Variabile aleatoare

În practica, variabilele aleatoare apar ca functii ce depind de rezultatul efectuarii unui anumit experiment.
Spre exemplu, la aruncarea a doua zaruri, suma numerelor obtinute este o variabila aleatoare. În general, în
experimente în care numaram (masini aflate pe sosea, aruncari ale unui zar pâna la obtinerea unui sase, piese
defecte, etc) variabilele aleatore obtinute sunt variabile aleatore discrete, iar în experimentele în care masuram
(voltajul electric, cantitatea de apa de ploaie, duritatea unui anumit material, etc), variabilele aleatoare obtinute
sunt variabile aleatoare continue.

Definitia matematica precisa este urmatoarea.

Definitie (Variabila aleatoare): O variabila aleatoare reala pe spatiul de probabilitate ( Ω; F; P ) este o functie X :
Ω → R masurabila în raport cu σ- algebrele corespunzatoare (F pe Ω , respectiv algebra Boreliana B pe R),
adica cu proprietatea ca
X -1 (B) = {ω ∈ Ω : X (ω) ∈ B} ∈ F
pentru orice multime Boreliana B ∈ B.
Pentru a calcula diverse caracteristice numerice asociate variabilei aleatoare X, introducem functia de
distributie corespunzatoare, dupa cum urmeaza.

Definitie (Functia de distributie): Functia de distributie a unei variabile aleatoare este functia F = FX :
R → R definita prin
F (x) = P (X ≤ x) ;x ∈ R: (9)
Observatie: Folosind functia de distributie a variabilei aleatoare X putem spre exemplu determina probabilitatea
ca variabila X sa ia valori într-un anumit interval (a; b]:

P (X 2 (a; b]) = P (a < X ≤b) = F (b) - F (a) : (10)

Aceasta egalitate are loc deoarece evenimentele {X ≤a} si¸ {a < X ≤ b} sunt disjuncte, si¸ verifica {X ≤a} U {a <
X ≤ b} = {X ≤ b}, si¸ deci din Definitia 1.6 a probabilitatii obtinem
F (b) = P (X≤b)
= P (X ≤ a) + P (a < X ≤ b)
= F (a) + P (a < X ≤ b) ;

Are loc urmatoarea.

Propozitie (De caracterizare a functiei de distributie): Functia de distributie F : R → R a unei variabile aleatoare
are urmatoarele proprietati.

1. Este nedescrescatoare, adica F (x) ≤ F (y) oricare ar fi x; y ∈ R cu x < y.

2. limx→1 F (x) = 0 si¸ limx→1 F (x) = 1.

3. Este continua la dreapta în orice punct, adica limx↑x0 F (x) = F (x0).
4. Are limita la stânga în orice punct, si are loc F (x0-) := limx↑x0 F (x) = P (X < x0).
5. P (X = x0) = F (x0) - F (x0- ) :

Reciproc, se poate arata ca daca o functie F : R → R verifica proprietatile 1) - 3) de mai sus, atunci exista o
variabila aleatoare (pe un anumit spatiu de probabilitate) având F ca functie de distributie.
 Variabile aleatoare discrete

Definitie: O variabila aleatoare X : Ω → R se numeste discreta daca ea poate lua numai un numar cel mult
numarabil de valori.

Daca x1, x2, x3, fi sunt valorile posibile (distincte) ale lui X ¸si p1 = P (X = x1), p2 = P (X = x2) ; p3 =
P (X = x3),fi sunt probabilitatile cu care variabila aleatoare X ia aceste valori, reprezentam variabila aleatoare
discreta X sub forma
x1 x2 x3 :::
p p p
X= 1 2 3 :::: (12)
Observatie: Daca X este o variabila aleatoare discreta ce ia valorile x1; x2; x3; ficu probabilitatile p1; p2; p3; : : :, atunci
au loc urmatoarele.

1. Daca I este un interval ce nu contine nici una din valorile posibile ale variabilei aleatoare discrete X, atunci

P(X∈I)=0: (13)
2. Probabilitatea ca variabila aleatoare X sa ia valori într-un interval I = (a; b] este data de
P (a < X ≤ b) =∑ pi; (14)
a<xi b

adica este egala cu suma probabilita¸tilor pi corespunzatoare valorilor posibile xi pentru care a < xi b.

3. Suma tuturor probabilitatilor pi corespunzatoare valorilor xi este egala cu 1, adica

∑
pi = 1: (15)
i

Motivul este urmatorul:

∑ ∑
pi = P (X = xi) = P (X ∈ {fx1; x2; x3; : : :}) = P ( Ω) = 1:
i ≥1 i ≥1

Daca X este o variabila aleatoare discreta, vom spune ca functia de distributie corespunzatoare este o
functie de distributie discreta (sau ca X are o distributie discreta).

Definitie (Functie de densitate de probabilitate): Pentru o variabila aleatoare discreta X ce ia valorile x1; x2; x3; :
: : cu probabilitatile p1; p2; p3; : : : ; definim func¸tia de probabilitate f = fX a variabilei aleatoare X
prin
f (x) = pi; daca x = xi (i = 1; 2; 3; : : :) :
0; în rest

Figura 1: Graficul functiei de probabilitate f (x) ¸si a functiei de distributie F (x) a variabilei aleatoare X
reprezentând rezultatul aruncarii unui zar.
 Cunoscând functia de probabilitate a unei variabile aleatoare (sau valorile posibile ¸si probabilitatile
respective), putem determina functia de distributie corespunzatoare astfel:

F (x) =∑ f(xi) = ∑ pi:

xi≤x xi≤x
i 2

Variabile aleatoare continue

Variabilele aleatoare continue apar în practica atunci când într-un anumit experiment masuram o anumita
cantitate, spre exemplu lungimea unui ¸surub, voltajul într-un circuit electric, timpul dintre doua aterizari, etc.

Reamintim ca în general functia de distributie a unei variabile aleatoare este o functie continua la stânga în orice
punct. Daca variabila aleatoare X este o variabila aleatoare discreta, ce ia valorile distincte x1; x2; x3; : : :
cu probabilita¸tile p1; p2; p3; : : :, atunci functia de distributie FX (x) = P (X≤x) corespunzatoare este o functie în
scara, ce are salturi egale cu pi în punctele de discontinuitate xi, i = 1; 2; 3; : : :. Prin contrast cu variabilele
aleatoare discrete, definim variabilele aleatoare continue, dupa cum urmeaza.

Definitie: (Variabila aleatoare continua si absolut continua): Spunem ca variabila aleatoare X este o variabila
aleatoare continua daca functia de distributie corespunzatoare F : R → R este o functie continua pe R.
Daca în plus functia de distributie este absolut continua în raport cu masura Lebesgue pe R, adica daca
exista o functie f : R → [0; ∞) integrabila pe R astfel încât

F (x) = ∫x-∞ f (u) du; x ∈R,

spunem ca X este o variabila aleatoare absolut continua.

Observa¸tia 2.13 Spre deosebire de variabilele aleatoare discrete, în cazul variabilelor aleatoare continue avem

P (X = x) = 0
oricare ar fi x ∈ R
Observatie (Legatura între functia de densitate si cea de distributie) Daca X este o variabila aleatoare continua
având densitatea f, atunci relatia permite calculul functiei de distributie:
x
F (x) =∫ f (u) du; x ∈ R:
-∞

Reciproc, daca functia de densitate f este o functie continua (eventual cu exceptia unui numar finit de
puncte), din relatie rezulta ca functia de distributie a unei variabile aleatoare continue este o functie continua, si¸
mai mult, ca este o functie derivabila (eventual cu exceptia punctelor de discontinuitate ale functiei de densitate f
(x)). Derivând relatia în raport cu x obtinem

F’ (x) = f (x)
pentru orice x ∈ R pentru care functia f (x) este continua. Aceasta relatie ne permite sa determinam functia de
densitate f (x) atunci când cunoastem functia de distributie F (x).
 Medie si momente

Media (sau asteptarea) a unei variabile aleatoare X reprezinta valoarea medie asteptata a lui X, ¸si se
mai noteaza M (X) sau E (X). Mai general, daca g : R → R este o functie continua, atunci g (X) este de
asemenea o variabila aleatoare. Media (sau asteptarea) M (g (X)) reprezinta valoarea medie a¸steptata a
variabilei g (X) si se defineste prin

∑i g (xi) f (xi) daca X este o v.a. discreta

M (g (X)) = 1 ;
R 1∫-∞ g(x) f (x) dx daca X este o v.a. continua
unde f reprezinta functia de probabilitate a lui X (în cazul unei variabile X discrete) sau functia de densitate a lui
X (în cazul unei variabile aleatoare X continue).

Distributia binomiala

Acest tip de distributie (variabila aleatoare) apare atunci când numaram succesele obtinute în repetarea de
un anumit numar de ori a unui experiment, spre exemplu:

- în jocurile de noroc (numarul de aparitii a stemei la aruncarea unui ban, numar de aparitii a unei anumite
fete la aruncarea unui zar, etc)

- în controlul calitatii produselor (numarul de piese defecte dintr-un lot, etc)

- în sondajele de opinie (numarul de persoane care prefera un anumit candidat, numarul de persoane
asupra carora un anumit medicament a avut efectul dorit, etc)

Aceasta este însa numai una din posibilele moduri de aparitie x ori a evenimentui A ¸si de n-x ori a
evenimentului Ac. Cum numarul total de aranjari distincte a x de A ¸si n-x de Ac este conform Propozitiei ?? (cu
k = 2, n1 = x ¸si n2 = n x) egal cu
n! = Cx;
n
x! (n x)!
obtinem ca probabilitatea P (X = x) de aparitie de x ori a evenimentului A în n încercari este

P (X = x) = Cnxpxqn - x: (32)
Functia de probabilitate a variabilei binomiale X cu parametrii n si p este deci
;
f (x) = Cnxpx Qn-x; x∈{0,1,…,n} (33)
x0 f
în rest

Pentru a determina probabilitatile f (x) = px = P (X = x), sa observam ca X = x înseamna ca

evenimentul A a aparut de x ori si evenimentul Ac a aparut de n - x ori în cele n încercari.
Cum cele n încercari sunt independente, putem calcula probabilitatea de apari¸tie de x ori a evenimentului A
urmata de apari¸tia de n x ori a evenimentului Ac astfel:

P (AA ABB B) = P (A)P (A) : : : P (A)P (B) P (B) ::: P (B) = pxqn x:
| }| }
x ori n-x ori
 Distributia Poisson

Distributia Poisson cu parametrul λ > 0 este distributia variabilei aleatoare discrete X având functia de probabilitate

f(x) = { e- λ λ∞/x! , x ∈ N = {0,1,2,…}

{ 0 , in rest}

Se poate arata ca distributia Possion se obtine ca limita a distributiei binomiale cu parametrii n ¸si p, atunci
când n → ∞ ¸si p → 0 astfel încât np → λ (spre exemplu considerând np = λ constant).
Propozitie: Media si dispersia distributiei Poisson cu parametrul λ> 0 sunt

s
M(X)= λ i¸ σ2(X)= λ :

Media unei variabilei aleatoare:

Cazul discret:

 x x .... x  n 
Fie variabila aleatoare discretă simplă X   1 2 n , cu pi 0 şi
  i
p 1 .
 p1 p
2
.... p 
n i1

Media variabilei X este numărul:

n
m M X x p x p ..... x p 
1 1 2 2 n n x p i i
i1

Pentru n (cazul discret cu o infinitate de valori numărabile), seria x p i i
trebuie să fie convergentă !!!
i1

Cazul variabilelor continue:

 x 
Fie variabila aleatoare continuă X   , cu x  . Media variabilei X este integrala improprie:
 f x
 
m M X   x f xdx . (trebuie să fie convergentă)
 b


Pentru x a, b, media devine: m M X  x f xdx .
a

Observaţie:
Există variabile aleatoare care NU AU MEDIE:
 n 
 
Fie variabila aleatoare discretă X   1 , cu n  . (este variabilă discretă cu o infinitate de valori).
 
n n 1

 1 
Tabloul reprezintă o variabilă aleatoare, deoarece 1 .
n1 n n 1
   n 
Deoarece seria M X  este divergentă, variabila aleatoare nu are medie.
n1 n n 1

Proprietăţi ale mediei:

a) valoarea medie a unei constante este egală cu constanta:

c 
X : , M X c
1
b) dacă X este o variabilă aleatoare discretă simplă şi a  o constantă, atunci au loc relaţiile:

M a X a M X şi

M a X a M X 

Operații cu variabile aleatoare discrete simple:

Fie variabilele aleatoare discrete simple X , Y și Z cu tablourile de repartiție:

x x .... x   y y .... y  z z .... zs 

X   1 2 n
 , Y   1 2

m , Z
  1 2 
 p1 p2 .... pn  q1 q2 .... qm  r1 r2 .... rs 
 n m s 
cu p , q , r 0 şi
i j k  i j 
p  q  r 1 . Putem defini următoarele operații (care au ca rezultat tot variabile
k
i1 j 1 k 1
aleatoare simple):

a x când
i
1. Suma dintre o constantă ” a ” și variabila aleatoare X este variabila aleatoare care ia valoarea
X ia valoarea xi :
a x a x .... a xn 
a X  1 2

 1p p .... p 
2 n

2. Produsul dintre o constantă ” a ” și variabila aleatoare X este variabila aleatoare care ia valoarea a xi
când X ia valoarea xi :

a x a x .... a xn 

a X  1 2

 p1 p
2
.... p 
n



3. Suma dintre două variabile aleatoare X și Y este variabila aleatoare care ia valoarea xi yj (când X ia
valoarea xi și Y ia valoarea y j ) cu probabilitatea pij :
 x  y x  y .... xi  y j .... x  y 
X Y  1 1 1 2 n m 
 p p .... p .... p 
 11 12 ij nm 

unde probabilitatea pij ( i 1, n și j 1, m ) este probabilitatea realizării simultane a evenimentelor ( X  x ) și
i
(Y  y ) . Altfel spus, p P ( X x ),(Y y )  P ( X x ) (Y y ).
j  

j i j
ij i

Observație:
Dacă variabilele aleatoare discrete simple X și Y sunt independente, atunci p p q
ij i j

Suma se poate extinde și pentru trei sau mai multe variabile aleatoare discrete simple:

x y z x y z .... x y z .... x y z 
X Y Z  1 1 1 1 1 2 i j k n m s 
 p p .... p .... p 
 

111 112 ijk nms

unde probabilitatea p ( i 1, n , j 1, m și k 1, s ) este probabilitatea realizării simultane a evenimentelor
ijk

( X x ) , (Y y ) și (Z z ) . Altfel spus, p P ( X x ) (Y y ) (Z z ).
i j k ijk  i j k
Observație:
Dacă variabilele aleatoare discrete simple X , Y și Z sunt independente, atunci pijk p iq jr k

4. Produsul dintre două variabile aleatoare X și Y este variabila aleatoare care ia valoarea x y (când X ia
i j

valoarea xi și Y ia valoarea y j ) cu probabilitatea pij :

x y x y .... x y .... x y 
X Y  1 1 1 2 i j n m 
 p p .... p .... p 
 11 12 ij nm 

unde probabilitatea pij ( i 1, n și j 1, m ) este probabilitatea realizării simultane a evenimentelor ( X x ) și
i
(Y y ) . Altfel spus, p P ( X x ),(Y y )  P ( X x ) (Y y ).
j  

j i j
ij i

Observații:
Dacă variabilele aleatoare discrete simple X și Y sunt independente, atunci p p q ;
ij i j
Produsul se poate extinde și pentru trei sau mai multe variabile aleatoare discrete simple.

5. Ridicarea la putere: vom numi ”puterea r a unei variabile aleatoare X ” variabila aleatoare care ia valoarea
xir când X ia valoarea xi :
x r xr .... xr 
X   1 2 n 

 p1 p2 .... pn 
6. Alte operații cu variabile aleatoare simple:
1 1
 Inversa unei variabile aleatoare X (care ia valori nenule) – este variabila care ia valoarea când
X xi
X ia valoarea xi (caz particular al ridicării la puterea -1):
X
 Raportul a două variabile aleatoare X și Y (unde Y nu ia valori nule) – este variabila care ia
Y
x
valoarea i dacă X ia valoarea xi și Y ia valoarea y j (caz particular al înmulțirii variabilei X cu
y
j
1
variabila
Y
Variabile aleatoare (discrete simple) independente:

Fie variabilele aleatoare discrete simple X și Y cu tablourile de repartiție:

x1 x2 … xn y1 y2 … yn 
X= Y=  cu p i , q j ≥ 0 si ∑ n
i=1 pi = ∑ m
j=1 qi = 1
p1 p2 … pn q1 q2 … qn 

X si Y se numesc independente daca evenimentele (X=xi) si (Y=yi) cu i= 1,n si j=1,m sunt independente, adica:

P[(X=xi),(Y=yj)] = P[(X=xi) Y=yj)] = pi X qj

Valoarea medie si abaterea medie patratica

Daca variabila aleatoare simpla X ia valorile x 1, x2, x3, …, xn, respectiv cu probabilitatile p1, p2, p3, …, pn,
(p1+p2+p3+…+pn=1), atunci numarul

M(X) = x1·p1 + x2·p2 + x3·p3 +…+ xn·pn

se numeste valoare medie sau speranta matematica a variabilei aleatoare X.

Valoarea medie este una dintre cele mai importante caracteristici numerice ale unei variabile aleatoare.
Rolul unei asemenea caracteristici este de a permite, in anumite situatii, sa tragem unele concluzii asupra
variabilei aleatoare studiate, fara a apela la legile lor de probabilitate care sunt de cele mai multe ori foarte
dificile sau foarte greu de obtinut. Valoarea medie face parte dintr-o anumita categorie de caracteristici numerice
si anume cele de pozitie.

Cu ajutorul lor se pot trage unele concluzii asupra pozitiei valorilor variabilei aleatoare pe dreapta reala.

Valoarea medie este un fel de valoare centrala a variabilei aleatoare, o valoare in jurul careia cad
celelalte valori posibile astfel ca media abaterilor de la aceasta valoare sa fie nula (abaterile se considera cu
semnul + sau - dupa cum valoarea considerata cade la dreapta sau la stanga valorii medii).

Momente ale unei variabile aleatoare

Momentele sunt valori tipice ale unei variabile aleatoare pe care este util sa lecunoastem in anumite
probleme.Sunt doua feluri de momente:

1.Momente initiale (pe scurt momente);

2.Momente centrate.
Momentul initial de ordinal k al unei variabile aleatoare X este media variabilei aleatoare Xk:

αk=M (Xk)

Observam ca: α1=M (X)

α2=M (X2)

Momente centrate de ordinul k

Defnitie: Definim, daca exista,momentul centrat de ordinul k:

μk = M [ (X – M (X)) ] = 0 pentru k = 1,2 avem:

μ1 = M [ X – M (X) ] = 0
μ2 = M [(X – M (X))2 ] = D2 (X)