Cursul 5. Repartiții continue remarcabile și transformări

Probabilități și Statistică · Cursul 5

Alexandru Amărioarei

Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027

Planul cursului

Partea Conținut
I Repartiția uniformă; universalitatea repartiției uniforme; metoda inversei
II Repartiția exponențială; lipsa de memorie; procesul Poisson; de la timp discret la timp continuu
III Repartiția normală: integrala lui Gauss, standardizare, regula 68–95–99.7, sume de variabile independente; repartițiile Gamma și Beta
IV Transformări de variabile aleatoare; asimetrie și aplatizare
V Exerciții rezolvate

Obiectivele cursului

La sfârșitul cursului, studenții vor putea:

  • recunoaște și folosi repartițiile \(\Unif(a,b)\), \(\Exp(\lambda)\), \(\Norm(\mu,\sigma^2)\), \(\GammaD(\alpha,\lambda)\), \(\BetaD(a,b)\) (densitate, funcție de repartiție, medie, varianță);
  • simula o repartiție oarecare pornind de la \(\Unif(0,1)\) (metoda inversei);
  • explica și aplica proprietatea lipsei de memorie;
  • calcula probabilități normale prin standardizare și cu pnorm, qnorm;
  • determina repartiția lui \(Y=g(X)\): metoda funcției de repartiție și formula schimbării de variabilă.

Recapitulare: variabile aleatoare continue

  • \(X\) este continuă cu densitatea \(f\) dacă \(\PP(X\in A)=\int_A f(x)\dd x\); \(f\ge0\), \(\int_{\R}f=1\).
  • \(\PP(X=a)=0\), deci \(\PP(a\le X\le b)=\PP(a<X<b)=\int_a^b f(x)\dd x=F(b)-F(a)\).
  • Funcția de repartiție \(F(x)=\PP(X\le x)=\int_{-\infty}^x f(t)\dd t\); \(F'=f\) în punctele de continuitate ale lui \(f\).
  • Cuantila de ordin \(\alpha\): \(x_\alpha=\inf\{x: F(x)\ge\alpha\}\) (soluția ecuației \(F(x)=\alpha\)); mediana \(x_{1/2}\).
  • Densitatea nu este o probabilitate și poate depăși \(1\).

Recapitulare: medie, varianță, funcții de v.a.

  • Media: \(\E[X]=\int_{\R} x f(x)\dd x\) (dacă \(\int|x|f(x)\dd x<\infty\)); pentru \(X\ge0\), \(\E[X]=\int_0^\infty\PP(X>x)\dd x\).
  • Teorema 10 din Cursul 4: \(\E[g(X)]=\int_{\R} g(x)f(x)\dd x\); momentele \(\E[X^k]=\int x^kf(x)\dd x\).
  • \(\Var(X)=\E[X^2]-(\E X)^2\); \(\E[aX+b]=a\E[X]+b\), \(\Var(aX+b)=a^2\Var(X)\).
  • Exemple din Cursul 4 pe care le reluăm: repartiția logistică (Exemplul 3 din Cursul 4), densitatea nemărginită (Exemplul 1 din Cursul 4), repartiția Cauchy fără medie (Exemplul 8 din Cursul 4).

Partea I — Repartiția uniformă și universalitatea

Un punct ales „la întâmplare”

Alegem un punct „la întâmplare” în \([a,b]\): nicio regiune a intervalului nu este favorizată.

Formal, cerem ca densitatea să fie constantă pe \([a,b]\) și nulă în rest: \(f(x)=c\) pentru \(x\in[a,b]\).

Cum \(f\) este o densitate, \(c\ge0\) și \[ 1=\int_{-\infty}^{+\infty}f(x)\dd x=\int_a^b c\dd x=c\,(b-a),\qquad\text{deci}\qquad c=\frac{1}{b-a}. \]

Repartiția uniformă

Definiția 1 (Repartiția uniformă)

Fie \(a<b\). O variabilă aleatoare \(U\) este repartizată uniform pe intervalul \([a,b]\), și notăm \(U\sim\Unif(a,b)\) (sau \(U\sim\Unif([a,b])\)), dacă are densitatea \[ f(x)=\begin{cases}\dfrac{1}{b-a}, & a\le x\le b,\\[2mm] 0, & \text{altfel,}\end{cases} \qquad\text{adică}\qquad f(x)=\frac{1}{b-a}\Ind_{[a,b]}(x). \]

Deoarece punctele au probabilitate zero, este indiferent dacă intervalul se consideră închis sau deschis: \(\Unif([a,b])\) și \(\Unif((a,b))\) desemnează aceeași repartiție.

Funcția de repartiție a lui \(\Unif(a,b)\)

Propoziția 2 (Funcția de repartiție a lui U(a,b))

Dacă \(U\sim\Unif(a,b)\), atunci \[ F(x)=\int_{-\infty}^x f(t)\dd t=\begin{cases}0, & x<a,\\[1mm] \dfrac{x-a}{b-a}, & a\le x\le b,\\[2mm] 1, & x>b.\end{cases} \] În plus, pentru orice subinterval \((c,d)\subseteq(a,b)\), \(\PP\big(U\in(c,d)\big)=\int_c^d\frac{1}{b-a}\dd x=\frac{d-c}{b-a}\), adică probabilitatea este proporțională cu lungimea subintervalului (și nu depinde de poziția lui).

Funcția de repartiție a lui \(\Unif(a,b)\) — demonstrație

Demonstrație. Dacă \(x<a\), densitatea este nulă pe \((-\infty,x]\), deci \(F(x)=0\).

Dacă \(a\le x\le b\), \[ F(x)=\int_{-\infty}^x f(t)\dd t=\int_a^x\frac{1}{b-a}\dd t=\frac{x-a}{b-a}. \] Dacă \(x>b\), \(F(x)=\int_a^b\frac{1}{b-a}\dd t=1\).

A doua afirmație se obține la fel: \(\PP(c<U<d)=\int_c^d\frac{\dd x}{b-a}=\frac{d-c}{b-a}\).■

Densitatea și funcția de repartiție

\(\Unif(1,4)\): aria hașurată este \(\PP(2\le U\le 2.75)=0.75/3=0.25\); \(F\) este liniară pe \([a,b]\).

Cazul \(\Unif(0,1)\) și transformarea de locație–scală

Pentru \(U\sim\Unif(0,1)\): \(f_U(x)=\Ind_{[0,1]}(x)\) și \(F_U(x)=x\) pe \([0,1]\). Este repartiția produsă de generatoarele de numere aleatoare (runif în R).

Propoziția 3 (Legătura dintre U(0,1) și U(a,b))

Dacă \(U\sim\Unif(0,1)\) și \(a<b\), atunci \(V=a+(b-a)U\sim\Unif(a,b)\). Reciproc, dacă \(V\sim\Unif(a,b)\), atunci \(\dfrac{V-a}{b-a}\sim\Unif(0,1)\).

Orice repartiție uniformă se obține din \(\Unif(0,1)\) printr-o transformare de locație și scală.

Legătura dintre \(\Unif(0,1)\) și \(\Unif(a,b)\) — demonstrație

Demonstrație. Pentru \(x\in[a,b]\), deoarece \(b-a>0\) și \(\frac{x-a}{b-a}\in[0,1]\), \[ F_V(x)=\PP\big(a+(b-a)U\le x\big)=\PP\Big(U\le\frac{x-a}{b-a}\Big)=F_U\Big(\frac{x-a}{b-a}\Big)=\frac{x-a}{b-a}. \] Pentru \(x<a\) argumentul lui \(F_U\) este negativ, deci \(F_V(x)=0\); pentru \(x>b\) este mai mare decât \(1\), deci \(F_V(x)=1\). Așadar \(V\) are funcția de repartiție din Propoziția 2. Reciproca: analog.■

Transformarea \(u\mapsto a+(b-a)u\): o scalare (înmulțirea cu \(b-a\) „întinde” \([0,1]\) la lungimea \(b-a\)) urmată de o translație (adunarea lui \(a\)). Tipul \(x\mapsto\mu+\sigma x\) îl reîntâlnim la repartiția normală.

Media și varianța repartiției uniforme

Propoziția 4 (Media și varianța repartiției uniforme)

Dacă \(V\sim\Unif(a,b)\), atunci \[ \E[V]=\frac{a+b}{2},\qquad \Var(V)=\frac{(b-a)^2}{12}. \]

Demonstrație. Calcul direct. Avem \[ \begin{aligned} \E[V]&=\int_{-\infty}^{+\infty}x\,\frac{1}{b-a}\Ind_{[a,b]}(x)\dd x=\frac{1}{b-a}\cdot\frac{x^2}{2}\Big|_a^b=\frac{b^2-a^2}{2(b-a)}=\frac{a+b}{2},\\ \E[V^2]&=\frac{1}{b-a}\int_a^b x^2\dd x=\frac{b^3-a^3}{3(b-a)}=\frac{a^2+ab+b^2}{3}. \end{aligned} \]■

Media și varianța — demonstrație (continuare)

Demonstrație. Deci \[ \Var(V)=\frac{a^2+ab+b^2}{3}-\frac{(a+b)^2}{4}=\frac{4a^2+4ab+4b^2-3a^2-6ab-3b^2}{12}=\frac{(b-a)^2}{12}. \]

Prin transformare. Pentru \(U\sim\Unif(0,1)\): \(\E[U]=\int_0^1x\dd x=\frac12\), \(\Var(U)=\int_0^1x^2\dd x-\frac14=\frac1{12}\). Cum \(V\) are aceeași repartiție ca \(a+(b-a)U\) (Propoziția 3), \[ \E[V]=a+(b-a)\E[U]=\frac{a+b}{2},\qquad \Var(V)=(b-a)^2\Var(U)=\frac{(b-a)^2}{12}. \]■

Momente de ordin superior: \(\E[U^k]=\frac{1}{k+1}\) și \(\E[V^k]=\dfrac{b^{k+1}-a^{k+1}}{(k+1)(b-a)}\).

Exemplu: așteptarea în stație

Exemplul 1 (Așteptarea în stație)

Din stație pleacă un autobuz la fiecare \(15\) minute, începând cu ora \(7{:}00\). Un călător ajunge în stație la un moment repartizat uniform între \(7{:}00\) și \(7{:}30\). Care este probabilitatea ca el să aștepte a) mai puțin de \(5\) minute; b) mai mult de \(10\) minute?

Soluție

Fie \(X\sim\Unif(0,30)\) numărul de minute după ora \(7{:}00\) la care ajunge călătorul.

  1. Așteaptă mai puțin de \(5\) minute dacă ajunge în \((10,15)\) sau în \((25,30)\): \(\PP(10<X<15)+\PP(25<X<30)=\frac{5}{30}+\frac{5}{30}=\frac13 .\)

  2. Așteaptă mai mult de \(10\) minute dacă ajunge în \((0,5)\) sau în \((15,20)\): probabilitatea este tot \(\frac{10}{30}=\frac13\).

Repartiția uniformă în R

Funcțiile R: dunif (densitatea), punif (funcția de repartiție), qunif (cuantila), runif (generare), cu argumentele min \(=a\), max \(=b\). Aceleași prefixe d, p, q, r pentru toate repartițiile.

punif(0.3, min = 0, max = 2)             # P(U <= 0.3) pentru U ~ U(0, 2)
#> [1] 0.15
qunif(0.9, min = 0, max = 2)             # cuantila de ordin 0.9
#> [1] 1.8
set.seed(1); v <- 1 + 3 * runif(1e5)     # V = a + (b - a) U ~ U(1, 4)
c(medie = mean(v), teor = 5/2, var = var(v), teor = 9/12)
#> medie  teor   var  teor 
#> 2.499 2.500 0.754 0.750

Universalitatea repartiției uniforme

Pornind de la o singură variabilă \(\Unif(0,1)\) putem construi o variabilă cu orice funcție de repartiție dorită; invers, orice variabilă continuă poate fi transformată într-o variabilă uniformă.

Teorema 5 (Universalitatea repartiției uniforme)

Fie \(X\) o variabilă aleatoare a cărei funcție de repartiție \(F\) este continuă și strict crescătoare (deci bijectivă de la suportul lui \(X\) la \((0,1)\)). Atunci:

  1. dacă \(U\sim\Unif(0,1)\), variabila \(F^{-1}(U)\) are aceeași repartiție ca \(X\);

  2. \(F(X)\sim\Unif(0,1)\).

Este principiul pe care se bazează majoritatea algoritmilor de simulare.

Universalitate — demonstrația punctului a)

Demonstrație.

  1. Cum \(F\) este continuă și strict crescătoare, există inversa \(F^{-1}\), tot strict crescătoare. Fie \(Y=F^{-1}(U)\).

Aplicând funcția crescătoare \(F\) ambilor membri ai inegalității, evenimentele \(\{F^{-1}(U)\le x\}\) și \(\{U\le F(x)\}\) coincid, deci \[ \PP(Y\le x)=\PP\big(F^{-1}(U)\le x\big)=\PP\big(U\le F(x)\big)=F(x), \] deoarece \(F(x)\in[0,1]\) și \(F_U(u)=u\) pe \([0,1]\).

Astfel \(F^{-1}(U)\) și \(X\) au aceeași funcție de repartiție.■

Universalitate — demonstrația punctului b)

Demonstrație.

  1. Fie \(Y=F(X)\); cum \(F:\R\to[0,1]\), avem \(Y\in[0,1]\). Pentru \(y\in(0,1)\), aplicând funcția crescătoare \(F^{-1}\), \[ \PP(Y\le y)=\PP\big(F(X)\le y\big)=\PP\big(X\le F^{-1}(y)\big)=F\big(F^{-1}(y)\big)=y . \] Pentru \(y<0\) avem \(\PP(Y\le y)=0\), iar pentru \(y>1\), \(\PP(Y\le y)=1\).

Deci \(Y\) are funcția de repartiție a lui \(\Unif(0,1)\).■

Observație: funcția cuantilă

Observație

Teorema rămâne valabilă pentru orice funcție de repartiție \(F\) (inclusiv pentru variabile discrete) dacă în locul inversei folosim funcția cuantilă (Cursul 4) \[ F^{-1}(u)=\inf\{x\in\R : F(x)\ge u\},\qquad u\in(0,1). \] Dacă \(F\) este continuă și strict crescătoare, \(F^{-1}\) este chiar inversa lui \(F\).

Partea b) necesită însă continuitatea lui \(F\): pentru o variabilă discretă, \(F(X)\) ia doar un număr cel mult numărabil de valori și nu poate fi uniformă.

Metoda inversei (simulare)

Partea a) a teoremei conduce la metoda inversei (metoda transformării inverse). Pentru a genera \(n\) observații dintr-o repartiție cu funcția de repartiție \(F\):

  1. generăm \(u_1,\dots,u_n\) din \(\Unif(0,1)\) (în R: runif(n));
  2. calculăm \(x_i=F^{-1}(u_i)\), \(i=1,\dots,n\).

Valorile \(x_1,\dots,x_n\) sunt observații din repartiția dorită; histograma lor aproximează densitatea \(f=F'\).

Observație

Condiția practică: trebuie să putem calcula (explicit sau numeric) \(F^{-1}\). Pentru normală \(F^{-1}=\Phi^{-1}\) nu are formă explicită, dar se calculează numeric (qnorm).

Exemplu: simularea repartiției logistice

Exemplul 2 (Simularea repartiției logistice)

În Exemplul 3 din Cursul 4: densitatea logistică \(f(x)=\frac{e^x}{(1+e^x)^2}\) are funcția de repartiție \(F(x)=\frac{e^x}{1+e^x}\), \(x\in\R\), continuă și strict crescătoare. Rezolvăm \(F(x)=u\), \(u\in(0,1)\): \[ \frac{e^x}{1+e^x}=u\iff e^x=u+ue^x\iff e^x=\frac{u}{1-u}\iff x=\ln\frac{u}{1-u}. \] Deci \(F^{-1}(u)=\ln\frac{u}{1-u}\), iar dacă \(U\sim\Unif(0,1)\), variabila \(\ln\frac{U}{1-U}\) are repartiție logistică. Pentru \(n\) observații logistice, generăm \(n\) observații uniforme și le aplicăm \(u\mapsto\ln\frac{u}{1-u}\).

Logistica: verificare numerică

set.seed(2026)
u <- runif(10000)
x <- log(u / (1 - u))                    # metoda inversei: F^{-1}(U)
# cuantile empirice vs. cuantile teoretice (logistică)
round(rbind(empiric = quantile(x, c(0.1, 0.25, 0.5, 0.75, 0.9)),
            teoretic = qlogis(c(0.1, 0.25, 0.5, 0.75, 0.9))), 3)
#>             10%    25%   50%   75%   90%
#> empiric  -2.204 -1.097 -0.01 1.078 2.221
#> teoretic -2.197 -1.099  0.00 1.099 2.197

Cuantilele empirice ale valorilor simulate sunt foarte apropiate de cuantilele teoretice ale repartiției logistice (qlogis).

Cele două direcții ale teoremei

Stânga: a) — \(F^{-1}(U)\) are repartiția \(F\). Dreapta: b) — pentru \(X\) cu densitatea \(e^{-x}\), \(x>0\), valorile \(F(X)=1-e^{-X}\) sunt uniforme.

Exemplu: simularea unei variabile Bernoulli

Exemplul 3 (Simularea unei variabile Bernoulli)

Fie \(X\sim\Bern(p)\). Funcția de repartiție este \(F(x)=0\) pentru \(x<0\), \(F(x)=1-p\) pentru \(0\le x<1\) și \(F(x)=1\) pentru \(x\ge1\). Funcția cuantilă \(F^{-1}(u)=\inf\{x: F(x)\ge u\}\) este \[ F^{-1}(u)=\begin{cases}0, & 0<u\le 1-p,\\ 1, & 1-p<u<1.\end{cases} \] Așadar \(F^{-1}(U)=1\) exact când \(U>1-p\). Cum și \(1-U\sim\Unif(0,1)\), putem folosi echivalent regula: generăm \(U\sim\Unif(0,1)\); dacă \(U<p\), punem \(X=1\), altfel \(X=0\) — „aruncarea unei monede” cu probabilitatea de succes \(p\).

Cazul discret general

Dacă \(X\) ia valorile \(x_1<x_2<\dots<x_m\) cu probabilitățile \(p_1,\dots,p_m\), atunci \[ F^{-1}(U)=x_k\iff p_1+\dots+p_{k-1}<U\le p_1+\dots+p_k : \] împărțim \((0,1)\) în subintervale consecutive de lungimi \(p_1,\dots,p_m\) și returnăm \(x_k\) dacă \(U\) cade în al \(k\)-lea subinterval.

# v.a. discretă cu valorile 1, 2, 3 și probabilitățile 0.2, 0.5, 0.3
set.seed(3)
val <- c(1, 2, 3); p <- c(0.2, 0.5, 0.3)
u <- runif(10000)
x <- val[findInterval(u, c(0, cumsum(p)))]  # subintervalul lui u
table(x) / length(x)                          # frecvențe relative
#> x
#>      1      2      3 
#> 0.2078 0.4972 0.2950

Partea II — Repartiția exponențială și lipsa de memorie

Repartiția exponențială

Definiția 6 (Repartiția exponențială)

O variabilă aleatoare \(X\) are repartiție exponențială de parametru \(\lambda>0\), și notăm \(X\sim\Exp(\lambda)\), dacă densitatea ei este \[ f(x)=\lambda e^{-\lambda x}\,\Ind_{(0,\infty)}(x)=\begin{cases}\lambda e^{-\lambda x}, & x>0,\\ 0, & x\le0.\end{cases} \] Parametrul \(\lambda\) se numește rata (sau intensitatea) repartiției.

\(f\) este o densitate: \(f\ge0\) și \(\int_0^\infty\lambda e^{-\lambda x}\dd x=\big(-e^{-\lambda x}\big)\big|_0^\infty=0-(-1)=1\).

Modelează timpul de așteptare până la producerea unui eveniment: durata de viață a unei componente electronice, timpul până la sosirea următorului client, durata unei convorbiri, timpul până la dezintegrarea unui atom radioactiv.

Funcția de repartiție a lui \(\Exp(\lambda)\)

Propoziția 7 (Funcția de repartiție a lui Exp(λ))

Dacă \(X\sim\Exp(\lambda)\), atunci \[ F(x)=\begin{cases}0, & x\le0,\\ 1-e^{-\lambda x}, & x>0,\end{cases} \qquad\text{și}\qquad \PP(X>a)=e^{-\lambda a},\quad a\ge0 . \]

Demonstrație. Pentru \(x>0\), \(F(x)=\int_{-\infty}^x\lambda e^{-\lambda t}\Ind_{(0,\infty)}(t)\dd t=\int_0^x\lambda e^{-\lambda t}\dd t=\big(-e^{-\lambda t}\big)\big|_0^x=1-e^{-\lambda x}\), iar pentru \(x\le0\), \(F(x)=0\). Apoi \(\PP(X>a)=1-F(a)=e^{-\lambda a}\).■

\(a\mapsto\PP(X>a)=e^{-\lambda a}\) este probabilitatea de supraviețuire (scade exponențial).

Densitatea și funcția de repartiție pentru diverse \(\lambda\)

Cu cât rata \(\lambda\) este mai mare, cu atât masa de probabilitate este mai concentrată lângă \(0\).

Media și varianța repartiției exponențiale

Propoziția 8 (Media și varianța repartiției exponențiale)

Dacă \(X\sim\Exp(\lambda)\), atunci \[ \E[X]=\frac1\lambda,\qquad \Var(X)=\frac{1}{\lambda^2}. \]

Demonstrație. Integrăm prin părți, folosind \(\lambda e^{-\lambda x}=\big(-e^{-\lambda x}\big)'\) și faptul că \(x^ke^{-\lambda x}\to0\) când \(x\to\infty\): \[ \E[X]=\int_0^\infty x\,\lambda e^{-\lambda x}\dd x=\int_0^\infty x\big(-e^{-\lambda x}\big)'\dd x=\big(-xe^{-\lambda x}\big)\Big|_0^\infty+\int_0^\infty e^{-\lambda x}\dd x=0+\frac1\lambda . \] (continuăm cu \(\E[X^2]\))■

Media și varianța — demonstrație (continuare)

Demonstrație. Analog, \[ \begin{aligned} \E[X^2]&=\int_0^\infty x^2\big(-e^{-\lambda x}\big)'\dd x=\big(-x^2e^{-\lambda x}\big)\Big|_0^\infty+\int_0^\infty 2xe^{-\lambda x}\dd x\\ &=\frac2\lambda\int_0^\infty x\,\lambda e^{-\lambda x}\dd x=\frac{2}{\lambda}\E[X]=\frac{2}{\lambda^2}, \end{aligned} \] deci \(\Var(X)=\frac{2}{\lambda^2}-\frac{1}{\lambda^2}=\frac{1}{\lambda^2}\).■

Dacă \(\lambda\) este numărul mediu de evenimente pe unitatea de timp (rata), atunci \(1/\lambda\) este timpul mediu de așteptare.

Mediana; schimbarea unității de măsură

Mediana este soluția ecuației \(1-e^{-\lambda x}=1/2\): \[ x_{1/2}=\frac{\ln2}{\lambda}\approx\frac{0.693}{\lambda}<\frac1\lambda=\E[X], \] deoarece densitatea are o coadă lungă spre dreapta.

Observație

Dacă \(X\sim\Exp(\lambda)\) și \(c>0\), atunci \(cX\sim\Exp(\lambda/c)\), deoarece \[ \PP(cX>x)=\PP(X>x/c)=e^{-(\lambda/c)x}. \] În particular \(\lambda X\sim\Exp(1)\): toate repartițiile exponențiale se obțin din \(\Exp(1)\) prin schimbarea unității de măsură a timpului.

Simularea prin metoda inversei

Pe \((0,\infty)\) funcția \(F(x)=1-e^{-\lambda x}\) este continuă și strict crescătoare, cu valori în \((0,1)\). Rezolvând \(1-e^{-\lambda x}=u\) obținem \(e^{-\lambda x}=1-u\), adică \[ F^{-1}(u)=-\frac{\ln(1-u)}{\lambda},\qquad u\in(0,1). \] Conform Teoremei 5, dacă \(U\sim\Unif(0,1)\), atunci \(-\frac{1}{\lambda}\ln(1-U)\sim\Exp(\lambda)\). Cum și \(1-U\sim\Unif(0,1)\), rezultă și \[ X=-\frac{\ln U}{\lambda}\sim\Exp(\lambda). \]

Simulare în R

set.seed(2026)
lambda <- 2
u <- runif(10000)
x <- -log(u) / lambda                     # observații Exp(2)
c(medie = mean(x), teor = 1/lambda, var = var(x), teor = 1/lambda^2)
#>  medie   teor    var   teor 
#> 0.5000 0.5000 0.2454 0.2500
c(empiric = mean(x > 1), teoretic = pexp(1, lambda, lower.tail = FALSE))
#>  empiric teoretic 
#>   0.1355   0.1353

Proprietatea lipsei de memorie

Definiția 9 (Proprietatea lipsei de memorie)

Spunem că o variabilă aleatoare \(X\ge0\), cu \(\PP(X>t)>0\) pentru orice \(t\ge0\), are proprietatea lipsei de memorie dacă \[ \PP(X>s+t\mid X>s)=\PP(X>t),\qquad\text{pentru orice } s,t\ge0 . \]

Interpretare. Dacă \(X\) este durata de viață a unei componente: probabilitatea ca o componentă care a funcționat deja \(s\) ore să mai funcționeze încă cel puțin \(t\) ore este aceeași cu probabilitatea ca o componentă nouă să funcționeze cel puțin \(t\) ore.

Componenta „nu îmbătrânește”. Echivalent: repartiția duratei de viață reziduale \(X-s\), condiționat de \(\{X>s\}\), este aceeași cu repartiția lui \(X\).

Lipsa de memorie caracterizează repartiția exponențială

Teorema 10 (Lipsa de memorie caracterizează repartiția exponențială)
  1. Dacă \(X\sim\Exp(\lambda)\), atunci \(X\) are proprietatea lipsei de memorie.

  2. Reciproc, dacă \(X\ge0\) este o variabilă aleatoare continuă cu proprietatea lipsei de memorie, atunci există \(\lambda>0\) astfel încât \(X\sim\Exp(\lambda)\).

Demonstrație.

  1. Cum \(s+t\ge s\), avem \(\{X>s+t\}\subseteq\{X>s\}\), deci \(\{X>s+t\}\cap\{X>s\}=\{X>s+t\}\) și \[ \begin{aligned} \PP(X>s+t\mid X>s)&=\frac{\PP(X>s+t,\,X>s)}{\PP(X>s)}=\frac{\PP(X>s+t)}{\PP(X>s)} =\frac{e^{-\lambda(s+t)}}{e^{-\lambda s}}=e^{-\lambda t}=\PP(X>t). \end{aligned} \]

■

Demonstrația punctului b): ecuația lui Cauchy

Demonstrație.

  1. Fie \(G(t)=\PP(X>t)=1-F(t)\), \(t\ge0\), funcția de supraviețuire; \(G\) este continuă (căci \(X\) este continuă), descrescătoare, \(G(0)=1\), \(G(t)>0\) și \(G(t)\to0\) când \(t\to\infty\). Relația din Definiția 9 se scrie \(G(s+t)/G(s)=G(t)\), adică \[ G(s+t)=G(s)\,G(t),\qquad s,t\ge0 . \] Aceasta este (varianta multiplicativă a) ecuației funcționale a lui Cauchy. Aplicând-o repetat, \(G(nt)=G(t)^n\) pentru orice \(n\in\N\) și \(t\ge0\).

Luând \(t=1/n\): \(G(1)=G(1/n)^n\), deci \(G(1/n)=G(1)^{1/n}\) și apoi \[ G(m/n)=G(1/n)^m=G(1)^{m/n},\qquad m,n\in\N,\ n\ge1 . \]■

Demonstrația punctului b) (continuare)

Demonstrație. Notăm \(\lambda=-\ln G(1)\). Avem \(0<G(1)<1\): \(G(1)>0\) prin ipoteză, iar dacă \(G(1)=1\) ar rezulta \(G(m)=1\) pentru orice \(m\), în contradicție cu \(G(m)\to0\). Deci \(\lambda\in(0,\infty)\) și \[ G(q)=e^{-\lambda q}\qquad\text{pentru orice } q\ge0 \text{ rațional.} \] Pentru \(t\ge0\) oarecare, alegem un șir de raționali \(q_k\to t\); din continuitatea lui \(G\), \[ G(t)=\lim_k e^{-\lambda q_k}=e^{-\lambda t}. \] Așadar \(\PP(X>t)=e^{-\lambda t}\), adică \(X\sim\Exp(\lambda)\).■

Lipsa de memorie — ilustrare

\(X\sim\Exp(0.5)\), \(s=2\). Densitatea condiționată a lui \(X\) știind \(X>s\) este densitatea lui \(X\) translatată cu \(s\); histograma lui \(X-s\) (când \(X>s\)) coincide cu \(\Exp(0.5)\).

Exemplu: durata de viață a unui bec

Exemplul 4 (Durata de viață a unui bec)

Durata de funcționare (în ore) a unui bec este repartizată exponențial, cu media de \(1000\) de ore, deci \(\lambda=1/1000\).

  1. Probabilitatea ca becul să funcționeze mai mult de \(1500\) de ore este \(\PP(X>1500)=e^{-1.5}\approx0.2231\).

  2. Știind că becul a funcționat deja \(1000\) de ore, probabilitatea ca el să mai funcționeze cel puțin încă \(500\) de ore este, conform lipsei de memorie, \(\PP(X>1500\mid X>1000)=\PP(X>500)=e^{-0.5}\approx0.6065\).

  3. Jumătate dintre becuri se ard înainte de mediana \(x_{1/2}=1000\ln2\approx693.1\) ore, deși durata medie este de \(1000\) de ore.

Lipsa de memorie: o idealizare

Observație

Proprietatea lipsei de memorie este o idealizare. Ea este rezonabilă pentru componente care se defectează din cauze „accidentale” (șocuri externe), dar nu pentru sisteme care se uzează: un motor vechi are, de regulă, o probabilitate mai mare de a se defecta în ora următoare decât unul nou.

Comparați cu Exercițiul 8 din Cursul 4, unde așteptarea anterioară mărește șansa unei sosiri iminente.

Printre repartițiile discrete pe \(\{1,2,\dots\}\), lipsa de memorie caracterizează repartiția geometrică; repartiția exponențială este analogul ei continuu (vezi Exercițiul 4).

Legătura cu procesul Poisson

Evenimente (apeluri, sosiri de clienți, dezintegrări) se produc aleator în timp, astfel încât numărul \(N(t)\) de evenimente din \([0,t]\) are repartiția \(\Pois(\lambda t)\); \(\lambda>0\) = numărul mediu de evenimente pe unitatea de timp.

Modelul (proces Poisson) presupune în plus că numerele de evenimente din intervale disjuncte sunt independente.

Fie \(T\) momentul producerii primului eveniment. Atunci \(T>t\) dacă și numai dacă în \([0,t]\) nu s-a produs niciun eveniment: \[ \PP(T>t)=\PP\big(N(t)=0\big)=e^{-\lambda t}\frac{(\lambda t)^0}{0!}=e^{-\lambda t},\qquad t\ge0 . \]

Timpul de așteptare într-un proces Poisson

Prin urmare \(T\sim\Exp(\lambda)\):

Observație

Într-un proces Poisson de rată \(\lambda\), timpul de așteptare până la primul eveniment este exponențial de parametru \(\lambda\).

Se poate arăta că și timpii dintre evenimente consecutive sunt independenți și \(\Exp(\lambda)\); lipsa de memorie reflectă faptul că procesul „o ia de la capăt” în orice moment.

Timpul până la al \(n\)-lea eveniment va fi o sumă de \(n\) exponențiale independente — repartiția \(\GammaD(n,\lambda)\) (Partea III și Cursul 6).

Exemplu: apeluri la un centru telefonic

Exemplul 5 (Apeluri la un centru telefonic)

La un centru telefonic sosesc în medie \(3\) apeluri pe oră, conform unui proces Poisson. Probabilitatea ca în următoarea jumătate de oră să nu sosească niciun apel este \(\PP(T>0.5)=e^{-3\cdot0.5}=e^{-1.5}\approx0.2231\), iar timpul mediu de așteptare până la primul apel este \(1/3\) oră, adică \(20\) de minute.

lambda <- 3                                # apeluri pe oră
pexp(0.5, rate = lambda, lower.tail = FALSE)   # P(T > 0.5) = exp(-1.5)
#> [1] 0.2231
dpois(0, lambda * 0.5)                     # idem, via Poisson
#> [1] 0.2231
qexp(0.5, rate = lambda) * 60              # mediana, în minute
#> [1] 13.86

De la timp discret la timp continuu

De unde provine repartiția exponențială? Un calculator „vede” timpul în tacte.

  • Împărțim unitatea de timp în \(n\) tacte de lungime \(1/n\); în fiecare tact se produce un eveniment cu probabilitatea \(p=\lambda/n\), independent de celelalte tacte (în medie \(np=\lambda\) evenimente pe unitatea de timp).
  • Numărăm evenimentele din \([0,t]\): \(\Bin(nt,\lambda/n)\approx\Pois(\lambda t)\) pentru \(n\) mare (Teorema 17 din Cursul 3).
  • Așteptăm primul eveniment: tactul în care se produce este \(K_n\sim\Geom(\lambda/n)\) (Definiția 13 din Cursul 3); timpul de așteptare este \(T_n=K_n/n\).

Ce devine \(T_n\) când tactele sunt din ce în ce mai scurte?

Exponențiala ca limită a geometricei

Propoziția 11 (Repartiția exponențială ca limită a repartiției geometrice)

Fie \(\lambda>0\) și, pentru \(n>\lambda\), fie \(K_n\sim\Geom(\lambda/n)\) și \(T_n=K_n/n\). Atunci, pentru orice \(t\ge0\), \[ \lim_{n\to\infty}\PP(T_n>t)=e^{-\lambda t}=\PP(T>t),\qquad\text{unde } T\sim\Exp(\lambda). \]

Demonstrație. \(\{T_n>t\}=\{K_n>\lfloor nt\rfloor\}\): primele \(\lfloor nt\rfloor\) tacte nu aduc niciun eveniment, deci \[ \PP(T_n>t)=\Big(1-\frac\lambda n\Big)^{\lfloor nt\rfloor}=\Big[\Big(1-\frac\lambda n\Big)^{n}\Big]^{\lfloor nt\rfloor/n}\xrightarrow[n\to\infty]{}e^{-\lambda t}, \] deoarece \(\big(1-\frac\lambda n\big)^n\to e^{-\lambda}\) și \(\lfloor nt\rfloor/n\to t\).■

Simulare: apeluri numărate pe tacte

set.seed(2026)
lambda <- 3; n <- 1000; ore <- 4000   # 1000 de tacte pe oră, 4000 de ore
tact <- which(rbinom(ore * n, 1, lambda / n) == 1)   # tactele cu apel
astept <- diff(c(0, tact)) / n        # timpii dintre apeluri, în ore
c(medie = mean(astept), P = mean(astept > 0.5))  # Exp(3): 1/3, exp(-1.5)
#>  medie      P 
#> 0.3352 0.2206
nr <- tabulate(ceiling(tact / n), nbins = ore)   # apeluri în fiecare oră
c(medie = mean(nr), varianta = var(nr))          # Pois(3): 3 și 3
#>    medie varianta 
#>    2.982    2.948

Același șir de probe Bernoulli produce ambele repartiții: timpii dintre apeluri sunt \(\approx\Exp(3)\) (media \(1/3\), \(e^{-1.5}\approx0.2231\)), iar numărul de apeluri pe oră este \(\approx\Pois(3)\).

Partea III — Repartiția normală; repartițiile Gamma și Beta

De ce repartiția normală?

  • A apărut ca aproximare a repartiției binomiale (de Moivre, 1733) și ca model pentru erorile de măsurare (Gauss, Laplace).
  • Importanța ei provine din teorema limită centrală (Cursul 7): suma unui număr mare de v.a. independente, fiecare cu o contribuție mică, are o repartiție aproximativ normală.
  • De aceea multe mărimi naturale (înălțimi, erori de măsură, note la examene cu mulți itemi) au histograme în formă de „clopot”.
Notă istorică

Curba „în formă de clopot” apare pentru prima dată la Abraham de Moivre (1733), ca limită a probabilităților binomiale. Gauss a folosit-o în 1809 în teoria erorilor de observație astronomică, iar Laplace a demonstrat primele versiuni generale ale teoremei limită centrale. Denumirea de repartiție „normală” s-a impus spre sfârșitul secolului al XIX-lea.

Repartiția normală

Definiția 12 (Repartiția normală)

Spunem că o variabilă aleatoare \(X\) este repartizată normal (gaussian) de parametri \(\mu\in\R\) și \(\sigma^2>0\), și notăm \(X\sim\Norm(\mu,\sigma^2)\), dacă admite densitatea \[ f(x)=\frac{1}{\sqrt{2\pi}\,\sigma}\,e^{-\frac{(x-\mu)^2}{2\sigma^2}},\qquad x\in\R . \] Pentru \(\mu=0\), \(\sigma^2=1\), \(X\) este normală standard, \(X\sim\Norm(0,1)\). Densitatea normalei standard se notează \(\varphi\), iar funcția ei de repartiție \(\Phi\): \[ \varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-x^2/2},\qquad \Phi(x)=\int_{-\infty}^x\frac{1}{\sqrt{2\pi}}e^{-t^2/2}\dd t,\qquad x\in\R . \]

Proprietăți ale densității \(\varphi\)

  • \(\Phi\) nu are o formă compactă: primitiva lui \(e^{-x^2/2}\) nu se exprimă prin funcții elementare; valorile lui \(\Phi\) se calculează numeric (pnorm) sau se citesc din tabele.
  • \(\varphi\) este pară, \(\varphi(z)=\varphi(-z)\): graficul este simetric față de axa verticală.
  • Maximul \(\varphi(0)=1/\sqrt{2\pi}\approx0.399\); puncte de inflexiune în \(\pm1\).
  • Densitatea generală se obține din \(\varphi\) prin translație cu \(\mu\) și scalare cu \(\sigma\): \[ f(x)=\frac1\sigma\,\varphi\Big(\frac{x-\mu}{\sigma}\Big). \]

Rolul parametrilor \(\mu\) și \(\sigma\)

\(\mu\) este parametru de locație (translatează graficul); \(\sigma\) este parametru de scală (aplatizează sau ascute graficul).

Schimbarea de variabilă în integrala multiplă

Faptul că \(\varphi\) este o densitate nu este evident: trebuie arătat că \(\int_{-\infty}^{\infty}e^{-x^2/2}\dd x=\sqrt{2\pi}\). Folosim coordonate polare, deci formula schimbării de variabilă:

Teorema 13 (Schimbarea de variabilă în integrala multiplă)

Fie \(G\subseteq\R^n\) o mulțime deschisă și \(g=(g_1,\dots,g_n):G\to\R^n\) o funcție injectivă, cu derivate parțiale continue, al cărei determinant jacobian \(\det J_g(x)=\det\big(\frac{\partial g_i}{\partial x_j}(x)\big)_{1\le i,j\le n}\) este nenul pe \(G\). Atunci, pentru orice funcție \(f\) nenegativă sau integrabilă pe \(g(G)\), \[ \int_{g(G)}f(y)\dd y=\int_G f\big(g(x)\big)\,\big|\det J_g(x)\big|\dd x . \]

Integrala lui Gauss

Propoziția 14 (Densitatea normală standard)

Funcția \(\varphi\) este o densitate de probabilitate: \(\varphi(x)>0\) pentru orice \(x\in\R\) și \[ \int_{-\infty}^{+\infty}e^{-x^2/2}\dd x=\sqrt{2\pi},\qquad\text{deci}\qquad\int_{-\infty}^{+\infty}\varphi(x)\dd x=1 . \]

Demonstrație. Fie \(I=\int_{-\infty}^{+\infty}e^{-x^2/2}\dd x\) (convergentă, deoarece \(e^{-x^2/2}\le e^{1/2-|x|}\)). Scriem \(I^2\) ca produs a două integrale și aplicăm teorema lui Fubini: \[ I^2=\Big(\int_{-\infty}^{+\infty}e^{-x^2/2}\dd x\Big)\Big(\int_{-\infty}^{+\infty}e^{-y^2/2}\dd y\Big)=\iint_{\R^2}e^{-\frac{x^2+y^2}{2}}\dd x\dd y . \]■

Integrala lui Gauss — coordonate polare

Demonstrație. Trecem la coordonate polare, \(g(r,\theta)=(r\cos\theta,r\sin\theta)\) pe \(G=(0,\infty)\times(0,2\pi)\); \(g\) este injectivă și \(g(G)\) diferă de \(\R^2\) doar printr-o semidreaptă, de arie zero. Matricea jacobiană și determinantul ei sunt \[ J_g(r,\theta)=\begin{pmatrix}\frac{\partial g_1}{\partial r} & \frac{\partial g_1}{\partial\theta}\\[1mm] \frac{\partial g_2}{\partial r} & \frac{\partial g_2}{\partial\theta}\end{pmatrix}=\begin{pmatrix}\cos\theta & -r\sin\theta\\ \sin\theta & r\cos\theta\end{pmatrix},\qquad \det J_g(r,\theta)=r . \] (continuăm pe slide-ul următor)■

Integrala lui Gauss — finalul demonstrației

Demonstrație. Intuitiv, dreptunghiul infinitezimal \(\dd x\dd y\) corespunde „sectorului” de arie \(r\dd r\dd\theta\). Cum \(x^2+y^2=r^2\), Teorema 13 dă \[ I^2=\int_0^{2\pi}\!\!\int_0^\infty e^{-r^2/2}\,r\dd r\dd\theta=2\pi\int_0^\infty re^{-r^2/2}\dd r=2\pi\Big(-e^{-r^2/2}\Big)\Big|_0^\infty=2\pi . \] Cum \(I>0\), rezultă \(I=\sqrt{2\pi}\) și \(\int_{\R}\varphi=\frac{1}{\sqrt{2\pi}}\,I=1\).■

Simetria funcției \(\Phi\)

Propoziția 15 (Simetria funcției Φ)

Pentru orice \(z\in\R\), \(\Phi(-z)=1-\Phi(z)\). În consecință, dacă \(Z\sim\Norm(0,1)\), atunci și \(-Z\sim\Norm(0,1)\), iar pentru \(z>0\), \(\PP(|Z|\le z)=2\Phi(z)-1\).

Demonstrație. Cu schimbarea de variabilă \(u=-t\) și folosind paritatea lui \(\varphi\), \[ \Phi(-z)=\int_{-\infty}^{-z}\varphi(t)\dd t=\int_z^{\infty}\varphi(-u)\dd u=\int_z^\infty\varphi(u)\dd u=1-\Phi(z). \] Apoi \(\PP(-Z\le z)=\PP(Z\ge-z)=1-\Phi(-z)=\Phi(z)\), deci \(-Z\) are funcția de repartiție \(\Phi\). În fine, \(\PP(|Z|\le z)=\Phi(z)-\Phi(-z)=2\Phi(z)-1\).■

Valori ale lui \(\Phi\) de reținut

Datorită simetriei, tabelele lui \(\Phi\) conțin de obicei doar valorile pentru \(z\ge0\). Câteva valori care trebuie reținute:

\(z\) \(0\) \(1\) \(1.645\) \(1.96\) \(2\) \(2.576\)
\(\Phi(z)\) \(0.5\) \(0.8413\) \(0.95\) \(0.975\) \(0.9772\) \(0.995\)
round(pnorm(c(0, 1, 1.645, 1.96, 2, 2.576)), 4)   # valorile lui Phi
#> [1] 0.5000 0.8413 0.9500 0.9750 0.9772 0.9950
pnorm(-1.96); 1 - pnorm(1.96)                    # simetria: Phi(-z) = 1 - Phi(z)
#> [1] 0.025
#> [1] 0.025

Momentele normalei standard

Propoziția 16 (Momentele normalei standard)

Dacă \(Z\sim\Norm(0,1)\), atunci \(\E[Z]=0\) și \(\Var(Z)=1\). Mai general, \(\E[Z^{n+1}]=n\,\E[Z^{n-1}]\) pentru \(n\ge1\), de unde \[ \E[Z^{2k+1}]=0,\qquad \E[Z^{2k}]=(2k-1)(2k-3)\cdots3\cdot1,\qquad k\ge1 . \] În particular, \(\E[Z^3]=0\) și \(\E[Z^4]=3\).

Demonstrație. Toate momentele există, deoarece \(|z|^ne^{-z^2/2}\) este integrabilă pe \(\R\). Funcția \(z\mapsto z\varphi(z)\) este impară, deci \(\E[Z]=\int_{\R} z\varphi(z)\dd z=0\); la fel pentru toate momentele de ordin impar. (continuăm cu recurența)■

Momentele normalei standard — recurența

Demonstrație. Pentru recurență folosim \(\varphi'(z)=-z\varphi(z)\) și integrăm prin părți: \[ \begin{aligned} \E[Z^{n+1}]&=\int_{-\infty}^{\infty}z^n\cdot z\varphi(z)\dd z=\int_{-\infty}^{\infty}z^n\big(-\varphi(z)\big)'\dd z\\ &=\big(-z^n\varphi(z)\big)\Big|_{-\infty}^{\infty}+n\int_{-\infty}^{\infty}z^{n-1}\varphi(z)\dd z=n\,\E[Z^{n-1}]. \end{aligned} \] Pentru \(n=1\) obținem \(\E[Z^2]=1\cdot\E[Z^0]=1\), deci \(\Var(Z)=\E[Z^2]-(\E[Z])^2=1\). Pentru \(n=3\), \(\E[Z^4]=3\E[Z^2]=3\), și așa mai departe.■

Cazul general: standardizare

Propoziția 17 (Locație și scală pentru repartiția normală)

Fie \(\mu\in\R\) și \(\sigma>0\).

  1. Dacă \(Z\sim\Norm(0,1)\), atunci \(X=\mu+\sigma Z\sim\Norm(\mu,\sigma^2)\), iar \(\E[X]=\mu\) și \(\Var(X)=\sigma^2\).

  2. Reciproc, dacă \(X\sim\Norm(\mu,\sigma^2)\), atunci variabila standardizată \(Z=\dfrac{X-\mu}{\sigma}\sim\Norm(0,1)\).

  3. Funcția de repartiție și densitatea lui \(X\sim\Norm(\mu,\sigma^2)\) sunt \[ F(x)=\Phi\Big(\frac{x-\mu}{\sigma}\Big),\qquad f(x)=\frac1\sigma\,\varphi\Big(\frac{x-\mu}{\sigma}\Big). \]

Standardizare — demonstrație

Demonstrație. Fie \(X=\mu+\sigma Z\). Cum \(\sigma>0\), \[ F_X(x)=\PP(\mu+\sigma Z\le x)=\PP\Big(Z\le\frac{x-\mu}{\sigma}\Big)=\Phi\Big(\frac{x-\mu}{\sigma}\Big). \] Derivând funcția compusă (\((h\circ u)'=h'(u)\,u'\)), \[ f_X(x)=\frac{\dd}{\dd x}\Phi\Big(\frac{x-\mu}{\sigma}\Big)=\varphi\Big(\frac{x-\mu}{\sigma}\Big)\cdot\frac1\sigma=\frac{1}{\sqrt{2\pi}\,\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}, \] adică densitatea \(\Norm(\mu,\sigma^2)\): a) și c). Media și varianța din Propoziția 16: \(\E[X]=\mu+\sigma\E[Z]=\mu\), \(\Var(X)=\sigma^2\Var(Z)=\sigma^2\). (continuăm cu b))■

Procedura de standardizare

Demonstrație. Pentru b), dacă \(X\sim\Norm(\mu,\sigma^2)\): \(\PP\big(\frac{X-\mu}{\sigma}\le z\big)=\PP(X\le\mu+\sigma z)=F(\mu+\sigma z)=\Phi(z)\), conform c).■

Orice variabilă normală se obține din normala standard printr-o scalare (cu \(\sigma\)) și o translație (cu \(\mu\)); orice calcul de probabilități pentru \(\Norm(\mu,\sigma^2)\) se reduce la \(\Phi\).

Dacă \(X\sim\Norm(\mu,\sigma^2)\), atunci \[ \PP(a\le X\le b)=\PP\Big(\frac{a-\mu}{\sigma}\le\frac{X-\mu}{\sigma}\le\frac{b-\mu}{\sigma}\Big)=\Phi\Big(\frac{b-\mu}{\sigma}\Big)-\Phi\Big(\frac{a-\mu}{\sigma}\Big). \] Mai întâi translatăm în origine (scădem \(\mu\)), apoi scalăm la varianța \(1\) (împărțim la \(\sigma\)).

Transformări liniare ale variabilelor normale

Corolarul 18 (Transformări liniare ale variabilelor normale)

Dacă \(X\sim\Norm(\mu,\sigma^2)\) și \(a,b\in\R\), \(a\ne0\), atunci \(aX+b\sim\Norm\big(a\mu+b,\ a^2\sigma^2\big)\).

Demonstrație. Scriem \(X=\mu+\sigma Z\) cu \(Z\sim\Norm(0,1)\). Atunci \[ aX+b=(a\mu+b)+a\sigma Z . \] Dacă \(a>0\), concluzia rezultă din Propoziția 17 a) cu parametrul de scală \(a\sigma\).

Dacă \(a<0\), scriem \(aX+b=(a\mu+b)+|a|\sigma(-Z)\) și folosim faptul că \(-Z\sim\Norm(0,1)\) (Propoziția 15).■

Regula 68–95–99.7

Teorema 19 (Regula 68-95-99.7)

Dacă \(X\sim\Norm(\mu,\sigma^2)\), atunci \[ \begin{aligned} \PP(|X-\mu|\le\sigma)&=2\Phi(1)-1\approx0.6827,\\ \PP(|X-\mu|\le2\sigma)&=2\Phi(2)-1\approx0.9545,\\ \PP(|X-\mu|\le3\sigma)&=2\Phi(3)-1\approx0.9973. \end{aligned} \]

Demonstrație. Cu \(Z=(X-\mu)/\sigma\sim\Norm(0,1)\), \(\PP(|X-\mu|\le k\sigma)=\PP(|Z|\le k)=2\Phi(k)-1\) (Propoziția 15); valorile numerice se obțin din tabel sau cu pnorm.■

Regula 68–95–99.7 — ilustrare

Valori aflate la mai mult de \(3\sigma\) de medie sunt foarte rare; în controlul calității ele semnalează de obicei o anomalie.

Exemplu: standardizare

Exemplul 6 (Standardizare)

Fie \(X\sim\Norm(-1,4)\), deci \(\mu=-1\) și \(\sigma=2\). Calculăm \(\PP(|X|<3)\). Standardizând, \[ \begin{aligned} \PP(|X|<3)&=\PP(-3<X<3)=\PP\Big(\frac{-3-(-1)}{2}<\frac{X-(-1)}{2}<\frac{3-(-1)}{2}\Big)\\ &=\PP\Big(-1<\frac{X+1}{2}<2\Big), \end{aligned} \] iar \(\frac{X+1}{2}\sim\Norm(0,1)\). Deci \[ \PP(|X|<3)=\Phi(2)-\Phi(-1)=\Phi(2)+\Phi(1)-1\approx0.9772+0.8413-1=0.8186 . \]

Exemplu: aproximare cu regula 68–95–99.7

Același rezultat se poate aproxima folosind doar regula 68–95–99.7. Cu \(Z\sim\Norm(0,1)\), \[ \PP(-1<Z<2)=\PP(-1<Z<1)+\PP(1\le Z<2)\approx0.68+\frac{0.95-0.68}{2}=0.815, \] deoarece, din simetrie, aria dintre \(1\) și \(2\) este jumătate din aria \(\PP(1\le|Z|<2)\approx0.95-0.68\).

Exemplu: coeficientul de inteligență

Exemplul 7 (Coeficientul de inteligență)

Scorurile IQ sunt construite astfel încât să fie aproximativ \(\Norm(100,15^2)\). Proporția persoanelor cu IQ peste \(130\) este \[ \PP(X>130)=1-\Phi\Big(\frac{130-100}{15}\Big)=1-\Phi(2)\approx0.0228 . \] Pragul depășit de doar \(10\%\) din populație este cuantila de ordin \(0.9\): din \(\Phi(z)=0.9\) obținem \(z_{0.9}\approx1.2816\), deci \[ x_{0.9}=\mu+\sigma z_{0.9}\approx100+15\cdot1.2816\approx119.2 . \] În general, cuantila de ordin \(\alpha\) a repartiției \(\Norm(\mu,\sigma^2)\) este \(x_\alpha=\mu+\sigma z_\alpha\), unde \(z_\alpha=\Phi^{-1}(\alpha)\) este cuantila normalei standard.

Calcule normale în R

pnorm(2) - pnorm(-1)          # P(-1 < Z < 2)
#> [1] 0.8186
pnorm(3, mean = -1, sd = 2) -
  pnorm(-3, mean = -1, sd = 2)  # direct
#> [1] 0.8186
1 - pnorm(130, 100, 15)       # P(IQ > 130)
#> [1] 0.02275
qnorm(0.9, 100, 15)           # cuantila 0.9
#> [1] 119.2
round(2 * pnorm(1:3) - 1, 4)  # regula 68-95-99.7
#> [1] 0.6827 0.9545 0.9973
Atenție!

În R, repartiția normală este parametrizată prin abaterea standard \(\sigma\) (argumentul sd), nu prin varianța \(\sigma^2\).

Pentru \(X\sim\Norm(-1,4)\) se scrie pnorm(x, mean = -1, sd = 2), nu sd = 4.

De ce apare normala atât de des? Suma a două uniforme

Exemplul 8 (Suma a două variabile uniforme independente)

Fie \(U_1,U_2\sim\Unif(0,1)\) independente și \(S_2=U_1+U_2\). Punctul \((U_1,U_2)\) este ales la întâmplare în pătratul \([0,1]^2\), deci \(\PP(S_2\le s)\) este aria regiunii \(\{u_1+u_2\le s\}\): \[ F_{S_2}(s)=\begin{cases}\dfrac{s^2}{2}, & 0\le s\le1,\\[2mm] 1-\dfrac{(2-s)^2}{2}, & 1<s\le2,\end{cases} \qquad f_{S_2}(s)=\begin{cases}s, & 0\le s\le1,\\[1mm] 2-s, & 1<s\le2.\end{cases} \] Două „dreptunghiuri” adunate dau un „triunghi” (densitatea din Exercițiul 5 din Cursul 4).

Sume de variabile uniforme: apare clopotul

\(S_n=U_1+\dots+U_n\), cu \(\E[S_n]=\frac n2\), \(\Var(S_n)=\frac n{12}\); suma standardizată este \(Z_n=\dfrac{S_n-n/2}{\sqrt{n/12}}\).

Media și varianța lui \(Z_n\) rămân \(0\) și \(1\); se schimbă forma: histograma se apropie de \(\varphi\) (roșu).

Sume de uniforme: verificare în R

set.seed(2026); B <- 1e5
z_n <- function(n)            # suma standardizată a n uniforme
  (rowSums(matrix(runif(B * n), nrow = B)) - n / 2) / sqrt(n / 12)
prob <- function(z) c(mean(z <= -1), mean(z <= 1), mean(abs(z) <= 2))
tab <- rbind(t(sapply(c(1, 2, 4, 12), function(n) prob(z_n(n)))),
             c(pnorm(-1), pnorm(1), 2 * pnorm(2) - 1))
dimnames(tab) <- list(c("n = 1", "n = 2", "n = 4", "n = 12", "N(0,1)"),
                      c("P(Z <= -1)", "P(Z <= 1)", "P(|Z| <= 2)"))
round(tab, 4)
#>        P(Z <= -1) P(Z <= 1) P(|Z| <= 2)
#> n = 1      0.2112    0.7861      1.0000
#> n = 2      0.1752    0.8255      0.9678
#> n = 4      0.1629    0.8338      0.9579
#> n = 12     0.1601    0.8394      0.9548
#> N(0,1)     0.1587    0.8413      0.9545

Sume de variabile independente: ce reținem

Observație
  • Fenomenul nu ține de repartiția uniformă: același clopot apare pornind de la aproape orice repartiție cu varianță finită. Mărimile care însumează multe efecte mici și independente (zgomotul unui senzor, eroarea unei măsurători) se modelează cu repartiția normală.
  • Pentru \(n=12\): \(Z_{12}=U_1+\dots+U_{12}-6\), formulă folosită mult timp pentru a genera rapid numere aproximativ normale. Astăzi rnorm folosește implicit metoda inversei, care este exactă.

Funcția Gamma

Definiția 20 (Funcția Gamma)

Pentru \(\alpha>0\), funcția Gamma (a lui Euler) este \[ \Gamma(\alpha)=\int_0^\infty x^{\alpha-1}e^{-x}\dd x . \]

Propoziția 21 (Proprietățile funcției Gamma)

Funcția Gamma are proprietățile: a) \(\Gamma(1)=1\); b) \(\Gamma(\alpha+1)=\alpha\,\Gamma(\alpha)\) pentru orice \(\alpha>0\); c) \(\Gamma(n)=(n-1)!\) pentru \(n\in\N\), \(n\ge1\); d) \(\Gamma(1/2)=\sqrt\pi\).

Funcția Gamma prelungește factorialul la argumente reale pozitive.

Proprietățile funcției Gamma — demonstrație

Demonstrație.

  1. \(\Gamma(1)=\int_0^\infty e^{-x}\dd x=1\).

  2. Integrând prin părți, \[ \Gamma(\alpha+1)=\int_0^\infty x^\alpha\big(-e^{-x}\big)'\dd x=\big(-x^\alpha e^{-x}\big)\big|_0^\infty+\alpha\int_0^\infty x^{\alpha-1}e^{-x}\dd x=\alpha\Gamma(\alpha). \]

  3. Rezultă din a) și b) prin inducție.

  4. Cu schimbarea de variabilă \(x=t^2/2\), \(\dd x=t\dd t\), și folosind integrala lui Gauss (Propoziția 14), \[ \Gamma(1/2)=\int_0^\infty x^{-1/2}e^{-x}\dd x=\int_0^\infty\frac{\sqrt2}{t}e^{-t^2/2}\,t\dd t=\sqrt2\int_0^\infty e^{-t^2/2}\dd t=\sqrt2\cdot\frac{\sqrt{2\pi}}{2}=\sqrt\pi . \]

■

Repartiția Gamma

Cu schimbarea de variabilă \(x=\lambda t\) obținem formula foarte utilă \[ \int_0^\infty t^{\alpha-1}e^{-\lambda t}\dd t=\frac{\Gamma(\alpha)}{\lambda^\alpha},\qquad \alpha,\lambda>0, \] care arată că funcția de mai jos este o densitate.

Definiția 22 (Repartiția Gamma)

Fie \(\alpha>0\) și \(\lambda>0\). O variabilă aleatoare \(X\) are repartiția Gamma de parametri \(\alpha\) (parametru de formă) și \(\lambda\) (rată), și notăm \(X\sim\GammaD(\alpha,\lambda)\), dacă are densitatea \[ f(x)=\frac{\lambda^\alpha}{\Gamma(\alpha)}\,x^{\alpha-1}e^{-\lambda x},\qquad x>0, \] și \(f(x)=0\) pentru \(x\le0\).

Media și varianța repartiției Gamma

Propoziția 23 (Media și varianța repartiției Gamma)

Dacă \(X\sim\GammaD(\alpha,\lambda)\), atunci \(\E[X^k]=\dfrac{\Gamma(\alpha+k)}{\Gamma(\alpha)\lambda^k}\) pentru \(k\ge1\); în particular \[ \E[X]=\frac{\alpha}{\lambda},\qquad \Var(X)=\frac{\alpha}{\lambda^2}. \]

Demonstrație. \[ \E[X^k]=\frac{\lambda^\alpha}{\Gamma(\alpha)}\int_0^\infty x^{\alpha+k-1}e^{-\lambda x}\dd x=\frac{\lambda^\alpha}{\Gamma(\alpha)}\cdot\frac{\Gamma(\alpha+k)}{\lambda^{\alpha+k}}\quad\text{(formula de pe slide-ul anterior).} \] Cu \(\Gamma(\alpha+1)=\alpha\Gamma(\alpha)\) și \(\Gamma(\alpha+2)=(\alpha+1)\alpha\Gamma(\alpha)\): \(\E[X]=\alpha/\lambda\), \(\E[X^2]=\alpha(\alpha+1)/\lambda^2\) și \(\Var(X)=\alpha/\lambda^2\).■

Cazuri particulare ale repartiției Gamma

  • Pentru \(\alpha=1\): \(\GammaD(1,\lambda)=\Exp(\lambda)\).
  • Pentru \(\alpha=n\in\N\): repartiția \(\GammaD(n,\lambda)\) (numită și repartiția Erlang) este repartiția sumei a \(n\) variabile independente \(\Exp(\lambda)\), adică a timpului de așteptare până la al \(n\)-lea eveniment într-un proces Poisson de rată \(\lambda\) (demonstrăm în Cursul 6).
  • Pentru \(\alpha=n/2\) și \(\lambda=1/2\): repartiția hi-pătrat cu \(n\) grade de libertate, \[ \chisq{n}=\GammaD(n/2,1/2), \] fundamentală în statistică (Cursul 8).

Repartiția Beta

Definiția 24 (Repartiția Beta)

Fie \(a,b>0\). O variabilă aleatoare \(X\) are repartiția Beta de parametri \(a\) și \(b\), și notăm \(X\sim\BetaD(a,b)\), dacă are densitatea \[ f(x)=\frac{1}{B(a,b)}\,x^{a-1}(1-x)^{b-1},\qquad 0<x<1, \] și \(f(x)=0\) în rest, unde \(B(a,b)=\int_0^1x^{a-1}(1-x)^{b-1}\dd x\) este funcția Beta.

Se poate demonstra (cu o schimbare de variabilă într-o integrală dublă) că \[ B(a,b)=\frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)} . \]

Repartiția Beta — proprietăți

  • Model flexibil pentru mărimi aleatoare între \(0\) și \(1\): proporții, probabilități, rate de succes.
  • \(\BetaD(1,1)=\Unif(0,1)\); pentru \(a=b\) densitatea este simetrică față de \(1/2\); pentru \(a,b<1\) densitatea are forma literei U.
  • Rol central în statistica bayesiană (Cursul 11).
  • Densitatea din Exemplul 2 din Cursul 4, \(\frac38(4x-2x^2)\) pe \((0,2)\), este densitatea lui \(2Y\) cu \(Y\sim\BetaD(2,2)\).
Propoziția 25 (Media și varianța repartiției Beta)

Dacă \(X\sim\BetaD(a,b)\), atunci \[ \E[X]=\frac{a}{a+b},\qquad \Var(X)=\frac{ab}{(a+b)^2(a+b+1)}. \]

Media și varianța Beta — demonstrație

Demonstrație. Avem \[ \E[X]=\frac{1}{B(a,b)}\int_0^1x^{a}(1-x)^{b-1}\dd x=\frac{B(a+1,b)}{B(a,b)}=\frac{\Gamma(a+1)\Gamma(b)}{\Gamma(a+b+1)}\cdot\frac{\Gamma(a+b)}{\Gamma(a)\Gamma(b)}=\frac{a}{a+b}. \] Analog, \[ \E[X^2]=\frac{B(a+2,b)}{B(a,b)}=\frac{a(a+1)}{(a+b)(a+b+1)}, \] iar varianța se obține prin \(\E[X^2]-(\E[X])^2=\dfrac{a(a+1)(a+b)-a^2(a+b+1)}{(a+b)^2(a+b+1)}=\dfrac{ab}{(a+b)^2(a+b+1)}\).■

Densități Gamma și Beta

Stânga: \(\GammaD(\alpha,1)\) (\(\alpha=1\): \(\Exp(1)\)). Dreapta: \(\BetaD(a,b)\); \(\BetaD(1,1)\) este uniformă.

Partea IV — Transformări de variabile aleatoare; asimetrie și aplatizare

Problema: repartiția lui \(Y=g(X)\)

Cunoaștem repartiția lui \(X\) și ne interesează repartiția lui \(Y=g(X)\):

  • aria \(Y=\pi X^2\) a unui disc cu raza aleatoare \(X\);
  • energia cinetică \(\frac12mV^2\) a unei particule cu viteza aleatoare \(V\);
  • valoarea \(Y=e^X\) a unei investiții al cărei randament logaritmic este \(X\).

Pentru medie ajunge Teorema 10 din Cursul 4: \(\E[g(X)]=\int g(x)f_X(x)\dd x\). Pentru probabilități, cuantile sau densitate avem nevoie de repartiția lui \(Y\).

În cazul discret: \(\PP(Y=y)=\sum_{x:\,g(x)=y}\PP(X=x)\). În cazul continuu nu putem proceda punct cu punct (probabilitățile punctuale sunt nule), dar putem lucra cu funcția de repartiție.

Metoda funcției de repartiție

Pentru a determina densitatea lui \(Y=g(X)\), unde \(X\) are densitatea \(f_X\):

  1. exprimăm \(F_Y(y)=\PP(g(X)\le y)\) ca probabilitate a unui eveniment referitor la \(X\), \(\PP\big(X\in\{x: g(x)\le y\}\big)\), și o calculăm cu ajutorul lui \(F_X\) sau \(f_X\);
  2. derivăm: \(f_Y(y)=F_Y'(y)\).

Dacă \(g\) este strict crescătoare, pasul 1 este imediat: \[ \PP(g(X)\le y)=\PP\big(X\le g^{-1}(y)\big)=F_X\big(g^{-1}(y)\big), \] iar densitatea se obține derivând funcția compusă.

Exemplu: modulul unei variabile normale

Exemplul 9 (Modulul unei variabile normale)

Fie \(Z\sim\Norm(0,1)\) și \(Y=|Z|\). Determinăm a) \(\E[Y]\) și \(\Var(Y)\); b) funcția de repartiție și densitatea lui \(Y\).

  1. Din Teorema 10 din Cursul 4 și paritatea integrandului, \[ \begin{aligned} \E[Y]&=\int_{-\infty}^{\infty}|z|\frac{1}{\sqrt{2\pi}}e^{-z^2/2}\dd z=2\int_0^\infty z\frac{1}{\sqrt{2\pi}}e^{-z^2/2}\dd z\\ &=\sqrt{\frac2\pi}\Big(-e^{-z^2/2}\Big)\Big|_0^\infty=\sqrt{\frac2\pi}\approx0.7979 . \end{aligned} \] Cum \(Y^2=Z^2\), \(\E[Y^2]=\E[Z^2]=1\), deci \(\Var(Y)=1-\frac2\pi\approx0.3634\).

Modulul unei variabile normale (continuare)

Repartiția modulului (b)
  1. \(Y\ge0\), deci \(F_Y(y)=0\) pentru \(y<0\). Pentru \(y\ge0\), folosind Propoziția 15, \[ F_Y(y)=\PP(|Z|\le y)=\PP(-y\le Z\le y)=\Phi(y)-\Phi(-y)=2\Phi(y)-1 . \] Derivând, \(f_Y(y)=2\varphi(y)=\sqrt{\frac2\pi}e^{-y^2/2}\) pentru \(y>0\) și \(f_Y(y)=0\) pentru \(y<0\): „jumătatea dreaptă” a clopotului lui Gauss, dublată (repartiția semi-normală).

Aplicație: dacă \(X\sim\Norm(\mu,\sigma^2)\), abaterea medie absolută este \[ \E|X-\mu|=\sigma\E|Z|=\sigma\sqrt{2/\pi}\approx0.798\,\sigma, \] cu aproximativ \(20\%\) mai mică decât abaterea standard.

Exemplu: pătratul unei variabile uniforme

Exemplul 10 (Pătratul unei variabile uniforme)

Fie \(U\sim\Unif(0,1)\) și \(Y=U^2\in[0,1]\). Pentru \(y\in[0,1]\), \[ F_Y(y)=\PP(U^2\le y)=\PP(U\le\sqrt y)=\sqrt y, \] deci \(f_Y(y)=\frac{1}{2\sqrt y}\) pentru \(0<y\le1\).

Regăsim densitatea nemărginită din Exemplul 1 din Cursul 4: densitatea explodează în \(0\) deoarece ridicarea la pătrat „comprimă” valorile mici ale lui \(U\) spre \(0\) (de exemplu, \(U\le0.1\) implică \(Y\le0.01\)).

Formula schimbării de variabilă

Teorema 26 (Densitatea unei funcții strict monotone de X)

Fie \(X\) o variabilă aleatoare continuă cu densitatea \(f_X\), nulă în afara unui interval deschis \(I\), și fie \(g:I\to\R\) o funcție strict monotonă și derivabilă, cu \(g'(x)\ne0\) pe \(I\). Atunci \(Y=g(X)\) este o variabilă continuă, cu densitatea \[ f_Y(y)=f_X\big(g^{-1}(y)\big)\,\Big|\frac{\dd}{\dd y}g^{-1}(y)\Big|,\qquad y\in g(I), \] și \(f_Y(y)=0\) pentru \(y\notin g(I)\).

Formula schimbării de variabilă — demonstrație

Demonstrație. Notăm \(h=g^{-1}:g(I)\to I\); \(h\) este strict monotonă și derivabilă, cu \(h'(y)=1/g'(h(y))\).

Cazul \(g\) strict crescătoare. Atunci \(h\) este crescătoare și, pentru \(y\in g(I)\), \[ F_Y(y)=\PP(g(X)\le y)=\PP(X\le h(y))=F_X(h(y)). \] Derivând funcția compusă, \(f_Y(y)=f_X(h(y))\,h'(y)\), iar \(h'(y)>0\), deci \(h'(y)=|h'(y)|\).

Cazul \(g\) strict descrescătoare. Aplicarea lui \(h\) (descrescătoare) inversează inegalitatea: \[ F_Y(y)=\PP(g(X)\le y)=\PP(X\ge h(y))=1-F_X(h(y)), \] căci \(\PP(X=h(y))=0\). Derivând, \(f_Y(y)=-f_X(h(y))\,h'(y)=f_X(h(y))\,|h'(y)|\), deoarece acum \(h'(y)<0\).■

Interpretarea factorului \(|(g^{-1})'|\)

Factorul \(\big|\frac{\dd}{\dd y}g^{-1}(y)\big|=1/|g'(x)|\) (cu \(x=g^{-1}(y)\)): probabilitatea \(f_X(x)\dd x\) a unui interval mic din jurul lui \(x\) se regăsește în intervalul din jurul lui \(y=g(x)\), de lungime \(|g'(x)|\dd x\); densitatea (probabilitate pe unitatea de lungime) se împarte deci la \(|g'(x)|\).

Formula din Teorema 26 este cazul unidimensional al Teoremei 13; varianta multidimensională va fi folosită pentru vectori aleatori (Cursul 6).

Transformări afine

Corolarul 27 (Transformări afine)

Dacă \(X\) are densitatea \(f_X\) și \(a\ne0\), \(b\in\R\), atunci \(Y=aX+b\) are densitatea \[ f_Y(y)=\frac{1}{|a|}\,f_X\Big(\frac{y-b}{a}\Big),\qquad y\in\R . \]

Pentru \(X\sim\Norm(\mu,\sigma^2)\) redă Corolarul 18; pentru \(X\sim\Exp(\lambda)\), \(a=c>0\), \(b=0\) redă \(cX\sim\Exp(\lambda/c)\).

Exemplu: repartiția log-normală

Exemplul 11 (Repartiția log-normală)

Fie \(X\sim\Norm(\mu,\sigma^2)\) și \(Y=e^X\). Funcția \(g(x)=e^x\) este strict crescătoare de la \(\R\) la \((0,\infty)\), cu \(g^{-1}(y)=\ln y\) și \(\frac{\dd}{\dd y}\ln y=\frac1y\). Din Teorema 26, \[ f_Y(y)=\frac{1}{\sqrt{2\pi}\,\sigma}\,e^{-\frac{(\ln y-\mu)^2}{2\sigma^2}}\cdot\frac1y=\frac{1}{y\,\sigma\sqrt{2\pi}}\,e^{-\frac{(\ln y-\mu)^2}{2\sigma^2}},\qquad y>0 . \] Spunem că \(Y\) are repartiție log-normală de parametri \(\mu\) și \(\sigma^2\) (\(\ln Y\) este normală). Modelează mărimi pozitive rezultate din efecte multiplicative: prețuri ale acțiunilor, venituri, dimensiuni ale particulelor.

Log-normala: media

Exemplul log-normală — media

Media se calculează cu Teorema 10 din Cursul 4, fără \(f_Y\). Pentru \(Z\sim\Norm(0,1)\) și \(t\in\R\), completând pătratul, \(tz-\frac{z^2}{2}=\frac{t^2}{2}-\frac{(z-t)^2}{2}\), deci \[ \E[e^{tZ}]=\int_{-\infty}^{\infty}e^{tz}\frac{e^{-z^2/2}}{\sqrt{2\pi}}\dd z=e^{t^2/2}\int_{-\infty}^{\infty}\frac{e^{-(z-t)^2/2}}{\sqrt{2\pi}}\dd z=e^{t^2/2}, \] ultima integrală fiind integrala densității \(\Norm(t,1)\). Cu \(X=\mu+\sigma Z\), \[ \E[Y]=e^\mu\E[e^{\sigma Z}]=e^{\mu+\sigma^2/2},\qquad \E[Y^2]=\E[e^{2X}]=e^{2\mu+2\sigma^2}. \]

Log-normala: varianța și mediana

Din cele de mai sus, \[ \E[Y]=e^{\mu+\sigma^2/2},\qquad \Var(Y)=\E[Y^2]-(\E Y)^2=\big(e^{\sigma^2}-1\big)e^{2\mu+\sigma^2}. \]

  • Mediana lui \(Y\) este \(e^\mu\), deoarece \(\PP(Y\le e^\mu)=\PP(X\le\mu)=1/2\); ea este mai mică decât media: repartiția log-normală are o coadă lungă spre dreapta.
  • Observăm că \(\E[e^X]=e^{\mu+\sigma^2/2}>e^{\E[X]}\): în general \(\E[g(X)]\ne g(\E[X])\).

Transformări nemonotone: \(Z^2\)

Dacă \(g\) nu este monotonă, formula din Teorema 26 nu se aplică direct, dar metoda funcției de repartiție funcționează în continuare.

Exemplul 12 (Pătratul normalei standard: hi-pătrat cu un grad de libertate)

Fie \(Z\sim\Norm(0,1)\) și \(Y=Z^2\). Funcția \(g(z)=z^2\) nu este monotonă pe \(\R\). Pentru \(y\le0\), \(F_Y(y)=0\). Pentru \(y>0\), \[ F_Y(y)=\PP(Z^2\le y)=\PP(-\sqrt y\le Z\le\sqrt y)=\Phi(\sqrt y)-\Phi(-\sqrt y)=2\Phi(\sqrt y)-1 . \] Derivând, \[ f_Y(y)=2\varphi(\sqrt y)\cdot\frac{1}{2\sqrt y}=\frac{1}{\sqrt{2\pi}}\,y^{-1/2}e^{-y/2},\qquad y>0 . \]

\(Z^2\sim\chi^2_1\) (continuare)

Recunoaștem repartiția

Comparând cu Definiția 22 și folosind \(\Gamma(1/2)=\sqrt\pi\), recunoaștem densitatea \(\GammaD(1/2,1/2)\): \[ \frac{(1/2)^{1/2}}{\Gamma(1/2)}=\frac{1}{\sqrt{2}\sqrt{\pi}}=\frac{1}{\sqrt{2\pi}} . \] Așadar \(Z^2\sim\chisq{1}\) (repartiția hi-pătrat cu un grad de libertate), cu \[ \E[Y]=\E[Z^2]=1,\qquad \Var(Y)=\E[Z^4]-1=3-1=2 . \] Această repartiție stă la baza testelor \(\chi^2\) din partea a doua a cursului (Cursul 8).

Transformări nemonotone: formula generală

Mai general, dacă ecuația \(g(x)=y\) are un număr finit de soluții \(x_1(y),\dots,x_m(y)\) și \(g'(x_i)\ne0\), atunci \[ f_Y(y)=\sum_{i=1}^m\frac{f_X\big(x_i(y)\big)}{\big|g'\big(x_i(y)\big)\big|}, \] deoarece fiecare soluție contribuie cu masa de probabilitate din vecinătatea ei.

Pentru \(g(z)=z^2\), soluțiile sunt \(\pm\sqrt y\), \(|g'(\pm\sqrt y)|=2\sqrt y\) și regăsim \[ f_Y(y)=\frac{\varphi(\sqrt y)+\varphi(-\sqrt y)}{2\sqrt y}=\frac{\varphi(\sqrt y)}{\sqrt y}. \]

Verificare prin simulare

Este util să verificăm prin simulare densitatea obținută: generăm multe valori ale lui \(X\), le aplicăm \(g\) și comparăm histograma cu densitatea calculată.

set.seed(2026)
z <- rnorm(1e5)
y <- z^2                                    # Y = Z^2 ~ hi-pătrat(1)
c(medie = mean(y), varianta = var(y))       # teoretic: 1 și 2
#>    medie varianta 
#>    1.007    2.031
c(empiric = mean(y <= 1), teor = 2 * pnorm(1) - 1, pchisq = pchisq(1, 1))
#> empiric    teor  pchisq 
#>  0.6811  0.6827  0.6827
w <- exp(z)                                 # W = e^Z log-normală
c(medie = mean(w), teor = exp(1/2), mediana = median(w), teor = 1)
#>   medie    teor mediana    teor 
#>   1.658   1.649   1.004   1.000

Histograme și densități calculate

Stânga: \(Y=Z^2\) și densitatea \(\chisq{1}\) (nemărginită în \(0\)). Dreapta: \(W=e^Z\) și densitatea log-normală.

O greșeală frecventă

Atenție!

Formula din Teorema 26 se aplică doar funcțiilor strict monotone pe suportul lui \(X\).

O greșeală frecventă este aplicarea ei pentru \(Y=Z^2\) cu \(g^{-1}(y)=\sqrt y\), ceea ce ar da \[ f_Y(y)=\frac{\varphi(\sqrt y)}{2\sqrt y}, \] o funcție a cărei integrală este \(1/2\), nu \(1\): s-a pierdut contribuția ramurii \(z<0\).

În caz de dubiu, folosiți metoda funcției de repartiție și verificați că densitatea obținută are integrala \(1\).

Asimetria și aplatizarea unei repartiții

\(\Norm(1,1)\) și \(\Exp(1)\) au aceeași medie și aceeași varianță, dar forme foarte diferite.

Definiția 28 (Coeficientul de asimetrie și coeficientul de aplatizare)

Fie \(X\) cu \(\E[X^4]<\infty\), media \(\mu\), abaterea standard \(\sigma>0\) și \(Z=(X-\mu)/\sigma\). Numerele \[ \gamma_X=\E[Z^3]=\frac{\E\big[(X-\mu)^3\big]}{\sigma^3},\qquad \kappa_X=\E[Z^4]=\frac{\E\big[(X-\mu)^4\big]}{\sigma^4} \] se numesc coeficientul de asimetrie (skewness), respectiv coeficientul de aplatizare (kurtosis) al lui \(X\); \(\kappa_X-3\) se numește exces.

  • \(\gamma_X>0\): coadă mai lungă spre dreapta; \(\gamma_X=0\) pentru densități simetrice.
  • \(\kappa_X>3\): cozi mai grele decât ale normalei (valori extreme mai frecvente).

Asimetria și aplatizarea repartițiilor uzuale

Propoziția 29 (Asimetria și aplatizarea repartițiilor uzuale)

Pentru repartițiile normală, uniformă și exponențială, coeficienții nu depind de parametri: \[ \begin{array}{l|ccc} & \Norm(\mu,\sigma^2) & \Unif(a,b) & \Exp(\lambda)\\ \hline \text{asimetria }\gamma & 0 & 0 & 2\\ \text{aplatizarea }\kappa & 3 & 9/5 & 9 \end{array} \]

  • Normala: \(\E[Z^3]=0\), \(\E[Z^4]=3\) (Propoziția 16).
  • Uniforma, \(V\sim\Unif(-1,1)\): \(\E[V^2]=\frac13\), \(\E[V^4]=\frac15\), deci \(\kappa=\frac{1/5}{(1/3)^2}=\frac95\).
  • Exponențiala, \(X\sim\Exp(1)\): \(\E[X^k]=k!\), deci \(\E[(X-1)^3]=6-6+3-1=2\) și \(\E[(X-1)^4]=24-24+12-4+1=9\).

Exemplu: alarme false la monitorizarea unui server

Exemplul 13 (Alarme false la monitorizarea unui server)

Alarmă dacă timpul de răspuns \(X\) depășește \(\mu+3\sigma\).

  • \(X\) normal: \(1-\Phi(3)\approx0.00135\) (o alarmă falsă la \(741\) de cereri).
  • \(X\sim\Exp(\lambda)\), \(\mu=\sigma=1/\lambda\): \[ \PP(X>4/\lambda)=e^{-4}\approx0.0183, \] o alarmă falsă la \(55\) de cereri, de aproape \(14\) ori mai des.

Asimetrie și aplatizare în R

forma <- function(x) {        # coeficienții empirici (eșantion)
  z <- (x - mean(x)) / sd(x)  # standardizare
  c(asimetrie = mean(z^3), aplatizare = mean(z^4))
}
set.seed(2026); n <- 1e5
round(rbind(uniforma     = forma(runif(n)),
            normala      = forma(rnorm(n, 10, 2)),
            exponentiala = forma(rexp(n, 0.5)),
            gamma10      = forma(rgamma(n, shape = 10, rate = 1))), 2)
#>              asimetrie aplatizare
#> uniforma          0.00       1.80
#> normala          -0.01       3.01
#> exponentiala      2.01       9.20
#> gamma10           0.63       3.61

Verificare rapidă a normalității unui set de date: forma(x) departe de \((0,3)\) înseamnă că histograma nu are formă de clopot.

Tabel sinteză al repartițiilor continue (I)

Repartiție Densitatea și suportul Media Varianța R
\(\Unif(a,b)\) \(\dfrac{1}{b-a}\), \(a<x<b\) \(\dfrac{a+b}{2}\) \(\dfrac{(b-a)^2}{12}\) unif(a, b)
\(\Exp(\lambda)\) \(\lambda e^{-\lambda x}\), \(x>0\) \(\dfrac1\lambda\) \(\dfrac1{\lambda^2}\) exp(rate)
\(\Norm(\mu,\sigma^2)\) \(\dfrac{1}{\sigma\sqrt{2\pi}}e^{-(x-\mu)^2/(2\sigma^2)}\), \(x\in\R\) \(\mu\) \(\sigma^2\) norm(mean, sd)
\(\GammaD(\alpha,\lambda)\) \(\dfrac{\lambda^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x}\), \(x>0\) \(\dfrac\alpha\lambda\) \(\dfrac{\alpha}{\lambda^2}\) gamma(shape, rate)
\(\BetaD(a,b)\) \(\dfrac{x^{a-1}(1-x)^{b-1}}{B(a,b)}\), \(0<x<1\) \(\dfrac{a}{a+b}\) \(\dfrac{ab}{(a+b)^2(a+b+1)}\) beta(a, b)

Tabel sinteză al repartițiilor continue (II)

Repartiție Densitatea și suportul Media Varianța R
\(\chisq{n}\) \(\dfrac{x^{n/2-1}e^{-x/2}}{2^{n/2}\Gamma(n/2)}\), \(x>0\) \(n\) \(2n\) chisq(df)
log-normală \(\dfrac{1}{x\sigma\sqrt{2\pi}}e^{-(\ln x-\mu)^2/(2\sigma^2)}\), \(x>0\) \(e^{\mu+\sigma^2/2}\) \((e^{\sigma^2}-1)e^{2\mu+\sigma^2}\) lnorm(mu, sigma)
logistică \(\dfrac{e^x}{(1+e^x)^2}\), \(x\in\R\) \(0\) \(\dfrac{\pi^2}{3}\) logis()
Cauchy \(\dfrac{1}{\pi(1+x^2)}\), \(x\in\R\) nu există nu există cauchy()

Prefixele R: d (densitate), p (funcția de repartiție), q (cuantilă), r (generare).

Partea V — Exerciții rezolvate

Exercițiul: rădăcinile unei ecuații cu coeficient aleator

Exercițiul 1 (Rădăcinile unei ecuații cu coeficient aleator)

Fie \(U\sim\Unif(0,5)\). Care este probabilitatea ca ecuația \(4x^2+4Ux+U+2=0\) să aibă ambele rădăcini reale?

Soluție

Rădăcinile sunt reale dacă și numai dacă discriminantul este nenegativ: \[ 16U^2-16(U+2)\ge0\iff U^2-U-2\ge0\iff(U-2)(U+1)\ge0 . \] Cum \(U\ge0\), avem \(U+1>0\), deci condiția devine \(U\ge2\). Prin urmare \(\PP(U\ge2)=\frac{5-2}{5}=\frac35 .\)

Exercițiul: bățul rupt

Exercițiul 2 (Bățul rupt)

Un băț de lungime \(1\) se rupe într-un punct ales uniform. Fie \(L\) lungimea bucății mai lungi. Determinați repartiția lui \(L\), \(\E[L]\), \(\Var(L)\) și probabilitatea ca bucata mai lungă să fie de cel puțin două ori mai lungă decât cea scurtă.

Exercițiul: bățul rupt — soluție

Soluție

Fie \(U\sim\Unif(0,1)\) punctul de rupere; \(L=\max(U,1-U)\in[1/2,1]\). Pentru \(x\in[1/2,1]\), \[ F_L(x)=\PP(U\le x,\ 1-U\le x)=\PP(1-x\le U\le x)=x-(1-x)=2x-1 . \] Aceasta este funcția de repartiție a lui \(\Unif(1/2,1)\) (Propoziția 2 cu \(a=1/2\), \(b=1\)). Deci \[ \E[L]=\frac34,\qquad \Var(L)=\frac{(1/2)^2}{12}=\frac1{48}. \] Bucata lungă este de cel puțin două ori mai lungă decât cea scurtă dacă \(L\ge2(1-L)\), adică \(L\ge2/3\): \[ \PP(L\ge2/3)=\frac{1-2/3}{1/2}=\frac23 . \]

Exercițiul: durata de viață a unui server

Exercițiul 3 (Durata de viață a unui server)

Durata de funcționare (în ani) a unui server până la prima defecțiune este \(X\sim\Exp(\lambda)\) cu \(\E[X]=5\) ani.

  1. Calculați \(\PP(X>5)\) și \(\PP(3<X<7)\).

  2. Știind că serverul funcționează de \(4\) ani, care este probabilitatea să mai funcționeze cel puțin \(5\) ani?

  3. Determinați mediana și cuantila de ordin \(0.9\).

Exercițiul: durata de viață a unui server — soluție

Soluție

Din \(\E[X]=1/\lambda=5\) obținem \(\lambda=0.2\).

  1. \(\PP(X>5)=e^{-0.2\cdot5}=e^{-1}\approx0.3679\); \(\PP(3<X<7)=F(7)-F(3)=e^{-0.6}-e^{-1.4}\approx0.5488-0.2466=0.3022\).

  2. Din lipsa de memorie, \(\PP(X>9\mid X>4)=\PP(X>5)=e^{-1}\approx0.3679\): vârsta serverului nu contează.

  3. Din \(1-e^{-0.2x}=\alpha\) rezultă \(x_\alpha=-5\ln(1-\alpha)\). Mediana este \(5\ln2\approx3.466\) ani, iar \(x_{0.9}=5\ln10\approx11.51\) ani.

c(pexp(5, 0.2, lower.tail = FALSE), pexp(7, 0.2) - pexp(3, 0.2))
#> [1] 0.3679 0.3022
qexp(c(0.5, 0.9), rate = 0.2)
#> [1]  3.466 11.513

Exercițiul: partea întreagă a unei exponențiale

Exercițiul 4 (Partea întreagă a unei variabile exponențiale)

Fie \(X\sim\Exp(\lambda)\) și \(N=\lfloor X\rfloor\) partea întreagă a lui \(X\). Determinați repartiția lui \(N\) și \(\E[N]\).

Indicație: evenimentul \(\{N=k\}\) se scrie cu ajutorul lui \(X\) ca \(\{k\le X<k+1\}\).

Partea întreagă a unei exponențiale — soluție

Soluție

\(N\) ia valori în \(\{0,1,2,\dots\}\) și, pentru \(k\ge0\), \[ \PP(N=k)=\PP(k\le X<k+1)=e^{-\lambda k}-e^{-\lambda(k+1)}=\big(e^{-\lambda}\big)^k\big(1-e^{-\lambda}\big). \] Cu \(p=1-e^{-\lambda}\), \(\PP(N=k)=(1-p)^kp\), deci \(N+1\sim\Geom(p)\) (numărul de încercări până la primul succes). Rezultă \[ \E[N]=\frac1p-1=\frac{e^{-\lambda}}{1-e^{-\lambda}}=\frac{1}{e^{\lambda}-1}. \] Discretizarea unei exponențiale produce o variabilă geometrică: ambele au lipsa de memorie.

Exercițiul: note la examen

Exercițiul 5 (Note la examen)

Notele la un examen sunt aproximativ \(\Norm(6.5,\,1.5^2)\). a) Ce proporție de studenți obțin peste \(8\)? b) Ce proporție obțin note între \(5\) și \(9\)? c) Care este nota minimă a celor mai buni \(10\%\) dintre studenți?

Soluție

Standardizăm cu \(\mu=6.5\), \(\sigma=1.5\).

  1. \(\PP(X>8)=1-\Phi\big(\frac{8-6.5}{1.5}\big)=1-\Phi(1)\approx0.1587\).

  2. \(\PP(5<X<9)=\Phi\big(\frac{9-6.5}{1.5}\big)-\Phi\big(\frac{5-6.5}{1.5}\big)=\Phi(1.667)-\Phi(-1)\approx0.9522-0.1587=0.7936\).

  3. Căutăm \(x\) cu \(\PP(X>x)=0.1\), adică cuantila de ordin \(0.9\): \(x=6.5+1.5\,z_{0.9}\approx6.5+1.5\cdot1.2816\approx8.42\).

Note la examen — verificare în R

c(1 - pnorm(8, 6.5, 1.5), pnorm(9, 6.5, 1.5) - pnorm(5, 6.5, 1.5))
#> [1] 0.1587 0.7936
qnorm(0.9, mean = 6.5, sd = 1.5)
#> [1] 8.422

Aria hașurată: \(\PP(5<X<9)\approx0.7936\).

Exercițiul: parametrii din două cuantile

Exercițiul 6 (Determinarea parametrilor din două cuantile)

Durata unei intervenții (în minute) este \(X\sim\Norm(\mu,\sigma^2)\). Se știe că \(10\%\) dintre intervenții durează mai puțin de \(60\) de minute și \(5\%\) durează mai mult de \(90\) de minute. Determinați \(\mu\) și \(\sigma\).

Soluție

Condițiile sunt \(\Phi\big(\frac{60-\mu}{\sigma}\big)=0.1\) și \(\Phi\big(\frac{90-\mu}{\sigma}\big)=0.95\). Cum \(z_{0.1}=-z_{0.9}\approx-1.2816\) și \(z_{0.95}\approx1.6449\), obținem sistemul liniar \[ \begin{cases}60-\mu=-1.2816\,\sigma,\\ 90-\mu=1.6449\,\sigma.\end{cases} \] Scăzând ecuațiile, \(30=2.9265\,\sigma\), deci \(\sigma\approx10.25\) și \(\mu=60+1.2816\,\sigma\approx73.14\) minute.

Parametrii din două cuantile — verificare în R

s <- 30 / (qnorm(0.95) - qnorm(0.1)); m <- 60 - qnorm(0.1) * s
c(mu = m, sigma = s, P60 = pnorm(60, m, s), P90 = 1 - pnorm(90, m, s))
#>    mu sigma   P60   P90 
#> 73.14 10.25  0.10  0.05

Verificăm că, pentru valorile găsite, \(\PP(X<60)=0.10\) și \(\PP(X>90)=0.05\).

Exercițiul 7 (Toleranțe de fabricație)

Diametrul (în mm) al unor bile de rulment este \(\Norm(10,\,0.02^2)\). O bilă este acceptată dacă diametrul ei este în \([9.95,\,10.05]\). a) Ce proporție de bile este acceptată? b) Cât de mică trebuie să fie abaterea standard pentru ca \(99\%\) dintre bile să fie acceptate?

Exercițiul: toleranțe de fabricație — soluție

Soluție
  1. Cu \(Z=(X-10)/0.02\), \[ \PP(|X-10|\le0.05)=\PP(|Z|\le2.5)=2\Phi(2.5)-1\approx0.9876 . \]

  2. Vrem \(2\Phi(0.05/\sigma)-1=0.99\), adică \(\Phi(0.05/\sigma)=0.995\), deci \[ \frac{0.05}{\sigma}=z_{0.995}\approx2.5758\qquad\Longrightarrow\qquad \sigma\approx0.0194\text{ mm}. \]

c(acceptate = 2 * pnorm(2.5) - 1, sigma_max = 0.05 / qnorm(0.995))
#> acceptate sigma_max 
#>   0.98758   0.01941

Exercițiul: inversa unei variabile uniforme

Exercițiul 8 (Inversa unei variabile uniforme)

Fie \(U\sim\Unif(0,1)\) și \(Y=1/U\). Determinați densitatea lui \(Y\) și arătați că \(\E[Y]=\infty\).

Soluție

\(g(u)=1/u\) este strict descrescătoare pe \((0,1)\), cu \(g((0,1))=(1,\infty)\), \(g^{-1}(y)=1/y\) și \(\big|\frac{\dd}{\dd y}\frac1y\big|=\frac1{y^2}\). Din Teorema 26, \[ f_Y(y)=1\cdot\frac{1}{y^2},\quad y>1,\qquad f_Y(y)=0\ \text{în rest (o repartiție Pareto)}. \] Verificare cu metoda funcției de repartiție: \(F_Y(y)=\PP(U\ge1/y)=1-1/y\) pentru \(y\ge1\).

Media nu este finită: \(\E[Y]=\int_1^\infty y\cdot\frac1{y^2}\dd y=\int_1^\infty\frac{\dd y}{y}=+\infty\) (sau direct, \(\E[1/U]=\int_0^1\frac{\dd u}{u}=\infty\)). Deși \(U\) este mărginită, inversa ei are o coadă foarte grea.

Exercițiul: rădăcina pătrată a unei exponențiale

Exercițiul 9 (Rădăcina pătrată a unei variabile exponențiale)

Fie \(X\sim\Exp(1)\) și \(Y=\sqrt X\). Determinați densitatea lui \(Y\), \(\PP(Y>1)\) și \(\E[Y]\).

Indicație: \(g(x)=\sqrt x\) este strict crescătoare pe \((0,\infty)\); pentru medie folosiți Teorema 10 din Cursul 4 și funcția Gamma.

Rădăcina pătrată a unei exponențiale — soluție

Soluție

Pe \((0,\infty)\), \(g(x)=\sqrt x\) este strict crescătoare, \(g^{-1}(y)=y^2\), \(\frac{\dd}{\dd y}y^2=2y\). Deci \[ f_Y(y)=e^{-y^2}\cdot2y,\qquad y>0 . \] Apoi \(\PP(Y>1)=\PP(X>1)=e^{-1}\approx0.3679\) (nu avem nevoie de \(f_Y\)), iar din Teorema 10 din Cursul 4 și definiția funcției Gamma, \[ \E[Y]=\E[X^{1/2}]=\int_0^\infty x^{1/2}e^{-x}\dd x=\Gamma(3/2)=\tfrac12\Gamma(1/2)=\frac{\sqrt\pi}{2}\approx0.8862 . \]

Exercițiul: log-normala în practică

Exercițiul 10 (Log-normala în practică)

Randamentul logaritmic anual al unei investiții este \(X\sim\Norm(0,1)\) (în unități convenabile), iar factorul de creștere este \(Y=e^X\). Calculați \(\PP(Y>2)\), mediana și media lui \(Y\) și verificați prin simulare.

Log-normala în practică — soluție

Soluție

\(\PP(Y>2)=\PP(X>\ln2)=1-\Phi(0.6931)\approx0.2441\). Mediana este \(e^0=1\), iar media \(\E[Y]=e^{1/2}\approx1.6487\) (Exemplul 11). Media este influențată de valorile foarte mari, rare, ale lui \(Y\).

set.seed(5); y <- exp(rnorm(1e5))
rbind(exact    = c(1 - pnorm(log(2)), 1, exp(0.5)),
      simulare = c(mean(y > 2), median(y), mean(y)))
#>            [,1]   [,2]  [,3]
#> exact    0.2441 1.0000 1.649
#> simulare 0.2424 0.9882 1.652

Exercițiul: simularea repartiției Cauchy

Exercițiul 11 (Simularea repartiției Cauchy)

Folosind metoda inversei, scrieți un algoritm de simulare pentru repartiția Cauchy, cu densitatea \(f(x)=\frac{1}{\pi(1+x^2)}\), și comparați cuantilele empirice cu cele teoretice.

Indicație: calculați \(F\) și rezolvați ecuația \(F(x)=u\).

Simularea repartiției Cauchy — soluție

Soluție

Funcția de repartiție este \[ F(x)=\int_{-\infty}^x\frac{\dd t}{\pi(1+t^2)}=\frac12+\frac1\pi\arctan x, \] continuă și strict crescătoare. Din \(\frac12+\frac1\pi\arctan x=u\) obținem \(F^{-1}(u)=\tan\big(\pi(u-\tfrac12)\big)\). Deci, dacă \(U\sim\Unif(0,1)\), atunci \(\tan\big(\pi(U-\frac12)\big)\) are repartiție Cauchy.

Echivalent: dacă \(\Theta\sim\Unif(-\pi/2,\pi/2)\), atunci \(\tan\Theta\) este Cauchy (panta unei drepte prin origine cu unghi uniform aleator).

Simularea repartiției Cauchy — verificare în R

set.seed(8); u <- runif(1e5)
x <- tan(pi * (u - 1/2))
round(rbind(empiric = quantile(x, c(0.05, 0.25, 0.5, 0.75, 0.95)),
            teoretic = qcauchy(c(0.05, 0.25, 0.5, 0.75, 0.95))), 3)
#>              5%    25%   50%   75%   95%
#> empiric  -6.368 -0.998 0.002 0.996 6.365
#> teoretic -6.314 -1.000 0.000 1.000 6.314

Cuantilele sunt reproduse bine, dar media aritmetică a valorilor simulate nu se stabilizează când \(n\) crește, deoarece \(\E[X]\) nu există (Exemplul 8 din Cursul 4).

Exercițiul: integrale calculate cu funcția Gamma

Exercițiul 12 (Integrale calculate cu funcția Gamma)
  1. Calculați \(\int_0^\infty x^4e^{-2x}\dd x\). b) Fie \(X\sim\GammaD(\alpha,\lambda)\) cu \(\alpha>1\). Calculați \(\E[1/X]\).
Soluție
  1. Din formula \(\int_0^\infty t^{\alpha-1}e^{-\lambda t}\dd t=\Gamma(\alpha)/\lambda^\alpha\) cu \(\alpha=5\), \(\lambda=2\): \[ \int_0^\infty x^4e^{-2x}\dd x=\frac{\Gamma(5)}{2^5}=\frac{4!}{32}=\frac{24}{32}=0.75 . \]

Integrale cu funcția Gamma — soluție (continuare)

Soluție b)
  1. Folosind \(\Gamma(\alpha)=(\alpha-1)\Gamma(\alpha-1)\) (integrala converge pentru \(\alpha>1\)), \[ \E[1/X]=\frac{\lambda^\alpha}{\Gamma(\alpha)}\int_0^\infty x^{\alpha-2}e^{-\lambda x}\dd x=\frac{\lambda^\alpha}{\Gamma(\alpha)}\cdot\frac{\Gamma(\alpha-1)}{\lambda^{\alpha-1}}=\frac{\lambda}{\alpha-1}. \] Observăm că \(\E[1/X]=\frac{\lambda}{\alpha-1}\ne\frac{1}{\E[X]}=\frac\lambda\alpha\).
integrate(function(x) x^4 * exp(-2*x), 0, Inf)$value
#> [1] 0.75
a <- 3; l <- 2                             # E[1/X] = l/(a-1) = 1
integrate(function(x) dgamma(x, a, l) / x, 0, Inf)$value
#> [1] 1

De reținut (I)

De reținut — repartiții
  • \(\Unif(a,b)\): \(f=\frac{1}{b-a}\) pe \([a,b]\), \(F(x)=\frac{x-a}{b-a}\), \(\E[X]=\frac{a+b}{2}\), \(\Var(X)=\frac{(b-a)^2}{12}\); \(U\sim\Unif(0,1)\Rightarrow a+(b-a)U\sim\Unif(a,b)\).
  • Universalitate: \(F^{-1}(U)\) are funcția de repartiție \(F\); dacă \(F\) este continuă, \(F(X)\sim\Unif(0,1)\) (metoda inversei).
  • \(\Exp(\lambda)\): \(f=\lambda e^{-\lambda x}\), \(x>0\), \(\PP(X>x)=e^{-\lambda x}\), \(\E[X]=\frac1\lambda\), \(\Var(X)=\frac1{\lambda^2}\), mediana \(\frac{\ln2}{\lambda}\); simulare: \(-\ln(U)/\lambda\).
  • Lipsa de memorie: \(\PP(X>s+t\mid X>s)=\PP(X>t)\); o caracterizează pe \(\Exp(\lambda)\) printre repartițiile continue.
  • \(\Gamma(\alpha)=\int_0^\infty x^{\alpha-1}e^{-x}\dd x\), \(\Gamma(n)=(n-1)!\), \(\Gamma(1/2)=\sqrt\pi\); \(\GammaD(\alpha,\lambda)\): \(\E[X]=\alpha/\lambda\), \(\Var(X)=\alpha/\lambda^2\); \(\BetaD(a,b)\): \(\E[X]=\frac{a}{a+b}\).

De reținut (II)

De reținut — normala și transformări
  • \(\Norm(\mu,\sigma^2)\): \(f=\frac{1}{\sigma\sqrt{2\pi}}e^{-(x-\mu)^2/(2\sigma^2)}\); \(\int_{\R} e^{-x^2/2}\dd x=\sqrt{2\pi}\); \(\Phi(-z)=1-\Phi(z)\); \(\E[Z^{2k}]=(2k-1)(2k-3)\cdots1\); sumele standardizate de variabile independente sunt aproximativ \(\Norm(0,1)\).
  • Standardizare: \(Z=\frac{X-\mu}{\sigma}\sim\Norm(0,1)\), \(\PP(a\le X\le b)=\Phi\big(\frac{b-\mu}{\sigma}\big)-\Phi\big(\frac{a-\mu}{\sigma}\big)\); \(aX+b\sim\Norm(a\mu+b,a^2\sigma^2)\).
  • Regula 68–95–99.7: \(\PP(|X-\mu|\le k\sigma)\approx0.6827,\ 0.9545,\ 0.9973\) pentru \(k=1,2,3\); nu se aplică repartițiilor asimetrice sau cu cozi grele. Asimetria \(\gamma=\E[Z^3]\) și aplatizarea \(\kappa=\E[Z^4]\) ale variabilei standardizate: \((0,3)\) pentru normală, \((0,\frac95)\) pentru uniformă, \((2,9)\) pentru exponențială.
  • Transformări: \(F_Y(y)=\PP(g(X)\le y)\), apoi \(f_Y=F_Y'\); pentru \(g\) strict monotonă, \(f_Y(y)=f_X(g^{-1}(y))\,|(g^{-1})'(y)|\); \(Z^2\sim\chisq{1}\), \(e^{X}\) log-normală.

Exerciții propuse (I)

  1. Fie \(U\sim\Unif(-1,3)\). Calculați \(\PP(|U|<1)\), \(\E[U^2]\) și densitatea lui \(|U|\). (Răspuns: \(1/2\); \(7/3\); \(f(y)=1/2\) pe \((0,1)\) și \(1/4\) pe \((1,3)\).)
  2. Fie \(X\sim\Exp(\lambda)\). Arătați că \(\PP(X>\E[X])=e^{-1}\) pentru orice \(\lambda\) și determinați \(\lambda\) astfel încât mediana să fie \(2\). (Răspuns: \(\lambda=\ln2/2\).)
  3. Fie \(X\sim\Norm(10,4)\). Calculați \(\PP(X>13)\), \(\PP(|X-10|<3)\) și cuantila de ordin \(0.95\). (Răspuns: \(0.0668\); \(0.8664\); \(13.29\).)
  4. Fie \(U\sim\Unif(0,1)\). Determinați densitatea lui \(Y=U^3\) și a lui \(W=-2\ln U\). Recunoașteți repartiția lui \(W\). (Răspuns: \(f_Y(y)=\frac13y^{-2/3}\) pe \((0,1)\); \(W\sim\Exp(1/2)=\chisq{2}\).)

Exerciții propuse (II)

  1. Fie \(\Theta\sim\Unif(-\pi/2,\pi/2)\). Arătați că \(\tan\Theta\) are repartiția Cauchy, folosind formula schimbării de variabilă.
  2. Fie \(X\sim\Exp(\lambda)\) și \(Y=e^X\). Determinați densitatea lui \(Y\) și valorile lui \(\lambda\) pentru care \(\E[Y]<\infty\). (Răspuns: \(f_Y(y)=\lambda y^{-\lambda-1}\), \(y>1\); \(\lambda>1\), \(\E[Y]=\frac{\lambda}{\lambda-1}\).)
  3. Arătați că dacă \(X\sim\GammaD(\alpha,\lambda)\) și \(c>0\), atunci \(cX\sim\GammaD(\alpha,\lambda/c)\). Deduceți că \(2\lambda X\sim\chisq{2n}\) dacă \(X\sim\GammaD(n,\lambda)\).
  4. Folosind metoda inversei, scrieți o funcție R care generează \(n\) valori cu densitatea \(f(x)=3x^2\) pe \((0,1)\) și verificați prin simulare că media este \(3/4\) și varianța \(3/80\).

Bibliografie

Bertsekas, Dimitri P., and John N. Tsitsiklis. 2008. Introduction to Probability. 2nd ed. Athena Scientific.
Blitzstein, Joseph K., and Jessica Hwang. 2019. Introduction to Probability. 2nd ed. CRC Press.
Chan, Stanley H. 2021. Introduction to Probability for Data Science. Michigan Publishing.
Rice, John A. 2007. Mathematical Statistics and Data Analysis. 3rd ed. Duxbury Press.
Ross, Sheldon M. 2014. Introduction to Probability and Statistics for Engineers and Scientists. 5th ed. Elsevier Academic Press.