Curs 6

Variabile aleatoare continue 1

6.1

Functie de repartitie

Fie (E, K, P ) un camp infinit de probabilitate. Reamintim ca K P(E) este o -algebra de

parti ale lui E, deci satisface urmatoarele conditii:
(i) A K pentru orice A K;
(ii) pentru orice An K, n N avem

An K.

nN

Mai mult, are loc si proprietatea A \ B K pentru orice A K.

Functia P : K [ 0, 1 ] este o probabilitate, adica satisface urmatoarele proprietati:
(i) P (E) = 1;
(ii) pentru orice sir de multimi (An )n K, cu An Am = , pentru orice n , m avem
P

An =

nN

P (An ).

nN

Definitia 6.1.1. O functie

X:ER
se numeste variabila aleatoare daca
{X x} = {e E | X(e) x} K,

x R.

Daca X este o variabila aleatoare atunci au loc:

{X < x} K,

{X > x} K,

{x1 < X < x2 } K,

{X x} K

{x1 X < x2 } K,
1

(6.1)

{x1 < X x2 } K,

{x1 X x2 } K.

Aceasta nseamna ca putem calcula probabilitatile oricaror evenimente de forma precedenta.

Definitia 6.1.2. Variabilele aleatoare X si Y se numesc variabile aleatoare independente,
dac
a pentru orice D1 , D2 multimi reale deschise are loc:


P {X 1 (D1 )} {Y 1 (D2 )} = P {X 1 (D1 )} P {Y 1 (D2 )}.

Definitia 6.1.3. Fie X o variabila aleatoare. Se numeste functie de repartitie a lui X
functia real
a
F : R [ 0, 1 ],
F (x) = P {X x} = P ({e E | X(e) x})
pentru orice x R.
Functia de repartitie F asociaza oricarui numar real x probabilitatea ca valorile lui X sa fie
mai mici sau cel mult egale cu x.
Observatia 6.1.1. Variabila aleatore nu este definita explicit, nu se vede; cunoasterea functiei
reale F permite obtinerea de informatii de tip statistic relativ la comportarea lui X. De retinut
ca variabile aletoare distincte pot avea aceeasi functie de repartitie.
Teorema 6.1.1. Fie X o variabila aleatoare si fie F : R [ 0, 1 ] functia sa de repartitie.
Urm
atoarele afirmatii sunt adevarate:
1. dac
a x1 x2 , atunci F (x1 ) F (x2 ), x1 , x2 R;
2. F (x + 0) = F (x), x R, ( F este continu
a la dreapta);
3. lim F (x) = 0;
x

4. lim F (x) = 1.
x+

Demonstratie. 1. Daca x1 < x2 atunci {X x1 } {X x2 } si aplicand monotonia

functiei de probabilitate rezulta
F (x1 ) = P {X x1 } P {X x2 } = F (x2 ).
3. lim F (x) = lim P {X x} = P () = 0.
x

4. lim F (x) = lim P {X x} = P (E) = 1.

x+

x+

Teorema 6.1.2. Fie F : R [ 0, 1 ] functia de repartitie a unei variabile aleatoare X. Atunci

pentru orice numere reale a < b avem:

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

sunt de asemenea variabile aleatoare.

Exemplul 6.1.1. Fie X o variabila aleatoare a carei functie de repartitie este

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

Definitia 6.2.1. Spunem ca variabila aleatoare X este de tip continuu dac

a functia de
repartitie F : R [ 0, 1 ] este continu
a si exista o functie f : R R cu o multime cel mult
num
arabil
a de puncte de discontinuitate de prima spet
a astfel nc
at
F (x) =

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)

f (x)dx = lim F (a) = 1.

a+

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

f (x)dx = F (x2 ) F (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

Sa se verifice ca f are proprietatile densitatii de probabilitate si sa se determine functia de

repartitie.

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

Functia de repartitie uniforma

Figure 6.1: Repartitia uniforma

Verificam proprietatile (6.4) si (6.5). Avem evident f (x) 0, x R si
Z

Zb

f (x)dx =
a

1
dx = 1.
ba

Calculam functia de repartitie. Pentru x < a avem

Zx

F (x) =

f (t)dt = 0,

Pentu x [ a, b ] avem
Zx

F (x) =

Zx

f (t)dt =
a

Pentru x > b avem

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.


Exemplul 6.2.2. Spunem ca variabila aleatoare X este repartizat

a exponential cu parametrul
> 0, daca densitatea sa de probabilitate este f : R R+
f (x) =

, daca x 0
e

0,

daca x < 0.

Sa se verifice ca f este o densitate de probabilitate si sa se determine functia de repartitie.

0,8
1,5
0,6
1
0,4
0,5
0,2

0
-1

0
0

-2

-1

1
x

Densitatea exponentiala

Functia de repartitie exponentiala

Figure 6.2: Repartitia exponentiala

Verificam proprietatile (6.4) si (6.5). Avem evident f (x) 0, x R si
Z

ex dx = 1.

f (x)dx =

Calculam functia de repartitie. Pentru x < 0 avem

Zx

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

Functii de variabile aleatoare

Consideram cazul n care variabila aleatoare X este discret

a si notam P {X = x} = f (x). Fie
Y = h(X) functia bijectiva care stabileste legatura dintre valorile lui X si cele ale variabili Y.
6

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) = P {Y = y} = P X = h1 (y) = fX (h1 (y)).

Exemplul 6.3.1. Fie X o variabila aleatoare distribuita geometric n care P ({X = k}) =
p (1 p)k , k = 0, 1, 2, 3, . . . . Ne intereseaza distributia lui variabilei Y = X 2 .
Notam fX (k) = p (1 p)k . Deoarece X 0, functia y = x2 este bijectiva pentru x 0 cu

inversa x = y deci h1 (y) = y.

fY (y) = f (h1 (y)) = p (1 p) y , y = 0, 1, 4, 9, 16, .....


Consideram cazul n care variabila X este continu
a, cu functia de repartitie FX . Fie h : R
R o functie bijectiva. Atunci variabila aleatoare Y = h(X) are functia de repartitie complet
determinata.
Fie x = h1 (y) solutia unica a ecuatiei y = h(x). Daca h este strict crescatoare, atunci
avem:
n

FY (y) = P {Y y} = P {h(X) y} = P X h1 (y) = FX h1 (y) .

Daca h este strict descrescatoare, atunci putem scrie:
n

FY (y) = P {Y y} = P {h(X) y} = P X h1 (y) = 1 FX h1 (y) .

Teorema 6.3.1. Fie h : R R o functie monotona, derivabila cu h0 (x) , 0, pentru orice
x R. Fie x = h1 (y) unica solutie a ecuatiei h(x) = y. Atunci densitatea de probabilitate a
variabilei aleatoare Y = h(X) este:
1

fY (y) = fX (h


0 
 1

(y))  h (y)  .

Demonstratie. Daca h este monoton crescatoare atunci

fY (y) =


0
d (FX (h1 (y)))
dFX (h1 (y)) d (h1 (y))
dFY (y)
=
=

= fX (h1 (y)) h1 (y) ,

dy
dy
dy
dy

iar daca h este monoton descrescatoare atunci

fY (y) =

d (1 FX (h1 (y)))
dFX (h1 (y)) d (h1 (y))
dFY (y)
=
=

dy
dy
dy
dy


0

= fX (h1 (y)) h1 (y) .


Exemplul 6.3.2. Fie X variabila aleatoare distribuita uniform pe intervalul [ 0, 1 ]. Care este
densitatea de probabilitate a variabilei Y = 3X?
7

X are densitatea de probabilitate data de

(

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

Prin derivare n raport cu x gasim



fY (x) = FY0 (x) = FX

 0

x
3

a x [ 0, 3 ]
, dac

x 1
3
= fX ( ) =
3 3

0, n caz contrar.

De aici rezulta ca Y este distribuita uniform pe intervalul [ 0, 3 ].

6.4

Functii de repartitie si densit

ati conditionate

In campul de probabilitate {E, K, P } consideram A K un eveniment arbitrar cu probabilitatea

nenula, P (A) , 0.
Definitia 6.4.1. Fie X o variabila aleatoare continu
a. Numim functie de repartitie conditionat
a
de evenimentul A , functia data de
F (x|A) = P ({X x}|A) =

P ({X x} A)
.
P (A)

(6.9)

Toate proprietatile functiei de repartitie se pastreaza; mentionam

F (+|A) = 1; F (|A) = 0.
Exemplul 6.4.1. Fie X o variabila aleatoare continua cu functia de repartitie F si fie A un
eveniment arbitrar cu probabilitatea nenula. Sa demonstram urmatoarea formula
P ({a < X b}|A) = F (b|A) F (a|A).
Intr-adevar, daca a < b avem {X < a} {X b} si
P ({a < X b}|A) =
=
=

P ({a < X b} A)
=
P (A)

P (({X b} A) \ ({X a} 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}

In cazul n care x a avem {X x} {X a} = {X x} iar pentru x > a avem

{X x} {X a} = {X a} si ca urmare obtinem

F (x) ,

F (x | {X a}) = F (a)

1,

daca x a

(6.11)

daca x > a.


2. Fie A = {a < X b} astfel ca P (A) = F (b) F (a) , 0. Deducem imediat ca

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}) =

[F (b|A) F (a|A)] P (A)

.
F (b) F (a)

(6.13)

Daca avem n vedere formula probabilitatii unei intersectii

P (A B) = P (A|B) P (B) = P (B|A) P (A)
precum si relatia (6.10), gasim
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)


Definitia 6.4.2. Fie X o variabila aleatoare continu

a si fie A K, un eveniment arbitrar cu probabilitatea nenula, P (A) , 0. Atunci densitatea de probabilitate a lui X,
conditionat
a de A este data, n punctele ei de continuitate, de derivata functiei de repartitie
conditionata
f (x|A) = F 0 (x|A).
(6.14)
Fie X o variabila aleatoare continua cu functia de repartitie F si desitatea de probabilitate
f . In continuare avem n vedere cazurile particulare considerate mai sus n legatura cu alegerea
evenimentului A.
1. Daca A = {X a}, prin derivarea formulei (6.11), se obtine

f (x| {X a}) =

f (x)

F (a)

0,

daca x a
(6.15)
daca x > a.


2. Daca A = {a < X b} prin derivarea relatiei (6.12) gasim

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)

Propozitia 6.4.1. Fie X o variabila aleatoare continu

a cu densitatea de probabilitate f si fie
A K un eveniment arbitrar. Atunci are loc formula probabilit
atii totale
P (A) =

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) [F (+|A) F (|A)] = P (A).


Propozitia 6.4.2. Fie X o variabila aleatoare continu
a cu densitatea de probabilitate f si fie
A K un eveniment arbitrar. Atunci are loc formula lui Bayes
f (x|A) = Z

P (A | {X = x})f (x)
+

(6.19)

P (A | {X = x}) f (x)dx

pentru orice x R.


6.5

Caracteristici numerice ale variabilelor aleatoare continue

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)

Daca X si Y sunt variabile aleatoare atunci:

iar, daca X, Y sunt independente, atunci are loc si proprietatea:

M [X Y ] = M [X] M [Y ].
11

(6.22)

Momentul initial de ordin r al variabilei X este:

r

mr = M [X ] =

Z +

xr f (x)dx.

(6.23)

Momentul centrat de ordin r al variabilei X este:

r = M [(X M [X])r ] =

Z +

(x m)r f (x)dx.

(6.24)

Observatia 6.5.1. Momentul centrat de ordinul trei, M [(X mX )3 ] caracterizeaza asimetria

graficului densitatii de probabilitate a variabilei X n raport cu dreapta de ecuatie x = mX .
Momentul centrat de ordinul patru, M [(X mX )4 ]ndica modul n care este aplatizat graficul
densitatii de repartitie a lui X adica daca acest grafic este mai ascutit sau mai plat.
Dispersia variabilei X este momentul centrat de ordinul 2
2

= D [X] = 2 =

Z +

(x m)2 f (x)dx.

(6.25)

Ca si n cazul discret, are loc

D2 [X] = M [X 2 ] (M [X])2 .

(6.26)

Daca X si Y sunt variabile independente, atunci are loc proprietatea:

D2 [X Y ] = D2 [X] + D2 [Y ].

(6.27)

Abaterea medie p
atratic
a este
q

= D[X] =

D2 [X].

Sa remarcam ca proprietatile medii si dispersiei unei variabile aleatoare discrete se mentin si n

cazul variabilei aleatoare continue, dispersia dand o indicatie asupra gradului de concentrare a
valorilor variabilei n jurul valorii medii.
Covarianta variabilelor X si Y este definita prin:
Cov[X, Y ] = M [(X M [X])(Y M [Y ])]

(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)

Sa remarcam faptul ca functia caracteristica a unei variabile continue este transformata

Fourier a densitatii de probabilitate f (care este functie absolut integrabila). Din formula de
inversiune a transformatei Fourier deducem si relatia:
1 Z + jtx
f (x) =
e
.(t)dt
2

(6.32)

Momentele initiale se obtin cu ajutorul functiei caracteristice, dupa formula:

M [X r ] =

(r) (0)
.
jr

(6.33)

Daca variabilele X si Y sunt independente, atunci

X+Y = X Y .

(6.34)

Teorema 6.5.1. (Inegalitatea lui Ceb

a
sev)
Daca variabila aleatoare X este de tip continuu cu media m si dispersia 2 , atunci pentru
orice > 0 are loc
2
P {|X m| < } 1 2
(6.35)

13

Inegalitatea (6.35) este echivalenta cu inegalitatea:

2
.
2

P {|X m| } <

(6.36)

Demonstratie. Dispersia este data de

2

=
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.

Pentru x (, m ) (m + , +) avem (x m)2 2 si dispersia poate fi minorata prin

2

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| < }),

care este echivalenta cu relatia (6.35).

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