Seminarul 2. F.g.m., vectori aleatori, transformări și teoreme limită

Statistică · Seminarul 2 (seminar și laborator) · Fișă de lucru (fără rezolvări)

Alexandru Amărioarei

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

Planul seminarului și laboratorului

Statisticile cu care vom lucra tot semestrul — suma și media unui eșantion, minimul și maximul, rapoarte de tip „semnal/zgomot” — sunt funcții ale unui vector aleator, iar comportarea lor pentru eșantioane mari este descrisă de LNM și de TLC. Exersăm instrumentele din partea a doua a Cursul 1.

Obiective și teme.

  • F.g.m.: calcul, momente, recunoașterea unei repartiții, f.g.m. a unei sume de variabile independente.
  • Vectori aleatori: repartiții marginale, independență, covarianțe și coeficienți de corelație.
  • Transformări de vectori aleatori: convoluție, metoda funcției de repartiție, schimbarea de variabilă cu o variabilă auxiliară; independența noilor variabile.
  • LNM, TLC, aproximări și lema lui Slutsky: inegalitatea lui Cebîșev, aplicații continue, verificarea ipotezelor, calcule aproximative cu și fără corecție de continuitate.
  • În R: simularea vectorilor aleatori, estimarea probabilităților, covarianțelor și corelațiilor, verificarea unei densități (integrate, ecdf, histogramă), ilustrarea LNM și a TLC.

Fiecare exercițiu: Seminar rezolvarea matematică, apoi Laborator rezolvarea în R.

Planul ședinței

De rezolvat la seminar (în această ordine):

  • Exercițiul 1 (b)–(d) — f.g.m.: momente și recunoașterea repartițiilor;
  • Exercițiul 3 — un vector aleator: marginale, independență, covarianță;
  • Exercițiul 6 (a), (b), (d) — schimbarea de variabilă cu o variabilă auxiliară;
  • Exercițiul 9 — volumul unui sondaj: Cebîșev, TLC și lema lui Slutsky.

Dacă timpul permite: Exercițiul 2 (f.g.m. a unei sume), Exercițiul 5 (convoluție și raport), Exercițiul 8 (corecția de continuitate).

Pentru acasă: Exercițiile 4, 7 și 10; exercițiile suplimentare 11, 12, 13; tema.

Rezolvările complete vor fi publicate ulterior. Scheletele de cod R: în fișa de lucru.

Breviar: funcția generatoare de momente

Notații: \(S_n=X_1+\dots+X_n\), \(\Xbar=S_n/n\); \(\Phi\) este funcția de repartiție a repartiției \(\Norm(0,1)\), iar \(z_p=\Phi^{-1}(p)\) cuantila ei de ordin \(p\): \(z_{0.95}\approx1.645\), \(z_{0.975}\approx1.96\) (în R, qnorm(p)).

Rezultate din curs folosite azi
  • F.g.m. (Definiția 30 din Cursul 1): \(M_X(t)=\E[e^{tX}]\); \(X\) admite f.g.m. dacă \(M_X<\infty\) pe un interval \((-h,h)\), \(h>0\). Atunci \(\E[X^k]=M_X^{(k)}(0)\) și \(M_X(t)=\sum_{k\ge0}\E[X^k]\,t^k/k!\) pentru \(|t|<h\) (Teorema 32 din Cursul 1), iar f.g.m. determină repartiția (Teorema 33 din Cursul 1).
  • \(M_{a+bX}(t)=e^{at}M_X(bt)\) (Lema 31 din Cursul 1); pentru \(X_1,\dots,X_n\) independente, \(M_{X_1+\dots+X_n}=\prod_iM_{X_i}\), iar pentru i.i.d., \(M_{S_n}=M^n\) (Propoziția 46 din Cursul 1).
  • F.g.m. uzuale (Exemplele 21 din Cursul 1 și 22 din Cursul 1), cu \(q=1-p\) și \(\Exp(\lambda)=\GammaD(1,\lambda)\):

\[ \begin{array}{lllll} \Geom(p): & \dfrac{pe^t}{1-qe^t},\ \ t<-\ln q; &\quad& \Pois(\lambda): & e^{\lambda(e^t-1)},\ \ t\in\R;\\[3mm] \GammaD(\alpha,\lambda): & \Big(\dfrac{\lambda}{\lambda-t}\Big)^{\alpha},\ \ t<\lambda; && \Norm(\mu,\sigma^2): & e^{\mu t+\sigma^2t^2/2},\ \ t\in\R . \end{array} \]

Breviar: vectori aleatori și covarianță

Rezultate din curs folosite azi (continuare)
  • Vectori aleatori. Marginalele: \(f_X(x)=\int_{\R}f_{(X,Y)}(x,y)\dd y\), respectiv \(p_X(x)=\sum_yp_{(X,Y)}(x,y)\) (Propoziția 36 din Cursul 1). \(X\) și \(Y\) sunt independente dacă \(F_{(X,Y)}(x,y)=F_X(x)F_Y(y)\) pentru orice \((x,y)\) (Definiția 37 din Cursul 1); echivalent, dacă masa sau densitatea comună este produsul marginalelor; dacă densitatea comună este un produs \(a(u)\,b(v)\) pe tot spațiul, atunci \(U\) și \(V\) sunt independente, cu densitățile proporționale cu \(a\) și \(b\) (Propoziția 38 din Cursul 1).
  • Funcții de blocuri disjuncte de v.a. independente sunt independente (Propoziția 39 din Cursul 1), iar pentru \(X\), \(Y\) independente, \(\E[g(X)h(Y)]=\E[g(X)]\,\E[h(Y)]\) (Propoziția 40 din Cursul 1).
  • Covarianța (Definiția 41 din Cursul 1, Propoziția 42 din Cursul 1): \(\Cov(X,Y)=\E[XY]-\E X\,\E Y\) este biliniară; \(\Var(\sum_iX_i)=\sum_i\Var X_i+2\sum_{i<j}\Cov(X_i,X_j)\); independența implică necorelarea (nu și invers); \(|\rho(X,Y)|\le1\).
  • Pentru v.a. i.i.d. cu media \(\mu\) și varianța \(\sigma^2\): \(\E[\Xbar]=\mu\), \(\Var(\Xbar)=\sigma^2/n\) (Corolarul 43 din Cursul 1).

Breviar: transformări de vectori aleatori

Rezultate din curs folosite azi (continuare)
  • Transformări de vectori aleatori (Secțiunea 7.5 din Cursul 1). Metoda funcției de repartiție: \(F_{g(X,Y)}(z)=\iint_{\{g(x,y)\le z\}}f_{(X,Y)}(x,y)\dd x\dd y\); dacă \(F\) este continuă și de clasă \(C^1\) pe porțiuni, densitatea este \(F'\) (Lema 16 din Cursul 1).
  • Pentru \(X\), \(Y\) independente, cu densități (Propozițiile 50 din Cursul 1 și 51 din Cursul 1): \[ \begin{aligned} f_{X+Y}(z)&=\int_{\R}f_X(x)\,f_Y(z-x)\dd x, &\qquad f_{X/Y}(z)&=\int_{\R}|y|\,f_X(zy)\,f_Y(y)\dd y,\\ F_{\max(X,Y)}&=F_XF_Y, & 1-F_{\min(X,Y)}&=(1-F_X)(1-F_Y). \end{aligned} \]
  • Schimbarea de variabilă (Teorema 52 din Cursul 1): dacă \(\PP(X\in S)=1\) și \(h:S\to\R^d\) este injectivă, de clasă \(C^1\), cu \(J_h\ne0\) pe mulțimea deschisă \(S\), atunci \(Y=h(X)\) are densitatea \(f_Y(y)=f_X\big(h^{-1}(y)\big)\,|J_{h^{-1}}(y)|\,\Ind_{h(S)}(y)\).
  • Pentru o singură funcție \(U=g_1(X,Y)\) adăugăm o variabilă auxiliară \(V=g_2(X,Y)\), calculăm \(f_{(U,V)}\) și integrăm în \(v\).

Breviar: convergențe și teoreme limită

Rezultate din curs folosite azi (continuare)
  • Convergențe (Definiția 55 din Cursul 1, Teorema 56 din Cursul 1): \(\asto\ \Rightarrow\ \pto\ \Rightarrow\ \dto\), iar \(X_n\dto c\) (constantă) \(\Rightarrow X_n\pto c\). Aplicații continue (Teorema 57 din Cursul 1): dacă \(g\) este continuă în afara unei mulțimi \(D_g\) cu \(\PP(X\in D_g)=0\), atunci \(g(X_n)\to g(X)\) în același sens în care \(X_n\to X\). Slutsky (Teorema 58 din Cursul 1): dacă \(X_n\dto X\) și \(Y_n\pto c\) (constantă), atunci \(X_n+Y_n\dto X+c\) și \(Y_nX_n\dto cX\).
  • Cebîșev, LNM, TLC. \(\PP(|X-\E X|\ge\varepsilon)\le\Var(X)/\varepsilon^2\) (Propoziția 26(b) din Cursul 1). Pentru \(X_i\) i.i.d. cu media \(\mu\) și varianța \(\sigma^2\): \(\PP(|\Xbar-\mu|\ge\varepsilon)\le\sigma^2/(n\varepsilon^2)\), deci \(\Xbar\pto\mu\) (Teorema 60 din Cursul 1); dacă doar \(\E|X_1|<\infty\), \(\Xbar\asto\mu\) (Teorema 61 din Cursul 1). Dacă \(\sigma^2\in(0,\infty)\), \(\sqrt n(\Xbar-\mu)/\sigma\dto\Norm(0,1)\) (Teorema 64 din Cursul 1), deci \(S_n\approx\Norm(n\mu,n\sigma^2)\) și \(\Xbar\approx\Norm(\mu,\sigma^2/n)\). Pentru \(S_n\sim\Bin(n,p)\) (Corolarul 65 din Cursul 1) și \(k\) întreg, corecția de continuitate: \(\PP(S_n\le k)\approx\Phi\big((k+0.5-np)/\sqrt{np(1-p)}\big)\).
  • Curtiss (Teorema 63 din Cursul 1): dacă \(M_{X_n}(t)\to M_X(t)<\infty\) pentru orice \(t\in(-h,h)\), atunci \(X_n\dto X\); limita se obține de obicei din \((1+a_n/n)^n\to e^a\) pentru \(a_n\to a\) (Lema 62 din Cursul 1).

Breviar: instrumentele R ale ședinței

Instrumente R folosite azi
  • Parametrizări-capcană. geom și nbinom numără eșecurile: pentru \(X\sim\Geom(p)\), \(\PP(X=k)\) este dgeom(k - 1, p), iar rgeom(n, p) + 1 generează valori ale lui \(X\); pentru \(\NBin(r,p)\), dnbinom(k - r, r, p). exp și gamma folosesc rata, norm folosește abaterea standard.
  • replicate(B, expr) — repetă de B ori o simulare; matrix(v, nrow = B) cu rowMeans, colSums — B eșantioane pe linii (sau pe coloane) și mediile (sumele) lor.
  • cbind(X = x, Y = y) — realizările unui vector aleator, câte una pe linie; colMeans, cov, cor — mediile, matricea de covarianță și matricea de corelație empirice.
  • integrate(f, a, b)$value — integrala numerică a lui f; uniroot(h, c(a, b))$root — o soluție a ecuației \(h(x)=0\) în \([a,b]\).
  • ecdf(x)(q) — proporția valorilor \(\le\) q; pmin, pmax — minimul și maximul pe componente; ifelse(cond, a, b) — funcții pe ramuri; cumsum(x) / (1:n) — mediile cumulate; hist(x, freq = FALSE), apoi curve(f(x), add = TRUE) — histograma normalizată și densitatea.

Eroarea Monte Carlo a unei frecvențe (\(B\) repetări): de ordinul \(\sqrt{p(1-p)/B}\le\frac{1}{2\sqrt B}\), cel mult \(0.0016\) pentru \(B=10^5\).

F.g.m.: calcul, momente, recunoașterea repartițiilor

F.g.m. a repartițiilor uniformă și binomială negativă

Exercițiul 1 (F.g.m. a repartițiilor uniformă și binomială negativă)

La seminar (a) Fie \(X\sim\Unif(a,b)\), \(a<b\). Pornind de la f.g.m. a lui \(X\), deduceți toate momentele \(\E[X^k]\), apoi \(\E[X]\) și \(\Var(X)\).

  1. Repartiția binomială negativă \(\NBin(r,p)\), \(r\in\N^*\), \(p\in(0,1)\), este repartiția numărului \(X\) de încercări independente necesare pentru a obține \(r\) succese, fiecare încercare fiind un succes cu probabilitatea \(p\): \(\PP(X=k)=\binom{k-1}{r-1}p^r(1-p)^{k-r}\), \(k\ge r\). Calculați \(M_X\), arătați că \(X\) are aceeași repartiție ca suma a \(r\) variabile independente \(\Geom(p)\) și deduceți \(\E[X]\) și \(\Var(X)\).

  2. Recunoașteți repartițiile variabilelor \(V\) și \(W\) cu f.g.m. \(M_V(t)=\big(\frac{0.2\,e^{t}}{1-0.8\,e^{t}}\big)^3\) (\(t<-\ln0.8\)) și \(M_W(t)=\frac{e^{t}}{(1-2t)^3}\) (\(t<1/2\)) și calculați \(\E[V]\), \(\Var(V)\), \(\PP(V=5)\), \(\E[W]\), \(\Var(W)\) și \(\PP(W\le5)\).

  3. În R: verificați valorile de la (c), calculând momentele lui \(V\) prin derivarea numerică a lui \(M_V\) și simulând \(V\) ca sumă de variabile geometrice.

F.g.m. a unei sume. Repartiția Laplace

Cele trei proprietăți ale f.g.m. (momente, unicitate, sume), folosite pentru a obține direct o convergență în repartiție — schema demonstrației TLC din Cursul 1.

Exercițiul 2 (F.g.m. a unei sume. Repartiția Laplace)

Dacă timpul permite Fie \(X_1,X_2,\dots\) i.i.d. cu densitatea \(f(x)=\frac12e^{-|x-\theta|}\), \(x\in\R\) (repartiția Laplace sau dublu exponențială), unde \(\theta\in\R\).

  1. Arătați că \(M_{X_1}(t)=\dfrac{e^{\theta t}}{1-t^2}\) pentru \(|t|<1\) și deduceți \(\E[X_1]\) și \(\Var(X_1)\).

  2. Fie \(E_1,E_2\) i.i.d. \(\Exp(1)\). Arătați că \(\theta+E_1-E_2\) are aceeași repartiție ca \(X_1\).

  3. Fie \(U_n=(S_n-n\theta)/\sqrt{2n}\). Calculați \(M_{U_n}\) și arătați direct, fără a folosi TLC, că \(U_n\dto\Norm(0,1)\).

  4. Pentru \(\theta=0\) și \(n=50\), aproximați \(\PP(|\Xbar|\le0.3)\) și verificați prin simulare, generând observațiile cu reprezentarea de la (b).

Vectori aleatori: marginale, independență, covarianță

Un vector cu densitatea exponențială pe un sector

Un eșantion este un vector aleator. Pașii standard: constanta de normare, marginalele, independența, covarianța.

Exercițiul 3 (Un vector cu densitatea exponențială pe un sector)

La seminar Vectorul aleator \((X,Y)\) are densitatea \(f(x,y)=c\,e^{-y}\) pentru \(0<x<y\) și \(f(x,y)=0\) în rest.

  1. Determinați constanta \(c\) și densitățile marginale; recunoașteți repartițiile lui \(X\) și \(Y\). Sunt \(X\) și \(Y\) independente?

  2. Calculați \(\Cov(X,Y)\), \(\rho(X,Y)\) și \(\PP(Y>2X)\).

  3. Fie \(D=Y-X\). Arătați că \(X\) și \(D\) sunt independente, cu repartiția \(\Exp(1)\), și regăsiți rezultatele de la (a) și (b).

  4. În R: simulați \(10^5\) realizări ale vectorului \((X,Y)\) cu reprezentarea dată de (c), estimați mediile, matricea de covarianță și corelațiile și reprezentați un nor de puncte. Ce observați despre raportul \(U=X/Y\)?

Subțierea unei variabile Poisson

Un fenomen surprinzător, specific repartiției Poisson; exersăm criteriul de factorizare în cazul discret.

Exercițiul 4 (Subțierea unei variabile Poisson)

Pentru acasă O găină depune un număr aleator \(N\sim\Pois(\lambda)\) de ouă (\(\lambda>0\)); fiecare ou eclozează cu probabilitatea \(p\in(0,1)\), independent de celelalte ouă și de \(N\). Fie \(X\) numărul de ouă din care ies pui și \(Y=N-X\) numărul celorlalte ouă; notăm \(q=1-p\).

  1. Arătați că \(\PP(X=k,Y=m)=\PP(N=k+m)\binom{k+m}{k}p^kq^m\) pentru \(k,m\ge0\) și deduceți că \(X\sim\Pois(\lambda p)\), \(Y\sim\Pois(\lambda q)\) și că \(X\) și \(Y\) sunt independente.

  2. Calculați \(\Cov(N,X)\) și \(\rho(N,X)\).

  3. Ce se schimbă dacă numărul de ouă este fix, \(N=n\)?

  4. În R: simulați modelul pentru \(\lambda=4\) și \(p=0.3\) și verificați (a) și (b).

Transformări de vectori aleatori

Semnal plus zgomot: o convoluție și un raport

Partea delicată nu este formula, ci domeniul: mulțimea pe care integrandul este nenul, imaginea transformării, forma mulțimii \(\{g\le z\}\).

Exercițiul 5 (Semnal plus zgomot: o convoluție și un raport)

Dacă timpul permite Un semnal de amplitudine \(X\sim\Unif(0,a)\), \(a>0\), este transmis printr-un canal care îi adaugă un zgomot pozitiv \(Y\sim\Exp(\lambda)\), independent de semnal. Receptorul înregistrează \(Z=X+Y\), iar calitatea transmisiei este măsurată de raportul semnal/zgomot \(Q=X/Y\).

  1. Determinați densitatea lui \(Z\) cu formula de convoluție și verificați că integrala ei este \(1\).

  2. Determinați funcția de repartiție și densitatea lui \(Q\). Are \(Q\) medie?

  3. Pentru \(a=2\) și \(\lambda=1\), calculați \(\PP(Z>3)\) și \(\PP(Q>1)\). Ce ecuație verifică mediana lui \(Q\)?

  4. În R: verificați numeric că densitatea de la (a) are integrala \(1\), comparați rezultatele de la (a)–(c) cu valori simulate și calculați mediana lui \(Q\).

Fracțiunea din timpul total: metoda variabilei auxiliare

Exercițiul 6 (Fracțiunea din timpul total: metoda variabilei auxiliare)

La seminar Un echipament pornește cu o componentă principală, înlocuită, la defectare, de o componentă de rezervă. Timpii lor de funcționare, \(X\) și \(Y\), sunt strict pozitivi, iar vectorul \((X,Y)\) are densitatea \(f\). Ne interesează fracțiunea \(Z=\dfrac{X}{X+Y}\) din timpul total de funcționare \(V=X+Y\) asigurată de componenta principală.

  1. Folosind variabila auxiliară \(V\), arătați că vectorul \((Z,V)\) are densitatea \(f_{(Z,V)}(z,v)=v\,f\big(zv,(1-z)v\big)\) pentru \(0<z<1\), \(v>0\) (și \(0\) în rest) și scrieți densitatea lui \(Z\).
  2. Fie \(X\sim\Exp(\lambda)\) și \(Y\sim\Exp(\mu)\) independente. Determinați densitatea și funcția de repartiție ale lui \(Z\). Pentru ce valori ale parametrilor sunt \(Z\) și \(V\) independente? Ce rezultă pentru raportul \(U\) din Exercițiul 3?
  3. Fie \(X\) și \(Y\) independente, \(\Unif(0,1)\). Determinați densitatea lui \(Z\). Sunt \(Z\) și \(V\) independente? Dar necorelate?
  4. În R: verificați prin simulare rezultatele de la (b), pentru \((\lambda,\mu)=(1,3)\) și \((\lambda,\mu)=(2,2)\), și pe cele de la (c); reprezentați norii de puncte \((z_i,v_i)\).

Distanța de la un colț al pătratului la un punct aleator

Metoda funcției de repartiție; pentru un vector uniform, probabilitatea este o arie.

Exercițiul 7 (Distanța de la un colț al pătratului la un punct aleator)

Pentru acasă Un senzor este montat într-un colț al unei încăperi pătrate cu latura \(1\), iar un obiect cade într-un punct \((X,Y)\) ales uniform în încăpere: cu senzorul în origine, \(X\) și \(Y\) sunt independente, \(\Unif(0,1)\). Fie \(D=\sqrt{X^2+Y^2}\) distanța de la senzor la obiect.

  1. Determinați funcția de repartiție a lui \(D\), descriind pentru fiecare \(r>0\) mulțimea punctelor din pătrat aflate la distanță cel mult \(r\) de origine.

  2. Deduceți densitatea lui \(D\) și densitatea lui \(D^2=X^2+Y^2\).

  3. Calculați \(\PP(D\le1)\), \(\PP(D>1.2)\) și mediana lui \(D\).

  4. În R: verificați (a)–(c) prin simulare, verificați numeric că \(f_D\) are integrala \(1\) și că \(\int r^2f_D(r)\dd r=\E[X^2]+\E[Y^2]\) și calculați distanța medie \(\E[D]\).

LNM, TLC, aproximări și lema lui Slutsky

Aproximarea normală și corecția de continuitate

Exercițiul 8 (Aproximarea normală și corecția de continuitate)

Dacă timpul permite (a) Notele obținute la un examen au media \(6.1\) și abaterea standard \(1.5\). Aproximați probabilitatea ca media notelor a \(38\) de studenți aleși la întâmplare (independent) să fie cel mult \(5.5\). (b) Timpul de așteptare al unui client la un ghișeu (măsurat într-o unitate de timp fixată) are media \(1.5\) și varianța \(1\). Aproximați probabilitatea ca timpul total de așteptare a \(100\) de clienți (independenți) să fie cel mult \(120\). (c) Fie \(Y\sim\Bin(25,0.4)\). Aproximați \(\PP(Y\le8)\) și \(\PP(Y=8)\), fără și cu corecție de continuitate. (d) O monedă echilibrată se aruncă de \(100\) de ori. Aproximați probabilitatea de a obține cel puțin \(55\) de steme. (e) În R: comparați aproximările de la (c) și (d) cu valorile exacte și cu frecvențele obținute din \(10^5\) simulări. Apoi, pentru \(S_n\sim\Bin(n,p)\), calculați eroarea maximă \(\max_k|\PP(S_n\le k)-\text{aproximare}|\) a aproximării normale (fără și cu corecție de continuitate) și a aproximării Poisson, pentru \(p\in\{0.3,\,0.05\}\) și \(n\in\{10,100,1000\}\).

Volumul unui sondaj. Cebîșev, TLC și Slutsky

Exercițiul 9 (Volumul unui sondaj. Cebîșev, TLC și Slutsky)

La seminar Pentru a estima proporția \(p\in(0,1)\) a alegătorilor care susțin o propunere, se intervievează \(n\) persoane alese independent; fie \(\hat p_n=S_n/n\) proporția răspunsurilor „da”, cu \(S_n\sim\Bin(n,p)\). Vrem ca \(\PP(|\hat p_n-p|\le0.03)\ge0.95\) oricare ar fi \(p\).

  1. Determinați un volum \(n\) suficient folosind inegalitatea lui Cebîșev.

  2. Determinați \(n\) folosind TLC. Verificați în R probabilitatea exactă pentru volumul găsit.

  3. Arătați că \(Z_n=\dfrac{\sqrt n(\hat p_n-p)}{\sqrt{\hat p_n(1-\hat p_n)}}\dto\Norm(0,1)\) și deduceți un interval aleator care conține \(p\) cu probabilitatea aproximativ \(0.95\). Aplicați pentru \(n=1068\) persoane, dintre care \(587\) au răspuns „da”.

  4. În R: calculați intervalul de la (c) și estimați prin simulare probabilitatea ca un astfel de interval să conțină \(p\), pentru \(p=0.55\) și \(n\in\{30,1068\}\).

Legea numerelor mari și TLC, văzute prin simulare

Ultimul exercițiu nu mai calculează nimic nou: el arată, prin simulare, cele două teoreme limită la lucru.

Exercițiul 10 (Legea numerelor mari și TLC, văzute prin simulare)

Pentru acasă Fie \(X_1,X_2,\dots\) i.i.d., cu media \(\mu\) și abaterea standard \(\sigma\in(0,\infty)\), \(p_n(\varepsilon)=\PP(|\Xbar-\mu|>\varepsilon)\) și \(Z_n=\sqrt n(\Xbar-\mu)/\sigma\).

  1. Pentru populația \(\Exp(1)\) și \(\varepsilon=0.1\), comparați, pentru \(n=100\) și \(n=500\), marginea dată de inegalitatea lui Cebîșev pentru \(p_n(\varepsilon)\), aproximarea dată de TLC și valoarea exactă.

  2. În R: simulați \(5\,000\) de traiectorii \(n\mapsto\bar x_n\), \(n\le1000\), ale mediilor unei populații \(\Exp(1)\), estimați \(p_n(0.1)\) prin frecvența traiectoriilor aflate în afara benzii \(1\pm0.1\) și comparați cu valorile de la (a).

  3. Calculați \(\mu\) și \(\sigma\) pentru populația lognormală (\(X=e^W\), cu \(W\sim\Norm(0,1)\)). În R: pentru populațiile \(\Unif(0,1)\), \(\Exp(1)\) și lognormală și pentru \(n\in\{5,30,200\}\), estimați din \(2\cdot10^4\) eșantioane simulate probabilitățile \(\PP(Z_n\le-1.645)\) și \(\PP(Z_n>1.645)\), pe care TLC le aproximează prin \(0.05\). Ce observați?

Exerciții suplimentare

Varianța combinațiilor liniare. Abaterile de la medie

Exercițiul 11 (Varianța combinațiilor liniare. Abaterile de la medie)

Pentru acasă (a) Randamentele \(X_1\), \(X_2\) a două active financiare au \(\Var(X_1)=1\), \(\Var(X_2)=4\) și \(\rho(X_1,X_2)=-0.5\). Calculați \(\Var(2X_1-X_2+3)\). Un investitor plasează fracțiunea \(a\in[0,1]\) din capital în primul activ; randamentul portofoliului este \(R_a=aX_1+(1-a)X_2\). Determinați \(a\) care minimizează \(\Var(R_a)\).

  1. Fie \(X_1,\dots,X_n\), \(n\ge2\), cu varianțe pozitive și \(\rho(X_i,X_j)=\rho\) pentru orice \(i\ne j\). Arătați că \(\rho\ge-\frac{1}{n-1}\).

  2. Fie \(Y_1,\dots,Y_n\) i.i.d. cu varianța \(\sigma^2>0\). Arătați că abaterile \(e_i=Y_i-\bar Y_n\) au exact corelația \(-\frac1{n-1}\) și deduceți că \(\E[S_n^2]=\sigma^2\), unde \(S_n^2=\frac{1}{n-1}\sum_{i=1}^n(Y_i-\bar Y_n)^2\).

  3. În R: regăsiți rezultatele de la (a) cu formula \(\Cov(A\bX+\mathbf b)=A\Sigma A^\top\) și verificați (c) prin simulare, pentru \(n=4\).

Primul sosit: autobuzul sau taxiul

Exercițiul 12 (Primul sosit: autobuzul sau taxiul)

Pentru acasă Un călător ajunge în stație și pleacă cu primul vehicul care sosește. Autobuzul sosește după un timp \(X\sim\Unif(0,1)\) (măsurat în ore: autobuzele trec din oră în oră, iar călătorul nu cunoaște orarul), iar un taxi liber trece după un timp \(Y\sim\Exp(\lambda)\), independent de \(X\). Fie \(T=\min(X,Y)\) timpul de așteptare și \(M=\max(X,Y)\) momentul până la care au trecut ambele vehicule.

  1. Determinați funcția de repartiție, densitatea și media lui \(T\).

  2. Calculați probabilitatea ca taxiul să sosească primul.

  3. Determinați densitatea și media lui \(M\).

  4. În R: verificați rezultatele prin simulare pentru \(\lambda=3\).

Serii de aruncări ale unei monede

Exercițiul 13 (Serii de aruncări ale unei monede)

Pentru acasă Se efectuează \(20\) de serii de câte \(400\) de aruncări ale unei monede echilibrate. Fie \(F_1,\dots,F_{20}\) frecvențele relative ale stemei în cele \(20\) de serii și \(N\) numărul de serii pentru care \(F_i\notin(0.45,\,0.55)\).

  1. Care este repartiția lui \(N\)? Aproximați parametrul ei cu TLC, fără și cu corecție de continuitate.

  2. Care dintre evenimentele \(\{N=0\}\), \(\{N=1\}\), \(\{N\ge2\}\) este cel mai probabil? Folosiți aproximarea Poisson.

  3. În R: calculați exact parametrul de la (a) și probabilitățile de la (b) și verificați-le prin simulare.

Temă (indicații și răspunsuri: în fișa de lucru)

  1. \(Y\sim\Bin(n,p)\), \(U_n=(Y-np)/\sqrt{np(1-p)}\): arătați, cu f.g.m. și teorema lui Curtiss (fără TLC), că \(U_n\dto\Norm(0,1)\); aproximați \(\PP(148\le Y\le159)\) pentru \(Y\sim\Bin(500,0.3)\).
  2. \((X,Y)\) are densitatea \(c\,xy\) pe \(\{0\le y\le x\le1\}\): \(c\), marginalele, \(\Cov(X,Y)\), \(\rho(X,Y)\); sunt \(X\) și \(Y\) independente? Verificați în R (\(X=U^{1/4}\), \(Y=X\sqrt V\), cu \(U,V\) i.i.d. \(\Unif(0,1)\)).
  3. \(\PP(X_n=n)=\frac1n\), \(\PP(X_n=0)=1-\frac1n\): \(X_n\pto0\) și \(X_n\dto0\), dar nu în \(L^1\). Pentru ce \(a>0\) șirul \(Y_n\), cu \(\PP(Y_n=n)=n^{-a}\) și \(\PP(Y_n=0)=1-n^{-a}\), converge la \(0\) în medie pătratică?
  4. \(W=UY\), cu \(U\sim\Unif(0,1)\) independentă de \(Y\sim\GammaD(2,\lambda)\): densitatea vectorului \((W,Y)\) (variabila auxiliară \(Y\)); \(W\sim\Exp(\lambda)\); comparați, pentru \(\lambda=1\), cu Exercițiul 3.
  5. \(X\), \(Y\) i.i.d. \(\Exp(\lambda)\): densitatea comună a lui \((X+Y,\,X-Y)\); necorelate, dar dependente (în R: nor de puncte).
  6. (Suprarezervare) \(200\) de locuri, prezentare cu probabilitatea \(0.9\): cel mai mare număr de bilete vândute cu \(\PP(\text{locurile nu ajung})\le0.05\) — aproximarea normală cu corecție de continuitate și exact (pbinom).
  7. \(X_i\) i.i.d. \(\Exp(\lambda)\): limitele aproape sigure ale șirurilor \(A_n=\sum_iX_i^2\big/\sum_iX_i\) și \(B_n=n\sum_iX_i^2\big/\big(\sum_iX_i\big)^2\); un șir \(\hat\lambda_n\asto\lambda\) construit din \(C_n=\frac1n\sum_ie^{-X_i}\).
  8. (R) Pareto, \(f(x)=1.5\,x^{-2.5}\), \(x\ge1\): \(\E[X_1]=3\), \(\Var(X_1)=\infty\); \(20\) de traiectorii \(n\mapsto\bar x_n\), \(n\le10^4\), și histograma lui \(\sqrt n(\Xbar-3)\) pentru \(n=1000\): ce rezultat limită se aplică?

Bibliografie

Pentru aprofundare: (Casella and Berger 2002, cap. 4–5), (Hogg et al. 2019, cap. 2 și 5), (Knight 2000, cap. 2–3).

Casella, George, and Roger L. Berger. 2002. Statistical Inference. 2nd ed. Duxbury.
Dalang, Robert C., and Daniel Conus. 2018. Introduction à La Théorie Des Probabilités. 2nd ed. Presses polytechniques et universitaires romandes.
Delmas, Jean-François. 2010. Introduction Au Calcul Des Probabilités Et à La Statistique. Exercices, Problèmes Et Corrections. Les Presses de l’ENSTA.
Hogg, Robert V., Joseph W. McKean, and Allen T. Craig. 2019. Introduction to Mathematical Statistics. 8th ed. Pearson.
Knight, Keith. 2000. Mathematical Statistics. Texts in Statistical Science. Chapman & Hall/CRC.
Kupper, Lawrence L., Brian H. Neelon, and Sean M. O’Brien. 2013. Exercises and Solutions in Statistical Theory. Chapman & Hall/CRC.