demonstratie. Este imediata din teorema de continuitate globala.
continuare vom restrange discutia la functii masurabile
Observatia 2.1.5. In
reale extinse, adica la functii f : R.
59

60

CAPITOLUL 2. VARIABILE ALEATOARE

Definitia 2.1.6. Vom numi variabil


a aleatoare o functie masurabil
a
f : R definita pe un spatiu de probabilitate (, , P ) (sau pe un camp
de evenimente).
Vom numi variabil
a aleatoare extins
a o functie masurabila f : R
definita pe un spatiu de probabilitate (, , P ) (sau pe un camp de evenimente).
Observatia 2.1.7. Vom face conventia ca multimea { : f () < x}
sa fie notata {f < x}, iar multimea { : a f () < b} sa fie notat
a
{a f < b} etc.
Teorema 2.1.8. (Caracteriz
ari ale functiilor m
asurabile). Fie (, )
un spatiu masurabil si f : R. Urmatoarele afirmatii sunt echivalente:
1. {f < x} , () x R;
2. {f x} , () x R;
3. {f > x} , () x R;
4. {f x} , () x R;
5. f este masurabila.
Demonstratie. (1) (2) Din ipoteza avem ca multimile


1
f <x+
, () x R, () n N? .
n
De aici


\
n=1

1
f <x+
n


= {f x} .

(2) (3) Avem {f > x} = C{f x} .


(3) (4) Conform ipotezei


1
, () x R, () n N? .
f >x+
n
Rezulta


[
n=1

1
f >x+
n


= {f x} .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

61

(4) (1) Observam ca {f < x} = C{f x} .


Am obtinut astfel ca (1) (2) (3) (4).
(5) (1) Daca f este o functie masurabila, atunci f 1 (T ) , pentru orice
deschisa T . In particular, alegand T = (, x), obtinem rezultatul dorit.
(1) (5) Daca (1) are loc, atunci are loc si (3). Prin urmare
{a < f < b} = {a < f } {f < b} ,
adica f 1 (a, b) . Conform punctului (1) avem f 1 ([, x)) si
conform punctului (3) avem f 1 ((x, ]) . Dar orice multime deschisa
T din R este o reuniune numarabila de intervale de forma (a, b), [, x) si
(x, ]. Astfel f 1 (T ) pentru orice deschisa T din R.
Corolarul 2.1.9. Fie (, ) un spatiu masurabil si f : R o functie
masurabila. Atunci:
1. {a f < b} , () a, b R;
2. {a < f < b} , () a, b R;
3. {a < f b} , () a, b R;
4. {a f b} , () a, b R.
Demonstratie.
(1) {a f < b} = {a f } {f
(2) {a < f < b} = {a < f } {f
(3) {a < f b} = {a < f } {f
(4) {a f b} = {a f } {f

< b} ;
< b} ;
b} ;
b} .

Propozitia 2.1.10. Fie (, ) un spatiu masurabil si f : R o functie


masurabila. Atunci
{f = a} , () a R .
Demonstratie. Daca a R, atunci {f = a} = {f a} {f a} .

T
{f > n} .
Daca a = , atunci {f = } =
n=1

Daca a = , atunci {f = } =

{f < n} .

n=1

62

CAPITOLUL 2. VARIABILE ALEATOARE

Exemplul 2.1.11. Consideram experienta aruncarii unui zar.


Fie
= {1 , 2 , 3 , 4 , 5 , 6 } multimea evenimentelor elementare. Vom nota
A1 = {1 }, A2 = {3 , 5 }, A3 = {2 , 4 , 6 }. Sistemul {Ai }3i=1 formeaza un
sistem complet de evenimente si notam cu campul generat de acest sistem,
adica
= {, A1 , A2 , A3 , A1 A2 , A1 A3 , A2 A3 , } .
Se definesc aplicatiile f, g : R prin tabelele:
1

f () 10

2
2

3
5

4
2

5
5

6
,
2

1
g() 10

2
2

3
5

4
2

5
5

6
.
10

Sa se arate ca f este o variabila aleatoare, dar g nu este o variabila aleatoare.


Solutie. Avem

A3
Ax = { : f () < x} =
A2 A3

,
,
,
,

daca x (, 2]
daca x (2, 5]
daca x (5, 10]
daca x (10, )

si astfel f este o variabila aleatoare.


Dar { : g() < 5} = {2 , 4 }
/ , deci g nu este o variabila aleatoare
n raport cu .
Exemplul 2.1.12. Fie A . Functia caracteristica a multimii A,

1 , daca A
A () :=
,
0 , daca CA
este masurabila daca si numai daca A .
Demonstratie. Fie T R deschisa. Atunci

, daca
{0, 1} T

,
dac
a
0

/ T si 1
/T
1
A (T ) =
A , daca 1 T si 0
/T

CA , daca 0 T si 1
/T
Prin urmare 1
a si numai daca A .
A (T ) dac

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

63

Definitia 2.1.13. Daca multimea valorilor unei variabile aleatoare f este


cazul particular, n
finita sau numarabila, atunci f se numeste discret
a. In
care aceasta multime de valori este chiar finita, f se mai numeste simpl
a
sau etajat
a. Daca multimea valorilor este un interval din R, atunci f se
numeste variabil
a aleatoare continu
a.

2.2

Operatii cu functii m
asurabile

Lema 2.2.1. Daca f, g sunt functii masurabile pe spatiu masurabil (, ),


atunci
A = { : f () < g()} .
Demonstratie. Pentru r Q, fie
Ar := {f < r < g} = {f < r} {g > r} .
Atunci A =

Ar .

rQ

Teorema 2.2.2. Daca f, g sunt functii masurabile si a R? , atunci urmatoarele aplicatii


f1 = f + a, f2 = af, f3 = |f |a , f4 = f + g, f5 = f g,
f6 = max{f, g}, f7 = min{f, g}
sunt si ele functii masurabile.
Demonstratie. Pentru orice x R avem
{f1 < x} = {f + a < x} = {f < x a} ;

{f < xa } , daca a > 0
;
{f2 < x} = {af < x} =
{f > xa } , daca a < 0


, daca x 0
a
{f3 < x} = {|f | < x} =
;
1/a
1/a
{x < f < x } , daca x > 0
{f4 < x} = {f + g < x} = {f < g + x} ;
unde am aplicat faptul ca g + x este o functie masurabila si lema precedenta.
Apoi
1
1
f g = (f + g)2 (f g)2 ,
2
2

64

CAPITOLUL 2. VARIABILE ALEATOARE

1
1
max{f, g} = (f + g) + |f g| ,
2
2
1
1
min{f, g} = (f + g) |f g|
2
2
si aplicam afirmatiile deja demonstrate.
Corolarul 2.2.3. Functia f este o functie masurabila daca si numai daca
f + = max{f, 0} si f = min{f, 0}
sunt functii masurabile.
Demonstratie. Este furnizata de teorema precedenta.
Fie x R. Daca x 0, atunci
{f > x} = {f + > x} .
Daca x < 0, atunci
{f > x} = C{f x} = C{f x} .
Observatia 2.2.4. Sa mai notam ca
f = f + f , |f | = f + + f .
Observatia 2.2.5. Teorema precedenta ne spune ca daca f este o functie
masurabila, atunci si |f | este o functie masurabila. Reciproca nu este n
general adevarata asa cum arata exemplul urmator.
Exemplul 2.2.6. Fie f : R,

1 , daca x A
f (x) =
,
1 , daca x CA
unde A
/ .
Atunci, () T R deschisa, avem

, daca 1 T
1
|f | (T ) =
, daca 1
/T

Astfel |f | este o functie masurabila. Dar f 1 ({1}) = A


/ si prin urmare
f nu este o functie masurabila.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

2.3

65

Distributia variabilelor aleatoare discrete

Definitia 2.3.1. Fie f o variabila aleatoare discreta definita pe un camp


de probabilitate (, , P ) care ia valorile {xi }iI (I o familie de indici cel
mult numarabila). Se numeste distributia de probabilitate a variabilei
aleatoare f sirul perechilor


xi
,
pi iI
unde pi = P (f = xi ), () i I.
Se numeste functie de probabilitate a lui f aplicatia
pf : E = {xi }iI [0, 1]
definita prin pf (x) = P (f = x).
P
Observatia 2.3.2.
pi = 1.
iI

Sa remarcam pentru nceput ca evenimentele


Ai = { : f () = xi }
formeaza un sistem complet de evenimente. Intr-adevar, Ai 6= pentru orice
i I si pentru i 6= j avem Ai Aj = pentru ca n caz contrar ar exista cel
putin un eveniment n care f ia atat valoarea S
xi cat si valoarea xj . Pe de
alta parte, aplicatia f fiind definita pe , avem
Ai = . Atunci
iI

!
1 = P () = P

[
iI

Ai

X
iI

P (Ai ) =

pi .

iI

Exemplul 2.3.3. Trei bile de culori diferite se repartizeaza la ntamplare n


doua urne. Sa se scrie variabila aleatoare care da numarul de bile din prima
urna si determinati distributia acesteia.
Solutie. Fie multimea evenimentelor elementare. Ea are 23 = 8 elemente.
Daca notam cu a, b, c cele trei bile atunci lista evenimentelor elementare este:
1 = {abc, }; 2 = {ab, c}; 3 = {ac, b}; 4 = {bc, a};

66

CAPITOLUL 2. VARIABILE ALEATOARE

5 = {a, bc}; 6 = {b, ac}; 7 = {c, ab}; 8 = {, abc} .


Variabila aleatoare f : R care da numarul de bile din prima urna este
data prin tabelul

f ()

1
3

2
2

3
2

4
2

5
1

6
1

7
1

8
0

si are distributia


0
1
2
3
1/8 3/8 3/8 1/8


.

Observat

 ia 2.3.4. Fie f o variabila aleatoare discreta avand distributia
xi
si a R? . Atunci:
pi iI


xi + a
1. f + a are distributia
;
pi
iI


axi
;
2. af are distributia
pi iI


|xi |a
a
;
3. |f | are distributia
pi
iI


1/xi
4. Daca {f = 0} = , atunci 1/f are distributia
.
pi
iI
Exemplul 2.3.5. Fie f o variabila aleatoare discreta avand distributia


1 3
7
.
0, 2 0, 5 0, 3
Sa se determine distributia variabilelor aleatoare f + 4, 5f, f 3 , 1/f .
Solutie.



3
7
11
1. f + 4 are distributia
;
0, 2 0, 5 0, 3


5 15 35
;
2. 5f are distributia
0, 2 0, 5 0, 3

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

67


1 27 343
3. f are distributia
;
0, 2 0, 5 0, 3


1 1/3 1/7
4. 1/f are distributia
.
0, 2 0, 5 0, 3
3

2.4

Functia de repartitie

Definitia 2.4.1. Se numeste functie de repartitie o aplicatie F : R R


care satisface urmatoarele proprietati:
1. F este monoton crescatoare;
2. F continua la stanga n fiecare punct, adica
F (x 0) = F (x), () x R ;
3.

lim F (x) = 0 , lim F (x) = 1.

Daca conditia (3) nu este ndeplinita, aplicatia F se numeste functie de


repartitie extins
a.
Exemplul 2.4.2. Sa se determine constantele A si B stiind ca
F : R R , F (x) = A + Barctg x
este o functie de repartitie.
Solutie. F ndeplineste proprietatile din teorema precedenta si prin urmare
lim F (x) = 0 , lim F (x) = 1 ,

adica

 
 
A+B
=0, A+B
=1,
2
2
relatii care conduc la A = 1/2 si B = 1/.
Exemplul 2.4.3. Se considera functia F definita prin

0 , daca x < 0
Ax , daca x [0, 1) .
F (x) =

1 , daca x 1
Sa se determine constanta A stiind ca F este o functie de repartitie.

68

CAPITOLUL 2. VARIABILE ALEATOARE

Solutie. F trebuie sa fie continua la stanga n fiecare punct. Continuitatea


la stanga n punctul x = 1 conduce la A = 1.
Propozitia 2.4.4. Multimea punctelor de discontinuitate a unei functii de
repartitie este cel mult numarabila.
Demonstratie. Daca x0 este un punct de discontinuitate al functiei F , atunci
saltul functiei F n punctul x0 este
F (x0 + 0) F (x0 ) > 0 .
Cum 0 F (x) 1, functia F va avea cel mult un salt mai mare ca 1/2,
cel mult trei salturi cuprinse ntre 212 si 21 . In general F are cel mult 2n 1
1
salturi cuprinse ntre 21n si 2n1
. Numerotand multimea salturilor obtinem o
multime cel mult numarabila.
Teorema 2.4.5. Daca f este o variabila aleatoare definita pe spatiul de
probabilitate (, , P ) atunci aplicatia
Ff : R [0, 1] , Ff (x) := P (f < x)
este o functie de repartitie, numita functia de repartitie a variabilei
aleatoare f.
Demonstratie. Avem de verificat cele trei conditii ale unei functii de repartitie.
(1) Fie x1 , x2 R : x1 < x2 . Atunci {f < x1 } {f < x2 } si monotonia
probabilitatii implica P (f < x1 ) P (f < x2 ), adica Ff (x1 ) Ff (x2 ).
(2) Fie zn x, zn < x, zn monoton crescator. Atunci
!

[
lim Ff (zn ) = lim P (f < zn ) = P
{f < zn } = P (f < x) = Ff (x) .
n

n=1

(3) Fie (xn )nN R un sir monoton descrescator astfel ncat lim xn = .
n

Vom demonstra ca lim Ff (xn ) = 0, de unde avem ca lim Ff (x) = 0.


n
x

T
An = , caci xn .
Fie An = {f < xn }. Observam ca An+1 An si
n=1

Atunci
lim Ff (xn ) = lim P (f < xn ) = lim P (An ) = P

\
n=1

!
An

= P () = 0 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

69

Fie acum (xn )nN R un sir monoton crescator convergent la . Fie

S
An = {f < xn }. Observam ca An An+1 si
An = . Obtinem ca
n=1

lim Ff (xn ) = lim P (f < xn ) = lim P (An ) = P

!
An

= P () = 1 ,

n=1

de unde deducem ca lim Ff (x) = 1.


x

Exemplul 2.4.6. Sa se scrie functia de repartitie pentru variabila aleatoare


discreta f avand distributia


1 0
2
.
2/5 1/5 2/5
Solutie.

2/5
Ff (x) =
3/5

,
,
,
,

daca
x 1
daca x (1, 0]
.
daca x (0, 2]
daca
x>2

Teorema 2.4.7. (Propriet


ati ale functiei de repartitie asociat
a unei
variabile aleatoare).
1. Ff (x + 0) = Ff (x) + P (f = x) , ()x R;
2. P (a f < b) = Ff (b) Ff (a) , ()a, b R;
3. P (a < f < b) = Ff (b) Ff (a + 0) , ()a, b R;
4. P (a f b) = Ff (b + 0) Ff (a) , ()a, b R;
5. P (a < f b) = Ff (b + 0) Ff (a + 0) , ()a, b R.
Demonstratie. (1) Fie zn x, zn > x, zn monoton descrescator. Atunci
!

\
lim Ff (zn ) = lim P (f < zn ) = P
{f < zn } =
n

n=1

= P (f x) = P (f < x) + P (f = x) = Ff (x) + P (f = x) .

70

CAPITOLUL 2. VARIABILE ALEATOARE

(2) Observam ca {a f < b} {f < a} = si atunci


P ({a f < b} {f < a}) = P (a f < b) + P (f < a) ,
adica
P (f < b) = P (a f < b) + P (f < a) ,
de unde
P (a f < b) = P (f < b) P (f < a) = Ff (b) Ff (a) .
(3) Avem P (a f < b) = P (a < f < b) + P (f = a). De aici
P (a < f < b) = P (a f < b) P (f = a) =
= Ff (b) Ff (a) P (f = a) = Ff (b) Ff (a + 0) .
(4) si (5) se demonstreaza n mod asemanator.
Exemplul 2.4.8. Fie f o variabila aleatoare avand functia de repartitie

0
, daca
x < a

x
A + Barcsin a , daca x [a, a) ,
Ff (x) =

1
, daca
xa
unde a > 0. Sa se determine constantele A si B si sa se calculeze
 a
a
P <f <
.
2
2
Solutie. Ff este continua la stanga n fiecare punct. Continuitatea la stanga
n punctul x0 = a conduce la 0 = A + Barcsin(1), adica
 
A+B
=0.
2
In mod similar, continuitatea la stanga n punctul x0 = a conduce la
 
A+B
=1.
2
Din aceste relatii obtinem A = 1/2 si B = 1/. Apoi
 a
a
 a

a
P <f <
= Ff
Ff + 0 =
2
2
2
2

 
 
1 1
1
1 1
1
1
=
+ arcsin

+ arcsin
= .
2
2
2
2
3

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

71

Observatia 2.4.9. Am vazut n aceasta sectiune ca oricarei variabile aleatoare


i se asociaza o functie de repartitie. Vom demonstra n sectiunea urmatoare
si afirmatia reciproca: daca F este o functie de repartitie atunci exista o
variabila aleatoare f , definita pe un camp de probabilitate convenabil ales,
astfel ncat F = Ff .
Teorema 2.4.10. Fie (, , P ) un spatiu de probabilitate si f : R o
variabila aleatoare. Atunci aplicatia
f (A) := P (f 1 (A)) , A Bor(R) ,
este o probabilitate pe (R, Bor(R)), numita repartitia de probabilitate a
variabilei aleatoare extinse f.
Demonstratie.
f () = P (f 1 ()) = P () = 0 ,
f (R) = P (f 1 (R)) = P () = 1 .
Fie acum {Ai }iN Bor(R), disjuncte doua cate doua. Atunci
f 1 (Ai ) f 1 (Aj ) = , ()i 6= j .
Prin urmare
f

!
Ai

=P

i=1

!!
Ai

=P

i=1

X
i=1

P (f

(Ai )) =

!
f

(Ai )

i=1

f (Ai ) .

i=1

Observatia 2.4.11. Daca f este o variabila aleatoare avand functia de


repartitie Ff si repartitia de probabilitate f , atunci
Ff (x) = f (, x) .

2.5

M
asura Borel-Stieltjes

Definitia 2.5.1. Se numeste m


asur
a Borel-Stieltjes o masura pe
(R, Bor(R)) cu proprietatea (I) < pentru orice interval marginit I.
Completata unei masuri Borel-Stieltjes pe (R, Leb(R)) se numeste m
asur
a
Lebesgue-Stieltjes.

72

CAPITOLUL 2. VARIABILE ALEATOARE

Teorema 2.5.2. Prin formula


([a, b)) = F (b) F (a)
se realizeaza o corespondenta bijectiva ntre masurile Borel-Stieltjes si functiile
de repartitie extinse (facandu-se identificarea ntre doua functii de repartitie
plus avem:
extinse ce difera printr-o constanta). In
1. (a, b) = F (b) F (a + 0);
2. ({a}) = F (a + 0) F (a);
3. F este continua n punctul a daca si numai daca ({a}) = 0;
4. ([a, b]) = F (b + 0) F (a);
5. ((a, b]) = F (b + 0) F (a + 0);
6. (R) = lim F (x) lim F (x);
x

7. masurile Borel-Stieltjes de probabilitate corespund functiilor de repartitie.


Demonstratie. Presupunem ca este o masura Borel-Stieltjes. Definim
F : R R prin

([0, x)) + C , daca x > 0


C
, daca x = 0 .
F (x) =

([x, 0)) + C , daca x < 0


Se observa ca ([a, b)) = F (b) F (a). Verificam ca F este o functie de
repartitie extinsa.
(1) Daca a < b vom avea ca F (b) F (a) = ([a, b)) 0 si prin urmare F
este monoton crescatoare.
(2) Fie (xn ) un sir crescator, convergent la a. Atunci {An = [xn , a)} satisface
An+1 An . Cum este o masura, avem ca
!

An = lim (An ) .
n=1

Dar

An = si (An ) = F (a) F (xn ). Prin urmare

n=1

lim [F (a) F (xn )] = 0 ,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

73

adica lim F (xn ) = F (a), ceea ce demonstreaza ca F este continua la stanga


n
n punctul a.
Fie S familia intervalelor nchise la stanga. Am vazut n exemplul
1.3.2 ca S este o semi-algebra. Daca F este o functie de repartitie extinsa
definim
: S [0, ] ,
([a, b)) := F (b) F (a) , pentru a < b ,
unde F () := lim F (x) si F () := lim F (x). Verificam ca este o
x

semi-masura pe S.
Axioma 1. Fie (xn ) un sir monoton crescator convergent la a. Atunci
{An = [xn , a)} satisface An+1 An . Astfel
!

\
lim (An ) =
An .
n

Dar

n=1

An = . Deci

n=1

() = lim (An ) = lim [F (a) F (xn )] = 0 ,


n

unde, n ultima egalitate, am folosit faptul ca F este continua la stanga.


n
S
Axioma 2. Presupunem ca [a, b) = [ai , bi ), unde reuniunea este disjuncta.
i=1

Printr-o eventuala renumerotare a intervalelor [ai , bi ) putem presupune ca


a1 = a, bn = b, ai = bi1 . Atunci
n
X

([ai , bi )) =

i=1

n
X

[F (bi ) F (ai )] = F (b) F (a) = ([a, b)) .

i=1

Axioma 3. Presupunem ca [a, b) =

[ai , bi ), unde reuniunea este disjuncta.

i=1

Aceasta nseamna ca ai = bi1 . Atunci [a, b) =

[an , an+1 ), unde (an ) este

n=1

un sir strict crescator cu proprietatea a1 = a si lim an = b. Atunci


n

X
n=1

([an , an+1 )) =

X
n=1

[F (an+1 ) F (an )] =

74

CAPITOLUL 2. VARIABILE ALEATOARE

= lim F (an ) F (a1 ) = F (b) F (a) ,


n

unde, n ultima egalitate, am folosit faptul ca F este continua la stanga n


punctul b.
Deci

X
([an , an+1 )) = F (b) F (a) = ([a, b)) ,
n=1

ceea ce demonstreaza axioma 3.


Conform teoremei 1.6.1 semi-masura se va prelungi n mod unic la o masura
pe algebra S care, la randul ei, se va prelungi n mod unic, n baza teoremei
Caratheodory, la o masura pe (S) = Bor(R). Astfel am obtinut existenta
si unicitatea unei masuri pe Bor(R) care satisface ([a, b)) = F (b) F (a).
(1)
!

[
1
1
(a, b) =
[a + , b) = lim ([a + , b)) =
n
n
n
n=1
= lim [F (b) F (a +
n

1
)] = F (b) F (a + 0) .
n

(2)

1
1
({a}) =
[a , a + )
n
n
n=1

!
= lim ([a
n

1
1
, a + )) =
n
n

1
1
) F (a )] = F (a + 0) F (a) .
n
n
n
(3) Este o consecinta imediata a punctului precedent.
(4)
= lim [F (a +

([a, b]) = ([a, b))+({b}) = F (b)F (a)+F (b+0)F (b) = F (b+0)F (a) .
(5)
((a, b]) = ((a, b)) + ({b}) =
= F (b) F (a + 0) + F (b + 0) F (b) = F (b + 0) F (a + 0) .
(6) Fie (xn ) un sir monoton crescator convergent la infinit. Atunci
!

[
(R) =
[xn , xn ) = lim ([xn , xn )) =
n=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

75

= lim [F (xn ) F (xn )] = lim F (x) lim F (x) .


n

(7) Daca F este o functie de repartitie, atunci din punctul precedent avem
ca (R) = 1 si astfel este o masura de probabilitate si reciproc.
Observatia 2.5.3. Daca F (x) = x, atunci masura corespunzatoare va fi
tocmai masura Borel pe R.
Teorema 2.5.4. Fie F o functie de repartitie. Atunci exista un spatiu de
probabilitate (, , P ) si f o variabila aleatoare pe acest spatiu astfel ncat
F = Ff .
Demonstratie. Fie = (0, 1), = Bor() si m masura Borel. Pentru fiecare
definim
f () = inf{y : F (y) > } .
Vom demonstra mai ntai ca
{ : f () < x} = { : < F (x)} .
Fie : < F (x). Cum F este continua la stanga n punctul x
obtinem ca exista x < x : < F (
x) < F (x). Cum F (
x) > rezulta ca
x {y : F (y) > }. Atunci
f () = inf{y : F (y) > } x < x .
Deci f () < x.
Pentru incluziunea inversa fie : f () < x. Presupunem ca F (x).
Rezulta ca x 6 {y : F (y) > } si astfel x f (), ceea ce este n contradictie
cu ipoteza.
Astfel am demonstrat egalitatea
{ : f () < x} = { : < F (x)} .
Prin urmare f este o variabila aleatoare, caci
{ : f () < x} = (0, F (x)) Bor()
si Ff (x) = m(f < x) = m(0, F (x)) = F (x).

76

2.6

CAPITOLUL 2. VARIABILE ALEATOARE

Variabile aleatoare independente

Fie (, , P ) un camp de probabilitate.


Definitia 2.6.1. O familie {i }ni=1 de -algebre pe se numeste
independent
a daca
!
n
n
\
Y
P
Ai =
P (Ai ) ,
i=1

i=1

pentru orice A1 1 , A2 2 , , An n .
Definitia 2.6.2. Variabilele aleatoare {fi }ni=1 , definite pe acelasi camp de
probabilitate (, , P ), se numesc independente daca -algebrele
fi := {fi1 (A) ; A Bor(R)}, generate de aceste variabile aleatoare, sunt
independente.
Definitia 2.6.3. Daca {fi }ni=1 sunt variabile aleatoare, definite pe acelasi
camp de probabilitate (, , P ), atunci aplicatia
V : Rn , V = (f1 , f2 , , fn )
va fi numita vector aleator sau variabil
a aleatoare n - dimensional
a.
Componentele fi (pentru i = 1, n) se numesc variabilele aleatoare marginale
ale lui V.
Daca toate componentele fi (pentru i = 1, n) sunt variabile aleatoare discrete
vom spune ca V este un vector aleator discret.
Definitia 2.6.4. Se numeste repartitia de probabilitate a vectorului
aleator V sau repartitia comun
a a variabilelor aleatoare {fi }ni=1 aplicatia
V : Bor(Rn ) [0, 1] , V (A) := P (V 1 (A)) .
Obsevatia 2.6.5. V este o masura de probabilitate pe (Rn , Bor(Rn )).
Definitia 2.6.6. Se numeste functie de repartitie a vectorului aleator V
sau functie de repartitie comun
a a variabilelor aleatoare {fi }ni=1 aplicatia

F (x1 , x2 , , xn ) = P

n
\

F : Rn [0, 1] ,
!
{fi < xi }

= P (f1 < x1 , f2 < x2 , , fn < xn ) .

i=1

Functiile de repartitie Fi ale variabilelor aleatoare fi (pentru i = 1, n) se


numesc functiile de repartitie marginale ale vectorului aleator V.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

77

Teorema 2.6.7. (Caracteriz


ari ale independentei variabilelor
n
aleatoare). Fie {fi }i=1 o familie de variabile aleatoare definite pe spatiul de
probabilitate (, , P ). Vom nota cu F functia de repartitie comuna a variabilelor aleatoare {fi }ni=1 si cu Fi functia de repartitie a variabilei aleatoare
fi . Urmatoarele afirmatii sunt echivalente:
1. {fi }ni=1 sunt independente;
2. pentru orice familie {Ai }ni=1 Bor(R) avem
!
n
n
\
Y
1
P
fi (Ai ) =
P (fi1 (Ai )) ;
i=1

3. F (x1 , x2 , , xn ) =

n
Q

i=1

Fi (xi ) , (){xi }ni=1 R.

i=1
n
Demonstratie. (1) (2) Observam ca {fi }ni=1
 nindependente
 n {fi }i=1 inT 1
Q
fi (Ai ) =
P (fi1 (Ai )).
dependente (){Ai }ni=1 Bor(R) avem P
i=1

i=1

(2) (3) Fie {Ai = (, xi )}ni=1 Bor(R). Atunci fi1 (Ai ) = {fi < xi }.
Astfel
!
!
n
n
\
\
F (x1 , x2 , , xn ) = P
{fi < xi } = P
fi1 (Ai ) =
i=1

n
Y

P (fi1 (Ai ))

i=1

n
Y
i=1

i=1

P (fi < xi ) =

n
Y

Fi (xi ) .

i=1

(3) (2) De fapt (3) ne spune ca (2) are loc pentru multimi Ai de forma
(, xi ). Cum aceste intervale genereaza Bor(R), obtinem ca egalitatea de
la (2) are loc pentru orice familie {Ai }ni=1 Bor(R).
In continuare vom restrange discutia la cazul unui vector aleator bidimensional V = (f, g). Rezultatele obtinute se pot extinde cu usurinta la cazul
n-dimensional.
Propozitia 2.6.8. Daca F este functia de repartitie a vectorului aleator
V = (f, g), atunci
Ff (x) = lim F (x, y) si Fg (y) = lim F (x, y) .
y

78

CAPITOLUL 2. VARIABILE ALEATOARE

Demonstratie.
Ff (x) = P (f < x) = lim P ({f < x} {g < y}) = lim F (x, y) .
y

In mod analog obtinem Fg (y) = lim F (x, y).


x

Teorema 2.6.9. (Propriet


ati ale functiei de repartitie).
1. F este monoton crescatoare n raport cu fiecare variabila;
2. lim F (x, y) = 0 ; lim F (x, y) = 0 ; x
lim F (x, y) = 1;
x

3. F este continua la stanga n raport cu fiecare variabila n fiecare punct;


4. P ({x1 f < x2 } {y1 g < y2 }) = F (x1 , y1 ) + F (x2 , y2 )
F (x1 , y2 ) F (x2 , y1 ).
Definitia 2.6.10. Fie V = (f, g) un vector aleator bidimensional discret.
Fie Ef = {xi }iI multimea valorilor variabilei aleatoare f si Eg = {yj }jJ
multimea valorilor variabilei aleatoare g (I si J familii de indici cel mult
numarabile). Vom numi distributia de probabilitate a vectorului aleator (f, g) tabelul
f \g
x1
x2
..
.
xi
..
.

y1 y2 yj
r11 r12 r1j
r21 r22 r2j

ri1 ri2 rij


P (g = yj )
q1 q2 qj

P (f = xi )
p1
p2
..
.
pi
..
.

unde rij = P ({f = xi } {g = yj }).


Distributiile de probabilitate ale variabilelor aleatoare f si g se numesc distributiile de probabilitate marginale ale vectorului aleator V.
Se numeste functie de probabilitate a lui V sau functie de probabilitate comun
a a variabilelor f si g aplicatia
pV : Ef Eg [0, 1] , pV (x, y) = P ({f = x} {g = y}) .
Functiile de probabilitate pf si pg ale variabilelor aleatoare f si g vor fi numite
functii de probabilitate marginale ale lui V.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

79

Propozitia 2.6.11. Cunoasterea distributiei vectorului aleator V = (f, g)


permite determinarea distributiilor variabilelor aleatoare f si g, adica
X
pi = P (f = xi ) =
rij , ()i I ,
jJ

qj = P (g = yj ) =

rij , ()j J .

iI

Pentru functiile de probabilitate egalitatile de mai sus devin:


X
pf (x) =
pV (x, y) , ()x Ef ;
yEg

pg (y) =

pV (x, y) , ()y Eg .

xEf

Demonstratie. Evenimentele
{f = xi } {g = y1 } ; {f = xi } {g = y2 } ; ; {f = xi } {g = yj } ;
sunt incompatibile doua cate doua si reuniunea lor este {f = xi }. Atunci
X
X
rij .
P ({f = xi } {g = yj }) =
P (f = xi ) =
jJ

jJ

In mod analog se obtine si cealalta relatie.


Corolarul 2.6.12.
XX

rij = 1 .

iI jJ

Observatia 2.6.13. Daca cunoastem distributia vectorului aleator discret


V = (f, g) atunci:


xi + y j
1. distributia variabilei aleatoare f+g este
;
rij
iI,jJ

2. distributia variabilei aleatoare f g este

xi y j
rij


.
iI,jJ

80

CAPITOLUL 2. VARIABILE ALEATOARE

Intr-adevar, daca f ia valorile {xi } si g ia valorile {yj } atunci suma lor f + g


ia valorile zij = xi + yj . Daca presupunem aceste valori distincte atunci
P (f + g = zij ) = P ({f = xi } {g = yj }) = rij .
In cazul n care valorile zij nu sunt distincte vor trebui sa fie nscrise o singura
data cu probabilitatea obtinuta ca suma a probabilitatilor evenimentelor Ars
pentru care zrs = zij .
Propozitia 2.6.14. Fie f si g variabile aleatoare discrete avand multimea
valorilor Ef = {xi }iI si respectiv Eg = {yj }jJ . Atunci f si g sunt independente daca si numai daca
P ({f = xi } {g = yj }) = P (f = xi ) P (g = yj ) , ()i I , ()j J .
Demonstratie. Vom folosi notatiile pe care le-am mai utilizat:
P (f = xi ) = pi ; P (g = yj ) = qj ; P ({f = xi } {g = yj }) = rij .

rij = P ({xi f < xi+1 } {yj g < yj+1 }) =


= F (xi+1 , yj+1 ) + F (xi , yj ) F (xi , yj+1 ) F (xi+1 , yj ) =
= P (f < xi+1 )P (g < yj+1 ) + P (f < xi )P (g < yj )
P (f < xi )P (g < yj+1 ) P (f < xi+1 )P (g < yj ) =
=

i
X

pk

j
X

k=1

i1
X

gl +

l=1

pk

j1
X

i1
X

pk

j1
X

k=1

gl + qj

i1
X

k=1

l=1

k=1

i1
X

j1

i1
X

pk

k=1

gl gj

l=1

gl

l=1

k=1

i1
X

pk

k=1

pk + p i

j1
X

j
X

gl

l=1

pk

gl + pi q j +

k=1

pk

i1
X

gl =

l=1

pk

j1
X

k=1
j1

pk

j1
X

k=1

l=1
i1
X

i
X

gl

l=1

j1

gl pi

l=1

gl = pi qj .

l=1

Fie x, y R. Atunci ()i I, j J astfel ncat xi x < xi+1 si


yj y < yj+1 . Avem
P ({f < x} {g < y}) = P ({f xi } {g yj }) =
=

j
i X
X
k=1 l=1

rkl =

j
i X
X
k=1 l=1

pk gl =

i
X
k=1

pk

j
X

gl =

l=1

= P (f xi )P (g yj ) = P (f < x)P (g < y) .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

81

Observatia 2.6.15. Variabilele aleatoare discrete f si g sunt independente


daca si numai daca
p(f,g) (x, y) = pf (x) pg (y) , ()x Ef , y Eg .
Corolarul 2.6.16.Dacaf si g sunt variabile
discrete independente
 aleatoare

xi
yj
avand distributiile
si respectiv
, atunci:
pi iI
qj jJ


xi + yj
1. f+g are distributia
;
pi qj


xi y j
2. fg are distributia
.
pi q j
Exemplul 2.6.17. Trei bile a,b,c se repartizeaza la ntamplare n trei urne.
Fie V = (f, g) vectorul aleator care da numarul de urne ocupate si numarul
de bile din prima urna.
1. Sa se scrie lista evenimentelor elementare.
2. Sa se precizeze distributia vectorului aleator V = (f, g).
3. Sa se determine distributiile variabilelor aletoare f, g, 1/f si g/f .
4. Sa se studieze daca f si g sunt independente.
Solutie. (1)
1 = {abc, , } ; 2 = {, abc, } ; 3 = {, , abc} ;
4 = {ab, c, } ;
5 = {ab, , c} ;
6 = {ac, b, } ;
7 = {ac, , b} ;
8 = {bc, a, } ;
9 = {bc, , a} ;
10 = {, ab, c} ; 11 = {c, ab, } ; 12 = {, ac, b} ;
13 = {b, ac, } ; 14 = {, bc, a} ; 15 = {a, bc, } ;
16 = {, a, bc} ; 17 = {a, , bc} ; 18 = {, b, ac} ;
19 = {b, , ac} ; 20 = {, c, ab} ; 21 = {c, , ab} ;
22 = {a, b, c} ;
23 = {a, c, b} ;
24 = {b, a, c} ;
25 = {b, c, a} ;
26 = {c, a, b} ;
27 = {c, b, a}.
f \g
1
2
(2)
3
P (g = y)

0
2/27
6/27
0
8/27

1
0
6/27
6/27
12/27

2
3
0
1/27
6/27
0
0
0
6/27
1/27

P (f = x)
3/27
18/27
6/27

82

CAPITOLUL 2. VARIABILE ALEATOARE

(3)

f:



1
2
3
, g:
3/27 18/27 6/27

1
1
1/2
:
3/27 18/27
f

g
0
1/3 1/2
:
8/27 6/27 6/27
f

0
1
2
3
8/27 12/27 6/27 1/27

1/3
,
6/27

1
3
.
6/27 1/27

(4) Observam ca P ({f = 3}{g = 3}) = 0, dar P (f = 3)P (g = 3) =


Prin urmare f si g nu sunt independente.


,

6
1.
27 27

Exemplul 2.6.18. Se considera variabilele aleatoare discrete independente


f si g avand distributiile




1 2
3
2
5
f:
, g:
.
0, 4 0, 1 0, 5
0, 7 0, 3
Sa se calculeze distributia variabilelor aleatoare f+g si fg.
Solutie.

f +g :

fg :

2.7

1
4
5
7
8
0, 28 0, 19 0, 35 0, 03 0, 15

5 2
4
6
10
15
0, 12 0, 28 0, 07 0, 35 0, 03 0, 15

,

.

Densitatea de repartitie

Definitia 2.7.1. Se numeste densitate de repartitie o aplicatie


: R [0, ) cu proprietatea
Z
(t)dt = 1 .

Exemplul 2.7.2. Sa se determine constanta A astfel ncat



Ae3x , daca x 0
(x) =
0
, daca x < 0
sa fie o densitate de repartitie.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

83

Solutie.
Z

Z
(t)dt = 1

1
1
Ae3t dt = 1 Ae3t |
0 = 1 A = 1 A = 3 .
3
3

Teorema 2.7.3. Fie : R [0, ) o densitate de repartitie. Atunci


aplicatia
Zx
F : R R , F (x) :=
(t)dt

plus:
este o functie de repartitie. In
1. F este absolut continua.
2. Daca este continua n x0 , atunci F este derivabila n x0 si
F 0 (x0 ) = (x0 ).
Demonstratie. Etapa 1. Mai ntai verificam cele trei proprietati ale unei
functii de repartitie.
(1) F este monoton crescatoare. Intr-adevar, daca x1 < x2 atunci
Zx2
F (x2 ) =

Zx1
(t)dt =

Zx2
(t)dt +

Zx2
(t)dt F (x1 ) .

(t)dt = F (x1 ) +
x1

x1

(2) F este continua la stanga n fiecare punct. Vom demonstra mai mult decat
atat si anume faptul ca F este lipschitziana pe orice interval
I = [a, b]. In particular vom avea ca F este continua uniform, de unde
obtinem continuitatea punctuala. F este lipschitziana pe intervalul I = [a, b]
daca ()L > 0 astfel ncat pentru orice t0 , t00 I sa avem
| F (t0 ) F (t00 ) | L | t0 t00 | .
Fie L = sup | (t) |. Functia fiind integrabila pe [a, b], ea este marginita
t[a,b]

si acest supremum exista. Presupunem ca t0 < t00 . Atunci


| F (t0 ) F (t00 ) |=|

Zt00
t0

(t)dt | L(t00 t0 ) ,

84

CAPITOLUL 2. VARIABILE ALEATOARE

ceea ce trebuia demonstrat.


(3) Evident lim F (x) = 0. Apoi
x

Zx
lim F (x) = lim

(t)dt =

(t)dt = 1 .

Etapa 2. Vom demonstra acum cele doua proprietati enuntate pentru F .


(1) Precizam mai ntai faptul ca o functie F se numeste absolut continua
daca pentru orice > 0 exista > 0 astfel ncat pentru orice familie finita
de intervale deschise {(ai , bi )}ni=1 disjuncte doua cate doua cu proprietatea
n
P
(bi ai ) < sa avem ca
i=1
n
X

| F (bi ) F (ai ) |< .

i=1

Se poate arata ca orice functie lipschitziana este absolut continua. Intradevar, daca F este lipschitziana pe intervalul I = [a, b] atunci ()L > 0
astfel ncat
| F (t0 ) F (t00 ) | L | t0 t00 | ,
pentru orice t0 , t00 I. Atunci pentru > 0 alegem = /L. Consideram
familia de intervale deschise {(ai , bi )}ni=1 disjuncte doua cate doua cu pron
P
prietatea (bi ai ) < . Atunci
i=1
n
X
i=1

| F (bi ) F (ai ) |

n
X

L | bi ai |< L = .

i=1

Cum n etapa 1 am demonstrat ca F este lipschitziana avem ca F este absolut continua.


(2) Presupunem ca x0 R este un punct de continuitate pentru . Vom
demonstra ca F este derivabila la dreapta n x0 si Fd0 (x0 ) = (x0 ), n mod
similar putandu-se arata ca F este derivabila la stanga n x0 si
Fs0 (x0 ) = (x0 ), de unde se obtine rezultatul dorit.
Cum este continua n x0 , avem ca () > 0 , () > 0 astfel ncat pentru
orice x (x0 , x0 + ) sa avem
(x0 ) < (x) < (x0 ) + .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

85

Atunci
Zx
(t)dt ((x0 ) + )(x x0 ) ,

((x0 ) )(x x0 )
x0

adica
((x0 ) )(x x0 ) F (x) F (x0 ) ((x0 ) + )(x x0 ) .
Deci

F (x) F (x0 )
(x0 ) + .
x x0


F (x) F (x0 )


,

(x
)
0


x x0

(x0 )
Prin urmare

pentru orice x (x0 , x0 + ). Astfel


()Fd0 (x0 ) = xx
lim

0
x>x0

F (x) F (x0 )
= (x0 ) ,
x x0

ceea ce trebuia demonstrat.


Definitia 2.7.4. O variabila aleatoare f se numeste absolut continu
a daca
exista o densitate de repartitie : R [0, ) astfel ncat
Zx
Ff (x) =

(t)dt .

acest caz se numeste densitatea de repartitie asociat


In
a variabilei
aleatoare f .
Observatia 2.7.5. Densitatea de repartitie asociata unei variabile aleatoare
f este unic determinata a.p.t. (vezi definitia 3.1.3). Mai precis, daca m
desemneaza masura lui Lebesgue pe dreapta reala si 1 , 2 sunt densitati de
repartitie asociate variabilei aleatoare f, atunci
m({x R : 1 (x) 6= 2 (x)}) = 0 .
Acest rezultat este o consecinta a teoremei 3.3.4.(5).
Mai precizam ca n cazul n care pentru exista o versiune continua sau
continua pe portiuni atunci va fi indicata prin acea versiune.

86

CAPITOLUL 2. VARIABILE ALEATOARE

Propozitia 2.7.6. Daca este densitatea de repartitie asociata variabilei


aleatoare f atunci
Zb
P (a f < b) = (t)dt .
a

Demonstratie. Fie Ff functia de repartitie asociata variabilei aleatoare f .


Atunci
Zb
P (a f < b) = Ff (b) Ff (a) =

Za
(t)dt

Zb
(t)dt =

(t)dt .
a

Observatia 2.7.7. Daca este continua (mai exact exista o versiune continua pentru ) atunci egalitatea din propozitia precedenta are loc indiferent
daca intervalul [a, b) este semi-deschis, de tipul [a, b) sau (a, b], deschis sau
nchis.
Exemplul 2.7.8. (Variabila aleatoare Cauchy). Fie
: R R , (x) =

A
,A R .
1 + x2

1. Sa se determine constanta A stiind ca este densitatea de repartitie a


unei variabile aleatoare f.
2. Sa se scrie functia de repartitie Ff a lui f.
3. Sa se calculeze P (0 f < 1).
Solutie: (1)
Z

Z
(x)dx = 1 A

1
= 1 A arctg x |
= 1
2
1+x

 
1

= 1 A = 1 A = .
2
2

(2)
Zx
Ff (x) =

1
(t)dt =

Zx

1
dt =
1 + t2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

87

1
1
 1
1
arctg t |x =
arctg x +
= arctg x + .

(3)
Z1

1
(x)dx =

P (0 f < 1) =
0

Z1

1
1
1
dx = arctg x |10 = .
2
1+x

Definitia 2.7.9. Un vector aleator V : Rn se numeste absolut continuu daca exista o functie masurabila V : Rn [0, ) cu proprietatea
Z

V (t1 , , tn )dt1 dtn = 1

astfel ncat functia de repartitie F a vectorului V sa se exprime prin


Zx1
F (x1 , , xn ) =

Zxn
(t1 , , tn )dt1 dtn .

acest caz V se numeste densitate de repartitie a vectorului aleator V.


In
Observatia 2.7.10. Daca este densitatea de repartitie a vectorului aleator
V = (f1 , , fn ), atunci

n
\

Zb1

!
(ai fi < bi )

i=1

Zbn

=
a1

(t1 , , tn )dt1 dtn .


an

Exemplul 2.7.11. Presupunem ca densitatea de repartitie a vectorului aleator


V = (f, g) este data prin

V (x, y) =

Axy , daca 10 x < 20 , 0 y < 3


.
0 , n rest

1) Sa se determine constanta A.
2) Sa se calculeze P (f 15, g < 1).

88

CAPITOLUL 2. VARIABILE ALEATOARE

Solutie. 1)
Z20 Z3
10 0

Z20  2 3
y
Axydxdy = 1 A x
dx = 1
2 0
10

 2 20
9
x
1
2700
A
A=1A=
.
=1
2
2 10
4
675
Z20 Z1
P (f 15, g < 1) =

2)

Axydxdy =
15 0

1
=
675

 2 20
Z20  2 1
y
1
x
175
.
x
=
=
2 0 1350 2 15 2700

15

Definitia 2.7.12. Fie V = (f, g) un vector aleator continuu avand densitatea


de repartitie V . Se numeste densitatea de repartitie marginal
a a lui f
aplicatia f : R [0, ) definita prin
Z
f (x) =

V (x, y)dy .

Se numeste densitatea de repartitie marginal


a a lui g aplicatia
g : R [0, ) definita prin
Z
g (y) =

V (x, y)dx .

Exemplul 2.7.13. Presupunem ca V = (f, g) are densitatea de repartitie



V (x, y) =

Ax , daca 0 x y 1
.
0 , n rest

1) Sa se determine constanta A.
2) Sa se determine densitatea de repartitie marginala a lui f.
3) Sa se determine densitatea de repartitie marginala a lui g.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

89

Solutie. 1)
Z Z

Z1
V (x, y)dxdy = 1

Z1
x

[Axy]10 dx = 1

x2 x3
(Ax Ax )dx = 1 A

2
3


Z1

Axdy dx = 1

Z1

1


=1A

1 1

2 3


=1A=6.

2) Pentru x [0, 1] avem


Z
f (x) =

Z1
V (x, y)dy =

6xdy = 6xy |1x = 6x 6x2 = 6x(1 x) .

Densitatea marginala a lui f este data prin



f (x) =

6x(1 x) , daca x [0, 1]


.
0
, n rest

3) Pentru y [0, 1] avem


Zy

Z
g (y) =

V (x, y)dx =

x2
6xdx = 6
2

y

= 3y 2 .

Deci

g (y) =

2.8

3y 2 , daca y [0, 1]
.
0 , n rest

Distributia conditionat
a

Fie (, , P ) un camp de probabilitate si A cu P (A) 6= 0. Reamintim


ca probabilitatea evenimentului B conditionata de evenimentul A este
definita prin
P (A B)
PA (B) :=
.
P (A)

90

CAPITOLUL 2. VARIABILE ALEATOARE

Presupunem ca V = (f, g) este un vector aleator discret, Ef si Eg reprezinta


multimea valorilor variabilelor f si respectiv g. Atunci, pentru x Ef ,
y Eg si A = {f = x}, B = {g = y}, obtinem
PA (B) =

pV (x, y)
P (f = x, g = y)
=
.
P (f = x)
pf (x)

Acest lucru ne conduce la urmatoarea definitie.


Definitia 2.8.1. Fie V = (f, g) un vector aleator discret avand functia de
probabilitate pV . Definim functia de probabilitate a lui g conditionat
a
de valoarea x Ef luata de f, notata pg|f =x , prin
pg|f =x (y) = Pf =x (g = y) .
Definim functia de probabilitate a lui f conditionat
a de valoarea y Eg
luata de g, notata pf |g=y , prin
pf |g=y (x) = Pg=y (f = x) .
baza celor de mai sus avem:
Observatia 2.8.2. In
pg|f =x (y) =

pV (x, y)
pV (x, y)
; pf |g=y (x) =
.
pf (x)
pg (y)

Exemplul 2.8.3. Se considera vectorul aleator discret V = (f, g) avand


distributia de probabilitate
f \g
1
2
3
4
pg (y)

1
0, 01
0, 07
0, 09
0, 03
0, 20

2
0, 20
0, 00
0, 05
0, 25
0, 50

3
pf (x)
0, 09 0, 30
0, 03 0, 10
0, 06 0, 20
0, 12 0, 40
0, 30

Sa se calculeze pf |g=2 .
Solutie.

0, 2/0, 5 = 0, 4
pV (x, 2)
pV (x, 2)
0/0, 5 = 0
pf |g=2 (x) =
=
=
0, 05/0, 5 = 0, 1

pg (2)
0, 5

0, 25/0, 5 = 0, 5

,
,
,
,

daca
daca
daca
daca

x=1
x=2
.
x=3
x=4

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

91

Teorema 2.8.4. (Formula probabilit


atii totale pentru functii de probabilitate). Pentru variabilele aleatoare discrete f, g cu multimea valorilor
Ef si respectiv Eg avem:
P
1. pf (x) =
pg (y) pf |g=y (x) , ()x Ef ;
yEg

2. pg (y) =

pf (x) pg|f =x (y) , ()y Eg .

xEf

Teorema 2.8.5. (Formula lui Bayes pentru functii de probabilitate).


Pentru variabilele aleatoare discrete f, g cu multimea valorilor Ef si respectiv
Eg avem:
1)

pg (y) pf |g=y (x)


, ()x Ef , y Eg ;
pg|f =x (y) = P
pg (y) pf |g=y (x)
yEg

2)

pf (x) pg|f =x (y)


pf |g=y (x) = P
, ()x Ef , y Eg .
pf (x) pg|f =x (y)
xEf

Definitia 2.8.6. Fie V = (f, g) un vector aleator absolut continuu avand


densitatea de repartitie V . Definim densitatea de repartitie a lui f
conditionat
a de valoarea y a lui g prin
f |g=y (x) :=

V (x, y)
.
g (y)

Definim densitatea de repartitie a lui g conditionat


a de valoarea x
a lui f prin
V (x, y)
.
g|f =x (y) :=
f (x)
Exemplul 2.8.7. Se considera vectorul aleator V = (f, g) avand densitatea
de repartitie

Ax2 y , daca x2 y 1
V (x, y) =
.
0
, n rest
1)
2)
3)
4)

Sa
Sa
Sa
Sa

se
se
se
se

determine constanta A.
calculeze f si g .
determine g|f =1/2 .
determine g|f =x .

92

CAPITOLUL 2. VARIABILE ALEATOARE

Solutie. 1)
Z Z

Z1
V (x, y)dxdy = 1

Z1
1

Z1 

Ax ydy dx = 1 A

Z1

x2 y 2
2

x2

1
dx = 1
x2


1
A x3 x7
21
(x x )dx = 1

=1A=
.
2 3
7 1
4
2

2) Pentru x [1, 1] avem


Z
f (x) =

Z1


1
21 x2 y 2
21 2
21
x ydy =
= x2 (1 x4 ) .
4
4
2 x2
8

V (x, y)dy =

x2

Pentru x 6 [1, 1] evident f (x) = 0. Pentru y 6 [0, 1] evident g (y) = 0.


Daca y [0, 1] atunci

Zy

Z
g (y) =

V (x, y)dx =


y
21 yx3
21 2
7
x ydx =
= y 5/2 .

4
4
3 y 2

3)
g|f =1/2 (y) =

V ( 12 , y)
.
f (1/2)

Observam ca

V
Apoi, f (1/2) =

21
8

1
,y
2

1
4


=

1
16

21
y
16

, daca y
, n rest

0


g|f =1/2 (y) =

21
32

15
.
16

1
4


,1

Atunci, pentru y

1

32
21 32 16
y

= y.
16 21 15
15

4) Pentru y [x2 , 1] avem


g|f =x (y) =

V (x, y)
=
f (x)

21 2
xy
4
21 2
x (1 x4 )
8

2y
.
1 x4


,
1
, avem
4

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

93

Teorema 2.8.8. (Formula probabilit


atii totale pentru densit
ati de
repartitie).
Z
1)
f (x) =
g (y)f |g=y (x)dy ;

Z
2)

g (y) =

f (x)g|f =x (y)dx .

Teorema 2.8.9. (Formula lui Bayes pentru densit


ati de repartitie).
1)

g|f =x (y) = R

g (y)f |g=y (x)

g (y)f |g=y (x)dy

2)

f |g=x (y) = R

f (x)g|f =x (y)
f (x)g|f =x (y)dx

94

CAPITOLUL 2. VARIABILE ALEATOARE

Capitolul 3
Teoria integr
arii
3.1

Tipuri de convergent
a

Definitia 3.1.1. Fie (fn )nN un sir de functii masurabile pe (, , ). Sirul


(fn ) se numeste:
1. convergent simplu (convergent punctual) la aplicatia f si notam
s
fn f daca
() avem lim fn () = f () ;
n

a.p.

2. convergent a.p. la functia f si notam fn f daca


A := { : fn () 6 f ()} si (A) = 0 ;
u

3. convergent uniform la functia f pe multimea si notam fn f


daca
() > 0, ()N N : | fn () f () |< , ()n N, () ;
4. convergent aproape uniform la functia f pe multimea si notam
a.u.
fn f daca
u

() > 0, ()A : (A) < astfel ncat fn f pe CA ;

5. convergent n m
asur
a catre functia f si notam fn f daca
() > 0 : lim ({ : | fn () f () | }) = 0 .
n

95


CAPITOLUL 3. TEORIA INTEGRARII

96

limbajul teoriei probabilitatilor, despre un sir de variObservatia 3.1.2. In


abile aleatoare fn ce converge a.p. la f se spune ca fn converge aproape
a.s
sigur la f si notam fn f , n timp ce, daca convergenta este n masur
a,
P
vom spune ca fn converge n probabilitate la f si notam fn f .
Definitia 3.1.3. Despre o proprietate P se spune ca este adevarat
a
- aproape peste tot (a.p.) daca multimea A a punctelor unde ea nu
este adevarata este din si de masura nula.
Daca este masura Lebesgue din Rn vom face conventia ca -aproape peste
tot sa fie nlocuita cu aproape peste tot (a.p.t.).
Daca este o masura de probabilitate, exprimarea -aproape peste tot va fi
nlocuita cu aproape sigur (a.s.).
Despre doua functii f si g, avand acelasi domeniu de definitie, vom spune
ca sunt egale a.p. daca
A := { : f () 6= g()} si (A) = 0 .
Teorema 3.1.4. Daca (fn )nN este un sir functii masurabile, atunci
f := sup fn si g := inf fn
nN

nN

sunt functii masurabile.


Demonstratie. Observam ca pentru orice x R avem
{f x} =

{fn x} ,

n=1

{g < x} =

{fn < x} .

n=1

Corolarul 3.1.5. Daca (fn )nN este un sir functii masurabile, atunci
limfn := inf {sup fm } ,
nN mn

limfn := sup{ inf fm }


nN mn

sunt functii masurabile.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

97

Corolarul 3.1.6. Daca (fn )nN este un sir de functii masurabile convergent
simplu la f , atunci f este masurabila.
Demonstratie. Observam ca f = limfn = limfn .
Lema 3.1.7. Fie (, , ) un spatiu cu masura completa. Daca functia f
este masurabila si g=f a.p., atunci g este masurabila.
Demonstratie. Fie T o multime deschisa n R si
A = { : f () 6= g()}.
Atunci
g 1 (T ) = (g 1 (T ) A) (g 1 (T ) CA) .
Cum g 1 (T ) A A si masura este completa, obtinem ca g 1 (T ) A .
Apoi g 1 (T ) CA = f 1 (T ) CA . Atunci g 1 (T ) .
Teorema 3.1.8. Fie (, , ) un spatiu cu masura completa. Daca (fn ) este
a.p.
un sir de functii masurabile si fn f , atunci f este masurabila.
Demonstratie. Fie
A = { : fn () 6 f ()} ;


fn () , daca 6 A
;
0 , daca A

f () , daca 6 A
.
0 , daca A

gn () =
g() =

Cum gn = fn a.p., n baza lemei precedente, avem ca gn sunt masurabile.


s
Dar gn g si din corolarul 3.1.6 obtinem ca g este masurabila. Cum f = g
a.p., aplicand nca o data lema 3.1.7, deducem ca f este masurabila.
a.u

Teorema 3.1.9. Daca fn f , atunci:

1. fn f ;
a.p.

2. fn f .


CAPITOLUL 3. TEORIA INTEGRARII

98

Demonstratie. (1) Din ipoteza avem ca () > 0 , ()A : (A) <


u
astfel ncat fn f pe CA. Atunci, pentru > 0 arbitrar, ()N N astfel
ncat
| fn () f () |< , ()n N, () CA ,
adica
An () = { : | fn () f () | } A , ()n N .
Atunci
(An ()) (A) < , ()n N

si astfel lim (An ()) = 0. Deci fn f .


n

(2) Conform ipotezei () > 0 , ()A : (A) < astfel ncat fn f


pe CA. In particular, pentru = n1 , ()An : (An ) < n1 astfel ncat

T
u
fn f pe CAn . Fie A =
An . Cum (A) (An ) < n1 , ()n N ,
n=1

obtinem ca (A) = 0. Daca CA, atunci exista n0 N cu proprietatea


a.p.
u
CAn0 . Cum fn f pe CAn0 , rezulta ca fn () f (). Deci fn f .
Observatia 3.1.10. Afirmatiile reciproce nu sunt valabile n general. Teorema lui Egorov ne spune ca n cazul unui spatiu cu masura finita convergenta
a.p. implica convergenta aproape uniforma. Teorema lui Riesz ne spune c
a

daca fn f , atunci sirul (fn ) contine un subsir convergent aproape uniform


la f.

3.2

Functii etajate

Am vazut ca daca (, ) este un spatiu masurabil si A atunci functia


caracteristica A a multimii A este masurabila daca si numai daca A .
Definitia 3.2.1. Fie (, ) un spatiu masurabil. O functie f : R se
numeste etajat
a daca
n
X
f () =
ai Ai () ,
i=1

unde {Ai }ni=1 formeaza o partitie a lui si {ai }ni=1 R.


Observatia 3.2.2. Cum functia caracteristica a oricarei multimi masurabile
este masurabila, se obtine ca orice functie etajata este masurabila.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

99

Observatia 3.2.3. Este usor de vazut ca suma a doua functii etajate este
tot etajata si clasa functiilor etajate este stabila la nmultirea cu scalari.
n
m
Intr-adevar, daca f = P xi A si g = P yj B atunci
i
j
i=1

j=1

f +g =

n X
m
X

(xi + yj )Ai Bj ,

i=1 j=1

iar daca R atunci


f =

n
X

xi Ai .

i=1

Teorema 3.2.4. (Borel). Daca f este o functie masurabila si pozitiva,


atunci exista un sir crescator de functii etajate si pozitive convergent punctual
la f. Daca n plus f este marginita, atunci convergenta este uniforma.
Demonstratie. Fie n N. Pentru 0 k n2n 1 natural definim
Ank = { :

k+1
k

f
()
<
}.
2n
2n

Fie
Bn = { : f () n} .
Observam ca Ank si Bn sunt disjuncte, masurabile (caci f este masurabila) si
=

n 1
n2[

Ank Bn .

k=0

Fie
sn =

n 1
n2
X

k=0

k
An + nBn .
2n k

Se verifica usor ca sirul de functii etajate (sn ) are proprietatile dorite.


Corolarul 3.2.5. Functia f este masurabila daca si numai daca este limita
unui sir de functii etajate.
Demonstratie. Aplicam teorema lui Borel pentru f + si f .
Se obtine din corolarul 3.1.6.


CAPITOLUL 3. TEORIA INTEGRARII

100

Definitia 3.2.6. Fie (, , ) un spatiu cu masura -finita si s =

n
P

ai Ai

i=1

o functie etajata si pozitiva. Se numeste integrala functiei s pe multimea


A numarul
Z
n
X
sd :=
ai (Ai A)
i=1

(vom face conventia, aici si n continuare, ca 0 = 0).


Observatia 3.2.7. Definitia este corecta, adica integrala astfel definita nu
depinde de reprezentarea functiei s.
Observatia 3.2.8.
Z

Z
sd =
A

sA d .

Teorema 3.2.9. Fie s, t functii etajate si pozitive si a R+ . Atunci:


R
R
R
1. (s + t)d = sd + td;

2.

asd = a sd;

3. s t

sd

4. A B

td;

sd

sd;

5. s = 0 a.p.

sd = 0;

6. aplicatia s : R+ s (A) :=

sd este o masura si

Z
tds =

Demonstratie. Fie s =
(1) Avem ca s + t =

n
P

ai Ai si t =

i=1
n P
m
P

tsd .

m
P

bj Bj .

j=1

(ai + bj )Ai Bj si prin urmare

i=1 j=1

Z
(s + t)d =

n X
m
n
m
X
X
X
(ai + bj )(Ai Bj ) =
ai
(Ai Bj )+
i=1 j=1

i=1

j=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

m
X
j=1

bj

n
X

(Ai Bj ) =

i=1

n
X

ai (Ai ) +

i=1
n
P

(2) Observam ca as =

m
X

101

bj (Bj ) =

j=1

sd +

td .

aai Ai , de unde

i=1

Z
asd =

n
X

aai (Ai ) = a

n
X

i=1

(3) Observam ca s =

n P
m
P

ai Ai Bj si t =

sd =

n X
m
X

n P
m
P

bj Ai Bj . Atunci

i=1 j=1

ai (Ai Bj )

i=1 j=1

sd .

ai (Ai ) = a

i=1

i=1 j=1

n X
m
X

Z
bj (Ai Bj ) =

i=1 j=1

td .

(4) Daca A B, atunci A B si prin urmare


Z
Z
Z
Z
sd = sA d sB d = sd .
A

(5) Implicatia directa este evidenta. Pentru a demonstra implicatia inversa


consideram

[
1
An ,
{ : s() } =
A = { : s() > 0} =
n
n=1
n=1

unde An = { : s() n1 }. Observam ca


Z
Z
1
1
sd
d = (An ) .
n
n
An

An

Pe de alta parte
Z

Z
sd

An

sd = 0

si prin urmare (An ) = 0 si deci (A) = 0.


(6) Fie {Ek }
ncat Ek Ep = pentru k 6= p. Vom nota cu
k=1 astfel


CAPITOLUL 3. TEORIA INTEGRARII

102
E=

Ek . Atunci

k=1

Z
sd =

s (E) =

ai

i=1

n
X

ai (Ai E) =

i=1

E
n
X

n
X

(Ai Ek ) =

ai

i=1

X
n
X

!
(Ai Ek )

k=1

ai (Ai Ek ) =

k=1 i=1

k=1

Z
X

sd =

k=1 E

s (Ek ) .

k=1

Apoi
Z
tds =

m
X
j=1

m
X
j=1

3.3

bj

n
X

bj s (Bj ) =

m
X

ai (Bj Ai ) =

i=1

j=1
m X
n
X

Z
sd =

bj
Bj

Z
ai bj (Bj Ai ) =

j=1 i=1

tsd .

Integrarea functiilor m
asurabile pozitive

Definitia 3.3.1. Daca f este o functie masurabila si pozitiva si (sn ) este


un sir crescator de functii etajate si pozitive convergent la f, atunci definim
integrala lui f pe multimea A ca fiind numarul
Z
Z
f d = lim
sn d .
n

Observatia 3.3.2. Existenta unui sir (sn ) crescator de functii etajate convergent la f este asigurata de teorema lui Borel.

Observatia 3.3.3. Se poate justifica usor corectitudinea definitiei, adica s


a
demonstram ca daca (sn ) si (tn ) sunt siruri crescatoare de functii etajate si
pozitive convergente la f atunci
Z
Z
lim
sn d = lim
tn d .
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

103

Fie c (0, 1) si k N. Fie


An := { : sn () c tk ()} .

Observam ca An An+1 si

An = . Atunci

n=1

sn d c

sn d

An

An

tk d = ctk (An ) .

De aici
Z

Z
sn d ctk () = c

lim

tk d .

Pentru c 1 si k obtinem
Z
Z
lim
sn d lim
tk d .
n

In mod asemanator se obtine si inegalitatea inversa.


Teorema 3.3.4. Daca f, g sunt functii masurabile pozitive si a R+ atunci:
1.

af d = a

2.

f d;

(f + g)d =

3. f g

f d +

f d

gd;

4. A B

gd;

f d

5. f = 0 a.p.

f d;

f d = 0;

6. (A1 A2 ) = 0

R
A1 A2

f d =

R
A1

f d +

R
A2

f d.


CAPITOLUL 3. TEORIA INTEGRARII

104

Demonstratie. (1) Daca a = 0 afirmatia este o consecinta a conventiei facute


n definitia 3.2.6. Vom presupune ca a > 0. Fie (sn ) un sir crescator de
functii etajate si pozitive convergent la f . Atunci (asn ) este un sir crescator
de functii etajate si pozitive convergent la af . Avem
Z
Z
Z
Z
sn d = a f d .
asn d = a lim
af d = lim
n

(2) Fie (sn ) si (tn ) doua siruri crescatoare de functii etajate si pozitive convergente la f si respectiv g. Atunci (sn + tn ) este un sir crescator de functii
etajate si pozitive convergent la f + g. Prin urmare
Z
Z
(f + g)d = lim (sn + tn )d =
n

Z
= lim

tn d =

sn d +

Z
f d +

gd .

(3) Fie (sn ) si (tn ) doua siruri crescatoare de functii etajate si pozitive convergente la f si respectiv g. Cum f g, obtinem ca ()N N astfel ncat
tn f , ()n N . Prin urmare sn tn , ()n N . Astfel
Z
Z
sn d tn d , ()n N .

Trecand la limita pentru n obtinem


Z
Z
f d gd .

(4) Daca A B atunci A B . Astfel


Z
Z
Z
Z
f d = f A d f B d = f d .
A

(5) Evidenta.
Fie (sn ) un sir crescator de functii etajate si pozitive convergent la f .
Atunci
Z
Z
sn d f d = 0 , ()n N .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Prin urmare

105

, ()n N, de unde avem ca sn = 0 a.p.,

sn d = 0

()n N. Fie An := { : sn () 6= 0}. Multimile An au masura nula si

S
astfel A =
An are masura nula. Pentru CA avem sn () = 0 0 si
n=1

deci f () = 0. Deci f este nula a.p..


(6) Avem
A1 A2 + A1 A2 = A1 + A2 .
Atunci
f A1 A2 + f A1 A2 = f A1 + f A2 .
Integrand acesta egalitate obtinem
Z
Z
Z
Z
f d +
f d = f d + f d .
A1 A2

A1 A2

A1

A2

Conform ipotezei (A1 A2 ) = 0 si deci

f d = 0. Prin urmare

A1 A2

Z
f d =

A1 A2

Z
f d +

A1

f d ,
A2

ceea ce trebuia demonstrat.


Teorema 3.3.5. (Teorema convergentei monotone). Daca (fn )nN este
un sir crescator de functii masurabile si pozitive convergent punctual la f,
atunci
Z
Z
f d = lim

fn d .

Demonstratie. Functia f este masurabila fiind limita unui sir de functii


masurabile. Cum R(fn ) este un sir crescator marginit superior de f , vom
R avea
ca sirul numeric fn d este un sir crescator marginit superior de f d.
R

Astfel, exista lim fn d si


n

Z
fn d

lim

f d .


CAPITOLUL 3. TEORIA INTEGRARII

106

Ramane sa demonstram inegalitatea inversa.


Fie c (0, 1). Fie (sn ) un sir crescator de functii etajate si pozitive convergent
la f . Fie k N. Fie
An := { : fn () c sk ()} .

S
Observam ca An An+1 si
An = . Conform teoremei 3.2.9 aplicatia
n=1

Z
sk : R+

c sk d

sk (A) :=
A

este o masura. Atunci


Z
c sk d = sk () = sk

!
An

= lim sk (An ) =
n

n=1

= lim

n
An

Deci

Z
c sk d lim

n
An

fn d lim

fn d .

Z
c sk d lim

fn d .

Trecand la limita pentru c 1 si k obtinem


Z
Z
f d lim
fn d .
n

Corolarul 3.3.6. (Teorema lui Beppo-Levi). Daca (fn ) este un sir de


functii masurabile si pozitive, atunci
Z X

Z
X
fn =
fn .
n=1

Demonstratie. Fie gn =

n
P

n=1

fk . Observam ca (gn ) este un sir crescator

k=1

de functii masurabile pozitive convergent la g =

fk . Conform teoremei

k=1

convergentei monotone, avem


Z
Z
Z X
n
n Z
Z
X
X
g = lim
gn = lim
fk = lim
fk =
fk .
n

k=1

k=1

k=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

107

Corolarul 3.3.7. (Lema Fatou). Daca (fn ) este un sir de functii masurabile
si pozitive, atunci
Z
Z
limfn d lim fn d .

Demonstratie. Fie gn = inf fm () , n N . Atunci (gn ) este un sir


mn

crescator de functii masurabile si pozitive convergent la limfn . Aplicand


teorema convergentei monotone obtinem
Z
Z
limfn d = lim
gn d .
n

Dar gn fn si astfel

gn d

fn d. Atunci

Z
lim

Z
gn d lim

gn d = lim

In concluzie

Z
limfn d lim

fn d .

3.4

fn d .

Definitia integralei Lebesgue

DefinitRia 3.4.1. Dac


R a functia f este masurabila si cel putin una din cantitatile f + d si f d este finita, vom defini integrala Lebesgue a

functiei f pe multimea A prin


Z
Z
Z
+
f d = f d f d .
A

Daca

Z
| f | d =

f d +
A

f d <

vom spune ca functia f este integrabil


a Lebesgue pe multimea A .
1
Vom nota cu L multimea functiilor integrabile Lebesgue pe .


CAPITOLUL 3. TEORIA INTEGRARII

108

Teorema 3.4.2. L1 este un spatiu liniar si aplicatia


Z
1
: L R , (f ) := f d

este o functionala liniara.


Demonstratie. Etapa 1. Vom nota cu M multimea functiilor masurabile.
Vom arata ca L1 este un subspatiu liniar al lui M.
(1) Fie f, g L1 . Cum | f + g || f | + | g | si inegalitatea este ntre functii
masurabile pozitive, din teorema 3.3.4, avem ca
Z
Z
Z
| f + g | d
| f | d + | g | d < .

Prin urmare f + g L1 .
(2) Fie a R si f L1 . Daca a = 0, atunci af L1 . Presupunem ca a 6= 0.
Atunci | af |=| a | | f |. Aceasta egalitate conduce la
Z
Z
Z
| af | d =
| a | | f | d =| a |
| f | d < ,

unde, n ultima egalitate, am aplicat teorema 3.3.4.


Etapa 2. Demonstram acum ca este o functionala liniara.
(1) Fie f, g L1 . Observam ca f + g = (f + g)+ (f + g) . Pe de alta parte
f + g = f + f + g + g . Prin urmare
(f + g)+ (f + g) = f + f + g + g ,
adica
(f + g)+ + f + g = (f + g) + f + + g + .
Aplicand teorema 3.3.4 obtinem
Z
Z
Z
Z
Z
Z
+

+
(f + g) d + f d + g d = (f + g) d + f d + g + d ,

adica
Z
Z
Z
Z
Z
Z
+

+
(f + g) d (f + g) d = f d f d + g d g d .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Deci

gd .

f d +

(f + g)d =

109

(2) Fie a R si f L . Daca a = 0, atunci


1

R
af d = a f d. Presupunem

ca a > 0. Atunci (af )+ = af + si (af ) = af . Deci

Z
Z
Z
Z
Z
Z

+
+

f d f d = a f d .
af d = af d af d = a

Daca a < 0 atunci (af )+ = af si (af ) = af + . Deci

Z
Z
Z
Z
Z
Z

+
+

af d = af d af d = a
f d f d = a f d .

Teorema 3.4.3. (Propriet


ati ale integralei Lebesgue). Daca f, g sunt
integrabile Lebesgue, atunci:
R
R
1. f g a.p. f d gd.

2. f este finita a.p..


3. Dac
R a h este Rmasurabila si h = f a.p., atunci h este integrabila Lebesgue
si hd = f d.

4. Daca h este masurabila si | h | f a.p., atunci h este integrabila


Lebesgue.
R
R
5. | f d | | f | d.

6. f este integrabila Lebesgue pe orice A .


7. Daca A1 , A2 si (A1 A2 ) = 0, atunci

R
A1 A2

f d =

R
A1

f d+

f d.

A2

R
Demonstratie. (1) f g a.p. (g f ) 0 a.p. (g f )d 0

R
R
f d gd .


CAPITOLUL 3. TEORIA INTEGRARII

110

(2) Fie A = { : | f () |= }. Vom demonstra ca (A) = 0. Avem


A . Din teorema 3.3.4 rezulta ca
Z
Z
| f | d < .
| f | d

Dar

| f | d = (A). Prin urmare (A) < si deci (A) = 0.

(3) Observam ca h = (h f ) + f L1 si
Z
Z
Z
Z
hd = (h f )d + f d = f d .

(4)
si astfel
R Cum Rf | h | a.p. avem, n particular, ca f 0 a.p.
+
f d =
| f | d < . Pe de alta parte, cum | h |= h + h , vom

R
R
avea h+ f a.p. si h f a.p.. Atunci h+ d f d < si

R
R
h d f d < . Deci h L1 .

(5)



Z
Z
Z
Z
Z
Z



f d = f + d f d f + d + f d =
| f | d .





(6) Pentru A avem | f A || f | si astfel


Z
Z
Z
Z
| f | d =
| f | A d =
| f A | d
| f | d < .
A

(7) Analog ca n demonstratia teoremei 3.3.4.

3.5

Principalele teoreme ale teoriei integr


arii

Schema de demonstratie pentru anumite rezultate referitoare la integrala


Lebesgue decurge din constructia acesteia. Astfel, se demonstreaza mai ntai
rezultatul dorit pe cazul functiilor etajate si pozitive. Pentru o functie f
masurabila si pozitiva, teorema lui Borel ne permite sa alegem un sir crescator
de functii etajate si pozitive convergent la f . Se va trece la limita n rezultatul

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

111

obtinut pentru functii etajate si pozitive, utilizand, atunci cand este nevoie,
si teorema convergentei monotone.
Pentru o functie masurabila arbitrara utilizam descompunerea f = f + f .
Etapa precedenta ne da relatiile dorite pentru f + si f si prin scadere se
obtine rezultatul pentru f . Dar, s-ar putea ca integrala functiei f sa nu poata
fi definita. Acest lucru se ntampla cand integralele lui f + si f sunt ambele
infinite. Intr-o astfel de situatie egalitatea obtinuta se va interpreta spunand
ca membrul stang si cel drept sunt nedefiniti n acelasi timp. Din acest motiv
si pentru claritatea expunerii, nu vom modifica ipotezele teoremelor pentru
a cere ca integrala functiei f sa existe.
Teorema 3.5.1. Daca f este o functie masurabila si pozitiva, atunci aplicatia
Z
f : R+ , f (A) := f d
A

este o masura si
Z

Z
gdf =

gf d ,

pentru orice functie masurabila g.


Demonstratie. Etapa 1. Demonstram ca f este o masura.

S
Fie {An }
An . Atunci
n=1 : An Am = , ()n 6= m. Fie A =
A =
avem

An si deci f A =

n=1

n=1

f An . Conform teoremei lui Beppo-Levi

n=1

Z
f A =

Z
X

f An .

n=1

Atunci
Z
f (A) =

Z
f=

f A =

Z
X
n=1

f An =

Z
X
n=1

An

f=

f (An ) .

n=1

Etapa 2. Vom demonstra egalitatea dorita n cazul n care g este o functie


n
P
etajata si pozitiva, adica g =
ai Ai , unde {ai }ni=1 R+ si {Ai }ni=1
i=1


CAPITOLUL 3. TEORIA INTEGRARII

112
formeaza o partitie a lui . Avem
Z
gf d =

Z X
n

n
X

ai f (Ai ) =

i=1

ai Ai f d =

i=1

n
X

Z
ai

i=1
n
X

f Ai d =

Ai df =

ai

Z X
n

ai

f d =
Ai

Z
gdf .

ai Ai df =

i=1

i=1

i=1

n
X

Etapa 3. Presupunem acum ca g este o functie masurabila si pozitiva. Fie


(sn ) un sir crescator de functii etajate si pozitive convergent la g. Conform
etapei precedente avem
Z
Z
sn f d = sn df .

Sa notam ca (sn f ) este un sir crescator de functii masurabile si pozitive


convergent la gf . Din teorema convergentei monotone vom avea ca
Z
Z
gf d = lim
sn f d .
n

Prin urmare
Z

Z
gf d = lim

sn f d = lim

Z
sn df =

gdf .

Etapa 4. Daca g este o functie masurabila arbitrara aplicam etapa precedenta pentru g + si g si scadem relatiile obtinute.
Teorema 3.5.2. (Formula schimb
arii de variabil
a). Fie (, , ) un
spatiu cu masura, (0 , T 0 ) un spatiu topologic, f : 0 functie masurabil
a
0
si g : R functie boreliana. Atunci
Z
Z
(g f )d = gd ,

unde : Bor(0 ) R este definita prin (A) = (f 1 (A)).

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

113

Demonstratie. Etapa 1. Vom demonstra egalitatea dorita n cazul n care


n
P
g este o functie etajata si pozitiva, adica g =
ai Ai , unde {ai }ni=1 R+ si
i=1

{Ai }ni=1 Bor(0 ). Avem


gf =

n
X

ai f 1 (Ai ) .

i=1

Deci
Z
gd =
0

n
X

ai (f

Z X
n
0

i=1

(Ai )) =

ai Ai d =

i=1
n
X

n
X

Z
ai

i=1

Ai d =

ai

f 1 (Ai ) d =

ai (Ai ) =

i=1

i=1

n
X

Z X
n

Z
ai f 1 (Ai ) d =

i=1

(gf )d .

Etapa 2. Presupunem acum ca g este o functie masurabila si pozitiva. Fie


(sn ) un sir crescator de functii etajate si pozitive convergent la g. Conform
etapei precedente avem
Z
Z
sn d = (sn f )d .
0

Sa notam ca (sn f ) este un sir crescator de functii masurabile si pozitive


convergent la g f . Din teorema convergentei monotone vom avea ca
Z
Z
(g f )d = lim (sn f )d .
n

In concluzie
Z

Z
gd = lim

Z
(sn f )d =

sn d = lim

(g f )d .

Etapa 3. Daca g este o functie boreliana arbitrara aplicam etapa precedenta


pentru g + si g si scadem relatiile obtinute.
Corolarul 3.5.3. Fie (, , P ) un spatiu de probabilitate.
1) Daca f este o variabila aleatoare si f repartitia ei de probabilitate, atunci
Z
Z
(g f )dP = gdf ,


CAPITOLUL 3. TEORIA INTEGRARII

114

pentru orice functie boreliana g : R R.


2) Daca V : Rn este un vector aleator si g : Rn R o functie borelian
a,
atunci
Z
Z
(g V )dP = gdV .
Rn

Definitia 3.5.4. Fie {An }


n=1 . Definim
limAn :=

Ak

limAn :=

n=1 k=n

Ak .

n=1 k=n

Observatia 3.5.5. Uneori sunt folositoare urmatoarele caracterizari:


1. limAn daca si numai daca exista o infinitate de multimi An ce
contin ;
2. limAn daca si numai daca exista n N : Ak , ()k n.
Teorema 3.5.6. (Lema Borel-Cantelli).

P
(An ) < , atunci (limAn ) = 0.
1) Daca {An }
n=1 :
n=1

sir de evenimente independente si


2) Daca {An }
n=1 este un

P (An ) = ,

n=1

atunci P (limAn ) = 1.

Demonstratie. 1) Fie f =

An . Aplicand teorema lui Beppo-Levi obtinem

n=1

Z
f d =

Z
X

An d =

n=1

(An ) < .

n=1

Astfel f L1 . In consecinta f este finita a.p., adica


({ : f () = }) = 0 .
Dar f () = daca si numai daca apartine la o infinitate de multimi An ,
adica limAn . Deci (limAn ) = 0.
2) Vom folosi inegalitatea 1 x ex , adevarata pentru orice x [0, 1]. Fie
n N arbitrar. Pentru m n fixat, folosind independenta, avem
!
m
P
m
m
m
m
\
Y
Y
Y

P (Ak )
P (Ak )
P
CAk =
P (CAk ) =
(1 P (Ak ))
.
e
= e k=n
k=n

k=n

k=n

k=n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

115

Trecand la 
limita pentru
m , cummembrul

 drept converge la zero,

T
S
obtinem P
CAk = 0 , adica P
Ak = 1, care conduce la
k=n

k=n

P (limAn ) = 1.
Teorema 3.5.7. (Teorema convergentei dominate a lui Lebesgue).
Fie (, , ) un spatiu cu masura completa si (fn ) un sir de functii masurabile
astfel ncat
a.p.

1. fn f ;
2. ()g L1 : | fn | g a.p..
plus
Atunci fn L1 , ()n N si f L1 . In
Z
lim
| fn f | d = 0 .
n

particular
In
Z

Z
fn d =

lim

f d .

Demonstratie. Din teorema 3.4.3, cum | fn | g a.p. si g L1 , obtinem ca


a.p.
fn L1 , ()n N . Aplicand teorema 3.1.8, cum fn f , obtinem ca f
este masurabila. Din ipotezele teoremei avem ca | f | g a.p. si din teorema
3.4.3 deducem ca f L1 .
Fie hn := 2g | fn f |. Evident hn sunt masurabile si hn 0 a.p..
Aplicand lema lui Fatou sirului hn avem
Z
Z
lim hn d lim hn d .

a.p.

Cum fn f , membrul stang va tinde la

2gd. Pe de alta parte, membrul

drept este
Z
Z
Z
Z
lim hn d = lim 2g | fn f | d = 2gd lim | fn f | d .


CAPITOLUL 3. TEORIA INTEGRARII

116
Astfel

Z
2gd lim

2gd

| fn f | d

si deci
Z
| fn f | d 0 ,

lim

adica

Z
| fn f | d = 0 .

lim

In final, cum


Z
Z
Z


fn d f d
| fn f | d ,



prin trecere la limita pentru n obtinem


Z
Z
lim
fn d = f d .
n

Teorema 3.5.8. (Teorema lui Beppo-Levi generalizat


a). Fie (fn ) un
sir de functii masurabile astfel ncat
Z X
Z

X
| fn | d < .
| fn | d =

n=1

n=1

Atunci

Z
X

fn d =

n=1

Z X

fn d .

n=1

Demonstratie. Fie
gn =

n
X

fk , g =

n=1

k=1

Observam ca
| gn |

n
X
k=1

fn , h =

| fn | .

n=1

| fk | h =| h | .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Conform ipotezei

hd < si deci h L1 , de unde obtinem ca h este

finita a.p.. Astfel

117

| fn | este convergenta a.p., adica

n=1

fn este absolut

n=1

a.p.

convergenta a.p.. Prin urmare gn g. Aplicand teorema convergentei


dominate a lui Lebesgue obtinem ca
Z
Z
lim
gn d = gd .
n

Astfel

Z
X

fn d = lim

n=1

n Z
X

Z
gn d =

k=1

Z
= lim

fk d = lim

gd =

Z X
n

Z X

fk d =

k=1

fn d .

n=1

Teorema 3.5.9. (Inegalitatea Markov). Fie 0 < p < , A si f o


functie masurabila si pozitiva. Atunci
Z
1
({ A : f () > }) p f p d .

Demonstratie. Fie B := { A : f () > }. Atunci


Z
Z
Z
Z
p
p
p
p
(B) =
B d = d f d f p d .

3.6

Integrabilitatea Riemann

In aceasta sectiune vom prezenta pe scurt constructia integralei Riemann


n Rp si vom demonstra ca integrabilitatea Riemann implica integrabilitatea
Lebesgue si, asa cum ne asteptam, avem aceeasi valoare pentru cele doua
integrale.
Definitia 3.6.1. O multime A Rp se numeste m
asurabil
a Jordan daca
functia ei caracteristica A este continua a.p.t. Vom nota cu J familia
multimilor masurabile Jordan.


CAPITOLUL 3. TEORIA INTEGRARII

118

Teorema 3.6.2. (Propriet


ati ale multimilor m
asurabile Jordan).
1. Orice multime masurabila Jordan este masurabila Lebesgue.
2. J este o algebra.
3. A J daca si numai daca m(F r A) = 0.
Demonstratie. 1) Daca A J, atunci A este continua a.p.t. Prin urmare
A este masurabila Lebesgue si deci A este masurabila Lebesgue.
2) Evident J.
Fie A J. Atunci A este continua a.p.t. Cum CA = 1 A rezulta ca CA
este continua a.p.t. si deci CA J.
Fie A, B J. Atunci A si B sunt continue a.p.t. Cum
AB = A + B A B ,
obtinem ca AB este continua a.p.t. si deci A B J.
3) Cum multimea punctelor de discontinuitate ale functiei A este tocmai
F r A, avem ca A este continua a.p.t. daca si numai daca m(F r A) = 0 si
de aici se obtine rezultatul dorit.
Definitia 3.6.3. Fie A Rp . Numarul
(A) := sup{|| x y || : x, y A}
se numeste diametrul multimii A.
Definitia 3.6.4. Un sistem finit = {A1 , A2 , , An } format cu multimi
masurabile Jordan se numeste diviziune a multimii masurabile Jordan A
daca
n
S
1. A =
Aj ;
j=1

2. Ai Aj = pentru i 6= j.
Numarul || ||= max{(A1 ), (A2 ), , (An )} se numeste norma diviziunii .

In continuare vom considera A Rp o multime marginita masurabila Jordan


si f : A R o functie marginita.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

119

Definitia 3.6.5. Fie f : A R si = {A1 , A2 , , An } o diviziune a


multimii A. Fie
mj = inf f (x) , Mj = sup f (x) .
xAj

xAj

Definim functiile etajate


f

:=

n
X

mj Aj , f :=

j=1

n
X

Mj Aj

j=1

si le numim functia Darboux inferioar


a respectiv functia Darboux superioar
a asociate functiei f si diviziunii .
Numerele reale
Z
Z
s(f ; ) := f dm , S(f ; ) := f dm
A

se numesc suma Darboux inferioar


a respectiv suma Darboux superioar
a asociate functiei f si diviziunii .
Observatia 3.6.6.
s(f ; ) =

n
X

mj m(Aj ) , S(f ; ) =

j=1

n
X

Mj m(Aj ) .

j=1

Definitia 3.6.7. Fie f : A R si x0 A. Numerele reale


f (x0 ) =

inf

sup f (x) ,

V V(x0 ) xV A

f (x0 ) = sup

inf f (x)

V V(x0 ) xV A

se numesc marginea superioar


a respectiv marginea inferioar
a a functiei
f n punctul x0 .
Functiile f , f : A R se numesc functia Baire superioar
a respectiv
functia Baire inferioar
a, asociate lui f.
Daca f (x0 ) = f (x0 ) vom spune ca functia f este superior semicontinu
a n
punctul x0 . Daca f (x0 ) = f (x0 ) se spune ca functia f este inferior semicontinu
a n punctul x0 .
Observatia 3.6.8. Evident, f este continua n punctul x0 daca si numai
daca f (x0 ) = f (x0 ) = f (x0 ).


CAPITOLUL 3. TEORIA INTEGRARII

120

Propozitia 3.6.9. Pentru orice sir {n } de diviziuni ale multimii A cu


proprietatea || n || 0 avem
a.p.t.

1. f

2. f

f;

a.p.t.

f.

particular, f si f sunt masurabile.


In
Demonstratie. Fie n = {An1 , An2 , , Anmn }. Fie x

m
Sn n

Aj . Vom demon-

j=1

stra ca f n (x) f (x). Aceasta relatie ne va spune ca f


ca
mn
mn
[
[
n
F r Anj
B = {x A : x 6
Aj }

a.p.t.
n

f , pentru

j=1

j=1

Anj

si toate multimile
sunt masurabile Jordan. Prin urmare F r Anj sunt de
masura Lebesgue nula, de unde m(B) = 0.
m
n
Sn n
Daca x
Aj , atunci ()j0 : x Aj0 . Rezulta ca ()rn > 0 astfel ncat
j=1
Anj0 .

D(x, rn )
Cum || n || 0, avem ca rn 0. Pe de alta parte, Anj0 fiind
marginita, ()tn > 0 astfel ncat Anj0 D(x, tn ). T
inand cont ca || n || 0,
putem alege tn > 0 astfel ncat tn 0. Fie
Mn0 =

sup

f (y) , Mn00 =

yD(x,rn )

sup

f (y) .

yD(x,tn )A

Cum
f n (x) = Mjn0 = sup f (y) ,
yAn
j

avem ca
Mn0 f n (x) Mn00 .
Dar
lim Mn0 = lim Mn00 = f (x) .

Astfel lim f n (x) = f (x).


n

Intr-un mod asemanator se demonstreaza ca f n a.p.t.


f . Cum f si f sunt
limite a.p.t. de functii masurabile, ele vor fi masurabile.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

121

Teorema 3.6.10. Functiile f si f sunt integrabile Lebesgue pe multimea A si


pentru orice sir de diviziuni {n } ale multimii A cu proprietatea || n || 0
avem
Z
f dm = lim S(f ; n ) ,
n

Z
f dm = lim s(f ; n ) .
n

Demonstratie. Cum f

a.p.t.
n

f si | f n | sup f (x) < , prin aplicarea


xA

teoremei convergentei dominate a lui Lebesgue, obtinem ca f este integrabila


Lebesgue pe multimea A si
Z
Z
f dm = lim
f n dm = lim S(f ; n ) .
n

Analog se procedeaza si pentru f .


Definitia 3.6.11. Functia f : A R se numeste integrabil
a Riemann pe
multimea A si notam f RA daca
Z
Z
f dm = f dm .
A

aceasta situatie, valoarea comuna a integralelor de mai sus se va numi


In
R
integrala Riemann a functiei f pe multimea A si se noteaza f (x)dx.
A

Teorema 3.6.12. (Criteriul Lebesgue pentru integrabilitatea


Riemann). Functia f : A R este integrabila Riemann pe multimea A
daca si numai daca f este continua a.p.t.
Demonstratie.
f RA

Z
f dm

f dm =
A

(f f )dm = 0
A

f f = 0 a.p.t. f continua a.p.t.


unde, n ultima echivalenta, am folosit observatia 3.6.8.


CAPITOLUL 3. TEORIA INTEGRARII

122

Teorema 3.6.13. Daca functia f : A R este integrabila Riemann pe


multimea A, atunci ea este integrabila Lebesgue pe A si
Z
Z
f (x)dx = f dm .
A

Demonstratie. Daca f RA , atunci f este continua a.p.t. Din observatia


3.6.8 avem ca f = f = f a.p.t. pe A. Cum nsa f si f sunt integrabile
Lebesgue pe A vom avea ca f este integrabila Lebesgue pe A si
Z
Z
Z
Z
f dm = f dm = f dm = f (x)dx .
A

3.7

Spatiile Lp

Fie (, , ) un spatiu cu masura completa si 1 p < . Vom nota cu q


conjugatul lui p, adica un numar cu proprietatea p1 + 1q = 1. Prin conventie
conjugatul lui 1 va fi .
Definitia 3.7.1. O functie reala masurabila pe se numeste de puterea p
sumabil
a daca
Z
| f |p d < .

Vom nota cu L multimea acestor functii. Pentru f Lp definim

1/p
Z
.
k f kp := | f |p d
p

Propozitia 3.7.2. L este un spatiu vectorial real.


p

Demonstratie. Daca f Lp si a R, atunci


Z
Z
p
p
| af | d =| a |
| f |p d <

si deci af Lp .
Fie f, g Lp si A = { : | f () || g() |}. Atunci
Z
Z
Z
p
p
| f + g | d =
| f + g | d + | f + g |p d

CA

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

2p

| f |p d + 2p

Z
Z
| g |p d <
| g |p d 2p | f |p d +

CA

123

si deci f + g L .
p

Lema 3.7.3. Daca a, b R+ , p (0, ) si q este conjugatul sau atunci


ab

ap b q
+ .
p
q

Demonstratie. Fie f : (0, ) R , f (x) = ln x.


Observam ca f 00 (x) = x12 < 0 si astfel f este o functie concava si prin
urmare
f (tx + (1 t)y) tf (x) + (1 t)f (y) , ()x, y (0, ) , ()t [0, 1] .
Pentru t =

1
p

, x = ap , y = bq obtinem


1 p 1 q
1
1
a + b ln ap + ln bq = ln(ab) ,
ln
p
q
p
q

de unde rezulta inegalitatea dorita.


Teorema 3.7.4. (Inegalitatea lui H
older). Fie p (1, ) si q conjugatul
p
q
sau. Daca f L si g L , atunci f g L1 si
k f g k1 k f kp k g kq .
Demonstratie. Daca k f kp = 0 sau k g kq = 0 atunci f = 0 a.p. sau
g = 0 a.p. de unde f g = 0 a.p. si inegalitatea este evidenta.
Presupunem k f kp > 0 si k g kq > 0. Fie
a=

|f |
|g|
, b=
.
k f kp
k g kq

Conform lemei precedente avem


|f |
|g|
1 | f |p
1 | g |q

.
k f kp k g kq
p k f kpp q k g kqq
Folosind monotonia integralei obtinem
Z
Z
Z
1
1
1
p
| f g | d
| f | d +
| g |q d = 1 ,
k f kp k g kq
p k f kpp
q k g kqq


CAPITOLUL 3. TEORIA INTEGRARII

124
adica

Z
| f g | d k f kp k g kq .

Astfel f g L1 si are loc inegalitatea dorita.


Observatia 3.7.5. Pentru p = q = 2 inegalitatea lui Holder este cunoscut
a
ca si inegalitatea lui Cauchy-Schwarz.
Teorema 3.7.6. (Inegalitatea lui Minkowski).
f, g Lp . Atunci
k f + g kp k f kp + k g kp .

Fie p

1 si

Demonstratie. Pentru p = 1, inegalitatea rezulta imediat din


Z
Z
Z
| f + g | d
| f | d + | g | d .

Daca p > 1 vom scrie


| f + g |p =| f + g | | f + g |p1 | f | | f + g |p1 + | g | | f + g |p1 .
Folosind monotonia integralei obtinem
Z
Z
Z
p
p1
| f + g | d
|f ||f +g |
d + | g | | f + g |p1 d .

Dar Lp este un spatiu vectorial si prin urmare f + g Lp .


| f + g |p1 Lq . Intr-adevar,
Z
Z

p1 q
|f +g |
d =
| f + g |p d < .

Atunci

In consecinta vom putea aplica fiecarei integrale din membrul drept inegalitatea lui Holder. Obtinem
Z

Z
p
| f + g | d k f kp

1/q
| f + g |p1

q

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

+ k g kp

125

1/q

1/q
Z

q
| f + g |p1 d = (k f kp + k g kp ) | f + g |p d
.

Astfel

1 1q

| f + g |p d

k f kp + k g kp ,

adica tocmai inegalitatea dorita.


Corolarul 3.7.7. Aplicatia k kp : Lp R+ este o seminorma.
Demonstratie. Avem
1. k f kp 0 si f = 0 k f kp = 0 ,
2. k af kp =| a |k f kp ,
3. k f + g kp k f kp + k g kp ,
pentru orice f, g Lp si a R, primele doua axiome fiind evidente iar a
treia fiind tocmai inegalitatea lui Minkowski.
Definitia 3.7.8. O functie f : R masurabila se numeste esential
m
arginit
a n raport cu masura si notam f L daca exista M > 0
astfel ncat | f | M a.p..
acest caz definim
In
k f k := inf{M > 0 : | f | M a.p.} .
Teorema 3.7.9. L este un spatiu vectorial seminormat real.
Demonstratie. Fie f, g L . Atunci
| f + g || f | + | g |k f k + k g k a.p. .
Deci f + g L si k f + g k k f k + k g k .
Daca a R, atunci
| af |=| a | | f || a | k f k a.p. ,
de unde obtinem ca af L si k af k | a | k f k .
Evident k f k 0.


CAPITOLUL 3. TEORIA INTEGRARII

126

Observatia 3.7.10. Pentru p [1, ] vom introduce pe spatiul Lp o relatie


de echivalenta:
f g f = g a.p. .
Vom nota cu Lp multimea claselor de echivalenta. Sperand ca nici o confuzie
nu este posibila, vom nota tot cu f clasa de echivalenta ce contine functia
f Lp .
baza celor demonstrate, Lp este un spatiu vectorial normat. Se poate
In
demonstra ca el este si complet, devenind astfel un spatiu Banach.
Lp
Daca un sir (fn ) converge la f n spatiul Lp , atunci vom nota fn f si vom
spune ca (fn ) converge n media de ordin p la functia f.
Observatia 3.7.11. Spatiul L2 dotat cu produsul scalar
Z
< f, g >= f gd

este un spatiu Hilbert.

3.8

Integrala pe spatiu produs

Consideram mai ntai doua spatii masurabile (X, A) si (Y, B).


Definitia 3.8.1. Se numeste dreptunghi m
asurabil o multime de forma
A B unde A A si B B.
Vom numi multime elementar
a o multime ce se poate reprezenta ca o
reuniune finita si disjuncta de dreptunghiuri masurabile. Vom nota cu E
familia multimilor elementare din X Y .
Observatia 3.8.2. E este o algebra.
Definitia 3.8.3. -algebra generata de E va fi notata cu A B si o vom
numi produsul -algebrelor A si B.
Definitia 3.8.4. Fie E X Y , x X , y Y . Se numeste sectiune
prin x a multimii E multimea
Ex := {y Y : (x, y) E} .
Se numeste sectiune prin y a multimii E multimea
Ey := {x X : (x, y) E} .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

127

Daca f : X Y R vom numi sectiune prin x a lui f aplicatia


fx : Y R

fx (y) := f (x, y) .

In mod similar, vom numi sectiune prin y a lui f aplicatia


fy : X R

fy (x) := f (x, y) .

Teorema 3.8.5. Avem:


1. Daca E A B, atunci:
(a) Ex B , ()x X;
(b) Ey A , ()y Y .
2. Daca f : X Y R este masurabila n raport cu -algebra A B,
atunci:
(a) fx este masurabila n raport cu -algebra B, ()x X;
(b) fy este masurabila n raport cu -algebra A, ()y Y .
Demonstratie. 1) Vom demonstra (a), celalalt punct fiind similar. Fie
:= {E A B : Ex B , ()x X} .
Vom arata ca este o -algebra ce contine dreptunghiurile masurabile. De
aici vom avea ca contine A B si obtinem ceea ce trebuia demonstrat.
Fie atunci E = A B, unde A A si B B. Atunci

B , daca x A
Ex =
.
, daca x 6 A
Astfel Ex B si deci E . Mai avem de verificat cele trei axiome ale unei
-algebre.
Axioma 1. E = X Y este evident, caci Ex = Y B , ()x X.
Axioma 2. Fie E . Vom demonstra ca CE .
Observam ca (CE)x = C(Ex ). Cum Ex B si B este o -algebra, obtinem
rezultatul dorit.
Axioma 3. Fie {Ei }
am ca
i=1 . Observ
!

[
[
= (Ei )x .
Ei
i=1

i=1


CAPITOLUL 3. TEORIA INTEGRARII

128

Cum (Ei )x B si B este o -algebra, obtinem ca

(Ei )x B si deci

i=1

Ei .

i=1

2) Vom demonstra (a), celalalt punct fiind similar. Fie T R o multime


deschisa. Avem de aratat ca fx1 (T ) B. Dar, din ipoteza, avem ca
E = f 1 (T ) A B si deci Ex B din punctul precedent. Dar
Ex = {y Y : (x, y) E} = {y Y : f (x, y) T } =
= {y Y : fx (y) T } = fx1 (T ) .
Deci fx1 (T ) B.
Definitia 3.8.6. Fie X o multime nevida si M P(X). Familia M se
numeste clas
a monoton
a daca satisface axiomele:
1. Daca {Ai }
i=1 M : Ai Ai+1 , atunci

Ai M .

i=1

2. Daca {Bi }
i=1 M : Bi+1 Bi , atunci

Bi M .

i=1

Teorema 3.8.7. O algebra A este o -algebra daca si numai daca ea este o


clasa monotona.
Demonstratie. Daca A este o -algebra atunci, evident, ea este o clasa monotona. Reciproc, presupunem ca algebra A este o clasa monotona. Demonn
S
Ai . Observam
stram ca A este o -algebra. Fie {Ai }
i=1 A. Fie Mn =
i=1

ca Mn A, caci A este o algebra, si Mn Mn+1 . Cum A este o clasa

S
S
S
S
monotona obtinem ca
Mn A. Dar
Mn =
Ai . Deci
Ai A.
n=1

n=1

i=1

i=1

Teorema 3.8.8. (Teorema clasei monotone). Fie A P(X) o algebr


a
si M P(X) o clasa monotona astfel ncat A M. Atunci (A) M.
Demonstratie. Fie M0 cea mai mica clasa monotona ce contine algebra A,
adica intersectia tuturor claselor monotone ce contin algebra A. Vom demonstra ca M0 este o algebra. Atunci, n baza teoremei precedente ea va fi o
-algebra. Cum A M0 va rezulta ca (A) M0 . Cum M0 M vom
obtine ca (A) M. Verificam ca M0 ndeplineste cele doua axiome ale unei

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

129

algebre.
Axioma 1. Daca E M0 , atunci CE M0 . Pentru aceasta, fie
= {E P(X) : CE M0 } .
Aratam ca este o clasa monotona.

(1) Fie {Ai }


s
i CAi+1 CAi .
i=1 : Ai Ai+1 . Atunci {CAi }i=1 M0

T
S
Cum M0 este o clasa monotona, avem
CAi M0 , adica C
Ai M0 ,
ceea ce nseamna ca

i=1

i=1

Ai .

i=1

(2) Fie {Bi }


siCBi CBi+1 .
i=1 : Bi+1 Bi . Atunci {CBi }i=1 M0

S
T
Cum M0 este o clasa monotona, avem
CBi M0 , adica C
Bi M0

si deci

i=1

i=1

Bi .

i=1

Apoi, cum A este o algebra, daca E A vom avea ca CE A M0 . Prin


urmare A . Deci este o clasa monotona ce contine algebra A. Cum M0
este cea mai mica clasa monotona ce contine algebra A, deducem ca M0 .
Astfel, pentru orice E M0 , avem ca E , adica CE M0 , ceea ce trebuia
demonstrat.
Axioma 2. Daca E, F M0 , atunci E F M0 .
Consideram acum
1 = {E P(X) : E A M0 , ()A A} .
Aratam ca 1 este o clasa monotona.
(1) Fie {Ai }
si
i=1 1 : Ai Ai+1 . Atunci Ai A M0 , ()A A

S
Ai A Ai+1 A. Cum M0 este o clasa monotona avem ca (Ai A) M0 ,
i=1
 

S
S
adica
Ai A M0 si astfel
Ai 1 .
i=1

i=1

(2) Fie {Bi }


i=1 1 : Bi+1 Bi . Atunci, pentru orice A A, avem
Bi A M0 si Bi+1 A B
A. 
Cum M0 este o clasa monotona, obtinem
i

T
T
T
ca (Bi A) M0 , adica
Bi A M0 si deci
Bi 1 .
i=1

i=1

i=1

Sa observam acum ca A 1 . Intr-adevar, daca E, A A, atunci EA A,


caci A este o algebra. Astfel E A M0 caci A M0 . Prin urmare A 1 .
Cum 1 este o clasa monotona ce contine algebra A si M0 este cea mai mica


CAPITOLUL 3. TEORIA INTEGRARII

130

clasa monotona ce contine algebra A, obtinem ca M0 1 . Astfel avem ca


()A A , ()M0 M0 A M0 M0 .
Fie
2 = {E P(X) : E M0 M0 , ()M0 M0 } .
Rezultatul obtinut mai sus ne spune ca A 2 . Intr-un mod similar se
poate arata ca 2 este o clasa monotona. Cum M0 este cea mai mica clasa
monotona ce contine algebra A, deducem ca M0 2 , adica pentru orice
M M0 avem M M0 M0 , ()M0 M0 , ceea ce trebuia demonstrat.
Teorema 3.8.9. Fie (X, A, ) si (Y, B, ) doua spatii cu masura -finite.
Pentru E A B definim functiile:
gE : X R+

gE (x) := (Ex ) ;

hE : Y R+

hE (y) := (Ey ) .

Atunci:
1. gE este masurabila n raport cu -algebra A;
2. hE este masurabila n raport cu -algebra B;
3.

Z
gE d =

hE d .
Y

Demonstratie. Cazul I. Vom demonstra teorema n ipoteza ca si sunt


masuri finite. Fie M familia multimilor E A B pentru care concluziile
teoremei sunt adevarate. Vom demonstra ca:
(i) M contine familia multimilor elementare, adica E M;
(ii) M este o clasa monotona.
Atunci, cum E este o algebra, vom putea aplica teorema clasei monotone si
obtine ca (E) M. Dar (E) = A B si deci M = A B, ceea ce trebuia
demonstrat.
(i) Fie E = A B : A A , B B. Observam ca

B , daca x A
Ex =
.
, daca x 6 A

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Astfel


gE (x) =

131

(B) , daca x A
,
0 , daca x
6 A

adica gE (x) = A (x)(B). Deci gE = A (B). In mod similar hE = B (A).


Atunci, cum A si B sunt masurabile, vom avea ca gE si hE sunt masurabile.
In plus
Z
Z
Z
gE d = A (B)d = (B) A d = (B)(A) ,
X

hE d =
Y

B (A)d = (A)
Y

B d = (A)(B) ,
Y

ceea ce demonstreaza (i).


(ii) Fie {Ei }
i=1 M : Ei Ei+1 . Fie E =

Ei . Observam ca {gEi }
i=1

i=1

este un sir crescator de functii masurabile si pozitive convergent punctual


la gE . Astfel gE este masurabila. Aplicand teorema convergentei monotone
obtinem
Z
Z
gE d = lim
gEn d .
n

In mod analog, cum {hE }


este un sir crescator de functii masurabile si
i i=1
pozitive convergent simplu la hE , obtinem ca hE este masurabila si
Z
Z
hE d = lim
hEn d .
n

Dar {En } M si prin urmare


Z
Z
gEn d = hEn d .
X

Din relatiile de mai sus deducem ca


Z
Z
gE d = hE d
X


CAPITOLUL 3. TEORIA INTEGRARII

132
si deci E M.

Consideram acum {Ei }


i=1 M : Ei+1 Ei . Fie E =

Ei . In aceasta

i=1

situatie {gEi }
sir descrescator de functii masurabile convergent la
i=1 este un
gE . Cum gEi (x) = ((Ei )x ) (Y ) < , avem ca acest sir este uniform
marginit. Aplicand teorema convergentei dominate obtinem ca
Z
Z
gEn d = gE d .
lim
n

In mod analog
lim

hEn d =

n
Y

Cum nsa

{Ei }
i=1

hE d .
Y

M, avem ca
Z
Z
gEn d = hEn d .
X

Prin urmare

Z
gE d =

hE d .
Y

si deci E M.
Cazul II. Daca si sunt masuri -finite, atunci exista partitiile
B pentru X si Y cu proprietatea
A si {Bn }
{An }
n=1
n=1
(An ) < , (Bn ) < , ()n N . Fie E A B. Atunci
S

S
E =
Emn unde Emn = E (Am Bn ). In baza cazului precedent
n=1 m=1

vom avea ca Emn satisfac concluziile teoremei (fiind elemente din produsul
-algebrelor lui Am si Bn care sunt privite ca spatii cu masura finita). Observam ca

!
!
[
[
gE (x) =
Emn =
(Em,n )x =
m,n

X
m,n

m,n

((Emn )x ) =

X
m,n

gEmn (x) ,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

133

unde am folosit faptul ca {EP


a cate doua. In mod
mn } sunt disjuncte dou
analog se arata ca hE (y) =
hEmn (y). Aplicand teorema lui Beppo-Levi
m,n

obtinem
Z X

Z
gE d =

XZ

gEmn d =

m,n

XZ

gEmn d =

m,n X

hEmn d =

m,n Y

Z X
Y

Z
hE d .

hEmn d =

m,n

Prin urmare E satisface concluziile teoremei.


Definitia 3.8.10. Fie (X, A, ) si (Y, B, ) doua spatii cu masura -finite.
Vom numi produsul m
asurilor si aplicatia
: A B R+ ,
definita prin
Z

( )(E) =

(Ex )d =
X

(Ey )d .
Y

Observatia 3.8.11. Definitia de mai sus este corecta, n sensul ca


este o masura.
Intr-adevar, daca {Ei } A B : Ei Ej = pentru i 6= j, atunci
i=1
! !
!
!
Z
Z

[
[
[
Ei
d =
(Ei )x d =
( )
Ei =
i=1

Z X

i=1

(Ei )x d =

i=1

Z
X

((Ei )x )d =

i=1 X

1.

sx (y)d(y) =
R

XY

sd( ) =

ai gEi (x) ;

( )(Ei ) .

ai Ei , unde {Ei }ni=1 A B si

i=1

2.

n
P
i=1

n
P

X
i=1

Lema 3.8.12. Fie functia etajata s =


{ai }ni=1 R+ . Atunci:

i=1


sx (y)d(y) d(x) .


CAPITOLUL 3. TEORIA INTEGRARII

134

Demonstratie.
Z X
Z X
Z
n
n
ai (Ei )x d =
ai (Ei )x d =
(1) sx (y)d(y) =
Y

Y
n
X

i=1

Z
(Ei )x d =

ai

i=1

n
X

Z
sd( ) =

(2)

Z
ai

i=1

Z
=

((Ei )x )d =

Z X
n

ai gEi (x) ;

i=1
n
X

n
X
i=1

n
X

ai ( )(Ei ) =

i=1

XY
n
X

ai ((Ei )x ) =

i=1

i=1

Z
ai
X

Z
(Ei )x d d =
Y

ai (Ei )x d d =

i=1

Z
sx (y)d d .

Teorema 3.8.13. (Fubini). Fie (X, A, ) si (Y, B, ) doua spatii cu masur


a
-finite si f : X Y R o functie masurabila n raport cu -algebra A B.
Fie
Z
g(x) = fx (y)d(y) ,
Y

Z
h(y) =

fy (x)d(x) .
X

Avem:
1. Daca f este pozitiva, atunci
(a) g este masurabila n raport cu -algebra A;
(b) h este masurabila n raport cu -algebra B;
R
R
R
(c)
f (x, y)d( ) = g(x)d(x) = h(y)d(y) .
XY

2. Daca f L1 ( ), atunci
(a) fx L1 (), a.p. x X;

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

135

(b) fy L1 (), a.p. y Y ;


(c) g L1 (), h L1 ();
R
R
R
(d)
f (x, y)d( ) = g(x)d(x) = h(y)d(y) .
XY

Demonstratie. (1) Daca f este o functie masurabila si pozitiva, aplicand


teorema lui Borel, obtinem ca exista un sir crescator (sn ) de functii etajate
si pozitive convergent la f . Fie
Z
gn (x) = (sn )x (y)d(y) .
Y

Din primul punct al lemei precedente avem ca gn sunt masurabile. Cum


(sn ) este un sir crescator convergent la f , avem ca (sn )x este un sir crescator
convergent la fx . Aplicand teorema convergentei monotone obtinem
Z
Z
lim gn (x) = lim (sn )x d = fx d = g(x)
n

si deci g este masurabila. Cum (gn ) este un sir crescator convergent la g,


aplicand nca o data teorema convergentei monotone obtinem
Z
Z
lim
gn d = gd .
n

Dar, din punctul 2 al lemei precedente, avem ca

Z
Z Z
Z
Z

gn d =
(sn )x (y)d(y) d(x) =
sn d( )
f d( ) .
X

XY

Relatiile obtinute ne spun ca


Z

Z
f d( ) =

XY

XY

gd .
X

Asemanator se arata ca h este masurabila si


Z
Z
f d( ) = hd .
XY


CAPITOLUL 3. TEORIA INTEGRARII

136
(2) Daca f L1 ( ) atunci

R
f + d( ) < si
f d( ) < .
XYR
XY
R
Din punctul (1) avem ca g1 (x) = fx+ d si g2 (x) = fx d sunt integrabile
R

pe X n raport cu si deci g = g1 g2 este integrabila pe X n raport cu .


Prin urmare g este finita a.p. x X si deci fx L1 (), a.p. x X. Apoi,
folosind punctul (1), avem
Z
Z
Z
+
f d( ) =
f d( )
f d( ) =
XY

XY

XY

fx+ d d

fx d d =

Z
g1 (x)d

Z
g2 (x)d =

gd .
X

In mod analog se arata ca h L1 (), apoi ca fy L1 (), a.p. y Y si n


final egalitatea
Z
Z
f d( ) = hd .
XY

Capitolul 4
Caracteristici numerice
4.1

Valoarea medie

Definitia 4.1.1. Fie (, , P ) un spatiu de probabilitate si f : R o


variabila aleatoare integrabila. Se numeste valoarea medie a lui f numarul
Z
M (f ) := f dP .

Observatia 4.1.2. Aplicand corolarul 3.5.3, pentru g(x) = x, obtinem ca


Z
M (f ) = xdf .
R

Teorema 4.1.3. (Valoarea medie a variabilelor aleatoare



discrete).
xi
Daca f este o variabila aleatoare discreta avand distributia
, unde I
p
P i iI
este o familie de indici cel mult numarabila si daca seria
xi pi este absolut
iI

convergenta, atunci
M (f ) =

xi p i .

iI

Demonstratie. Reamintim mai ntai ca pi = P (Ai ), unde


Ai = { : f () = xi }
137

138

CAPITOLUL 4. CARACTERISTICI NUMERICE

formeaza o partitie a lui . Aceasta nseamna ca f =

xi A i .

iI
n
P

Cazul I. Daca I este finita, atunci f =

xi Ai . Astfel

i=1

Z
f dP =

M (f ) =

n
X

Z
Ai dP =

xi

i=1

Z X
n

n
X

xi Ai dP =

i=1

xi P (Ai ) =

n
X

i=1

xi p i .

i=1

Cazul II. Daca I este infinita, atunci f =

xi Ai . Fie fi = xi Ai . Ob-

i=1

servam ca
Z
X

| fi | dP =

i=1

Z
X

| xi | Ai dP =

i=1

| xi | p i < .

i=1

Pe de alta parte {| fi |}
sir de functii masurabile si pozitive.
i=1 este un
Aplicand teorema lui Beppo -Levi avem
Z X

| fi | dP =

Z
X

i=1

| fi | dP .

i=1

ndeplineste ipotezele din


Prin urmare, sirul de functii masurabile {fi }
i=1
teorema lui Beppo -Levi generalizata si deci
Z
X

fi dP =

i=1

Atunci
Z
M (f ) =

f dP =

Z
X
i=1

Z X

Z X

xi Ai dP =

fi dP =

i=1

X
i=1

fi dP .

i=1

Z
X

fi dP =

i=1

Z
xi

Ai dP =

X
i=1

xi p i .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

139

Exemplul 4.1.4. Sa se calculeze valoarea medie pentru variabila aleatoare


discreta f avand distributia


1 2
5
.
0, 4 0, 5 0, 1
Solutie. M (f ) = (1) 0, 4 + 2 0, 5 + 5 0, 1 = 1, 1.
Teorema 4.1.5. Fie f o variabila aleatoare absolut continua pe spatiul de
probabilitate (, , P ) avand densitatea de repartitie . Daca g : R R este
o functie boreliana, atunci
Z
Z
(g f )dP = g(x)(x)dx .

Demonstratie. Din teorema 3.5.1 avem ca aplicatia


Z
: Bor(R) R+ , (A) := (x)dx
A

este o masura si
Z

Z
gd =

g(x)(x)dx ,
R

pentru orice functie boreliana g : R R. Cum

(x)dx = 1, avem ca

este o masura de probabilitate.


Fie Ff functia de repartitie asociata variabilei aleatoare f si f repartitia de
probabilitate asociata lui f . Atunci
Zb

Z
([a, b)) =

(t)dt = Ff (b) Ff (a) = f ([a, b))

(t)dt =
a

[a,b)

pe orice interval [a, b). Astfel = f . Aplicand corolarul 3.5.3 avem


Z
Z
Z
Z
(g f )dP = gdf = gd = g(x)(x)dx .

140

CAPITOLUL 4. CARACTERISTICI NUMERICE

Corolarul 4.1.6. (Valoarea medie a unei variabile aleatoare absolut


continue). Fie f o variabila aleatoare absolut continua pe spatiul de probabilitate (, , P ) avand densitatea de repartitie . Atunci
Z
M (f ) =

x(x)dx .

Demonstratie. Se obtine din teorema precedenta alegand g(x) = x.


Exemplul 4.1.7. Sa se calculeze valoarea medie pentru variabila aleatoare
absolut continua f avand densitatea de repartitie
1
(x) = e|x| .
2
Solutie.
Z
M (f ) =

1
x(x)dx =
2

Z0

1
xex dx +
2

xex dx .

Observam ca, prin schimbarea de variabila x = t, prima integrala devine


Z0

Z0

(t)e (dt) =

xe dx =

tet dt .

Astfel M (f ) = 0.
Teorema 4.1.8. (Propriet
ati ale valorii medii).
1. Daca a f b, atunci a M (f ) b.
2. M (C) = C.
3. M (Cf ) = CM (f ).
n 
n
P
P
4. M
fi =
M (fi ).
i=1

i=1

5. Daca {fi }ni=1 sunt variabile aleatoare independente, atunci


!
n
n
Y
Y
M
fi =
M (fi ) .
i=1

i=1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

141

Demonstratie. (1) Rezulta din teorema 3.4.3.


(2) Daca f este constanta atunci din (1) se obtine rezultatul dorit.
(3) Se obtine din teorema 3.4.2.
(4) Se obtine din teorema 3.4.2.
(5) Daca {fi }ni=1 sunt variabile aleatoare independente, atunci, din teorema
2.6.7, avem
!
n
n
\
Y
1
P
fi (Ai ) =
P (fi1 (Ai )) ,
i=1

i=1

pentru orice familie {Ai }ni=1 Bor(R).


Daca V = (f1 , f2 , , fn ) si A = A1 A2 An Bor(Rn ) atunci
!
n
n
n
\
Y
Y
1
1
1
V (A) = P (V (A)) = P
fi (Ai ) =
P (fi (Ai )) =
fi (Ai ) .
i=1

i=1

i=1

Deci V = f1 f2 fn . Acum alegem functia boreliana


h : Rn R ,

h(x1 , x2 , , xn ) = x1 x2 ... xn

si aplicam teorema lui Fubini. Obtinem


Z
Z
hdV = hd(f1 f2 fn ) =
Rn

Rn

Z
x1 df1

=
R

Z
xn dfn = M (f1 )M (f2 ) M (fn ) .

x2 df2 ...
R

Folosind corolarul 3.5.3 avem


!
Z
Z
n
Y
M
fi = M (hV ) = (hV )dP = hdV = M (f1 )M (f2 ) M (fn ) .
i=1

Rn

Observatia 4.1.9. Reciproca de la punctul (5) nu este n general adevarata,


adica, daca M (f g) = M (f )M (g) atunci nu rezulta ca f si g sunt independente.
Exemplul 4.1.10. Fie = {1 , 2 , 3 , 4 }, unde i sunt punctele din plan
de coordonate: 1 = (0, 0), 2 = (0, 1), 3 = (0, 2), 4 = (4, 1). Presupunem
ca evenimentele elementare sunt egal posibile adica P (1 ) = P (2 ) = P (3 ) =
= P (4 ) = 1/4. Consideram variabilele aleatoare f si g care dau prima coordonata a punctului si respectiv cea de-a doua coordonata. Sa se arate ca
M (f g) = M (f )M (g) si ca f,g sunt dependente.

142

CAPITOLUL 4. CARACTERISTICI NUMERICE

Solutie. Scriem mai ntai distributiile pentru f , g si f g.








0
4
0
1
2
0
4
f:
, g:
, f g :
.
3/4 1/4
1/4 2/4 1/4
3/4 1/4
Atunci M (f ) = 1, M (g) = 1, M (f g) = 1. Prin urmare M (f g) = M (f )M (g).
Pe de alta parte P (f = 0, g = 1) = P (2 ) = 1/4.
Dar P (f = 0)P (g = 1) = 43 24 = 38 .
Deci P (f = 0, g = 1) 6= P (f = 0)P (g = 1). Astfel f si g sunt dependente.
Definitia 4.1.11. Se numeste valoarea medie a vectorului aleator
V : RN , V = (f1 , f2 , , fn ) vectorul
M (V ) = (M (f1 ), M (f2 ), , M (fn )) .

4.2

Dispersia

Definitia 4.2.1. Fie (, , P ) un spatiu de probabilitate si f : R o


variabila aletoare integrabila avand valoarea medie M (f ) < . Se numeste
dispersia lui f numarul
D2 (f ) := M [(f M (f ))2 ] .
Propozitia 4.2.2. (Dispersia variabilelor aleatoare
discrete). Daca f


xi
este o variabila aleatoare discreta avand distributia
, atunci
pi iI
D2 (f ) =

X
(xi M (f ))2 pi .
iI

Demonstratie. Imediata din teorema 4.1.3.


Exemplul 4.2.3. Sa se calculeze dispersia variabilei aleatoare discrete f
avand distributia


1 2
5
.
0, 4 0, 5 0, 1
Solutie. Am vazut n exemplul 4.1.4 ca M (f ) = 1, 1. Atunci


2, 1 0, 9 3, 9
f M (f ) :
,
0, 4 0, 5 0, 1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

(f M (f )) :

4, 41 0, 81 15, 21
0, 4 0, 5
0, 1

143


.

Deci D2 (f ) = M [(f M (f ))2 ] = 4, 41 0, 4 + 0, 81 0, 5 + 15, 21 0, 1 = 3, 69.


Propozitia 4.2.4. (Dispersia variabilelor aleatoare absolut continue).
Daca f este o variabila aleatoare absolut continua avand densitatea de repartitie
, atunci
Z
D2 (f ) =
(x M (f ))2 (x)dx .

Demonstratie. Imediata din corolarul 4.1.6.


Exemplul 4.2.5. Fie f o variabila aleatoare absolut continua avand densitatea de repartitie
1
(x) = e|x| .
2
Sa se calculeze dispersia lui f.
Solutie. Am vazut n exemplul 4.1.7 ca M (f ) = 0. Atunci
D2 (f ) =

(x M (f ))2 (x)dx =

1
x2 e|x| dx =
2

1
2

Z0

x2 ex dx +

x2 ex dx .

In prima integrala facem schimbarea de variabila x = t. Atunci dx = dt.


Astfel
Z0
Z0
Z
Z
x2 ex dx = t2 et (dt) = t2 et dt = x2 ex dx .

Deci
2

D (f ) =
0

x2 ex dx .

144

CAPITOLUL 4. CARACTERISTICI NUMERICE

Aplicand de doua ori formula de integrare prin parti obtinem


Z
D2 (f ) = x2 ex |
2xex dx = lim x2 ex +
0 +
x

+2 xex |
0 +

x
+2 = 2 ,
ex dx = 2 lim xex 2ex |
0 = 2 lim e
x

unde am aplicat regulile lui lHospital.


Teorema 4.2.6. (Propriet
ati ale dispersiei).
1. D2 (C) = 0.
2. D2 (f ) 0.
3. D2 (f ) = M (f 2 ) [M (f )]2 .
4. D2 (Cf ) = C 2 D2 (f ).
5. Daca f si g sunt independente, atunci
D2 (f + g) = D2 (f ) + D2 (g) .
Demonstratie. (1) Daca f = C atunci M (f ) = C. Astfel f M (f ) = 0 si
deci D2 (f ) = M (0) = 0.
(2) Cum (f M (f ))2 0, rezulta ca M [(f M (f ))2 ] 0, adica D2 (f ) 0.
(3)
D2 (f ) = M [(f M (f ))2 ] = M [f 2 2M (f )f + (M (f ))2 ] =
= M (f 2 ) 2M (f )M (f ) + (M (f ))2 = M (f 2 ) [M (f )]2 .
(4)
D2 (Cf ) = M [(Cf )2 ] [M (Cf )]2 = M (C 2 f 2 ) [CM (f )]2 =
= C 2 M (f 2 ) C 2 [M (f )]2 = C 2 D2 (f ) .
(5) Daca f si g sunt independente, atunci M (f g) = M (f )M (g). Astfel
D2 (f + g) = M [(f + g)2 ] [M (f + g)]2 = M (f 2 + 2f g + g 2 )
[M (f ) + M (g)]2 = M (f 2 ) + 2M (f g) + M (g 2 )
[M (f )]2 2M (f )M (g) [M (g)]2 = D2 (f ) + D2 (g) .
Observatia 4.2.7. Variabila aleatoare f M (f ) care intervine n definitia
dispersiei se numesp
te abaterea lui f. Daca D2 (f ) desemneaza dispersia lui
f , atunci D(f ) := D2 (f ) se numeste abaterea standard.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

4.3

145

Inegalit
ati remarcabile

Teorema 4.3.1. (Inegalitatea lui Markov). Fie f o variabila aleatoare


care ia doar valori pozitive. Atunci
P (f a)

M (f )
, ()a > 0 .
a

Demonstratie. Fie B := { : f () a}. Atunci


Z
Z
Z
Z
aP (B) = a B dP = adP f dP f dP = M (f ) ,

ceea ce trebuia demonstrat.


Exemplul 4.3.2. Fie f o variabila aleatoare care ia doar valori pozitive astfel
ncat M (f ) = 1. Sa se arate ca
P (f < 5)

4
.
5

Solutie. Aplicam inegalitatea lui Markov pentru a = 5. Avem


P (f 5)

1
.
5

Prin urmare
P (f < 5) = 1 P (f 5) 1

1
4
= .
5
5

Teorema 4.3.3. (Inegalitatea lui Ceb


asev).
P (| f M (f ) | a)

D2 (f )
, ()a > 0 .
a2

Demonstratie. Fie B := { : | f M (f ) | a}. Atunci


Z
Z
Z
2
2
2
a P (B) = a
B dP = a dP [f M (f )]2 dP

[f M (f )]2 dP = M [(f M (f ))2 ] = D2 (f ) ,

ceea ce trebuia demonstrat.

146

CAPITOLUL 4. CARACTERISTICI NUMERICE

Exemplul 4.3.4. Sa se arate ca o variabila aleatoare f avand M (f ) = 50 si


D2 (f ) = 2 verifica relatia
1
.
2

P (48 < f < 52)

Solutie. Aplicam inegalitatea lui Cebasev pentru a = 2. Avem


P (| f 50 | 2)

2
.
4

Astfel
P (48 < f < 52) = P (| f 50 |< 2) = 1 P (| f 50 | 2) 1

4.4

1
1
= .
2
2

Momente de ordin superior

Definitia 4.4.1.
1. Se numeste moment de ordin n N al variabilei
aleatoare n-sumabile f valoare medie a variabilei aleatoare f n , adica
Z
n
Mn (f ) := M (f ) = f n dP ;

2. Momentul absolut de ordin n N al variabilei aleatoare n-sumabile


f se defineste prin
Z
n
| f |n dP ;
Mn (| f |) := M (| f | ) =

3. Se numeste moment centrat de ordin n N al variabilei aleatoare


f valoarea medie, daca exista, a variabilei aleatoare [f M (f )]n , adic
a
Z
n
n (f ) := M [(f M (f )) ] = (f M (f ))n dP ;

4. Momentul factorial de ordin n N al variabilei aleatoare f se


defineste, daca exista, prin
Z
[n] (f ) := M [f (f 1) (f n + 1)] = f (f 1) (f n + 1)dP .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

147

Observatia 4.4.2. M1 (f ) = M (f ) , 2 (f ) = D2 (f ).
baza corolarului 3.5.3, notand M(f )=m, avem
Observatia 4.4.3. In
Z
Mn (f ) = xn df ,
R

| x |n df ,

Mn (| f |) =
R

Z
n (f ) =

(x m)n df ,

Z
x(x 1) (x n + 1)df .

[n] (f ) =
R

Observatia 4.4.4. Aplicand teorema


 4.1.3
 obtinem ca daca f este o variabila
xi
aleatoare discreta avand distributia
, atunci
pi iI
X
xni pi ,
Mn (f ) =
iI

Mn (| f |) =

| xi |n pi ,

iI

n (f ) =

(xi m)n pi .

iI

Observatia 4.4.5. Folosind corolarul 4.1.6, n cazul n care f este o variabila


aleatoare absolut continua avand densitatea de repartitie , avem
Z
Mn (f ) =

xn (x)dx ,

Z
Mn (| f |) =

| x |n (x)dx ,

Z
n (f ) =

(x m)n (x)dx .

148

CAPITOLUL 4. CARACTERISTICI NUMERICE

Teorema 4.4.6. (Inegalitatea lui H


older). Fie f,g doua variabile aleatoare
r
s
astfel ncat f L si g L , unde r > 1 si 1r + 1s = 1. Atunci
M (| f g |) [Mr (| f |)]1/r [Ms (| g |)]1/s .
Demonstratie. Se obtine din teorema 3.7.4.
Corolar 4.4.7. (Inegalitatea lui Cauchy-Schwarz). Fie f, g L2 dou
a
variabile aleatoare. Atunci
M (| f g |) [M2 (| f |)]1/2 [M2 (| g |)]1/2 .
Teorema 4.4.8. (Inegalitatea lui Minkowski). Fie f, g Lr doua variabile aleatoare, unde r 1. Atunci
[Mr (| f + g |)]1/r [Mr (| f |)]1/r + [Mr (| g |)]1/r .
Demonstratie. Se obtine din teorema 3.7.6.

4.5

Median
a, cuantil
a, mod

Definitia 4.5.1. Se numeste median


a a unei variabile aleatoare f un numar
real notat x1/2 (f ) pentru care
P (f x1/2 (f ))

1
1
si P (f x1/2 (f )) .
2
2

Obsevatia 4.5.2. Remarcam ca un numar real cu proprietatile de mai sus


exista ntotdeauna, dar s-ar putea ca sa nu fie unic, asa cum arata exemplul
urmator.
Exemplul 4.5.3. Se considera experienta aruncarii unei monede. Fie
= {1 , 2 } multimea evenimentelor elementare si f : R astfel nc
at
f (1 ) = 0, f (2 ) = 1. Variabila aleatoare f are distributia


0
1
.
1/2 1/2
Atunci, ()x (0, 1), avem P (f x) = 12 si P (f x) =
din intervalul (0, 1) este valoare mediana pentru f.

1
2

si astfel orice x

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

149

Propozitia 4.5.4. Numarul x1/2 (f ) este mediana a variabilei aleatoare f


daca si numai daca
F (x1/2 (f ) + 0)

1
1
si F (x1/2 (f )) .
2
2

Demonstratie. Conform definitiei x1/2 (f ) este mediana a variabilei aleatoare


f daca si numai daca
P (f x1/2 (f ))

1
1
si P (f x1/2 (f )) .
2
2

Dar
P (f x1/2 (f )) = F (x1/2 (f ) + 0) .
Apoi
P (f x1/2 (f )) = 1 P (f < x1/2 (f )) = 1 F (x1/2 (f )) .
Deci
P (f x1/2 (f ))

1
1
1
1 F (x1/2 (f )) F (x1/2 (f )) .
2
2
2

Observatia 4.5.5. Daca f este o variabila aleatoare absolut continua avand


densitatea de repartitie , atunci x1/2 (f ) este acel numar pentru care dreapta
x = x1/2 (f ) mparte suprafata cuprinsa ntre axa 0x si curba de ecuatie
y = (x) n doua parti de arii egale.
Intr-adevar, daca f este o variabila aleatoare absolut continua atunci F este
continua si deci F (x1/2 (f ) + 0) = F (x1/2 (f )). Din propozitia precedenta
x1/2 (f )
R
R
1
(t)dt = 21 . Cum
(t)dt = 1,
vom obtine ca F (x1/2 (f )) = 2 , adica
deducem ca

R
x1/2 (f )

x1/2 (f )

(t)dt = 12 . Deci

(t)dt =

(t)dt.

x1/2 (f )

Definitia 4.5.6. Fie (0, 1). Se numeste -cuantil


a a variabilei aleatoare
f numarul real x (f ) pentru care
P (f x (f )) si P (f x (f )) 1 .
Propozitia 4.5.7. Numarul x (f ) este -cuantila pentru variabila aleatoare
f daca si numai daca
F (x (f ) + 0) si F (x (f )) .

150

CAPITOLUL 4. CARACTERISTICI NUMERICE

Demonstratie. Observam ca P (f x (f )) = F (x (f ) + 0). Apoi


P (f x (f )) = 1 P (f < x (f )) = 1 F (x (f )) .
Prin urmare
P (f x (f )) 1 1 F (x (f )) 1 F (x (f )) .
Observatia 4.5.8. Remarcam ca 21 -cuantila este tocmai mediana variabilei
aleatoare.
Observatia 4.5.9. Interes prezinta cuantilele x1/4 (f ) si x3/4 (f ) numite cuantila inferioar
a si respectiv cuantila superioar
a, pentru care uneori se utilizeaza notatia q1 si respectiv q3 .
Definitia 4.5.10. Daca f este o variabila aleatoare discreta vom numi modul
lui f acea valoare xM a lui f de probabilitate maxima.
Daca f este o variabila aleatoare absolut continua avand densitatea de repartitie
, prin modul lui f ntelegem punctul xM n care are valoarea maxima.
Exemplul 4.5.11. Sa se determine modul variabilei aleatoare f care are
distributia


1 2
3
5
.
0, 1 0, 4 0, 2 0, 3
Solutie. xM = 2.

4.6

Corelatia

Definitia 4.6.1. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ) si m, n N. Se numeste moment de ordin mn al vectorului aleator V = (f, g) valoarea medie, daca exista, a variabilei aleatoare
f m g n , adica
Mmn (V ) = M (f m g n ) .
Observatia 4.6.2.
Mm0 (V ) = M (f m ) = Mm (f ) ,
M0n (V ) = M (g n ) = Mn (g) ,
M11 (V ) = M (f g) .
Daca f si g sunt independente, atunci M11 (V ) = M (f )M (g).

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

151

Definitia 4.6.3. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ). Se numeste moment centrat de ordin mn al vectorului aleator V = (f, g) valoarea medie, daca exista, a variabilei aleatoare
(f M (f ))m (g M (g))n , adica
mn (V ) := M [(f M (f ))m (g M (g))n ] .
Observatia 4.6.4.
20 (V ) = D2 (f ) , 02 (V ) = D2 (g) .
Definitia 4.6.5. Fie f,g doua variabile aleatoare definite pe spatiul de probabilitate (, , P ). Se numeste corelatia sau covarianta variabilelor aleatoare
f si g momentul centrat 11 (V ), adica
C(f, g) := M [(f M (f ))(g M (g))] .
Observatia 4.6.6. Altfel formulat, corelatia variabilelor aleatoare f si g este
valoarea medie a produsului celor doua abateri f M (f ) si g M (g).
Teorema 4.6.7. (Propriet
ati ale corelatiei)
1. C(f, g) = M (f g) M (f )M (g).
2. Daca f si g sunt independente, atunci C(f, g) = 0.
3. C(f, f ) = D2 (f ).
Demonstratie. 1)
C(f, g) = M [(f M (f ))(gM (g))] = M [f gf M (g)gM (f )+M (f )M (g)] =
= M (f g) M (f )M (g) M (g)M (f ) + M (f )M (g) = M (f g) M (f )M (g) .
2) Daca f si g sunt independente atunci M (f g) = M (f )M (g). Folosind
punctul precedent obtinem ca C(f, g) = 0.
3) Din punctul (1) avem C(f, f ) = M (f 2 ) [M (f )]2 = D2 (f ).
Definitia 4.6.8. Doua variabile aleatoare se numesc necorelate daca
C(f, g) = 0.

152

CAPITOLUL 4. CARACTERISTICI NUMERICE

Observatia 4.6.9. Teorema precedenta ne spune ca daca variabilele aleatoare


f si g sunt independente atunci ele sunt necorelate. Reciproca nu este n general adevarata, asa cum arata exemplul 4.1.10, unde avem doua variabile
aleatoare f si g care sunt dependente, desi C(f, g) = M (f g)M (f )M (g) = 0.
Definitia 4.6.10. Se numeste coeficient de corelatie al variabilelor aleatoare f si g nedegenerate (D(f ) 6= 0, D(g) 6= 0) raportul
r(f, g) =

C(f, g)
.
D(f )D(g)

Teorema 4.6.11. (Propriet


ati ale coeficientului de corelatie)
plus | r(f, g) |= 1 daca si numai daca ()a R , b R
1. | r(f, g) | 1. In
astfel ncat g = af + b a.s.
2. Daca f si g sunt independente, atunci r(f, g) = 0.
Demonstratie. 1) Fie fc abaterea lui f , adica variabila aleatoare f M (f )
si gc abaterea lui g. Atunci
M (fc + tgc )2 0 , ()t R .
Deci
M (fc2 + 2tfc gc + t2 gc2 ) 0 , ()t R ,
adica
M (fc2 ) + 2tM (fc gc ) + t2 M (gc2 ) 0 , ()t R .
Dar acest trinom de grad doi are semn pozitiv pentru orice t R daca si
numai daca 0 0. Cum
0 = [M (fc gc )]2 M (fc2 )M (gc2 ) = [C(f, g)]2 D2 (f )D2 (g) ,
obtinem ca
[C(f, g)]2 D2 (f )D2 (g) ,
adica
| C(f, g) | D(f )D(g) ,
de unde avem ca | r(f, g) | 1.
Apoi, daca | r(f, g) |= 1, obtinem ca 0 = 0 si deci ecuatia
M (fc2 ) + 2tM (fc gc ) + t2 M (gc2 ) = 0

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

153

are o radacina reala t0 . Sa mai notam ca t0 6= 0, caci n caz contrar ar rezulta


ca M (fc2 ) = 0, adica D2 (f ) = 0 si f ar fi degenerata. Atunci M (fc +t0 gc )2 = 0
si deci
Z
(fc + t0 gc )2 dP = 0 ,

de unde avem ca fc + t0 gc = 0 a.s.


Prin urmare
f M (f ) + t0 (g M (g)) = 0 a.s. g =

f
M (f )
+
+ M (g) a.s.
t0
t0

)
+ M (g), obtinem ca g = af + b a.s.
Notand a = t10 si b = Mt(f
0
Reciproc, daca g = af + b a.s. cu a 6= 0, avem ca M (g) = aM (f ) + b. Atunci
g M (g) = a(f M (f )) a.s. Prin urmare

D2 (g) = M [(g M (g))2 ] = M [a2 (f M (f ))2 ] = a2 D2 (f ) .


Deci D(g) =| a | D(f ). Apoi
C(f, g) = M [(f M (f ))(g M (g))] = aM [(f M (f ))2 ] = aD2 (f ) .
In consecinta
r(f, g) =

aD2 (f )
C(f, g)
=
= 1 .
D(f )D(g)
| a | D2 (f )

2) Rezulta imediat din punctul (2) al teoremei precedente.


Exemplul 4.6.12. Se considera variabilele aleatoare discrete f si g avand
distributiile




1 1
0
1
f:
, g:
.
1/4 3/4
1/3 2/3
Sa se determine constanta A = P (f = 1, g = 0) stiind ca g = af + b a.s.
Solutie. Vom determina n functie de A coeficientul de corelatie al variabilelor
f si g. Observam ca
M (f ) = (1)

1
2
1
1
3
3
+ 1 = , M (g) = 0 + 1 = .
3
3
3
4
4
4

154

CAPITOLUL 4. CARACTERISTICI NUMERICE

Apoi
  
1
1
1
f :
=
.
1/3 2/3
1


0
1
2
2
Astfel M (f ) = 1. Cum g :
, avem M (g 2 ) = 34 . Deci
1/4 3/4

1
8
2
2
, D(f ) =
,
D2 (f ) = M (f 2 ) [M (f )]2 = 1 =
9
9
3

3
9
3
3
2
2
2
D (g) = M (g ) [M (g)] =
=
, D(g) =
.
4 16
16
4
Pentru a determina r(f, g) mai avem nevoie sa stim M (f g). Pentru aceasta
vom scrie mai ntai distributia vectorului aleator V = (f, g).
2

0
f \g
-1
A
1
1/4 A
P (g = y)
1/4

1
1/3 A
5/12 + A
3/4

P (f = x)
1/3
.
2/3

Atunci f g are distributia



 

1 0 1 1
10
11
1
0
1
=
.
A
1/3 A 1/4 A 5/12 + A
1/3 A 1/4 5/12 + A
Deci

M (f g) = (1)




1
5
1
1
A +0 +1
+ A = 2A +
.
3
4
12
12

Atunci
C(f, g) = M (f g) M (f )M (g) = 2A +

1
1 3
1
= 2A .
12 3 4
6

In concluzie
r(f, g) =

2A 1
C(f, g)
12A 1
= 6 =
.
2 2
3
D(f )D(g)
6

3
4

In baza teoremei precedente, conditia g = af + b a.s. revine la r(f, g) = 1.

Daca r(f, g) = 1, obtinem ca A = 1+12 6 . Dar 41 A = P (f = 1, g = 0) si

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

155

deci 14 A 0, adica A 14 . Constanta A gasita nu ndeplineste aceasta


conditie.

Daca r(f, g) = 1 obtinem ca A = 112 6 . Constanta A gasita este negativa,


ceea ce este n contradictie cu faptul ca ea reprezinta probabilitatea unui
eveniment.
In concluzie nu exista o constanta A pentru care g = af + b a.s.
Teorema 4.6.13. Daca f1 , f2 , , fn sunt variabile aleatoare atunci
D

n
X

!
fi

n
X

i=1

D2 (fi ) +

i=1

C(fi , fj ) .

i6=j

plus, daca f1 , f2 , , fn sunt necorelate (n particular independente), atunci


In
D

n
X

!
fi

i=1

n
X

D2 (fi ) .

i=1

Demonstratie.
D2

n
X

!
fi

=M

n
X

i=1

n
X

fi M

i=1

=M

n
X

!!2
fi

i=1

!2
(fi M (fi ))

i=1

"
=M

n
X

#
(fi M (fi ))2 +

i=1

(fi M (fi ))(fj M (fj ))

i6=j

n
X
i=1

D2 (fi ) +

C(fi , fj ) .

i6=j

Exemplul 4.6.14. (Problema scrisorilor). Un numar de n scrisori se


plaseaza n n plicuri. Fie f variabila aleatoare care da numarul total de
scrisori plasate corect. Sa se calculeze valoarea medie si dispersia acesteia.

156

CAPITOLUL 4. CARACTERISTICI NUMERICE

Solutie. Pentru fiecare scrisoare i consideram variabila aleatoare fi care ia


valoarea 1 si 0, dupa cum scrisoarea este plasata corespunzator sau nu. Prin
urmare fi are distributia


0 1
.
1
n1
n

Observam ca f = f1 + f2 + + fn . Atunci
M (f ) =

n
X

M (fi ) =

i=1

Apoi, fi2 are distributia

n1
n

1
n

n
X
1
=1.
n
i=1

si deci M (fi2 ) = n1 . Atunci


D2 (fi ) = M (fi2 ) [M (fi )]2 =

1
1
n1
2 =
.
n n
n2

Pentru a afla corelatia variabilelor aleatoare fi si fj avem nevoie de distributia


variabilei fi fj . Observam ca


0 1
fi fj :
,
p q
unde q este probabilitatea ca atat scrisoarea i cat si scrisoarea j sa fie plasate
corect. Deci
1
1
q= 2 =
.
An
n(n 1)
Atunci
M (fi fj ) =

1
.
n(n 1)

Deci
C(fi , fj ) = M (fi fj ) M (fi )M (fj ) =

1
1 1
1
= 2
.
n(n 1) n n
n (n 1)

Prin urmare
2

D (f ) = D

n
X
i=1

!
fi

n
X
i=1

D2 (fi ) +

X
i6=j

C(fi , fj ) =

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

n
X
n1
i=1

n2

X
i6=j

157

n1
1
1
=n
=1.
+ n(n 1) 2
2
1)
n
n (n 1)

n2 (n

Definitia 4.6.15. Fie V = (f1 , f2 , , fn ) : Rn un vector aleator. Se


numeste matricea de covariant
a a lui V matricea V = [C(fi , fj )]ni,j=1 .
Definitia 4.6.16. O matrice A = (aij ) Mn (R) se numeste pozitiv definit
a
daca este simetrica (aij = aji , ()i, j {1, 2, , n}) si pentru orice numere
reale a1 , , an avem
n
X
aij ai aj 0 .
i,j=1

Propozitia 4.6.17. Matricea de covarianta a unui vector aleator este pozitiv


definita.
Demonstratie. Evident
a. Cum D2 (fi ) = C(fi , fi ), din
V n este simetric
n
P
P
teorema 4.6.13, avem D2
fi =
C(fi , fj ). Atunci
i=1
n
X
i,j=1

4.7

ai aj C(fi , fj ) =

n
X

i,j=1

C(ai fi , aj fj ) = D2

i,j=1

n
X

!
ai f i

0.

i=1

Functia caracteristic
a

Definitia 4.7.1. Fie (, , P ) un spatiu de probabilitate. Se numeste variabil


a aleatoare complex
a o functie h : C de forma h = f + ig unde f
si g sunt variabile aleatoare reale. Valoarea medie a lui h este, daca exista,
numarul complex M (h) := M (f ) + iM (g).
particular, daca f este o variabila aleatoare reala si
Observatia 4.7.2. In
t R, atunci putem construi variabila aleatoare complexa
eitf = cos tf + i sin tf .
Cum | cos tf | si | sin tf | sunt marginite, obtinem ca exista M (| cos tf |)
si M (| sin tf |). Prin urmare, pentru f o variabila aleatoare reala si t R
putem defini un moment special
f (t) := M (eitf ) = M (cos tf ) + iM (sin tf ) .

158

CAPITOLUL 4. CARACTERISTICI NUMERICE

Definitia 4.7.3. Se numeste functie caracteristic


a a variabilei aleatoare
reale f aplicatia
f : R C ,
Z
itf
f (t) := M (e ) = eitf dP .

Observatia 4.7.4. Daca notam cu f repartitia de probabilitate a variabilei


aleatoare f, atunci, aplicand corolarul 3.5.3, avem
Z
itf
f (t) = M (e ) = eitx df .
R

Definitia 4.7.5. Aplicatia


Z
f : R C ,

f (t) =

eitx df

se mai numeste transformata Fourier a repartitiei de probabilitate f .


Propozit

 ia 4.7.6. Daca f este o variabila aleatoare discreta avand distributia
xi
, atunci
pi iI
f (t) =

eitxi pi =

iI

pi cos txi + i

iI

pi sin txi .

iI

Demonstratie. Rezulta din teorema 4.1.3.


Definitia 4.7.7. Doua variabile aleatoare reale f si g se numesc identic
distribuite daca f = g . Daca variabilele aleatoare {f1 , f2 , , fn } sunt
independente si au aceeasi repartitie de probabilitate, ele vor fi numite independente si identic distribuite si vom nota i.i.d.
Observatia 4.7.8. Daca f = g atunci f = g .
Teorema 4.7.9. (Propriet
ati ale functiei caracteristice).
1. f (0) = 1.
2. | f (t) | 1 , ()t R.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

159

3. f este uniform continua.


4. af +b (t) = eitb f (at) , ()a, b R.
5. f (t) = f (t).
6. Daca f, g sunt independente, atunci f +g (t) = f (t)g (t).
7. Daca {f1 , f2 , , fn } sunt i.i.d., atunci
n
P
(t) = (f1 (t))n .

fi

i=1

Demonstratie. (1) f (0) = M (ei0f ) = M (1) = 1.


(2) | f (t) |=| M (eitf ) | M (| eitf |) = 1.
(3) Observam ca
| f (t1 ) f (t2 ) |=| M (eit1 f ) M (eit2 f ) |=| M (eit1 f eit2 f ) |=
=| M (eit2 f (ei(t1 t2 )f 1)) | M | eit2 f (ei(t1 t2 )f 1) |= M | ei(t1 t2 )f 1 | .
Cum functia exponentiala este continua, obtinem ca functia f este uniform
continua.
(4) af +b (t) = M (eit(af +b) ) = M (eiatf eitb ) = eitb M (eiatf ) = eitb f (at).
(5) Evident M (f ) = M (f ). Atunci
f (t) = M (eitf ) = M (eitf ) = M (eitf ) = f (t) .
(6) f +g (t) = M (eit(f +g) ) = M (eitf eitg ) = M (eitf )M (eitg ) = f (t)g (t).
(7) Cum {f1 , f2 , , fn } sunt independente, din punctul precedent obtinem
ca
n
P
(t) = f1 (t)f2 (t) fn (t) .
fi

i=1

Variabilele aleatoare {f1 , f2 , , fn } fiind identic distribuite avem ca


f1 = f2 = = fn . Astfel
n
P
(t) = (f1 (t))n ,

fi

i=1

ceea ce trebuia demonstrat.

160

CAPITOLUL 4. CARACTERISTICI NUMERICE

Lema 4.7.10.
Z
(1)

sin x

dx =
x
2

(2)

Z
(3)

sin x

dx = sign() ;
x
2

1 cos x

dx =
2
x
2

(4)

1 cos x

dx = | | .
2
x
2

Demonstratie. 1) Consideram R functia f (x, y) = exy sin x definita pe


A = (0, ) (0, ). Calculam f (x, y)dxdy, aplicand teorema lui Fubini.
A

Astfel

Z
f (x, y)dxdy =

=
0

sin x
0

exy dy dx =



1 xy
sin x e
dx =
x
0

 
Z
1
sin x
dx .
sin x
dx =
x
x

Pe de alta parte

Z Z
f (x, y)dxdy = exy sin xdx dy .

Vom calcula I =

exy sin xdx, aplicand de doua ori formula de integrare

prin parti. Prin urmare


1
1
I = exy sin x |
0 +
y
y

xy

1
cos xdx =
y

exy cos xdx =

1 1 xy
1
e
cos x |
0
y
y
y

exy sin xdx .

Astfel

1
I=
y

1 1
I
y y


I=

1
1
(1 I) I =
.
2
y
1 + y2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Revenind

Z
f (x, y)dxdy =

161

.
dy = arctg y |
0 =
2
1+y
2

In concluzie

sin x

dx = .
x
2

2) Pentru = 0 egalitatea este evidenta. Daca > 0, vom face schimbarea


de variabila x = u. Obtinem
Z

sin x
dx =
x

sin x
dx =
x

sin u
du = .
u
2

Daca < 0, fie = . Avem


Z
0

sin x
dx =
x

sin x

dx = .
x
2

3) Consideram functia
1
sin y
x2
Rdefinita pe multimea A = {(x, y) (0, ) (0, ) : y < x}. Calculam
f (x, y)dxdy, aplicand teorema lui Fubini. Astfel
f (x, y) =

Z Zx
1
sin ydy dx =
f (x, y)dxdy =
x2
0

Z
=

1
( cos y) |x0 dx =
x2

1 cos x
dx .
x2

Pe de alta parte
Z
A

Z Z
1
f (x, y)dxdy =
sin ydx dy =
x2
0

162

CAPITOLUL 4. CARACTERISTICI NUMERICE

Z
=
0



Z
sin y
1

sin y
dy =
dy = ,
x y
y
2
0

unde, n ultima egalitate, am aplicat punctul (1). In concluzie


Z

1 cos x

dx = .
2
x
2

4) Daca = 0, egalitatea este evidenta. Daca > 0, vom face schimbarea


de variabila x = u. Obtinem
Z

1 cos x
dx =
x2

1 cos x
dx =
2 x2

1 cos u
du = .
2
u
2

Pentru < 0 consideram = . Atunci


Z

1 cos x
dx =
x2

1 cos x
dx = = | | .
2
x
2
2

Teorema 4.7.11. (Teorema de inversiune a lui Fourier). Fie f o variabila aleatoare, F functia ei de repartitie si functia ei caracteristica. Dac
a
x1 < x2 , atunci
1
1
1
f (x1 , x2 ) + f ({x1 }) + f ({x2 }) = lim
T 2
2
2

ZT

eitx1 eitx2
(t)dt .
it

particular, daca F este continua n punctele x1 si x2 , obtinem


In
1
F (x2 ) F (x1 ) = lim
T 2

ZT

eitx1 eitx2
(t)dt .
it

Demonstratie. Fie
1
g(T, x1 , x2 ) =
2

ZT
T

eitx1 eitx2
(t)dt ,
it

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

1
h(T, x, x1 , x2 ) =
2

ZT

163

eit(xx1 ) eit(xx2 )
dt .
it

Prin aplicarea teoremei lui Fubini vom obtine ca

T
Z
Z
Z it(xx1 )
it(xx2 )
e
e
dt df (x) =
h(T, x, x1 , x2 )df (x) =
2it
R

ZT
=

it(xx1 )

it(xx2 )

e
2it

df (x) dt =

ZT
Z
Z
1 eitx eitx1 df (x) eitx eitx2 df (x) dt =
=
2it
T

ZT
=


1 
(t)eitx2 (t)eitx2 dt =
2it

ZT

1
=
2

eitx1 eitx2
(t)dt = g(T, x1 , x2 ) .
it

Dar
1
h(T, x, x1 , x2 ) =
2i

ZT

eit(xx1 ) eit(xx2 )
dt =
t

1
=
2i

ZT

cos t(x x1 ) + i sin t(x x1 ) cos t(x x2 ) i sin t(x x2 )


dt =
t

1
=
2i

ZT

1
cos t(x x1 )
dt +
t
2

2i

ZT
T

ZT

sin t(x x1 )
dt
t

cos t(x x2 )
1
dt
t
2

ZT
T

sin t(x x2 )
dt =
t

164

CAPITOLUL 4. CARACTERISTICI NUMERICE

1
=

ZT

sin t(x x1 )
1
dt
t

ZT

sin t(x x2 )
dt ,
t

i)
unde, n ultima egalitate, am folosit faptul ca functia cos t(xx
este impara
t
sin t(xxi )
si
este o functie para. Acum vom trece la limita pentru T ,
t
aplicand lema precedenta. Obtinem

lim h(T, x, x1 , x2 ) =

1
1
sign(x x1 ) sign(x x2 ) =
2
2

1
= [sign(x x1 ) sign(x x2 )] .
2

0 , daca x < x1

1/2 , daca x = x1
1 , daca x (x1 , x2 )
lim h(T, x, x1 , x2 ) =
T

1/2
, daca x = x2

0 , daca x > x2

Deci

si atunci
Z
1
1
lim h(T, x, x1 , x2 )df (x) = f (x1 , x2 ) + f ({x1 }) + f ({x2 }) .
T
2
2
R

In concluzie
1
lim
T 2

ZT

eitx1 eitx2
(t)dt = lim g(T, x1 , x2 ) =
T
it

Z
= lim

Z
h(T, x, x1 , x2 )df (x) =

T
R

lim h(T, x, x1 , x2 )df (x) =

T
R

1
1
= f (x1 , x2 ) + f ({x1 }) + f ({x2 }) ,
2
2
unde intervertirea limitei cu integrala a fost permisa n baza teoremei convergentei dominate a lui Lebesque. In particular, cand x1 si x2 sunt puncte
de continuitate pentru F , vom avea ca f ({x1 }) = 0, f ({x2 }) = 0 si
f (x1 , x2 ) = F (x2 ) F (x1 ), relatii care conduc la egalitatea dorita.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

165

Teorema 4.7.12. Fie f o variabil


R a aleatoare, F functia ei de repartitie si
functia ei caracteristica. Daca (t)dt < atunci F este derivabila si
R

1
F (x) =
2
0

eitx (t)dt .

Demonstratie. Vom arata mai ntai ca ({x}) = 0 , ()x R, ceea ce


arata ca F este continua n fiecare punct. Pentru aceasta, aplicam teorema
precedenta punand x1 = x si x2 = x + h, unde h > 0. Obtinem
Z itx
1
1
1
e
eit(x+h)
f (x, x + h) + f ({x}) + f ({x + h}) =
(t)dt .
2
2
2
it
R

Dar

x+h
Z
1 ity x+h eitx eit(x+h)
ity
e dy = e
|x =
.
it
it
x

Deci
x+h

x+h
x+h
Z

itx
Z
Z
it(x+h)


e

e
ity
ity
=

e dy
|e
| dy =
1dy = h .


it


x

Atunci


Z itx


Z itx
it(x+h)
it(x+h)
1

e

1
e

e



dt
(t)dt
(t)
2
2

it
it


R

Z
R

Cum

h
h(t)dt =
2

Z
(t)dt .
R

(t)dt < , trecand la limita n inegalitatea de mai sus pentru h 0,

obtinem
1
lim
h0 2

eitx eit(x+h)
(t)dt = 0 .
it

Astfel



1
1
lim f (x, x + h) + f ({x}) + f ({x + h}) = 0
h0
2
2

166

CAPITOLUL 4. CARACTERISTICI NUMERICE

si deci f ({x}) = 0.
Cum F este continua peste tot, teorema precedenta ne ofera relatia
Z itx
1
e
eit(x+h)
F (x + h) F (x) =
(t)dt .
2
it
R

Atunci
1
F (x + h) F (x)
=
h
2

eitx (1 eith )
(t)dt .
ith

Z
R

Trecand la limita pentru h 0, obtinem


Z
1
0
F (x) =
eitx (t)dt .
2
R

Corolarul 4.7.13.
Daca f este o variabila aleatoare si functia ei caracterisR
tica satisface (t)dt < , atunci f este absolut continua avand densitatea
de repartitie

1
(x) =
2

eitx (t)dt .

Demonstratie. Conform teoremei precedente F este derivabila. Cum, eviRx 0


dent, F (x) =
F (y)dy, obtinem ca f este absolut continua avand densi

tatea de repartitie
1
(y) = F (y) =
2
0

eity (t)dt .

Exemplul 4.7.14. Fie f o variabila aleatoare avand functia caracteristic


a
(t) = e|t| . Sa se arate ca f este absolut continua si sa se determine densitatea ei de repartitie.
Solutie. Avem
Z0

Z
(t)dt =
R

e dt +

et dt = et |0 et |
0 = 2 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

167

In baza corolarului precedent f este absolut continua si admite densitatea de


repartitie
Z
1
(x) =
eitx (t)dt .
2
R

Deci
1
(x) =
2

Z
e

itx |t|

1
dt =
2

Z0
e

1
e dt +
2

itx t

eitx et dt .

In prima integrala facem schimbarea de variabila t = u si aceasta devine


Z0

eitx et dt =

Z0

eiux eu (du) =

eiux eu du =

eitx et dt .

Revenind obtinem
1
(x) =
2

Z
Z
1
itx t
itx t
(e e + e e )dt =
et (eitx + eitx )dt =
2
0

1
=
2

1
e 2 cos txdt =

Fie I =

et cos txdt .

et cos txdt. Aplicam de doua ori formula de integrare prin parti.

Atunci
I = e

cos tx

|
0

Z
x

et sin txdt =

= 1 x et sin tx |
0 +x

et cos txdt .

Deci
I = 1 x2 I I =

1
.
1 + x2

168

CAPITOLUL 4. CARACTERISTICI NUMERICE

In final avem

1
1

.
1 + x2
Astfel este densitatea de repartitie a variabilei aleatoare Cauchy (vezi
exemplul 2.7.8).
(x) =

Definitia 4.7.15. Fie f o variabila aleatoare discreta care ia valori n multimea


numerelor naturale N. Se numeste functie generatoare a lui f aplicatia
Gf : D(0, 1) C ,
Gf (z) =

pk z k ,

k=0

unde pk = P (f = k) , k N, iar D(0, 1) = {z C : | z | 1}.


Propozitia 4.7.16. Gf (z) = f (t) pentru z = eit .



xi
Demonstratie. Daca f este o variabila aleatoare ce are distributia
,
pi iI
P itxi
atunci functia ei caracteristica este f (t) =
e pi . In cazul particular, n
iI

care f ia valori numere naturale, obtinem f (t) =


Avem f (t) =

eitk pk . Notam eit = z.

k=0

z k pk = Gf (z).

k=0

4.8

Media conditionat
a

Definitia 4.8.1. Fie (, , P ) un spatiu de probabilitate si A cu


P (A) 6= 0. Fie PA probabilitatea conditionata a evenimentului A. Fie f o
variabila aleatoare integrabila. Se numeste media conditionat
a a variabilei f de evenimentul A numarul
Z
M [f |A] := f dPA .

Teorema 4.8.2.

1
M [f |A] =
P (A)

Z
f dP .
A

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

169

Demonstratie. Presupunem ca f este o functie etajata pozitiva avand expren


P
sia f =
xi Ai . Atunci
i=1

M [f |A] =

n
X

xi PA (Ai ) =

i=1

n
X

xi

i=1

P (A Ai )
=
P (A)

1 X
1
=
xi P (A Ai ) =
P (A) i=1
P (A)

Z
f dP .
A

Daca f este o functie masurabila pozitiva, alegem (sn ) un sir crescator


de functii etajate si pozitive convergent la f . Atunci, aplicand teorema
convergentei monotone, avem
Z
Z
sn dPA =
M [f |A] = f dPA = lim
n

1
= lim
n P (A)

1
lim
sn dP =
P (A) n

1
sn dP =
P (A)

Z
f dP .
A

Pentru f o variabila aleatoare arbitrara aplicam rezultatul precedent pentru


f + si f si scadem relatiile obtinute.
Teorema 4.8.3. Daca {Ai }iI formeaza o partitie a evenimentului A, unde
I finita sau numarabila, atunci
P
P (Ai )M [f |Ai ]
iI
P
.
M [f |A] =
P (Ai )
iI

Demonstratie. Avem

R
A

f dP =

PR

f dP . De aici rezulta ca

iI Ai

P (A) M [f |A] =

P (Ai )M [f |Ai ] .

iI

Deci

P
M [f |A] =

Cum P (A) =

P
iI

P (Ai )M [f |Ai ]

iI

P (A)

P (Ai ), se obtine egalitatea dorita.

170

CAPITOLUL 4. CARACTERISTICI NUMERICE

Teorema 4.8.4. (Formula mediei totale). Daca {Ai }iI formeaza o


partitie a evenimentului sigur atunci
X
M [f ] =
P (Ai )M [f |Ai ] .
iI

Demonstratie. Aplicam teorema precedenta pentru A = .


Definitia 4.8.5. Fie V = (f, g) un vector aleator discret. Fie Ef , Eg multimile
valorilor variabilelor marginale f si respectiv g. Definim media conditionat
a
a lui f de valoarea y Eg luat
a de g prin
X
M [f |g = y] :=
x pf |g=y (x) .
xEf

Definim media conditionat


a a lui g de valoarea x Ef luat
a de f prin
X
M [g|f = x] :=
y pg|f =x (y) .
yEg

Obsevatia 4.8.6. Cum pf |g=y (x) =


M [f |g = y] =

pV (x,y)
,
pg (y)

obtinem ca

1 X
pV (x, y) .
pg (y) xE
f

Astfel M [f |g = y] este de fapt media conditionata a variabilei f de evenimentul A = {g = y}.




xi
Observatia 4.8.7. Daca notam
distributia lui f, atunci media
pi iI
conditionata definita mai sus poate fi privita drept valoarea medie a variabilei
aleatoare discrete


xi
.
pf |g=y (xi ) iI
Vom nota aceasta variabila f |g = y.
Exemplul 4.8.8. Considerand vectorul aleator V = (f, g) din exemplul 2.8.3
sa se calculeze M [f |g = 2].
Solutie. M [f |g = 2] = 1 0, 4 + 2 0 + 3 0, 1 + 4 0, 5 = 2, 7.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

171

Teorema 4.8.9. (Formula mediei totale)


X
M (f ) =
pg (y) M [f |g = y] .
yEg


yj
Demonstratie. Fie
distributia variabilei aleatoare g. Aplicam
qj jJ
teorema 4.8.4 pentru Aj = {g = yj }.
Definitia 4.8.10. Se numeste media conditionat
a a variabilei aleatoare
f de variabila aleatoare g variabila aleatoare discreta, notata M [f |g],
avand distributia


M [f |g = yj ]
.
qj
jJ
Teorema 4.8.11. (Formula mediei totale)
M [f ] = M [M [f |g]] .
Definitia 4.8.12. Fie V = (f, g) un vector aleator absolut continuu. Definim
media conditionat
a a lui g de valoarea x luat
a de f prin
Z
M [g|f = x] :=

yg|f =x (y)dy .

Definim media conditionat


a a lui f de valoarea y luat
a de g prin
Z
M [f |g = y] :=

xf |g=y (x)dx .

Exemplul 4.8.13. Pentru vectorul aleator V = (f, g) din exemplul 2.8.7 sa


se calculeze M [g|f = x].
Solutie.
Z
M [g|f = x] =

Z1
yg|f =x (y)dy =

x2


1
2y
2
y3
2 1 x6
y
dy
=

.
1 x4
1 x 4 3 x2
3 1 x4

172

CAPITOLUL 4. CARACTERISTICI NUMERICE

Teorema 4.8.14. (Formula mediei totale)


M [f ] = M [M [f |g]] .
Demonstratie.
Z
M [M [f |g]] =

M [f |g = y]g (y)dy =

Z Z
Z Z
xf |g=y (x)dx g (y)dy =
xf |g=y (x)g (y)dxdy =
=

Z
=

V (x, y)dy dx =

xf (x)dx = M [f ] .

Exemplul 4.8.15. Considerand vectorul V = (f, g) din exemplul 2.8.7 s


a
se calculeze M [g] n doua moduri.
Solutia 1. Am vazut ca g (y) = 72 y 5/2 , pentru y [0, 1] si g (y) = 0 n rest.
Atunci
Z
M [g] =

Z1
yg (y)dy =


1
7
7 5/2
7 y 9/2
= .
y y dy =

2
2 9/2 0 9

Solutia 2.
Z
M [g|f = x]f (x)dx =

M [g] = M [M [g|f ]] =

Z1
=
1

2 1 x6 21 2
7

x (1 x4 )dx =
4
3 1x
8
4

Z1
1


1
7 x3 x9
7
(x x )dx =

= .
4 3
9 1 9
2

Definitia 4.8.16. Se numeste dispersia conditionat


a a variabilelor alea2
toare f si g variabila aleatoare, notata D [f |g], definita prin
D2 [f |g] = M [f 2 |g] (M [f |g])2 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

173

Teorema 4.8.17. (Formula de descompunere a dispersiei)


D2 (f ) = M [D2 [f |g]] + D2 [M [f |g]] .
Demonstratie. Observam ca




M [D2 [f |g]] = M [M [f 2 |g]] M (M [f |g])2 = M [f 2 ] M (M [f |g])2 .
Apoi




D2 [M [f |g]] = M (M [f |g])2 (M [M [f |g]])2 = M (M [f |g])2 [M [f ]]2 .
Adunand egalitatile obtinute avem
M [D2 [f |g]] + D2 [M [f |g]] = M [f 2 ] [M [f ]]2 = D2 (f ) .

174

CAPITOLUL 4. CARACTERISTICI NUMERICE

Capitolul 5
Repartitii probabilistice clasice
5.1

Repartitia binomial
a

fiecare din
Teorema 5.1.1. Se efectueaza n experiente independente. In
ele un eveniment A se realizeaza cu probabilitatea p si nu se realizeaza cu
probabilitatea q = 1p. Atunci probabilitatea ca evenimentul A sa se realizeze
de exact k ori este
Pk,n = Cnk pk q nk .
Demonstratie. Fie Ai - evenimentul A se realizeaza n experienta i, i = 1, n.
Fie Bk - evenimentul A se realizeaza de exact k ori.
Observam ca
Bk = (A1 A2 Ak Ak+1 An )
(A1 A2 Ank Ank+1 An ) .
Cum numarul de variante n care pot fi alese cele k experiente n care se
realizeaza evenimentul A din cele n este Cnk , obtinem ca
P (Bk ) = Cnk P (A1 A2 Ak Ak+1 An ) .
Cum experientele sunt independente, avem
P (A1 A2 Ak Ak+1 An ) = pk q nk .
Deci P (Bk ) = Cnk pk q nk .
175

176

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Exemplul 5.1.2. Se arunca un zar de 10 ori. Sa se determine probabilitatea


ca fata cu 4 puncte sa apara de exact 3 ori.


1 3 5 7
3
.
Solutie. C10
6
6
Observatia 5.1.3. Probabilitatile Pk,n = Cnk pk q nk au forma termenilor din
dezvoltarea binomului
n

(p + q) =

n
X

Cnk pk q nk

k=0

si din acest motiv aceasta schema se numeste schema binomiala. Ea a fost


cercetata n mod deosebit de catre Bernoulli.
Definitia 5.1.4. Se numeste variabil
a aleatoare binomial
a si se noteaz
a
Bi(n, p), variabila aleatoare care are distributia


0
1
2

k
n
.
q n Cn1 pq n1 Cn2 p2 q n2 Cnk pk q nk pn
Teorema 5.1.5.
M [Bi(n, p)] = np ;
D2 [Bi(n, p)] = npq .
Demonstratia I. Avem
n

(px + q) =

n
X

Cnk pk xk q nk .

k=0

Derivam aceasta egalitate n raport cu x si obtinem


n1

n(px + q)

p=

n
X

kCnk pk xk1 q nk .

k=0

Pentru x = 1, cum p + q = 1, avem


np =

n
X

kCnk pk q nk .

k=0

Deci
M [Bi(n, p)] =

n
X
k=0

k Pk,n =

n
X
k=0

kCnk pk q nk = np .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Observam ca Bi2 (n, p) are distributia



n
k2
.
Cnk pk q nk k=0
Atunci
2

M [Bi (n, p)] =

n
X

k 2 Cnk pk q nk .

k=0

Vom pleca iarasi de la dezvoltarea binomiala


n

(px + q) =

n
X

Cnk pk xk q nk .

k=0

Derivam n raport cu x si obtinem


n1

n(px + q)

p=

n
X

kCnk pk xk1 q nk .

k=0

Inmultim aceasta egalitate cu x si avem


npx(px + q)n1 =

n
X

kCnk pk xk q nk .

k=0

Prin derivare obtinem


np(px + q)

n1

+ npx(n 1)(px + q)

n2

p=

n
X

k 2 Cnk pk xk1 q nk .

k=0

In particular, pentru x = 1, avem


np + np(n 1)p =

n
X

k 2 Cnk pk q nk .

k=0

Deci
M [Bi2 (n, p)] = np + np2 (n 1) .
In final
D2 [Bi(n, p)] = M [Bi2 (n, p)] (M [Bi(n, p)])2 =

177

178

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

= 0np + np2 (n 1) n2 p2 = np np2 = np(1 p) = npq .


Demonstratia II. Fie fi variabila aleatoare care ia valorile 1 si 0 dupa cum
evenimentul A se realizeaza sau nu n experienta de rang i, i = 1, n. Prin
urmare fi are distributia


0 1
.
q p
Observam ca M (fi ) = p. Cum fi2 are aceeasi distributie ca si fi vom avea
M (fi2 ) = p si deci
D2 (fi ) = M (fi2 ) [M (fi )]2 = p p2 = p(1 p) = pq .
Mai notam ca variabila aleatoare care ne da numarul de realizari ale evenimentului A n cele n experiente, adica Bi(n, p), este tocmai f1 + f2 + + fn .
Atunci
M [Bi(n, p)] = M (f1 ) + M (f2 ) + + M (fn ) = np .
Cum variabilele aleatoare fi sunt independente, avem ca
D2 [Bi(n, p)] = D2 (f1 ) + D2 (f2 ) + + D2 (fn ) = npq .
Teorema 5.1.6. Functia caracteristica a variabilei aleatoare binomiale este
Bi(n,p) (t) = (peit + q)n .
Demonstratie. In general, daca f este o variabila aleatoare discreta avand
P itxi
xi
distributia
, ea are functia caracteristica f (t) =
e pi . In cazul
pi iI
iI
unei variabile aleatoare binomiale vom obtine
Bi(n,p) (t) =

n
X
k=0

eitk Cnk pk q nk =

n
X

Cnk (peit )k q nk = (peit + q)n .

k=0

Corolarul 5.1.7. Functia generatoare a variabilei aleatoare binomiale este


GBi(n,p) (z) = (pz + q)n .
Observatia 5.1.8. Cea mai buna exemplificare a repartitiei binomiale este:
se considera o urna ce contine a bile albe si b bile negre. Se extrag n bile
din urna punand dupa fiecare extragere bila extrasa napoi n urna. Atunci
a
si
probabilitatea de a extrage exact k bile albe este Cnk pk q nk , unde p = a+b

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

179

b
q = a+b
. O generalizare a repartitiei binomiale va fi: se considera o urna
ce contine a1 bile de culoarea c1 , a2 bile de culoarea c2 s.a.m.d. am bile de
culoarea cm . Se extrag n bile din urna punand dupa fiecare extragere bila
extrasa napoi n urna. Atunci probabilitatea de a obtine k1 bile de culoarea
a1 , k2 bile de culoarea c2 s.a.m.d. km bile de culoarea cm este

n!
pk1 pk22 pkmm ,
k1 !k2 ! km ! 1
unde

ai
, i = 1, m .
a1 + a2 + + am
Aceste probabilitati sunt termenii din dezvoltarea polinomului
pi =

(p1 + p2 + pm )n .
Din acest motiv aceasta repartitie se numeste repartitia multinomial
a.
Exemplul 5.1.9. Se arunca un zar de 16 ori. Sa se determine probabilitatea
ca fata cu un punct sa apara de exact 4 ori si un numar par de puncte de
exact 5 ori.
Solutie. Daca se arunca un zar probabilitatea de a obtine fata cu un punct
este p1 = 61 . Probabilitatea de a obtine un numar par este p2 = 36 = 12 ,
iar probabilitatea de a obtine fata cu 3 puncte sau fata cu 5 puncte este
p3 = 26 = 13 . Astfel probabilitatea cautata este
16!
4!5!7!

 4  5  7
1
1
1
.
6
2
3

Observatia 5.1.10. O alta exemplificare pentru repartitia binomiala este:


se considera n urne U1 , U2 , , Un cu aceeasi compozitie (a bile albe si b bile
negre). Se extrage cate o bila din fiecare urna. Atunci probabilitatea de a
b
a
extrage exact k bile albe este Cnk pk q nk , unde p = a+b
si q = a+b
.
O generalizare a repartitiei binomiale va fi: se considera n urne U1 , U2 , , Un
ce contin bile albe si negre, compozitia urnelor fiind cunoscuta, n sensul ca
probabilitatea de a extrage o bila alba din urna Ui este pi , i = 1, n. Din
fiecare urna se extrage cate o bila. Se cere probabilitatea ca exact k sa fie
albe. Raspunsul este dat n teorema urmatoare, aceasta schema fiind cunoscuta drept schema urnelor lui Poisson.

180

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Teorema 5.1.11. Se efectueaza n experiente independente. Un eveniment


A se realizeaza n experienta de rang i cu probabilitatea pi , i = 1, n si nu
se realizeaza cu probabilitatea qi = 1 pi , i = 1, n. Atunci probabilitatea ca
evenimentul A sa se realizeze de exact k ori este egala cu coeficientul lui xk
din polinomul
(p1 x + q1 )(p2 x + q2 ) (pn x + qn ) .
Demonstratie. Fie Ai - evenimentul A se realizeaza n experienta i, i = 1, n.
Fie Bk - evenimentul A se realizeaza de exact k ori n cele n experiente.
Atunci
Bk = (A1 A2 Ak Ak+1 An )
(A1 A2 Ank Ank+1 An ) .
Obtinem ca
P (Bk ) = p1 p2 pk qk+1 qn + + q1 q2 qnk pnk+1 pn .
Astfel P (Bk ) este egala cu suma tuturor produselor posibile n care p intra
de k ori cu indici diferiti si q intra de n k ori cu indici diferiti. Deci P (Bk )
este egala cu coeficientul lui xk din polinomul
(p1 x + q1 )(p2 x + q2 ) (pn x + qn ) .
Exemplul 5.1.12. Un student urmeaza sa fie examinat la 5 discipline.
Probabilitatile de promovare ale acestor examene sunt p1 = 0, 7; p2 = 0, 8;
p3 = 0, 9; p4 = 0, 75; p5 = 0, 95. Sa se determine probabilitatea ca studentul
sa promoveze exact 4 examene.
Solutie. Probabilitatea cautata este egala cu coeficientul lui x4 din polinomul
(p1 x + q1 )(p2 x + q2 )(p3 x + q3 )(p4 x + q4 )(p5 x + q5 ) ,
unde q1 = 0, 3; q2 = 0, 2; q3 = 0, 1; q4 = 0, 25; q5 = 0, 05. Astfel probabilitatea
cautata este
p1 p2 p3 p 4 q5 + p 1 p2 p3 q4 p5 + p1 p2 q3 p4 p5 + p1 q 2 p3 p 4 p5 + q 1 p2 p3 p4 p5 =
= 0, 0189 + 0, 1197 + 0, 0399 + 0, 0897 + 0, 1539 = 0, 4221 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

181

Teorema 5.1.13. Se efectueaza n experiente independente. Un eveniment


A se realizeaza n experienta de rang i cu probabilitatea pi , i = 1, n si nu se
realizeaza cu probabilitatea qi = 1 pi , i = 1, n. Fie f variabila aleatoare
care da numarul de realizari ale evenimentului A n cele n experiente. Atunci
M (f ) = p1 + p2 + + pn ;
D2 (f ) = p1 q1 + p2 q2 + + pn qn .
Demonstratie. Analog ca n demonstratia teoremei 5.1.5.

5.2

Repartitia hipergeometric
a

Asa cum am vazut n observatia 5.1.8, pentru repartitia binomiala aveam


modelul: se considera o urna ce contine a bile albe si b bile negre. Se cere
probabilitatea ca din n extrageri sa obtinem exact k bile albe, punand dupa
fiecare extragere bila napoi n urna. Daca renuntam la aceasta ultima ipoteza
ajungem la schema bilei nerevenite.
Teorema 5.2.1. Se considera o urna ce contine N bile dintre care a bile albe
si b bile negre. Se extrag n bile din urna, n N , fara a reintroduce bila
extrasa napoi n urna. Atunci probabilitatea de a extrage exact k bile albe,
max(0, n N + a) k min(n, a), este
Cak Cbnk
.
CNn
Demonstratie. Vom folosi definitia clasica a probabilitatii. Numarul cazurilor
posibile este egal cu numarul de variante de a extrage n bile din totalul celor
N existente si acesta este CNn . Numarul cazurilor favorabile este egal cu
produsul dintre numarul de variante de a extrage cele k bile albe din cele a
existente, care este Cak si numarul de variante de a extrage n k bile negre
din cele b existente n urna la nceput, care este Cbnk . Astfel, probabilitatea
de a extrage exact k bile albe este
Cak Cbnk
.
CNn
Exemplul 5.2.2. Intr-o grupa sunt 7 baieti si 4 fete. Se formeaza o delegatie
din 3 persoane. Care este probabilitatea ca din delegatie sa faca parte un baiat
si doua fete?

182
Solutie.

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE
C71 C42
3
C11

Definitia 5.2.3. Spunem ca o variabila aleatoare satisface o repartitie


hipergeometric
a de parametri (n, N, a) si o vom nota H(n, N, a) daca are
distributia

min(n,a)
k
,
P (k, n) k=max(0,nN +a)
unde

Cak CNnk
a
P (k, n) =
.
n
CN

Teorema 5.2.4.
M [H(n, N, a)] = np ,
D2 [H(n, N, a)] =
unde p =

a
N

N n
npq ,
N 1

si q = 1 p.

Demonstratie. Presupunem ca max(0, n N + a) = 0 si min(n, a) = n.


Aceasta revine la n N + a 0 si n a, adica n min(a, b). In caz contrar
n demonstratie vor interveni mici modificari.
Avem
n
n
X
X
Cak CNnk
a
.
M [H(n, N, a)] =
k P (k, n) =
k
n
CN
k=0
k=0
Observam ca
kCak = k

a!
(a 1)!a
k1
=
= Ca1
a.
k!(a k)!
(k 1)!(a k)!

Cum
(x + 1)a1 (x + 1)b = (x + 1)a+b1 ,
coeficientii lui xn1 din cei doi membri sunt egali si deci
n1
n1 0
1
0
Cb = Ca+b1
,
Ca1
Cbn1 + Ca1
Cbn2 + + Ca1

adica

n1
X
k=0

k
Ca1
Cbnk1 = CNn1
1 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Atunci
M [H(n, N, a)] =

n
k1 nk
X
Ca1
C a
b

CNn

k=1

n1
X
k=0

183

k
CNn1
Cbnk1 a
Ca1
n
1
=
a=a
= np .
n
n
CN
CN
N

Apoi
D2 [H(n, N, a)] = M [H 2 (n, N, a)] (M [H(n, N, a)])2 =
= M [H 2 (n, N, a) H(n, N, a)] + M [H(n, N, a)] (M [H(n, N, a)])2 .
Dar

n
X

Cak CNnk
a
.
M [H (n, N, a) H(n, N, a)] =
(k k)
n
CN
k=0
2

Cum
(k 2 k)Cak = k(k 1)

a!
(a 2)!(a 1)a
k2
=
= Ca2
a(a 1) ,
k!(a k)!
(k 2)!(a k)!

obtinem
2

M [H (n, N, a) H(n, N, a)] =

n
k2
X
Ca2
CNnk
a
k=2

CNn

a(a 1) =

n2

n(n 1)
a(a 1) X k
a(a 1) n2
Ca2 CNnk2
CN 2 = a(a 1)
.
=
=
a
n
n
CN
CN
N (N 1)
k=0
Revenind
D2 [H(n, N, a)] = a(a 1)

a
n(n 1)
a2
+ n n2 2 =
N (N 1)
N
N

a
1
[N (a 1)(n 1) + N (N 1) na(N 1)] =
N N (N 1)
a
1
=n
[N 2 N n N a + na] =
N N (N 1)
a
1
a
1
=n
[N (N a) n(N a)] = n
(N n)(N a) =
N N (N 1)
N N (N 1)
a N aN n
N n
=n
= npq
.
N N N 1
N 1
=n

184

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Observatia 5.2.5. O generalizare pentru repartitia hipergeometrica este aceea


n care n urna sunt bile de mai multe culori. Astfel, daca n urna sunt a1
bile de culoarea c1 , a2 bile de culoarea c2 , s.a.m.d., am bile de culoarea cm
si se extrag n bile din urna, fara a reintroduce bila extrasa npoi n urn
a,
atunci probabilitatea ca din bilele extrase k1 sa fie de culoarea c1 , k2 sa fie de
culoarea c2 , s.a.m.d.,km sa fie de culoarea cm este
Cak11 Cak22 Cakmm
.
Can1 +a2 ++am
Exemplul 5.2.6. Intr-o grupa sunt 30 studenti dintre care 10 foarte buni,
8 buni si 12 slabi. Se aleg la ntamplare 5 studenti. Care este probabilitatea
ca 2 sa fie foarte buni, 2 buni si 1 slab?
Solutie.

2 C2C1
C10
8 12
5
C30

5.3

Repartitia Poisson

In aceasta sectiune vom introduce legea lui Poisson folosind o schema clasica.
Fie Bi(n, p) o variabila aleatoare binomiala, unde p reprezinta, de exemplu,
proportia bilelor albe ntr-o urna ce contine bile albe si negre. Dupa cum
stim deja, variabila aleatoare binomiala Bi(n, p) ne da numarul de bile albe
extrase din n extrageri succesive punand bila extrasa napoi n urna. Sa presupunem ca marim numarul de bile negre din urna (deci p 0) si numarul
extragerilor (adica n ) n asa fel ncat produsul np sa ramana constant
(np = ). Cum valoarea medie a variabilei aleatoare binomiale este tocmai
np, ipoteza ca produsul np sa ramana constant semnifica faptul ca evenimentul se produce cu intensitate constanta si deci n medie se produc
evenimente ntr-o perioada de timp. Ne intereseaza daca probabilitatile
Pk,n = Cnk pk q nk converg la o limita pentru fiecare k. Raspunsul este afirmativ si este furnizat de teorema urmatoare.
Teorema 5.3.1. (Teorema lui Poisson). Daca np = atunci pentru
fiecare k avem
k
lim Pk,n = e .
n
k!
Demonstratie. Observam ca
 k 
nk
n!

k k nk
Pk,n = Cn p q
=
1
=
k!(n k)! n
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

185


nk

1
=
n

nk

n(n 1) (n k + 1) k
1
.
=

nk
k!
n

n(n 1) (n k + 1) k
=
k
k!
n

Sa notam ca

n n1
nk+1

=1
n n
n
n
lim

si

nk
n 
k


lim 1
1
= lim 1
=
n
n
n
n
n
"
 n #

= e .
= lim
1
n
n
In concluzie
lim Pk,n =

k
e .
k!

Definitia 5.3.2. Se numeste variabil


a aleatoare Poisson de parametru
> 0 si se noteaza P o() variabila aleatoare discreta care are distributia


k
,
Pk kN
unde Pk =

k
e .
k!

Observatia 5.3.3. Probabilitatile Pk =

k
e
k!

sunt termenii unei distributii.

Intr-adevar, pentru aceasta avem de demonstrat ca P Pk = 1. In acest scop

folosim dezvoltarea n serie Taylor pentru ex :


ex = 1 +
Atunci

X
k=0

Pk =

x
x2
xn
+
+ +
+ .
1!
2!
n!

X
k
k=0

k=0

k!

=e

X
k
k=0

k!

= e e = 1 .

186

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Observatia 5.3.4. Legea Poisson mai este cunoscuta si sub numele de legea
evenimentelor rare deoarece se ntalneste n cazul unor evenimente care se
ntampla rar, cum ar fi numarul accidentelor, numarul defectelor de fabricatie,
numarul apelurilor telefonice primite de o centrala ntr-un interval de timp,
etc.
Observatia 5.3.5. Probabilitatile binomiale Pk,n = Cnk pk q nk se calculeaz
a

cu dificultate. In baza teoremei lui Poisson, n practica, putem nlocui legea


binomiala Bi(n,p) cu legea lui Poisson cand n este suficient de mare (n 30)
si p suficient de mic (p 0, 1).
Exemplul 5.3.6. Se stie ca 3% din piesele fabricate ntr-un atelier sunt

defecte, defectele aparand aleator n timpul procesului de productie. Intr-o


zi
sunt livrate 100 piese. Care este probabilitatea ca 5 sa fie defecte?
Solutie. Raspunsul este dat de repartitia binomiala. Astfel probabilitatea
cautata este
5 
95

97
3
5
.
C100
100
100
Cum n = 100 , p = 0, 03 avem np = 3 si astfel P o(3) aproximeaza bine
distributia binomiala. Prin urmare probabilitatea cautata este
k 35 3
e = e = 0, 1008 ,
k!
5!
pentru ultima egalitate folosind anexa B.
Teorema 5.3.7.
M [P o()] = ;
D2 [P o()] = .
Demonstratie.

X
k
k1

M [P o()] =
k e = e
= e e = ;
k!
(k

1)!
k=0
k=1

M [P o2 ()] =

X
k=0

k2

X
k X 2
k
k
e =
(k k + k) e =
k(k 1) e +
k!
k!
k!
k=0
k=2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

187

X
k2
k
2
+
+ = 2 e e + = 2 + .
k e = e
k!
(k

2)!
k=2
k=0

Atunci
D2 [P o()] = M [P o2 ()] (M [P o()])2 = 2 + = .
Propozitia 5.3.8. Functia caracteristica a variabilei aleatoare Poisson este
it 1)

P o() (t) = e(e

Demonstratie. In baza propozitiei 4.7.6 avem


P o() (t) =

X
k=0

itk

e Pk =

X
k=0

itk

k!

=e

X
(eit )k
k=0

k!

it

= e ee

= e(e

it 1)

Propozitia 5.3.9. Functia generatoare pentru variabila aleatoare Poisson


este
GP o() (z) = e(z1) .
Demonstratie. Imediata din propozitia 4.7.16 si propozitia precedenta.

5.4

Repartitia uniform
a

Sa ne reamintim de experienta aruncarii unui zar pe o suprafata plana. Daca


zarul este perfect construit atat din punct de vedere geometric cat si din
punctul de vedere al repartitiei masei, distributia variabilei aleatoare care ne
da numarul de puncte este


1
2
3
4
5
6
.
1/6 1/6 1/6 1/6 1/6 1/6
Aici s-a presupus ca evenimentele elementare sunt egal posibile.
Repartitia uniforma este extensia la cazul continuu a unei distributii
echiprobabile discrete. Repartitiile uniforme apar atunci cand o variabila
aleatoare ia valori ntr-un interval [a, b] si probabilitatea ca variabila aleatoare
l
sa ia valori ntr-un interval I de lungime l fixata este ba
, indiferent care sunt
extremitatile intervalului I n [a, b].

188

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Definitia 5.4.1. O variabila aleatoare continua avand densitatea de repartitie


 1
, daca x [a, b]
ba
(x) =
0 , n rest
se numeste variabila aleatoare uniform
a si se noteaza U [a, b].
Observatia 5.4.2. este ntr-adevar o densitate de repartitie.
Z

Zb
(x)dx =

1
1
1
dx =
x |ba =
(b a) = 1 .
ba
ba
ba

Teorema 5.4.3. Functia de repartitie a unei variabile aleatoare uniforme


este

0 , daca x < a
xa
, daca x [a, b] .
F (x) =
ba
1 , daca x > b
Demonstratie. Cum F (x) =

Rx

(t)dt, pentru x < a vom avea F (x) = 0.

Daca x [a, b], atunci


Za
F (x) =

Zx
(t)dt +

Zx
(t)dt =

1
1
1
dt =
t |xa =
(x a) .
ba
ba
ba

Daca x > b, atunci


Za
F (x) =

Zb
(t)dt +

Zx
(t)dt = 1 .

(t)dt +
a

Teorema 5.4.4.
M [U [a, b]] =

a+b
;
2

(a b)2
D [U [a, b]] =
.
12
2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

189

Demonstratie.
Z
M [U [a, b]] =

Zb
x(x)dx =

1
dx =
ba

 2 b
1
x
b 2 a2
b+a
1
=

=
;
=
ba 2 a ba
2
2
Z

D [U [a, b]] =

2
Zb 
a+b
1
(x m) (x)dx =
x
dx =
2
ba
2

1
1
=

ba 3

"

a+b
x
2

3 #b
a

"

1
=
3(b a)

ba
2

3

ab
2

3 #
=

(b a)3
(b a)2
1

=
.
=
3(b a)
4
12
Propozitia 5.4.5. Fie I = [c, d] [a, b] un interval de lungime l. Atunci
P (c U [a, b] d) =

l
.
ba

Demonstratie.
P (c U [a, b] d) = F (d) F (c) =

da ca
l

=
.
ba ba
ba

Propozitia 5.4.6. Functia caracteristica a unei variabile aleatoare uniforme


pe intervalul [0, 1] este
eit 1
U [0,1] (t) =
.
it
Demonstratie.
Z
U [0,1] (t) =

itx

Z1

e (x)dx =
R

e
0

itx

eitx
1dx =
it


1
=
0

eit 1
.
it

190

5.5

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Repartitia exponential
a

Definitia 5.5.1. Se spune ca o variabila aleatoare satisface o lege


exponential
a de parametru > 0 daca are densitatea de repartitie
 x
e
, daca x 0
(x) =
0 , daca x < 0
si o vom nota Exp().
Observatia 5.5.2. este ntr-adevar o densitate de repartitie.
Z

Z
(x)dx =

ex dx = ex |
0 = 1 .

Teorema 5.5.3. Functia de repartitie a unei variabile aleatoare exponentiale


este

1 ex , daca x 0
F (x) =
.
0 , daca x < 0
Demonstratie. Cum F (x) =

Rx

(t)dt, pentru x < 0 vom avea ca F (x) = 0.

Daca x 0, atunci
Zx
F (x) =

et dt = et |x0 = ex + 1 ,

ceea ce trebuia demonstrat.


Teorema 5.5.4.

1
;

1
D2 [Exp()] = 2 .

M [Exp()] =

Demonstratie.
Z
M [Exp()] =

Z
x(x)dx =

xex dx .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

191

Aplicam formula de integrare prin parti si obtinem


M [Exp()] =

xex |
0

Z
+

1
1
ex dx = ex |
.
0 =

2
Z 
1
x
D [Exp()] =
ex dx =

Z
=

x2 ex dx 2

x2 ex |
0

xex dx +

Z
+2

xe
0

1 x
e dx =

Z
dx 2

xex dx

1 x 1
e
|0 = 2 .
2

Teorema 5.5.5. (Leg


atura ntre distributia exponential
a si distributia Poisson). Daca variabila aleatoare P o() ne da numarul de realizari
ale unui eveniment ntr-un interval de timp, atunci variabila aleatoare ce
masoara timpul dintre doua realizari succesive este tocmai Exp().
Demonstratie. Daca evenimentul observat se realizeaza dupa o lege Poisson
cu o valoare medie de evenimente pe ora, atunci ntr-un interval x se vor
realiza x evenimente. Fie f variabila aleatoare ce masoara lungimea intervalului de timp de la momentul 0 pana la prima realizare a evenimentului.
Atunci
(x)0 x
P (f x) = P ( P o(x) = 0) =
e
= ex .
0!
Astfel
Ff (x) = P (f < x) = 1 P (f x) = 1 ex
si am regasit functia de repartitie a variabilei aleatoare exponentiale Exp().
baza teoremei precedente, repartitia exponentiala poate
Observatia 5.5.6. In
fi folosita la masurarea lungimii intervalelor de timp ntre doua accidente.
probleme de asteptare, n timp ce variabila aleatoare Poisson este folosita
In
pentru a calcula numarul clientilor care sosesc ntr-un interval de timp, variabila aleatoare exponentiala este folosita pentru a calcula timpul necesar spre
a servi un client.

192

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Teorema 5.5.7. (Lipsa de memorie a distributiei exponentiale)


PExp()x (Exp() x + y) = P (Exp() y) .
Demonstratie. Conform definitiei probabilitatii conditionate, avem
PExp()x (Exp() x + y) =

P ((Exp() x) (Exp() x + y))


.
P (Exp() x)

Deci
PExp()x (Exp() x + y) =

P (Exp() x + y)
.
P (Exp() x)

Dar
P (Exp() x) = 1P (Exp() < x) = 1FExp() (x) = 1(1ex ) = ex .
In mod similar
P (Exp() x + y) = e(x+y)
si
P (Exp() y) = ey .
Deci
PExp()x (Exp() x + y) =

e(x+y)
= ey = P (Exp() y) .
x
e

Observatia 5.5.8. Teorema precedenta ne permite ca repartitia exponential


a
sa fie folosita pentru a modela durata de viata a unui obiect n cazul n care
acesta nu se deterioreaza n timp. Teorema precedenta ne spune ca probabilitatea ca obiectul sa functioneze x+y ore stiind ca a functionat deja x ore este
egala cu probabilitatea de a functiona y ore, adica probabilitatea defectarii nu
depinde de cat de mult a functionat.

5.6

Functiile Beta si Gamma ale lui Euler

Definitia 5.6.1. Integrala


Z1
B(a, b) =
0

xa1 (1 x)b1 dx , a > 0, b > 0,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

se numeste functia Beta a lui Euler.


Integrala
Z
(a) = xa1 ex dx ,

193

a > 0,

se numeste functia Gamma a lui Euler.


Propozitia 5.6.2. Integralele Beta si Gamma sunt convergente.
Demonstratie. Daca a 1, b 1 atunci integrala Beta este o integrala
proprie. Pentru alte valori ale lui a si b determinam astfel ncat
lim(1 x) xa1 (1 x)b1 (0, ) .
x1

x<1

Rezulta ca + b 1 = 0 si deci = 1 b. Cum b > 0, obtinem ca < 1 si


R1 a1
deci
x (1 x)b1 dx este convergenta. Apoi determinam astfel ncat
1/2

lim x xa1 (1 x)b1 (0, ) .


x0

x>0

Rezulta ca + a 1 = 0 si deci = 1 a. Cum a > 0, obtinem ca < 1 si


1/2
R a1
deci
x (1 x)b1 dx este convergenta. Atunci, cum
0

Z1/2
Z1
a1
b1
B(a, b) =
x (1 x) dx + xa1 (1 x)b1 dx ,
0

1/2

se obtine ca integrala Beta este convergenta.


Acum vom scrie
Z1
(a) =

x
0

a1 x

e dx +

xa1 ex dx .

Determinam astfel ncat lim x xa1 ex (0, ). Obtinem + a 1 = 0


x0

x>0

si deci = 1 a. Cum nsa a > 0, obtinem ca < 1 si deci

R1
0

xa1 ex dx

194

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

este convergenta.
Daca notam h(x) = xa1 ex , observam ca
lim x2 h(x) = lim xa+1 ex = 0

si atunci ()M > 0 astfel ncat


0 < h(x) <
Cum nsa
rezulta ca

R M
1
R

x2

M
x2

()x [1, ) .

dx este convergenta, aplicand criteriul ntai al comparatiei, va

h(x)dx este convergenta. Astfel am obtinut ca integrala Gamma

este convergenta.
Propozitia 5.6.3. Functiile Beta si Gamma au proprietatile:
1. (1) = 1;
2. (a + 1) = a(a);
()n N ;

3. (n + 1) = n!

4. B(a, b) = B(b, a);


5. B(a, b) =

b1
a+b1

6. B(m, n) =

B(a, b 1)

(m1)!(n1)!
(m+n1)!

Demonstratie. 1) (1) =

, pentru a > 0, b > 1;

, pentru m, n N.
0
ex dx = ex |
0 = e = 1 .

2) Vom aplica formula de integrare prin parti.


Z
(a + 1) =

a x

x e dx =

xa ex |
0

3) Rezulta prin inductie.


R1
4) B(b, a) = xb1 (1 x)a1 dx .
0

Z
+a
0

xa1 ex dx = a (a) .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

195

Facem schimbarea de variabila x = 1 t si obtinem


Z0
B(b, a) =

(1 t)

b1 a1

Z1
dt =

5) B(a, b) =

R1

ta1 (1 t)b1 dt = B(a, b) .

xa1 (1 x)b1 dx .

Aplicam formula de integrare prin parti.


1 Z1 xa
xa

B(a, b) = (1 x)b1 +
(b 1)(1 x)b2 dx =
a
a
0
0

b1
=
a

Z1

x (1 x)

b2

b1
dx =
a

b1
=
a

Z1

xa1 (1 x)b2 (1 (1 x))dx =

Z1

b1
xa1 (1 x)b2 dx
a

Z1

xa1 (1 x)b1 dx =

b1
b1
B(a, b 1)
B(a, b) .
a
a

Obtinem astfel ca
B(a, b) +

b1
b1
B(a, b) =
B(a, b 1) ,
a
a

de unde

b1
B(a, b 1) .
a+b1
n1
n1
n2
6)B(m, n) =
B(m, n 1) =

B(m, n 2) =
m+n1
m+n1 m+n2
(n 1)(n 2) 1
= =
B(m, 1) .
(m + n 1)(m + n 2) (m + 1)
Dar
Z1
xm 1 1
B(m, 1) = xm1 dx =
|=
m 0 m
B(a, b) =

si se obtine formula dorita.

196

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Teorema 5.6.4.
B(a, b) =
Demonstratie. Avem

(a) (b)
(a + b)

(a) =

()a, b > 0.

xa1 ex dx .

Vom face schimbarea de variabila x = ty , t > 0. Rezulta dx = tdy si


Z
(a) =

ta1 y a1 ety tdy .

Deci
(a)
=
ta

y a1 ety dy .

Inlocuind n aceasta relatie a cu a + b si t cu t + 1 obtinem


(a + b)
=
(t + 1)a+b

y a+b1 e(t+1)y dy .

Astfel
ta1
=
(a + b)
(t + 1)a+b

ta1 y a+b1 e(t+1)y dy .

Vom integra n raport cu t:


Z
(a + b)

a1

t
(t + 1)a+b

Z Z
dt = ta1 y a+b1 e(t+1)y dy dt .
0

In membrul stng vom face schimbarea de variabila


t
x
1
1
=xt=
; t+1=
; dt =
dx
t+1
1x
1x
(1 x)2
si obtinem
Z
0

ta1
dt =
(t + 1)a+b

Z1
0

xa1
1
a+b

(1

x)

dx =
(1 x)a1
(1 x)2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Z1
=

197

xa1 (1 x)b1 dx = B(a, b) .

In membrul drept vom interverti ordinea de integrare, operatie permisa de


teorema lui Fubini. Astfel obtinem

Z Z
Z Z
ta1 y a+b1 e(t+1)y dy dt = ta1 y a+b1 e(t+1)y dt dy =
0

Z
=

y a+b1 ey

ta1 ety dt dy =

y a+b1 ey

(a)
dy =
ya

Z
= (a)

y b1 ey dy = (a)(b) .

Revenind la egalitatea de mai sus avem


(a + b) B(a, b) = (a)(b) ,
adica tocmai egalitatea dorita.
Corolar 5.6.5.

1. ( 21 ) = ;
2.

ex dx =

Demonstratie. 1) Vom aplica teorema precedenta pentru a = b = 12 . Obtinem



(1) B

1 1
,
2 2

  2
1
=
.
2

Dar (1) = 1 si

B

1 1
,
2 2

Z1

=
0

1/2

(1 x)

1/2

Z1
dx =
0

1
p
dx .
x(1 x)

198

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Vom face aici schimbarea de variabila

x = sin2 t , t (0, ) dx = 2 sin t cos tdt .


2
Obtinem

B

1 1
,
2 2

Z/2


=

/2
2 sin t cos tdt
= 2t 0 = .
sin t cos t


1 2

In final avem
2)


1
2

= 1 si deci

 

1
=

x1/2 ex dx =

Daca facem aici schimbarea de variabila x = t2 , obtinem

Z
=

t e

t2

Z
2tdt = 2

t2

Z
dt

Atunci

t2

Z
dt = 2

t2

dt =

.
2

et dt =

Observatia 5.6.6. Multe integrale trigonometrice se exprima prin functia


Beta. Astfel


Z/2
a b
1
a1
b1
sin t cos tdt = B
,
.
2
2 2
0

Intr-adevar, daca facem substitutia sin2 t = x, avem ca


Z/2
Z/2
1
sina1 t cosb1 tdt =
sina2 t cosb2 t 2 sin cos tdt =
2
0

1
=
2

Z1
x
0

a
1
2

(1 x)

b
1
2

1
dx = B
2

a b
,
2 2


.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

199

Observatia 5.6.7. Cu ajutorul functiei Gamma se pot calcula integrale


esentiale pentru teoria probabilitatilor. Astfel
Z

m ax2

x e

dx =

2a(m+1)/2

m+1
2


a > 0, m > 1 .

Intr-adevar, daca facem substitutia


r
ax2 = t x =
obtinem ca

xm e

ax2

Z
dx =

t
1
dx = dt ,
a
2 ta

1
tm/2 am/2 et dt =
2 ta

2a(m+1)/2

(m1)/2 t

e dt =

1
2a(m+1)/2

m+1
2


.

5.7

Repartitia Weibull

Definitia 5.7.1. Se spune ca o variabila aleatoare continua urmeaza


repartitia Weibull de parametri , > 0 si o notam W (, ), daca are
densitatea de repartitie


x1 e(x)
, daca x > 0
(x, , ) =
.
0 , n rest
Observatia 5.7.2. este o densitate de repartitie.
Intr-adevar,

Z
(x, , )dx =

x1 e(x) dx .

Facem schimbarea de variabila x = y. Atunci x1 dx = dy si deci


Z

Z
(x, , )dx =

ey dy = ey |
0 = 1 .

200

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Teorema 5.7.3. Consideram variabila aleatoare W (, ). Fie = .


Atunci variabila aleatoare W satisface distributia exponentiala de parametru
.
Demonstratie. Calculam functia de repartitie a variabilei aleatoare W . Fie
x > 0. Atunci
1

F (x) = P (W < x) = P (W < x ) =

Zx

Zx
(t, , )dt =

t1 e(t) dt .

Facem schimbarea de variabila t = y. Atunci t1 dt = dy. Daca t = 0


1
atunci y = 0, iar pentru t = x avem y = x. Deci
Zx
F (x) =

e y dy = e

|x0 = 1 e

Cum am notat = , avem F (x) = 1ex . Evident ca, pentru x < 0 avem
F (x) = 0. Am regasit astfel functia de repartitie a variabilei exponentiale de
parametru (vezi teorema 5.5.3) si demonstratia este ncheiata.
Observatia 5.7.4.
W (, 1) = Exp() .
Teorema 5.7.5.



1
1
+1 ;
M [W (, )] =

" 
  
2 #
1
2
1
D2 [W (, )] = 2
+1
+1
.

Demonstratie.

Z
M [W (, )] =

x x1 e(x) dx .

Facem schimbarea de variabila x = y.


1
x = y 1 . Deci
Z

1 y

y e dy =

M [W (, )] =
0

Z
0

Atunci x1 dx = dy si

1
y ( +1)1 ey dy = 1

1
+1


.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Apoi

M [W (, )] =

201

x2 x1 e(x) dx .

Cu aceeasi schimbare de variabila obtinem


2

M [W (, )] =

2 y

y e dy =

2
+1


.

Atunci

2
 
2
1
2
D [W (, )] =
+1
+1
=

" 
  
2 #
2
1
1
+1
+1
.
= 2

5.8

Repartitia normal
a

In statistica vom folosi o lege de distributie foarte importanta, cunoscuta


sub numele de legea lui Laplace de catre francezi, legea lui Gauss de catre
germani si legea normala de catre anglo-americani.
Definitia 5.8.1. Se spune ca o variabila aleatoare satisface o lege normal
a
Gauss-Laplace de parametri m R si R+ daca are densitatea de
repartitie
(xm)2
1
(x) = e 22
2
si o vom nota N (m, ).
Observatia 5.8.2. Graficul functiei este bine cunoscut datorita curburii
n clopot. Putem mentiona ca:
1. Curba este simetrica n raport cu axa x = m.
2. Avem maxim n punctul de abscisa x = m.
3. Punctele de inflexiune au abscisele x = m si x = m + .

202

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Observatia 5.8.3. este ntr-adevar o densitate de repartitie.


Vom calcula

(xm)2
1
e 22 dx
2

(x)dx =

facand schimbarea de variabila


Z

xm

1
(x)dx =

= t. Atunci

dx
2

= dt si obtinem

1
2
et dt =
=1,

unde am folosit faptul ca

et dt este o integrala Euler si are valoarea

(vezi corolar 5.6.5).


Observatia 5.8.4. Functia de repartitie a unei variabile aleatoare normale
este
Zx
Zx
(tm)2
1
F (x) =
(t)dt =
e 22 dt .
2

Teorema 5.8.5.
M [N (m, )] = m ;
D2 [N (m, )] = 2 .
Demonstratie.
Z
M [N (m, )] =

Z
x(x)dx =

Vom face schimbarea de variabila


1
M [N (m, )] =

xm

(t 2 + m)e

t2

(xm)2
1
xe 22 dx .
2

= t. Atunci

dx
2

= dt si obtinem

Z
Z
2
m
2
2
dt =
tet dt +
et dt .

A doua integrala este o integrala de tip Euler si are valoarea


5.6.5), iar
Z
Z0
Z
2
t2
t2
te dt =
te dt + tet dt .

(vezi corolar

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

203

In prima integrala facem schimbarea de variabila t = u si obtinem


Z0
te

t2

Z0
dt =

ue

u2

Z
du =

ueu du .

Prin urmare
Z
te

t2

Z
dt =

ue

Revenind avem

Z
du +

tet dt = 0 .

m
=m.
M [N (m, )] =

Apoi

D [N (m, )] =

Facem schimbarea de variabila


1
D [N (m, )] =

u2

(xm)2
1
(x m)2 e 22 dx .
2

xm

= t. Obtinem

2 2 t2

2t e

2
dt =

(2t)et tdt

si aplicam formula de integrare prin parti

Z
2

2
2
t2

[ ] = 2 .
D2 [N (m, )] = tet |

e
dt
=

Definitia 5.8.6. Se spune ca o variabila aleatoare satisface o lege normal


a
standard daca m = 0 si = 1, adica daca are densitatea de repartitie
x2
1
(x) = e 2 .
2

Observatia 5.8.7. Functia de repartitie a unei variabile aleatoare normale


standard este
Zx
t2
1
e 2 dt .
F (x) =
2

204

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Observatia 5.8.8. Cum functia este simetrica n raport cu axa Ox si


R
R0
cum
(x)dx = 1, vom avea ca
(x)dx = 12 . Prin urmare, pentru

x > 0, avem ca
1
1
F (x) = +
2
2

Zx

t2

e 2 dt .

Valorile functiei F , pentru x > 0, se gasesc n tabele. Uneori sunt folosite


tabele cu functia lui Laplace (vezi anexa C)
1
(x) =
2

Zx

t2

e 2 dt ,

observand ca, n baza relatiei de mai sus, F (x) =

1
2

+ (x).

Teorema 5.8.9. (Propriet


atile functiei de repartitie a unei variabile
aleatoare normale standard).
1. F (x) = 1 F (x);

2. F (x) = F xm
;

3. P (a N (m, ) < b) = F
Demonstratie. 1) F (x) =

bm

1
2

x
R

am


.

t2

e 2 dt. Facem schimbarea de variabila

t = u. Atunci dt = du. Astfel


1
F (x) =
2
1
=
2

u2

Zx

2
u2

1
du =
2

Z
x

1
du
2

Zx

u2

e 2 du = 1 F (x) .

2) Avem
1
F (x) =
2

u2

e 2 du =

Zx

(tm)2
2 2

dt .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Facem schimbarea de variabila

tm

205

= u. Deci 1 dt = du. Atunci

xm

1
F (x) =
2
3)

u2

du = F

xm


.

P (a N (m, ) < b) = F (b) F (a) = F

bm


F

am


.

Exemplul 5.8.10. Numarul orelor de functionare ale unui anumit tip de


aparat satisface o lege normala de parametrii m = 500 ore si = 25 ore.
1. Care este probabilitatea ca durata de functionare sa fie cuprinsa ntre
480 si 550 ore?
2. Care este probabilitatea ca aparatul sa functioneze minim 450 ore?
3. Care este probabilitatea ca un aparat sa se defecteze nainte de 475 ore?
4. Sa se determine un interval pentru numarul orelor de functionare, simetric fata de m = 500, n care se afla 95% din aparate.
Solutie. Vom face apel n repetate randuri la anexa C.




550 500
480 500

1)
P (480 N (500, 25) < 550) = F
F
=
25
25
1
1
+ (2) 1 + + (0, 8) =
2
2
= (2) + (0, 8) = 0, 4772 + 0, 2881 = 0, 7653 ;


450 500

P (N (500, 25) 450) = 1 F


= 1 F (2) = F (2) =
25

= F (2) F (0, 8) = F (2) 1 + F (0, 8) =

2)

3)

= 0, 5 + (2) = 0, 5 + 0, 4772 = 0, 9772 ;




475 500

P (N (500, 25) < 475) = F


= F (1) = 1 F (1) =
25
= 0, 5 (1) = 0.5 0, 3413 = 0, 1587 ;

4) Fie x 500 si x + 500 extremitatile intervalului. Dorim ca


P (x 500 N (500, 25) < x + 500) = 0, 95 .

206

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Folosind simetria distributiei normale vom avea ca


1 0, 95
.
2

P (N (500, 25) x + 500) =


Dar
P (N (500, 25) x + 500) = 1 F
Deci

x
x 1
=
.
25
2
25

 x  1 0, 95
1

=
.
2
25
2

Atunci

adica

 x  0, 95
=
,
25
2

 x  1 0, 05
=
.
25
2
= 1, 96. In concluzie x = 49 si intervalul cautat este [451, 549).

Obtinem ca

x
25

Exemplul 5.8.11. Consideram o societate producatoare de autoturisme.


Numarul de autoturisme vandute ntr-o zi satisface o lege normala. Sa se
determine parametrii acestei legi stiind ca probabilitatea de a vinde ntr-o zi
mai mult de 30 masini este 85%, iar probabilitatea de a vinde mai mult de
90 masini ntr-o zi este 2%.
Solutie. Vom folosi anexa C.






m 30
1
m 30
30 m

=F
= +
.
P (N (m, ) 30) = 1F

Deci

Daca

1
2

m 30


= 0, 35 .

= 0, 35 vom avea ca = 0, 3. Atunci


m 30
= 1, 0364 .

Apoi
P (N (m, ) 90) = 1 F

90 m

1
=
2

90 m


.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Deci

1
2

Daca

90 m

207


= 0, 48 .

= 0, 48, vom avea ca = 0, 04. Atunci


90 m
= 2, 0537 .

Prin urmare m = 50, 12 si = 19, 41.


Teorema 5.8.12. Functia caracteristica a unei variabile normale standard
este
t2
(t) = e 2 .
Demonstratie.
Z
(t) =

1
e (x)dx =
2
itx

x2

eitx e 2 dx .

Cum eitx = cos(tx) + i sin(tx), obtinem ca


Z
x2
1
(t) =
cos(tx)e 2 dx .
2
R

Apoi
1
(t) =
2
0

x2

x sin(tx)e

1
dx =
2

1
=
2

 x2  0
sin(tx) e 2 dx =

x2

t cos(tx)e 2 dx = t(t) .

R
0 (t)

= t. Deci [ln (t)]0 = t, adica ln (t) = t2 + C. Cum nsa


2
(0) = 1, obtinem ca ln 1 = C si astfel C = 0. In concluzie ln (t) = t2 ,
Astfel

(t)

t2

de unde (t) = e 2 .
Teorema 5.8.13. Functia caracteristica a unei variabile normale N (m, )
este
t2 2
(t) = eimt 2 .

208

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Demonstratie. Vom nota cu 0 functia caracteristica a unei variabile aleatoare


normale standard. Avem
Z
Z
(xm)2
1
itx
(t) = e (x)dx = eitx e 22 dx .
2
R

= y. Atunci 1 dx = dy si astfel
Facem schimbarea de variabila xm

Z
y2
1
(t) = eit(y+m) e 2 dy =
2
R

=e

itm

y2

eity e 2 dy = eitm 0 (t) = eitm e

2 t2
2

= eimt

t2 2
2

Definitia 5.8.14. Vom spune ca un vector aleator V : Rn satisface o


lege normal
a n-dimensional
a N (m, ), unde m = (m1 , m2 , , mn ) Rn
si = (ij ) Mn (R) este o matrice pozitiv definita, daca are densitatea de
repartitie
n
P

21
(xi mi )ij
1
p
e i,j=1
(x1 , , xn ) =
(2)n/2 det()

(xj mj )

1
unde 1
ij sunt elementele matricei .

Observatia 5.8.15. Mentionam ca din algebra liniara se stie ca daca este


pozitiv
pdefinita atunci det() > 0 si deci matricea este inversabila si are
sens det().
Observatia 5.8.16. Daca consideram vectorul

x1 m1
x2 m2

xm=

..

.
xn mn
si notam cu (x m)0 transpusul lui, obtinem ca
(x1 , , xn ) =

(2)n/2

1
p

det()

0 1 (xm)

e 2 (xm)

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

209

Observatia 5.8.17. Se poate arata ca M (V ) = m si V = .


Observatia 5.8.18. Daca are forma
2
0
1
0 22
=

0
0
atunci
(x1 , , xn ) =

n
Y

0
0


n2

i 2

i=1

(xmi )2
2 2
i

si astfel este produsul a n densitati de repartitie ce corespund unor variabile


normale 1-dimensionale.
Observatia 5.8.19. Trebuie sa mai precizam ca V = (f1 , f2 , , fn ) satisface o lege normala n-dimensionala daca si numai daca pentru orice vector
nenul c = (c1 , c2 , , cn ) Rn variabila aleatoare g = c1 f1 + c2 f2 + + cn fn
satisface o lege normala 1-dimensionala.
Observatia 5.8.20. Functia caracteristica a distributiei normale
0
n-dimensionale se defineste prin (t) = M (eit V ), unde t0 este transpusul
vectorului

t1
t2

t = .. .
.
tn
Se poate arata ca

1 0

(t) = eit m 2 t t .

5.9

Repartitia Gamma

Definitia 5.9.1. Se spune ca o variabila aleatoare are distributia Gamma


de parametri > 0, > 0 si o notam (, ) daca are densitatea de repartitie
 1 x
x e
daca x 0
()
(x, , ) =
,
0 daca x < 0
unde () =

R
0

x1 ex dx este functia Gamma a lui Euler.

210

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Observatia 5.9.2. Daca = 1, cum (1) = 1 (propozitia 5.6.3), regasim


distributia exponentiala de parametru .
Observatia 5.9.3. (x, , ) este ntr-adevar o densitate de repartitie.

Z
(x, , )dx =

1 x

x e dx =
()
()

x1 ex dx .

Facem schimbarea de variabila x = u ; dx = du. Atunci


Z

(x, , )dx =
()

Z  1
u
1
eu du =

1
=
()

u1 eu du =

1
() = 1 .
()

Teorema 5.9.4. Daca Z este o variabila aleatoare normala standard, atunci


Z 2 are repatitia 12 , 12 avand prin urmare densitatea de repartitie

(x) =

x
1 e 2
2x

, daca x > 0
.
0 , daca x 0

Demonstratie. Fie x > 0. Atunci

P (Z 2 < x) = P ( x < Z < x) = F ( x) F ( x) = 2F ( x) 1 =

Zx 2
Zx 2
u
u
1
2
1

= 2 +
e 2 du 1 =
e 2 du .
2
2
2
0

Facem schimarea de variabila u =


2 1
P (Z < x) =
2 2
2

Zx

2t

e
0

t. Atunci du =

1
dt =
t

Zx
0

dt.
2 t

1 t

e 2 dt =
2t

Deci
Zx
(t)dt ,

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

unde (x) =

x
1 e 2
2x

211

pentru x > 0 si (x) = 0 pentru x 0. Dar



(1/2)1/2 1/2 x/2
1 1
=
x
e
.
x, ,
2 2
(1/2)
Cum (1/2) =

(corolar 5.6.5), obtinem ca, pentru x > 0,




x
x
1 1
1
1
1
x, ,
= e 2 =
e 2 .
2 2
2 x
2x

Teorema 5.9.5.
M [(, )] =

D2 [(, )] =

.
2

Demonstratie.
Z
M [(, )] =

Z
x(x, , )dx =

1 x
x e dx =
x
()
()

x ex dx .

Facem schimbarea de variabila x = y. Atunci x = 1 y si dx = 1 dy. Deci

M [(, )] =
()

1
1 y 1
y e
dy =

()

y ey dy =

1
( + 1) .
()

Dar, conform propozitiei 5.6.3 avem ( + 1)


M [(, )] = . Apoi

().

D2 [(, )] = M [2 (, )] (M [(, )])2 .


Dar
M [2 (, )] =

x2 (x, , )dx =

Z
=
0

1 x

x
x e dx =
()
()
2

Z
0

x+1 ex dx .

Deci

212

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Facem schimbarea de variabila x = y. Atunci x = 1 y si dx = 1 dy. Deci

M [ (, )] =
()
2

1
+1

1
dy = 2

()

+1 y 1

1
2 ()

(+2) =

1
2 ()

y +1 ey dy =

(+1)(+1) =

1
2 ()

(+1)() =

( + 1)
.
2

Revenind, obtinem ca
D2 [(, )] =

5.10

( + 1) 2

2 = 2 .
2

Repartitia 2

Aceasta repartitie a fost initial introdusa de Helmert si apoi reintrodusa de


Pearson si din acest motiv ea mai este cunoscuta n literatura de specialitate
si sub denumirea de repartitia Helmert-Pearson.
Definitia 5.10.1. Se spune ca o variabila aleatoare satisface o repartitie
2 cu n grade de libertate si se noteaza 2 (n) daca ea urmeaza o repartitie
Gamma de parametri = 21 n si = 12 , adica daca are densitatea de repartitie

n
1
1 x2
2
, daca x > 0
e
n/2 (n/2) x
2
(x, n) =
.
0 , daca x 0
Propozitia 5.10.2. Daca Z este o variabila aleatoare normala standard,
atunci Z 2 = 2 (1).
Demonstratie. Imediata din teorema 5.9.4.
Observatia 5.10.3. O generalizare a rezultatului precedent ar fi: daca Z1 ,
Z2 , , Zn sunt variabile aleatoare independente normale standard, atunci
variabila aleatoare Z12 + Z22 + + Zn2 urmeaza repartitia 2 (n).
Intr-adevar, variabilele aleatoare Z1 , Z2 , , Zn fiind independente, din proprietatile functiei caracteristice, avem

n
n
2
P
(t)
=

(t)
.
Z1
2
i=1

Zi

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

213

Dar
Z
Z12 (t) = 2 (1) (t) =

eitx (x, 1)dx =

1
=
2

Z
x

1/2 x2 (12it)

1
eitx x1/2 ex/2 dx =
2

1
dx =
2

2
1 2it

1/2

(1/2) = (1 2it)1/2 .

Deci
n
P
i=1

Zi2

(t) = (1 2it)n/2 .

In mod asemanator
Z
2 (n) (t) =

itx

n
x
1
1
x 2 1 e 2 dx = n/2
n/2
2 (n/2)
2 (n/2)

x 2 1 e 2 (12it) dx =

1
= n/2
2 (n/2)

2
1 2it

n/2

(n/2) = (1 2it)n/2 ,

ceea ce trebuia demonstrat.


Propozitia 5.10.4.
M [2 (n)] = n ;

D2 [2 (n)] = 2n .

Demonstratie. Imediata din teorema 5.9.5.


Obsevatia 5.10.5. Vom vedea ca aceasta repartitie are un rol deosebit n
statistica matematica. Exista un tabel care ne da, pentru diferite valori ale
lui , valoarea lui x pentru care
P (2 (n) > x) =
(vezi anexa D).

214

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

5.11

Repartitia Fisher - Sn
ed
ecor

Definitia 5.11.1. Vom spune ca o variabila aleatoare urmeaza o repartitie


F sau o repartitie Fisher - Sn
ed
ecor cu m si n grade de libertate si o
notam F (m, n), daca are densitatea de repartitie:
(
m,n (x) =

( m+n
2 )
(

m
2

 m2

m
n

n
2

)( )

x 2 1 1 +

 m+n
m
2
x
n

, daca x > 0

0 , daca x 0
Observatia 5.11.2. m,n este o densitate de repartitie.
Intr-adevar,
Z

Z
m,n (x)dx =

m
2

m+n
2


m
m  m+n
2
x 2 1 1 + x
dx .
n

 m  m2


n
2

Conform teoremei 5.6.4 avem


B(a, b) =
Deci

m
2

m+n
2

(a)(b)
.
(a + b)

n
2

=

1
B

m n
,
2 2

.

Revenind, obtinem:
Z
m,n (x)dx =

 m  m2 Z

1
B

m n
,
2 2

Facem schimbarea de variabila


x=

nt
1 mt

x 2 1 (n + mx)

m+n
2

m+n
2

0
x
n+mx

= t. Atunci
dx =

Apoi
(n + mx)t = x n + mx =

n
dt .
(1 mt)2

x
n
n + mx =
.
t
1 mt

dx .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Daca x = 0 t = 0, iar pentru x t


Z

m,n (x)dx =

m n
,
2 2

1
.
m

215

Deci

 mm/2 nm/2

1/m
Z
m+n
m+n
m+n
m
m
m

n 2 1 t 2 1 (1 mt) 2 +1 n 2 (1 mt) 2 n 2 n(1 mt)2 dt =


0

1
m n
,
2 2

 mm/2

Facem schimbarea de variabila t =


si daca t m1 y 1. Deci
Z
m,n (x)dx =

1
B

Z1

1
B

m
,
2 2


n

m n
,
2 2

m
1
2

1/m
Z
n
m
t 2 1 (1 mt) 2 1 dt .

y
.
m

 mm/2

Atunci dt =

Z1

1
dy.
m

Daca t = 0 y = 0

y 2 1 m 2 +1 (1 y) 2 1 m1 dy =

(1 y)

n
1
2

dy =

1
B

B
n

m
,
2 2

m n
,
=1.
2 2

Teorema 5.11.3.
M [F (m, n)] =
D2 [F (m, n)] =

n
, pentru n > 2 ;
n2

2n2 (m + n 2)
, pentru n > 4 .
m(n 4)(n 2)2

Demonstratie.

Z
M [F (m, n)] =

xm,n (x)dx =

Z
=

x
0

m
2

m+n
2



n
2

 m  m2
n


m
m  m+n
2
x 2 1 1 + x
dx .
n

216

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Facem, la fel ca si n observatia precedenta, schimbarea de variabila


Deci
1
 mm/2 nm/2
M [F (m, n)] =
m n
B 2,2

x
n+mx

= t.

1/m
Z
m+n
m+n
m+n
m
m m

n 2 t 2 (1 mt) 2 n 2 (1 mt) 2 n 2 n(1 mt)2 dt =


0

1/m
Z
m
n
 mm/2 n
t 2 (1 mt) 2 2 dt .
n

m
,
2 2

Facem schimbarea de variabila mt = y. Avem


1

M [F (m, n)] =

n

=
m n
B 2,2 m
1

Z1

m/2

m
n

m
,
2 2

m
2

y (1 y)

Z1
n

y 2 m 2 (1 y) 2 2

1
dy =
m

n
2
2

dy =

1
B


n

m
,
2 2


n m
n
B
+ 1, 1 =
m
2
2

m+n
n m
n n m
n  m2 + n2
1

B
+
1,
=
B
,
+
1
=
2
2 n2 1
2 2
n2
B m2 , 2 m
B m2 , n2 m
n
1
n m + n  n m  m2
n m+n m

B
,
=
,
=
n
m =
m n
2 2 2+ 2
m n2 n+m
n2
B 2, 2 m n2
1


n

unde am folosit faptul ca


B(a, b) =

b1
B(a, b 1) ,
a+b1

rezultat furnizat de propozitia 5.6.3. Apoi


D2 [F (m, n)] = M [F 2 (m, n)] (M [F (m, n)])2 .
Dar
2

M [F (m, n)] =

x
0

m
2

m+n
2



n
2

 m  m2
n


m
m  m+n
2
x 2 1 1 + x
dx =
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

m/2 m/2

m n
,
2 2

m

m
+1
2

217

m  m+n
2
dx .
1+ x
n

Folosim din nou schimbarea de variabila

x
n+mx

M [F 2 (m, n)] =

m n
,
2 2

= t. Atunci

 mm/2 nm/2

1/m
Z
m+n
m+n
m+n
m
m
m

n 2 +1 t 2 +1 (1 mt) 2 1 n 2 (1 mt) 2 n 2 n(1 mt)2 dt =


0

1
m n
,
2 2

1/m
Z
m
n
n
t 2 +1 (1 mt) 2 3 dt .

m/2 2

m

Facem acum schimbarea de variabila mt = y. Deci


1

M [F (m, n)] =

n2

=
B m2 , n2 m2
1

Z1

=
=
=

1
B


n

m
,
2 2

1
B


n

m
,
2 2

1
m
,
2 2


n


n

m
,
2 2

m
,
2 2


n

y 2 +1 m 2 1 (1 y) 2 3 m1 dy =

y 2 +1 (1 y) 2 3 dy =

1
B

m
,
2 2

1
B

m
n

Z1


n

m
,
2 2

=
=

m/2 2

n2

m2

m
2
n
2


n2  m
n
B
+
2,

2
=
m2
2
2


+ n2  m
n
+ 2, 1 =
B
2
2
2

n2 m + n

m2 n 4

m
2

+
n
2

n
2

+ 1 m
n
B
+ 2,
=
1
2
2


n2 m + n m + n + 2  n m

B
,
+
2
=
m2 n 4
n2
2 2

n2 m + n m + n + 2

m2 n 4
n2

m
2

n
2


n m
+1
,
+
1
=
B
+ m2 + 1
2 2

n2 m + n m + n + 2
m+2

2
m n4
n2
n+m+2

m
2
n
2

mB
2

n m
,
=
2 2

218

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

n2 m + n m + 2
m
n2 (m + 2)

=
.

m2 n 4 n 2 n + m
m(n 4)(n 2)

Revenind, obtinem:
n2
n2 (m + 2)

=
m(n 4)(n 2) (n 2)2

D2 [F (m, n)] =

2n2 (m + n 2)
n2 (n 2)(m + 2) n2 m(n 4)
=
.
=
m(n 4)(n 2)2
m(n 4)(n 2)2
Teorema 5.11.4. Consideram m + n variabile aleatoare independente normale standard {Zi }m
si {Tj }nj=1 . Fie
i=1
Z=

m
X

Zi2

si

T =

i=1

n
X

Tj2 .

j=1

Atunci variabila aleatoare

1
Z
m
1
T
n

are repartitia F (m, n).


Demonstratie. Ne propunem sa determinam functia de repartitie Fm,n a
variabilei aleatoare
1
Z
nZ
m
.
=
1
mT
T
n
Avem


Fm,n (x) = P



nZ
m 
< x = P Z < Tx .
mT
n

Conform observatiei 5.10.3, Z urmeaza repartitia 2 (m) si T urmeaza repartitia


2 (n). Deci
m

Z Zn tx
Fm,n (x) =

1
2n/2 (n/2)

t 2 1 e 2

1
2

n+m
2

(n/2)(m/2)

Z Zn tx
t+z
n
m
t 2 1 z 2 1 e 2 dzdt .
0

z 2 1 e 2 dzdt

0
m

1
2m/2 (m/2)

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

219

Facem schimbarea de variabila


t=u ;

z = vu

m
.
n

Iacobianul acestei transfirmari este u m


. Apoi
n
z<

m
m
m
tx vu < ux v < x .
n
n
n

Revenind, obtinem:
1

Fm,n (x) =
Z Zx

(n/2)(m/2)

 m  m2 1
n

u+vu m
n
2

m
dvdu =
n

Zx Z

(n/2)(m/2)

u
0

n+m
1
2

(n/2)(m/2)

 m  m2
n

v 2 1 e 2 (1+v n ) dudv =

 m  m2 Zx

1
n+m
2

u 2 1 v 2 1 u 2 1

1
n+m
2

n+m
2

Z
n+m
m
u
m
v 2 1 u 2 1 e 2 (1+v n ) du dv .

Pentru a calcula integrala


Z
I(v) =

n+m
1
2

e 2 (1+v n ) du ,

facem schimbarea de variabila u2 (1 + v m


) = w. Deci
n
m 1
u = 2w 1 + v
n


m 1
du = 2 1 + v
dw .
n


Astfel
Z
I(v) =

2
0

n+m
1
2

n+m
1
2

1+v


+1
m  n+m
m 1
2
dw =
ew 1 + v
n
n

220

=2

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

n+m
2

m  n+m
2
1+v
n

Z
w

n+m
1
2

dw = 2

n+m
2

m  n+m
2
1+v

n+m
2

Prin urmare
Fm,n (x) =
Zx

v 2 1 2

n+m
2

 m  m2

(n/2)(m/2) n



m  n+m
n+m
2
1+v

dv =
n
2
2

n+m
2

n
2

n+m
2

 m  m2 Zx


m
2

m
1
2

m  n+m
2
1+v
dv =
n

Zx
m,n (v)dv ,
0

ceea ce ncheie demonstratia.


aplicatii ale statisticii matematice este utila functia
Observatia 5.11.5. In
de repartitie complementara P (F (m, n) > F0 ). Astfel, anexa E ne da, pentru
diferite valori ale gradelor de libertate m,n si diferite valori ale lui , valoarea
critica F0 cu proprietatea P (F (m, n) > F0 ) = .

5.12

Repartitia Student

Definitia 5.12.1. Se spune ca o variabila aleatoare satisface repartitia


Student sau repartitia t cu n grade de libertate si se noteaza t(n), dac
a
are densitatea de repartitie:

 n+1
2
1 n+1
x2
2
(x) =
1
+
.
n
n n2
Observatia 5.12.2. este o densitate de repartitie.
Intr-adevar,
Z

 Z 
 n+1
2
x2
1 n+1
2
1
+
(x)dx =
dx =
n
n n2

 Z 
 n+1
2
x2
2 n+1
2
1
+
dx .
=
n
n n2
0

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Facem schimbarea de variabila


Z

x2
n

= t. Atunci x =

nt si dx =

221

n
dt
2 t

si deci

 Z

n
2 n+1
n+1
2
(1 + t) 2 dt =
(x)dx =
n
n 2
2 t
0

 Z
n+1
1 n+1
2
=
(1 + t) 2 t1/2 dt .
n
2
0

y
1
Facem acum schimbarea de variabila t = 1y
. Atunci 1 + t = 1y
si
1
dt = (1y)2 dy. Daca t = 0 atunci y = 0, iar pentru t avem y 1.
Astfel

 Z1
n+1
1 n+1
2
(1 y) 2 y 1/2 (1 y)1/2 (1 y)2 dy =
(x)dx =
n
2
0

 Z1
 

n+1

n
1
1 n+1
1 n
1
1 2 1
2
2
2
=
(1 y)
B
,
=
y dy =
2 2
n2
n2
0




 
1
n

1 n+1
1
1
1
2
2
2
 =
=

= =1.
n
n+1
2
2

2
Observatia 5.12.3. Pentru n = 1 se obtine
1 (1)
1
1
(x) =
(1 + x2 )1 =
,
1 + x2
(1/2)
adica tocmai densitatea de repartitie a variabilei aleatoare Cauchy.
Teorema 5.12.4. Daca Z este o variabila aleatoare normala standard si
2 (n) este variabila aleatoare Hi-patrat cu n grade de libertate, atunci variabila aleatoare
Z
q
2 (n)
n

are repartitia t(n).

222

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Demonstratie. Ne propunem sa determinam functia de repartitie F a variabilei aleatoare q Z2 (n) . Avem


n

F (x) = P q
t
Z Z n x
=
0

< x = P

2 (n)
n

Z<

2 (n)
x
n

!
=

t
z2
n
1
1
e 2 n/2
t 2 1 e 2 dzdt =
2 (n/2)
2

1
22n/2 (n/2)

t
Z Z n x
t+z 2
n
t 2 1 e 2 dzdt .
0

Facem schimbarea de variabila


r
t=u

z=v

u
.
n

p
Iacobianul acestei transformari este nu . Apoi
r
r
r
t
u
u
z<
xv
<
xv<x.
n
n
n
Astfel
F (x) =

Zx Z

1
22n/2 (n/2)

n2

Pentru a calcula

u
u+v 2 n
2


n

n+1
1
2

v2

e 2 (1+ n ) dudv .

2 0

Z
I(v) =

u
dudv =
n

Zx Z

1
n+1
2

n
1
2

n+1
1
2

v2

e 2 (1+ n ) du ,

vom face schimbarea de variabila




u
v2
1+
=y.
2
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Atunci
v2
u=2 1+
n


1

v2
y si du = 2 1 +
n


223

1
dy .

Deci
Z
I(v) =

n1
2


 n+1

1
2
n+1
v2
v2
1 y
2
1+
y
e 2 1+
dy =
n
n

=2

n+1
2


 n+1

 n+1


Z
2
2
n+1
n+1
v2
v2
n+1
1
y
1+
y 2 e dy = 2 2 1 +

.
n
n
2
0

Prin urmare
F (x) =

Zx

1
n2

n+1
2

n
2

n+1
2


 n+1


2
v2
n+1
1+

dv =
n
2

 Zx 
 n+1
Zx
2 2
1 n+1
v
2
=
dv =
(v)dv ,
1+
n
n n2

unde


 n+1
2
1 n+1
v2
2
(v) =
,
1
+
n
n n2

ceea ce ncheie demonstratia.


Teorema 5.12.5. Consideram variabila aleatoare Fisher
p - Snedecor F (1, n).
Atunci densitatea de repartitie a variabilei aleatoare F (1, n), definita pe
axa reala pozitiva si extinsa prin simetrie la axa reala negativa, este tocmai
densitatea de repartitie a variabilei aleatoare Student.
Demonstrat
ie. Fie x > 0. Pentru a gasi densitatea de repartitie a variabilei
p
aleatoare F (1, n) calculam functia de repartitie a acestei variabile. Astfel
x2

Z
p
2
F (x) = P ( F (1, n) < x) = P (F (1, n) < x ) = 1,n (t)dt =
0

224

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Zx2
=


 n+1
 1/2
2
1
1
12

1
+
t
t
dt =
n
n
n2

n+1
2

1
2

Zx2



 n+1
2
n+1
1
1 1
2 
2

1
+

t
t
dt .

n
n
n2

=
0

Vom face schimbarea de variabila t = y 2 . Atunci dt = 2ydy. Astfel


Zx
F (x) =
0

Zx
=
0



 n+1
2
n+1
y2
1
2

y
1
+
2ydy =

n
n n2
 
 n+1
2
2 n+1
y2
2 
1+
dy .

n
n
n 2

p
Prin urmare densitatea de repartitie a variabilei aleatoare F (1, n) este


 n+1
2( n+1
2
x2
2 )

1+ n
, daca x > 0
n( n
.
(x) =
2)

0 , daca x 0
Vom extinde aceasta densitate de repartitie la axa reala negativa. In acest
R
scop o vom multiplica cu 21 pentru ca
(x)dx = 1. Am obtinut tocmai

densitatea de repartitie a variabilei aleatoare t(n).


Teorema 5.12.6.
M [t(n)] = 0

D2 [t(n)] =

n
.
n2

Demonstratie. Cum densitatea de repartitie a variabilei aleatoare Student


este simetrica n raport cu axa Ox, toate momentele de ordin impar vor fi
nule. In particular, M [t(n)] = 0. Apoi
2

M [t (n)] =

x (x)dx = 2

x2 (x)dx .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Facem schimbarea de variabila x =


M [t2 (n)] = 2

Z
0

t. Atunci dx =

si deci


 n+1
2
t
1
1 n+1
2
dt =
1
+
t
n
n
n 2
2 t

Z
=

dt
2 t

225

t1,n (t)dt = M [F (1, n)] =

n
,
n2

unde, n ultima egalitate, am folosit teorema 5.11.3. In final


n
D2 [t(n)] = M [t2 (n)] (M [t(n)])2 =
.
n2
Observatia 5.12.7. Valorile distributiei t au fost calculate de catre Student
(pseudonim al matematicianului Gosset). Astfel, n anexa F, avem valoarea
t,n a variabilei Student pentru care
P (| t(n) |> t,n ) = P (t,n < t(n) < t,n ) = ,
unde = 1 .

5.13

Repartitia Beta

Definitia 5.13.1. Se spune ca o variabila aleatoare continua satisface legea


Beta de parametri a, b > 0 si se noteaza (a, b), daca are densitatea de
repartitie
 1 a1
x (1 x)b1 , daca x [0, 1]
B(a,b)
,
(x, a, b) =
0 , n rest
unde B(a, b) =

R1

xa1 (1 x)b1 dx este functia Beta a lui Euler.

Observatia 5.13.2. este o densitate de repartitie.


Intr-adevar,
Z

1
(x, a, b)dx =
B(a, b)

Z1
0

xa1 (1 x)b1 dx =

1
B(a, b) = 1 .
B(a, b)

226

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Teorema 5.13.3.
M [(a, b)] =

a
a+b

D2 [(a, b)] =

ab
(a +

b)2 (a

+ b + 1)

Demonstratie.
Z1
M [(a, b)] =

1
1
xa1 (1 x)b1 dx =
B(a + 1, b) =
B(a, b)
B(a, b)

1
a
a

B(a, b) =
,
B(a, b) a + b
a+b
unde am folosit propozitia 5.6.3. Apoi
=

Z1

M [ (a, b)] =

x2

1
1
xa1 (1 x)b1 dx =
B(a + 2, b) =
B(a, b)
B(a, b)

a+1
1
a+1
a
1

B(a + 1, b) =

B(a, b) =
B(a, b) a + b + 1
B(a, b) a + b + 1 a + b
a(a + 1)
=
.
(a + b)(a + b + 1)
Atunci
D2 [(a, b)] = M [ 2 (a, b)] (M [(a, b)])2 =
a(a + 1)
a2
ab
=

=
.
(a + b)(a + b + 1) (a + b)2
(a + b)2 (a + b + 1)
Observatia 5.13.4. Distributia Beta este utila n multe probleme din inginerie si din economie. Astfel, variabila aleatoare ce masoara timpul necesar realizarii unei sarcini, a unui proiect complex, este o variabila ce are
distributia Beta.
=

5.14

Repartitia lognormal
a

Definitia 5.14.1. Se spune ca o variabila aleatoare continua satisface


distributia lognormal
a de parametri m R si > 0, daca are densitatea de repartitie
(
(ln xm)2

2 2
e
, daca x > 0 .
x 2
(x) =
0 , n rest

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

227

Teorema 5.14.2. Daca o variabila aleatoare f satisface distributia lognormala de parametri m R si > 0, atunci variabila aleatoare ln(f ) urmeaza
legea normala N (m, ).
Demonstratie. Calculam functia de repartitie a variabilei aleatoare ln(f ).
Fie x > 0. Atunci
F (x) = P (ln(f ) < x) = P (f < ex ) =

Zex

(ln tm)2
1
e 22 dt .
t 2

Facem schimbarea de variabila ln t = y. Atunci 1t dt = dy. Daca t 0 atunci


y , iar pentru t = ex avem y = x. Prin urmare
Zx
F (x) =

(ym)2
1
e 22 dy .
2

Am regasit astfel functia de repartitie a unei variabile aleatoare normale (vezi


observatia 5.8.4) si demonstratia este ncheiata.
Observatia 5.14.3. Distributia lognormala este folosita mult n analize
aceste analize se lucreaza cu logaritmii preturilor.
economico-financiare. In
Motivatia este aceea ca este de preferat ca n locul variatiei totale a pretului
pentru ca schimbarea
p = (p + h) p = h sa lucram cu variatia relativa p
p
pretului este proportionala cu nivelul lor curent. Dar


p+h
h
h
p
ln(p + h) ln p = ln
= ln 1 +
=
.
p
p
p
p
Deci variatia relativa

p
p

se aproximeaza bine cu variatia totala a lui ln p.

228

CAPITOLUL 5. REPARTIT
II PROBABILISTICE CLASICE

Capitolul 6
Teoreme clasice de convergent
a
Justificarea teoretica pentru ca n statistica matematica sa folosim frecventa
relativa n loc de probabilitate este furnizata de legea numerelor mari care
este studiata n prima sectiune a acestui capitol. Teorema limita centrala,
prezentata n sectiunea a treia, ne arata rolul central jucat de repartitia
normala.

6.1

Legea numerelor mari

Presupunem ca se efectueaza n experiente independente si n fiecare din


ele un eveniment A se realizeaza cu probabilitatea p si nu se realizeaza cu
probabilitatea q = 1 p. Consideram variabilele aleatoare {hk }nk=1 care iau
valorile 1 si 0 dupa cum n experienta de rang k evenimentul A se realizeaza
sau nu. Atunci numarul de realizari ale evenimentului A n cele n experinte,
numit si frecventa absolut
a a evenimentului A, va fi h1 + h2 + + hn .
Fie
h1 + h2 + + hn
fn =
n
frecventa relativ
a a evenimentului A n cele n experiente.
Teorema 6.1.1. (Legea numerelor mari sub forma lui Bernoulli).
Frecventa relativa a unui eveniment converge n probabilitate catre
probabilitatea evenimentului.
P
Demonstratie. Avem de demonstrat ca fn p. In baza definitiei 3.1.1,

229


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

230

acesta revine la a arata ca


() > 0 avem lim P (| fn p | ) = 0 .
n


0 1
Observam ca distributia variabilei aleatoare hk este
. Atunci
q p
M (hk ) = p si D2 (hk ) = M (h2k ) [M (hk )]2 = p p2 = p(1 p) = pq.
Prin urmare
n
1X
1
M (fn ) =
M (hk ) = np = p ;
n k=1
n
n
1 X 2
1
pq
D (fn ) = 2
D (hk ) = 2 npq =
.
n k=1
n
n
2

Scriem inegalitatea lui Cebasev pentru fn :


P (| fn M (fn ) | )
Atunci

pq
D2 (fn )
P (| fn p | ) 2 .
2

n
pq
=0
n n 2

lim P (| fn p | ) lim

si deci lim P (| fn p | ) = 0.
n

Teorema 6.1.2. (Legea numerelor mari sub forma lui Ceb


asev). Fie
(hn )nN un sir de variabile aleatoare independente care au aceeasi valoare
medie si dispersie, adica M (hn ) = m , D2 (hn ) = 2 , ()n N . Atunci
variabila aleatoare
h1 + h2 + + hn
fn =
n
converge n probabilitate catre m.
Demonstratie. Observam ca
n

1X
1
M (fn ) =
M (hk ) = nm = m ;
n k=1
n
D2 (fn ) =

n
1 X 2
1
2
2
D
(h
)
=

n
=
.
k
n2 k=1
n2
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

231

Aplicand inegalitatea lui Cebasev pentru fn avem


D2 (fn )
2

P
(|
f

m
|
)

,
n
2
n 2

P (| fn M (fn ) | )

ceea ce arata ca lim P (| fn m | ) = 0 si deci fn m.


n

Observatia 6.1.3. Evident, legea numerelor mari sub forma lui Cebasev
reprezinta o generalizare a legii numerelor mari sub forma lui Bernoulli.
Urmatoare teorema reprezinta o generalizare a teoremei lui Cebasev.
Teorema 6.1.4. (Legea numerelor mari). Fie (hn )nN un sir de variabile aleatoare necorelate doua cate doua astfel ncat:
1. M (hk ) = m , ()k N ;
2. exista o constanta C cu proprietatea D2 (hk ) C , ()k N .
Atunci variabila aleatoare
fn =

h1 + h2 + + hn
n

converge catre m atat n probabilitate cat si n media de ordin 2.


Demonstratie. Observam ca
n

1X
1
M (fn ) =
M (hk ) = nm = m .
n k=1
n
Din teorema 4.6.13, avem ca
D

n
X
k=1

Atunci

!
hk

n
X

D2 (hk ) .

k=1

n
1 X 2
1
C
D (fn ) = 2
D (hk ) 2 nC =
.
n k=1
n
n
2

Din inegalitatea lui Cebasev pentru fn , avem


P (| fn M (fn ) | )

D2 (fn )
C
P (| fn m | ) 2
2


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

232

si asftel lim P (| fn m | ) = 0, ceea ce arata ca fn m.


n

Pentru a obtine convergenta lui (fn ) la m n L2 va trebui sa demonstram ca

1/2
Z
lim | fn m |2 dP = 0 ,

adica lim M [(fn m)2 ] = 0. Dar


n

M [(fn m)2 ] = M [fn2 2mfn + m2 ] =


= M [fn2 ] 2m2 + m2 = M [fn2 ] m2 = D2 (fn )

C
.
n

Prin trecere la limita, se obtine ca


C
=0
n n

lim M [(fn m)2 ] lim

si deci lim M [(fn m)2 ] = 0, ceea ce trebuia demonstrat.


n

L2

Observatia 6.1.5. Era suficient sa demonstram ca fn m deoarece


convergenta n Lp implica convergenta n probabilitate pentru orice p (0, ).
literatura de specialitate pot fi gasite si alte variante
Observatia 6.1.6. In
pentru legea numerelor mari. Mentionam doar legea tare a numerelor mari
care afirma ca daca variabilele aleatoare (hn )nN sunt i.i.d. (vezi definitia
n
4.7.7) si M (hn ) = m , ()n N , atunci variabila aleatoare fn = h1 +h2 ++h
n
converge aproape sigur (vezi definitia 3.1.3) la m.

6.2

Convergenta n repartitie

Daca un sir (fn ) de variabile aleatoare converge la o limita f ce putem spune


despre sirul de functii de repartitie (Fn )? O astfel de ntrebare este fireasca,
dar, n general, nu putem afirma nimic. Exemplul urmator ne arata ca s-ar
putea ca limita sirului (Fn ) sa nu existe sau sirul (Fn ) sa fie convergent dar
nu n mod necesar la functia de repartitie F a lui f .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

233

Exemplul 6.2.1. Fie f o variabila aleatoare avand functia de repartitie F.


a.s.
Consideram sirul de variabile aleatoare fn = f n1 . Evident fn f . Dar




1
1
=F x+
Fn (x) = P (fn < x) = P f < x +
n
n
si astfel lim Fn (x) = F (x + 0). Prin urmare nu avem convergenta lui (Fn )
n

la F. Daca consideram sirul de variabile aleatoare (fn ) definite prin:



f + n1 , daca n este par
,
fn =
f n1 , daca n este impar
atunci s-ar putea ca limita lui (Fn ) sa nici nu existe.
Definitia 6.2.2. Sirul de functii de repartitie (Fn ) se numeste slab convergent la functia F si notam Fn F , daca Fn (x) F (x) n fiecare punct x
de continuitate al functiei F.
Definitia 6.2.3. Sirul de variabile aleatoare (fn ) se numeste slab convergent la f sau convergent n repartitie catre f si notam fn f , daca sirul
de functii de repartitie asociat (Fn ) converge slab la functia de reparitie F a
lui f.
P

Teorema 6.2.4. Daca fn f , atunci fn f .


Demonstratie. Fie Fn functia de repartitie a variabilei aleatoare fn si F
functia de repartitie a variabilei aleatoare f . Fie a un punct de continuitate
pentru F . Avem de demonstrat ca lim Fn (a) = F (a).
n
Cum F este continua n a, din teorema lui Cauchy-Bolzano, avem ca




1
1
F a
< , ()k k0 .
() > 0()k0 N : F a +
k
k
Dar







1
1
1
F a
=P f <a
=P
f <a
(fn < a) +
k
k
k





1
1
(fn a) P (fn < a) + P fn f >
.
+P
f <a
k
k


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

234

Prin trecere la limit


 a pentru n , tinand cont ca fn f , adica
1
lim P fn f > k = 0, obtinem:
n



1
limFn (a) .
F a
k
Pe de alta parte



1
Fn (a) = P (fn < a) = P (fn < a) f < a +
+
k







1
1
1
+P (fn < a) f a +
P f <a+
+ P f fn >
.
k
k
k
Prin trecere la limita pentru n , obtinem:


1
limFn (a) F a +
.
k
Atunci




1
1
0 limFn (a) limFn (a) F a +
F a
<.
k
k
Cum > 0 este arbitrar, obtinem ca exista lim Fn (a) = l. Atunci
n



1
F a
l , ()k k0
k
si prin trecere la limita pentru k , tinand cont ca F este
 continua n
1
punctul a, obtinem F (a) l. Apoi, inegalitatea l F a + k conduce, prin
trecere la limita pentru k , la l F (a) si deci l = F (a). In concluzie
lim Fn (a) = F (a), ceea ce trebuia demonstrat.
n

Observatia 6.2.5. Reciproca acestei teoreme nu este n general adevarat


a
asa cum arata exemplul urmator.
Exemplul 6.2.6. Se considera pe spatiul de probabilitate ([0, 1], Bor([0, 1]), m),
unde m este masura lui Borel, sirul de variabile aleatoare

0 , daca [0, 12 ]
fn () =
1 , daca ( 12 , 1]

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

235

si variabila aleatoare

f () =

1 , daca [0, 12 ]
.
0 , daca ( 12 , 1]

Sa se arate ca fn 6 f , dar fn f .
Solutie. Observam ca
P ({ [0, 1] : | fn () f () |= 1}) = P ([0, 1]) = 1
P

si prin urmare fn 6 f . Dar

0 , daca x 0
1
, daca x (0, 1]
Fn (x) =
2
1 , daca x > 1
si

0 , daca x 0
1
, daca x (0, 1]
F (x) =
2
1 , daca x > 1
si prin urmare lim Fn (x) = F (x) , ()x R, adica fn f .
n

Teorema 6.2.7. (Teorema lui Skorhod). Daca fn f , atunci exista variabilele aleatoare hn care au aceeasi functie de repartitie ca si fn si
variabila aleatoare h cu aceeasi functie de repartitie ca si f cu proprietatea
a.s.
hn h.
Demonstratie. Fie Fn functia de repartitie a variabilei aleatoare fn si F
functia de repartitie a variabilei aleatoare f . Am vazut n demonstratia
teoremei 2.5.4 ca, alegand = (0, 1), = Bor() si m masura Borel, atunci
hn () := inf{y : Fn (y) > } ,
h() := inf{y : F (y) > }
sunt variabile aleatoare si Fhn = Fn , Fh = F . Ramane sa verificam ca
a.s.
hn h. Vom demonstra ca hn () h() n toate punctele de continuitate
ale lui h. Din propozitia 2.4.4 stim ca multimea punctelor de discontinuitate ale unei functii de repartitie este cel mult numarabila. T
inand cont de

236

CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT


A

definitia lui h vom avea ca multimea punctelor de discontinuitate ale lui h


este cel mult numarabila. Astfel, daca demonstram ca hn () h() n toate
a.s.
punctele de continuitate ale lui h, vom avea ca hn h.
Fie un punct de continuitate al lui h si > 0. Alegem x un punct de
continuitate pentru F astfel ncat
h() < x < h() + .
Cum h() < x, obtinem ca F (x) > . Cum Fn (x) F (x), obtinem ca
exista n0 N cu proprietatea Fn (x) > , ()n n0 . Aceasta nseamna ca
hn () < x , ()n n0 . Deci hn () < x < h() + , ()n n0 . Cum > 0
este arbitrar, avem ca hn () h() , ()n n0 si deci limhn () h().
Pe de alta parte, alegand 0 < si y un punct de continuitate pentru F
astfel ncat
h( 0 ) < y < h( 0 ) ,
vom obtine ca F (y) 0 < . Cum Fn (y) F (y), obtinem ca exista
n00 N cu proprietatea Fn (y) < , ()n n00 , ceea ce nseamna ca
hn () y , ()n n00 . Deci hn () y > h( 0 ) , ()n n00 . Astfel
limhn () h( 0 ). Daca h este continua n , obtinem ca limhn () h().
In concluzie, exista lim hn () = h().
n

Lema 6.2.8. Fie f : Q R o functie crescatoare. Atunci F : R R,


definita prin
F (x) = sup{f (t) : t < x , t Q} ,
este o functie de repartitie extinsa.
Demonstratie. (1) F este monoton crescatoare.
Fie x < y. Atunci {t Q : t < x} {t Q : t < y} si prin urmare
sup{f (t) : t < x , t Q} sup{f (t) : t < y , t Q}, adica F (x) F (y).
(2) F este continua la stanga n fiecare punct.
Fie a R si > 0. Aratam ca exista t0 Q astfel ncat pentru orice
x (t0 , a) sa avem 0 F (a) F (x) < . T
inand cont de definitia marginii
superioare, avem ca
()t0 Q , t0 < a : F (a) < f (t0 ) + .
Atunci, pentru orice x (t0 , a), avem
0 F (a) F (x) F (a) f (t0 ) < ,
ceea ce trebuia demonstrat.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

237

Teorema 6.2.9. (Teorema lui Helly). Fie (Fn ) un sir de functii de


repartitie. Atunci din sirul (Fn ) se poate extrage un subsir care converge
slab la o functie de repartitie extinsa F.
Demonstratie. Fie (qn ) sirul crescator al numerelor rationale. Cum sirul
{Fn (q1 )} este un sir de numere reale marginit (luand valori n intervalul [0,1]),
n baza lemei lui Cesaro, el contine un subsir {Fn1 (q1 )} convergent. Vom nota
limita lui cu f (q1 ). Apoi, sirul {Fn1 (q2 )} este un sir marginit de numere reale
si va contine un subsir {Fn2 (q2 )} convergent. Vom nota limita lui cu f (q2 ).
Continuam acest procedeu, iar n final alegem sirul diagonal {Fnn }. Acesta
are proprietatea ca pentru orice numar rational qj avem Fnn (qj ) f (qj ).
Am obtinut astfel o functie crescatoare f , definita pe multimea numerelor
rationale. Pe baza lemei precedente, vom putea extinde acesta functie la R
punand
F (x) = sup{f (t) : t < x , t Q}
si functia F astfel obtinuta este o functie de repartitie extinsa.
Ramane sa demonstram ca Fnn (x) converge la F (x) n fiecare punct de continuitate al functiei F . Fie x un astfel de punct. Fie > 0. Demonstram
ca
()n0 N : | Fnn (x) F (x) |< , ()nn n0 .
Din definitia marginii superioare, exista r1 < x , r1 Q astfel ncat
f (r1 ) > F (x) . Cum Fnn (r1 ) f (r1 ), rezulta ca exista n00 N astfel
ncat Fnn (r1 ) > F (x) , ()nn n00 . Deci
F (x) < Fnn (r1 ) Fnn (x) , ()nn n00 .
Apoi, cum F este continua la dreapta n x, va exista > 0 astfel ncat
F (y) F (x) < , ()y (x, x + ) .
In particular, alegand r2 Q : r2 (x, x + ) avem F (r2 ) < F (x) + . Dar
Fnn (r2 ) F (r2 ) si deci exista n000 N astfel ncat
Fnn (r2 ) < F (x) + , ()nn n000 .
Deci
Fnn (x) Fnn (r2 ) < F (x) + , ()nn n000 .
Fie n0 = max{n00 , n000 }. Atunci
F (x) < Fnn (x) < F (x) + , ()nn n0 ,
ceea ce trebuia demonstrat.


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

238

Observatia 6.2.10. Se pune ntrebarea fireasca daca F din teorema precedenta nu este cumva chiar o functie de repartitie, adica lim F (x) = 0 si
x

general, raspunsul este negativ, asa cum arata exemplul


lim F (x) = 1. In
x
urmator.
Exemplul 6.2.11. Consideram sirul de functii de repartitie (Fn )nN definit
prin

1 , daca x n

0, 7 , daca x [0, n)
Fn (x) =
.
0, 2 , daca x [n, 0)

0 , daca x < n
Atunci Fn F , unde

F (x) =

0, 7 , daca x 0
,
0, 2 , daca x < 0

dar F nu este o functie de repartitie.


Solutie. Pentru x > 0 alegem n0 N : x < n0 . Atunci
Fn (x) = 0, 7 , ()n n0
si prin urmare lim Fn (x) = 0, 7 = F (x).
n
Apoi, daca x < 0, alegem n0 N : n0 > x. Atunci
Fn (x) = 0, 2 , ()n n0
si astfel lim Fn (x) = 0, 2 = F (x). Deci Fn F .
n

Functia F nu este o functie de repartitie pentru ca lim F (x) = 0, 7 6= 1 si


x

lim F (x) = 0, 2 6= 0.

Lema 6.2.12. Fie f o variabila aleatoare , functia ei caracteristica si f


repartitia ei de probabilitate. Atunci


Z1/a





f [2a, 2a] a
(t)dt 1 , ()a > 0 .


1/a

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

239

Demonstratie. Fie T > 0. Atunci


ZT

ZT

itx

(1e )dt = 2T
T

[cos(tx)+i sin(tx)]dt = 2T

2 sin T x
sin(tx) T
|T = 2T
.
x
x

Prin urmare
1
T

Z ZT

1
(1 e )dtdf =
T
itx

R T

Z 

2 sin T x
2T
x

Z
df = 2

2 sin T x
df .
Tx

Pe de alta parte
Z ZT

1
T

R T

ZT

1
=
T

ZT Z

1
(1 eitx )dtdf (x) =
T

(1 eitx )df (x)dt =

T R

1
[1 (t)]dt = 2T
T

ZT

1
(t)dt = 2
T

ZT
(t)dt .
T

In concluzie
1
T

ZT

Z
(t)dt =

2 sin T x
df (x) .
Tx

Sa observam ca, pentru | x |> 2a, avem




sin T x
1
1


T x T x < 2aT .
Evident ca



sin T x


Tx < 1 ,

pentru orice x si prin urmare




2a
Z

Z
ZT
1
sin T x

sin T x



(t)dt =
df (x) =
df (x)+
2T
Tx
Tx



T

2a


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

240

Z
+
|x|>2a


Z2a
Z

sin T x
1

df (x)
1df (x) +
df (x) = f [2a, 2a]+

Tx
2aT
2a
|x|>2a
1
+
[1 f [2a, 2a]] =
2aT

1
1
2aT


f [2a, 2a] +

1
.
2aT

Deci





ZT

1
1
1

(t)dt 1
f [2a, 2a] +
.
2T
2aT
2aT


T

In particular, pentru T = 1 , obtinem


a


Z1/a

a
1
1


(t)dt f [2a, 2a] +

2
2
2
1/a

si deci


Z1/a





f [2a, 2a] a
(t)dt 1 , ()a > 0 .


1/a

Teorema 6.2.13. (Teorema lui L
evy). Fie (fn ) un sir de variabile aleatoare
si (n ) sirul functiilor caracteristice asociate.
1. Daca fn f si este functia caracteristica a lui f atunci
lim n (t) = (t) , () t R .

2. Daca
(a) lim n (t) = (t) , () t R,
n

(b) este continua n origine,


atunci fn f si este functia caracteristica a lui f .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

241

Demonstratie. (1) Daca fn f atunci, conform teoremei lui Skorhod, exista


variabilele aleatoare hn care au aceeasi functie de repartitie ca si fn si variabila
a.s.
aleatoare h cu aceeasi functie de repartitie ca si f cu proprietatea hn h.
Daca g este o functie continua si marginita, teorema convergentei dominate
ne spune ca
Z
Z
g hn dP g hdP .

In particular, pentru g(x) = eitx , vom avea


Z
Z
ithn
e dP eith dP ,

adica
n (t) (t) .
(2) Fie > 0 arbitrar. Cum functia este continua n origine, avem ca


Z

1


lim
(t)dt =| (0) |= 1 .
0 2

Prin urmare, exista > 0 astfel ncat




Z

1



2 (t)dt > 1 2 .

Apoi, cum n (t) (t) pentru orice t R, din teorema convergentei


dominate avem ca
1
lim
n 2

Z
| n (t) (t) | dt = 0

si deci exista n0 N astfel ncat


1
2

Z
| n (t) (t) | dt <

, ()n n0 .
2


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

242

Atunci, pentru n n0 , avem





Z
Z





1
1


1 <
(t)dt =
[n (t) + (t) n (t)]dt
2 2
2





Z

Z

Z
1

1

1




n (t)dt +
| n (t) (t) | dt <
n (t)dt + .
2
2
2
2

Deci



Z


1
1 <
n (t)dt + ,
2 2
2

adica



Z

1


> 2(1 ) , ()n n0 .

(t)dt
n
2


Folosind lema precedenta, obtinem:




2 2
> 2(1 ) 1 = 1 2 , ()n n0 .
f n ,

Fie Fn functia de repartitie a variabilei aleatoare fn . Din teorema lui Helly
avem existenta unui subsir (Fnk ) al lui (Fn ) convergent slab la o functie de
repartitie extinsa F . Dar
 
 
2
2
F
=
lim F (x) lim F (x) F
x
x


 
 


2
2
2 2
= lim Fnk
Fnk
= lim fnk ,
> 1 2 .
nk
nk


Cum > 0 a fost ales arbitrar, avem
lim F (x) lim F (x) 1 .

Cum inegalitatea inversa lim F (x) lim F (x) 1 este evidenta, avem ca
x

lim F (x) lim F (x) = 1

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

243

si deci F este tocmai o functie de repartitie.


Fie functia caracteristica asociata lui F . Cum Fnk F , din prima parte
a teoremei, avem ca nk (t) (t) , ()t R. Prin urmare
(t) = (t) , ()t R
si deci este o functie caracteristica.
Pentru a demonstra complet teorema trebuie sa mai observam ca daca x este
un punct de continuitate al lui F , atunci {Fn (x)} converge la F (x). (Teorema
lui Helly ne da aceasta convergenta doar pentru un subsir al lui {Fn (x)}).
Consideram un alt subsir {Fnk (x)} al lui {Fn (x)} despre care presupunem ca
converge la G(x). Atunci, ca si mai sus, vom obtine ca functia caracteristica
a lui G este tot . Dar, daca doua functii de repartitie au aceeasi functie
caracteristica, atunci ele coincid. Deci G = F .

6.3

Teorema limit
a central
a

Teorema 6.3.1. Fie f o variabila aleatoare astfel ncat M [| f |n ] < pentru


un anumit n N . Atunci functia caracteristica a lui f este derivabila de
n ori si
Z
(k) (t) =

(ix)k eitx df , ()k n .

Demonstratie. Aplicand teorema convergentei dominate, avem


Z i(t+h)x
e
eitx
(t + h) (t)
0
= lim
df =
(t) = lim
h0
h0
h
h
R

Z
=

itx

eihx 1
df =
lim
h0
h

eitx ixdf .

Prin inductie se obtine rezultatul dorit.


Corolar 6.3.2. Fie f o variabila aleatoare astfel ncat M [| f |n ] < pentru
un anumit n N . Atunci functia caracteristica a lui f admite dezvoltarea
(t) =

n
X
ik tk M (f k )
k=0

k!

+ Rn (t) ,


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

244
unde Rn (t) satisface

Rn (t)
=0.
t0
tn

lim

Demonstratie. Scriem formula lui Mac Laurin de ordin n pentru functia .


Avem
n
X
tk (k)
(0) + Rn (t) ,
(t) =
k!
k=0
unde

Rn (t)
=0.
t0
tn
Conform teoremei precedente, avem ca
Z
(k)
(0) = (ix)k df = ik M (f k ) , ()k n .
lim

Revenind n formula de mai sus, se obtine rezultatul dorit.


Corolar 6.3.3. Fie f o variabila aleatoare astfel ncat M(f )=m si
D2 (f ) = 2 . Atunci functia caracteristica a lui f admite reprezentarea
(t) = 1 + itm

t2 2
( + m2 ) + R2 (t) ,
2

unde lim R2t2(t) = 0.


t0

Demonstratie. Rezultatul este imediat din corolarul precedent daca mai observam ca M (f 2 ) = D2 (f ) + [M (f )]2 = 2 + m2 .
Teorema 6.3.4. (Teorema limit
a central
a). Fie {fn }nN un sir de variabile aleatoare i.i.d. astfel ncat
M (fk ) = m ; D2 (fk ) = 2 , ()k N .
Atunci variabila aleatoare Sn =

n
P

fk satisface

k=1

Sn nm

N (0, 1) .
n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

245

Demonstratie. Cazul I. Presupunem mai ntai ca m = 0. Conform corolarului precedent, functia caracteristica a variabilei aleatoare f1 este
(t) = 1

t2 2
+ R2 (t) .
2

Cum sirul (fn ) este i.i.d., avem



Sn (t) =

n
t2 2
1 + R2 (t)
.
2

Apoi, aplicand teorema 4.7.9, obtinem




S
n
n

(t) = Sn


1
t
n

si deci

S
n
n


(t) = 1

1 2 2
t + R2
2 2 n

n



n
t
t2

+ R2
.
= 1
2n
n

Pe de alta parte, cum lim R2t2(t) = 0, vom avea ca, pentru t fixat,
t0

R2
lim 

2 = 0 ,

adica
lim nR2

Fie

t2
Cn = + nR2
2

=0.

; C=

t2
.
2

In baza celor de mai sus, avem ca lim Cn = C si astfel


n


n
Cn
lim 1 +
= eC .
n
n
Deci



n
t2
t2
t

lim 1
+ R2
= e 2 .
n
2n
n


CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT
A

246
In concluzie

lim

t2

S
n
n

(t) = e 2 .

Conform teoremei 5.8.12, functia caracteristica a variabilei aleatoare normale


t2
standard este (t) = e 2 . Deci
lim

S
n
n

(t) = (t) .

Acest rezultat mpreuna cu teorema lui Levy furnizeaza concluzia dorita.


Cazul II. Daca m 6= 0, consideram sirul gn = fn m. Atunci
M (gn ) = 0 , ()n N si putem aplica cazul precedent. Deci
n
P

(fk m)

N (0, 1) ,
n

k=1

adica

Sn nm

N (0, 1) ,
n

ceea ce trebuia demonstrat.


Exemplul 6.3.5. Sa se arate ca, cu o probabilitate de 95%, din 250.000 de
aruncari ale unei monede numarul de aparitii ale stemei este cuprins ntre
124.500 si 125.500.
Solutie. Fie fi variabila aleatoare care ia valorile 1 si 0 dupa cum n aruncarea
i apare sau nu stema. Atunci numarul de aparitii a stemei n n aruncari este
Sn = f1 + f2 + + fn . Evident
M (fi ) =

1 1
1
1
si D2 (fi ) = M (fi2 ) [M (fi )]2 = = .
2
2 4
4

Pe baza teoremei limita centrala, avem


Sn n 12
N (0, 1) .
1
n
2
Dar
P (|N (0, 1)| < 2) = F (2)F (2) = 2F (2)1 = 2(2) = 20, 4772 = 0, 9544 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

247

Atunci, pentru n suficient de mare,




Sn n 21
P 2 < 1
< 2 ' 0, 95 ,
n
2
adica

n

2
Pentru n = 250.000 avem
P

n 
n < Sn < + n ' 0, 95 .
2

P (125.000 500 < Sn < 125.000 + 500) ' 0, 95 .


Exemplul 6.3.6. La o ruleta sunt 38 de numere dintre care 18 de culoare rosie, 18 negre si doua verzi. Un jucator poate miza 1 leu pe negru
si va gastiga 1 leu daca bila cade pe negru si va pierde leul mizat daca bila
cade pe alta culoare. Fie Sn castigul total dupa n jocuri. Sa se determine
P (S1440 0).
Solutie. Fie fi variabila aleatoare care ia valorile 1 si 1 dupa cum jucatorul
pierde sau castiga n runda i. Atunci
18
1
20
+1
= ;
38
38
19
 2
1
360
2
2
2
.
D (fi ) = M (fi ) [M (fi )] = 1
=
19
361
M (fi ) = (1)

Cum Sn = f1 + f2 + + fn , avem

P (Sn 0) = P

Sn nm
nm


n
n

1
n 19
= P N (0, 1) q .
360
n
361

Atunci
P (S1440 0) = P (N (0, 1) 2) = 1 F (2) = 0, 5 (2) = 0, 0228 .
Deci, dupa 1440 de jocuri, probabilitatea ca jucatorul sa iasa n castig este
de 2, 28%. Tu decizi daca vrei sa joci!

248

CAPITOLUL 6. TEOREME CLASICE DE CONVERGENT


A

Capitolul 7
Teoria selectiei
7.1

Introducere

Statistica se fundamenteaza cu ajutorul teoriei probabilitatilor. Nu trebuie


nteles nsa ca statistica ar fi o ramura a teoriei probabilitatilor. Relatiile
stranse dintre cele doua discipline au condus la avantaje reciproce pentru
fiecare n parte. Obiectul statististicii l constituie sistematizarea, prelucrarea si utilizarea datelor experimentale (de selectie). Scopul statisticii
este studierea fenomenelor prin ncadrarea lor n una din clasele de fenomene
care se supun unor legi de probabilitate cunoscute.
Se numeste populatie statistic
a orice multime de obiecte care au cel
putin o caracteristica comuna si care este supusa analizei statistice.
Elementele acestei multimi se numesc indivizi. Valorile unei caracteristici
variaza de la un individ al populatiei la altul. Astfel caracteristica poate
fi privita ca o variabila aleatoare X ce se supune unei legi de probabilitate
L necunoscuta. Atat din motive tehnice cat si financiare valorile caracteristicii nu se culeg de la ntreaga populatie ci doar de la un numar de indivizi din populatia respectiva. Aceasta submultime se numeste selectie sau
esantion, iar numarul indivizilor din selectie se numeste volumul selectiei
sau volumul esantionului. Valorile unei caracteristici X obtinute n urma
unei selectii de volum N vor fi notate x1 , x2 , , xN si vor fi numite date
de selectie, valori de selectie sau serie statistic
a. Cum selectiile sunt
alegeri ntamplatoare independente, datele de selectie x1 , x2 , , xN pot fi
privite ca realizari ale unor variabile aleatoare independente X1 , X2 , , XN
249

250

CAPITOLUL 7. TEORIA SELECT


IEI

fiecare dintre ele supunandu-se aceleasi legi L ca si X. In particular


M (X1 ) = M (X2 ) = = M (XN ) = M (X) ;
D2 (X1 ) = D2 (X2 ) = = D2 (XN ) = D2 (X) .
In continuare vom considera datele de selectie drept variabile aleatoare.
Vom numi functie de selectie sau functie statistic
a orice functie reala
g(x1 , x2 , , xN ) ce depinde de datele de selectie. Evident exista numeroase
++xN
.
astfel de functii, spre exemplul media empirica x = x1 +x2 N
O selectie se numeste repetat
a daca dupa fiecare extragere a unui individ
el este reintrodus n populatie nainte de a face urmatoarea extragere. In
caz contrar selectia se numeste nerepetat
a. In continuare vom considera
doar selectii repetate, pentru ca, daca volumul populatiei este foarte mare
n raport cu volumul selectiei, atunci neintroducerea imediata a individului
ales este fara efect practic.
Definitia 7.1.1. Presupunem ca datele de selectie x1 , x2 , , xN se aseaz
a
n ordine crescatoare si obtinem sirul
a1 < a2 < < an , n N .
Se numeste frecventa absolut
a a valorii ak numarul Nk al indivizilor din
esantion caracterizati de valoarea ak .
Se numeste frecventa relativ
a a valorii ak numarul
k =

Nk
.
N

Se numeste distributie empiric


a sirul perechilor

n


ak
a1 a2 an
=
.
k k=1
1 2 n
Vom numi serie de frecvente absolute sirul perechilor

n


ak
a1 a2 an
=
.
Nk k=1
N1 N2 Nn
Observatia 7.1.2.

n
P
k=1

Nk = N ;

n
P
k=1

k = 1.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

251

Definitia 7.1.3. Vom numi histogram


a a unei serii de frecvente absolute,
familia de segmente verticale ce unesc punctele (ak , 0) cu (ak , Nk ).
Vom numi histogram
a a unei distributii empirice, familia de segmente verticale ce unesc punctele (ak , 0) cu (ak , k ).
urma unei selectii de volum 20 privind notele obtinute
Exemplul 7.1.4. In
la examenul de statistica se obtine seria de frecvente absolute


4 5 6 7 8 9 10
.
3 5 2 1 4 3 2
1. Sa se determine distributia empirica.
2. Sa se reprezinte histograma seriei de frecvente absolute.
Solutie.

1)

4
5
6
7
8
9
10
3/20 5/20 2/20 1/20 4/20 3/20 2/20


;

2)
Nk 6

5
4
3
2
1

---------------------------------------------------------------------------------------------------------------------------------

4 5 6 7 8 9 10

ak

cazul unor variabile aleatoare continue, frecventa abObservatia 7.1.5. In


soluta a oricarei valori nu este relevanta (fiind posibil ca majoritatea valo
rilor de selectie sa aiba frecventa absoluta 1). Intr-o
astfel de situatie, sau

252

CAPITOLUL 7. TEORIA SELECT


IEI

n cazul n care avem un numar mare de date de selectie, vom obtine o


distributie empirica asemanatoare, mpartind intervalul [a, b] n care X ia
valori n subintervale, numite clase de selectie. Ramane nsa deschis
a
problema numarului de clase de selectie. Relatia lui Sturges poate fi folosit
a,
lgN
subintervale.
Dac
a
x
,
x
,

,
x
sunt
datele
de
select

ie
alegand 1 + 10
1
2
N
3
(N mare sau majoritatea datelor de selectie sunt distincte) vom nota
xmax = max{xk ; k = 1, N } ,
xmin = min{xk ; k = 1, N } .
Intervalul [xmin , xmax ] se mparte n n subintervale de aceeasi lungime
xmax xmin
h=
.
n
Vom nota cu ak mijlocul intervalului
Ik = [xmin + (k 1)h, xmin + kh) , pentru k = 1, n .
Vom nota cu Nk numarul datelor de selectie situate n intervalul Ik , pentru
k = 1, n. Numarul Nk se va numi frecventa absolut
a a clasei k. Vom
obtine seria de frecvente absolute


a1 a2 an
.
N1 N2 Nn
Numarul k = NNk va fi numit frecventa relativ
a a clasei k. Obtinem
distributia empirica


a1 a2 an
.
1 2 n
Histograma distributiei empirice va fi acum o familie de dreptunghiuri de
altimea a fost aleasa n asa fel ncat fiecare
baza Ik si de naltime k /h. In
dreptunghi sa aiba aria egala cu frecventa relativa a clasei respective.
urma unei selectii de volum 100 privind cheltuielile
Exemplul 7.1.6. In
(exprimate n Euro) pentru cadouri n luna decembrie a anului 2005 efectuate
de persoane adulte din judetul Arad se obtin datele de selectie:
37, 18, 49, 55, 70, 21, 85, 33, 77, 19, 25, 66, 77, 33, 68, 69, 28, 34, 47, 45,
53, 64, 71, 84, 38, 27, 19, 29, 36, 59, 47, 68, 65, 62, 61, 63, 44, 48, 47, 50,
20, 30, 70, 75, 85, 65, 35, 40, 45, 20, 35, 85, 44, 69, 71, 30, 32, 49, 53, 61,
47, 45, 57, 61, 33, 32, 49, 50, 19, 18, 22, 26, 31, 49, 19, 56, 57, 63, 23, 61,
77, 80, 81, 85, 81, 77, 70, 39, 42, 41, 30, 33, 38, 41, 43, 80, 70, 35, 34, 54.
Sa se reprezinte histograma distributiei empirice.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

253

Solutie. Determinam numarul claselor de selectie aplicand relatia lui Sturges:


10
10
20
lgN = 1 + lg100 = 1 +
= 7, 66 .
3
3
3
Vom alege n = 7. Observam ca xmin = 18 si xmax = 85. Atunci
n=1+

h=

85 18
xmax xmin
=
= 9, 57 .
n
7

Alegem h = 10.
I1
I2
I3
I4
I5
I6
I7

Clasa
Frecventa absoluta Nk
= [18, 28)
14
= [28, 38)
19
= [38, 48)
17
= [48, 58)
14
= [58, 68)
12
= [68, 78)
15
= [78, 88)
9

Frecventa relativa k
0,14
0,19
0,17
0,14
0,12
0,15
0,09

k /h
0,019-6
0,0170,0150,0140,012-

0,009-

18

28

38

48

58

68

78

88

xk

k /h
0,014
0,019
0,017
0,014
0,012
0,015
0,009

254

7.2

CAPITOLUL 7. TEORIA SELECT


IEI

Caracteristici numerice empirice

Presupunem ca n urma unei selectii de volum N se obtin datele de selectie


x1 , x2 , , xN care, asezate n ordine crescatoare, conduc la sirul
a1 < a2 < < an , n N .

a1 a2
Avem astfel seria de frecvente absolute
N1 N2


a1 a2 an
empirica
, unde k = NNk .
1 2 n

an
Nn


si distributia

Definitia 7.2.1. Se numeste media empiric


a numarul
N
P

xi

i=1

x=

Definitia 7.2.2. Se numeste dispersia empiric


a numarul
N
P
2

s =

(xi x)2

i=1

Se numeste dispersia empiric


a corectat
a numarul
N
P

(xi x)2

i=1

N 1

Observatia 7.2.3. Pentru media empirica putem folosi si expresiile


n
P

x=

ak Nk

k=1

n
X

ak k .

k=1

Pentru calculul dispersiei empirice avem


n
P

s2 =

(ak x)2 Nk

k=1

n
X
k=1

(ak x)2 k .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

255

Apoi
n
P

(ak x)2 Nk

k=1

N 1

N
s2 .
N 1

Definit
ia 7.2.4. Se numeste abaterea standard de selectie numarul
s = s2 . Se numeste abaterea standard de selectie corectat
a numarul
s = s2 .
Definitia 7.2.5. Se numeste modul empiric acea valoare din selectie cu
frecventa cea mai mare.
Definitia 7.2.6. Presupunem ca datele de selectie sunt asezate n ordine
crescatoare
x1 x2 xN .
Vom numi mediana empiric
a numarul

xp+1 daca N = 2p + 1

.
x1/2 =
1
(xp + xp+1 ) daca N = 2p
2
Exemplul 7.2.7. Se fac 5 masuratori cu un cantar asupra greutatii unor
pungi de zahar si se gasesc urmatoarele rezultate exprimate n grame: 895,
907, 903, 897, 903. Sa se determine:
a) media empirica;
b) dispersia empirica;
c) dispersia empirica corectata;
d) abaterea standard de selectie;
e) abaterea standard de selectie corectata;
f ) modul empiric;
g) mediana empirica.
= 901;
Solutie. a) x = 895+907+903+897+903
5
(6)2 +62 +22 +(4)2 +22
2
b) s =
= 19, 2;
5
N
5
2
2
c) s = N 1 s = 4 19, 2 = 24;

d) s = 19, 2 = 4, 38;
e) s = 24 = 4, 89;
f) 903;
g) Asezam valorile de selectie n ordine crescatoare 895, 897, 903, 903, 907.
Cum N = 2 2 + 1, avem p = 2 si astfel x1/2 = x3 = 903.

256

CAPITOLUL 7. TEORIA SELECT


IEI

urma unei selectii de volum 20 privind notele obtinute


Exemplul 7.2.8. In
la examenul de statistica se obtine seria de frecvente absolute


4 5 6 7 8 9 10
.
3 5 2 1 4 3 2
Sa se determine:
a) media empirica;
b) dispersia empirica;
c) dispersia empirica corectata;
d) abaterea standard de selectie;
e) abaterea standard de selectie corectata;
f ) modul empiric;
g) mediana empirica.
= 6, 75;
Solutie. a) x = 43+55+62+71+84+93+102
20
2 3+1,752 5+0,752 2+0,252 1+1,252 4+2,252 3+3,252 2
2,75
= 4, 08;
b) s2 =
20
20
2
c) s =19 4, 08 = 4, 30;
d) s = 4, 08 = 2, 01;
e) s = 4, 30 = 2, 07;
f) 5;
g) N = 2 10 si deci p = 10. Astfel x1/2 = 12 (x10 + x11 ) = 12 (6 + 7) = 6, 5.
Teorema 7.2.9. (Valoarea medie si dispersia mediei empirice). Dac
a
o variabila aleatoare asociata unei caracteristici a populatiei statistice are
valoarea medie teoretica m si dispersia 2 , atunci
M (x) = m

D2 (x) =

2
.
N

Demonstratie.
M (x) = M

D (x) = D

N
1 X
xi
N i=1
N
1 X
xi
N i=1

N
N
1 X
1 X
=
M (xi ) =
m=m;
N i=1
N i=1

N
N
1 X 2
1 X 2 2
= 2
D (xi ) = 2
=
.
N i=1
N i=1
N

Corolar 7.2.10. x converge catre m n probabilitate.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

257

Demonstratie. Pentru variabila aleatoare x scriem inegalitatea lui Cebasev


P (| x M (x) | a)
Deci
P (| x m | a)

D2 (x)
.
a2

2
.
N a2
P

Astfel lim P (| x m | a) = 0. Cum a > 0 este arbitrar, avem x m.


N

Teorema 7.2.11. (Valoarea medie pentru dispersia empiric


a si dispersia empiric
a corectat
a).
N 1 2
;
N
Demonstratie. Observam mai ntai ca

M (s ) = 2 .

M (s2 ) =

s2 =

N
N
1 X
1 X
(xi x)2 =
[(xi m) (x m)]2 =
N i=1
N i=1

#
" N
N
X
1 X
=
(xi m)2 2(x m)
(xi m) + N (x m)2 =
N i=1
i=1
1
=
N

N
X

N
P
2

(xi m) 2(x m)

xi mN

i=1

i=1

+ (x m)2 =

N
N
1 X
1 X
2
2
2
(xi m) 2(x m) + (x m) =
(xi m)2 (x m)2 .
=
N i=1
N i=1

Atunci
N
N
1 X
1 X 2
2
2
M [(xi m) ] M [(x m) ] =
D (xi ) D2 (x) =
M (s ) =
N i=1
N i=1
2

N
1 X 2 2
2
N 1 2

= 2
=
.
N i=1
N
N
N

Apoi
2

M (s ) = M

N
s2
N 1


=

N
M (s2 ) = 2 .
N 1

258

CAPITOLUL 7. TEORIA SELECT


IEI

Definitia 7.2.12. Se numeste moment de selectie de ordin k N


numarul
N
P
xki
.
M k = i=1
N
Observatia 7.2.13. x = M 1 .
Definitia 7.2.14. Se numeste moment centrat de selectie de ordin
k N numarul
N
P
(xi x)k
i=1
k =
.
N
Observatia 7.2.15. s2 = 2 .
Definitia 7.2.16. Fie (0, 1). Se numeste -cuantila seriei statistice
x1 , x2 , , xN numarul x cu proprietatea ca o proportie de valori ale seriei
sunt mai mici ca x iar o proportie de 1 valori sunt mai mari ca x .
Observatia 7.2.17. Remarcam ca 12 -cuantila este tocmai mediana empiric
a.

a si respecInteres prezinta cuantilele x1/4 si x3/4 numite cuantila inferioar


tiv cuantila superioar
a. Cuantilele se folosesc n clasificarea unei populatii
n grupe.

7.3

Functia empiric
a de repartitie

Definitia 7.3.1. Se numeste functie empiric


a de repartitie, asociat
a
selectiei efectuate, aplicatia
FN : R [0, 1] ,

FN (x) :=

k .

k:ak <x

urma unei selectii de volum N=100 asupra unei


Exemplul 7.3.2. In
caracteristici a unei populatii statistice se obtin valorile 5, 6, 7, 8, 9, 10
cu frecventele absolute 20, 15, 8, 30, 25, 2. Sa se determine functia empiric
a
de repartitie.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

259

Solutie.

0, 2

0, 35
0, 43
FN (x) =

0, 73

0, 98

,
,
,
,
,
,
,

daca
daca
daca
daca
daca
daca
daca

x5
x (5, 6]
x (6, 7]
x (7, 8] .
x (8, 9]
x (9, 10]
x > 10

Observatia 7.3.3. Functia empirica de repartitie este o functie n scara,


continua la stanga n fiecare punct.
Observatia 7.3.4. Se pune ntrebarea fireasca: n ce masura functia de
repartitie teoretica F este aproximata de functia empirica de repatitie FN ?
Raspunsul este dat de teorema lui Glivenko care spune ca daca N ,
atunci marimea
DN = sup | FN (x) F (x) |
xR

converge n probabilitate catre zero.

260

CAPITOLUL 7. TEORIA SELECT


IEI

Capitolul 8
Teoria estimatiei
8.1

Consideratii generale

In diverse aplicatii ale statisticii matematice intervin legi de probabilitate ce


depind de unul sau mai multi parametri. De exemplu o lege Poisson depinde
de un parametru , o lege normala depinde de parametrii m si etc. In cazul
n care se stie ca fenomenul studiat se supune unei legi cunoscute se spune
ca repartitia este specificat
a. Daca se cunosc si parametrii acestei legi vom
spune ca avem o repartitie complet specificat
a. In cele ce urmeaza vom
presupune ca avem de determinat un parametru al unei repartitii specificate.
Fie un parametru necunoscut. Consideram o selectie de volum N care
conduce la valorile x1 , x2 , , xN pentru caracteristica studiata. Atunci se
poate aproxima printr-o functie statistica N = N (x1 , x2 , , xN ).
Definitia 8.1.1. Estimarea N se numeste consistent
a daca N converge
n probabilitate catre , adica
lim P (| N | ) = 0 , () > 0 .

Propozitia 8.1.2. Media empirica x este o estimare consistenta pentru


valoarea medie teoretica m.
Demonstratie. Imediata din corolarul 7.2.10.
Definitia 8.1.3. Estimarea N se numeste nedeplasat
a daca M (N ) = ,
adica, n medie, suntem la tinta.
261

262

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Propozitia 8.1.4. Media empirica x este o estimare nedeplasata pentru


valoarea medie teoretica m.
Demonstratie. Din teorema 7.2.9 avem M (x) = m.
2

Propozitia 8.1.5. Dispersia empirica corectata s este o estimare nedeplasata pentru dispersia teoretica 2 .
2

Demonstratie. Din teorema 7.2.11 avem M (s ) = 2 .


Observatia 8.1.6. Propozitia precedenta ne da motivul introducerii dispersiei empirice corectate si utilizarea ei n locul dispersiei empirice care este un
estimator deplasat pentru 2 .
urma unei selectii de volum N = 8 se obtin pentru
Exemplul 8.1.7. In
caracteristica studiata urmatoarele valori: 3, 7, 5, 4, 6, 9, 6, 8. Sa se determine o estimare nedeplasata pentru 2 .
Solutie. Conform propozitiei precedente, o estimare nedeplasata pentru 2
este dispersia empirica corectata. Cum
N
1 X
3+7+5+4+6+9+6+8
=6,
x=
xi =
N i=1
8

avem
N
P

(xi x)2

i=1

N 1

(3)2 + 12 + (1)2 + (2)2 + 02 + 32 + 02 + 22


=4.
7

Definitia 8.1.8. Estimarea N se numeste asimptotic nedeplasat


a dac
a
lim M (N ) = .

Propozitia 8.1.9. Dispersia empirica s2 este o estimare asimptotic nedeplasata pentru dispersia teoretica 2 .
Demonstratie. Din teorema 7.2.11 avem M (s2 ) =

N 1 2
= 2 .
N
N

lim M (s2 ) = lim

N 1 2
.
N

Atunci

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

263

Observatia 8.1.10. Uneori exista mai multi estimatori nedeplasati. Pe care


l vom alege? Care este mai eficient? Inegalitatea lui Cebasev ne ofera un
criteriu pentru alegerea estimatorilor. Astfel, cum
P (| N M (N ) | )

D2 (N )
, () > 0 ,
2

avem

D2 (N )

, () > 0 .
P (| N | )
2
Prin urmare vom alege acel estimator N care are dispersia minima.
Exemplul 8.1.11. Se considera variabila aleatoare continua f cu densitatea
de repartitie
 1 x
e , daca x 0

(x) =
.
0 , daca x < 0
urma unei selectii de volum N = 2 se obtin pentru variabila aleatoare f
In
valorile x1 si x2 . Se considera trei estimatori pentru :

1 = x1

2 =

x1 + x2
2

3 =

x1 + x2
.
3

Sa se precizeze care este mai eficient.


Solutie. Observam ca variabila aleatoare din enunt este variabila aleatoare
exponentiala de parametru = 1 (vezi definitia 5.5.1). Atunci, conform
teoremei 5.5.4, avem
M (f ) =

1
= ;

D2 (f ) =

1
= 2 .
2

Mai ntai vrem sa vedem care dintre cei trei estimatori este nedeplasat. Observam ca
M (
1 ) = M (x1 ) = M (f ) =
si deci
1 este nedeplasat. Apoi
M (
2 ) =

M (x1 ) + M (x2 )
M (f ) + M (f )
=
=
2
2

si astfel
2 este un estimator nedeplasat. Dar
M (
3 ) =

M (x1 ) + M (x2 )
M (f ) + M (f )
2
=
=
3
3
3

264

CAPITOLUL 8. TEORIA ESTIMAT


IEI

si deci
3 nu este un estimator nedeplasat. Prin urmare ramane sa decidem
care dintre estimatorii
1 si
2 este mai eficient, altfel spus, care are dispersia
minima. Avem
D2 (
1 ) = D2 (x1 ) = D2 (f ) = 2 ,


x1 + x2
D2 (x1 ) + D2 (x2 )
22
2
2
2
D (
2 ) = D
=
=
=
.
2
4
4
2
Deci
2 este estimatorul mai eficient.
Definitia 8.1.12. O estimatie nedeplasata N care are dispersia minima se
numeste estimatie eficient
a.
Definitia 8.1.13. Estimatia N se numeste absolut corect
a daca este nedeplasata si
lim D2 (N ) = 0 .
N

Estimatia N se numeste corect


a daca este asimptotic nedeplasata si
lim D2 (N ) = 0 .

Propozitia 8.1.14. Media empirica x este o estimare absolut corecta pentru


valoarea medie teoretica m.
Demonstratie. Din propozitia 8.1.4 avem ca media empirica x este o estimare
nedeplasata pentru valoarea medie teoretica m. Apoi, din teorema 7.2.9,
2
avem D2 (x) = N . Atunci
2
=0.
N N

lim D2 (x) = lim

Propozitia 8.1.15. Frecventa relativa fN a unui eveniment n N experiente


este o estimatie absolut corecta pentru probabilitatea evenimentului.
Demonstratie. Consideram un eveniment A cu probabilitatea p. Asa cum
am vazut n demonstratia teoremei 6.1.1 avem M (fN ) = p (deci fN este
o estimatie nedeplasata pentru parametrul p) si D2 (fN ) = p(1p)
. Cum
N
lim D2 (fN ) = 0, obtinem ca fN este o estimatie absolut corecta pentru
N
probabilitatea p a evenimentului A.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

8.2

265

Metoda momentelor

Utilizarea momentelor n determinarea estimatorilor a fost propusa de


Pearson. Principiul metodei consta n rezolvarea sistemului de ecuatii
M k = Mk , k = 1, s ,
unde M k =

1
N

N
P

xki sunt momentele de selectie de ordin k, Mk sunt mo-

i=1

mentele teoretice de ordin k, iar s reprezinta numarul de parametri necunoscuti.


Exemplul 8.2.1. Se considera variabila aleatoare uniforma definita pe intervalul [0, ]. Sa se estimeze parametrul utilizand metoda momentelor.
Solutie. In baza teoremei 5.4.4, valoarea medie teoretica este M1 = . Din
2

observatia 7.2.13 avem M 1 = x. Prin urmare M 1 = M1 conduce la x = 2 .


Astfel estimatorul este dat prin = 2x.
Exemplul 8.2.2. Utilizand metoda momentelor sa se estimeze parametrii
si ai distributiei Gamma.
Solutie. Conform teoremei 5.9.5, avem

M [(, )] =
; D2 [(, )] = 2 .

Deci M1 = . Cum
D2 [(, )] = M [2 (, )] (M [(, )])2 ,
obtinem ca

2
+ 2
M2 = M [ (, )] = D [(, )] + (M [(, )]) = 2 + 2 =
.

2
Prin urmare avem ecuatiile

=x,

N
+ 2
1 X 2
=
x .
2
N i=1 i
2

De aici obtinem ca
x2

=
1
N

N
P
i=1

x2i

;
x

=
1
N

N
P
i=1

x2i

.
x

266

8.3

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Metoda verosimilit
atii maxime

Definitia 8.3.1. Daca o caracteristica X a populatiei statistice este o variabila aleatoare discreta ce depinde de un parametru , atunci vom numi
functie de verosimilitate asociata unei selectii x1 , x2 , , xN de volum
N aplicatia
N
Y
L(x1 , x2 , , xN ; ) =
P (X = xj ) .
j=1

cazul n care caracteristica studiata X este o variabila aleatoare conIn


tinua caracterizata de densitatea de repartitie (x, ), vom numi functie de
verosimilitate asociata unei selectii x1 , x2 , , xN de volum N aplicatia
L(x1 , x2 , , xN ; ) =

N
Y

(xj , ) .

j=1

Definitia 8.3.2. Se numeste estimatie de verosimilitate maxim


a acea
valoare N a parametrului care este punct de maxim pentru aplicatia L.
Observatia 8.3.3. Cum functia logaritm este crescatoare functiile L si lnL
admit extreme pentru aceleasi valori ale lui . Prin urmare vom determina
baza teoremei lui
valoarea N care este un punct de maxim pentru lnL. In
Fermat aceasta valoare N este o solutie a ecuatiei

lnL = 0 ,

ecuatie numita ecuatie de verosimilitate. Daca


 2


lnL (N ) < 0 ,
2
atunci solutia gasita este un punct de maxim si deci o estimatie de verosimilitate maxima.
Exemplul 8.3.4. Sa se determine o estimatie de verosimilitate maxima pentru parametrul m al unei legi normale N (m, ).
Solutie. Reamintim ca legea normala este caracterizata de densitatea de
repartitie
(xm)2
1
(x, m) = e 22 .
2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Atunci
L(x1 , x2 , , xN ; m) =

N
Y

267

(xj , m) =

j=1
N
Y

(xj m)2
1
e 22 =
=
2
j=1

2
N
P

1
lnL = N ln
2

N
e

N
P
(xj m)2
j=1

2 2

(xj m)2

j=1

2 2

N
N
1 X
1 X
1

lnL = 2
2(xj m)(1) = 2
(xj m) = 2
m
2 j=1
j=1

N
X

!
xj N m

j=1

Atunci
N
P

lnL = 0
xj N m = 0 m =
m
j=1

xj

j=1

m=x.

Cum

2
1
lnL = 2 (N ) < 0 ,
2
m

x este o estimatie de verosimilitate maxima pentru parametrul m.


Exemplul 8.3.5. Sa se determine o estimatie de verosimilitate maxima pentru parametrul din legea lui Poisson.
Solutie. Reamintim ca variabila
aleatoare Poisson este o variabila aleatoare


k
k
discreta avand distributia
, unde Pk = k! e . Atunci
Pk kN
N
Y

N
Y

N
P

xj

xj

j=1

L(x1 , x2 , , xN ; ) =
P (P o() = xj ) =
e = eN N
;
Q
x
!
j
j=1
j=1
xj !
j=1

lnL = N +

N
X
j=1

!
xj

ln

N
X
j=1

ln xj ! ;

268

CAPITOLUL 8. TEORIA ESTIMAT


IEI
N
X

lnL = N +

Atunci

Cum
2
lnL =
2

N
X

xj

j=1
N
P

lnL = 0 =

1
.

xj

j=1

=x.

N
!

1
2

xj

j=1


<0,

x este o estimatie de verosimilitate maxima pentru parametrul .


Exemplul 8.3.6. Sa se determine o estimatie de verosimilitate maxima pentru parametrul din densitatea de repartitie
(x, ) = ex .
Solutie.
L(x1 , x2 , , xN ; ) =

N
Y

xj

N
P

= e

j=1

xj

j=1

ln L = N ln

N
X

xj ;

j=1
N

N X

lnL =

xj .

j=1
Atunci

N
1
lnL = 0 = N
= .
P

x
xj
j=1

Cum

1
x

2
N
lnL = 2 < 0 ,
2

este o estimatie de verosimilitate maxima pentru parametrul .

Exemplul 8.3.7. Sa se determine o estimatie de verosimilitate maxima pentru parametrii m si ai unei legi normale N (m, ).

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

269

Solutie. Legea normala este caracterizata de densitatea de repartitie


(xm)2
1
(x, m, ) = e 22 .
2

Atunci

N
Y

L(x1 , x2 , , xN ; m; ) =

(xj , m, ) =

j=1
N
Y

(xj m)2
1
e 22 =
=
2
j=1

N
P

1
lnL = N ln
2

(xj m)2

j=1

2 2

N
e

N
P
(xj m)2
j=1

2 2

N
1 X
= N ln 2 2
(xj m)2 .
2 j=1

Determinam punctele critice pentru lnL rezolvand sistemul



lnL = 0
m
.

lnL
=0

Observam ca
" N
#
N
N
1 X

1 X
1 X
lnL = 2
2(xj m)(1) = 2
(xj m) = 2
xj N m .
m
2 j=1
j=1
j=1
Atunci

N
P

lnL = 0 m =
m

xj

j=1

m=x.

Apoi
"
#
N
N
X

N
1 X
1
lnL = + 3
(xj m)2 = 3 N 2 +
(xj m)2 .

j=1

j=1
Atunci
N
P

lnL = 0 2 =

N
P

(xj m)2

j=1

2 =

(xj x)2

j=1

2 = s2 = s .

270

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Pentru a ne asigura ca punctul critic gasit (x, s) este un punct de maxim


pentru functia lnL trebuie sa calculam matricea ce contine derivatele partiale
de ordinul doi ale funtiei lnL. Avem
N
2
N
=

lnL
=

|
;
(x,s)
m2
2
s2
" N
#
2 X
2
2
lnL = 3
xj N m = 3 [N x N m] |(x,s) = 0 ;
m
j=1

N
2
N
3 X
lnL = 2 4
(xj m)2 |(x,s) =
2

j=1

N
3 X
3
2N
N
N
2
2

N
s
=

.
(x

x)
=
j
s2 s4 j=1
s2 s4
s2

Obtinem matricea


sN2
0
0 2N
s2


.

Minorii principali ai acestei matrici sunt


1 =

N
2N 2
<
0
,

=
>0
2
s2
s4

si astfel (x, s) reprezinta o estimatie de verosomilitate maxima pentru parametrii


(m, ) ai unei legi normale.
Exemplul 8.3.8. Se considera o variabila aleatoare discreta X care are
distributia


0 1
,
q p
unde p (0, 1). Sa se determine o estimatie de verosimilitate maxima pentru
parametrul p.
Solutie. Observam ca P (X = x) = px q 1x , unde x {0, 1}. Atunci
L(x1 , x2 , , xN ; p) =

N
Y
j=1

P (X = xj ) =

N
Y
j=1

N
P

xj N

pxj q 1xj = pj=1 q

N
P
j=1

xj

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA
N
X

lnL =

!
xj

lnp +

j=1

lnL =
p
Cum

N
P

N
X

N
X

271

!
ln(1 p) ;

xj

j=1

!
xj

j=1

1
+
p

N
X
j=1

!
xj

1
(1) .
1p

xj = N x, obtinem

j=1

Nx N Nx
Nx
1x
lnL =

=
N
.
p
p
1p
p
1p
Atunci

Cum

x
1x
lnL = 0 =
p=x.
p
p
1p
Nx
1x
2
lnL = 2 N
<0,
2
p
p
(1 p)2

caci x [0, 1], media empirica x reprezinta o estimatie de verosimilitate


maxima pentru parametrul p.

8.4

Estimatii eficiente

Teorema 8.4.1. (Teorema lui Rao-Cramer). Fie (x, ) o densitate de


repartitie ce depinde de parametrul real , continua si derivabila n raport cu
si N o estimatie nedeplasata pentru parametrul . Atunci:
1.

D2 (N )
N

.
2
ln (x, ) (x, )d

relatia de mai sus avem egalitate, adica N este estimatie eficienta,


2. In
daca si numai daca functia verifica o relatie de forma
ln (x, ) = A0 ()[L(x) ] + A() + B(x) ,
unde A este o functie de doua ori derivabila cu A00 () 6= 0 pentru orice
.

272

CAPITOLUL 8. TEORIA ESTIMAT


IEI

3. Estimatia eficienta N are expresia


N
P

N =

L(xi )

i=1

Exemplul 8.4.2. Sa se determine o estimatie eficienta pentru parametrul


m al unei legi normale.
Solutie.
(xm)2
1
(x, m) = e 22 .
2
Vom aduce ln la forma din teorema lui Rao-Cramer. Avem

xm
m2
x2
(x m)2
ln = ln 2
=

ln

2 .
2 2
2
2 2 2 2
Daca
ln = A0 (m)L(x) mA0 (m) + A(m) + B(x) ,
prin identificare obtinem
L(x) = x ; A0 (m) =

m2
m

A(m)
=
.
2
2 2

Apoi
m2
m2
m2
A(m) mA0 (m) = 2 2 = 2
2

2
x
si B(x) = 2
2. Conform punctului (3) din teorema lui Rao2 ln
Cramer estimatia eficienta are expresia
N
P

N =

N
P

L(xi )

i=1

xi

i=1

=x.

Teorema 8.4.3. Daca exista o estimatie eficienta pentru parametrul atunci


estimatia de verosimilitate maxima pentru coincide cu estimatia eficient
a.
Demonstratie. Conform teoremei lui Rao-Cramer, avem
ln (x, ) = A0 ()[L(x) ] + A() + B(x) .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

273

Atunci

ln (x, ) = A00 ()[L(x) ] A0 () + A0 () = A00 ()[L(x) ] .

Apoi
L(x1 , , xn ; ) =

N
Y

(xj , ) .

j=1

Astfel
ln L =

N
X

ln (xj , ) .

j=1

Atunci
" N
#
N
N
X
X
X

ln L =
ln (xj , ) =
A00 ()[L(xj )] = A00 ()
L(xj ) N .

j=1
j=1
j=1
Daca N este o estimatie de verosimilitate maxima pentru parametrul

ln L = 0. Cum nsa A00 () 6= 0, pentru


atunci N este o solutie a ecuatiei
orice , vom obtine ca

N
P

N
P

L(xj ) N N = 0 si deci N =

j=1

L(xi )

i=1

. Aplicand

punctul (3) al teoremei lui Rao-Cramer, observam ca N coincide cu estimatia


eficienta pentru parametrul .

8.5

Intervale de ncredere

Una din problemele cu estimatorii punctuali este ca acestia ne dau o singura


valoare. Intr-un anumit sens aceasta poate fi cea mai buna alegere pe care o
putem gasi pentru valoarea unui parametru, dar ar fi frumos sa ne facem o
idee asupra multimii valorilor bune. Astfel ajungem la notiunea de interval de
ncredere sau interval de confidenta. Acesta este un interval n care se afla
parametrul estimat cu o probabilitate data. Trebuie precizat ca termenul
de interval de ncredere este folosit atunci cand parametrul necunoscut
este unu-dimensional. In cazul n care este multi-dimensional este utilizat
termenul de regiune de ncredere.
Presupunem ca se cunoaste tipul unei variabile aleatoare X asociata unei
populatii statistice, dar nu se cunoaste un parametru real care intervine

274

CAPITOLUL 8. TEORIA ESTIMAT


IEI

n expresia lui X. Fie (0, 1), numit nivel de semnificatie. Se pune


problema determinarii unui interval (1 , 2 ) astfel ncat
P (1 < < 2 ) = 1 ,

.
2
Intervalul (1 , 2 ) se numeste interval de ncredere, iar = 1 se numeste
prag de ncredere. Precizam ca valorile cele mai frecvente pentru sunt
0,1; 0,05; 0,01, iar este dat de multe ori n procente 90%; 95%; 99%.
Pentru a determina un interval de ncredere este necesar sa gasim o functie
statistica Z = Z(x1 , x2 , , xN ; ) care sa ndeplineasca conditiile:
P ( 1 ) = P ( 2 ) =

1. Z sa fie strict monotona n raport cu parametrul ;


2. probabilitatea ca a < Z < b sa fie cunoscuta si sa nu depinda de .
Daca am gasit o astfel de functie statistica Z, vom determina A1 si A2 astfel
ncat intervalul (A1 , A2 ) sa fie simetric fata de M (Z) si P (A1 < Z < A2 ) =
= 1 . Dar A1 < Z < A2 revine la 1 < < 2 si (1 , 2 ) este intervalul
cautat.
Teorema 8.5.1. Presupunem ca n urma unei selectii de volum N asupra
unei variabile aleatoare ce urmeaza o lege normala N (m, ) se obtin datele
de selectie x1 , x2 , , xN . Atunci:
1. x satisface o lege normala N (m, N );
2. Z =
3. A =
4. B =

5. C =
6. T =

xm

satisface o lege normala standard;

2

xm

1
2

N
P

satisface repartitia 2 (1);

(xi m)2 satisface repartitia 2 (N );

i=1

N s2
2
xm
s

1
2

N
P

(xi x)2 satisface repartitia 2 (N 1);

i=1

satisface repartitia t(N 1).

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Demonstratie.
N
P

1) Determinam functia caracteristica pentru x.

275
Cum

xj

x = j=1N si datele de selectie x1 , , xN sunt variabile aleatoare independente, obtinem


 
N
N
Y
Y
t
x
x (t) =
xj
.
j (t) =
N
N
j=1
j=1
Cum xj satisface legea normala N (m, ), din teorema 5.8.13, avem
xj (t) = eimt

t2 2
2

Deci
x (t) =

N
Y

2 2
2N 2

t
t
im N


N
2 2
t
t2 2
t 2
im N
2N
= e
= eimt 2N ,

j=1

care este functia de repartitie pentru variabila aleatoare normala N (m, N ).


2) Rezulta din punctul precedent.
3) Se obtine din propozitia 5.10.2.
4) Cum datele de selectie x1 , , xN sunt variabile aleatoare independente
}N
fiecare supunandu-se legii N (m, ), vom avea ca { xi m
i=1 sunt variabile

aleatoare independente normale standard. Din observatia 5.10.3 avem ca


N

P
xi m 2
urmeaza repartitia 2 (N ).

i=1

5) Asa cum am vazut n demonstratia teoremei 7.2.11


s2 =
Inmultim cu

N
2

N
1 X
(xi m)2 (x m)2 .
N i=1

si obtinem
N
N s2
1 X
N
= 2
(xi m)2 2 (x m)2 ,
2

i=1

adica
N s2
+
2

xm

!2
=

N
1 X
(xi m)2 .
2 i=1

276

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Deci C + A = B. Trecand la functii caracteristice obtinem C+A (t) = B (t).


Dar s2 si x sunt variabile aleatoare independente si atunci
C (t)A (t) = B (t) .
Am vazut nsa, n demonstratia observatiei 5.10.3, ca functia caracteristica
a repartitiei 2 (N ) este
N

2 (N ) (t) = (1 2it) 2 .
Deci
C (t)(1 2it)1/2 = (1 2it)N/2 .
N 1

Astfel C (t) = (1 2it) 2 , care este functia caracteristica a repartitiei


2 (N 1).
6) Consideram variabila aleatoare
Z
T =q

C
N 1

Conform punctului (2) variabila aleatoare Z satisface o lege normala standard


si conform punctului (5) variabila aleatoare C satisface repartitia 2 (N 1).
Aplicand teorema 5.12.4, variabila aleatoare T are repartitia t(N 1). Dar
v
u
r
N
u1
s
C
1 X
t
2
=
.
(xi x) =
N 1
2 N 1 i=1

Atunci
T =

xm

xm
= s .

s
N

Teorema 8.5.2. (Intervalul de ncredere pentru parametrul m al


unei legi normale N (m, )).
1. Daca este cunoscut, atunci



m x , x +
,
N
N
unde se determina din relatia ( ) =
Laplace.

1
,
2

iar este functia lui

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

277

2. Daca este necunoscut, atunci




s
s
,
m x t,N 1 , x + t,N 1
N
N
unde t,N 1 depinde de pragul de ncredere ales = 1 si de numarul
gradelor de libertate N 1 si se determina din relatia
P (t,N 1 < t(N 1) < t,N 1 ) = .
Demonstratie. 1) Consideram functia statistica
Z=

xm

care satisface o lege normala standard si prin urmare are functia de repartitie
1
F (z) =
2

Zz

t2

e 2 dt .

Astfel P (a < Z < b) este cunoscuta, fiind F (b) F (a), si nu depinde de m.


Evident, Z este o functie strict descrescatoare n raport cu parametrul m.
Cum M (Z) = 0, un interval simetric fata de M (Z) este de forma ( , ).
Vom determina astfel ncat P ( < Z < ) = 1 . Dar
P ( < Z < ) = F ( ) F ( ) = F ( )
[1 F ( )] = 2F ( ) 1 = 2( ) .
Obtinem ca 2( ) = 1 . Utilizand anexa C vom determina astfel
ncat ( ) = 1
. Dar < Z < revine la
2
<

xm

< ,

adica

x < m < x + .
N
N
2) Vom considera functia statistica
T =

xm

s
N

278

CAPITOLUL 8. TEORIA ESTIMAT


IEI

care satisface repartitia Student cu N 1 grade de libertate. Cum M (T ) = 0,


un interval simetric fata de M (T ) este (t,N 1 , t,N 1 ). Utilizand anexa F
vom determina t,N 1 cu proprietatea
P (t,N 1 < t(N 1) < t,N 1 ) = ,
unde = 1 . Dar
t,N 1 <
revine la

xm

s
N

< t,N 1

s
s
x t,N 1 < m < x + t,N 1 .
N
N

Exemplul 8.5.3. Sa se determine un interval de ncredere pentru parametrul


m al unei legi normale avand = 0, 5 la nivelul de semnificatie = 0, 05 pe
baza unei selectii de volum 10 care conduce la datele de selctie:
x1 = 2, 9; x2 = 3, 0; x3 = 2, 8; x4 = 2, 4; x5 = 2, 2;
x6 = 3, 1; x7 = 2, 7; x8 = 2, 5; x9 = 2, 8; x10 = 2, 7 .
Solut
ie. Din anexa C, pentru = 0, 05 gasim = 1, 96.
N = 10 = 3, 16 si
x=

Apoi

2, 9 + 3 + 2, 8 + 2, 4 + 2, 2 + 3, 1 + 2, 7 + 2, 5 + 2, 8 + 2, 7
= 2, 71 .
10

Deci

m

0, 5
0, 5
2, 71 1, 96
; 2, 71 + 1, 96
3, 16
3, 16


= (2, 40 ; 3, 02) .

Exemplul 8.5.4. Un studiu asupra a 25 de autoturisme de aceeasi marc


a
indica un consum mediu de 8,5 litri la 100 Km cu o abatere standard de
selectie de 0,8 litri.
1. Sa se determine un interval de ncredere, la nivelul de semnificatie
= 0, 05, pentru consumul mediu al acestui tip de autovehicul stiind
ca acesta are o distributie normala.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

279

2. Care ar trebui sa fie volumul esantionului pentru a cunoaste consumul


mediu cu o eroare de 0,2 litri/100 Km la nivelul de semnificatie
= 0, 05.
Solutie. 1) Avem N = 25. Cum = 0, 05, avem = 0, 95 si din anexa F
obtinem t,N 1 = 2, 064. Apoi s = 0, 8 conduce la
2

s =

25
N
s2 =
0, 82 = 0, 666
N 1
24

si deci s = 0, 816. Avem x = 8, 5 si astfel




0, 816
0, 816
m 8, 5 2, 064
; 8, 5 + 2, 064
= (8, 164 ; 8, 836) .
5
5

2) Dorim ca t,N 1 sN < 0, 2. Deci N > t,N 1 0,816


. Pentru o selectie de
0,2
volum N 40, din anexa F, avem t,N 1 < 2, 021. Prin urmare alegem
= 8, 245 adica N > 8, 2452 = 67, 98. Deci
N astfel ncat N > 2, 021 0,816
0,2
N = 68. Dar pentru
N 60, din anexa F, avem t,N 1 < 2, 000 si vom alege

= 8, 16 si astfel N = 67.
N astfel ncat N > 2, 000 0,816
0,2
practica ntalnim multe variabile aleatoare care nu
Observatia 8.5.5. In
satisfac o lege normala. Astfel, daca presupunem ca datele de selectie
x1 , x2 , , xN sunt distribuite dupa o lege arbitrara cu media m si dispersia 2 atunci conform teoremei limita centrala
xm

N (0, 1) .

Acest rezultat ne permite sa extrapolam intervalele de ncredere pentru parametrul


m al unei legi normale la selectii de volum N 30 dintr-o distributie arbitrara. Astfel, intervalul de ncredere pentru parametrul m al unei distributii arbitrare, la nivelul de semnificatie , este


1. x N , x + N , daca este cunoscut;
2.

sN , x

sN

, daca este necunoscut.

Trebuie precizat ca n cazul n care este necunoscut nu este necesar sa


folosim cuantila distributiei Student t,N 1 ca si la distributia normala, ci
vom putea lucra cu , caci pentru N mare distributia Student este aproximata de distrinutia normala.

280

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Exemplul 8.5.6. Salariul mediu a 400 de angajati selectati aleator din sectorul bancar este de 1220 lei iar abaterea standard de selectie corectata este
de 350 lei. Sa se determine intervalul n care se afla salariul mediu din sectorul bancar la nivelul de semnificatie:
a) = 0, 01;
b) = 0, 1.
Solutie. Intervalul cautat este


s
s
x , x +
,
N
N

unde x = 1220 , N = 400 = 20 , s = 350.


a) Daca = 0, 01, atunci, din anexa C, gasim = 2, 5758. Deci

m

350
350
1220 2, 5758
; 1220 + 2, 5758
20
20


= (1174, 93 ; 1265, 07) .

b) Daca = 0, 1, atunci = 1, 6449 si



m

350
350
; 1220 + 1, 6449
1220 1, 6449
20
20


= (1191, 22 ; 1248, 78) .

Teorema 8.5.7. (Intervalul de ncredere pentru parametrul al unei


legi normale N (m, )).
1. Daca m este cunoscut, atunci
v
uP
uN
u (xi m)2
t i=1

2 (N )

v
uP
uN
u (xi m)2

t i=1
,
1 (N )

unde 1 (N ) si 2 (N ) sunt cuantilele distributiei 2 (N ) determinate din


relatiile
P (2 (N ) > 2 (N )) =

, P (2 (N ) > 1 (N )) = 1 .
2
2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

281

2. Daca m este necunoscut, atunci


s
s
!
2

(N 1)s
(N 1)s2

;
,
2 (N 1)
1 (N 1)
unde 1 (N 1) si 2 (N 1) sunt cuantilele distributiei 2 (N 1)
determinate din relatiile
P (2 (N 1) > 2 (N 1)) =

, P (2 (N 1) > 1 (N 1)) = 1 .
2
2

Demonstratie. 1) Din teorema 8.5.1 stim ca functia statistica


N
1 X
B= 2
(xi m)2
i=1

satisface repartitia 2 (N ) si va putea fi folosita pentru a determina un interval


de ncredere pentru 2 . Mentionam ca B este strict descrescatoare n raport
cu 2 si P (a < B < b) este cunoscuta si nu depinde de 2 , fiind F (b) F (a),
unde F este functia de repartitie a variabilei aleatoare 2 (N ). Determinam
1 (N ) si 2 (N ) astfel ncat
P (2 (N ) > 2 (N )) =

, P (2 (N ) < 1 (N )) =
2
2

si atunci vom avea


P (1 (N ) < 2 (N ) < 2 (N )) = 1


=1.
2
2

Dar
1 (N ) < B < 2 (N )
1 (N ) <
N
P

N
1 X
(xi m)2 < 2 (N )
2 i=1
N
P

(xi m)2

i=1

2 (N )

< 2 <

(xi m)2

i=1

1 (N )

282

CAPITOLUL 8. TEORIA ESTIMAT


IEI

De aici se obtine intervalul cautat pentru .


2) Se va proceda n mod asemanator, alegand functia statistica
2

N s2
(N 1)s
C= 2 =

despre care stim, din teorema 8.5.1, ca satisface repartitia 2 (N 1). Determinam 1 (N 1) si 2 (N 1) astfel ncat
P (2 (N 1) > 2 (N 1)) =

, P (2 (N 1) < 1 (N 1)) =
2
2

si atunci vom avea


P (1 (N 1) < 2 (N 1) < 2 (N 1)) = 1


=1.
2
2

Dar
1 (N 1) < C < 2 (N 1)
2

(N 1)s
1 (N 1) <
< 2 (N 1)
2
2

(N 1)s
(N 1)s
< 2 <
2 (N 1)
1 (N 1)
de unde se obtine intervalul cautat pentru .

Exemplul 8.5.8. Cererea lunara pentru un anumit tip de autoturism satisface o lege normala N (m, ). O analiza statistica asupra anului precedent a
condus la rezultatele
Luna
Nr. de comenzi

1
44

2
3
54 76

4
5 6
62 70 56

7 8
48 34

9 10 11
78 50 62

12
54

Sa se determine un interval de ncredere pentru parametrul , la nivelul de


semnificatie = 0, 05, stiind ca:
1. m = 60;
2. valoarea medie este necunoscuta.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

Solutie. 1) Avem

12
P

283

(xi m)2 = 1952. Din anexa D obtinem

i=1

0, 05
= 0, 025 2 (12) = 23, 34 ;
2

P (2 (12) > 2 (12)) =

0, 05
= 0, 975 1 (12) = 4, 40 .
2

P (2 (12) > 1 (12)) = 1


Deci
r

1952
;
23, 34

1952
4, 40


= (9, 14 ; 21, 06) .

2) Avem
N
P

x=
N
P

N 1

(xi x)2

i=1

xi

i=1

688
= 53, 33 ;
12

1866, 56
2
(N 1)s = 1866, 56 .
11

Din anexa D obtinem


P (2 (11) > 2 (11)) =

0, 05
= 0, 025 2 (11) = 21, 92 ;
2

P (2 (11) > 1 (11)) = 1

0, 05
= 0, 975 1 (11) = 3, 82 .
2

Deci
r

1866, 56
;
21, 92

1866, 56
3, 82


= (9, 22 ; 22, 10) .

Teorema 8.5.9. (Intervalul de ncredere pentru probabilitatea unui


eveniment). Consideram un eveniment A cu probabilitatea p. Fie fN
frecventa relativa a evenimentului A n N experiente. Atunci
!
p
p
fN fN2
fN fN2

p f N
, f N +
,
N
N
unde se determina din relatia ( ) =

1
,
2

iar este functia lui Laplace.

284

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Demonstratie. Consideram variabilele aleatoare hk care iau valorile 1 si 0


dupa cum n experienta de rang k evenimentul
A se realizeaz
a sau nu. Ob

0
1
servam ca distributia variabilelei hk este
. Atunci M (hk ) = p
1p p
si D2 (hk ) = p(1 p). Sirului {hk } i se poate aplica teorema limita centrala.
N
P
hk satisface
Prin urmare SN =
k=1

p
Cum fN =

SN
,
N

SN N p
N (0, 1) .
p(1 p) N

obtinem ca
f p
N
N (0, 1) .
p(1p)

Aceasta nseamna ca, pentru N suficient de mare, functia statistica


Z=

fN p
Np
p(1 p)

poate fi aproximata printr-o distributie normala standard avand functia de


Rz t2
repartitie F (z) = 12
e 2 dt. Cum M (Z) = 0, un interval simetric

fata de M (Z) este de forma ( , ). Vom determina astfel ncat


P ( < Z < ) = 1 . Dar
P ( < Z < ) = F ( ) F ( ) = 2F ( ) 1 = 2( ) .
Deci 2( ) = 1 si astfel ( ) =

1
.
2

Dar

< Z < | Z |< Z 2 < N

(fN p)2
< 2
p(1 p)

N fN2 2N fN p + N p2 < 2 p 2 p2
(N + 2 )p2 (2N fN + 2 )p + N fN2 < 0 .
Avem
= (2N fN + 2 )2 4(N + 2 )N fN2 = 4N fN 2 + 4 4N 2 fN2 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

285

Atunci

p
(2N fN + 2 ) 4N fN + 2 4N fN2
p1,2 =
.
2(N + 2 )
Simplificam fractia cu 2N . Obtinem
q
2
2

fN + 2N
fN + 4N
N
fN2
p1,2 =
.
2
1 + N
Pentru N suficient de mare
p1,2

2
N

' 0. Astfel
q

= fN
fN fN2 .
N

Atunci inegalitatea de mai sus are loc pentru p (p1 , p2 ), adica


!
p
p
fN fN2
fN fN2

, f N +
.
p f N
N
N
Exemplul 8.5.10. Suntem interesati de opinia persoanelor adulte din judetul
Arad privind adoptarea cotei unice de impozitare de 16%. Se alege un esantion
format cu 1000 de persoane si se constata ca 350 din numarul celor interogati
aproba aceasta masura. Sa se determine limitele n care se afla ponderea persoanelor care aproba acesta masura:
1. cu o probabilitate de 99,6 %;
2. cu o probabilitate de 90%.
Solutie.
350
fN =
= 0, 35 ,
1000

fN fN2 = 0, 476 , N = 31, 62 .

1) Daca = 99, 6%, atunci = 0, 004. Deci ( ) = 1


= 0, 498 si din
2
tabelul I al anexei C gasim = 2, 88. Astfel


2, 88
2, 88
0, 476 ; 0, 35 +
0, 476 = (0, 3067 ; 0, 3933) .
p 0, 35
31, 62
31, 62
2) Daca = 0, 9, atunci = 0, 1 si din anexa C gasim = 1, 6449. Atunci


1, 6449
1, 6449
p 0, 35
0, 476 ; 0, 35 +
0, 476 = (0, 3253 ; 0, 3747) .
31, 62
31, 62

286

CAPITOLUL 8. TEORIA ESTIMAT


IEI

Exemplul 8.5.11. O firma doreste sa modifice prezentarea unui produs al


acest scop ea fabrica o serie mica cu noua
ei fara sa-i modifice pretul. In
prezentare si o propune clientilor. Se constata ca din 300 de produse vandute
156 au fost cu noua prezentare.
1. Sa se determine un interval de ncredere, la nivelul de semnificatie
= 0, 05, pentru probabilitatea ca un client sa prefere noua prezentare.
2. Sa se determine volumul esantionului care sa ne permita sa cunoastem
cu o eroare de 1% probabilitatea de a fi preferata noua prezentare, la
nivelul de semnificatie = 0, 05.
p

2
=
0,
52
,
f

f
=
0,
5

s
i
N = 17, 32. Folosind
Solutie. 1) fN = 156
N
N
300
anexa C, pentru = 0, 05 gasim = 1, 96. Atunci


0, 5
0, 5
p 0, 52 1, 96
; 0, 52 + 1, 96
= (0, 4635 ; 0, 5765) .
17, 32
17, 32
2) Se impune conditia
p
fN fN2

< 0, 01 .
N
Deci

1, 96 0, 5
0, 5
1, 96 < 0, 01 N >
N > 98 N > 9604 .
0, 01
N

Capitolul 9
Verificarea ipotezelor statistice
9.1

Introducere

Consideram o populatie statistica. In legatura cu aceasta populatie se pot


formula diferite ipoteze: unele referitoare la tipul unei variabile aleatoare
asociata unei caracteristici a populatiei, altele referitoare la valorile unor
parametri ce intervin n distributii de tip cunoscut, etc. Ipoteza ce urmeaza a
fi verificata si care se presupune a priori ca este adevarata se numeste ipoteza
nul
a si se noteaza H0 . Am vazut deja ca informatiile nu se pot culege de
la ntrega populatie ci doar de la o submultime a acesteia care formeaza
un esantion. Dar judecarea pe un esantion nu ne permite sa obtinem o
certitudine. Nu vom putea sa fim siguri ca ipoteza examinata este adevarata
sau falsa. Pentru aceasta ar trebui sa cunoastem ntreaga populatie, ceea
ce atat fizic cat si economic ar fi imposibil. Astfel statisticianul fixeaza o
probabilitate de eroare (nivel de semnificatie) notata . In practica,
pentru se aleg valori apropiate de zero, precum = 0, 05, = 0, 01.
Se cauta o multime U RN numita regiune critic
a sau regiune de respingere a ipotezei H0 astfel ncat
P ((X1 , X2 , , XN ) U : H0 adevarata) = ,
unde X1 , X2 , , XN sunt variabilele de selectie.
T
inand cont de nivelul de semnificatie ales, o ipoteza poate fi acceptat
a sau respins
a. Acceptarea unei ipoteze nu nseamna ca acea ipoteza
este adevarata, iar respingerea ei nu nseamna ca acea ipoteza este falsa.
Acceptarea sau respingerea ne arata doar daca rezultatele observate pe un
287

288

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

esantion sunt n concordanta sau neconcordanta cu ipoteza facuta.


Decizia de a accepta sau a respinge ipoteza facuta se bazeaza pe informatia
data de valorile de selectie x1 , x2 , , xN . Astfel, daca (x1 , x2 , , xN ) U
ipoteza se respinge, iar daca (x1 , x2 , , xN ) 6 U ipoteza se accepta.
In verificarea ipotezelor statistice pot sa apara doua tipuri de erori:
- respingerea unei ipoteze desi ea este adevarata, numita eroare de speta
nt
ai. Probabilitatea acestei erori este .
- acceptarea unei ipoteze desi ea este falsa, numita eroare de speta a II-a.
Realitatea
Ipoteza adevarata
Ipoteza falsa
Decizia Ipoteza se accepta
Decizie corecta
Eroare de speta a II-a
Ipoteza se respinge Eroare de speta I
Decizie corecta
Trebuie sa mentionam ca verificarea ipotezelor statistice este strans legata de
problema intervalelor de ncredere, cu deosebirea ca, n verificarea ipotezelor
se foloseste probabilitatea unei multimi din spatiul selectiilor, pe cand la
metota intervalelor de ncredere se lucreaza cu probabilitatea unei multimi
din spatiul parametrilor.
Nu exista o metoda generala de construire a regiunii de respingere U . Din
acest motiv ne vom margini sa abordam cateva probleme pentru care s-au
construit astfel de regiuni de respingere.
Testarea ipotezelor poate fi aplicata atat n domeniul economic (n studiul
comportamentului anumitor variabile precum pret, costuri, venituri, productie,
etc.) cat si n numeroase alte domenii: medicina, stiinte politice, sociologie,
psihologie, biologie, etc.

9.2

Testul Z

Teorema 9.2.1. (Verificarea ipotezei nule H0 : m = m0 privind


parametrul m al unei legi normale N (m, ) cu cunoscut, la nivelul
de semnificatie ). Fie
x m0

z=
/ N
si determinat de relatia ( ) = 1
, unde este functia lui Laplace.
2
Daca | z |< atunci ipoteza nula H0 : m = m0 se accepta, iar n caz
contrar ipoteza se respinge.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

289

Demonstratie. Consideram functia statistica


Z=

xm

/ N

care, din teorema 8.5.1, satisface o lege normala standard. Atunci putem
determina astfel ncat P ( < Z < ) = 1 . Intr-adevar
P ( < Z < ) = F ( ) F ( ) = 2F ( ) 1 = 2( )
si determinam astfel ncat ( ) = 1
.
2
Definim regiunea critica




u m0
N
U := (u1 , , uN ) R : > .
/ N
Atunci



x m0


P ((X1 , , XN ) U | H0 ) = P > | H0 = P (| Z |> ) = .
/ N
Folosind regiunea critica U, vom
accepta ipoteza nula H0 : m = m0 daca
xm
0

(x1 , , xN ) 6 U , adica / N < .


Exemplul 9.2.2. Greutatea prescrisa a unor tigari executate de o masina
automata este de 1,2 g. Aceste greutati au o distributie normala de repartitie
cu abaterea standard 0,063 g. Pe un esantion gasim o masa medie de 1,23 g.
1. Stiind ca volumul esantionului este de 16 tigari, putem considera ca
masina functioneaza normal la nivelul de semnificatie = 0, 05?
2. Dar daca esantionul a fost de 90 tigari?
Solutie. 1) m0 = 1, 2 ; = 0, 063 ; x = 1, 23 ; N = 16. Atunci
z=

x m0
1, 23 1, 2
=
= 1, 90 .
0, 063/ 16
/ N

Pentru = 0, 05, din anexa C, gasim = 1, 96. Cum | z |< , ipoteza


m = 1, 2 se accepta.
2) Daca N = 90, atunci
z=

x m0
1, 23 1, 2
=
= 4, 51 .
0, 063/ 90
/ N

Cum | z |> , ipoteza m = 1, 2 se respinge.

290

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Observatia 9.2.3. Testul Z poate fi folosit si daca caracteristica studiat


a
nu satisface o lege normala atunci cand volumul selectiei este mare (N >
xm

poate fi
30) caci, din teorema limita centrala, variabila aleatoare Z = /
N
aproximata cu o lege normala standard.
Exemplul 9.2.4. Timpul mediu de functionare a unui anumit aparat, dintrun lot mare, este de 1200 h cu abaterea standard de 150 h. Pe un esantion
de 100 bucati se gaseste media timpilor de functionare de 1180 h. Putem
considera ca lotul respecta prevederile la nivelul de semnificatie:
1. = 0, 3?
2. = 0, 15?
Solutie. m0 = 1200 ; = 150 ; N = 100 ; x = 1180. Atunci
z=

1180 1200
x m0
=

= 1, 3333 .
150/ 100
/ N

1) Daca = 0, 3, atunci, din anexa C, = 1, 0364. Cum | z |> , ipoteza


se respinge.
2) Daca = 0, 15, atunci, din anexa C, = 1, 4395. Cum | z |< , ipoteza
se accepta.

9.3

Testul T

Teorema 9.3.1. (Verificarea ipotezei nule H0 : m = m0 privind


parametrul m al unei legi normale N (m, ) cu necunoscut, la
nivelul de semnificatie ). Fie
t=

x m0

s / N

si t,N 1 determinat de relatia


P (t,N 1 < t(N 1) < t,N 1 ) = ,
unde = 1 .
Daca | t |< t,N 1 , atunci ipoteza nula H0 : m = m0 se accepta, iar n caz
contrar ipoteza se respinge.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

291

Demonstratie. Conform teoremei 8.5.1, functia statistica


T =

xm

s / N

satisface repartitia Student t(N 1). Atunci, din anexa F, se poate determina
t,N 1 astfel ncat
P (t,N 1 < t(N 1) < t,N 1 ) = 1 .
Definim regiunea critica




u m0
N
> t,N 1 ,
U := (u1 , , uN ) R :
su / N
unde u =

1
N

N
P

ui , iar su =

i=1

1
N 1

N
P

(ui u)2 . Atunci

i=1




x m0
P ((X1 , , XN ) U | H0 ) = P > t,N 1 | H0 =
s / N
= P (| T |> t,N 1 ) = .
Folosind regiunea critica U , vom
accepta ipoteza nula H0 : m = m0 daca
xm

(x1 , , xN ) 6 U , adica s /N0 < t,N 1 .
Exemplul 9.3.2. Caracteristica X ce reprezinta masa neta a unor borcane
umplute de o masina automata urmeaza legea normala N (m, ). Pe un
esantion de 20 borcane alese la ntamplare se gaseste o masa medie de 183g si
o abatere standard de selectie corectata de 4g. Masina a fost reglata sa umple
borcanele cu 185g. Putem considera ca masina este dereglata la nivelul de
semnificatie = 0, 05?
Solutie. Avem de verificat ipoteza nula H0 : m = 185. Cum m0 = 185,
x = 183, s = 4, N = 20, obtinem
t=

x m0
183 185
=

= 2, 236 .

4/ 20
s/ N

Pentru = 0, 95, din anexa F, gasim t,N 1 = 2, 093. Deci | t |> t,N 1 si
ipoteza se respinge, adica diferenta constatata ntre valoarea teoretica si cea
observata este semnificativa, nu este cauzata de alti factori ci de un dereglaj
al masinii.

292

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Observatia 9.3.3. Daca x1 , x2 , , xN sunt valorile de selectie dintr-o


distributie arbitrara de valoare medie m si dispersie 2 si volumul selectiei
este mare (N > 30), atunci, din teorema limita centrala, media empirica x
a variabilelor de selectie are o distributie aproximativ normala de medie m
2
si dispersie N . Astfel, testul T poate fi folosit si n aceasta situatie. Dar,

pentru valori mari ale volumului esantionului (N > 30), t,N 1 ' . In
xm
1
0
concluzie, calculam t = s /N , determinam astfel ncat ( ) = 2 si
pentru | t |< ipoteza se accepta, iar n caz contrar ipoteza se respinge.
Exemplul 9.3.4. Se cerceteaza caracteristica X ce reprezinta media obtinut
a
de un student la terminarea facultatii. Sa se verifice, la nivelul de semnificatie
= 0, 01, ipoteza ca media teoretica este 8,50, stiind ca pe baza unei selectii
de volum 50 s-a obtinut x = 8, 26 si s = 1.
Solutie.
t=

x m0
8, 26 8, 50

=
= 1, 69 .
1/ 50
s / N

Din anexa C, pentru = 0, 01, gasim = 2, 5758. Cum | t |< , ipoteza


se accepta.

9.4

Compararea a dou
a medii

Se considera doua populatii independente si f, g doua variabile aleatoare


asociate unei caracteristici comune ale celor doua populatii, care satisfac
distributii arbitrare de valoare medie m1 si dispersie 12 , respectiv de valoare
medie m2 si dispersie 22 .
Se cere verificarea ipotezei nule H0 : m1 = m2 . Pentru aceasta se extrage
din fiecare populatie un esantion de volum N1 si respectiv N2 . Fie x1 si
2
s1 media empirica si dispersia empirica corectata a primului esantion si x2 ,
2
s2 media empirica si dispersia empirica corectata a esantionului extras din
2
populatia a doua. Precizam ca M (x1 ) = m1 , D2 (x1 ) = N11 si M (x2 ) = m2 ,
2

D2 (x2 ) = N22 (vezi teorema 7.2.9).


Verificarea ipotezei nule H0 : m1 = m2 trebuie sa tina seama de contextul
de lucru. Vom considera cazurile:
1. f, g au distributie normala cu dispersiile cunoscute;

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

293

2. f, g au distributie normala cu dispersiile necunoscute dar egale. Acesta


este cazul cel mai ntalnit. Daca ipoteza se accepta, atunci cele doua
esantioane sunt extrase din aceeasi populatie, diferenta x1 x2
nefiind semnificativa, fiind cauzata de alti factori cum ar fi inevitabilele
fluctuatii de observatie;
3. f, g au distributii arbitrare dar selectiile facute au volum mare.
Teorema 9.4.1. (f, g au distributie normal
a cu dispersiile cunoscute). Se calculeaza
x1 x2
z=q 2
1
2
+ N22
N1
, unde este functia lui Laplace.
si se determina astfel ncat ( ) = 1
2
Daca | z |< , atunci ipoteza nula H0 : m1 = m2 se accepta, iar n caz
contrar ipoteza se respinge.
Demonstratie. E = x1 x2 se supune unei legi normale de parametri
M (E) = M (x1 ) M (x2 ) = m1 m2 = 0 ;
D2 (E) = D2 (x1 ) + D2 (x2 ) =

12
2
+ 2 .
N1 N2

Atunci variabila aleatoare


x1 x 2
Z=q 2
1
22
+
N1
N2
satisface o lege normala standard si n continuare vom rationa similar ca n
demonstratia teoremei 9.2.1.
Exemplul 9.4.2. O societate comerciala are doua magazine situate n zone
diferite. Fie f,g cifrele de afaceri zilnice ale celor doua magazine, fiecare
urmand o lege normala de parametri m1 , 1 si respectiv m2 , 2 , unde 1 = 45
si 2 = 50. La primul magazin, n timp de 7 zile, s-au nregistrat cifrele de
afaceri (exprimate n lei): 1315, 1470, 1750, 1190, 1430, 1240, 1440. La al
doilea magazin, n timp de 8 zile, au fost nregistrate cifrele de afaceri: 1560,
1610, 1120, 1430, 1310, 1410, 1100, 1200.
Sa se verifice, la nivelul de semnificatie = 0, 01, daca exista o diferenta
semnificativa ntre cifrele de afaceri ale celor doua magazine.

294

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Solutie. x1 = 1405, x2 = 1342, 5. Atunci


62, 5
1405 1342, 5
=
z= q
= 2, 547 .
24, 53
2500
2025
+
7
8
Din anexa C, pentru = 0, 01, gasim = 2, 5758. Cum | z |< , avem ca
diferenta nu este semnificativa, adica ipoteza m1 = m2 se accepta.
Teorema 9.4.3. (f, g au distributie normal
a cu dispersiile necunoscute dar egale). Se calculeaza
s
x1 x2
N1 + N2 2
t= p
.
1
2
2
+ N12
(N1 1)s1 + (N2 1)s2
N1
Fie N = N1 + N2 2. Se determina t,N astfel ncat
P (t,N < t(N ) < t,N ) = ,
unde = 1 .
Daca | t |< t,N , atunci ipoteza nula H0 : m1 = m2 se accepta, iar n caz
contrar ipoteza se respinge.
Demonstratie. Conform ipotezei 12 = 22 = 2 . Am vazut ca dispersia
empirica corectata este o estimatie nedeplasata pentru dispersia teoretica 2
(propozitia 8.1.5). Se poate arata ca, daca dispunem de doua esantioane,
atunci
N2
N1
P
P
(xi x1 )2 + (yi x2 )2
2
i=1
s = i=1
(N1 1) + (N2 1)
este un estimator nedeplasat pentru 2 . Deci
2

(N1 1)s1 + (N2 1)s2


=
N1 + N2 2

este un estimator nedeplasat pentru dispersia teoretica 2 . Consideram variabila aleatoare E = x1 x2 . Avem M (E) = 0 si


2
2
1
1
2
2
2
2
D (E) = D (x1 ) + D (x2 ) =
+
=
+
.
N1 N2
N1 N2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

295

Consideram variabila aleatoare


q
N2
(x1 x2 ) NN11+N
2
T =q
2
2
(N1 1)s1 +(N2 1)s2
N1 +N2 2

care satisface repartitia t(N1 + N2 2). Intr-adevar, din teorema 8.5.1, vari2

abila aleatoare
2
(N2 1)s2
2

(N1 1)s1
2

satisface repartitia 2 (N1 1) si variabila aleatoare

satisface repartitia 2 (N2 1). Atunci variabila aleatoare


2

(N2 1)s2
(N1 1)s1
+
2
2

satisface repartitia 2 (N1 + N2 2). Pe de alta parte T poate fi scris


q
T =r

x1 x2

2
(N1 1)s
1
2

N1 N2
N1 +N2

2
(N 1)s
2

+ 2 2

N1 +N2 2

si aplicam teorema 5.12.4 pentru a obtine ca T satisface repartitia


t(N1 +N2 2). Folosind functia statistica T vom continua ca n demonstratia
teoremei 9.3.1.
Exemplul 9.4.4. Un anumit produs poate fi executat la doua masini. Fie
f randamentul orar (numarul de piese produse pe ora) al primei masini si g
randamentul orar al celeilalte masini, fiecare urmand o lege normala astfel
ncat dispersiile teoretice pentru cele doua caracteristici coincid. La prima
masina, n 7 ore observate, s-au produs: 1315, 1570, 1650, 1215, 1730, 1190,
1820. La a doua masina, n 8 ore observate, s-au produs: 1560, 1980, 1405,
1620, 1070, 1790, 1230, 1310.
La nivelul de semnificatie = 0, 05 putem admite ca cele doua masini sunt
la fel de performante?
Solutie.
x1 = 1498, 57 ; x2 = 1495, 62 ;
2

(N1 1)s1 = N1 s21 =

N1
X
(xi x1 )2 = 394.235, 6 ;
i=1

296

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

(N2 1)s2 = N2 s22 =

N2
X
(yi x2 )2 = 635.271, 8 ;
i=1

1498, 57 1495, 62
t=
394.235, 6 + 635.271, 8

7+82
= 0, 02 .
1
+ 81
7

Pentru N = N1 + N2 2 = 13 , = 1 = 0, 95, din anexa F gasim


t,N = 2, 16. Cum | t |< t,N , ipoteza se accepta, adica putem admite ca cele
doua masini sunt la fel de performante.
Teorema 9.4.5. (f, g au distributii arbitrare dar selectiile au volum
mare). Fie
x1 x 2
t= q 2
2
s1
s2
+
N1
N2
si determinat de relatia ( ) = 1
, unde este functia lui Laplace.
2
Daca | t |< , ipoteza se accepta, iar n caz contrar ipoteza se respinge.
2

Demonstratie. Fie E = x1 x2 . Avem M (E) = 0 si D2 (E) = N11 + N22 . Pentru


2
2
12 si 22 consideram estimatorii nedeplasati s1 si respectiv s2 . Consideram
variabila aleatoare
x1 x2
T =q 2
2
s1
s2
+
N1
N2
care se supune unei repartitii Student. Dar, pentru N1 si N2 suficient de mari
(N1 > 30 , N2 > 30), stim ca variabila aleatoare Student se aproximeaza
cu o lege normala standard si n continuare vom rationa ca n demonstratia
teoremei 9.2.1.
Exemplul 9.4.6. Din totalitatea vacilor de care dispune o ferma se aleg
doua esantioane de volum N1 = 100 si respectiv N2 = 120. Vacile din cel deal doilea esantion sunt supuse unui alt regim de hrana, dupa o reteta nou
a.
Cercetand cantitatea de lapte muls n decurs de un an de la vacile care au
intrat n cele doua esantioane s-au obtinut datele: x1 = 2800l, x2 = 3000l,
2
2
s1 = 122.500l, s2 = 136.900l.
Sa se verifice, la nivelul de semnificatie = 0, 02, daca diferenta | x1 x2 |=
= 200 este semnificativa, adica daca noua ratie furajera este mai eficient
a
sau nu.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

297

Solutie.
x 1 x2
2800 3000
t= q 2
=q
= 4, 11 .
2
136.900
122.500
s1
s2
+ 120
+ N2
100
N1
Pentru = 0, 02, din anexa C, gasim = 2, 33. Cum | t |> , ipoteza se
respinge. Prin urmare diferenta | x1 x2 |= 200 este semnificativa, datorata
unor cauze sistematice cum este noul regim alimentar care s-a dovedit mai
eficient.

9.5

Testul 2

Consideram o caracteristica X a unei populatii statistice despre care presupunem ca urmeaza o lege normala N (m, ) cu parametrii necunoscuti.
Relativ la dispersia teoretica se face ipoteza nula H0 : 2 = 02 . Testul
poate fi folosit atunci cand dorim sa studiem precizia unei masini, gradul
de regularitate al vanzarilor dintr-un magazin, fiabilitatea unui aparat etc.
Pentru testarea acestei ipoteze se considera o selectie de volum N ce conduce
la datele de selectie x1 , x2 , , xN . Fie (0, 1) nivelul de semnificatie ales.
Teorema 9.5.1. (Testarea ipotezei nule H0 : 2 = 02 ). Fie
N
N s2
1 X
(xi x)2 = 2
h = 2
0 i=1
0
2

si 1 (N 1) , 2 (N 1) cunatilele distributie 2 (N 1) determinate de


relatiile:
P (2 (N 1) > 2 (N 1)) =

, P (2 (N 1) > 1 (N 1)) = 1 .
2
2

Daca h2 (1 (N 1), 2 (N 1)), atunci ipoteza nula H0 : 2 = 02 se


accepta, iar n caz contrar ipoteza se respinge.
Demonstratie. Consideram variabila aleatoare
C=

N
N s2
1 X
=
(xi x)2
2
2 i=1

298

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

care, din teorema 8.5.1, satisface repartitia 2 (N 1). Pentru nivelul de


semnificatie (0, 1) ales se determina 1 (N 1) si 2 (N 1) astfel ncat
P (2 (N 1) > 2 (N 1)) =

, P (2 (N 1) < 1 (N 1)) =
2
2

si atunci vom avea


P (1 (N 1) < C < 2 (N 1)) = 1 .
Definim regiunea critica
U := {(u1 , u2 , , uN ) RN :

unde u =

1
N

N
P

N
1 X
(ui u)2 6 (1 (N 1), 2 (N 1))} ,
2
0 i=1

ui . Atunci

i=1

P ((X1 , X2 , , XN ) U | H0 ) =
=P

!
N
1 X
(xi x)2 6 (1 (N 1), 2 (N 1)) =
2 i=1
= P (C 6 (1 (N 1), 2 (N 1))) = .

Folosind regiunea critica U , vom accepta ipoteza nula H0 : 2 = 02 daca


(x1 , x2 , , xN ) 6 U , adica
N
1 X
(xi x)2 (1 (N 1), 2 (N 1)) .
2
0 i=1

vederea adoptarii unei politici de gestiune a stocurilor,


Exemplul 9.5.2. In
o societate comerciala studiaza cererea lunara din produsul sau. O statistic
a
asupra anului precedent a condus la rezultatele
Luna
1
Nr. comenzi 222

2
271

3
377

4
310

5
355

6
278

Luna
7
Nr. comenzi 337

8
324

9
293

10
251

11
309

12
345

Sa se verifice, la nivelul de semnificatie = 0, 2, ipoteza nula H0 : 2 = 625.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

299

Solutie.
12
P

x=

i=1

xi
=

3672
= 306 ;
12

12
12
1 X
2
(xi x)2 = 36, 05 .
h = 2
0 i=1
Folosind anexa D, din P (2 (11) > 1 (11)) = 1 2 = 0, 9 obtinem
1 (11) = 5, 58 si din P (2 (11) > 2 (11)) = 2 = 0, 1 obtinem 2 (11) = 17, 28.
Cum nsa h2 6 (5, 58; 17, 28) ipoteza se respinge.

9.6

Testul F

Se considera doua populatii independente si f, g doua variabile aleatoare asociate aceleasi caracteristici ale celor doua populatii, despre care se presupune
ca urmeaza o distributie normala de parametri m1 , 1 si respectiv m2 , 2 .
Se cere verificarea ipotezei nule H0 : 12 = 22 . Pentru aceasta se extrage
din fiecare populatie cate un esantion de volum N1 si respectiv N2 . Notam
2
datele de selectie x1 , x2 , , xN1 si respectiv y1 , y2 , , yN2 . Fie x1 , s1 media
2
empirica si dispersia empirica corectata a primului esantion si x2 , s2 media
empirica si dispersia empirica corectata a esantionului al doilea.
Teorema 9.6.1. (Verificarea ipotezei nule H0 : 12 = 22 ). Fie
2

s1
F0 = 2
s2
si F1 , F2 cuantilele repartitiei Fisher-Snedecor determinate de relatiile



P (F (N1 1, N2 1) > F2 ) = , P F (N2 1, N1 1) >


= .
2
F1
2
Daca F0 (F1 , F2 ), atunci ipoteza nula H0 : 12 = 22 se accepta, iar n caz
contrar ipoteza se respinge.
Demonstratie. Presupunem ca ipoteza nula este adevarata.
12 = 22 = 2 . Consideram variabila aleatoare
N1
N1

P
P
xi x1 2
1
1
2
(x

x
)
2
i
1

N
1
N
1

1
1
s
i=1
i=1
=
.
F = 12 =
N2
N2

P
P
s2
yi x2 2
1
1
2
(yi x2 )
N2 1
N2 1

i=1

i=1

Atunci

300

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Din teorema 5.11.4 avem ca F satisface repartitia F (N1 1, N2 1) si


satisface repartitia F (N2 1, N1 1). Determinam F1 si F2 astfel ncat
P (F > F2 ) =

1
F

, P (F < F1 ) = .
2
2

Dar



1
P (F < F1 ) = P
= P F (N2 1, N1 1) >
.
F1


Atunci P (F < F1 ) = 2 revine la P F (N2 1, N1 1) > F11 = 2 . Cu
F1 , F2 astfel determinati avem P (F1 < F < F2 ) = 1 . Definim regiunea
critica U := {F 6 (F1 , F2 )}. Atunci, daca valoarea lui F obtinuta din
selectie si notata F0 se afla n afara intervalului (F1 , F2 ), ipoteza cu privire
la egalitatea dispersiilor trebuie respinsa.
1
1
>
F
F1

Exemplul 9.6.2. Doua masini produc piese de acelasi tip. Fie f dimensiunea pieselor, exprimata n mm, produse de prima masina si g dimensiunea
pieselor produse de a doua masina, fiecare satisfacand o lege normala. Se aleg
doua esantioane din piesele fabricate de cele doua masini si se obtin datele:
x1 = 50, 02 , x2 = 49, 98 , x3 = 49, 99 , x4 = 50, 00 , x5 = 50, 01 ,
x6 = 50, 01 , x7 = 50, 03 , y1 = 50, 05 , y2 = 50, 08 , y3 = 50, 09 ,
y4 = 50, 07 , y5 = 50, 06 , y6 = 50, 08.
a
La nivelul de semnificatie = 0, 1, putem admite ca 12 = 22 , adica o masin
nu este mai precisa ca cealalta.
Solutie.
x1 =

350, 04
300, 43
= 50, 0057 ; x2 =
= 50, 0716 ;
7
6

1
2
s1 = (2044 + 6604 + 2464 + 324 + 184 + 184 + 5904) 107 = 2951, 3 107 ;
6
1
2
s2 = (4665 + 705 + 3385 + 25 + 1345 + 705) 107 = 2166 107 ;
5
2

s
F0 = 12 = 1, 362 .
s2
Pentru = 0, 1, din anexa E, determinam F2 astfel ncat
P (F (6, 5) > F2 ) =

0, 1
= 0, 05 .
2

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

301

Obtinem F2 = 4, 95. Apoi, determinam F1 astfel ncat




1
0, 1
P F (5, 6) >
=
= 0, 05 .
F1
2
Obtinem
accepta.

9.7

1
F1

= 4, 39 si deci F1 = 0, 227. Cum F0 (0, 227; 4, 95) ipoteza se

Test asupra frecventei

Se considera un eveniment A cu probabilitatea p. Frecventa relativa a


evenimentului A n N experiente este fN . Dorim sa verificam ipoteza nula
H0 : p = p0 . In baza teoremei 8.5.9, intervalul de ncredere pentru probabilitatea unui eveniment este
!
p
p
fN fN2
fN fN2

fN
, fN +
,
N
N
unde se determina din relatia ( ) = 1
, iar este functia lui Laplace.
2
Astfel, vom accepta ipoteza nula H0 : p = p0 daca
!
p
p
fN fN2
fN fN2

p0 fN
, f N +
N
N
si o vom respinge n caz contrar.
Exemplul 9.7.1. Rezultatele statistice disponibile ne arata ca 4% din populatia Romaniei practica un sport n timpul liber. Dintr-un esantion de 200
persoane interogate telefonic, 18 au declarat ca practica un sport. Este
esantionul reprezentativ la nivelul de semnificatie = 0, 05?

18
= 0, 09 ;
N = 200 =
Solutie. p0 = 0, 04 ; N = 200 ; fN = 200
p

= 14, 142 ;
fN fN2 = 0, 09 0, 081 = 0, 286. Daca = 0, 05 atunci,
din anexa C, gasim = 1, 96. Intervalul de ncredere cautat este


0, 286
0, 286
0, 09 1, 96
; 0, 09 + 1, 96
= (0, 0504; 0, 1296) .
14, 142
14, 142
Cum p0 6 (0, 0504; 0, 1296) ipoteza se respinge, adica esantionul nu este
reprezentativ. Cauzele pot fi diverse si pleaca de la o pondere incorecta

302

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

n esantion a diverselor categorii din populatie, adica nu s-a tinut cont de


repartizarea geografica (capitala, mari orase, mediu rural, mediu urban,
regiuni, etc.), de repartizarea pe categorii sociale, pe varsta, etc. Modul
de selectie a persoanelor interogate, prin utilizarea telefonului, a condus la
aceasta reprezentare incorecta a diverselor categorii din populatie.
Exemplul 9.7.2. Conform unor statistici, proportia de nou nascuti de sex
masculin este de 51, 5%. Pe un esantion de 700 femei ce au fost supuse unui
tratament contra sterilitatii s-au nregistrat 362 baieti si 338 fete. La nivelul
de semnificatie = 0, 06 sa se precizeze daca tratamentul are o influent
a
semnificativa asupra sexului noilor nascuti.

=
0,
517
;
N
=
700 =
Solutie. p0 = 0, 515 ; N = 700 ; fN = 362
700
p

2
= 26, 45 ; fN fN = 0, 517 0, 267 = 0, 5. Pentru = 0, 06, din anexa
C, gasim = 1, 88. Intervalul de ncredere este


0, 5
0, 5
0, 517 1, 88
; 0, 517 + 1, 88
= (0, 482; 0, 552) .
26, 45
26, 45
Cum p0 = 0, 515 (0, 482; 0, 552) ipoteza p = p0 se accepta. Prin urmare
nu avem nici un motiv sa credem ca tratamentul exercita o influenta asupra
sexului noilor nascuti.

9.8

Testul de concordant
a 2

Testele prezentate n sectiunile precedente au avut ca obiect tragerea unor


concluzii relativ la valoarea unor parametri ai uneia sau mai multor populatii,
pe baza datelor furnizate de unul sau mai multe esantioane. Acest demers
poate fi aplicat si pentru a determina forma repartitiei caracteristicii studiate.
Mai precis, noi dispunem de o repartitie empirica FN (x), obtinuta pe baza
datelor de selectie, care estimeaza o anumita repartitie teoretica F (x). Scopul
nostru este verificarea concordantei dintre cele doua repartitii, adica testarea
ipotezei ca esantionul nostru este extras dintr-o populatie guvernata de o
anumita lege de probabilitate specificata, cum ar fi o lege binomiala, o lege
Poisson, o lege normala, etc. Testul revine n fapt la a sti daca diferentele
constatate ntre distributia empirica si distributia teoretica presupusa sunt
explicabile, cauzate de constituirea esantionului, sau ele sunt prea importante
pentru a fi puse pe seama hazardului.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

303

Un test de concordanta este testul 2 . Presupunem ca se efectueaza o selectie


de volum N care conduce la n valori distincte ale caracteristicii (sau n centre
de clase de selectie, n cazul n care datele de selectie au fost grupate n
clase de selectie). Notam aceste valori a1 , a2 , , an si frecventa absoluta a
n
P
acestor valori N1 , N2 , , Nn . Evident ca
Ni = N . Ipoteza pe care vrem
i=1

sa o verificam determina unic probabilitatile pi ale fiecarei valori ai si avem


n
P
pi = 1. Problema consta n estimarea apropierii dintre probabilitatile pi
i=1

admise prin ipoteza si frecventele relative NNi sau estimarea apropierii dintre
Ni si N pi . Ca masura a abaterii vom considera functia statistica
2

h =

n
X
(Ni N pi )2
i=1

N pi

care urmeaza distributia 2 (n 1).


Pentru un nivel de semnificatie (0, 1) ales, vom determina 20 cu proprietatea P (2 (n 1) > 20 ) = . Fie h20 valoarea lui h2 obtinuta pe baza
datelor de selectie. Daca h20 > 20 ipoteza se respinge. In caz contrar ipoteza
se accepta.
Exemplul 9.8.1. Se arunca un zar de 60 de ori si se obtine seria de frecvente
absolute:
ak 1 2 3 4 5 6
Nk 15 7 4 11 6 17
Se considera nivelul de semnificatie = 0, 05. Este zarul trucat?
Solutie. Formulam ipoteza: zarul nu este trucat. Aceasta nseamna ca
am pus ipoteza ca fiecare fata are aceeasi probabilitate de aparitie. Atunci
N = 60 ; pi = 61 ; N pi = 10. Deci
h20 =

6
X
(Ni N pi )2
i=1

N pi

6
X
(Ni 10)2
i=1

10

52 + (3)2 + (6)2 + 12 + (4)2 + 72


= 13, 6 .
10
Pentru = 0, 05, din anexa D, gasim 20 = 11, 07. Cum h20 > 20 , ipoteza se
respinge si putem considera ca zarul este trucat (sau ca jucatorul a trisat).
=

304

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Exemplul 9.8.2. S-a nregistrat numarul X de clienti ce intra ntr-un magazin n timp de 1 minut si s-au obtinut datele
Nr. de clienti
Nr. de minute

0 1
23 75

2
3 4
68 51 30

5 >5
10
7

Putem admite ca sosirile se supun unei legi Poisson de parametru = 2?


Solutie. Numarul total de minute este N = 23+75+68+51+30+10+7 = 264.
Avem ipoteza: sosirile se supun unei legi Poisson de parametru = 2. Atunci
probabilitatile pk se gasesc din anexa B. Astfel p0 = 0, 1353 ; p1 = 0, 2707 ;
p2 = 0, 2707 ; p3 = 0, 1804 ; p4 = 0, 0902 ; p5 = 0, 0361 ; p6 = 1 (p0 + p1 +
+p2 + p3 + p4 + p5 ) = 0, 0166. Atunci N p0 = 35, 71 ; N p1 = 71, 46 ;
N p2 = 71, 46 ; N p3 = 47, 62 ; N p4 = 23, 81 ; N p5 = 9, 53 ; N p6 = 4, 38.
Prin urmare

h20

6
X
(Nk N pk )2
k=0

N pk

(7 4, 38)2
(23 35, 71)2
+ +
= 8, 41 .
35, 71
4, 38

Pentru = 0, 05, n = 7, din anexa D, gasim 20 cu proprietatea


P (2 (6) > 20 ) = . Astfel 20 = 12, 59. Cum h20 < 20 , ipoteza se accepta.
cazul n care anumiti parametri ai legii de probabilitate
Observatia 9.8.3. In
teoretice trebuie estimati plecand de la esantion, functia statistica

h =

n
X
(Ni N pi )2
i=1

N pi

urmeaza repartitia 2 (n 1 l), unde l reprezinta numarul de parametri ce


trebuie estimati.
Exemplul 9.8.4. Un studiu privind cifrele de afaceri lunare (exprimate n

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

305

milioane lei), pe un esantion de 103 magazine, a condus la rezultatele:


Clasa
Centrul clasei (ak ) Nr. de magazine (Nk )
I1 = [5, 5; 6, 5)
6
2
I2 = [6, 5; 7, 5)
7
3
I3 = [7, 5; 8, 5)
8
12
I4 = [8, 5; 9, 5)
9
27
I5 = [9, 5; 10, 5)
10
23
I6 = [10, 5; 11, 5)
11
15
I7 = [11, 5; 12, 5)
12
12
I8 = [12, 5; 13, 5)
13
5
I9 = [13, 5; 14, 5)
14
2
I10 = [14, 5; 15, 5)
15
2
Putem considera, la nivelul de semnificatie = 0, 05, ca cifrele de afaceri
sunt distribuite dupa o lege normala?
Solutie. Avem ipoteza: cifrele de afaceri se supun unei legi normale N (m, ).
Pentru parametrii m si avem estimatorii nedeplasati x si s , unde
10
P

x=
10
P

ak Nk

k=1

(ak x)2 Nk

k=1

6 2 + 7 3 + + 15 2
= 10, 038 ,
103

(6 10, 038)2 2 + + (15 10, 038)2 2


= 3, 174 .
102

N 1
Deci s = 1, 78.
Avem de calculat probabilitatile pk asociate fiecarei clase. Pentru a putea
aplica
anexa C va trebui sa normalizam aceste clase. In plus, pentru ca
P
pk = 1 va trebui ca cele doua clase extreme sa fie extinse. Astfel, prima
clasa va fi I10 , formata cu magazinele a caror cifra de afaceri este mai mica
0
ca 6,5, iar ultima clasa I10
va fi formata din magazinele cu o cifra de afaceri
mai mare decat 14,5. O limita de clasa l va fi normalizata punand n locul
. Astfel
ei lx
s
1. l1 = 6, 5 devine l10 =

6,510,038
1,78

2. l2 = 7, 5 devine l20 = 1, 43;

= 1, 99;

306

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

3. l3 = 8, 5 devine l30 = 0, 86;


4. l4 = 9, 5 devine l40 = 0, 30;
5. l5 = 10, 5 devine l50 = 0, 26;
6. l6 = 11, 5 devine l60 = 0, 82;
7. l7 = 12, 5 devine l70 = 1, 38;
8. l8 = 13, 5 devine l80 = 1, 94;
9. l9 = 14, 5 devine l90 = 2, 51;
Vom calcula acum probabilitatile acestor clase:
1. p1 = P (I10 ) = P (N (0, 1) < 1, 99) = F (1, 99) = 1 F (1, 99) =
= 0, 5 (1, 99) = 0, 5 0, 4767 = 0, 0233;
2. p2 = P (I2 ) = P (1, 99 N (0, 1) < 1, 43) = F (1, 43)F (1, 99) =
= F (1, 99) F (1, 43) = (1, 99) (1, 43) = 0, 4767 0, 4236 =
= 0, 0531;
3. p3 = P (I3 ) = P (1, 43 N (0, 1) < 0, 86) = (1, 43) (0, 86) =
= 0, 4236 0, 3051 = 0, 1185;
4. p4 = P (I4 ) = P (0, 86 N (0, 1) < 0, 30) = (0, 86) (0, 30) =
= 0, 3051 0, 1179 = 0, 1872;
5. p5 = P (I5 ) = P (0, 30 N (0, 1) < 0, 26) = F (0, 26) F (0, 30) =
= F (0, 26) 1 + F (0, 30) = (0, 26) + (0, 30) = 0, 1026 + 0, 1179 =
= 0, 2205;
6. p6 = P (I6 ) = P (0, 26 N (0, 1) < 0, 82) = (0, 82) (0, 26) =
= 0, 2939 0, 1026 = 0, 1913;
7. p7 = P (I7 ) = P (0, 82 N (0, 1) < 1, 38) = (1, 38) (0, 82) =
= 0, 4162 0, 2939 = 0, 1223;
8. p8 = P (I8 ) = P (1, 38 N (0, 1) < 1, 94) = (1, 94) (1, 38) =
= 0, 4738 0, 4162 = 0, 0576;

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

307

9. p9 = P (I9 ) = P (1, 94 N (0, 1) < 2, 51) = (2, 51) (1, 94) =


= 0, 4940 0, 4738 = 0, 0202;
10. p10 = P (I10 ) = P (2, 51 N (0, 1)) = 0, 5 (2, 51) = 0, 5 0, 4940 =
= 0, 006;
Apoi N p1 = 2, 3999 ; N p2 = 5, 4693 ; N p3 = 12, 2055 ; N p4 = 19, 2816 ;
N p5 = 22, 7115 ; N p6 = 19, 7039 ; N p7 = 12, 5969 ; N p8 = 5, 9328 ;
N p9 = 2, 0806 ; N p10 = 0, 618. Atunci
h20 =

10
X
(Ni N pi )2
i=1

N pi

(2 2, 3999)2
(2 0, 618)2
+ +
= 8, 668 .
2, 3999
0, 618

In cazul acestei probleme n = 10 si numarul parametrilor pe care i-am estimat


este 2. Atunci functia statistica
n
X
(Ni N pi )2
h2 =
N pi
i=1
satisface repartitia 2 (10 1 2), adica 2 (7). Pentru = 0, 05, din anexa
D, gasim 20 cu proprietatea P (2 (7) > 20 ) = . Mai precis 20 = 14, 07.
Cum h20 < 20 , ipoteza se accepta, adica putem considera ca cifrele de afaceri
urmeaza o lege normala.

9.9

Testarea independentei

Se alege un esantion de volum N si sunt observate simultan doua caracteristici


X si Y . Datele obtinute se pun ntr-un tabel cu dubla intrare numit tabel
de contingent
a:
X\Y
x1
x2
..
.
xn
Total

y1 y2 ym
N11 N12 N1m
N21 N22 N2m

Nn1 Nn2 Nnm
K1 K 2 Km

Total
N1
N2
..
.
Nn
N

unde Nij reprezinta numarul de indivizi din esantion pentru care prima caracteristica ia valoarea xi , iar cea de-a doua valoarea yj . Fie
eij =

Ni Kj
, i = 1, n , j = 1, m .
N

308

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Consideram functia statistica


n X
m
X
(Nij eij )2
h =
,
e
ij
i=1 j=1
2

care satisface repartitia 2 ((n 1)(m 1)). Pentru un anumit nivel de


semnificatie (0, 1), determinam 20 cu proprietatea
P (2 ((n 1)(m 1)) > 20 ) = .
Fie h20 valoarea lui h2 obtinuta pe baza datelor de selectie. Daca h20 > 20
ipoteza se respinge, adica caracteristicile X si Y sunt dependente. In caz
contrar, ipoteza se accepta, adica X si Y pot fi considerate ca independente.
Exemplul 9.9.1. Pe un esantion de 200 femei studiem dependenta dintre
functie de culoarea parului
culoarea parului si coeficientul de inteligenta. In
s-au distins trei clase:
- x1 : blonde;
- x2 : brunete;
- x3 : roscate.
functie de coeficientul de inteligenta s-au mpartit n trei clase:
In
- y1 : coeficient de inteligenta scazut;
- y2 : coeficient de inteligenta mediu;
- y3 : coeficient de inteligenta ridicat;
Rezultatele sunt prezentate n tabelul de contingenta:
X\Y
x1
x2
x3
Total Kj

y1 y2 y3
Total Ni
53 14 6
73
15 58 8
81
7 10 29
46
75 82 43
200

Se alege nivelul de semnificatie = 0, 001. Exista o relatie de dependent


a
ntre culoarea parului si coeficientul de inteligenta?
Solutie.
h20 =


7573 2
200
7573
200

53


8273 2
200
8273
200

14

+ +


4346 2
200
4346
200

29

= 117 .

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

309

Pentru = 0, 001, din anexa D, gasim 20 astfel ncat


P (2 ((3 1)(3 1)) > 20 ) = ,
adica P (2 (4) > 20 ) = 0, 001. Atunci 20 = 18, 47. Cum h20 > 20 , ipoteza
se respinge, adica cele doua caracteristici sunt dependente. Valoarea h20 fiind
mult mai mare ca 20 putem spune ca exista o dependenta semnificativa ntre
culoarea parului si coeficientul de inteligenta.

310

CAPITOLUL 9. VERIFICAREA IPOTEZELOR STATISTICE

Capitolul 10
Corelatie si regresie
10.1

Introducere

Adeseori, unei populatii statistice i se pot asocia mai multe caracteristici


X, Y, , T a caror distributie nu este n general cunoscuta. Este posibil ca
ntre aceste variabile aleatoare sa existe o legatura (o dependenta) sau acestea
sa fie independente. Daca exista o dependenta va trebui sa caracterizam
aceasta dependenta care n general nu este o leg
atur
a functional
a (pentru
o valoare determinata a variabilei X, variabila Y sa ia de asemenea o valoare
bine determinata) ci este o leg
atur
a statistic
a (cand fiecarei valori ale lui
X i corespunde nu o singura valoare a lui Y ci o repartitie de valori, legata
de valoarea lui X). Corelatia este termenul folosit pentru a defini legatura
ntre variabilele observate ale populatiei statistice. Regresia este o metoda
de cercetare a legaturii ntre o variabila Y (numita si variabila dependenta) si
una sau mai multe variabile X1 , X2 , , Xk (numite variabile independente).
Ecuatia de regresie este relatia matematica care exprima legatura ntre
doua sau mai multe variabile, adica Y = f (X1 , X2 , , Xk ). Functia f se
numeste functia de regresie.
Atunci cand se cauta relatiile cauzale dintre fenomene se pot ntalni diferite
situatii:
1. legatura nemijlocita ntre fenomene, ca de exemplu dependenta economica dintre productivitatea muncii si nzestrarea tehnica;
2. variatie a fenomenelor datorata unor cauze comune, ca de exemplu
cererea de marfuri si economiile banesti ale populatiei se modifica ca urmare a modificarii unui al treilea factor - veniturile banesti ale populatiei;
311

312

CAPITOLUL 10. CORELAT


IE SI REGRESIE

3. un simplu paralelism ntamplator, de exemplu paralelismul ntre variatia


numarului de cuiburi de barza si numarul nasterilor nregistrate n
diferite anotimpuri ntr-o suburbie a Londrei.
Cazul elementar de aplicare a medodei corelatiei l constituie legatura dintre
doua variabile
Y = f (X) + .
In aceasta situatie vorbim de corelatia simpl
a. Variabila Y depinde de
variabila X si de o perturbare aleatoare neobservabila . Functia de regresie
f poate avea diferite forme: dreapta, parabola, exponentiala, etc.
Pentru determinarea functiei de regresie f , presupunem ca n urma unei
selectii de volum N pentru variabilele X si Y se obtin valorile {(xk , yk )}N
k=1 .
Nu avem pretentia ca functia f sa satisfaca conditiile yk = f (xk ), ()k = 1, N ,
caci, astfel pusa problema, s-ar putea sa nu avem solutie. Vom cauta functia
f astfel ncat diferentele f (xk ) yk (pentru k = 1, N ) n valoare absoluta sa
fie cat mai mici, adica functia eroare
=

N
X

(f (xk ) yk )2

k=1

sa fie minima. De aici provine si denumirea metodei aplicate, cunoscuta


drept metoda celor mai mici p
atrate.
In probleme practice se presupune cunoscuta forma functiei f si ne propunem
sa determinam parametrii acesteia. In multe probleme, functia f este un
polinom,
f = a0 + a1 x + a2 x 2 + + ap x p
si ne propunem sa determinam a0 , a1 , , ap , estimatii ale coeficientilor
a0 , a1 , , ap , astfel ncat functia eroare
(a0 , a1 , , ap ) =

N
X

(f (xk ) yk )2

k=1

sa aiba (a0 , a1 , , ap ) drept punct de minim. In continuare, vom face acest


lucru n cazul p = 1, adica n cazul n care functia f este un polinom de grad
unu avand expresia f (x) = ax + b.

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

10.2

313

Corelatia simpl
a liniar
a

Presupunem ca n urma unei selectii de volum N pentru variabilele aleatoare


X si Y se obtin valorile {(xk , yk )}N
a imagine asupra dependentei
k=1 . O prim
dintre X si Y ne este oferita de reprezentarea grafica a punctelor
Mk = (xk , yk ) , k = 1, N . Un caz des ntalnit este acela n care punctele
sunt situate n jurul unei drepte. In cazul dependentei liniare functia de
regresie este f (X) = aX + b, iar ecuatia dreptei de regresie este Y = aX + b.
Aplicam metoda celor mai mici patrate si vom determina a
, b, estimatii ale
coeficientilor a si b, astfel ncat functia
N
X
(a, b) =
(axi + b yi )2
i=1

sa ia valoarea minima n (
a, b).
Teorema 10.2.1. Fie x, sX valoarea medie si abaterea standard de selectie
ale variabilei aleatoare X si y, sY valoarea medie si abaterea standard de
selectie ale variabilei aleatoare Y. Fie
1
N

r=

N
P

x i yi x y

i=1

sX sy

(numit coeficient empiric de corelatie). Atunci


a
=r

sY
sY
, b = y x r
.
sX
sX

Demonstratie. Vom determina mai ntai punctele critice ale lui rezolvand
sistemul

a = 0
.

=0
b
Acesta revine la

N
P

2(axi + b yi )xi = 0

i=1

N
P
i=1

2(axi + b yi ) = 0

314

CAPITOLUL 10. CORELAT


IE SI REGRESIE

adica
N
N
N
P
P
P 2

+
b
x
=
xi y i
a
x

i=1 i
i=1
i=1

N
P

xi + N b =

i=1

N
P

yi

i=1

Atunci

N
N

P 2 P


N
x
x
i
i
X

i=1
i=1


x2i
= N
=N
P

i=1
xi
N

N
X

!2
xi

i=1

i=1

N

N
P

P


N
x
y
x
i
i
i
X


i=1
i=1
=N
1 =
xi y i
N

P yi

i=1
N

N
X

N
X

xi

i=1

!
yi

i=1

i=1

N
N
P 2 P

x
xi yi
i

i=1
i=1

2 = N
N
P xi P y i

i=1

i=1

N
X

!
x2i

N
X

i=1

!
yi

N
X

i=1

N
X

xi y i

i=1

i=1

Prin urmare solutia sistemului este


N
P

 N 
P
N
xi y i
xi
yi
1
i=1
i=1
i=1
a
=
=
,
 N 2
N

P
P
N
x2i
xi
N
P

i=1

N
P
b = 2 =

i=1

x2i

i=1

 N   N
 N 
P
P
P
yi
xi y i
xi
i=1
i=1
i=1
.
 N 2
N
P
P
N
x2i
xi
i=1

i=1

Observam ca
N
1 X
1
s2X =
(xi x)2 =
N i=1
N

N
X
i=1

x2i 2x

N
X
i=1

!
xi + N x2

!
xi

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

315

N
N
1 X 2
1 X 2
xi 2x2 + x2 =
x x2 .
N i=1
N i=1 i

Atunci a
, prin simplificare cu N 2 , devine
1
N

a
=

N
P

1
N

xi y i x y

i=1
N
P
1
x2i
N
i=1

N
P

xi y i x y

i=1

=r

s2X

x2

sY
.
sX

Apoi b, prin simplificare cu N 2 , devine

b =
Cum s2X =

1
N

N
P

1
y
N

N
P

x2i

i=1

i=1

b =

1
x
N

N
P

xi y i

i=1

s2X

x2i x2 , obtinem ca

y(s2X + x2 )

1
x
N

N
P

xi yi

1
N

N
P

x2i = s2X + x2 . Deci

i=1

x
=y 2
sX

i=1

s2X

"

#
N
1 X
xi y i x y =
N i=1

sY
x
.
rsx sy = y x r
2
sX
sX
Ramane sa verificam ca punctul (
a, b) este un punct de minim. Avem
=y

X
X
2
2
2
2
=
2
x
,
=
2
x
,
= 2N .
i
i
2
a2
ab
b
i=1
i=1
Obtinem matricea

N
P

N
P

x2i

2 xi
2
i=1
i=1
,
N
P

2 xi
2N
i=1

care are minorii principali


1 = 2

N
X
i=1

x2i > 0 ,

316

CAPITOLUL 10. CORELAT


IE SI REGRESIE

2 = 4N

N
X

x2i 4

N
X

i=1

!2

"
= 4N 2

xi

i=1

#
N
1 X 2
x x2 = 4N 2 s2X > 0 .
N i=1 i

Prin urmare punctul critic gasit este un punct de minim.


Exemplul 10.2.2. La o societate comerciala s-a nregistrat, pe o perioada de
7 ani, volumul fizic al productiei X (exprimat n mii tone) si costurile totale
de productie Y (exprimate n milioane lei).
X 9
Y 47

8 11
46 60

20 22
82 86

24 25
89 95

Sa se determine dreapta de regresie a costurilor n functie de volumul fizic al


productie.
Solutie.
xi
yi
xi y i
x2i
yi2
9
47
423
81
2209
8
46
368
64
2116
11
60
660
121
3600
20
82
1640
400
6724
22
86
1892
484
7396
24
89
2136
576
7921
95
2375
625
9025
P 25
119
505
9494
2351
38991
P
17 72,14 1356,28 335,86 5570,14
N
Prin urmare
s2X

N
1 X 2
=
x x2 = 335, 86 172 = 46, 86 ;
N i=1 i

N
1 X 2
=
y y 2 = 5570, 14 72, 142 = 365, 96 .
N i=1 i

Atunci sX = 46, 86 = 6, 84 ; sY = 365, 96 = 19, 13 . Deci

s2Y

1
N

r=

N
P

xi y i x y

i=1

sX sy

1356, 28 17 72, 14
= 0, 9927 .
6, 84 19, 13

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

317

Apoi
sY
19, 13
= 0, 9927
= 2, 776 ;
sX
6, 84
b = y x r sY = 72, 14 17 0, 9927 19, 13 = 24, 94 .
sX
6, 84
Astfel, ecuatia dreptei de regresie este y = 2, 776x + 24, 94.
a
=r

Observatia 10.2.3. Coeficientul empiric de corelatie poate lua valori ntre


1 si 1. Cu cat | r | este mai apropiat de 1 cu atat legatura este mai intensa.
Daca | r | este apropiat de zero, atunci variabilele sunt aproape independente.
Observatia 10.2.4. Metoda prezentata se poate aplica si pentru selectii de
volum mare. Dar, daca N > 100, este recomandat ca datele de selectie sa fie
mpartite n clase, atat pentru evitarea unor erori cat si pentru simplificarea
calculelor. Practica statistica ne arata ca numarul de clase este recomandat
sa fie ntre 10 si 20.
Observatia 10.2.5. Daca datele de selectie sunt numere mari este bine a fi
transformate n numere mici folosind transformari de tipul
ui =

xi x0
yi y0
, vi =
,
t0
s0

cu x0 , y0 , t0 , v0 alesi convenabil.

10.3

Corelatia simpl
a neliniar
a

Daca prin reprezentarea grafica a punctelor (xk , yk ) , k = 1, N , acestea nu se


aseaza n jurul unei drepte, nseamna ca legatura trebuie exprimata printr-o
functie de regresie neliniara. Vom alege una sau mai multe functii a caror
grafic se apropie cat mai mult de forma curbei empirice de regresie. Unele
dintre aceste functii pot fi liniarizate si aduse astfel la modelul regresiei simple
liniare.
10.3.1 Regresia exponential
a
Daca norul de puncte Mk = (xk , yk ) , k = 1, N , se aseaza n jurul curbei
y = bax , unde a > 0, a 6= 1 si b R, atunci functia de regresie este functia
exponentiala. Prin logaritmarea functiei y = bax obtinem lg y = lg b+xlg a.
Prin urmare vom face transformarile: lg y = z , lg a = , lg b = . Astfel,

318

CAPITOLUL 10. CORELAT


IE SI REGRESIE

pentru functia exponentiala y = bax obtinem forma liniarizata z = x + .


Cum zi = lg yi , coeficientii si vor putea fi determinati cu metoda celor
mai mici patrate. In final a = 10 si b = 10 .
10.3.2 Regresia hiperbolic
a
Daca functia de regresie este y = b + xa , cu a 6= 0, atunci vom face transformarea x1 = t si pentru functia hiperbolica se obtine forma liniarizata
y = at + b. Cum ti = x1i , coeficientii a si b vor fi determinati cu metoda
celor mai mici patrate.
10.3.3 Functia putere
Presupunem ca functia de regresie are forma y = bxa , unde a > 0, a 6= 1.
Vom logaritma aceasta functie si obtinem lg y = lg b + a lg x. Prin urmare
vom face transformarile lg y = z , lg x = t , lg b = . Vom obtine forma
liniarizata z = at + . Precizam ca zi = lg yi si ti = lg xi . Atunci, prin
metoda celor mai mici patrate, vom putea determina coeficientii a si . In
final b = 10 .
10.3.4 Regresia logaritmic
a
Daca norul de puncte Mk = (xk , yk ) , k = 1, N , se aseaza n jurul curbei
y = a lg x + b, vom face transformarea lg x = t si se obtine forma liniarizata
y = at + b. Cum ti = lg xi , coeficientii a si b vor fi determinati cu metoda
celor mai mici patrate.
10.3.5 Regresia parabolic
a
Functia liniara, mpreuna cu cele liniarizabile, nu epuizeaza ntrega gama de
regresii ntalnite n practica. Un caz des ntalnit este acela n care punctele
Mk = (xk , yk ) , k = 1, N , se aseaza n jurul parabolei y = ax2 + bx + c.
Aceasta functie nu poate fi liniarizata si pentru determinarea coeficientilor
a, b, c trebuie aplicata metoda celor mai mici patrate. Astfel, se considera
functia eroare
N
X
(a, b, c) =
(ax2i + bxi + c yi )2
i=1

si determinam a
, b, c, estimatii ale coeficientilor a, b, c, astfel ncat functia
eroare sa ia valoarea minima n (
a, b, c). Prin urmare avem de rezolvat

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

sistemul

adica

=0

=0 ,

=0

319

N
P

2(ax2i + bxi + c yi )x2i = 0

i=1

P
N
2(ax2i + bxi + c yi )xi = 0 .

i=1

2(ax2i + bxi + c yi ) = 0
i=1

Acest sistem se mai poate scrie


N
N
N
N
P 4
P
P
P

3
2

a
x
+
b
x
+
c
x
=
x2i yi

i
i
i

i=1
i=1
i=1
i=1

P
N
N
N
N
P
P
P
xi yi
a x3i + b x2i + c xi =

i=1
i=1
i=1
i=1

N
N
N

P
P
P

yi
a x2i + b xi + c N =
i=1

i=1

i=1

Se rezolva acest sistem si se verifica apoi ca solutia lui este ntr-adevar un


punct de minim.

320

CAPITOLUL 10. CORELAT


IE SI REGRESIE

Anexa A
Legea binomial
a
Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 5
k\p
0
1
2
3
4

1%
0,9510
0,0480
0,0010

2%
0,9039
0,0922
0,0038

3%
0,8587
0,1328
0,0082
0,0003

4%
0,8153
0,1699
0,0142
0,0006

5%
0,7738
0,2036
0,0214
0,0011

6%
0,7339
0,2342
0,0299
0,0019

7%
0,6957
0,2618
0,0394
0,0030
0,0001

8%
0,6591
0,2865
0,0498
0,0043
0,0002

9%
0,6240
0,3086
0,0610
0,0060
0,0003

k\p
0
1
2
3
4
5

10%
0,9505
0,3280
0,0729
0,0081
0,0004

15%
0,4437
0,3915
0,1382
0,0244
0,0022
0,0001

20%
0,3277
0,4096
0,2048
0,0512
0,0064
0,0003

25%
0,2373
0,3955
0,2637
0,0879
0,0146
0,0010

30%
0,1681
0,3601
0,3087
0,1323
0,0383
0,0024

35%
0,1160
0,3124
0,3364
0,1811
0,0488
0,0053

40%
0,0778
0,2592
0,3456
0,2304
0,0768
0,0102

45%
0,0503
0,2059
0,3369
0,2757
0,1128
0,0185

50%
0,0312
0,1562
0,3125
0,3125
0,1563
0,0313

Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 10


k\p
0
1
2
3
4

1%
0,9044
0,0914
0,0042
0,0001

2%
0,8171
0,1667
0,0153
0,0008

3%
0,7374
0,2281
0,0317
0,0026
0,0001

4%
0,6648
0,2770
0,0519
0,0058
0,0004

5%
0,5987
0,3151
0,0746
0,0105
0,0010

321

6%
0,5386
0,3438
0,0988
0,0168
0,0019

7%
0,4840
0,3643
0,1234
0,0248
0,0033

8%
0,4344
0,3777
0,1478
0,0343
0,0052

9%
0,3894
0,3851
0,1714
0,0452
0,0078


ANEXA A. LEGEA BINOMIALA

322

k\p
0
1
2
3
4
5
6
7
8
9

10%
0,3487
0,3874
0,1937
0,0574
0,0112
0,0015
0,0001

15%
0,1969
0,3474
0,2759
0,1298
0,0401
0,0085
0,0012
0,0001

20%
0,1074
0,2684
0,3020
0,2013
0,0881
0,0264
0,0055
0,0008
0,0001

25%
0,0563
0,1877
0,2816
0,2503
0,1460
0,0584
0,0162
0,0031
0,0004

30%
0,0282
0,1211
0,2335
0,2668
0,2001
0,1029
0,0368
0,0090
0,0014
0,0001

35%
0,0135
0,0725
0,1757
0,2522
0,2377
0,1536
0,0689
0,0212
0,0043
0,0005

40%
0,0060
0,0403
0,1209
0,2150
0,2508
0,2007
0,1115
0,0425
0,0106
0,0016

45%
0,0025
0,0207
0,0763
0,1665
0,2384
0,2340
0,1596
0,0746
0,0229
0,0042

50%
0,0010
0,0098
0,0439
0,1172
0,2051
0,2461
0,2051
0,1172
0,0439
0,0098

Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 15


k\p
0
1
2
3
4
5
6

1%
0,8601
0,1303
0,0092
0,0004

2%
0,7386
0,2261
0,0323
0,0029
0,0002

3%
0,6333
0,2938
0,0636
0,0085
0,0008
0,0001

4%
0,5421
0,3388
0,0986
0,0178
0,0022
0,0002

5%
0,4633
0,3658
0,1348
0,0307
0,0049
0,0006

6%
0,3953
0,3785
0,1691
0,0468
0,0090
0,0013
0,0001

7%
0,3367
0,3801
0,2003
0,0653
0,0148
0,0024
0,0003

k\p
0
1
2
3
4
5
6
7
8
9
10
11
12

10%
0,2059
0,3431
0,2669
0,1285
0,0429
0,0105
0,0019
0,0003

20%
0,0352
0,1319
0,2309
0,2502
0,1876
0,1041
0,0430
0,0139
0,0034
0,0001

30%
0,0047
0,0306
0,0915
0,1701
0,2186
0,2061
0,1473
0,0811
0,0348
0,0115
0,0030
0,0006
0,0001

40%
0,0005
0,0047
0,0219
0,0634
0,1268
0,1859
0,0266
0,1771
0,1181
0,0612
0,0245
0,0074
0,0016

50%
0,0005
0,0032
0,0139
0,0416
0,0917
0,1527
0,1964
0,1964
0,1527
0,0917
0,0416
0,0139

8%
0,2863
0,3734
0,2273
0,0857
0,0223
0,0043
0,0006

9%
0,2430
0,3605
0,2496
0,1070
0,0317
0,0069
0,0011

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

323

Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 20


k\p
0
1
2
3
4
5
6

1%
0,8179
0,1652
0,0159
0,0010

2%
0,6676
0,2725
0,0528
0,0065
0,0006

3%
0,5438
0,3364
0,0988
0,0183
0,0024
0,0002

4%
0,4420
0,3683
0,1458
0,0364
0,0065
0,0009
0,0001

5%
0,3585
0,3774
0,1887
0,0596
0,0133
0,0022
0,0003

6%
0,2901
0,3703
0,2246
0,0860
0,0233
0,0048
0,0008

7%
0,2342
0,3526
0,2521
0,1139
0,0364
0,0088
0,0017

k\p
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

10%
0,1216
0,2701
0,2852
0,1901
0,0898
0,0319
0,0089
0,0020
0,0003
0,0001

20%
0,0115
0,0577
0,1369
0,2053
0,2182
0,1746
0,1091
0,0546
0,0221
0,0074
0,0020
0,0005
0,0001

30%
0,0008
0,0068
0,0279
0,0716
0,1304
0,1789
0,1916
0,1643
0,1144
0,0653
0,0309
0,0120
0,0038
0,0010
0,0003

40%

50%

0,0005
0,0031
0,0124
0,0350
0,0746
0,1244
0,1659
0,1797
0,1597
0,1172
0,0710
0,0355
0,0145
0,0049
0,0013

0,0002
0,0011
0,0046
0,0148
0,0370
0,0739
0,1201
0,1602
0,1762
0,1602
0,1201
0,0739
0,0370
0,0148

8%
0,1887
0,3282
0,2711
0,1414
0,0523
0,0145
0,0032

9%
0,1516
0,3000
0,2818
0,1672
0,0703
0,0222
0,0055


ANEXA A. LEGEA BINOMIALA

324

Probabilitatile binomiale P (k, n) = Cnk pk (1 p)nk pentru n = 30


k\p
0
1
2
3
4
5
6
7
8

1%
0,7397
0,2242
0,0328
0,0031
0,0002

2%
0,5455
0,3340
0,0988
0,0188
0,0026
0,0003

3%
0,4010
0,3721
0,1669
0,0482
0,0101
0,0016
0,0002

4%
0,2939
0,3673
0,2219
0,0863
0,0243
0,0053
0,0009
0,0001

5%
0,2146
0,3389
0,2586
0,1270
0,0451
0,0124
0,0027
0,0005
0,0001

6%
0,1563
0,2992
0,2769
0,1650
0,0711
0,0236
0,0063
0,0014
0,0003

7%
0,1134
0,2560
0,2794
0,1963
0,0997
0,0390
0,0122
0,0032
0,0007

k\p
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

10%
0,0424
0,1413
0,2277
0,2360
0,1771
0,1023
0,0474
0,0180
0,0058
0,0015
0,0004
0,0001

20%
0,0012
0,0093
0,0337
0,0785
0,1325
0,1723
0,1795
0,1538
0,1105
0,0676
0,0355
0,0161
0,0064
0,0022
0,0007
0,0002

30%

40%

50%

0,0003
0,0012
0,0042
0,0115
0,0263
0,0505
0,0823
0,1152
0,1396
0,1474
0,1360
0,1101
0,0783
0,0490
0,0279
0,0119
0,0054
0,0020

0,0002
0,0005
0,0019
0,0055
0,0133
0,0280
0,0508
0,0806
0,1115
0,1355
0,1444
0,1355
0,1115
0,0806
0,0508
0,0280

0,0003
0,0018
0,0072
0,0209
0,0464
0,0829
0,1219
0,1501
0,1573
0,1416
0,1103
0,0748
0,0444
0,0232
0,0105
0,0043
0,0015
0,0004
0,0002

8%
0,0820
0,2138
0,2696
0,2188
0,1284
0,0581
0,0210
0,0063
0,0016

9%
0,0591
0,1752
0,2513
0,2319
0,1548
0,0796
0,0328
0,0111
0,0032

Anexa B
Legea lui Poisson
Probabilitatile Pk =

k
e
k!

k\
0
1
2
3
4
5

0,1
0,9048
0,0905
0,0045
0,0002

0,2
0,8187
0,1637
0,0164
0,0011
0,0001

0,3
0,7408
0,2222
0,0333
0,0033
0,0003

0,4
0,6703
0,2681
0,0536
0,0072
0,0007
0,0001

0,5
0,6065
0,3033
0,0758
0,0126
0,0016
0,0002

0,6
0,5488
0,3293
0,0988
0,0198
0,0030
0,0004

0,7
0,4966
0,3476
0,1217
0,0284
0,0050
0,0007

0,8
0,4493
0,3595
0,1438
0,0383
0,0077
0,0012

0,9
0,4066
0,3659
0,1647
0,0494
0,0111
0,0020

k\
0
1
2
3
4
5
6
7
8
9
10
11

1
0,3679
0,3679
0,1839
0,0613
0,0153
0,0031
0,0005
0,0001

1,5
0,2231
0,3347
0,2510
0,1255
0,0471
0,0141
0,0035
0,0008
0,0001

2
0,1353
0,2707
0,2707
0,1804
0,0902
0,0361
0,0120
0,0034
0,0009
0,0002

2,5
0,0821
0,2052
0,2565
0,2138
0,1336
0,0668
0,0278
0,0099
0,0031
0,0009
0,0002

3
0,0498
0,1494
0,2240
0,2240
0,1680
0,1008
0,0504
0,0216
0,0081
0,0027
0,0008
0,0002

3,5
0,0302
0,1057
0,1850
0,2158
0,1888
0,1322
0,0771
0,0385
0,0169
0,0066
0,0023
0,0007

4
0,0183
0,0733
0,1465
0,1954
0,1954
0,1563
0,1042
0,0595
0,0298
0,0132
0,0053
0,0019

4,5
0,0111
0,0500
0,1125
0,1687
0,1898
0,1708
0,1281
0,0824
0,0463
0,0232
0,0104
0,0043

5
0,0067
0,0337
0,0842
0,1404
0,1755
0,1755
0,1462
0,1044
0,0653
0,0363
0,0181
0,0082

325

326

k\
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

ANEXA B. LEGEA LUI POISSON

5,5
0,0041
0,0225
0,0618
0,1133
0,1558
0,1714
0,1571
0,1234
0,0849
0,0519
0,0285
0,0143
0,0065
0,0028
0,0011
0,0004
0,0001

6
0,0025
0,0149
0,0446
0,0892
0,1339
0,1606
0,1606
0,1377
0,1033
0,0688
0,0413
0,0225
0,0113
0,0052
0,0022
0,0009
0,0003
0,0001

6,5
0,0015
0,0098
0,0318
0,0688
0,1118
0,1454
0,1575
0,1462
0,1188
0,0858
0,0558
0,0330
0,0179
0,0089
0,0041
0,0018
0,0007
0,0003
0,0001

7
0,0009
0,0064
0,0223
0,0521
0,0912
0,1277
0,1490
0,1490
0,1304
0,1014
0,0710
0,0452
0,0264
0,0142
0,0071
0,0033
0,0014
0,0006
0,0002
0,0001

7,5
0,0006
0,0041
0,0156
0,0389
0,0729
0,1094
0,1367
0,1465
0,1373
0,1144
0,0858
0,0585
0,0366
0,0211
0,0113
0,0057
0,0026
0,0012
0,0005
0,0002
0,0001

8
0,0003
0,0027
0,0107
0,0286
0,0573
0,0916
0,1221
0,1396
0,1396
0,1241
0,0993
0,0722
0,0481
0,0296
0,0169
0,0090
0,0045
0,0021
0,0009
0,0004
0,0002

8,5
0,0002
0,0017
0,0074
0,0208
0,0443
0,0752
0,1066
0,1294
0,1375
0,1299
0,1104
0,0853
0,0604
0,0395
0,0240
0,0136
0,0072
0,0036
0,0017
0,0008
0,0003

9
0,0001
0,0011
0,0050
0,0150
0,0337
0,0607
0,0911
0,1171
0,1318
0,1318
0,1186
0,0970
0,0728
0,0504
0,0324
0,0194
0,0109
0,0058
0,0029
0,0014
0,0006

9,5
0,0001
0,0007
0,0034
0,0107
0,0254
0,0483
0,0764
0,1037
0,1232
0,1300
0,1235
0,1067
0,0844
0,0617
0,0419
0,0265
0,0157
0,0088
0,0046
0,0023
0,0011

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

k\
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

10
0,0189
0,0378
0,0631
0,0901
0,1126
0,1251
0,1251
0,1137
0,0948
0,0729
0,0521
0,0347
0,0216
0,0128
0,0071
0,0037
0,0019
0,0009
0,0004
0,0002
0,0001

11
0,0102
0,0224
0,0411
0,0646
0,0888
0,1085
0,1194
0,1194
0,1094
0,0926
0,0728
0,0534
0,0367
0,0237
0,0145
0,0084
0,0046
0,0024
0,0012
0,0006
0,0003
0,0001

12
0,0053
0,0127
0,0255
0,0437
0,0655
0,0874
0,1048
0,1144
0,1144
0,1056
0,0905
0,0724
0,0543
0,0383
0,0255
0,0161
0,0097
0,0055
0,0030
0,0016
0,0008
0,0004
0,0002
0.0001

13
0,0027
0,0070
0,0152
0,0281
0,0457
0,0661
0,0859
0,1015
0,1099
0,1099
0,1021
0,0885
0,0719
0,0550
0,0397
0,0272
0,0177
0,0109
0,0065
0,0037
0,0020
0,0010
0,0005
0,0002
0,0001

14
0,0013
0,0037
0,0087
0,0174
0,0304
0,0473
0,0663
0,0844
0,0984
0,1060
0,1060
0,0989
0,0866
0,0713
0,0554
0,0409
0,0286
0,0191
0,0121
0,0074
0,0043
0,0024
0,0013
0,0007
0,0003

15
0,0007
0,0019
0,0048
0,0104
0,0194
0,0324
0,0486
0,0663
0,0829
0,0956
0,1024
0,1024
0,0960
0,0847
0,0706
0,0558
0,0418
0,0299
0,0204
0,0133
0,0083
0,0050
0,0029
0,0016
0,0009

16
0,0003
0,0010
0,0026
0,0060
0,0120
0,0213
0,0341
0,0496
0,0661
0,0814
0,0930
0,0992
0,0992
0,0934
0,0830
0,0699
0,0559
0,0426
0,0310
0,0216
0,0144
0,0092
0,0057
0,0034
0,0019

327

17
0,0002
0,0005
0,0014
0,0034
0,0072
0,0135
0,0230
0,0356
0,0504
0,0658
0,0700
0,0906
0,0963
0,0963
0,0909
0,0814
0,0692
0,0560
0,0433
0,0320
0,0227
0,0154
0,0101
0,0063
0,0039

18
0,0001
0,0002
0,0007
0,0019
0,0042
0,0083
0,0150
0,0245
0,0368
0,0509
0,0655
0,0786
0,0884
0,0936
0,0936
0,0887
0,0798
0,0684
0,0560
0,0438
0,0329
0,0237
0,0164
0,0109
0,0070

328

ANEXA B. LEGEA LUI POISSON

Anexa C
Legea normal
a
Valorile functie lui Laplace (x) =

x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9

+0,00
0,0000
0,0398
0,0793
0,1179
0,1554
0,1915
0,2257
0,2580
0,2881
0,3159
0,3413
0,3643
0,3849
0,4032
0,4192
0,4332
0,4452
0,4554
0,4641
0,4713
0,4772
0,4821
0,4861
0,4893
0,4918
0,4938
0,4953
0,4965
0,4974
0,4981

+0,01
0,0040
0,0438
0,0832
0,1217
0,1591
0,1950
0,2291
0,2611
0,2910
0,3186
0,3438
0,3665
0,3869
0,4049
0,4207
0,4345
0,4463
0,4564
0,4649
0,4719
0,4778
0,4826
0,4864
0,4896
0,4920
0,4940
0,4955
0,4966
0,4975
0,4982

+0,02
0,0080
0,0478
0,0871
0,1255
0,1628
0,1985
0,2324
0,2642
0,2939
0,3212
0,3461
0,3686
0,3888
0,4046
0,4222
0,4357
0,4474
0,4573
0,4656
0,4726
0,4783
0,4830
0,4868
0,4898
0,4922
0,4941
0,4956
0,4967
0,4976
0,4983

+0,03
0,0120
0,0517
0,0910
0,1293
0,1664
0,2019
0,2357
0,2673
0,2967
0,3228
0,3485
0,3708
0,3907
0,4082
0,4236
0,4370
0,4484
0,4582
0,4664
0,4732
0,4788
0,4834
0,4871
0,4901
0,4925
0,4943
0,4957
0,4968
0,4977
0,4983

+0,04
0,0160
0,0557
0,0948
0,1331
0,1700
0,2054
0,2389
0,2704
0,2995
0,3264
0,3508
0,3729
0,3925
0,4099
0,4251
0,4382
0,4495
0,4591
0,4671
0,4738
0,4793
0,4838
0,4875
0,4904
0,4927
0,4945
0,4959
0,4969
0,4977
0,4984

329

+0,05
0,0199
0,0596
0,0987
0,1368
0,1736
0,2088
0,2422
0,2734
0,3023
0,3289
0,3531
0,3749
0,3944
0,4115
0,4265
0,4394
0,4505
0,4599
0,4678
0,4744
0,4798
0,4842
0,4878
0,4906
0,4929
0,4946
0,4960
0,4970
0,4978
0,4984

1
2

+0,06
0,0239
0,0636
0,1026
0,1406
0,1772
0,2123
0,2454
0,2764
0,3051
0,3315
0,3554
0,3770
0,3962
0,4131
0,4279
0,4406
0,4515
0,4608
0,4686
0,4750
0,4803
0,4846
0,4881
0,4909
0,4931
0,4948
0,4961
0,4971
0,4979
0,4985

Rx

t2

e 2 dt

+0,07
0,0279
0,0675
0,1064
0,1443
0,1808
0,2157
0,2486
0,2794
0,3078
0,3340
0,3577
0,3790
0,3980
0,4147
0,4292
0,4418
0,4525
0,4616
0,4693
0,4756
0,4808
0,4850
0,4884
0,4911
0,4932
0,4949
0,4962
0,4972
0,4979
0,4985

+0,08
0,0319
0,0714
0,1103
0,1480
0,1844
0,2190
0,2517
0,2823
0,3106
0,3365
0,3599
0,3810
0,3997
0,4162
0,4306
0,4429
0,4535
0,4625
0,4699
0,4761
0,4812
0,4854
0,4887
0,4913
0,4934
0,4951
0,4963
0,4973
0,4980
0,4986

+0,09
0,0359
0,0753
0,1141
0,1517
0,1879
0,2224
0,2549
0,2852
0,3133
0,3389
0,3621
0,3830
0,4015
0,4177
0,4319
0,4441
0,4545
0,4633
0,4706
0,4767
0,4817
0,4857
0,4890
0,4916
0,4936
0,4952
0,4964
0,4974
0,4981
0,4986


ANEXA C. LEGEA NORMALA

330

x
(x)

x
(x)

3,0
0,49865

3,6
0,499841

3,1
0,49904

3,7
0,499889

3,2
0,49931

3,3
0,49952

3,8
0,499928

3,9
0,499951

3,4
0,49966

4,0
0,499968

Determinarea lui astfel ncat ( ) =

0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9

+0,00

1,6449
1,2816
1,0364
0,8416
0,6745
0,5244
0,3853
0,2533
0,1257

+0,01
2,5758
1,5982
1,2536
1,0152
0,8239
0,6588
0,5101
0,3719
0,2404
0,1130

103
3,2905

+0,02
2,3263
1,5548
1,2265
0,9945
0,8064
0,6433
0,4959
0,3585
0,2275
0,1004

104
3,8906

+0,03
2,1701
1,5141
1,2004
0,9741
0,7892
0,6280
0,4817
0,3451
0,2147
0,0878

+0,04
2,0537
1,4758
1,1750
0,9542
0,7722
0,6128
0,4677
0,3319
0,2019
0,0753

105
3,4172

+0,05
1,9600
1,4395
1,1503
0,9346
0,7554
0,5978
0,4538
0,3186
0,1891
0,0627

106
4,4916

+0,06
1,8808
1,4051
1,1264
0,9154
0,7388
0,5828
0,4399
0,3055
0,1764
0,0502

107
5,3267

3,5
0,49976

4,5
0,499997

1
2

+0,07
1,8119
1,3722
1,1031
0,8965
0,7225
0,5681
0,4261
0,2924
0,1637
0,0376

108
5,7307

+0,08
1,7507
1,3408
1,0803
0,8779
0,7063
0,5534
0,4125
0,2753
0,1510
0,0251

109
6,1094

+0,09
1,6954
1,3106
1,0581
0,8596
0,6903
0,5388
0,3989
0,2663
0,1383
0,0125

Anexa D
Legea 2
Valorea lui x pentru care P (2 (n) > x) =

n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0,999
0,000
0,002
0,024
0,091
0,210
0,381
0,598
0,857
1,15
1,48
1,83
2,21
2,62
3,04
3,48
3,94
4,42
4,90
5,41
5,92

0,995
0,000
0,010
0,072
0,207
0,412
0,676
0,989
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43

0,99
0,000
0,020
0,115
0,297
0,554
0,872
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26

0,975
0,001
0,051
0,216
0,484
0,831
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59

331

0,95
0,004
0,103
0,352
0,711
1,15
1,64
2,17
2,73
3,33
3,94
4,57
5,23
5,89
6,57
7,26
7,96
8,67
9,39
10,12
10,85

0,9
0,016
0,211
0,584
1,064
1,61
2,20
2,83
3,49
4,17
4,87
5,58
6,30
7,04
7,79
8,55
9,31
10,08
10,87
11,65
12,44

0,75
0,102
0,575
1,21
1,92
2,67
3,45
4,25
5,07
5,90
6,73
7,58
8,43
9,30
10,16
11,03
11,91
12,79
13,67
14,56
15,45

0,5
0,455
1,386
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,34
11,34
12,34
13,34
14,34
15,34
16,34
17,34
18,34
19,34

ANEXA D. LEGEA 2

332

n\
21
22
23
24
25
26
27
28
29
30

0,999
6,45
6,98
7,53
8,08
8,65
9,22
9,80
10,40
11,02
11,61

0,995
8,03
8,64
9,26
9,89
10,56
11,20
11,84
12,49
13,15
13,82

0,99
8,90
9,54
10,20
10,86
11,52
12,20
12,88
13,56
14,26
14,95

0,975
10,28
10,98
11,69
12,40
13,12
13,84
14,57
15,31
16,05
16,79

0,95
11,59
12,34
13,09
13,85
14,61
15,38
16,15
16,93
17,71
18,49

0,9
13,24
14,04
14,85
15,66
16,47
17,29
18,11
18,94
19,77
20,60

0,75
16,34
17,24
18,13
19,03
19,94
20,84
21,57
22,66
23,56
24,48

0,5
20,34
21,34
22,34
23,34
24,34
25,34
26,34
27,34
28,34
29,34

n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0,3
1,07
2,41
3,67
4,88
6,06
7,23
8,38
9,52
10,66
11,78
12,90
14,01
15,12
16,22
17,32
18,42
19,51
20,60
21,69
22,78

0,25
1,32
2,77
4,11
5,39
6,63
7,84
9,04
10,22
11,39
12,55
13,70
14,85
15,98
17,12
18,25
19,37
20,49
21,60
22,72
23,83

0,1
2,71
4,61
6,25
7,78
9,24
10,65
12,02
13,36
14,68
15,99
17,28
18,55
19,81
21,06
22,31
23,54
24,77
25,99
27,20
28,41

0,05
3,84
5,99
7,82
9,49
11,07
12,59
14,07
15,51
16,92
18,31
19,68
21,03
22,36
23,69
25,00
26,30
27,59
28,87
30,14
31,41

0,025
5,02
7,38
9,35
11,14
12,83
14,45
16,01
17,53
19,02
20,48
21,92
23,34
24,74
26,12
27,49
28,85
30,19
31,53
32,85
34,17

0,01
6,64
9,21
11,35
13,28
15,09
16,81
18,48
20,09
21,67
23,21
24,73
26,22
27,69
29,14
30,58
32,00
33,41
34,81
36,19
37,57

0,005
7,88
10,60
13,00
15,00
16,86
18,65
20,37
22,03
23,66
25,25
26,82
28,35
29,87
31,37
32,85
34,31
35,76
37,19
38,62
40,03

0,001
10,83
13,82
16,27
18,47
20,52
22,46
24,32
26,13
27,88
29,59
31,26
32,91
34,53
36,12
37,70
39,25
40,79
42,31
43,82
45,32

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

n\
21
22
23
24
25
26
27
28
29
30

0,3
23,86
24,94
26,02
27,10
28,17
29,25
30,32
31,39
32,46
33,53

0,25
24,93
26,04
27,14
28,24
29,34
30,43
31,53
32,62
33,71
34,80

0,1
29,62
30,81
32,01
33,20
34,38
35,56
36,74
37,92
39,09
40,26

0,05
32,67
33,92
35,17
36,42
37,65
38,89
40,11
41,34
42,56
43,77

0,025
35,48
36,78
38,08
39,36
40,65
41,92
43,19
44,46
45,72
46,98

0,01
38,93
40,29
41,64
42,98
44,31
45,64
46,96
48,29
49,59
50,89

0,005
41,43
42,83
44,21
45,59
46,96
48,32
49,67
51,02
52,36
53,70

333

0,001
46,78
48,27
49,73
51,18
52,62
54,05
55,48
56,89
58,30
59,70

334

ANEXA D. LEGEA 2

Anexa E
Legea Fisher-Sn
ed
ecor
Valorea lui F0 cu proprietatea P (F (m, n) > F0 ) =
= 0, 05

n\m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

1
161
18,51
10,13
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35

2
200
19,00
9,55
6,94
5,79
5,14
7,74
4,46
4,26
4,10
3,98
3,88
3,80
3,74
3,68
3,63
3,59
3,55
3,52
3,49

3
216
19,25
9,28
6,59
5,41
4,76
4,34
4,07
3,86
3,71
3,59
3,49
3,41
3,34
3,29
3,24
3,20
3,16
3,13
3,10

4
225
19,28
9,12
6,39
5,19
4,53
4,12
3,84
3,63
3,48
3,36
3,26
3,18
3,11
3,06
3,01
2,96
2,93
2,90
2,87

5
230
19,30
9,01
6,26
5,05
4,39
3,97
3,69
3,48
3,33
3,20
3,11
3,02
2,96
2,90
2,85
2,81
2,77
2,74
2,71

335

6
234
19,33
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60

7
237
19,36
8,88
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,92
2,84
2,77
2,70
2,66
2,62
2,58
2,55
2,52

8
239
19,37
8,84
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45

9
241
19,38
8,81
6,00
4,78
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,72
2,65
2,59
2,54
2,50
2,46
2,43
2,40

10
242
19,39
8,78
5,96
4,74
4,06
3,63
3,34
3,13
2,97
2,86
2,76
2,67
2,60
2,55
2,49
2,45
2,41
2,38
2,35

336

ECOR

LEGEA FISHER-SNED

ANEXA E.

n\m
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100

n\m
1
2
3
4
5
6
7
8
9
10

1
4,32
4,30
4,18
4,26
4,24
4,22
4,21
4,20
4,18
4,17
4,15
4,13
4,11
4,10
4,08
4,07
4,06
4,05
4,04
4,03
4,00
3,98
3,96
3,94
3,84

11
243
19,40
8,76
5,93
4,70
4,03
3,60
3,31
3,10
2,94

2
3,47
3,44
3,42
3,40
3,38
3,37
3,35
3,34
3,33
3,32
3,30
3,28
3,26
3,25
3,23
3,22
3,21
3,20
3,19
3,18
3,15
3,13
3,11
3,09
2,99

12
244
19,41
8,74
5,91
4,68
4,00
3,57
3,28
3,07
2,91

3
3,07
3,05
3,03
3,01
2,99
2,98
2,96
2,95
2,93
2,92
2,90
2,88
2,86
2,85
2,84
2,83
2,82
2,81
2,80
2,79
2,76
2,74
2,72
2,70
2,60

14
245
19,42
8,71
5,87
4,64
3,96
3,52
3,23
3,02
2,86

4
2,84
2,82
2,80
2,78
2,76
2,74
2,73
2,71
2,70
2,69
2,67
2,65
2,63
2,62
2,61
2,59
2,58
2,57
2,56
2,56
2,52
2,50
2,48
2,46
2,37

16
246
19,43
8,69
5,84
4,60
3,92
3,49
3,20
2,98
2,82

5
2,68
2,66
2,64
2,62
2,60
2,59
2,57
2,56
2,54
2,53
2,51
2,49
2,48
2,46
2,45
2,44
2,43
2,42
2,41
2,40
2,37
2,35
2,33
2,30
2,21

20
248
19,44
8,66
5,80
4,56
3,87
3,44
3,15
2,93
2,77

6
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,44
2,43
2,42
2,40
2,38
2,36
2,35
2,34
2,32
2,31
2,30
2,30
2,29
2,25
2,23
2,21
2,19
2,09

24
249
19,45
8,64
5,77
4,53
3,84
3,41
3,12
2,90
2,74

7
2,49
2,47
2,45
2,43
2,41
2,39
2,37
2,36
2,35
2,34
2,32
2,30
2,28
2,26
2,25
2,24
2,23
2,22
2,21
2,20
2,17
2,14
2,12
2,10
2,01

30
250
19,46
8,62
5,74
4,50
3,81
3,38
3,08
2,86
2,70

8
2,42
2,40
2,38
2,36
2,34
2,32
2,30
2,29
2,28
2,27
2,25
2,23
2,21
2,19
2,18
2,17
2,16
2,14
2,14
2,13
2,10
2,07
2,05
2,03
1,94

40
251
19,47
8,60
5,71
4,46
3,77
3,34
3,05
2,82
2,67

9
2,37
2,35
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,19
2,17
2,15
2,14
2,12
2,11
2,10
2,09
2,08
2,07
2,04
2,01
1,99
1,97
1,88

50
252
19,48
8,58
5,70
4,44
3,75
3,32
3,03
2,80
2,64

10
2,32
2,30
2,28
2,26
2,24
2,22
2,20
2,19
2,18
2,16
2,14
2,12
2,10
2,09
2,07
2,06
2,05
2,04
2,03
2,02
1,99
1,97
1,95
1,92
1,83

100
253
19,49
8,56
5,66
4,40
3,71
3,28
2,98
2,76
2,59

254
19,50
8,53
5,63
4,36
3,67
3,23
2,93
2,71
2,54

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

n\m
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100

11
2,82
2,72
2,63
2,56
2,51
2,45
2,41
2,37
2,34
2,31
2,28
2,26
2,24
2,22
2,20
2,18
2,16
2,15
2,14
2,12
2,10
2,08
2,06
2,05
2,04
2,02
2,01
2,00
1,99
1,98
1,95
1,93
1,91
1,88
1,79

12
2,79
2,69
2,60
2,53
2,48
2,42
2,38
2,34
2,31
2,28
2,25
2,23
2,20
2,18
2,16
2,15
2,13
2,12
2,10
2,09
2,07
2,05
2,03
2,02
2,00
1,99
1,98
1,97
1,96
1,95
1,92
1,89
1,88
1,85
1,75

14
2,74
2,64
2,55
2,48
2,43
2,37
2,33
2,29
2,26
2,23
2,20
2,18
2,14
2,13
2,11
2,10
2,08
2,06
2,05
2,04
2,02
2,00
1,98
1,96
1,95
1,94
1,92
1,91
1,90
1,90
1,86
1,84
1,82
1,79
1,69

16
2,70
2,60
2,51
2,44
2,39
2,33
2,29
2,25
2,21
2,18
2,15
2,13
2,10
2,09
2,06
2,05
2,03
2,02
2,00
1,99
1,97
1,95
1,93
1,92
1,90
1,89
1,88
1,87
1,86
1,85
1,81
1,79
1,77
1,75
1,64

20
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,15
2,12
2,09
2,07
2,04
2,02
2,00
1,99
1,97
1,96
1,94
1,93
1,91
1,89
1,87
1,85
1,84
1,82
1,81
1,80
1,79
1,78
1,75
1,72
1,70
1,68
1,57

24
2,61
2,50
2,42
2,35
2,29
2,24
2,19
2,15
2,11
2,08
2,05
2,03
2,00
1,98
1,96
1,95
1,93
1,91
1,90
1,89
1,86
1,84
1,82
1,80
1,79
1,78
1,76
1,75
1,74
1,74
1,70
1,67
1,65
1,63
1,52

30
2,57
2,46
2,38
2,31
2,25
2,20
2,15
2,11
2,07
2,04
2,00
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,82
1,80
1,78
1,76
1,74
1,73
1,72
1,71
1,70
1,69
1,65
1,62
1,60
1,57
1,46

40
2,53
2,42
2,34
2,27
2,21
2,16
2,11
2,07
2,02
1,99
1,96
1,93
1,91
1,89
1,87
1,85
1,84
1,81
1,80
1,79
1,76
1,74
1,72
1,71
1,69
1,68
1,66
1,65
1,64
1,63
1,59
1,56
1,54
1,51
1,40

50
2,50
2,40
2,32
2,24
2,18
2,13
2,08
2,04
2,00
1,96
1,93
1,91
1,88
1,86
1,84
1,82
1,80
1,78
1,77
1,76
1,74
1,71
1,69
1,67
1,66
1,64
1,63
1,62
1,61
1,60
1,56
1,53
1,51
1,48
1,35

337

100
2,45
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,90
1,87
1,84
1,82
1,80
1,77
1,76
1,74
1,72
1,71
1,69
1,67
1,64
1,62
1,60
1,59
1,57
1,56
1,54
1,53
1,52
1,48
1,45
1,42
1,39
1,24

2,40
2,30
2,21
2,13
2,07
2,01
1,96
1,92
1,88
1,84
1,81
1,78
1,76
1,73
1,71
1,69
1,67
1,65
1,64
1,62
1,59
1,57
1,55
1,53
1,51
1,49
1,48
1,46
1,45
1,44
1,39
1,35
1,32
1,28
1,00

= 0, 01

n\m
1
2
3
4
5
6
7
8

1
4052
98,49
34,12
21,20
16,26
13,74
12,25
11,26

2
4999
99,00
30,82
18,00
13,27
10,92
9,55
8,65

3
5403
99,17
29,46
16,69
12,06
9,78
8,45
7,59

4
5625
99,25
28,71
15,98
11,39
9,15
7,85
7,01

5
5764
99,30
28,24
15,52
10,97
8,75
7,46
6,63

6
5859
99,33
27,91
15,21
10,67
8,47
7,19
6,37

7
5928
99,36
27,67
14,98
10,45
8,26
7,00
6,19

8
5981
99,37
27,49
14,80
10,29
8,10
6,84
6,03

9
6022
99,39
27,34
14,66
10,15
7,98
6,71
5,91

10
6056
99,40
27,23
14,54
10,05
7,87
6,62
5,82

338

ANEXA E.

n\m
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100

1
10,56
10,04
9,65
9,33
9,07
8,86
8,68
8,53
8,40
8,28
8,18
8,10
8,02
7,94
7,88
7,82
7,77
7,72
7,68
7,64
7,60
7,56
7,50
7,44
7,39
7,35
7,31
7,27
7,24
7,21
7,19
7,17
7,08
7,01
6,96
6,90
6,64

2
8,02
7,56
7,20
6,93
6,70
6,51
6,36
6,23
6,11
6,01
5,93
5,85
5,78
5,72
5,66
5,61
5,57
5,53
5,49
5,45
5,42
5,39
5,34
5,29
5,25
5,21
5,18
5,15
5,12
5,10
5,08
5,06
4,98
4,92
4,88
4,82
4,60

3
6,99
6,55
6,22
5,95
5,74
5,56
5,42
5,29
5,18
5,09
5,01
4,94
4,87
4,82
4,76
4,72
4,68
4,61
4,69
4,57
4,54
4,51
4,46
4,42
4,38
4,34
4,31
4,29
4,26
4,24
4,22
4,20
4,13
4,08
4,04
3,98
3,78

4
6,42
5,99
5,67
5,41
5,20
5,03
4,89
4,77
4,67
4,58
4,50
4,43
4,37
4,31
4,26
4,22
4,18
4,14
4,11
4,07
4,04
4,02
3,97
3,93
3,89
3,86
3,83
3,80
3,78
3,76
3,74
3,72
3,65
3,60
3,56
3,51
3,32

5
6,06
5,64
5,32
5,06
4,86
4,69
4,56
4,44
4,34
4,25
4,17
4,10
4,04
3,99
3,94
3,90
3,86
3,82
3,79
3,76
3,73
3,70
3,66
3,61
3,58
3,54
3,51
3,49
3,46
3,44
3,42
3,41
3,34
3,29
3,25
3,20
3,02

6
5,80
5,39
5,07
4,82
4,62
4,46
4,32
4,20
4,10
4,01
3,94
3,87
3,81
3,76
3,71
3,67
3,63
3,59
3,56
3,53
3,50
3,47
3,42
3,38
3,35
3,32
3,29
3,26
3,24
3,22
3,20
3,18
3,12
3,07
3,04
2,99
2,80

ECOR

LEGEA FISHER-SNED

7
5,62
5,21
4,88
4,65
4,44
4,28
4,14
4,03
3,93
3,85
3,77
3,71
3,65
3,59
3,54
3,50
3,46
3,42
3,39
3,36
3,33
3,30
3,25
3,21
3,18
3,15
3,12
3,10
3,07
3,05
3,04
3,02
2,95
2,91
2,87
2,82
2,64

8
5,47
5,06
4,74
4,50
4,30
4,14
4,00
3,89
3,79
3,71
3,63
3,56
3,51
3,45
3,41
3,36
3,32
3,29
3,26
3,23
3,20
3,17
3,12
3,08
3,04
3,02
2,99
2,96
2,94
2,92
2,90
2,88
2,82
2,77
2,74
2,69
2,51

9
5,35
4,95
4,63
4,39
4,19
4,03
3,89
3,78
3,68
3,60
3,52
3,45
3,40
3,35
3,30
3,25
3,21
3,17
3,14
3,11
3,08
3,06
3,01
2,97
2,94
2,91
2,88
2,86
2,84
2,82
2,80
2,78
2,72
2,67
2,64
2,59
2,41

10
5,26
4,85
4,54
4,30
4,10
3,94
3,80
3,69
3,59
3,51
3,43
3,37
3,31
3,26
3,21
3,17
3,13
3,09
3,06
3,03
3,00
2,98
2,94
2,89
2,86
2,82
2,80
2,77
2,75
2,73
2,71
2,70
2,63
2,59
2,55
2,51
2,32

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

n\m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
32
34
36
38
40
42
44
46
48
50
60
70
80
100

11
6082
99,41
27,13
14,45
9,96
7,79
6,54
5,74
5,18
4,78
4,46
4,22
4,02
3,86
3,73
3,61
3,52
3,44
3,36
3,30
3,24
3,18
3,14
3,09
3,05
3,02
2,98
2,95
2,92
2,90
2,86
2,82
2,78
2,75
2,73
2,70
2,68
2,66
2,64
2,62
2,56
2,51
2,48
2,43
2,24

12
6106
99,42
27,05
14,37
9,89
7,72
6,47
5,67
5,11
4,71
4,40
4,16
3,96
3,80
3,67
3,55
3,45
3,37
3,30
3,23
3,17
3,12
3,07
3,03
2,99
2,96
2,93
2,90
2,87
2,84
2,80
2,76
2,72
2,69
2,66
2,64
2,62
2,60
2,58
2,56
2,50
2,45
2,41
2,36
2,18

14
6142
99,43
26,92
14,24
9,77
7,60
6,35
5,56
5,00
4,60
4,29
4,05
3,85
3,70
3,56
3,45
3,35
3,27
3,19
3,13
3,07
3,02
2,97
2,93
2,89
2,86
2,83
2,80
2,77
2,74
2,70
2,66
2,62
2,59
2,56
2,54
2,52
2,50
2,48
2,46
2,40
2,35
2,32
2,26
2,07

16
6169
99,44
26,83
14,15
9,68
7,52
6,27
5,48
4,92
4,52
4,21
3,98
3,78
3,62
3,48
3,37
3,27
3,19
3,12
3,05
2,99
2,94
2,89
2,85
2,81
2,77
2,74
2,71
2,68
2,66
2,62
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,32
2,28
2,24
2,19
1,99

20
6208
99,45
26,69
14,02
9,55
7,39
6,15
5,36
4,80
4,41
4,10
3,86
3,67
3,51
3,36
3,25
3,16
3,07
3,00
2,94
2,88
2,83
2,78
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,51
2,47
2,43
2,40
2,37
2,35
2,32
2,30
2,28
2,26
2,20
2,15
2,11
2,06
1,87

24
6234
99,46
26,60
13,93
9,47
7,31
6,07
5,28
4,73
4,33
4,02
3,78
3,59
3,43
3,29
3,18
3,08
3,00
2,92
2,86
2,80
2,75
2,70
2,66
2,62
2,58
2,55
2,52
2,49
2,47
2,42
2,38
2,35
2,32
2,29
2,26
2,24
2,22
2,20
2,18
2,12
2,07
2,03
1,98
1,79

30
6261
99,47
26,50
13,83
9,38
7,23
5,98
5,20
4,64
4,25
3,94
3,70
3,51
3,34
3,20
3,10
3,00
2,91
2,84
2,77
2,72
2,67
2,62
2,58
2,54
2,50
2,47
2,44
2,41
2,38
2,34
2,30
2,26
2,22
2,20
2,17
2,15
2,13
2,11
2,10
2,03
1,98
1,94
1,89
1,69

40
6286
99,48
26,41
13,74
9,29
7,14
5,90
5,11
4,56
4,17
3,86
3,61
3,42
3,26
3,12
3,01
2,92
2,83
2,76
2,69
2,63
2,58
2,53
2,49
2,45
2,41
2,38
2,35
2,32
2,29
2,25
2,21
2,17
2,14
2,11
2,08
2,06
2,04
2,02
2,00
1,93
1,88
1,84
1,79
1,59

50
6302
99,48
26,35
13,69
9,24
7,09
5,85
5,06
4,51
4,12
3,80
3,56
3,37
3,21
3,07
2,96
2,86
2,78
2,70
2,63
2,58
2,53
2,48
2,44
2,40
2,36
2,33
2,30
2,27
2,24
2,20
2,15
2,12
2,08
2,05
2,02
2,00
1,98
1,96
1,94
1,87
1,82
1,78
1,73
1,52

339

100
6323
99,49
26,23
13,57
9,13
6,99
5,75
4,96
4,41
4,01
3,70
3,46
3,27
3,11
2,97
2,86
2,76
2,68
2,60
2,53
2,47
2,42
2,37
2,33
2,29
2,25
2,21
2,18
2,15
2,13
2,08
2,04
2,00
1,97
1,94
1,91
1,88
1,86
1,84
1,82
1,74
1,69
1,65
1,59
1,36

6366
99,50
26,12
13,46
9,02
6,88
5,65
4,86
4,31
3,91
3,60
3,36
3,16
3,00
2,87
2,75
2,65
2,57
2,49
2,42
2,36
2,31
2,26
2,21
2,17
2,13
2,10
2,06
2,03
2,01
1,96
1,91
1,87
1,84
1,81
1,78
1,75
1,72
1,70
1,68
1,60
1,53
1,49
1,43
1,00

340

ANEXA E.

ECOR

LEGEA FISHER-SNED

Anexa F
Distributia t Student
Valorea lui t,n cu proprietatea P (t,n < t(n) < t,n ) =

n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0,1
0,158
0,142
0,137
0,134
0,132
0,131
0,130
0,130
0,129
0,129
0,129
0,128
0,128
0,128
0,128
0,128
0,128
0,127
0,127
0,127

0,2
0,325
0,289
0,277
0,271
0,267
0,265
0,263
0,262
0,261
0,260
0,260
0,259
0,259
0,258
0,258
0,258
0,257
0,257
0,257
0,257

0,3
0,510
0,445
0,424
0,414
0,408
0,404
0,402
0,399
0,398
0,397
0,396
0,395
0,394
0,393
0,393
0,392
0,392
0,392
0,391
0,391

0,4
0,727
0,617
0,584
0,569
0,559
0,553
0,549
0,546
0,543
0,542
0,540
0,539
0,538
0,537
0,536
0,535
0,534
0,534
0,533
0,533

341

0,5
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687

0,6
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860

0,7
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064

342

ANEXA F.

n\
21
22
23
24
25
26
27
28
29
30
40
60
120

n\
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0,1
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,127
0,126
0,126
0,126
0,126

0,8
3,078
1,886
1,638
1,553
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325

0,2
0,257
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,255
0,254
0,254
0,253

0,9
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725

0,3
0,391
0,390
0,390
0,390
0,390
0,390
0,389
0,389
0,389
0,389
0,388
0,387
0,386
0,385

0,95
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086

DISTRIBUT
IA T STUDENT

0,4
0,532
0,532
0,532
0,531
0,531
0,531
0,530
0,530
0,530
0,530
0,529
0,527
0,526
0,524

0,5
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,677
0,676

0,6
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,845
0,842

0,7
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,046
1,041
1,036

0,98
31,821
6,995
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528

0,99
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845

0,998
318,3
22,33
10,22
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,611
3,579
3,552

0,999
636,619
31,598
12,929
8,610
6,859
5,959
5,405
5,041
4,781
4,587
4,437
4,438
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

n\
20
21
22
23
24
25
26
27
28
29
30
40
60
120

0,8
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,289
1,282

0,9
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,658
1,645

0,95
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,980
1,960

0,98
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,358
2,326

0,99
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,617
2,576

0,998
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,232
3,165
3,090

343

0,999
3,850
3,819
3,792
3,767
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,460
3,373
3,291

Index
abaterea; 142
standard; 142
de selectie; 250
de selectie corectata; 250
algebra; 20
generata; 21,23
independente; 75
-algebra; 22
Bernstein; 52
Buffon; 55
camp
de evenimente; 22
generat; 24
de probabilitate; 46
clasa monotona; 126
clase de selectie; 247
convergent
a.p.; 93
aproape uniform; 93
aproape sigur; 94
n media de ordin p; 124
n masura; 93
n probabilitate; 94
n repartitie; 229
simplu(punctual); 93
uniform; 93
coeficient
de corelatie; 150
empiric de corelatie; 306
completata unei masuri; 30

corelatia; 149, 304


simpla; 305
covarianta; 149
criteriul lui Lebesgue; 119
cuantila; 147, 253
date de selectie; 244
densitatea de repartitie; 81, 84, 86
conditionata; 90
marginala; 87
diametrul unei multimi; 116
dispersia; 140, 141
conditionata; 170
empirica; 249
empirica corectata; 249
distributia
empirica; 245
de probabilitate; 64, 77
marginala; 77
diviziune a unei multimi; 116
dreptunghi masurabil; 124
ecuatia de regresie; 304
estimare
absolut corecta; 258
asimptotic nedeplasata; 256
consistenta; 255
corecta; 258
de verosimilitate maxima; 260
eficienta; 258
nedeplasata; 255
esantion; 244
344

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

eveniment; 15
imposibil; 16
incompatibile; 17
independente; 52
sigur; 16
experienta; 15
formula
de descompunere a dispersiei; 171
lui Bayes; 50, 90, 92
mediei totale; 168, 169, 170
probabilitatii totale; 50, 90, 92
schimbarii de variabila; 110
frecventa; 225, 245, 247
functie
absolut continua; 83
Baire; 117
Beta a lui Euler; 190
boreliana; 58
caracteristica; 156
Darboux; 117
de probabilitate; 64, 77
conditionata; 89
marginala; 77
de regresie; 304
de repartitie; 66, 67, 75
marginala; 75
de verosimilitate; 260
empirica de repartitie; 253
esential marginita; 123
etajata; 96
Gamma a lui Euler; 190
generatoare; 166
lipschitziana; 82
masurabila; 58
statistica; 245
sumabila; 120
histograma; 246, 247
inegalitatea lui

Cauchy-Schwarz; 122, 146


Cebasev; 143
Holder; 121, 146
Markov; 115, 143
Minkowski; 122, 146
integrala
Lebesgue; 98, 100, 105
Riemann; 119
interval de ncredere; 268
Kolmogorov; 46
Laplace; 25
legea numerelor mari; 227
sub forma lui Bernoulli; 225
sub forma lui Cebasev; 226
legea tare a numerelor mari; 228
lema lui
Borel-Cantelli; 112
Fatou; 105
matrice
de covarianta; 155
pozitiv definita; 155
masura; 27, 28
Borel; 45, 46
Borel-Stieltjes; 70
completa; 28
de numarare; 28
exterioara; 35
Lebesgue; 45
Lebesgue; 45, 46
Lebesgue-Stieltjes; 70
-finita; 28
media
conditionata; 166, 168, 169
empirica; 249
mediana; 146
empirica; 250
metoda
celor mai mici patrate; 305

345

346
momentelor; 259
verosimilitatii maxime; 260
modul; 148
empiric; 250
moment
absolut; 144
centrat de ordin n; 144
centrat de ordin mn; 149
de selectie; 253
de ordin n; 144
de ordin mn; 148
factorial; 144
multime
elementara; 124
masurabila; 35
Lebesgue; 45, 46
Jordan; 115
nivel de semnificatie; 268
norma diviziunii; 116
populatie statistica; 244
prag de ncredere; 268
probabilitate; 25, 46
conditionata; 48
produsul
-algebrelor; 124
masurilor; 131
regiune critica; 281
regresia; 304
exponentiala; 310
hiperbolica; 311
liniara; 306
logaritmica; 311
parabolica; 311
relatia lui Sturges; 247
repartitia
Beta; 222
2 , Helmert-Pearson; 209
de probabilitate; 70, 75

INDEX

exponentiala; 187
F, Fisher-Snedecor; 211
Gamma; 206
hipergeometrica; 179
lognormala; 223
multinomiala; 176
normala Gauss-Laplace; 198
normala n-dimensionala; 205
normala standard; 200
t, Student; 217
Weibull; 196
schema
bilei nerevenite; 178
urnelor lui Poisson; 176
serie
de frecvente absolute; 245
statistica; 244
semi-algebra; 20
semi-masura; 27
sistem complet de evenimente; 19
spatiu
cu masura; 28
de probabilitate; 46
masurabil; 22
suma Darboux; 117
tabel de contingenta; 301
teorema
clasei monotone; 126
convergentei dominate
a lui Lebesgue; 113
convergentei monotone; 103
de inversiune a lui Fourier; 160
de prelungire a unei
semi-masuri; 30
limita centrala; 240
lui Beppo-Levi; 104, 114
lui Borel; 97
lui Caratheodory; 35

ILOR S
MATEMATICA

TEORIA PROBABILITAT
I STATISTICA

lui Egorov; 96
lui Fubini; 132
lui Glivenko; 254
lui Helly; 233
lui Levy; 236
lui Poisson; 181
lui Rao-Cramer; 265
lui Riesz; 96
lui Skorhod; 231
transformata Fourier; 156
valoarea medie; 135, 138, 140, 155
variabila aleatoare; 59
absolut continua; 84
binomiala; 173
Cauchy; 85
complexa; 155
continua; 62
discreta; 62
etajata; 62
n-dimensionala; 75
Poisson; 182
simpla; 62
uniforma; 185
variabile aleatoare
identic distribuite; 156
i.i.d.; 156
independente; 75
marginale; 75
necorelate; 149
vector aleator; 75
absolut continuu; 86
discret; 75
volumul selectiei; 244

347

348

INDEX

Bibliografie
[1] R.Ba
nuelos, Lecture Notes in Measure Theory and Probability, 2003.
[2] P.Blaga, A.S. Muresan, Matematici aplicate n economie, Casa de Editura Transilvania Press, Cluj-Napoca, 1996.
[3] G.Bocsan, Estimarea parametrilor modelelor statistice, Tip. Univ. de
Vest din Timisoara, 1995.
[4] G.Bocsan, E.Topuzu, Modelare stochastica: idei si concepte fundamentale, Editura Orizonturi Universitare, Timisoara, 2005.
[5] G.Ciucu,Elemente de teoria probabilitatilor si statistica matematica,
Editura Didactica si Pedagogica, Bucuresti, 1963.
[6] G.Constantin, Curs de teoria probabilitatilor si statistica matematica,
Editura Univ. din Timisoara, 1977.
[7] V.Craiu, Teoria Probabilitatilor, Editura Fundatiei Romania de Maine,
Bucuresti, 1997.
[8] C.Dochitoiu, A.Matei, Matematici economice generale, Editura Economica, Bucuresti, 1995.
[9] C.Goffman, G.Pedrick, First Course in Functional Analysis, PrenticeHall, Inc., Englewood Cliffs, N.J., 1965.
[10] D.Gaspar, Analiza functionala, Editura Facla, Timisoara, 1981.
[11] P.Hammad, Course de Probabilites, Cujas, Paris, 1987.
[12] E.Kovacs, Calculul probabilitatilor si statistica matematica, Indrumator
de seminar, Editura Universitatii Aurel Vlaicu din Arad, 1996.
349

350

BIBLIOGRAFIE

[13] M.Megan, Analiza matematica reala, Tip. Univ. Timisoara, 1981.


[14] N.Mihaileanu, Istoria matematicii, Vol. 2, Editura Stiintifica si Enciclopedica, Bucuresti, 1981.
[15] A.S. Muresan, M. Mihoc (si altii), Matematici pentru economisti, Editura Dacia, Cluj-Napoca, 2000.
[16] S. Nadaban, MathEco - Analiza matematica, Editura Mirton, Timisoara,
2001.
[17] E.Petrisor, Probabilitati si statistica, Aplicatii n economie si inginerie,
Editura Politehnica, Timisoara, 2001.
[18] P.Preda, Analiza reala, Tip. Univ. Timisoara, 1991.
[19] I.D.Resa, Probleme de statistica, Tip. Univ. Timisoara, 1989.
[20] R.Sandretto, Probabilites, Exercices corriges et rappels de cours, Edite
par Dunod, 1993.
[21] I.Gh.Sabac (si altii), Matematici speciale, Vol. II, Editura Didactica si
Pedagogica, Bucuresti, 1983.
[22] R.Trandafir, Introducere n teoria probabilitatilor, Editura Albatros, Bucuresti, 1979.