Curs 2 - Variabile aleatoare

 noţiune a priori, definită înainte de

desfăşurarea unui experiment
 se notează cu litere mari X, Y, Z, iar
evenimentele posibile - cu x1, x2,
x3,... xn
Clasificare

 În raport cu numărul posibil de

variante, distingem:
 Variabile aleatoare discrete
 Variabile aleatoare continue
Variabile aleatoare discrete
 Legea de probabilitate a unei variabile
aleatoare discrete se scrie

 x1 x2 ... x n  Evenimente (xi)

X :  
 p1 p2 ... p n  Probabilități (pi)

unde pi = P (X = xi)
Suma valorilor de pe rândul doi este egală
cu 1.
Exemplu: experimentul aruncării
unui zar

 Evenimentele: obținerea cifrei 1,

obținerea cifrei 2, etc

1 2 3 4 5 6 Evenimente (xi)
X: 1 1 1 1 1 1
  Probabilități (pi)
6 6 6 6 6 6
 Operații cu variabile aleatoare
discrete
 Înmulțirea unei variabile aleatoare discrete X cu o
constantă (a).

 x1 x2 x3 x4 x5  1 2 3 4 5 6
X :   X: 1 1 1 1 1 1
 p1 p2 p3 p4 p5   
6 6 6 6 6 6

 ax1 ax 2 ax 3 ax 4 ax 5  3 6 9 12 15 18 
aX :   3X :  1 1 1 1 1 1
 
 p1 p 2 p3 p4 p5  6 6 6 6 6 6
 Operații cu variabile aleatoare
discrete
 Adunarea dintre o variabilă aleatoare discretă X și o
constantă (a).

x x2 x3 x4 x5   x1  a x2  a x3  a x4  a x5  a 
X :  1  X  a :  
 p1 p 5 
p2 p3 p4
 p1 p2 p3 p4 p5 

1 2 3 4 5 6 4 5 6 7 8 9
X: 1 1 1 1 1 1 X  3: 1 1 1 1 1 1
   
6 6 6 6 6 6 6 6 6 6 6 6
Valori specifice variabilelor aleatoare
discrete

 Speranţa matematică

 xi 
X :  , 1  i  n
 pi 
n
E(X)   pi x i
i 1
Proprietățile speranței matematice

 E(a) = a
 E(aX) = aE(X)
 E(a+X) = a + E(X)
 Exemplu:

1 2 3 4 5 6 Evenimente (xi)
X: 1 1 1 1 1 1
 
6 6 6 6 6 6 Probabilități (pi)

n
E(X)   pi x i
i 1

1 1 1 1 1  2  3  ...  6 21
E(X)  1  2   3   ...  6   
6 6 6 6 6 6
Varianţa
V(X) = E(X2) - [E(X)]2
Unde
n
   pi x i
n
E X 2   pi x 2i E(X) 
i 1 i 1

Proprietățile varianței
 V(a) = 0

 V(aX) = a2V(X)

 V(a+X) = V(X)
 1 2 3 4 5 6 Evenimente (xi)
X: 1 1 1 1 1 1
Exemplu: 
6 6 6 6 6

6 Probabilități (pi)

V(X) = E(X2) - [E(X)]2

n
 
n
E X 2   pi x 2i E(X)   pi x i E(X) 
21
i 1 i 1 6

1 1 1 1 1  4  9  ...  36 91
E(X2 )  12   2 2   32   ...  6 2   
6 6 6 6 6 6

91  21  91 441 91 6  441 210

2

V(X)        
6 6 6 36 36 36
Legea de probabilitate Bernoulli B(p)

0 1
X :  
q p

 p+q=1
 speranţa matematică E(X) = p
 varianţa V(X) = p - p2 = pq
Variabile aleatoare continue

 - ... -1 0 ... +  Evenimente (xi)

X:  
 ... ... f(-1) f(0) ... ...  Probabilități (pi)
Funcţii asociate variabilelor aleatoare
continue

 Densitatea de probabilitate
f(xi) = P(X=xi)

 - ... -1 0 ... + 
X:  
 ... ... f(-1) f(0) ... ... 

 Forma funcţiei f(xi) este specifică

fiecărei variabile aleatoare
Funcţii asociate variabilelor aleatoare
continue

 Funcţia de repartiţie F(xi)

i
 F(xi) = P(X≤xi)=  P(X = x )
j=1
j
 1 2 3 4 5 6
X: 1 1 1 1 1 1
Exemplu 
6 6 6 6 6

6

Funcția de repartiție

1 1
f(1)  P(X  1)  f(3)  P(X  3) 
6 6

Densitatea de probabilitate

1 1 1 1 4
F(4)  P(X  4)  P(X  1)  P(X  2)  P(X  3)  P(X  4)     
6 6 6 6 6
Legi de probabilitate continue
particulare

 Legea normală (Gauss) N(m,σ)

 Oarecare N(m, σ), cu m≠0, σ ≠1

 Centrată şi redusă N(0,1)

X ~ N (m, σ)
Legea normală oarecare N(m, σ)

 Densitatea sa de probabilitate este

(x i  m)2
1 
f:R  [0,1], f(x i )  e 2σ 2

σ 2π
 Rolul parametrilor m şi σ
 m – speranţa matematică a variabilei normale, determină axa de
simetrie a clopotului
 σ – abaterea medie pătratică, calculată ca radical din varianţă,
determină curbura clopotului
X ~ N (2,3)
(x i  m)2
1 
f:R  [0,1], f(x i )  e 2σ 2  - ... -1 0 ... + 
σ 2π X:  
 ... ... f(-1) f(0) ... ... 
(x i  2) 2
1 
X ~ N (2,3) f(x i )  e 18
1 
(-1- 2) 2
3 2π f(-1)  e 18
3 2π
 Legea normală oarecare N(m, σ)

1
σ 2π

m m+σ
Normal

m-σ

Densitatea de probabilitate a unei variabile normale oarecare

 X ~ N (m, σ)

X ~ N (2,1) X ~ N (4,1)

m2 m4
X ~ N (m, σ)

X ~ N (2,4)

X ~ N (2,8)

m2
Legea normală centrată şi redusă
N(0,1)

 Densitatea sa de probabilitate este

x i2
1 
f : R  [0,1], f(x i )  e 2

2π
Legea normală centrată şi redusă
N(0,1)

f(x) 1
2π

- -1 0 1 +
Normal

-σ 0 σ

Densitatea de probabilitate a unei variabile normale

centrate şi reduse N(0,1)
Alte legi de probabilitate continue
particulare

 Legea de probabilitate χ2
 Legea de probabilitate Student
 Legea de probabilitate Fisher
Snedecor