Curs 3

Variabile aleatoare
• Care este probabilitatea de realizare a unor evenimente legate
de o anumită experienţă aleatoare?
De obicei, aceste evenimente se referă la anumite mărimi
legate de experienţa respectivă, mărimi care iau valoriı̂n funcţie
de rezultatul experienţei. De exemplu, o astfel de mărime
poate fi numărul de puncte X care apar la o aruncare a zaru-
lui.

• Să considerăm şi experienţa următoare: Se aruncă o monedă

până la apariţia stemei şi fie Y numărul de aruncări efectuate.
Atunci Y poate lua orice valoare ı̂ntreagă pozitivă. Aceste
exemple sugerează introducerea noţiunii de variabilă aleatoare.

1
Fie (Ω, K, P ) un câmp de probabilitate. Aplicaţia X : Ω → R
se numeşte variabilă aleatoare dacă pentru orice x ∈ R, are
loc:
{ω ∈ Ω | X(ω) < x} ∈ K.

O variabilă aleatoare cu o mulţime cel mult numărabilă de

valori se numeşte variabilă discretă. Spunem că variabila aleatoare
este simplă dacă ia un număr finit de valori.
O variabilă aleatoare pentru care mulţimea valorilor posibile
este un interval se numeşte continuă.

2
Notaţii:

(X < x) = {ω ∈ Ω | X(ω) < x}; (X ≤ x) = {ω ∈ Ω | X(ω) ≤ x};

(a ≤ X ≤ b) = {ω ∈ Ω | a ≤ X(ω) ≤ b}.

Dacă X este o variabilă aleatoare atunci evenimentele:

(X ≥ x), (X ≤ x), (X < x), (a ≤ X ≤ b), (a ≤ X < b),

(a < X ≤ b), (a < X < b) ∈ K.

3
Operaţii cu variabile aleatoare

Daca X este variabilă aleatoare, iar a este un număr real

atunci:

2 1
X + a, aX, |X|, X şi 6 0) sunt variabile aleatoare.
(X =
X

Daca X şi Y sunt variabile aleatoare atunci:

X
X + Y , X − Y , XY şi (Y 6= 0) sunt variabile aleatoare.
Y

4
Fie (Ω, K, P ) un câmp de probabilitate şi X : Ω → R o variabilă
aleatoare discretă cu valorile xi, i ∈ I (I o mulţime cel mult
numărabilă). Notăm cu

Ai = {ω ∈ Ω | X(ω) = xi} = (X = xi)

şi pi = P (Ai). Şirul de perechi (xi, pi)i∈I se numeşte repartiţia
variabilei aleatoare X.
à ! à !
x1 x2 . . . x i . . . xi
Vom nota X sau X .
p1 p2 . . . p i . . . pi
i∈I

Să observăm că Ai este un sistem complet de evenimente, prin

X
urmare pi ≥ 0, ∀i ∈ I şi pi = 1.
i∈I

5
Operaţii cu variabile aleatoare. Cazul discret

Fie (Ω, K, P ) un câmp de probabilitate, a ∈ R şi X,ÃY : !

Ω →
xi
K două variabile aleatoare discrete cu repartiţiile X ,
pi
à ! i∈I
yi
respectiv Y . Atunci:
qi
i∈I

1
• Variabilele aleatoare discrete X + a, aX, |X|, X n şi vor
X
avea repartiţiile:

xn
à ! à ! à ! à !
xi + a axi |xi|
X +a , aX , |X| , Xn i ,
pi pi pi pi
i∈I i∈I i∈I i∈I
1
 
1 
 xi  .

X pi i∈I
6
 X
(ii) Variabilele aleatoare discrete X + Y , XY , vor avea
Y
repartiţiile:

à ! à !

xi 
x i + yj x i yj X
X +Y , XY ,  yj  ,

pij pij
i∈I,j∈J i∈I,j∈J Y pij
i∈I,j∈J

unde pij = P (X = xi, Y = yj ).

Dacă variabilele X şi Y sunt independente atunci

pij = P (X = xi, Y = yj ) = pi · qj
Funcţia de repartiţie a unei variabile aleatoare

Fie (Ω, K, P ) un câmp de probabilitate şi X : Ω → R o variabilă

aleatoare. Se numeşte funcţie de repartiţie a variabilei X o
funcţie F : R → R definită prin

F (x) = P (X < x) = P ({ω ∈ Ω | X(ω) < x})

Proprietăţi
(i) F este nedescrescătoare pe R (x1 < x2 ⇒ F (x1) ≤ F (x2)).
(ii) F este continuă la stânga ı̂n orice punct x ∈ R
(iii) lim F (x) = 0, lim F (x) = 1.
x→−∞ x→∞

(iv) 0 ≤ F (x) ≤ 1, ∀x ∈ R.
(v) F (x + 0) = F (x) + P (X = x), ∀x ∈ R.
7
Fie X o variabilă aleatoare având funcţia de repartiţie F şi
a, b ∈ R, a < b. Atunci au loc:

(i) P (a ≤ X < b) = F (b) − F (a).

(ii) P (a < X < b) = F (b) − F (a) − P (X = a) = F (b) − F (a + 0).

(iii) P (a < X ≤ b) = F (b) − F (a) − P (X = a) + P (X = b) =

F (b + 0) − F (a + 0).

(iv) P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b) = F (b + 0) − F (a).

Dacă F este continuă, toate probabilităţile devin egale cu

F (b) − F (a).

8
Exemplu. Funcţia de repartiţie a unei variabile aleatoare dis-
crete cu repartiţia
à !
x1 x2 . . . x n
p1 p2 . . . p n
este o funcţie etajată, complet determinată de probabilităţile
(pi)i∈I . Mai precis, ∀x ∈ R



 0, x ≤ x1
p1 , x 1 < x ≤ x2




p1 + p 2 , x 2 < x ≤ x3


F (x) =



...



 p1 + p2 + · · · + pn−1, xn−1 < x ≤ xn
1, x > xn



9
Pentru variabilele continue, legea de probabilitate (corespondenţa dintre
valorile posibile ale variabilei aleatoare şi probabilităţile corespunzătoare)
este exprimată prin densitatea de repartiţie (sau densitatea de probabili-
tate).
Variabila aleatoare X are o densitate de repartiţie dacă
există o aplicaţie f : R → [0, ∞), integrabilă pe R astfel ı̂ncât
Z x
F (x) = f (t)dt
−∞
unde F este funcţia de repartiţie a variabilei aleatoare X.

O aplicaţie f : R → R este densitatea de repartiţie a unei

variabile X dacă
1) f (x) ≥ 0, ∀x ∈ R, Z ∞
2) f integrabilă pe R şi f (x)dx = 1.
−∞
10
Folosind proprietăţile funcţiei de repartiţie, se poate demonstra
următorul rezultat:

Fie X o variabilă aleatoare cu densitatea de repartiţie f şi

a, b ∈ R, cu a < b. Atunci
Z b
P (a ≤ X ≤ b) = f (x)dx
a

Dacă funcţia de repartiţie F este derivabilă pe R atunci vari-

abila aleatoare X admite ca densitate de repartiţie funcţia f
cu F ′ = f (F este o primitivă a lui f ). Dacă variabila aleatoare
X ia valori numai ı̂n intervalul (a, b) atunci f se anulează ı̂n
afara acestui interval.
11
Caracteristici numerice ale variabilelor aleatoare

În practică se folosesc indicatori, caracteristici numerice ale variabilelor

aleatoare care conduc la o imagine a modului de repartizare a valorilor
sale.

Fie (Ω, K, P ) un câmp de probabilitate şi X : Ω → R o variabilă aleatoare.

Se numeşte media variabilei aleatoare X, numărul notat M (X)
definit de
à !
X xi
M (X) = xipi dacă X v. a. discretă cu repartiţia
pi
i∈I i∈I

Z ∞
M (X) = xf (x)dx dacă X v. a. continuă având densitatea
−∞
de repartiţie f .
12
Media este un indicator al tendinţei centrale de grupare. Pentru o variabilă
aleatoare simplă media există totdeauna. Pentru o variabilă aleatoare dis-
X
cretă, media există dacă seria xi pi este absolut convergentă, condiţie
i∈I
necesară pentru ca valoarea medie să nu depindă de ordinea de sumare.
Pentru o variabilă aleatoare continuă, integrala trebuie să fie convergentă.

Proprietăţi Fie X, Y două variabile aleatoare.

1. Dacă X, Y şi X ± Y au medie atunci

M (X ± Y ) = M (X) ± M (Y )
2. Dacă X, Y şi XY au medie şi X, Y sunt variabile aleatoare
independente atunci M (XY ) = M (X)M (Y ).
3. Dacă a ∈ R, M (a) = a.
4. Dacă a ∈ R, M (aX) = aM (X) şi M (a + X) = a + M (X).
5. Variabila X −M (X) (numită abatere de la medie) are media
zero.
13
O caracteristică mai generală decât media este momentul
iniţial de ordin k:
Mk (X) = M (X k )

xki pi.
X
Dacă X este o variabilă discretă atunci Mk (X) =
i∈I

Z ∞
Dacă X este o variabilă continuă atunci Mk (X) = xk f (x)dx.
−∞

Să observăm că M (X) = M1(X).

14
O caracteristică ce măsoară ı̂mprăştierea valorilor lui X faţă
de medie este dispersia lui X, notată prin D2(X).

D2(X) = M2(X − m) = M [(X − m)2], m = M (X)

Dacă X este o variabilă discretă atunci:

D2(X) = (xi − m)2pi

X

i∈I
Dacă X este o variabilă continuă atunci:
Z ∞
D2(X) = (x − m)2f (x)dx
−∞

15
Proprietăţi ale dispersiei

1. D2(X) ≥ 0 pentru orice variabilă aleatoare X.

2. D2(a) = 0, ∀a ∈ R
3. D2(aX) = a2D2(X), ∀a ∈ R.
4. D2(X) = M2(X) − (M (X))2.
5. Dacă X şi Y sunt variabile aleatoare independente atunci

D2(X ± Y ) = D2(X) + D2(Y )

O caracteristică mai generală decât dispersia este momentul

centrat de ordin k:

µk (X) = Mk (X − m) = M ((X − m)k )

unde m = M (X).
16
Exemple. 1. Fie variabilele aleatoare independente X şi Y :
à ! à !
1 2 4 1 4 6
X şi Y .
0, 2 0, 3 0, 5 0, 6 0, 2 0, 2
Să se afle: a) Repartiţiile variabilelor X +Y , XY , X 3. b) Media
şi dispersia variabilelor X şi 2X + 3Y . c) Funcţia de repartiţie
a variabilei X.
Rezolvare.
à !
2 3 5 6 7 8 10
a) X + Y .
0, 12 0, 18 0, 34 0, 06 0, 04 0, 16 0, 1
à !
1 2 4 6 8 12 16 24
XY .
0, 12 0, 18 0, 34 0, 04 0, 06 0, 06 0, 1 0, 1

à !
1 8 64
X3 .
0, 2 0, 3 0, 5
17
b) M (X) = 1 · 0, 2 + 2 · 0, 3 + 4 · 0, 5 = 2, 8.

M (X 2) = 1 · 0, 2 + 4 · 0, 3 + 16 · 0, 5 = 9, 4,

D2(X) = 9, 4 − (2, 8)2 = 1, 56. Analog, M (Y ) = 2, 6.

Apoi M (2X + 3Y ) = 2M (X) + 3M (Y ) şi D2(2X + 3Y ) =

4D2(X) + 9D2(Y ).

c)


 0 x≤1
0, 2 1<x≤2


F (x) =



0, 5 2<x≤4

1 x > 4.
2