Documente Academic
Documente Profesional
Documente Cultură
Functie de repartitie
An K.
nN
An =
nN
P (An ).
nN
x R.
{X > x} K,
{X x} K
{x1 X < x2 } K,
1
(6.1)
{x1 < X x2 } K,
{x1 X x2 } K.
4. lim F (x) = 1.
x+
x+
1. P {X > a} = 1 F (a),
P {X < a} = F (a 0),
P {X a} = 1 F (a 0).
2. P {a < X b} = F (b) F (a),
P {a < X < b} = F (b 0) F (a),
P {a X < b} = F (b 0) F (a 0),
P {a X b} = F (b) F (a 0).
Propozitia 6.1.1.
1. Daca X este o variabila aleatoare si R atunci urmatoarele operatii
definesc variabile aleatoare:
X + , X, |X|, X r , r N,
1
.
X
2. Dac
a X si Y sunt variabile aleatoare, atunci
X + Y, X Y, XY,
X
, max(X, Y ), min(X, Y )
Y
x
F (x) =
pentru x 0
pentru 0 < x < 1
pentru x 1.
1
Sa se calculeze P {X } si P {X 2 1}.
2
Avem
1
1
1
P X
= F( ) = ,
2
2
8
P {X 2 1} = 1 P {X 2 < 1} = 1 P {1 < X < 1}
1
1
= 1 F (1 0) + F (1) = 1 + 0 = .
2
2
6.2
Densitate de probabilitate
Z x
f (t)dt
pentru orice x R.
Functia f se numeste densitatea de probabilitate a variabilei X.
3
(6.2)
Are loc
F 0 (x) = f (x)
(6.3)
n toate punctele de continuitate ale lui f . In sens distributional relatia (6.3) are loc ntotdeauna.
Fiind derivata unei functii monoton crescatoare, rezulta ca f satisface
f (x) 0,
(6.4)
pentru orice x R.
Daca f : R R+ este densitate de probabilitate pentru o variabila aleatoare atunci
Z +
f (x)dx = 1.
Aceasta deoarece
Z +
f (x)dx = lim
Z a
a+
(6.5)
Geometric conditia (6.5) se interpreteaza prin aceea ca aria subgraficului functiei densitate de
probabilitate este unitara.
Conditiile esentiale ce trebuie verificate ca o functie sa fie densitate de probabilitate sunt (6.4)
si (6.5).
Pentru o variabila aleatoare oarecare au loc formulele
P {x1 < X x2 } = F (x2 ) F (x1 ) =
Z x2
x1
f (x)dx
P {X = x} = F (x) F (x 0).
(6.6)
(6.7)
Daca variabila este continua atunci are loc urmatoarea formula de calcul
P {x1 < X x2 } = P {x1 X x2 } = P {x1 < X < x2 } =
P {x1 X < x2 } =
Z x2
x1
(6.8)
Observatia 6.2.1. Densitatea de probabilitate este folosita pentru a calcula aria care reprezinta
probabilitatea ca variabila aleatoare X sa ia valori n intervalul [ a, b ]. De exemplu, n cazul
masurarii intensitatii curentului, probabilitatea ca variabila aleatoare X ale caerei valori reprezinta
intensitatea curentului, sa aiba ca rezultat o valoare care sa apartina intervalului [ 14 mA, 15 mA ]
este integrala densitatii de probabilitate a lui X calculata pe acest interval.
Exemplul 6.2.1. Spunem ca variabila aleatoare X este repartizat
a uniform pe intervalul
[ a, b ], a < b, daca ea are densitatea de probabilitate f : R R+ ,
f (x) =
1
,
ba
daca x [ a, b ]
0,
n caz contrar.
4
0,5
0,4
0,8
0,3
0,6
0,2
0,4
0,1
0,2
0
-2
-1
0
0
x
-1
Densitatea uniforma
2
x
Zb
f (x)dx =
a
1
dx = 1.
ba
F (x) =
f (t)dt = 0,
Pentu x [ a, b ] avem
Zx
F (x) =
Zx
f (t)dt =
a
Zx
F (x) =
Zb
f (t)dt =
a
Deci
F (x) =
1
xa
dt =
.
ba
ba
0,
xa
ba
1
dt = 1.
ba
daca x < a
, daca x [ a, b ]
1,
daca x > b.
, daca x 0
e
0,
daca x < 0.
0,8
1,5
0,6
1
0,4
0,5
0,2
0
-1
0
0
-2
-1
1
x
Densitatea exponentiala
ex dx = 1.
f (x)dx =
F (x) =
0dt = 0,
Pentu x 0 avem
Zx
F (x) =
Zx
et dt =
f (t)dt =
Deci
F (x) =
et
= 1 ex .
0,
daca x < 0
x
1 e , daca x 0.
6.3
Fie x = h1 (y) solutia unica a ecuatiei y = h(x). Variabila Y va lua valorea y cand X va lua
valorea x = h1 (y). Atunci
n
fY (y) = fX (h
0
1
(y)) h (y) .
fY (y) =
0
d (FX (h1 (y)))
dFX (h1 (y)) d (h1 (y))
dFY (y)
=
=
d (1 FX (h1 (y)))
dFX (h1 (y)) d (h1 (y))
dFY (y)
=
=
dy
dy
dy
dy
0
fX (x) =
1, daca x [ 0, 1 ]
0, n caz contrar.
Y = h(X) = 3X, unde h(x) = 3x, h0 (x) = 3 > 0. Functia h este continua si monoton
crescatoare, deci bijectiva. Rezulta ca
FY (x) = P {Y x} = P {3X x} = P X
x
3
= FX
x
.
3
0
x
3
a x [ 0, 3 ]
, dac
x 1
3
= fX ( ) =
3 3
0, n caz contrar.
6.4
P ({X x} A)
.
P (A)
(6.9)
P ({a < X b} A)
=
P (A)
P ({X b} A) P ({X a} A)
= F (b|A) F (a|A).
P (A)
8
(6.10)
Ne intereseaza n continuare, pentru numeroasele aplicatii practice, unele cazuri particulare ale
evenimentului A.
1. Daca A = {X a} si F (a) = P ({X a}) , 0, atunci
F (x| {X a}) =
P ({X x} {X a})
P {X a}
F (x) ,
F (x | {X a}) = F (a)
1,
daca x a
(6.11)
daca x > a.
F (x | {a < X b}) =
0,
F (x) F (a)
,
F (b) F (a)
1,
daca x a
daca a < x b
(6.12)
daca x > b.
Exemplul 6.4.2. Fie A un eveniment arbitrar ntr-un camp de probabilitate si fie X o variabila
aleatoare continua cu functia de repartitie F . Sa se demonstreze urmatoarea relatie:
P (A | {a < X b}) =
(6.13)
P (A {a < X b})
=
P {a < X b}
f (x| {X a}) =
f (x)
F (a)
0,
daca x a
(6.15)
daca x > a.
f (x | {a < X b}) =
f (x)
,
F (b) F (a)
0,
daca a < x b
(6.16)
n rest.
Formula probabilit
atii totale. Formula lui Bayes.
In campul de probabilitate {E, K, P } fie A K un eveniment arbitrar, P (A) , 0, fie X
o variabila aleatoare continua cu densitatea de probabilitate f si fie x R un numar real
oarecare. Definim probabilitatea conditionata P (A|{X = x}) astfel
P (A | {X = x}) = lim P (A | {x < X x + x}).
x0
(6.17)
Z +
P (A | {X = x}) f (x)dx.
(6.18)
Demonstratie. Fie x R arbitrar. Din definitia (6.17), daca avem n vedere relatia (6.13)
putem scrie
[F (x + x|A) F (x|A)] P (A)
=
x0
F (x + x) F (x)
P (A | {X = x}) = lim
10
F (x + x|A) F (x|A)
F 0 (x|A)
f (x|A) P (A)
x
lim
P (A) =
P (A) =
.
0
F (x + x) F (x)
x0
F (x)
f (x)
x
Astfel rezulta
P (A | {X = x}) f (x) = f (x|A) P (A).
Integram pe R relatia astfel obtinuta si gasim
Z +
P (A | {X = x}) f (x)dx =
Z +
f (x|A) P (A)dx =
P (A | {X = x})f (x)
+
(6.19)
P (A | {X = x}) f (x)dx
pentru orice x R.
6.5
Ca si n cazul variabilei discrete putem defini caracteristicele numerice ale unei variabile
continue. Fie X o variabila aleatoare continua cu densitatea de probabilitate f : R R+ . Toate
definitiile de mai jos au sens atata vreme cat integralele improprii care apar sunt convergente.
Media variabilei aleatoare continue X este:
m = M [X] =
Z +
xf (x)dx.
(6.20)
M [X + Y ] = M [X] + M [Y ],
(6.21)
(6.22)
mr = M [X ] =
Z +
xr f (x)dx.
(6.23)
Z +
(x m)r f (x)dx.
(6.24)
= D [X] = 2 =
Z +
(x m)2 f (x)dx.
(6.25)
(6.26)
(6.27)
Abaterea medie p
atratic
a este
q
= D[X] =
D2 [X].
(6.28)
D2 [X + Y ] = D2 [X] + D2 [Y ] + 2Cov[X, Y ].
(6.29)
si are loc
Daca X este o variabila aleatoare si Y = g(X) este o variabila obtinuta printr-o transformare
cu ajutorul functiei g : R R, continua si bijectiva, atunci media transform
arii Y = g(X)
este
12
M [Y ] =
Z +
g(x) f (x)dx.
(6.30)
Mod al variabilei X este notat xm si reprezinta acea valoare a variabilei pentru care densitatea
de probabilitate f are valoare maxima.
Avem f 0 (xm ) = 0 si f 00 (xm ) < 0.
Mediana variabilei X este acea valoare x0.5 a lui X pentru care
P ({ | X() x0.5 }) = 0.5.
Aceasta relatie se poate scrie,sub forma
x
Z0.5
F (x0.5 ) =
f (x)dx = 0.5,
adica dreapta x = x0.5 mparte aria subgraficului densitatii f n doua parti egale.
Functia caracteristic
a a variabilei aleatoare de tip continuu X este functia
:RC
definita prin:
jtX
(t) = M [e
]=
Z +
ejtx f (x)dx,
j 2 = 1.
(6.31)
(6.32)
(r) (0)
.
jr
(6.33)
(6.34)
13
P {|X m| } <
(6.36)
=
Z m
(x m)2 f (x)dx +
Z m+
m
(x m)2 f (x)dx =
Z +
(x m)2 f (x)dx +
m+
(x m)2 f (x)dx.
deoarece
Z m
f (x)dx +
Z
m+
f (x)dx =
Z m+
m
f (x)dx ,
f (x)dx = 1.
2 2 (1 P {m < X < m + }) 2 (1 P {|X m| < }),
Exemplul 6.5.1. Timpul mediu de raspuns al unui calculator este de 15 secunde pentru o
anumita operatie, cu abaterea medie patratica de 3 secunde. Estimati probabilitatea ca timpul
de raspuns sa se abata cu mai putin de 5 secunde fata de medie.
Vom folosi inegalitatea lui Cebasev cu = 5. Avem
P ({|X 15| < 5}) 1
9
= 0, 64.
25
14