MS II Curs Variabile Aleatoare Continue I
MS II Curs Variabile Aleatoare Continue I
MS II Curs Variabile Aleatoare Continue I
1. Funcţie de repartiţie
Fie (E, K, P ) un câmp infinit de probabilitate. Reamintim că K ⊆ P(E) este o σ-algebră de
părţi ale lui E, deci satisface următoarele condiţii:
(i) A ∈ K pentru orice A ∈ K;
(ii) pentru orice An ∈ K, n ∈ N avem
∪
An ∈ K.
n∈N
{X < x} ∈ K, {X > x} ∈ K, {X ≥ x} ∈ K
Funcţia de repartiţie F asociază oricărui număr real x probabilitatea ca valorile lui X să fie
mai mici sau cel mult egale cu x.
Observaţia 1.1. Variabila aleatore nu este definită explicit, nu se vede; cunoaşterea funcţiei
reale F permite obţinerea de informaţii de tip statistic relativ la comportarea lui X. De reţinut
că variabile aletoare distincte pot avea aceeaşi funcţie de repartiţie.
Propoziţia 1.1. Dacă X este o variabilă aleatoare şi λ ∈ R atunci următoarele operaţii definesc
variabile aleatoare:
1
X + λ, λX, |X|, X r , r ∈ N, .
X
Dacă X şi Y sunt variabile aleatoare, atunci
X
X + Y, X − Y, XY, , max(X, Y ), min(X, Y )
Y
Variabile aleatoare continue 1 3
Definiţia 2.1. Spunem că variabila aleatoare X este de tip continuu dacă funcţia de repartiţie
F : R → [ 0, 1 ] este continuă şi există o funcţie f : R → R cu o mulţime cel mult numărabilă
de puncte de discontinuitate de prima speţă astfel ı̂ncât
∫ x
F (x) = f (t) dt (2)
−∞
pentru orice x ∈ R.
Funcţia f se numeşte densitatea de probabilitate a variabilei X.
Are loc
F ′ (x) = f (x) (3)
ı̂n toate punctele de continuitate ale lui f . În sens distribuţional relaţia (3) are loc ı̂n toate
punctele x ∈ R.
Fiind derivata unei funcţii monoton crescătoare, rezultă că f satisface
f (x) ≥ 0, (4)
pentru orice x ∈ R.
Dacă f : R → R+ este densitate de probabilitate pentru o variabilă aleatoare atunci
∫
+∞
f (x) dx = 1. (5)
−∞
Aceasta deoarece
∫
+∞ ∫a
f (x)dx = lim f (x)dx = lim F (a) = 1.
a→+∞ a→+∞
−∞ −∞
4 Daniela Roşu
Geometric condiţia (5) se interpretează prin aceea că aria subgraficului funcţiei densitate de
probabilitate este unitară.
Condiţiile esenţiale ce trebuie verificate ca o funcţie să fie densitate de probabilitate sunt (4)
şi (5).
∫x2
P {x1 < X ≤ x2 } = F (x2 ) − F (x1 ) = f (x)dx (6)
x1
∫x2
P {x1 ≤ X < x2 } = f (x)dx = F (x2 ) − F (x1 ). (8)
x1
Probabilitatea ca variabila aleatoare X să ia valori ı̂n intervalul [ a, b ] este egală cu aria
subgraficului densităţii de probabilitate f , cuprins ı̂ntre dreptele verticale x = a şi x = b.
De exemplu, dacă X este variabila aleatoare ale cărei valori reprezintă intensitatea curentului
ı̂n cazul măsurării acesteia, probabilitatea ca să ia valori in intervalul [ 14 mA, 15 mA ] este
integrala densităţii de probabilitate a lui X calculată pe acest interval.
Exemplul 2.1. Spunem că variabila aleatoare X este repartizată uniform pe intervalul
[ a, b ], a < b, dacă ea are densitatea de probabilitate f : R → R+ ,
1
, dacă x ∈ [ a, b ]
f (x) = b − a
0, ı̂n caz contrar.
Să se verifice că f are proprietăţile densităţii de probabilitate şi să se determine funcţia de
repartiţie.
Soluţie. Verificăm proprietăţile (4) şi (5). Avem evident f (x) ≥ 0, pentru orice x ∈ R şi
∫∞ ∫b
1
f (x) dx = dx = 1.
b−a
−∞ a
Pentu x ∈ [ a, b ] avem
∫x ∫x
1 x−a
F (x) = f (t) dt = dt = .
b−a b−a
−∞ a
Variabile aleatoare continue 1 5
0,5 1
0,4 0,8
0,3 0,6
0,2 0,4
0,1 0,2
0 0
-2 -1 0 1 2 -1 0 1 2 3 4 5
x x
Exemplul 2.2. Spunem că variabila aleatoare X este repartizată exponenţial cu parametrul
λ > 0, dacă densitatea sa de probabilitate este f : R → R+
−λx
λe , dacă x ≥ 0
f (x) =
0, dacă x < 0.
Să se verifice că f este o densitate de probabilitate şi să se determine funcţia de repartiţie.
Soluţie. Verificăm proprietăţile (4) şi (5). Avem evident f (x) ≥ 0, ∀x ∈ R şi
∫∞ ∫∞
f (x) dx = λe−λx dx = 1.
−∞ 0
Pentu x ≥ 0 avem
∫x ∫x
−λt e−λt x
F (x) = f (t) dt = λe dt = λ = 1 − e−λx .
−λ 0
−∞ 0
Deci {
0, dacă x < 0
F (x) =
1 − e−λx , dacă x ≥ 0.
6 Daniela Roşu
2 1
0,8
1,5
0,6
1
0,4
0,5
0,2
0 0
-1 0 1 2 3 4 -2 -1 0 1 2 3 4
x x
Pentru ı̂nceput să considerăm cazul ı̂n care variabila aleatoare X este discretă şi notăm
P {X = x} = f (x). Fie h : R → R o funcţie bijectivă care stabileşte legătura dintre valorile lui
X şi cele ale variabilei Y = h(X). Fie x = h−1 (y) soluţia unică a ecuaţiei y = h(x). Variabila
Y va lua valorea y atunci când X va lua valorea x = h−1 (y). Atunci
{ }
fY (y) = P {Y = y} = P X = h−1 (y) = fX (h−1 (y)).
( ) √
P ({Y = k}) = fY (k) = fX h−1 (k) = p (1 − p) k
, k = 0, 1, 2, 3, . . . .
Considerăm cazul ı̂n care variabila X este continuă, cu funcţia de repartiţie FX . Fie h : R → R
o funcţie bijectivă. Atunci variabila aleatoare Y = h(X) are funcţia de repartiţie complet
determinată.
Teorema 3.1. Fie h : R → R o funcţie strict monotonă şi derivabilă. Fie x = h−1 (y) unica
soluţie a ecuaţiei h(x) = y. Fie X o variabilă aleatoare continuă cu densitatea de probabilitate
fX : R → R. Atunci densitatea de probabilitate a variabilei aleatoare Y = h(X) este fY : R → R,
( )
′
fY (y) = fX (h−1 (y)) h−1 (y) , y ∈ R.
Variabile aleatoare continue 1 7
pentru orice y ∈ R.
Dacă h este strict descrescătoare atunci putem scrie:
{ } ( )
FY (y) = P {Y ≤ y} = P {h(X) ≤ y} = P X ≥ h−1 (y) = 1 − FX h−1 (y) ,
pentru orice y ∈ R.
Exemplul 3.2. Fie X variabila aleatoare distribuită uniform pe intervalul [ 0, 1 ]. Să se deter-
mine densitatea de probabilitate a variabilei Y = 3X.
Y = h(X) = 3X, unde h(x) = 3x, h′ (x) = 3 > 0. Funcţia h este continuă şi strict
crescătoare, deci bijectivă. Rezultă că Dacă FX , FY : R → [ 0, 1 ] sunt funcţiile de repartiţie ale
celor două variabile, atunci pentru orice x ∈ R avem
{ } ( )
x x
FY (x) = P {Y ≤ x} = P {3X ≤ x} = P X ≤ = FX .
3 3
Prin derivare ı̂n raport cu x găsim
1
( ( ))′
x x 1 dacă x ∈ [ 0, 3 ]
,
fY (x) = FY′ (x) = FX = fX ( ) · = 3
3 3 3
0, ı̂n caz contrar.
Definiţia 4.1. Fie X o variabilă aleatoare continuă. Numim funcţie de repartiţie condiţionată
de evenimentul A funcţia F (·|A) : R → [ 0, 1 ] dată prin
P ({X ≤ x} ∩ A)
F (x|A) = P ({X ≤ x}|A) = , x ∈ R. (9)
P (A)
Toate proprietăţile funcţiei de repartiţie se păstrează; menţionăm
F (+∞|A) = 1; F (−∞|A) = 0.
P ({a < X ≤ b} ∩ A)
P ({a < X ≤ b}|A) = =
P (A)
P ({X ≤ b} ∩ A) − P ({X ≤ a} ∩ A)
= = F (b|A) − F (a|A).
P (A)
Ne interesează ı̂n continuare, pentru numeroasele aplicaţii practice, unele cazuri particulare ale
evenimentului A.
0, dacă x ≤ a
F (x) − F (a)
F (x | {a < X ≤ b}) = , dacă a < x ≤ b (12)
F (b) − F (a)
1, dacă x > b.
Exemplul 4.2. Fie A un eveniment arbitrar ı̂ntr-un câmp de probabilitate şi fie X o variabilă
aleatoare continuă cu funcţia de repartiţie F . Să se demonstreze următoarea relaţie:
[F (b|A) − F (a|A)] · P (A)
P (A | {a < X ≤ b}) = . (13)
F (b) − F (a)
Dacă avem ı̂n vedere formula probabilităţii unei intersecţii
P (A ∩ B) = P (A|B) · P (B) = P (B|A) · P (A)
precum şi relaţia (10), găsim
P (A ∩ {a < X ≤ b})
P (A | {a < X ≤ b}) = =
P {a < X ≤ b}
P ({a < X ≤ b} | A) · P (A) [F (b|A) − F (a|A)] · P (A)
= = .
F (b) − F (a) F (b) − F (a)
Definiţia 4.2. Fie X o variabilă aleatoare continuă şi fie A ∈ K, un eveniment arbitrar cu pro-
babilitatea nenulă, P (A) , 0. Atunci densitatea de probabilitate a lui X, condiţionată
de A este dată, ı̂n punctele ei de continuitate, de derivata funcţiei de repartiţie condiţionată
f (x|A) = F ′ (x|A). (14)
Demonstraţie. Fie x ∈ R arbitrar. Din definiţia (17), dacă avem ı̂n vedere relaţia (13)
putem scrie
F (x + ∆x|A) − F (x|A)
∆x F ′ (x|A) f (x|A) · P (A)
= lim · P (A) = · P (A) = .
∆x→0 F (x + ∆x) − F (x) ′
F (x) f (x)
∆x
Astfel rezultă
∫
+∞ ∫
+∞
Teorema 4.2. (Formula lui Bayes) Fie X o variabilă aleatoare continuă cu densitatea de
probabilitate f şi fie A ∈ K un eveniment arbitrar. Atunci are loc formula lui Bayes
P (A | {X = x})f (x)
f (x|A) = (19)
∫
+∞
P (A | {X = x}) · f (x) dx
−∞
pentru orice x ∈ R.
Variabile aleatoare continue 1 11
Ca şi ı̂n cazul variabilei discrete putem defini caracteristicele numerice ale unei variabile
continue. Fie X o variabilă aleatoare continuă cu densitatea de probabilitate f : R → R+ . Toate
definiţiile de mai jos au sens atâta vreme cât integralele improprii care apar sunt convergente.
∫
+∞
µr = M [(X − M [X]) ] = r
(x − m)r f (x) dx. (22)
−∞
Observaţia 5.1. Notăm m = M [X]. Momentul centrat de ordinul trei, M [(X − m)3 ], carac-
terizează asimetria graficului densităţii de probabilitate a variabilei X ı̂n raport cu dreapta
de ecuaţie x = m. Momentul centrat de ordinul patru, M [(X − mX )4 ]ı̂ndică modul ı̂n care este
aplatizat graficul densităţii de repartiţie a lui X adică dacă acest grafic este mai ascuţit sau
mai plat.
Propoziţia 5.1. Dacă X este o variabilă aleatoare continuă care admite medie şi dispersie,
atunci
D2 [X] = M [X 2 ] − (M [X])2 . (24)
Demonstraţie. Avem
∫
+∞ ∫
+∞ ∫
+∞ ∫
+∞
2
D [X] = (x − m) f (x) dx =
2
x f (x) dx − 2m
2
f (x) dx + m 2
f (x) dx
−∞ −∞ −∞ −∞
= M [X 2 ] − 2m2 + m2 = M [X 2 ] − m2 .
Ca şi ı̂n cazul variabilelor discrete, au loc următoarele proprietăţi.
12 Daniela Roşu
M [X + Y ] = M [X] + M [Y ]. (25)
Dacă ı̂n plus X şi Y sunt independente, atunci:
M [X · Y ] = M [X] · M [Y ]. (26)
D2 [X ± Y ] = D2 [X] + D2 [Y ]. (27)
Dacă X este o variabilă aleatoare şi Y = g(X) este o variabilă obţinută printr-o transformare
cu ajutorul funcţiei g : R → R, continuă şi bijectivă, atunci media transformării Y = g(X)
este
∫
+∞
Moda variabilei X este notată xm şi reprezintă acea valoare a variabilei pentru care densi-
tatea de probabilitate f are valoare maximă. Avem f ′ (xm ) = 0 şi f ′′ (xm ) < 0.
F (x0,5 ) = f (x) dx = 0, 5,
−∞
adică dreapta x = x0,5 ı̂mparte subgraficul densităţii f ı̂n două părţi cu arii egale.
Definiţia 5.2. Funcţia caracteristică a variabilei aleatoare de tip continuu X este funcţia
φ : R → C definită prin:
[ ] ∫
+∞
φ(t) = M e jtX
= ejtx f (x) dx, t ∈ R, j 2 = −1. (31)
−∞
Variabile aleatoare continue 1 13
Observaţia 5.2. Să remarcăm faptul că funcţia caracteristică φ a unei variabile continue este
transformata Fourier a densităţii de probabilitate f (care este funcţie absolut integrabilă). Din
formula de inversiune a transformatei Fourier deducem şi relaţia:
1 ∫ −jtx
+∞
Vom nota uneori φX , pentru a pune ı̂n evidenţă variabila căreia i se asociază. Ca şi ı̂n cazul
variabilelor discrete, au loc următoarele proprietăţi ale funcţiei caracteristice.
Teorema 5.1. (Inegalitatea lui Cebâşev) Dacă variabila aleatoare X este de tip continuu
cu media m şi dispersia σ 2 , atunci pentru orice ε > 0 are loc
σ2
P {|X − m| < ε} ≥ 1 − 2 (35)
ε
Inegalitatea (35) este echivalentă cu inegalitatea:
σ2
P {|X − m| ≥ ε} < . (36)
ε2
Demonstraţie. Dispersia este dată de
∫∞
2
σ = (x − m)2 f (x) dx =
−∞
∫
m−ε ∫
m+ε ∫
+∞
(x − m) f (x) dx +
2
(x − m) f (x) dx +
2
(x − m)2 f (x) dx.
−∞ m−ε m+ε
Pentru x ∈ (−∞, m − ε) ∪ (m + ε, +∞) avem (x − m) ≥ ε şi dispersia poate fi minorată prin
2 2
m−ε
∫ ∫∞ ∫
m+ϵ
Exemplul 5.1. Timpul mediu de răspuns al unui calculator este de 15 secunde pentru o
anumită operaţie, cu abaterea medie pătratică de 3 secunde. Să se stimeze probabilitatea ca
timpul de răspuns să se abată cu mai puţin de 5 secunde faţă de medie.
Soluţie. Folosim inegalitatea lui Cebâşev cu ε = 5. Avem
9
P ({|X − 15| < 5}) ≥ 1 − = 0, 64.
25