
Probabilități și Statistică · Cursul 6
Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027
| Partea | Conținut |
|---|---|
| I | Vectori aleatori; funcția de repartiție comună; cazul discret: repartiții comune, marginale, condiționate, independență, medii |
| II | Cazul continuu: densitate comună, marginale, repartiția uniformă în plan, densități condiționate, independență; formula lui Bayes (continuu, hibrid) |
| III | Medii ale funcțiilor de vectori aleatori; media condiționată, legile lui Adam și Eve; sume aleatoare |
| IV | Covarianță și corelație; corelația ca un cosinus; normala bidimensională; matricea de covarianță, simularea vectorilor normali |
| V | Sume de v.a. independente (convoluție) |
| VI | Exerciții rezolvate |
La sfârșitul cursului, studenții vor putea:
În aplicații observăm mai multe mărimi simultan: înălțimea și greutatea unei persoane, numărul de clienți și suma cheltuită, semnalul transmis și cel recepționat.
Repartițiile lui \(X\) și \(Y\) luate separat permit calculul lui \(\PP(X\in A)\), \(\PP(Y\in B)\), dar nu și al lui \(\PP(X+Y\le1)\) sau \(\PP(X<Y)\). Privim perechea \((X,Y)\) ca un singur obiect și studiem:
Ordinea: cazul discret, cazul continuu, media condiționată (Adam și Eve), covarianța și corelația, sume de variabile independente.
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(X,Y:\Omega\to\R\) două variabile aleatoare. Aplicația \((X,Y):\Omega\to\R^2\), \(\omega\mapsto \big(X(\omega),Y(\omega)\big)\) se numește vector aleator (bidimensional) sau cuplu de variabile aleatoare. Analog, \((X_1,\dots,X_n):\Omega\to\R^n\) este un vector aleator \(n\)-dimensional.
Funcția de repartiție a vectorului aleator \((X,Y)\) este funcția \(F_{X,Y}:\R^2\to[0,1]\), \[ F_{X,Y}(x,y)=\PP(X\le x,\ Y\le y),\qquad (x,y)\in\R^2, \] unde virgula desemnează intersecția: \(\{X\le x,\,Y\le y\}=\{X\le x\}\cap\{Y\le y\}\).
Funcția de repartiție comună \(F=F_{X,Y}\) are următoarele proprietăți:
Demonstrație. 1–3 rezultă din monotonia și continuitatea probabilității, ca în cazul unidimensional (Cursul 3). Pentru 4, fie \(D=\{X\le b, Y\le d\}\), \(A=\{X\le a, Y\le d\}\), \(C=\{X\le b, Y\le c\}\). Atunci \(\{a<X\le b,\ c<Y\le d\}=D\setminus(A\cup C)\), \(A\cup C\subseteq D\), \(A\cap C=\{X\le a, Y\le c\}\), deci \(\PP(a<X\le b, c<Y\le d)=\PP(D)-\PP(A)-\PP(C)+\PP(A\cap C)\).■

Fie \(X(\Omega)=\{x_1,\dots,x_m\}\), \(Y(\Omega)=\{y_1,\dots,y_n\}\) (totul rămâne valabil pentru mulțimi numărabile); \((X,Y)\) ia valori în \(\{(x_i,y_j)\}\).
Funcția de masă (repartiția comună) a vectorului aleator discret \((X,Y)\) este \[ p_{X,Y}(x,y)=\PP(X=x,\ Y=y),\qquad (x,y)\in\R^2 . \] Uneori se folosește și notația \(f_{X,Y}(x,y)=\PP(X=x,Y=y)\).
Ea verifică: a) \(p_{X,Y}(x,y)\ge 0\); b) \(\sum_{x}\sum_{y}p_{X,Y}(x,y)=1\). Pentru \(A\subseteq\R^2\), \(\PP\big((X,Y)\in A\big)=\sum_{(x,y)\in A}p_{X,Y}(x,y)\): suma înălțimilor „bețișoarelor” \(p_{X,Y}(x_i,y_j)\) situate deasupra regiunii \(A\).
Repartiția comună se reprezintă printr-un tabel cu dublă intrare, cu sumele pe linii și pe coloane trecute pe margini: \[ \begin{array}{c|ccccc|c} X\backslash Y & y_1 & \cdots & y_j & \cdots & y_n & \Sigma\\ \hline x_1 & p_{X,Y}(x_1,y_1) & \cdots & p_{X,Y}(x_1,y_j) & \cdots & p_{X,Y}(x_1,y_n) & \PP(X=x_1)\\ \vdots & \vdots & & \vdots & & \vdots & \vdots\\ x_i & p_{X,Y}(x_i,y_1) & \cdots & p_{X,Y}(x_i,y_j) & \cdots & p_{X,Y}(x_i,y_n) & \PP(X=x_i)\\ \vdots & \vdots & & \vdots & & \vdots & \vdots\\ x_m & p_{X,Y}(x_m,y_1) & \cdots & p_{X,Y}(x_m,y_j) & \cdots & p_{X,Y}(x_m,y_n) & \PP(X=x_m)\\ \hline \Sigma & \PP(Y=y_1) & \cdots & \PP(Y=y_j) & \cdots & \PP(Y=y_n) & 1 \end{array} \] Sumele de pe margini sunt repartițiile lui \(X\) și \(Y\) — de aici numele de repartiții marginale.
Se numește repartiția marginală a lui \(X\) funcția de masă \[ p_X(x)=\PP(X=x)=\sum_{y}\PP(X=x,\ Y=y)=\sum_y p_{X,Y}(x,y). \] Similar, repartiția marginală a lui \(Y\) este \(p_Y(y)=\sum_{x}p_{X,Y}(x,y)\).
Formula rezultă din aditivitate: evenimentele \(\{Y=y\}\) sunt disjuncte, cu reuniunea \(\Omega\), deci \[ \PP(X=x)=\PP(\{X=x\}\cap\Omega)=\PP\Big(\bigcup_y\{X=x,\,Y=y\}\Big)=\sum_y\PP(X=x,\ Y=y). \]
Repartiția comună determină repartițiile marginale, dar reciproca este falsă: vectori aleatori cu repartiții comune diferite pot avea aceleași marginale. De exemplu, dacă \(X,Y\sim\Bern(1/2)\), atât repartiția cu \(p_{X,Y}(0,0)=p_{X,Y}(1,1)=1/2\) (adică \(Y=X\)), cât și cea cu \(p_{X,Y}(x,y)=1/4\) pentru toate cele patru perechi au aceleași marginale. Marginalele nu conțin informație despre legătura dintre \(X\) și \(Y\).
\[ \begin{array}{c|cc|c} X\backslash Y & 0 & 1 & \Sigma\\ \hline 0 & 1/2 & 0 & 1/2\\ 1 & 0 & 1/2 & 1/2\\ \hline \Sigma & 1/2 & 1/2 & 1 \end{array} \qquad\qquad \begin{array}{c|cc|c} X\backslash Y & 0 & 1 & \Sigma\\ \hline 0 & 1/4 & 1/4 & 1/2\\ 1 & 1/4 & 1/4 & 1/2\\ \hline \Sigma & 1/2 & 1/2 & 1 \end{array} \]
Fie \(X\) discretă și \(A\) un eveniment cu \(\PP(A)>0\). Funcția de masă a lui \(X\) condiționată de \(A\) este \[ p_{X\mid A}(x)=\PP(X=x\mid A)=\frac{\PP(\{X=x\}\cap A)}{\PP(A)}. \]
Este o funcție de masă: evenimentele \(\{X=x\}\cap A\) sunt disjuncte două câte două, iar reuniunea lor este \(A\), deci \(\PP(A)=\sum_x\PP(\{X=x\}\cap A)\) și, împărțind prin \(\PP(A)>0\), \[ \sum_x p_{X\mid A}(x)=\sum_x\frac{\PP(\{X=x\}\cap A)}{\PP(A)}=1 . \]
Fie \(X\) rezultatul unui zar echilibrat și \(A=\) „rezultatul este par”, \(\PP(A)=1/2\). Atunci \[ p_{X\mid A}(x)=\frac{\PP(X=x,\ \text{par})}{\PP(\text{par})}= \begin{cases}\frac{1/6}{1/2}=\frac13, & x\in\{2,4,6\},\\ 0, & x\in\{1,3,5\},\end{cases} \] deci \(X\mid A\) este uniform repartizată pe \(\{2,4,6\}\).
Cel mai important caz particular este \(A=\{Y=y\}\), unde \(Y\) este o altă variabilă aleatoare discretă.
Fie \(X,Y\) discrete și \(y\) cu \(p_Y(y)>0\). Funcția de masă condiționată a lui \(X\) la \(Y=y\) este \[ p_{X\mid Y}(x\mid y)=\PP(X=x\mid Y=y)=\frac{\PP(X=x,\ Y=y)}{\PP(Y=y)}=\frac{p_{X,Y}(x,y)}{p_Y(y)} . \] Analog, \(p_{Y\mid X}(y\mid x)=p_{X,Y}(x,y)/p_X(x)\) pentru \(p_X(x)>0\).
Pentru \(y\) fixat, \(p_{X\mid Y}(\cdot\mid y)\) este o funcție de \(x\): luăm coloana \(y\) a tabelului repartiției comune și o normalizăm (împărțim la suma ei, \(p_Y(y)\)), astfel încât suma să devină 1. Forma coloanei se păstrează; doar scara se schimbă.
Din definiție rezultă regula de înmulțire \[ p_{X,Y}(x,y)=p_X(x)\,p_{Y\mid X}(y\mid x)=p_Y(y)\,p_{X\mid Y}(x\mid y), \] analogul relației \(\PP(A\cap B)=\PP(A)\PP(B\mid A)\) pentru \(A=\{X=x\}\), \(B=\{Y=y\}\). Este foarte utilă când modelul este descris „în etape”: se cunoaște repartiția lui \(X\) și, pentru fiecare valoare a lui \(X\), repartiția lui \(Y\).
Rețeta pentru modele „în etape”: (1) regula de înmulțire dă repartiția comună; (2) sumele pe coloane (formula probabilității totale) dau marginala lui \(Y\); (3) formula lui Bayes răspunde la întrebările „inverse” (\(X\) știind \(Y\)).
Fie \(X,Y\) variabile aleatoare discrete.
Dacă \(A_1,\dots,A_n\) este o partiție a lui \(\Omega\) cu \(\PP(A_i)>0\), atunci \(p_X(x)=\sum_{i=1}^n p_{X\mid A_i}(x)\,\PP(A_i)\). În particular, \(p_X(x)=\sum_y p_{X\mid Y}(x\mid y)\,p_Y(y)\).
(Formula lui Bayes) Pentru \(p_Y(y)>0\), \[ p_{X\mid Y}(x\mid y)=\frac{p_X(x)\,p_{Y\mid X}(y\mid x)}{p_Y(y)}=\frac{p_X(x)\,p_{Y\mid X}(y\mid x)}{\sum_{x'}p_X(x')\,p_{Y\mid X}(y\mid x')} . \]
Demonstrație.
■
Un profesor răspunde incorect în \(25\%\) din cazuri, independent de la o întrebare la alta; la un curs poate primi \(0\), \(1\) sau \(2\) întrebări, fiecare variantă cu probabilitatea \(1/3\). Fie \(X\) numărul de întrebări și \(Y\) numărul de răspunsuri greșite. Determinăm repartiția comună a lui \((X,Y)\).
Modelul este dat „în etape”: \(X\) este uniformă pe \(\{0,1,2\}\), iar \(Y\mid X=x\sim\Bin(x,1/4)\). Cu regula de înmulțire: \[ \begin{aligned} \PP(X=0,Y=0)&=\tfrac13, & \PP(X=1,Y=0)&=\tfrac13\cdot\tfrac34=\tfrac14,\\ \PP(X=1,Y=1)&=\tfrac13\cdot\tfrac14=\tfrac1{12}, & \PP(X=2,Y=0)&=\tfrac13\big(\tfrac34\big)^2=\tfrac3{16},\\ \PP(X=2,Y=1)&=\tfrac13\tbinom21\tfrac14\cdot\tfrac34=\tfrac18, & \PP(X=2,Y=2)&=\tfrac13\big(\tfrac14\big)^2=\tfrac1{48}, \end{aligned} \] iar celelalte probabilități sunt nule (\(Y\le X\)).
Tabelul repartiției comune: \[ \begin{array}{c|ccc|c} X\backslash Y & 0 & 1 & 2 & \Sigma\\ \hline 0 & 1/3 & 0 & 0 & 1/3\\ 1 & 1/4 & 1/12 & 0 & 1/3\\ 2 & 3/16 & 1/8 & 1/48 & 1/3\\ \hline \Sigma & 37/48 & 5/24 & 1/48 & 1 \end{array} \] Marginala lui \(Y\) se obține cu formula probabilității totale: \(\PP(Y=0)=\frac13+\frac14+\frac3{16}=\frac{37}{48}\).
Întrebare „inversă” (Bayes): știind că profesorul nu a greșit niciodată la un curs, probabilitatea să nu fi primit nicio întrebare este \(\PP(X=0\mid Y=0)=\frac{1/3}{37/48}=\frac{16}{37}\approx 0.43\).
Variabilele aleatoare discrete \(X\) și \(Y\) sunt independente, și notăm \(X\indep Y\), dacă \[ p_{X,Y}(x,y)=p_X(x)\,p_Y(y)\qquad\text{pentru orice }x,y, \] adică \(\{X=x\}\) și \(\{Y=y\}\) sunt independente pentru orice \(x,y\). Echivalent, \(p_{X\mid Y}(x\mid y)=p_X(x)\) pentru orice \(y\) cu \(p_Y(y)>0\): informația despre \(Y\) nu modifică repartiția lui \(X\).
În exemplul profesorului, \(X\) și \(Y\) nu sunt independente: \(\PP(X=0,Y=1)=0\ne\frac13\cdot\frac5{24}\).
În tabel, independența înseamnă că fiecare celulă este produsul marginalelor corespunzătoare; o singură celulă nulă cu marginale nenule este suficientă pentru a infirma independența.
O găină depune \(N\sim\Pois(\lambda)\) ouă. Fiecare ou eclozează cu probabilitatea \(p\in(0,1)\), independent de celelalte. Fie \(X\) numărul de ouă eclozate și \(Y\) numărul de ouă neeclozate, \(N=X+Y\). Determinăm repartiția comună a lui \((X,Y)\).
Avem \(\PP(N=n)=e^{-\lambda}\lambda^n/n!\), \(X\mid N=n\sim\Bin(n,p)\), \(Y\mid N=n\sim\Bin(n,1-p)\). Cu formula probabilității totale, pentru \(i,j\ge0\), \[ \PP(X=i,Y=j)=\sum_{n=0}^\infty \PP(X=i,Y=j\mid N=n)\,\PP(N=n). \] Dacă \(n\ne i+j\), \(\PP(X=i,Y=j\mid N=n)=0\): rămâne doar termenul \(n=i+j\). În plus, știind \(N=i+j\), \(\{X=i\}\) implică \(\{Y=j\}\), deci \(\PP(X=i,Y=j\mid N=i+j)=\PP(X=i\mid N=i+j)\).
Obținem \[ \begin{aligned} \PP(X=i,Y=j)&=\binom{i+j}{i}p^i(1-p)^j\cdot e^{-\lambda}\frac{\lambda^{i+j}}{(i+j)!} =\frac{p^i(1-p)^j}{i!\,j!}\,e^{-\lambda}\lambda^i\lambda^j\\ &=e^{-\lambda p}\frac{(\lambda p)^i}{i!}\cdot e^{-\lambda(1-p)}\frac{(\lambda(1-p))^j}{j!}, \end{aligned} \] unde am folosit \(\lambda=\lambda p+\lambda(1-p)\).
Sumând după \(j\ge0\) găsim marginala lui \(X\): \[ \PP(X=i)=e^{-\lambda p}\frac{(\lambda p)^i}{i!}\sum_{j\ge0}e^{-\lambda(1-p)}\frac{(\lambda(1-p))^j}{j!}=e^{-\lambda p}\frac{(\lambda p)^i}{i!}, \] adică \(X\sim\Pois(\lambda p)\) și, analog, \(Y\sim\Pois(\lambda(1-p))\). Mai mult, \(\PP(X=i,Y=j)=\PP(X=i)\PP(Y=j)\): \(X\) și \(Y\) sunt independente.
Rezultatul din Exemplul 3 este descompunerea (subțierea) repartiției Poisson: dacă fiecare dintre cele \(N\sim\Pois(\lambda)\) „sosiri” este marcată independent cu probabilitatea \(p\), numerele de sosiri marcate și nemarcate sunt variabile Poisson independente, de parametri \(\lambda p\) și \(\lambda(1-p)\).
Pentru \(Z=g(X,Y)\) (de exemplu \(3x+7y\), \(xy\), \(\max(x,y)\)) nu trebuie să determinăm repartiția lui \(Z\): folosim direct repartiția comună (ca formula de transport din Cursul 3).
Dacă \(X\) și \(Y\) sunt discrete și \(g:\R^2\to\R\), atunci (când seria converge absolut) \[ \E[g(X,Y)]=\sum_x\sum_y g(x,y)\,p_{X,Y}(x,y). \] În particular, media este liniară: \(\E[aX+bY]=a\E[X]+b\E[Y]\) pentru orice \(a,b\in\R\).
Demonstrație. Grupând termenii după valorile \(z\) ale lui \(Z=g(X,Y)\), \[ \sum_{x,y}g(x,y)p_{X,Y}(x,y)=\sum_z z\sum_{(x,y):\,g(x,y)=z}p_{X,Y}(x,y)=\sum_z z\,\PP(Z=z)=\E[Z]. \] Pentru liniaritate luăm \(g(x,y)=ax+by\): \[ \begin{aligned} \sum_{x,y}(ax+by)p_{X,Y}(x,y)&=a\sum_x x\sum_y p_{X,Y}(x,y)+b\sum_y y\sum_x p_{X,Y}(x,y)\\ &=a\sum_x x\,p_X(x)+b\sum_y y\,p_Y(y)=a\E[X]+b\E[Y]. \end{aligned} \]■
Vectorul \((X,Y)\) are repartiția comună, cu marginalele pe margini: \[ \begin{array}{c|ccc|c} X\backslash Y & -1 & 0 & 2 & \Sigma\\ \hline 1 & 1/18 & 3/18 & 2/18 & 6/18\\ 2 & 2/18 & 0 & 3/18 & 5/18\\ 3 & 0 & 4/18 & 3/18 & 7/18\\ \hline \Sigma & 3/18 & 7/18 & 8/18 & 1 \end{array} \] Determinăm repartițiile marginale, repartițiile condiționate \(X\mid Y=0\) și \(Y\mid X=1\) și calculăm \(\E[XY]\) și \(\E[3X+2Y]\).
Marginalele (sumele pe linii, respectiv pe coloane): \(X\sim\begin{pmatrix}1&2&3\\ \frac6{18}&\frac5{18}&\frac7{18}\end{pmatrix}\), \(Y\sim\begin{pmatrix}-1&0&2\\ \frac3{18}&\frac7{18}&\frac8{18}\end{pmatrix}\).
Condiționatele. Normalizăm coloana \(y=0\) (suma \(\frac7{18}\)), respectiv linia \(x=1\) (suma \(\frac6{18}\)): \[ X\mid Y=0\sim\begin{pmatrix}1&2&3\\ \frac37&0&\frac47\end{pmatrix},\qquad Y\mid X=1\sim\begin{pmatrix}-1&0&2\\ \frac16&\frac36&\frac26\end{pmatrix}. \] Medii. Cu Teorema 10 (termenii cu \(y=0\) sau cu probabilitate nulă lipsesc), \[ \E[XY]=1\cdot(-1)\cdot\tfrac1{18}+1\cdot2\cdot\tfrac2{18}+2\cdot(-1)\cdot\tfrac2{18}+2\cdot2\cdot\tfrac3{18}+3\cdot2\cdot\tfrac3{18}=\tfrac{-1+4-4+12+18}{18}=\tfrac{29}{18}. \]
Direct: calculăm \(3x+2y\) în fiecare celulă nenulă și obținem repartiția lui \(Z=3X+2Y\): \[ 3X+2Y\sim\begin{pmatrix}1&3&4&7&9&10&13\\ \frac1{18}&\frac3{18}&\frac2{18}&\frac2{18}&\frac4{18}&\frac3{18}&\frac3{18}\end{pmatrix}, \qquad \E[3X+2Y]=\frac{1+9+8+14+36+30+39}{18}=\frac{137}{18}. \] Prin liniaritate (mult mai simplu): \(\E[X]=\frac{6+10+21}{18}=\frac{37}{18}\), \(\E[Y]=\frac{-3+16}{18}=\frac{13}{18}\) și \[ \E[3X+2Y]=3\cdot\frac{37}{18}+2\cdot\frac{13}{18}=\frac{137}{18}. \]
Calculele se verifică ușor în R, reprezentând repartiția comună ca matrice:
Pt <- matrix(c(1, 3, 2, 2, 0, 3, 0, 4, 3), nrow = 3, byrow = TRUE) / 18
xt <- c(1, 2, 3); yt <- c(-1, 0, 2)
pX <- rowSums(Pt); pY <- colSums(Pt) # marginalele
EX <- sum(xt * pX); EY <- sum(yt * pY); EXY <- sum(outer(xt, yt) * Pt)
MASS::fractions(c(EX = EX, EY = EY, EXY = EXY, E3X2Y = 3 * EX + 2 * EY))
#> EX EY EXY E3X2Y
#> 37/18 13/18 29/18 137/18
MASS::fractions(Pt[, yt == 0] / pY[yt == 0]) # repartiția X | Y = 0
#> [1] 3/7 0 4/7
Aria fiecărui disc este proporțională cu \(p_{X,Y}(x,y)\).
Sumele pe coloane (sus) și pe linii (dreapta), în gri, sunt repartițiile marginale.
Condiționarea la \(Y=0\) înseamnă: păstrăm doar rândul orizontal \(y=0\) și îl renormalizăm.
Fie \(X\) discretă și \(A\in\F\) cu \(\PP(A)>0\). Media condiționată a lui \(X\) la \(A\) este \[ \E[X\mid A]=\sum_x x\,p_{X\mid A}(x), \] iar \(\E[g(X)\mid A]=\sum_x g(x)\,p_{X\mid A}(x)\). Pentru \(A=\{Y=y\}\) obținem media condiționată a lui \(X\) la \(Y=y\): \[ \E[X\mid Y=y]=\sum_x x\,p_{X\mid Y}(x\mid y). \]
Odată determinată repartiția condiționată, media condiționată este pur și simplu media acestei repartiții.
Din \(X\mid Y=0\sim\begin{pmatrix}1&2&3\\ 3/7&0&4/7\end{pmatrix}\): \(\E[X\mid Y=0]=1\cdot\frac37+2\cdot 0+3\cdot\frac47=\frac{15}7\); din \(Y\mid X=1\sim\begin{pmatrix}-1&0&2\\ 1/6&3/6&2/6\end{pmatrix}\): \(\E[Y\mid X=1]=-\frac16+\frac46=\frac12\). La fel, \[ X\mid Y=-1\sim\begin{pmatrix}1&2&3\\ \frac13&\frac23&0\end{pmatrix},\qquad X\mid Y=2\sim\begin{pmatrix}1&2&3\\ \frac28&\frac38&\frac38\end{pmatrix}, \] deci \(\E[X\mid Y=-1]=\frac53\) și \(\E[X\mid Y=2]=\frac{17}8\).
\(\E[X\mid Y=y]\) este o funcție de \(y\), \(g(y)=\E[X\mid Y=y]\). Înlocuind \(y\) cu \(Y\) obținem o nouă variabilă aleatoare \(g(Y)\), care ia valoarea \(g(y)\) cu probabilitatea \(\PP(Y=y)\): \[ \E[X\mid Y]=g(Y)\sim\begin{pmatrix}\frac53&\frac{15}7&\frac{17}8\\[1mm] \frac3{18}&\frac7{18}&\frac8{18}\end{pmatrix}. \] Observăm că \[ \E\big[\E[X\mid Y]\big]=\frac53\cdot\frac3{18}+\frac{15}7\cdot\frac7{18}+\frac{17}8\cdot\frac8{18}=\frac{5+15+17}{18}=\frac{37}{18}=\E[X]. \] Nu este o coincidență!
Dacă \(X\) și \(Y\) sunt discrete (și \(\E|X|<\infty\)), atunci \(\E[X]=\sum_y\E[X\mid Y=y]\,\PP(Y=y)\).
Demonstrație. Folosind definițiile mediei condiționate și funcției de masă condiționate, \[ \sum_y\E[X\mid Y=y]\,p_Y(y)=\sum_y\Big(\sum_x x\frac{p_{X,Y}(x,y)}{p_Y(y)}\Big)p_Y(y) =\sum_x x\sum_y p_{X,Y}(x,y)=\sum_x x\,p_X(x)=\E[X]. \]■
În mod analog se definește varianța condiționată, ca varianța repartiției condiționate: \[ \begin{aligned} \Var(X\mid A)&=\E\big[(X-\E[X\mid A])^2\mid A\big]=\E[X^2\mid A]-\big(\E[X\mid A]\big)^2,\\ \Var(X\mid Y=y)&=\E[X^2\mid Y=y]-\big(\E[X\mid Y=y]\big)^2 . \end{aligned} \]
Pentru tabelul din Exemplul 4, \(X\mid Y=0\) ia valorile \(1\) și \(3\) cu probabilitățile \(\frac37\), \(\frac47\): \(\E[X^2\mid Y=0]=\frac{3+36}{7}=\frac{39}{7}\), deci \(\Var(X\mid Y=0)=\frac{39}{7}-\big(\frac{15}{7}\big)^2=\frac{48}{49}\).
În cazul continuu, probabilitățile nu mai sunt sume de „bețișoare”, ci volume de sub o suprafață.
Perechea \((X,Y)\) formează un cuplu de variabile aleatoare continue dacă există \(f_{X,Y}:\R^2\to[0,\infty)\) astfel încât \[ \PP\big((X,Y)\in A\big)=\iint_A f_{X,Y}(x,y)\dd x\dd y\qquad\text{pentru orice } A\subseteq\R^2 \text{ (boreliană)}. \] Funcția \(f_{X,Y}\) se numește densitatea comună a lui \((X,Y)\).
Pentru un dreptunghi și pentru \(A=\R^2\) (normalizare): \[ \PP(a\le X\le b,\ c\le Y\le d)=\int_a^b\!\!\int_c^d f_{X,Y}(x,y)\dd y\dd x,\qquad \int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f_{X,Y}(x,y)\dd x\dd y=1 . \]
Pentru un dreptunghi mic \([x,x+\mathrm{d}x]\times[y,y+\mathrm{d}y]\), \[ \PP\big(X\in[x,x+\mathrm{d}x],\ Y\in[y,y+\mathrm{d}y]\big)=\int_x^{x+\mathrm{d}x}\!\!\int_y^{y+\mathrm{d}y}f_{X,Y}(u,v)\dd v\dd u\approx f_{X,Y}(x,y)\,\mathrm{d}x\,\mathrm{d}y , \] deci \(f_{X,Y}(x,y)\) este probabilitatea pe unitatea de arie în jurul punctului \((x,y)\).
Legătura cu funcția de repartiție comună (Definiția 2): \[ F_{X,Y}(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f_{X,Y}(u,v)\dd v\dd u ,\qquad f_{X,Y}(x,y)=\frac{\partial^2 F_{X,Y}}{\partial x\,\partial y}(x,y)\ \text{(în punctele de continuitate)}. \]
Dacă \((X,Y)\) are densitatea comună \(f_{X,Y}\), atunci \(X\) și \(Y\) sunt continue, cu densitățile (densități marginale) \[ f_X(x)=\int_{\R}f_{X,Y}(x,y)\dd y,\qquad f_Y(y)=\int_{\R}f_{X,Y}(x,y)\dd x . \]
Demonstrație. Pentru \(B\subseteq\R\), \(\{X\in B\}=\{(X,Y)\in B\times\R\}\) (banda verticală deasupra lui \(B\)). Prin urmare \[ \PP(X\in B)=\PP\big((X,Y)\in B\times\R\big)=\iint_{B\times\R}f_{X,Y}(x,y)\dd y\dd x=\int_B\Big(\int_{\R} f_{X,Y}(x,y)\dd y\Big)\dd x . \] Cum \(B\) este arbitrar, din \(\PP(X\in B)=\int_B f_X(x)\dd x\) rezultă formula pentru \(f_X\); analog pentru \(f_Y\).■
Ionel și Maria își dau întâlnire la ora 12 și ajung cu întârzieri aleatoare \(X\), respectiv \(Y\), între 0 și 1 oră; \((X,Y)\) este „ales la întâmplare” în \([0,1]^2\): \(f_{X,Y}=c\) pe \([0,1]^2\) și \(0\) în rest.
Din normalizare, \(\int_0^1\!\int_0^1c\dd x\dd y=c=1\). Marginalele: \(f_X(x)=\int_0^1 1\dd y=1\) pe \([0,1]\), deci \(X\sim\Unif(0,1)\); analog \(Y\sim\Unif(0,1)\).
Dacă fiecare îl așteaptă pe celălalt cel mult un sfert de oră, se întâlnesc dacă \(|X-Y|\le 1/4\): pătratul minus două triunghiuri cu catetele \(3/4\), \[ \PP\big(|X-Y|\le\tfrac14\big)=1-2\cdot\frac12\Big(\frac34\Big)^2=\frac7{16}=0.4375 . \]

Fie \(S\subseteq\R^2\) cu arie finită și nenulă. Vectorul \((X,Y)\) este repartizat uniform pe \(S\), \((X,Y)\sim\Unif(S)\), dacă are densitatea \[ f_{X,Y}(x,y)=\begin{cases}\dfrac{1}{\mathrm{Aria}(S)},&(x,y)\in S,\\[2mm] 0,&\text{altfel,}\end{cases}\qquad\text{adică } f_{X,Y}=\frac{1}{\mathrm{Aria}(S)}\Ind_S . \]
Constanta rezultă din normalizare: \(1=\iint_{\R^2}c\,\Ind_S\dd x\dd y=c\cdot\mathrm{Aria}(S)\). Probabilitățile sunt rapoarte de arii: \[ \PP\big((X,Y)\in A\big)=\frac{1}{\mathrm{Aria}(S)}\iint_A\Ind_S(x,y)\dd x\dd y=\frac{\mathrm{Aria}(A\cap S)}{\mathrm{Aria}(S)}, \] adică modelul geometric de probabilitate.
O suprafață este marcată cu linii paralele la distanța \(d\). Aruncăm la întâmplare un ac de lungime \(l\le d\). Care este probabilitatea ca acul să intersecteze una dintre linii?
Descriem poziția acului prin: \(\Theta\in[0,\pi/2]\), unghiul ascuțit dintre ac și drepte; \(X\in[0,d/2]\), distanța de la mijlocul acului la cea mai apropiată dreaptă.
„La întâmplare” înseamnă \((X,\Theta)\sim\Unif(S)\), \(S=[0,d/2]\times[0,\pi/2]\), deci \(f_{X,\Theta}(x,\theta)=\frac{1}{(d/2)(\pi/2)}=\frac{4}{\pi d}\) pe \(S\). Jumătatea de ac dinspre cea mai apropiată dreaptă are proiecția pe direcția perpendiculară \(\frac l2\sin\theta\), deci acul intersectează o dreaptă dacă și numai dacă \(X\le\frac l2\sin\Theta\). Cu \(B=\{(x,\theta)\in S\mid x\le\frac l2\sin\theta\}\), \[ \PP\Big(X\le\frac l2\sin\Theta\Big)=\iint_B\frac{4}{\pi d}\dd x\dd\theta=\frac4{\pi d}\int_0^{\pi/2}\!\!\int_0^{\frac l2\sin\theta}\dd x\dd\theta=\frac{4}{\pi d}\int_0^{\pi/2}\frac l2\sin\theta\dd\theta=\frac{2l}{\pi d}. \] Metodă Monte Carlo de estimare a lui \(\pi\): dacă din \(N\) aruncări \(n\) intersectează o linie, \(\frac nN\approx\frac{2l}{\pi d}\), deci \(\pi\approx\frac{2lN}{nd}\).
set.seed(1777) # anul în care Buffon a publicat problema
N <- 1e5; l <- 1; d <- 2
theta <- runif(N, 0, pi / 2); xb <- runif(N, 0, d / 2)
taie <- xb <= l / 2 * sin(theta) # acul intersectează o linie?
c(p_simulat = mean(taie), p_teoretic = 2 * l / (pi * d),
pi_estimat = 2 * l * N / (d * sum(taie)))
#> p_simulat p_teoretic pi_estimat
#> 0.3182 0.3183 3.1427
Fie \(X\) continuă și \(A\in\F\) cu \(\PP(A)>0\). Densitatea condiționată a lui \(X\) la \(A\) este funcția \(f_{X\mid A}\ge0\) care verifică \(\PP(X\in B\mid A)=\int_B f_{X\mid A}(x)\dd x\) pentru orice \(B\subseteq\R\). Pentru \(B=\R\): \(\int_{\R} f_{X\mid A}=1\), deci \(f_{X\mid A}\) este o densitate.
Caz important: \(A=\{X\in C\}\), cu \(\PP(X\in C)>0\). Atunci \[ \PP(X\in B\mid X\in C)=\frac{\PP(X\in B,\ X\in C)}{\PP(X\in C)}=\int_B\frac{f_X(x)\Ind_C(x)}{\PP(X\in C)}\dd x, \quad\text{deci}\quad f_{X\mid\{X\in C\}}(x)=\begin{cases}\dfrac{f_X(x)}{\PP(X\in C)},& x\in C,\\[2mm] 0,&\text{altfel.}\end{cases} \]
Graficul densității condiționate se obține „tăind” densitatea lui \(X\) în afara lui \(C\) și renormalizând partea rămasă (înmulțind-o cu \(1/\PP(X\in C)\ge1\)).
Fie \(X\sim\Unif(a,b)\) și \([c,d]\subseteq[a,b]\). Cum \(\PP(X\in[c,d])=\frac{d-c}{b-a}\), \[ f_{X\mid X\in[c,d]}(x)=\frac{\frac1{b-a}\Ind_{[a,b]}(x)}{\frac{d-c}{b-a}}\,\Ind_{[c,d]}(x)=\frac{1}{d-c}\Ind_{[c,d]}(x): \] condiționată la un subinterval, o variabilă uniformă rămâne uniformă, \(X\mid\{X\in[c,d]\}\sim\Unif(c,d)\).
Fie \(A_1,\dots,A_n\) o partiție a lui \(\Omega\), cu \(\PP(A_i)>0\), și \(X\) continuă astfel încât fiecare \(X\mid A_i\) are densitatea \(f_{X\mid A_i}\). Atunci \[ f_X(x)=\sum_{i=1}^n f_{X\mid A_i}(x)\,\PP(A_i). \]
Demonstrație. Aplicăm formula probabilității totale evenimentului \(\{X\le x\}\) și derivăm în raport cu \(x\): \[ \int_{-\infty}^x f_X(t)\dd t=\PP(X\le x)=\sum_{i=1}^n\PP(X\le x\mid A_i)\PP(A_i)=\sum_{i=1}^n\PP(A_i)\int_{-\infty}^x f_{X\mid A_i}(t)\dd t . \] ■
Metroul circulă la 15 minute, cu trenuri la \(7^{00}\), \(7^{15}\), \(7^{30}\) etc. Ajungem în stație la un moment \(X\) uniform între \(7^{10}\) și \(7^{30}\). Determinăm densitatea timpului de așteptare \(Y\) (în minute) până la primul metrou.
Ideea: condiționăm după metroul în care urcăm; pe fiecare parte a partiției, timpul de așteptare este uniform (Exemplul 8).
Partiția: \(A=\{7^{10}\le X\le 7^{15}\}\) (urcăm în metroul de la \(7^{15}\)) și \(B=\{7^{15}<X\le 7^{30}\}\) (urcăm în cel de la \(7^{30}\)), cu \(\PP(A)=\frac5{20}=\frac14\), \(\PP(B)=\frac{15}{20}=\frac34\).
Știind \(A\), momentul sosirii este uniform pe \([7^{10},7^{15}]\) (Exemplul 8), deci \(Y=7^{15}-X\sim\Unif(0,5)\): \(f_{Y\mid A}(y)=\frac15\Ind_{[0,5]}(y)\). Analog, pe \(B\), \(Y=7^{30}-X\sim\Unif(0,15)\). Cu Propoziția 17, \[ f_Y(y)=\frac15\Ind_{[0,5]}(y)\cdot\frac14+\frac1{15}\Ind_{[0,15]}(y)\cdot\frac34= \begin{cases}\frac1{10},&0\le y\le5,\\[1mm] \frac1{20},&5<y\le15,\\[1mm] 0,&\text{altfel.}\end{cases} \] Timpii scurți apar atât când urcăm în metroul de la \(7^{15}\), cât și în cel de la \(7^{30}\).
Dificultate: \(\PP(Y=y)=0\), deci definiția se face prin analogie cu cazul discret.
Fie \(X,Y\) continue cu densitatea comună \(f_{X,Y}\). Pentru \(y\) cu \(f_Y(y)>0\), densitatea condiționată a lui \(X\) la \(Y=y\) este \[ f_{X\mid Y}(x\mid y)=\frac{f_{X,Y}(x,y)}{f_Y(y)},\qquad x\in\R . \]
Pentru \(y\) fixat, \(f_{X\mid Y}(\cdot\mid y)\) este o densitate: este nenegativă și \[ \int_{-\infty}^{+\infty}f_{X\mid Y}(x\mid y)\dd x=\frac{\int_{-\infty}^{+\infty}f_{X,Y}(x,y)\dd x}{f_Y(y)}=\frac{f_Y(y)}{f_Y(y)}=1 . \]
Geometric, secționăm suprafața \(z=f_{X,Y}(x,y)\) cu planul vertical corespunzător valorii fixate \(y\) și normalizăm curba obținută ca să aibă aria 1 (figura normalei bidimensionale, Partea IV).
Cu ajutorul ei calculăm probabilități condiționate \[ \PP(X\in A\mid Y=y)=\int_A f_{X\mid Y}(x\mid y)\dd x, \] iar relația din definiție se rescrie, simetric, ca regula de înmulțire \[ f_{X,Y}(x,y)=f_{X\mid Y}(x\mid y)\,f_Y(y)=f_{Y\mid X}(y\mid x)\,f_X(x). \]
Fie \(D=\{(x,y)\mid x^2+y^2\le r^2\}\) și \((X,Y)\sim\Unif(D)\): \(f_{X,Y}(x,y)=\frac{1}{\pi r^2}\Ind_D(x,y)\). Calculăm \(f_{X\mid Y}\).
Pentru \(y\in[-r,r]\), \((x,y)\in D\iff -\sqrt{r^2-y^2}\le x\le\sqrt{r^2-y^2}\), deci \[ f_Y(y)=\int_{-\infty}^{+\infty}\frac{1}{\pi r^2}\Ind_D(x,y)\dd x=\frac1{\pi r^2}\int_{-\sqrt{r^2-y^2}}^{\sqrt{r^2-y^2}}1\dd x=\frac{2\sqrt{r^2-y^2}}{\pi r^2},\qquad y\in[-r,r], \] și, prin simetrie, \(f_X(x)=\frac{2}{\pi r^2}\sqrt{r^2-x^2}\) pe \([-r,r]\) (repartiția semicirculară).
Densitatea condiționată este, pentru \(y\in(-r,r)\), \[ f_{X\mid Y}(x\mid y)=\frac{\frac1{\pi r^2}\Ind_D(x,y)}{\frac{2}{\pi r^2}\sqrt{r^2-y^2}}=\frac{1}{2\sqrt{r^2-y^2}}\Ind_{[-\sqrt{r^2-y^2},\,\sqrt{r^2-y^2}]}(x). \] Știind \(Y=y\), \(X\) este uniformă pe coarda orizontală de la ordonata \(y\): \(X\mid Y=y\sim\Unif\big(-\sqrt{r^2-y^2},\sqrt{r^2-y^2}\big)\).
Algoritm de generare a unui punct uniform în disc: (1) generăm \(Y\) cu densitatea \(\frac{2}{\pi r^2}\sqrt{r^2-y^2}\); (2) știind \(Y=y\), generăm \(X\) uniform pe \([-\sqrt{r^2-y^2},\sqrt{r^2-y^2}]\). Din regula de înmulțire, \((X,Y)\) are densitatea \(f_{X\mid Y}f_Y=f_{X,Y}\). Pentru (1): dacă \(B\sim\BetaD(3/2,3/2)\) (densitate \(\propto\sqrt{b(1-b)}\)), \(Y=r(2B-1)\) are densitatea \(\propto\sqrt{(r+y)(r-y)}=\sqrt{r^2-y^2}\).
set.seed(11); n <- 5000; r <- 1
Yd <- r * (2 * rbeta(n, 1.5, 1.5) - 1) # pasul 1: Y semicirculară
a <- sqrt(r^2 - Yd^2)
Xd <- runif(n, -a, a) # pasul 2: X | Y = y uniformă pe coardă
c(in_disc = mean(Xd^2 + Yd^2 <= r^2), # toate punctele sunt în disc
P_disc_mic = mean(Xd^2 + Yd^2 <= r^2 / 4)) # teoretic: 1/4
#> in_disc P_disc_mic
#> 1.0000 0.2482
Stânga: 5000 de puncte simulate și o coardă \(Y=y\) pe care \(X\) este uniformă. Dreapta: histograma lui \(X\) și marginala semicirculară \(f_X(x)=\frac{2}{\pi}\sqrt{1-x^2}\).
Variabilele aleatoare \(X\) și \(Y\) (de orice tip) sunt independente, \(X\indep Y\), dacă \[ \PP(X\in A,\ Y\in B)=\PP(X\in A)\,\PP(Y\in B)\qquad\text{pentru orice } A,B\subseteq\R . \] Mai general, \(X_1,\dots,X_n\) sunt independente dacă \(\PP(X_1\in A_1,\dots,X_n\in A_n)=\prod_{i=1}^n\PP(X_i\in A_i)\) pentru orice \(A_1,\dots,A_n\).
Cu \(A=(-\infty,x]\) și \(B=(-\infty,y]\) obținem că, pentru variabile independente, \(F_{X,Y}(x,y)=F_X(x)F_Y(y)\) pentru orice \(x,y\) (se poate arăta că și reciproca este adevărată). Pentru variabile discrete, definiția este echivalentă cu Definiția 9.
Fie \((X,Y)\) cu densitatea comună \(f_{X,Y}\). Atunci \(X\indep Y\) dacă și numai dacă \(f_{X,Y}(x,y)=f_X(x)\,f_Y(y)\) pentru (aproape) orice \(x,y\); echivalent, \(f_{X\mid Y}(x\mid y)=f_X(x)\) pentru orice \(y\) cu \(f_Y(y)>0\).
Demonstrație. Dacă \(f_{X,Y}=f_Xf_Y\), atunci \(\PP(X\in A,Y\in B)=\int_A\int_B f_X(x)f_Y(y)\dd y\dd x=\int_Af_X\cdot\int_Bf_Y=\PP(X\in A)\PP(Y\in B)\). Reciproc, dacă \(X\indep Y\), \(F_{X,Y}(x,y)=F_X(x)F_Y(y)\) și, prin derivare parțială mixtă, \(f_{X,Y}=F_X'(x)F_Y'(y)=f_X(x)f_Y(y)\). Forma condiționată rezultă din \(f_{X,Y}=f_{X\mid Y}f_Y\).■
În practică, independența se recunoaște adesea direct din forma densității, fără a calcula marginalele.
Dacă \(f_{X,Y}(x,y)=g(x)\,h(y)\) pentru orice \(x,y\in\R\), cu \(g,h\ge0\), atunci \(X\indep Y\); mai mult, \(f_X\propto g\) și \(f_Y\propto h\).
Demonstrație. Fie \(c_1=\int_{\R} g\), \(c_2=\int_{\R} h\). Din normalizare, \(1=\iint g(x)h(y)\dd x\dd y=c_1c_2\). Marginalele: \(f_X(x)=\int g(x)h(y)\dd y=c_2\,g(x)\), \(f_Y(y)=c_1\,h(y)\), deci \(f_X(x)f_Y(y)=c_1c_2\,g(x)h(y)=f_{X,Y}(x,y)\); se aplică Propoziția 20.■
Factorizarea trebuie să aibă loc pe tot planul, inclusiv funcțiile indicatoare. De exemplu, \(f_{X,Y}(x,y)=8xy\) pentru \(0\le y\le x\le1\) pare să se factorizeze, dar \(f_{X,Y}(x,y)=8xy\,\Ind_{\{0\le y\le x\le1\}}\), iar indicatorul unui triunghi nu este un produs \(g(x)h(y)\): \(X\) și \(Y\) nu sunt independente.
Regula practică: dacă suportul densității (mulțimea unde \(f_{X,Y}>0\)) nu este un „dreptunghi” \(A\times B\), variabilele nu pot fi independente.
Pentru vectorul uniform pe pătrat (Exemplul 6), \(X\indep Y\); pentru vectorul uniform pe disc (Exemplul 10) variabilele sunt dependente — confirmat de faptul că \(f_{X\mid Y}(x\mid y)\) depinde de \(y\).
Dacă \(X\indep Y\), atunci pentru orice funcții \(g,h\) (pentru care mediile există) \[ \E[g(X)\,h(Y)]=\E[g(X)]\,\E[h(Y)]. \] În particular \(\E[XY]=\E[X]\E[Y]\) și \(\Var(X+Y)=\Var(X)+\Var(Y)\).
Demonstrație. În cazul continuu, cu Teorema 25 (Partea III) și factorizarea densității, \[ \E[g(X)h(Y)]=\iint g(x)h(y)f_X(x)f_Y(y)\dd x\dd y=\int g(x)f_X(x)\dd x\int h(y)f_Y(y)\dd y . \]■
Demonstrație. Cazul discret este analog, cu sume în loc de integrale. Pentru varianță, \[ \Var(X+Y)=\E\big[(X-\E X+Y-\E Y)^2\big]=\Var(X)+\Var(Y)+2\E\big[(X-\E X)(Y-\E Y)\big], \] iar, din independență, ultimul termen este \(2\E[X-\E X]\,\E[Y-\E Y]=2\cdot0\cdot0=0\).■
Media sumei este suma mediilor întotdeauna; varianța sumei este suma varianțelor pentru variabile independente (mai general, necorelate — Partea IV).
O mărime \(X\) nu poate fi observată direct; observăm \(Y\) „afectată de zgomot” și vrem să facem inferențe despre \(X\): \[ X\ \big(f_X\big)\ \longrightarrow\ \boxed{\text{zgomot}}\ \longrightarrow\ Y\ \big(f_{Y\mid X}\big)\ \longrightarrow\ \boxed{\text{inferență}}\ \longrightarrow\ f_{X\mid Y}. \] Se dau repartiția a priori a lui \(X\) și verosimilitatea \(f_{Y\mid X}\); dorim repartiția a posteriori \(f_{X\mid Y}\).
Fie \(X,Y\) continue cu densitatea comună \(f_{X,Y}\). Pentru \(y\) cu \(f_Y(y)>0\), \[ f_{X\mid Y}(x\mid y)=\frac{f_{Y\mid X}(y\mid x)\,f_X(x)}{f_Y(y)}=\frac{f_{Y\mid X}(y\mid x)\,f_X(x)}{\int_{-\infty}^{+\infty}f_{Y\mid X}(y\mid x')\,f_X(x')\dd x'} . \]
Demonstrație. Din regula de înmulțire, \(f_{X\mid Y}(x\mid y)f_Y(y)=f_{Y\mid X}(y\mid x)f_X(x)\), de unde prima egalitate. Pentru numitor folosim formula probabilității totale pentru densități: \(f_Y(y)=\int f_{X,Y}(x,y)\dd x=\int f_{Y\mid X}(y\mid x)f_X(x)\dd x\).■
Formula lui Bayes pentru densități stă la baza statisticii bayesiene (Cursul 11): \(X\) este un parametru necunoscut, iar \(Y\) reprezintă datele.
Adesea una dintre variabile este discretă, iar cealaltă continuă. Exemplu: semnal binar \(S\in\{0,1\}\) transmis cu zgomot gaussian, \(Y=S+Z\), \(Z\sim\Norm(0,1)\). Vrem \(\PP(A\mid Y=y)\), dar \(\PP(Y=y)=0\); interpretăm ca limită: pentru \(\mathrm{d}y\) mic, \[ \PP(A\mid Y=y)\approx\frac{\PP(A)\,\PP(Y\in[y,y+\mathrm{d}y]\mid A)}{\PP(Y\in[y,y+\mathrm{d}y])} \approx\frac{\PP(A)\,f_{Y\mid A}(y)\,\mathrm{d}y}{f_Y(y)\,\mathrm{d}y} . \]
Aproximarea de pe slide-ul anterior motivează următoarele formule.
Fie \(Y\) continuă și \(A\) cu \(0<\PP(A)<1\), astfel încât \(Y\mid A\) și \(Y\mid A^c\) au densitățile \(f_{Y\mid A}\), \(f_{Y\mid A^c}\). Atunci \[ \PP(A\mid Y=y)=\frac{\PP(A)\,f_{Y\mid A}(y)}{f_Y(y)}=\frac{f_{Y\mid A}(y)\,\PP(A)}{f_{Y\mid A}(y)\,\PP(A)+f_{Y\mid A^c}(y)\,\PP(A^c)} . \] Dacă \(X\) este discretă, \(X(\Omega)=\{x_1,\dots,x_n\}\), și \(Y\) continuă, \(\PP(X=x\mid Y=y)=\dfrac{\PP(X=x)\,f_{Y\mid X}(y\mid x)}{\sum_{i=1}^n\PP(X=x_i)\,f_{Y\mid X}(y\mid x_i)}\).
\[ \begin{array}{c|c|c} \text{F.P.T.} & Y \text{ discretă} & Y \text{ continuă}\\ \hline X\text{ discr.} & \PP(X=x)=\displaystyle\sum_y\PP(X=x\mid Y=y)\PP(Y=y) & \PP(X=x)=\displaystyle\int\PP(X=x\mid Y=y)f_Y(y)\dd y\\ \hline X\text{ cont.} & f_X(x)=\displaystyle\sum_y f_{X\mid Y}(x\mid y)\PP(Y=y) & f_X(x)=\displaystyle\int f_{X\mid Y}(x\mid y)f_Y(y)\dd y \end{array} \] \[ \begin{array}{c|c|c} \text{Bayes} & Y \text{ discretă} & Y \text{ continuă}\\ \hline X\text{ discr.} & \PP(Y=y\mid X=x)=\dfrac{\PP(X=x\mid Y=y)\PP(Y=y)}{\PP(X=x)} & f_{Y\mid X}(y\mid x)=\dfrac{\PP(X=x\mid Y=y)f_Y(y)}{\PP(X=x)}\\ \hline X\text{ cont.} & \PP(Y=y\mid X=x)=\dfrac{f_{X\mid Y}(x\mid y)\PP(Y=y)}{f_X(x)} & f_{Y\mid X}(y\mid x)=\dfrac{f_{X\mid Y}(x\mid y)f_Y(y)}{f_X(x)} \end{array} \]
Pentru o variabilă discretă apar probabilități și sume, pentru una continuă densități și integrale.
Un semnal \(S\in\{-1,1\}\) este transmis cu \(\PP(S=1)=p\). Se recepționează \(Y=S+N\), zgomotul \(N\sim\Norm(0,1)\) fiind independent de \(S\). Știind \(S=s\), \(Y\mid S=s\sim\Norm(s,1)\). Cu formula lui Bayes hibridă, \[ \PP(S=1\mid Y=y)=\frac{p\,e^{-(y-1)^2/2}}{p\,e^{-(y-1)^2/2}+(1-p)\,e^{-(y+1)^2/2}}=\frac{p\,e^{y}}{p\,e^{y}+(1-p)\,e^{-y}}, \] după simplificarea cu \(e^{-(y^2+1)/2}\). Pentru \(p=1/2\): \(\PP(S=1\mid Y=y)=\frac{1}{1+e^{-2y}}\); pentru \(y=0.5\) probabilitatea este \(0.731\), pentru \(y=1\) este \(0.881\), iar pentru \(y=0\) este \(1/2\).
Regula de decizie „\(S=1\) dacă \(\PP(S=1\mid Y=y)>1/2\)” devine, pentru \(p=1/2\), „\(S=1\) dacă \(y>0\)”.
Duratele de viață ale becurilor companiei \(A\) sunt \(\Exp(\lambda_0)\), iar ale companiei \(B\) sunt \(\Exp(\lambda_1)\), cu \(\lambda_0<\lambda_1\). Un bec fără inscripție provine de la \(A\) cu probabilitatea \(p_0\in(0,1)\) și de la \(B\) cu \(p_1=1-p_0\). Fie \(T\) durata lui de viață.
Structura: \(T\) continuă, \(I\sim\Bern(p_1)\) discretă, \(T\mid I=0\sim\Exp(\lambda_0)\), \(T\mid I=1\sim\Exp(\lambda_1)\).
Cu formula probabilității totale, pentru \(t\ge0\): \[ \begin{aligned} F_T(t)&=\PP(T\le t\mid I=0)\PP(I=0)+\PP(T\le t\mid I=1)\PP(I=1)=(1-e^{-\lambda_0t})p_0+(1-e^{-\lambda_1t})p_1, \end{aligned} \] iar \(f_T(t)=F_T'(t)=p_0\lambda_0e^{-\lambda_0t}+p_1\lambda_1e^{-\lambda_1t}\), \(t>0\): un amestec (mixtură) de exponențiale.
Cum \(\lambda_0\ne\lambda_1\), \(f_T\) nu are forma \(\lambda e^{-\lambda t}\), deci \(T\) nu este exponențială; exponențiala fiind singura repartiție continuă fără memorie (Teorema 10 din Cursul 5), \(T\) nu are lipsa de memorie. Intuitiv: un bec care a funcționat mult este mai probabil să provină de la \(A\), deci „viitorul” lui depinde de trecut.

\(p_0=0.35\), \(\lambda_0=1\), \(\lambda_1=2\). Stânga: densitatea lui \(T\) (amestec) și cele două componente ponderate. Dreapta: probabilitatea a posteriori \(\PP(I=1\mid T=t)\).
Dacă \((X,Y)\) are densitatea comună \(f_{X,Y}\) și \(g:\R^2\to\R\), atunci (când integrala converge absolut) \[ \E[g(X,Y)]=\iint_{\R^2}g(x,y)\,f_{X,Y}(x,y)\dd x\dd y . \] În particular \(\E[XY]=\iint xy\,f_{X,Y}(x,y)\dd x\dd y\), iar media este liniară: \(\E[aX+bY]=a\E[X]+b\E[Y]\).
Teorema este analogul continuu al Teoremei 10 (demonstrația generală folosește teoria integralei Lebesgue și o omitem).
Liniaritatea mediei are loc pentru orice variabile aleatoare cu medie finită, indiferent dacă sunt sau nu independente — o proprietate pe care o vom folosi în mod repetat.
Fie \(X,Y\sim\Unif(0,1)\) independente; calculăm \(\E|X-Y|\). Din independență, \(f_{X,Y}=\Ind_{[0,1]^2}\) și, prin simetrie, \[ \begin{aligned} \E|X-Y|&=\iint_{[0,1]^2}|x-y|\dd x\dd y=\int_0^1\!\!\int_y^1(x-y)\dd x\dd y+\int_0^1\!\!\int_0^y(y-x)\dd x\dd y\\ &=2\int_0^1\!\!\int_y^1(x-y)\dd x\dd y=2\int_0^1\frac{(1-y)^2}{2}\dd y=\frac13, \end{aligned} \] cele două integrale fiind egale prin simetrie (schimbarea rolurilor lui \(x\) și \(y\)).
Fie \(X\) continuă și \(A\) cu \(\PP(A)>0\). Media condiționată a lui \(X\) la \(A\) este \(\E[X\mid A]=\int_{-\infty}^{+\infty}x\,f_{X\mid A}(x)\dd x\). Dacă \(A=\{Y=y\}\), cu \(Y\) continuă (\(f_Y(y)>0\)), media condiționată a lui \(X\) la \(Y=y\) este \[ \E[X\mid Y=y]=\int_{-\infty}^{+\infty}x\,f_{X\mid Y}(x\mid y)\dd x . \]
Media condiționată este media unei repartiții (cea condiționată), deci are toate proprietățile mediei obișnuite: este liniară, \(\E[g(X)\mid A]=\int g(x)f_{X\mid A}(x)\dd x\) etc.
Formula probabilității totale se transferă mediilor: înmulțind cu \(x\) relația din Propoziția 17 și integrând, pentru o partiție \(A_1,\dots,A_n\): \[ \E[X]=\sum_{i=1}^n\E[X\mid A_i]\,\PP(A_i), \] iar dacă \(Y\) este continuă, \[ \E[X]=\int_{-\infty}^{+\infty}\E[X\mid Y=y]\,f_Y(y)\dd y . \]
Metroul (Exemplul 9): \(\E[Y\mid A]=5/2\) și \(\E[Y\mid B]=15/2\) (medii de uniforme), deci \[ \E[Y]=\frac52\cdot\frac14+\frac{15}2\cdot\frac34=\frac{50}8=6.25\text{ minute}, \] fără a calcula vreo integrală.
Fie \(g(y)=\E[X\mid Y=y]\). Media condiționată a lui \(X\) la \(Y\), \(\E[X\mid Y]\), este variabila aleatoare \(g(Y)\). Analog, varianța condiționată \(\Var(X\mid Y)\) este \(v(Y)\), unde \(v(y)=\Var(X\mid Y=y)=\E[X^2\mid Y=y]-\big(\E[X\mid Y=y]\big)^2\); adică \(\Var(X\mid Y)=\E[X^2\mid Y]-\big(\E[X\mid Y]\big)^2\).
Nu confundați \(\E[X\mid Y=y]\), un număr (depinzând de \(y\)), cu \(\E[X\mid Y]\), o variabilă aleatoare (funcție de \(Y\)). Calculăm \(\E[X\mid Y=y]\) ca funcție de \(y\) și apoi înlocuim \(y\) cu \(Y\).
Pentru \((X,Y)\sim\Unif(D)\) (Exemplul 10), \(X\mid Y=y\sim\Unif(-a,a)\), \(a=\sqrt{r^2-y^2}\), cu media \(0\) și varianța \(\frac{(2a)^2}{12}=\frac{a^2}{3}\), deci
\[ \E[X\mid Y=y]=0,\quad \Var(X\mid Y=y)=\frac{r^2-y^2}{3},\qquad\text{deci}\qquad \E[X\mid Y]=0,\quad \Var(X\mid Y)=\frac{r^2-Y^2}{3}. \] Media condiționată nu depinde de \(Y\), dar varianța condiționată depinde: variabilele sunt dependente.
Numite, după Blitzstein și Hwang, legea lui Adam și legea lui Eve (inițialele lui Expectation și Variance: „EVVE” \(=\E[\Var]+\Var(\E)\)).
Fie \(X\) și \(Y\) două variabile aleatoare (cu \(\E[X^2]<\infty\)). Atunci:
(legea mediei iterate, legea lui Adam) \(\ \E\big[\E[X\mid Y]\big]=\E[X]\);
(legea varianței totale, legea lui Eve) \(\ \Var(X)=\E\big[\Var(X\mid Y)\big]+\Var\big(\E[X\mid Y]\big)\);
pentru orice funcție \(h\), \(\E[h(Y)X\mid Y]=h(Y)\,\E[X\mid Y]\) („ce este cunoscut iese în afara mediei”);
dacă \(X\indep Y\), atunci \(\E[X\mid Y]=\E[X]\).
Demonstrație.
În cazul continuu, cu \(g(y)=\E[X\mid Y=y]\) și regula de înmulțire, \[ \begin{aligned} \E[g(Y)]&=\int g(y)f_Y(y)\dd y=\int\!\!\Big(\int x\,f_{X\mid Y}(x\mid y)\dd x\Big)f_Y(y)\dd y\\ &=\iint x\,f_{X\mid Y}(x\mid y)f_Y(y)\dd x\dd y=\iint x\,f_{X,Y}(x,y)\dd x\dd y=\E[X] . \end{aligned} \] Cazul discret este Propoziția 12.
Știind \(Y=y\), \(h(Y)=h(y)\) este o constantă, deci \(\E[h(Y)X\mid Y=y]=h(y)\E[X\mid Y=y]\).
Dacă \(X\indep Y\), repartiția condiționată a lui \(X\) la \(Y=y\) coincide cu repartiția lui \(X\), deci \(\E[X\mid Y=y]=\E[X]\).
■
Demonstrație.
■
Interpretare: variabilitatea din interiorul grupurilor date de \(Y\) + variabilitatea dintre grupuri.
Pentru discul din Exemplul 14: \(\Var(X)=\E\big[\frac{r^2-Y^2}{3}\big]+\Var(0)=\frac{r^2-\E[Y^2]}{3}\). Prin simetrie \(\E[X^2]=\E[Y^2]=\frac12\E[X^2+Y^2]=\frac{r^2}{4}\) (Exercițiul 12), deci \(\Var(X)=\frac{r^2-r^2/4}{3}=\frac{r^2}{4}\).
Interpretarea geometrică. \(\E[X\mid Y]\) este funcția de \(Y\) care aproximează cel mai bine \(X\) în sensul erorii pătratice medii.
Pentru orice funcție \(h\) (cu \(\E[h(Y)^2]<\infty\)), \[ \E\big[(X-\E[X\mid Y])^2\big]\le\E\big[(X-h(Y))^2\big],\qquad\text{adică}\qquad \E[X\mid Y]=\argmin_{h}\ \E\big[(X-h(Y))^2\big]. \]
Demonstrație. Fie \(g(Y)=\E[X\mid Y]\). Scriem \(X-h(Y)=(X-g(Y))+(g(Y)-h(Y))\) și dezvoltăm pătratul: \[ \E[(X-h(Y))^2]=\E[(X-g(Y))^2]+\E[(g(Y)-h(Y))^2]+2\E\big[(g(Y)-h(Y))(X-g(Y))\big]. \] Cu legea lui Adam și proprietatea c) din Teorema 28, ultimul termen este \(2\E\big[(g(Y)-h(Y))\,\E[X-g(Y)\mid Y]\big]=2\E\big[(g(Y)-h(Y))(g(Y)-g(Y))\big]=0\). Deci \(\E[(X-h(Y))^2]=\E[(X-g(Y))^2]+\E[(g(Y)-h(Y))^2]\ge\E[(X-g(Y))^2]\).■
Într-un magazin intră într-o zi \(N\) clienți (\(N\) aleatoare, cu valori în \(\{0,1,2,\dots\}\)); clientul \(i\) cheltuiește \(X_i\). Presupunem \(X_1,X_2,\dots\) independente, identic repartizate, cu media \(\mu\) și varianța \(\sigma^2\), independente de \(N\). Suma totală este \[ T=\sum_{i=1}^{N}X_i ,\qquad T(\omega)=\sum_{i=1}^{N(\omega)}X_i(\omega). \] Numărul de termeni este aleator, deci nu putem aplica direct liniaritatea; condiționăm la \(N\). Știind \(N=n\), suma are un număr fix de termeni, independenți de \(N\): \[ \E[T\mid N=n]=\E\Big[\sum_{i=1}^nX_i\,\Big|\,N=n\Big]=\sum_{i=1}^n\E[X_i]=n\mu, \qquad \Var(T\mid N=n)=n\sigma^2 . \] Așadar \(\E[T\mid N]=N\mu\) și \(\Var(T\mid N)=N\sigma^2\).
Fie \(N\) cu valori în \(\N\) și \(X_1,X_2,\dots\) i.i.d., cu \(\E[X_1]=\mu\), \(\Var(X_1)=\sigma^2\), independente de \(N\). Atunci \(T=\sum_{i=1}^NX_i\) verifică \[ \E[T]=\E[N]\,\E[X_1]\quad\text{(identitatea lui Wald)},\qquad \Var(T)=\E[N]\Var(X_1)+\big(\E[X_1]\big)^2\Var(N). \]
Demonstrație. Cu legea lui Adam, \(\E[T]=\E[\E[T\mid N]]=\E[N\mu]=\mu\E[N]\). Cu legea lui Eve, \(\Var(T)=\E[\Var(T\mid N)]+\Var(\E[T\mid N])=\E[N\sigma^2]+\Var(N\mu)=\sigma^2\E[N]+\mu^2\Var(N)\).■
Primul termen al varianței provine din variabilitatea sumelor individuale, al doilea din variabilitatea numărului de clienți. Pentru \(N\sim\Pois(\lambda)\): \(\E[N]=\Var(N)=\lambda\) și \(\Var(T)=\lambda(\sigma^2+\mu^2)=\lambda\E[X_1^2]\).
Pentru \(\lambda=50\) clienți pe zi și \(X_i\sim\Exp\) cu media \(\mu=30\) lei (\(\sigma=30\)): \[ \E[T]=50\cdot30=1500\text{ lei},\qquad \Var(T)=50\cdot(900+900)=90000,\qquad \sigma_T=300\text{ lei}. \]
Pentru a măsura cât de mult „variază împreună” două variabile:
Fie \(X\) și \(Y\) cu \(\E[X^2],\E[Y^2]<\infty\). Se numește covarianța dintre \(X\) și \(Y\) \[ \Cov(X,Y)=\E\big[(X-\E[X])(Y-\E[Y])\big]. \]
Spunem că \(X\) și \(Y\) sunt necorelate dacă \(\Cov(X,Y)=0\).
Dacă \(X\indep Y\) (și au momente de ordinul doi finite), atunci \(\Cov(X,Y)=0\).
Demonstrație. Din Propoziția 22, \(\E[XY]=\E[X]\E[Y]\), deci, cu formula de calcul, \(\Cov(X,Y)=0\).■
Fie \(X\sim\Norm(0,1)\) și \(Y=X^2\). Evident, \(X\) și \(Y\) nu sunt independente: \(Y\) este complet determinată de \(X\) (de exemplu \(\PP(X>1,\ Y\le1)=0\ne\PP(X>1)\PP(Y\le1)\)). Totuși \(\E[X]=0\), deci \(\E[X]\E[Y]=0\), iar \[ \E[XY]=\E[X^3]=\int_{-\infty}^{+\infty}x^3\,\frac{e^{-x^2/2}}{\sqrt{2\pi}}\dd x=0 \] (integrand impar, domeniu simetric). Deci \(\Cov(X,Y)=0\): necorelate, dar dependente.

Pentru \(X,Y,Z,X_1,\dots,X_n\) cu momente de ordinul doi finite și \(a,b\in\R\):
\(\Cov(X,X)=\Var(X)\); b) \(\Cov(X,a)=0\); c) \(\Cov(X,Y)=\Cov(Y,X)\) (simetrie);
\(\Cov(a+bX,Y)=b\Cov(X,Y)\); e) \(\Cov(X+Y,Z)=\Cov(X,Z)+\Cov(Y,Z)\);
\(\Var(X+Y)=\Var(X)+\Var(Y)+2\Cov(X,Y)\);
\(\Var(X_1+\dots+X_n)=\sum_{i=1}^n\Var(X_i)+2\sum_{i<j}\Cov(X_i,X_j)\).
În particular, dacă \(X_1,\dots,X_n\) sunt necorelate două câte două (de exemplu independente), varianța sumei este suma varianțelor: pentru \(X\sim\Bin(n,p)\), sumă de \(n\) variabile \(\Bern(p)\) independente, \(\Var(X)=np(1-p)\).
Demonstrație. a)–c) sunt imediate din definiție și din formula de calcul. Pentru d) și e) folosim formula de calcul și liniaritatea mediei: \[ \begin{aligned} \Cov(a+bX,Y)&=\E[(a+bX)Y]-\E[a+bX]\E[Y]=a\E Y+b\E[XY]-a\E Y-b\E X\E Y=b\Cov(X,Y),\\ \Cov(X+Y,Z)&=\E[XZ]+\E[YZ]-(\E X+\E Y)\E Z=\Cov(X,Z)+\Cov(Y,Z). \end{aligned} \] Covarianța este deci biliniară. Atunci \[ \begin{aligned} \Var(X+Y)&=\Cov(X+Y,X+Y)=\Cov(X,X)+\Cov(X,Y)+\Cov(Y,X)+\Cov(Y,Y)\\ &=\Var(X)+\Var(Y)+2\Cov(X,Y), \end{aligned} \] iar g) se obține la fel, dezvoltând \(\Cov\big(\sum_iX_i,\sum_jX_j\big)=\sum_{i,j}\Cov(X_i,X_j)\).■
Covarianța depinde de unitățile de măsură (din metri în centimetri se înmulțește cu 100); o normalizăm.
Fie \(X\) și \(Y\) cu varianțe finite și nenule. Coeficientul de corelație (Pearson) este \[ \rho(X,Y)=\frac{\Cov(X,Y)}{\sqrt{\Var(X)}\,\sqrt{\Var(Y)}} . \]
Cu \(\mu_X,\sigma_X,\mu_Y,\sigma_Y\) mediile și abaterile standard, \[ \rho(X,Y)=\frac{\E[(X-\mu_X)(Y-\mu_Y)]}{\sigma_X\sigma_Y}=\E\Big[\frac{X-\mu_X}{\sigma_X}\cdot\frac{Y-\mu_Y}{\sigma_Y}\Big]: \] corelația este covarianța variabilelor standardizate. Pentru \(a,c\ne0\), \(\rho(aX+b,cY+d)=\sgn(ac)\,\rho(X,Y)\): nu depinde de unitățile de măsură.
Pentru orice \(X,Y\) cu varianțe finite și nenule, \(|\rho(X,Y)|\le 1\). Egalitatea \(|\rho(X,Y)|=1\) are loc dacă și numai dacă (cu probabilitate 1) \(Y=aX+b\), cu \(a\ne0\); mai precis, \(\rho=1\) dacă \(a>0\) și \(\rho=-1\) dacă \(a<0\).
Demonstrație. Putem presupune (standardizând) \(\E[X]=\E[Y]=0\), \(\Var(X)=\Var(Y)=1\), deci \(\E[X^2]=\E[Y^2]=1\) și \(\rho=\E[XY]\). Pentru orice \(\lambda\in\R\), \[ 0\le\E\big[(X+\lambda Y)^2\big]=\lambda^2\E[Y^2]+2\lambda\E[XY]+\E[X^2]=\lambda^2+2\lambda\rho+1 . \] Un polinom de gradul doi nenegativ pentru orice \(\lambda\) are \(\Delta=4\rho^2-4\le0\), adică \(\rho^2\le1\).■
Demonstrație. Fie \(\rho=1\). Atunci \(\E[(X+\lambda Y)^2]=(\lambda+1)^2\), iar pentru \(\lambda=-1\), \(\E[(X-Y)^2]=0\). O variabilă nenegativă cu media 0 este nulă cu probabilitate 1, deci \(\PP(X=Y)=1\). Revenind la variabilele inițiale, \(\frac{X-\mu_X}{\sigma_X}=\frac{Y-\mu_Y}{\sigma_Y}\) cu probabilitate 1: \[ Y=\frac{\sigma_Y}{\sigma_X}X+\frac{\sigma_X\mu_Y-\sigma_Y\mu_X}{\sigma_X}=aX+b,\qquad a=\frac{\sigma_Y}{\sigma_X}>0 . \] Cazul \(\rho=-1\): analog, cu \(\lambda=1\), obținând \(a<0\). Reciproc, dacă \(Y=aX+b\), atunci \(\Cov(X,Y)=a\sigma_X^2\), \(\sigma_Y=|a|\sigma_X\) și \(\rho=a/|a|=\pm1\).■
\(\rho\) măsoară cât de aproape de o dreaptă se află punctele \((X,Y)\): \(\rho>0\) — tendință liniară crescătoare, \(\rho<0\) — descrescătoare, \(\rho=0\) — absența unei tendințe liniare (dar nu neapărat independență!).
Fără standardizare, aceeași idee dă inegalitatea Cauchy–Schwarz \((\E[XY])^2\le\E[X^2]\E[Y^2]\) (Cursul 7).

Nori de câte 400 de puncte din repartiția normală bidimensională standard, pentru diferite valori ale lui \(\rho\).
Pentru Exemplul 4: \(\E[X]=\frac{37}{18}\), \(\E[Y]=\frac{13}{18}\), \(\E[XY]=\frac{29}{18}\), deci \[ \Cov(X,Y)=\frac{29}{18}-\frac{37}{18}\cdot\frac{13}{18}=\frac{522-481}{324}=\frac{41}{324}\approx0.127 . \] Apoi \(\E[X^2]=\frac{6+20+63}{18}=\frac{89}{18}\), \(\E[Y^2]=\frac{3+32}{18}=\frac{35}{18}\), \(\Var(X)=\frac{89}{18}-\big(\frac{37}{18}\big)^2=\frac{233}{324}\), \(\Var(Y)=\frac{35}{18}-\big(\frac{13}{18}\big)^2=\frac{461}{324}\) și \[ \rho(X,Y)=\frac{41}{\sqrt{233\cdot461}}\approx0.125:\ \text{o corelație pozitivă slabă.} \]
Corelația slabă (\(\approx0.125\)) se vede și în figura tabelului: nu există o tendință liniară clară.
De ce tocmai media unui produs măsoară legătura dintre două variabile? Privim variabilele aleatoare ca vectori, cu produsul scalar \(\langle U,V\rangle=\E[UV]\) și „lungimea” \(\|U\|=\sqrt{\E[U^2]}\).
Pentru variabilele centrate \(U=X-\mu_X\) și \(V=Y-\mu_Y\): \(\langle U,V\rangle=\Cov(X,Y)\), \(\|U\|=\sigma_X\), \(\|V\|=\sigma_Y\), deci \[ \rho(X,Y)=\frac{\Cov(X,Y)}{\sigma_X\,\sigma_Y}=\frac{\langle U,V\rangle}{\|U\|\,\|V\|}=\cos\theta . \]
Fie \((x_1,y_1),\dots,(x_n,y_n)\) perechi de date, cu mediile \(\bar x\) și \(\bar y\) (șirurile \(x\) și \(y\) nefiind constante). Coeficientul de corelație empiric este \[ r=\frac{\sum_{i=1}^n(x_i-\bar x)(y_i-\bar y)}{\sqrt{\sum_{i=1}^n(x_i-\bar x)^2}\,\sqrt{\sum_{i=1}^n(y_i-\bar y)^2}}=\frac{x_c\cdot y_c}{\|x_c\|\,\|y_c\|}, \] adică cosinusul unghiului dintre vectorii centrați \(x_c=(x_i-\bar x)_i\) și \(y_c=(y_i-\bar y)_i\) din \(\R^n\).
cor(x, y).Note la aceleași cinci filme: \(x=(1,2,3,4,5)\), \(y=(2,1,4,3,5)\). Mediile sunt \(3\), deci \(x_c=(-2,-1,0,1,2)\), \(y_c=(-1,-2,1,0,2)\), \(x_c\cdot y_c=8\), \(\|x_c\|^2=\|y_c\|^2=10\) și \(r=\frac{8}{10}=0.8\) (\(\theta\approx37^\circ\)): gusturi apropiate.
#> cosinus cor cos_necentrat
#> 0.8000 0.8000 0.9636
A treia valoare: similaritatea cosinus (vectori necentrați), folosită la compararea documentelor.
\((X,Y)\) are repartiție normală bidimensională de parametri \(\mu_1,\mu_2\in\R\), \(\sigma_1,\sigma_2>0\), \(\rho\in(-1,1)\) dacă are densitatea \[ f_{X,Y}(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\Big\{-\frac{u^2-2\rho uv+v^2}{2(1-\rho^2)}\Big\},\qquad u=\frac{x-\mu_1}{\sigma_1},\ v=\frac{y-\mu_2}{\sigma_2}. \]
Se poate arăta (completând pătratul în exponent) că:

O observație are adesea \(d\) componente (pixelii unei imagini, indicatorii unui server): mediile, varianțele și covarianțele se organizează într-un vector și într-o matrice.
Fie \(\mathbf X=(X_1,\dots,X_d)^\top\) un vector aleator ale cărui componente au varianțe finite. Vectorul medie și matricea de covarianță ale lui \(\mathbf X\) sunt \[ \mu=\E[\mathbf X]=\begin{pmatrix}\E[X_1]\\ \vdots\\ \E[X_d]\end{pmatrix},\qquad \Sigma=\Cov(\mathbf X)=\begin{pmatrix} \Var(X_1) & \cdots & \Cov(X_1,X_d)\\ \vdots & \ddots & \vdots\\ \Cov(X_d,X_1) & \cdots & \Var(X_d) \end{pmatrix}, \] adică \(\Sigma_{ij}=\Cov(X_i,X_j)\): varianțele pe diagonală, covarianțele în afara ei.
Fie \(\mathbf X\) un vector aleator cu vectorul medie \(\mu\) și matricea de covarianță \(\Sigma\).
\(\Sigma\) este simetrică; dacă \(X_1,\dots,X_d\) sunt independente (sau doar necorelate), \(\Sigma\) este diagonală.
Pentru orice \(\mathbf a\in\R^d\), \(\mathbf a^\top\mathbf X=a_1X_1+\dots+a_dX_d\) are media \(\mathbf a^\top\mu\) și varianța \[ \Var(\mathbf a^\top\mathbf X)=\sum_{i=1}^d\sum_{j=1}^da_ia_j\Cov(X_i,X_j)=\mathbf a^\top\Sigma\,\mathbf a\ \ge0, \] deci \(\Sigma\) este pozitiv semidefinită.
Dacă \(A\) este o matrice \(m\times d\) și \(\mathbf b\in\R^m\), atunci \(\mathbf Y=A\mathbf X+\mathbf b\) are \(\E[\mathbf Y]=A\mu+\mathbf b\) și \(\Cov(\mathbf Y)=A\,\Sigma\,A^\top\).
Duratele (ms) a două operații: \(X_1=U+W\), \(X_2=V+W\), cu \(W\) o etapă comună și \(U,V,W\) independente, cu mediile \(1,6,3\) și varianțele \(1,6,3\). Atunci \(\mathbf X=A\,(U,V,W)^\top\), cu \[ A=\begin{pmatrix}1&0&1\\0&1&1\end{pmatrix},\quad \mu=A\begin{pmatrix}1\\6\\3\end{pmatrix}=\begin{pmatrix}4\\9\end{pmatrix},\quad \Sigma=A\begin{pmatrix}1&0&0\\0&6&0\\0&0&3\end{pmatrix}A^\top=\begin{pmatrix}4&3\\3&9\end{pmatrix}. \] Etapa comună corelează duratele: \(\Cov(X_1,X_2)=\Var(W)=3\), \(\rho=\frac{3}{2\cdot3}=0.5\). Durata totală \(X_1+X_2=\mathbf a^\top\mathbf X\), \(\mathbf a=(1,1)^\top\), are varianța \(\mathbf a^\top\Sigma\,\mathbf a=4+9+2\cdot3=19\) (nu \(13\)).
rnorm produce valori independente; corelația se introduce printr-o transformare liniară.
Fie \(\mathbf Z=(Z_1,\dots,Z_d)^\top\), cu \(Z_i\sim\Norm(0,1)\) independente, \(\mu\in\R^d\) și \(L\) o matrice \(d\times d\); notăm \(\Sigma=LL^\top\). Atunci \(\mathbf X=\mu+L\,\mathbf Z\) are vectorul medie \(\mu\) și matricea de covarianță \(\Sigma\), iar componentele sale sunt normale (Propoziția 43). Pentru \(d=2\) și \[ L=\begin{pmatrix}\sigma_1&0\\ \rho\,\sigma_2&\sigma_2\sqrt{1-\rho^2}\end{pmatrix}\quad\text{avem}\quad LL^\top=\begin{pmatrix}\sigma_1^2&\rho\sigma_1\sigma_2\\ \rho\sigma_1\sigma_2&\sigma_2^2\end{pmatrix}, \] iar \(\mathbf X\) are repartiția normală bidimensională din Definiția 38.
De ce? \(\mathbf Z\) are media \(0\) și matricea de covarianță \(I_d\), deci \(\Cov(\mu+L\mathbf Z)=L\,I_d\,L^\top\) (proprietatea c).
Vrem înălțimi (cm) și greutăți (kg) cu mediile \(170\) și \(70\), abaterile standard \(\sigma_1=8\), \(\sigma_2=10\) și corelația \(\rho=0.6\). Covarianța este \(0.6\cdot8\cdot10=48\), deci \[
\mu=\begin{pmatrix}170\\70\end{pmatrix},\quad \Sigma=\begin{pmatrix}64&48\\48&100\end{pmatrix},\quad
L=\begin{pmatrix}8&0\\ 0.6\cdot10&10\sqrt{1-0.6^2}\end{pmatrix}=\begin{pmatrix}8&0\\6&8\end{pmatrix}.
\] Înălțimea este \(X_1=170+8Z_1\), iar greutatea \(X_2=70+6Z_1+8Z_2\): \(6Z_1\) este partea „explicată” de înălțime, iar \(8Z_2\) variația proprie a greutății. \(L\) este factorul Cholesky al lui \(\Sigma\); în R: t(chol(Sigma)).
set.seed(3)
mu <- c(170, 70); Sigma <- matrix(c(64, 48, 48, 100), nrow = 2)
L <- t(chol(Sigma)); n <- 2000 # factorul Cholesky: (8 0; 6 8)
Z <- matrix(rnorm(2 * n), nrow = 2) # fiecare coloană: un vector Z
X <- t(mu + L %*% Z) # n linii: (înălțime, greutate)
round(c(medie = colMeans(X), ab_std = apply(X, 2, sd),
cov = cov(X)[1, 2], cor = cor(X)[1, 2]), 2)#> medie1 medie2 ab_std1 ab_std2 cov cor
#> 169.87 69.89 8.10 9.97 48.62 0.60
O observație = o linie a matricei de date; colMeans, cov, cor estimează \(\mu\), \(\Sigma\) și corelațiile. Valorile sunt apropiate de cele cerute: \(170\) și \(70\); \(8\) și \(10\); \(48\); \(0.6\).

Cele 2000 de perechi simulate, elipsa în care vectorul se află cu probabilitatea \(0.95\) și direcțiile vectorilor proprii ai lui \(\Sigma\).
Direcția \(\mathbf a\), \(\|\mathbf a\|=1\), pe care \(\mathbf a^\top\mathbf X\) are varianța \(\mathbf a^\top\Sigma\,\mathbf a\) maximă este vectorul propriu al lui \(\Sigma\) pentru cea mai mare valoare proprie \(\lambda_1\) (aici \(\lambda_1\approx133.3\) din \(164\), adică \(81\%\)). Este ideea analizei în componente principale (PCA): păstrăm doar proiecțiile pe direcțiile de împrăștiere maximă.
Dacă \(X\indep Y\) și le cunoaștem repartițiile, care este repartiția lui \(Z=X+Y\)?
Fie \(X\indep Y\) și \(Z=X+Y\).
Dacă \(X\) și \(Y\) sunt discrete, cu valori întregi, \(\displaystyle p_Z(z)=\sum_{x}p_X(x)\,p_Y(z-x)\).
Dacă \(X\) și \(Y\) sunt continue, cu densitățile \(f_X\), \(f_Y\), atunci \(Z\) este continuă, cu densitatea \(f_Z(z)=\displaystyle\int_{-\infty}^{+\infty}f_X(x)\,f_Y(z-x)\dd x\).
Media și varianța sumei le cunoaștem deja; repartiția completă se obține prin convoluție.
Demonstrație.
■
Interpretare discretă: pentru a obține suma \(z\), prima variabilă ia o valoare \(x\), iar a doua trebuie să ia exact \(z-x\); sumăm după toate valorile posibile \(x\).
Fie \(X\sim\Pois(\lambda)\) și \(Y\sim\Pois(\mu)\) independente. Pentru \(n\ge0\), cu formula de convoluție și binomul lui Newton, \[ \PP(X+Y=n)=\sum_{k=0}^n e^{-\lambda}\frac{\lambda^k}{k!}\,e^{-\mu}\frac{\mu^{n-k}}{(n-k)!}=\frac{e^{-(\lambda+\mu)}}{n!}\sum_{k=0}^n\binom nk\lambda^k\mu^{n-k}=e^{-(\lambda+\mu)}\frac{(\lambda+\mu)^n}{n!}, \] deci \(X+Y\sim\Pois(\lambda+\mu)\).
Împreună cu descompunerea din Exemplul 3: sumele de variabile Poisson independente sunt Poisson, iar o variabilă Poisson „subțiată” aleator se descompune în variabile Poisson independente. Mai mult, \(X\mid X+Y=n\sim\Bin\big(n,\frac{\lambda}{\lambda+\mu}\big)\) (exercițiu).
Fie \(X,Y\sim\Exp(\lambda)\) independente. \(f_X(x)f_Y(z-x)\) este nenulă doar pentru \(x>0\) și \(z-x>0\), deci pentru \(z>0\), \[ f_{X+Y}(z)=\int_0^z\lambda e^{-\lambda x}\,\lambda e^{-\lambda(z-x)}\dd x=\lambda^2e^{-\lambda z}\int_0^z\dd x=\lambda^2z\,e^{-\lambda z}, \] adică \(X+Y\sim\GammaD(2,\lambda)\). Prin inducție, dacă \(X_1,\dots,X_n\sim\Exp(\lambda)\) sunt independente, \[ X_1+\dots+X_n\sim\GammaD(n,\lambda),\qquad f(z)=\frac{\lambda^n z^{n-1}}{(n-1)!}e^{-\lambda z},\ z>0 . \] Interpretare: dacă duratele dintre sosirile succesive sunt \(\Exp(\lambda)\) independente, momentul sosirii celui de-al \(n\)-lea client este \(\GammaD(n,\lambda)\).
Dacă \(X\sim\Norm(\mu_1,\sigma_1^2)\) și \(Y\sim\Norm(\mu_2,\sigma_2^2)\) sunt independente, atunci \(X+Y\sim\Norm(\mu_1+\mu_2,\ \sigma_1^2+\sigma_2^2)\). Mai general, orice combinație liniară \(a_1X_1+\dots+a_nX_n+b\) de variabile normale independente este normală.
Media și varianța sumei rezultă, desigur, și direct din liniaritatea mediei și din Propoziția 34; noutatea propoziției este că suma rămâne normală. Acest fapt va fi esențial în statistică (Cursul 8), de exemplu pentru repartiția mediei de selecție \(\Xbar\) a unui eșantion normal.
Demonstrație. Arătăm cazul \(X,Y\sim\Norm(0,1)\) (cazul general: prin transformări afine). Cu identitatea \(x^2+(z-x)^2=2\big(x-\frac z2\big)^2+\frac{z^2}{2}\), \[ f_{X+Y}(z)=\int_{\R}\frac{1}{2\pi}e^{-\frac{x^2+(z-x)^2}{2}}\dd x=\frac{1}{2\pi}e^{-\frac{z^2}{4}}\int_{\R} e^{-(x-z/2)^2}\dd x=\frac{1}{2\pi}e^{-\frac{z^2}{4}}\sqrt\pi=\frac{1}{\sqrt{2\pi\cdot2}}e^{-\frac{z^2}{2\cdot2}}, \] adică densitatea \(\Norm(0,2)\).■
Un lot de 5 tranzistori conține 2 defecți. Tranzistorii sunt testați unul câte unul, într-o ordine aleatoare, până când ambii tranzistori defecți sunt identificați (un tranzistor poate fi identificat și prin deducție, fără a fi testat). Fie \(N_1\) numărul de teste până la identificarea primului defect și \(N_2\) numărul de teste suplimentare până la identificarea celui de-al doilea.
\[ \begin{array}{c|cccc|c} N_1\backslash N_2 & 0 & 1 & 2 & 3 & \Sigma\\ \hline 1 & 0 & 1/10 & 1/10 & 2/10 & 4/10\\ 2 & 0 & 1/10 & 2/10 & 0 & 3/10\\ 3 & 1/10 & 2/10 & 0 & 0 & 3/10\\ \hline \Sigma & 1/10 & 4/10 & 3/10 & 2/10 & 1 \end{array} \]
Marginalele: \[ N_1\sim\begin{pmatrix}1&2&3\\ \frac4{10}&\frac3{10}&\frac3{10}\end{pmatrix},\qquad N_2\sim\begin{pmatrix}0&1&2&3\\ \frac1{10}&\frac4{10}&\frac3{10}&\frac2{10}\end{pmatrix}. \] b) Nu: \(\PP(N_1=1,N_2=0)=0\ne\PP(N_1=1)\PP(N_2=0)=0.04\).
Vectorul aleator \((X,Y)\) are repartiția comună \[ \begin{array}{c|ccc} X\backslash Y & 2 & 4 & 6\\ \hline 0 & 0.1 & 0.2 & 0.1\\ 1 & 0.1 & 0.1 & 0.1\\ 2 & 0.1 & 0.1 & 0\\ 3 & 0.05 & 0 & 0.05 \end{array} \] a) Determinați repartițiile marginale, \(\E[Y]\) și \(\Var(Y)\). b) Determinați repartițiile condiționate \(Y\mid X=1\) și \(X\mid Y=4\). c) Determinați \(\E[Y\mid X]\) și \(\Var(Y\mid X)\) și verificați legea varianței totale. d) Calculați coeficientul de corelație \(\rho(X,Y)\).
Sumând pe linii, respectiv pe coloane, \[ X\sim\begin{pmatrix}0&1&2&3\\ 0.4&0.3&0.2&0.1\end{pmatrix},\qquad Y\sim\begin{pmatrix}2&4&6\\ 0.35&0.4&0.25\end{pmatrix}. \] \(\E[Y]=0.7+1.6+1.5=3.8\), \(\E[Y^2]=1.4+6.4+9=16.8\), deci \(\Var(Y)=16.8-3.8^2=2.36\).
Normalizăm linia \(x=1\) (suma \(0.3\)), respectiv coloana \(y=4\) (suma \(0.4\)): \[ Y\mid X=1\sim\begin{pmatrix}2&4&6\\ \frac13&\frac13&\frac13\end{pmatrix},\qquad X\mid Y=4\sim\begin{pmatrix}0&1&2&3\\ \frac12&\frac14&\frac14&0\end{pmatrix}. \]
Legea lui Eve: \(\E[\Var(Y\mid X)]=0.2+0.8+0.8+0.4=2.2\) și \(\Var(\E[Y\mid X])=9\cdot0.2+16\cdot0.8-3.8^2=0.16\), iar suma lor este \(2.36=\Var(Y)\). Legea lui Adam: \(\E[\E[Y\mid X]]=0.6+3.2=3.8=\E[Y]\).
Q <- matrix(c(.1, .2, .1, .1, .1, .1, .1, .1, 0, .05, 0, .05), 4, byrow = TRUE)
xq <- 0:3; yq <- c(2, 4, 6); pXq <- rowSums(Q); pYq <- colSums(Q)
m <- (Q %*% yq) / pXq; v <- (Q %*% yq^2) / pXq - m^2 # E[Y|X=x], Var(Y|X=x)
c(EVar = sum(v * pXq), VarE = sum(m^2 * pXq) - sum(yq * pYq)^2) # 2.2 și 0.16
#> EVar VarE
#> 2.20 0.16Vectorul aleator \((X,Y)\) are densitatea \[ f_{X,Y}(x,y)=\begin{cases}k(x+y+1),& x\in[0,1],\ y\in[0,2],\\ 0,&\text{altfel.}\end{cases} \] a) Determinați constanta \(k\). b) Determinați densitățile marginale. Sunt \(X\) și \(Y\) independente? c) Determinați funcțiile de repartiție \(F_X\), \(F_Y\) și \(F_{X,Y}\). d) Determinați densitățile condiționate \(f_{X\mid Y}\) și \(f_{Y\mid X}\). e) Calculați \(\E[X\mid Y]\) și \(\Var(X\mid Y)\). f) Calculați coeficientul de corelație \(\rho(X,Y)\).
Din \(f_{X,Y}\ge0\), \(k\ge0\); din normalizare \[ 1=\int_0^1\!\!\int_0^2k(x+y+1)\dd y\dd x=k\int_0^1\Big(xy+\frac{y^2}{2}+y\Big)\Big|_0^2\dd x=k\int_0^1(2x+4)\dd x=5k, \] deci \(k=\frac15\).
Pentru \(x\in[0,1]\), \(f_X(x)=\int_0^2\frac{x+y+1}{5}\dd y=\frac{2x+4}{5}\); pentru \(y\in[0,2]\), \(f_Y(y)=\int_0^1\frac{x+y+1}{5}\dd x=\frac{1}{5}\big(\frac12+y+1\big)=\frac{2y+3}{10}\) (zero în rest).
Cum \(f_X(x)f_Y(y)=\frac{(2x+4)(2y+3)}{50}\ne\frac{x+y+1}{5}\) (în \((0,0)\): \(\frac{12}{50}\ne\frac15\)), \(X\) și \(Y\) nu sunt independente.
Momentele se verifică prin integrare numerică dublă (funcția I2, definită la începutul cursului):
f <- function(x, y) (x + y + 1) / 5
m <- sapply(list(function(x, y) x, function(x, y) y, function(x, y) x^2,
function(x, y) y^2, function(x, y) x * y),
function(g) I2(function(x, y) g(x, y) * f(x, y), 0, 1, 0, 2))
names(m) <- c("EX", "EY", "EX2", "EY2", "EXY"); MASS::fractions(m)
#> EX EY EX2 EY2 EXY
#> 8/15 17/15 11/30 8/5 3/5
(m["EXY"] - m["EX"] * m["EY"]) / sqrt((m["EX2"] - m["EX"]^2) * (m["EY2"] - m["EY"]^2))
#> EXY
#> -0.02759Se aleg la întâmplare și independent două numere din \([0,1]\). Care este probabilitatea ca suma lor să nu depășească 1, iar produsul lor să nu depășească \(2/9\)?
\(X,Y\sim\Unif(0,1)\) independente: \((X,Y)\) este uniform în pătratul unitate și \(\PP\big(X+Y\le1,\ XY\le\frac29\big)=\mathrm{Aria}(A)\), \(A=\big\{(x,y)\in[0,1]^2\mid x+y\le1,\ xy\le\frac29\big\}\).
Dreapta \(x+y=1\) și hiperbola \(xy=\frac29\) se intersectează când \((1-y)y=\frac29\), adică \(9y^2-9y+2=0\): \(y=\frac13\) și \(y=\frac23\).

Între abscisele \(\frac13\) și \(\frac23\) hiperbola se află sub dreaptă, iar în afara lor dreapta se află sub hiperbolă. Împărțim \(A\) în trei părți, după \(x\):
Prin urmare \[ \PP\Big(X+Y\le1,\ XY\le\frac29\Big)=\frac5{18}+\frac1{18}+\frac29\ln2=\frac13+\frac29\ln2\approx0.4874 . \]
Fie \(X,Y\sim\Norm(0,1)\) independente, \(M=\max(X,Y)\) și \(L=\min(X,Y)\). Arătați că \(\rho(M,L)=\dfrac{1}{\pi-1}\).
Observăm că \(M+L=X+Y\) și \(M-L=|X-Y|\).
Mediile. \(\E[M]+\E[L]=\E[X]+\E[Y]=0\). Cum \(X-Y\sim\Norm(0,2)\) (Propoziția 43), \(X-Y=\sqrt2Z\) cu \(Z\sim\Norm(0,1)\) și \(\E|Z|=\sqrt{2/\pi}\), deci \(\E[M]-\E[L]=\E|X-Y|=\sqrt2\sqrt{2/\pi}=\frac{2}{\sqrt\pi}\): \(\E[M]=\frac1{\sqrt\pi}\), \(\E[L]=-\frac1{\sqrt\pi}\).
Covarianța. \(ML=XY\) (produsul nu depinde de ordine), deci \(\E[ML]=\E[X]\E[Y]=0\) și \(\Cov(M,L)=0-\E[M]\E[L]=\frac1\pi\).
Varianțele. \((X,Y)\) și \((-X,-Y)\) au aceeași repartiție și \(\max(X,Y)=-\min(-X,-Y)\), deci \(M\) și \(-L\) au aceeași repartiție: \(\Var(M)=\Var(L)\). Din \(\Var(M+L)=\Var(X+Y)=2\) și proprietatea f) a covarianței, \(\Var(M)+\Var(L)+2\Cov(M,L)=2\), deci \(2\Var(M)=2-\frac2\pi\), adică \(\Var(M)=\Var(L)=1-\frac1\pi\). Rezultă \[ \rho(M,L)=\frac{\Cov(M,L)}{\sqrt{\Var(M)\Var(L)}}=\frac{1/\pi}{1-1/\pi}=\frac{1}{\pi-1}\approx0.467 . \]
Fie \(X,Y\sim\Unif(0,1)\) independente, \(M=\max(X,Y)\) și \(L=\min(X,Y)\). Calculați \(\E[M]\), \(\E[L]\), \(\Cov(M,L)\) și \(\rho(M,L)\).
Aceeași idee. Din \(M+L=X+Y\), \(\E[M]+\E[L]=1\); din \(M-L=|X-Y|\) și Exemplul 13, \(\E[M]-\E[L]=\frac13\). Deci \(\E[M]=\frac23\), \(\E[L]=\frac13\).
Cum \(ML=XY\), \(\E[ML]=\frac14\), deci \(\Cov(M,L)=\frac14-\frac23\cdot\frac13=\frac1{36}\).
Varianțe: \(F_M(t)=\PP(X\le t,Y\le t)=t^2\) pe \([0,1]\), \(f_M(t)=2t\), \(\E[M^2]=\int_0^12t^3\dd t=\frac12\), \(\Var(M)=\frac12-\frac49=\frac1{18}\). Prin simetrie (\(1-L=\max(1-X,1-Y)\)), \(\Var(L)=\frac1{18}\). Așadar \(\rho(M,L)=\frac{1/36}{1/18}=\frac12\).
Vectorul \((X,Y)\) are densitatea \(f_{X,Y}(x,y)=e^{-y}\) pentru \(0<x<y\) și \(0\) în rest. a) Verificați că \(f_{X,Y}\) este o densitate și determinați densitățile marginale. b) Determinați \(f_{X\mid Y}\), \(f_{Y\mid X}\) și mediile condiționate corespunzătoare. c) Calculați \(\Cov(X,Y)\) și \(\rho(X,Y)\).
\(f_{X,Y}\ge0\) și \(\int_0^\infty\!\int_0^ye^{-y}\dd x\dd y=\int_0^\infty ye^{-y}\dd y=1\). Pentru \(x>0\), \(f_X(x)=\int_x^\infty e^{-y}\dd y=e^{-x}\): \(X\sim\Exp(1)\); pentru \(y>0\), \(f_Y(y)=\int_0^ye^{-y}\dd x=ye^{-y}\): \(Y\sim\GammaD(2,1)\). Nu sunt independente (suportul \(\{0<x<y\}\) nu este un dreptunghi).
Pentru \(y>0\): \(f_{X\mid Y}(x\mid y)=\frac{e^{-y}}{ye^{-y}}=\frac1y\) pe \(0<x<y\), adică \(X\mid Y=y\sim\Unif(0,y)\) și \(\E[X\mid Y]=\frac Y2\). Pentru \(x>0\): \(f_{Y\mid X}(y\mid x)=\frac{e^{-y}}{e^{-x}}=e^{-(y-x)}\) pe \(y>x\), adică \(Y-x\mid X=x\sim\Exp(1)\) (exponențială „deplasată”) și \(\E[Y\mid X]=X+1\).
\(\E[X]=1\), \(\Var(X)=1\), \(\E[Y]=2\), \(\Var(Y)=2\). Cu legea lui Adam și proprietatea c) din Teorema 28, \[ \E[XY]=\E\big[\E[XY\mid X]\big]=\E\big[X\,\E[Y\mid X]\big]=\E[X^2]+\E[X]=2+1=3, \] deci \(\Cov(X,Y)=3-1\cdot2=1\) și \(\rho(X,Y)=\frac1{\sqrt{1\cdot2}}=\frac{1}{\sqrt2}\approx0.707\).
Fie \(N\sim\Pois(\lambda)\) și \(X\mid N=n\sim\Bin(n,p)\) (Exemplul 3). Calculați \(\E[X]\) și \(\Var(X)\) cu legile lui Adam și Eve, apoi \(\Cov(N,X)\) și \(\rho(N,X)\).
\(\E[X\mid N]=Np\), \(\Var(X\mid N)=Np(1-p)\). Cu Adam și Eve, \(\E[X]=\E[Np]=\lambda p\), \(\Var(X)=\E[Np(1-p)]+\Var(Np)=\lambda p(1-p)+p^2\lambda=\lambda p\), în acord cu \(X\sim\Pois(\lambda p)\).
Pentru covarianță scriem \(N=X+Y\), unde \(Y=N-X\) este independentă de \(X\) (Exemplul 3); atunci \(\Cov(N,X)=\Cov(X,X)+\Cov(Y,X)=\Var(X)=\lambda p\).
Alternativ, fără a folosi independența: \(\E[NX]=\E[N\,\E[X\mid N]]=p\E[N^2]=p(\lambda+\lambda^2)\), deci \(\Cov(N,X)=p\lambda+p\lambda^2-\lambda\cdot\lambda p=\lambda p\). În final, \[ \rho(N,X)=\frac{\lambda p}{\sqrt{\lambda\cdot\lambda p}}=\sqrt p . \]
Probabilitatea de succes \(P\) a unui experiment este necunoscută, modelată ca \(P\sim\Unif(0,1)\). Știind \(P=p\), efectuăm \(n\) repetiții independente; \(X\) = numărul de succese, \(X\mid P=p\sim\Bin(n,p)\).
Formula probabilității totale (\(X\) discretă, \(P\) continuă) și integrala Beta \(\int_0^1p^k(1-p)^{n-k}\dd p=\frac{k!\,(n-k)!}{(n+1)!}\): \[ \PP(X=k)=\int_0^1\PP(X=k\mid P=p)f_P(p)\dd p=\binom nk\int_0^1p^k(1-p)^{n-k}\dd p=\frac{n!}{k!(n-k)!}\cdot\frac{k!(n-k)!}{(n+1)!}=\frac1{n+1}. \] Toate numerele de succese sunt egal probabile.
Numărul de daune raportate într-un an este \(N\sim\Pois(20)\), iar valorile daunelor (în mii de lei) sunt \(X_1,X_2,\dots\sim\Unif(0,10)\), independente între ele și de \(N\). Fie \(T=\sum_{i=1}^NX_i\). Calculați \(\E[T]\), \(\Var(T)\) și \(\Cov(N,T)\).
\(\E[X_1]=5\), \(\Var(X_1)=\frac{100}{12}=\frac{25}3\), \(\E[N]=\Var(N)=20\). Cu Propoziția 30, \[ \E[T]=20\cdot5=100,\qquad \Var(T)=20\cdot\frac{25}3+25\cdot20=\frac{2000}{3}\approx666.7, \] abaterea standard fiind \(\sqrt{2000/3}\approx25.8\) mii lei. Apoi \(\E[NT]=\E\big[N\,\E[T\mid N]\big]=5\E[N^2]=5(20+400)=2100\), deci \(\Cov(N,T)=2100-20\cdot100=100\) (în general, \(\Cov(N,T)=\E[X_1]\Var(N)\)).
Primul termen al varianței (\(500/3\)) provine din variabilitatea valorilor daunelor, al doilea (\(500\)) din variabilitatea numărului de daune: incertitudinea asupra lui \(N\) domină.
Randamentele \(X\) și \(Y\) a două active au \(\Var(X)=1\), \(\Var(Y)=4\) și \(\rho(X,Y)=-0.5\). a) Calculați \(\Var(2X-Y+3)\). b) Un investitor plasează fracțiunea \(a\in[0,1]\) din capital în primul activ și \(1-a\) în al doilea: \(R_a=aX+(1-a)Y\). Determinați \(a\) care minimizează \(\Var(R_a)\) și varianța minimă.
\(\Cov(X,Y)=\rho\,\sigma_X\sigma_Y=-0.5\cdot1\cdot2=-1\).
\(\Var(2X-Y+3)=4\Var(X)+\Var(Y)-2\cdot2\Cov(X,Y)=4+4+4=12\).
\(\Var(R_a)=a^2+4(1-a)^2-2a(1-a)\). Derivând, \(2a-8(1-a)-2(1-2a)=14a-10=0\), deci \(a^*=\frac57\) (minim, coeficientul lui \(a^2\) fiind \(7>0\)), cu \(\Var(R_{a^*})=\frac{25}{49}+4\cdot\frac{4}{49}-2\cdot\frac57\cdot\frac27=\frac{21}{49}=\frac37\approx0.43\) — mai mică decât varianța oricăruia dintre active.
Fie \((X,Y)\sim\Unif(D)\), \(D\) discul de rază \(r\) centrat în origine, și \(R=\sqrt{X^2+Y^2}\). a) Determinați funcția de repartiție și densitatea lui \(R\), apoi \(\E[R]\) și \(\Var(R)\). b) Calculați \(\Var(X)\) și \(\Cov(X,Y)\). Sunt \(X\) și \(Y\) necorelate? Dar independente?
Probabilități și Statistică · Cursul 6 — Vectori aleatori