CURS 3

Variabile aleatoare unidimensionale

In cele ce urmeaza consideram {Ω , K , P} un camp (borelian) de probabilitate.

Definitia 1 – variabila aleatoare

Aplicatia/functia 𝑋: Ω → ℝ se numeste variabila aleatoare ⟺ ∀ 𝑥 ∈ ℝ , {𝜔 | 𝑋(𝜔) < 𝑥} ∈ 𝐾 .

Observatia 1
Notatii echivalente: {𝜔 | 𝑋(𝜔) < 𝑥} = 𝑋 −1 ((−∞, 𝑥)) sau {𝜔 | 𝑋(𝜔) < 𝑥} = {𝑋(𝜔) < 𝑥} = {𝑋 < 𝑥} .

Exemplul 1
Fie 𝑎 ∈ ℝ , 𝑎 fixat. Atunci 𝑋: Ω → ℝ , unde 𝑋(𝜔) = 𝑎 , ∀𝜔 ∈ Ω este variabila aleatoare.

Exemplul 2
Consideram Ω = {𝜔1 , 𝜔2 , 𝜔3 } , 𝐾 = {Φ, Ω, {𝜔1 }, {𝜔2 , 𝜔3 }} si 𝑋: Ω → ℝ definita prin: 𝑋(𝜔1 ) = 2 ,
𝑋(𝜔2 ) = 1 , 𝑋(𝜔3 ) = −2 . Stabiliti daca 𝑋 este variabila aleatoare.

Observatia 2
Daca 𝑋: Ω → ℝ este variabila aleatoare , atunci ∀ 𝑥, 𝑦 ∈ ℝ , cu proprietatea 𝑥 < 𝑦 , avem:
a) {𝜔 | 𝑋(𝜔) ≤ 𝑥} ∈ 𝐾
b) {𝜔 | 𝑋(𝜔) ≥ 𝑥} ∈ 𝐾
c) {𝜔 | 𝑋(𝜔) > 𝑥} ∈ 𝐾
d) {𝜔 | 𝑥 ≤ 𝑋(𝜔) ≤ 𝑦} ∈ 𝐾
e) {𝜔 | 𝑥 < 𝑋(𝜔) ≤ 𝑦} ∈ 𝐾
f) {𝜔 | 𝑥 ≤ 𝑋(𝜔) < 𝑦} ∈ 𝐾
g) {𝜔 | 𝑥 < 𝑋(𝜔) < 𝑦} ∈ 𝐾
h) {𝜔 | 𝑋(𝜔) = 𝑥} ∈ 𝐾

Observatia 3
Daca 𝑋 , 𝑌 ∶ Ω → ℝ sunt variabile aleatoare definite pe acelasi camp de probabilitate {Ω , K , P} ,
atunci:
a) {𝜔 | 𝑋(𝜔) < 𝑌(𝜔)} ∈ 𝐾
b) {𝜔 | 𝑋(𝜔) ≤ 𝑌(𝜔)} ∈ 𝐾
c) {𝜔 | 𝑋(𝜔) = 𝑌(𝜔)} ∈ 𝐾

Definitia 2 – variabila aleatoare discreta

Fie 𝑋: Ω → ℝ variabila aleatoare. 𝑋 se numeste variabila aleatoare discreta ⟺ multimea valorilor
acesteia este finita sau numarabila (i.e cel mult numarabila): 𝑋(Ω) = {𝑥𝑖 }𝑖∈𝐼 , 𝑥𝑖 ∈ ℝ ∀𝑖 ∈ 𝐼 , 𝑥𝑖 ≠ 𝑥𝑗
∀𝑖, 𝑗 ∈ 𝐼 , 𝑖 ≠ 𝑗 , iar 𝐼 este o multime cel mult numarabila.

Observatia 4
𝑋(Ω) = multimea valorilor posibile ale variabilei aleatoare 𝑋 . Pentru simplificare, in cazul in care
multimea valorilor lui 𝑋 este finita, vom considera 𝐼 = {1,2, … , 𝑛} , iar in caz contrar, 𝐼 = ℕ∗ .
Observatia 5
Fie 𝑋: Ω → ℝ variabila aleatoare discreta si 𝑝𝑖 = 𝑃({𝜔 | 𝑋(𝜔) = 𝑥𝑖 }) , 𝑖 ∈ 𝐼 , unde 𝑝𝑖 > 0 ∀𝑖 ∈ 𝐼 si
∑𝑖∈𝐼 𝑝𝑖 = 1 .
Daca 𝐼 = {1,2, … , 𝑛} , vom spune ca variabila aleatoare 𝑋 are repartitia discreta:

𝑥1 … 𝑥𝑛 𝑥𝑖
𝑋 ∶ (𝑝 … 𝑝𝑛 ) sau 𝑋 ∶ (𝑝𝑖 )𝑖∈1,𝑛 .
1 ̅̅̅̅̅

Similar, in cazul in care 𝐼 = ℕ∗ , variabila aleatoare 𝑋 are repartitia discreta:

𝑥1 … 𝑥𝑛 … 𝑥𝑖
𝑋 ∶ (𝑝 … 𝑝 …) sau 𝑋 ∶ (𝑝 ) .
1 𝑛 𝑖 𝑖∈ℕ∗

Exemplul 3 – repartitia binomiala

Fie 𝑋 variabila aleatoare care exprima numarul bilelor albe obtinute in 𝑛 extrageri succesive cu
revenire (schema lui Bernoulli sau binomiala – schema urnei cu bila revenita cu 2 stari), unde
probabilitatea de a obtine o bila alba la o extragere individuala este 𝑝 ∈ [0,1] . Scrieti repartitia
variabilei aleatoare 𝑋 .

Exemplul 4 – repartitia geometrica

Variabila aleatoare 𝑋 are repartitie geometrica daca
0 1 2 … 𝑘 …
𝑋∶ ( )
𝑝 𝑝𝑞 𝑝𝑞 2 … 𝑝𝑞 𝑘 …
unde 𝑝 , 𝑞 > 0 si 𝑝 + 𝑞 = 1.

Definitia 3 – functia de repartitie a unei variabile aleatoare

Fie 𝑋: Ω → ℝ variabila aleatoare . Functia 𝐹: ℝ → ℝ definita prin 𝐹(𝑥) = 𝑃({𝜔 | 𝑋(𝜔) < 𝑥}) ,
∀ 𝑥 ∈ ℝ se numeste functia de repartitie a variabilei aleatoare 𝑋 .

Observatia 6
Echivalent, putem nota 𝐹(𝑥) = 𝑃(𝑋 < 𝑥) .

Observatia 7
In cazul in care dorim sa punem in evidenta variabila aleatoare a carei functie de repartitie o
reprezentam, folosim notatia: 𝐹𝑋 : ℝ → ℝ , 𝐹𝑋 (𝑥) = 𝑃({𝜔 | 𝑋(𝜔) < 𝑥}) sau 𝐹𝑋 (𝑥) = 𝑃(𝑋 < 𝑥) .

Observatia 8
Desigur, functia de repartitie ia valori in [0,1] , adica 𝐹: ℝ → [0,1] .

Propozitia 1 – proprietatile functiei de repartitie

Fie 𝑋: Ω → ℝ variabila aleatoare si 𝐹: ℝ → [0,1] functia ei de repartitie. Atunci:
a) lim𝑥→−∞ 𝐹(𝑥) = 0 ; lim𝑥→∞ 𝐹(𝑥) = 1 ;
b) ∀ 𝑥, 𝑦 ∈ ℝ , cu 𝑥 < 𝑦 avem 𝐹(𝑥) ≤ 𝐹(𝑦) (functia de repartitie este nedescrescatoare);
c) functia de repartitie este continua la stanga : lim𝑦→𝑥 𝐹(𝑦) = 𝐹(𝑥) , ∀ 𝑥 ∈ ℝ .
𝑦<𝑥
Exemplul 5
1 2
Fie Ω = {𝜔1 , 𝜔2 , 𝜔3 } , 𝐾 = ℘(Ω) , 𝑃: 𝐾 → Ω definita prin 𝑃({𝜔1 }) = 7 , 𝑃({𝜔2 }) = 7 si
4
𝑃({𝜔3 }) = 7 . Consideram 𝑋: Ω → ℝ definita prin 𝑋(𝜔1 ) = 5 , 𝑋(𝜔2 ) = −2 , 𝑋(𝜔3 ) = 2 . Se cer:
a) demonstrati ca 𝑋 este variabila aleatoare; b) scrieti repartitia variabilei aleatoare 𝑋 ; c) daca 𝐹𝑋 este
functia de repartitie a variabilei aleatoare 𝑋 , calculati 𝐹𝑋 (0) , 𝐹𝑋 (2) , 𝐹𝑋 (9) ; d) scrieti forma generala a
functiei de repartitie.

Observatia 9
𝑥1 … 𝑥𝑛 …
Daca 𝑋 este o variabila aleatoare discreta, cu repartitia 𝑋 ∶ (𝑝 … 𝑝 …) , unde 𝑝𝑖 > 0 , ∀𝑖 ∈ ℕ∗ si
1 𝑛
∑𝑖∈ℕ∗ 𝑝𝑖 = 1 , atunci functia ei de repartitie are forma

0 , daca 𝑥 ≤ 𝑥1
𝑝1 , daca 𝑥1 < 𝑥 ≤ 𝑥2
𝐹𝑋 (𝑥) = 𝑝1 + 𝑝2 , daca 𝑥2 < 𝑥 ≤ 𝑥3
… … … ..
𝑝1 + 𝑝2 + ⋯ 𝑝𝑛 , daca 𝑥𝑛 < 𝑥 ≤ 𝑥𝑛+1
{… … … . ..

Reprezentand grafic, se observa ca functia de repartitie a unei variabile aleatoare discrete este o functie
“scara”.
𝑥1 … 𝑥𝑛
Desigur, daca 𝑋 este o variabila aleatoare discreta finita, cu repartitia 𝑋 ∶ (𝑝 … 𝑝 ) , unde 𝑝𝑖 > 0 ,
1 𝑛
∀𝑖 ∈ ̅̅̅̅̅
1, 𝑛 si ∑𝑖∈1,𝑛
̅̅̅̅̅ 𝑝𝑖 = 1 , atunci

0 , daca 𝑥 ≤ 𝑥1
𝑝1 , daca 𝑥1 < 𝑥 ≤ 𝑥2
𝑝 + 𝑝
𝐹𝑋 (𝑥) = … … … ..
1 2 , daca 𝑥2 < 𝑥 ≤ 𝑥3
𝑝1 + 𝑝2 + ⋯ 𝑝𝑛−1 , daca 𝑥𝑛−1 < 𝑥 ≤ 𝑥𝑛
{1 , daca 𝑥 > 𝑥𝑛

Observatia 10
Fie 𝑋: Ω → ℝ variabila aleatoare discreta si 𝐹: ℝ → [0,1] functia ei de repartitie. Atunci:
a) 𝑃(𝑋 ≤ 𝑎) = 𝑃(𝑋 < 𝑎) + 𝑃(𝑋 = 𝑎) = 𝐹(𝑎) + 𝑃(𝑋 = 𝑎)
b) 𝑃(𝑋 ≥ 𝑎) = 1 − 𝑃(𝑋 < 𝑎) = 1 − 𝐹(𝑎)
c) 𝑃(𝑋 > 𝑎) = 1 − 𝑃(𝑋 ≤ 𝑎) = 1 − 𝐹(𝑎) − 𝑃(𝑋 = 𝑎)
d) 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑏) − 𝑃(𝑋 < 𝑎) = 𝐹(𝑏) + 𝑃(𝑋 = 𝑏) − 𝐹(𝑎)
e) 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑋 ≤ 𝑏) − 𝑃(𝑋 ≤ 𝑎) = 𝐹(𝑏) + 𝑃(𝑋 = 𝑏) − 𝐹(𝑎) − 𝑃(𝑋 = 𝑎)
f) 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑋 < 𝑏) − 𝑃(𝑋 < 𝑎) = 𝐹(𝑏) − 𝐹(𝑎)
g) 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑃(𝑋 < 𝑏) − 𝑃(𝑋 ≤ 𝑎) = 𝐹(𝑏) − 𝐹(𝑎) − 𝑃(𝑋 = 𝑎)

Observatia 11
Daca 𝐹: ℝ → ℝ+ verifica proprietatile unei functii de repartitie, atunci exista {Ω , K , P} un camp
borelian de probabilitate si o variabila aleatoare 𝑋: Ω → ℝ a carei functie de repartitie este 𝐹 .

Definitia 4 – variabila aleatoare continua , densitate

Fie 𝑋: Ω → ℝ o variabila aleatoare si 𝐹: ℝ → [0,1] functia ei de repartitie. Daca exista 𝑓: ℝ → ℝ+ o
𝑥
functie integrabila astfel incat 𝐹(𝑥) = ∫−∞ 𝑓(𝑡)𝑑𝑡 , atunci vom spune ca 𝑋 este variabila aleatoare
continua si 𝑓 este densitatea de repartitie sau densitatea de probabilitate a acesteia.
Observatia 12
Pentru a pune in evidenta variabila aleatoare 𝑋 a carei densitate este 𝑓 , putem nota 𝑓𝑋 .

Propozitia 2 – proprietatile densitatii

Fie 𝑋: Ω → ℝ o variabila aleatoare continua, 𝐹: ℝ → [0,1] functia ei de repartitie si 𝑓: ℝ → ℝ+
densitatea. Atunci:
a) 𝑓(𝑥) ≥ 0 , ∀ 𝑥 ∈ ℝ
+∞
b) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1

Observatia 13
Fie 𝑋: Ω → ℝ o variabila aleatoare, 𝐹: ℝ → [0,1] functia ei de repartitie. Daca 𝐹 este derivabila pe
𝐹 ′ (𝑥) , pentru 𝑥 ∈ 𝐼
𝐼 = 𝑋(Ω) , atunci densitatea 𝑓: ℝ → ℝ+ este data de 𝑓(𝑥) = { .
0 , in rest

Propozitia 3
Daca 𝑋: Ω → ℝ este o variabila aleatoare continua , atunci 𝑃(𝑋 = 𝑎) = 0 , ∀ 𝑎 ∈ ℝ .

Observatia 14
Fie 𝑋: Ω → ℝ variabila aleatoare continua, 𝐹: ℝ → [0,1] functia ei de repartitie si 𝑓: ℝ → ℝ+
densitatea. Atunci:
𝑎
a) 𝑃(𝑋 ≤ 𝑎) = 𝑃(𝑋 < 𝑎) = 𝐹(𝑎) = ∫−∞ 𝑓(𝑡)𝑑𝑡
𝑎 +∞
b) 𝑃(𝑋 ≥ 𝑎) = 𝑃(𝑋 > 𝑎) = 1 − 𝑃(𝑋 < 𝑎) = 1 − 𝐹(𝑎) = 1 − ∫−∞ 𝑓(𝑡)𝑑𝑡 = ∫𝑎 𝑓(𝑡)𝑑𝑡
c) 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) =
𝑏
= 𝐹(𝑏) − 𝐹(𝑎) = ∫𝑎 𝑓(𝑡)𝑑𝑡

Observatia 15
Daca 𝑓: ℝ → ℝ+ verifica proprietatile unei densitati de repartitie, atunci exista {Ω , K , P} un camp
borelian de probabilitate si o variabila aleatoare 𝑋: Ω → ℝ a carei densitate de repartitie este 𝑓 .

Propozitia 4
Fie 𝑋 , 𝑌 ∶ Ω → ℝ variabile aleatoare definite pe acelasi camp de probabilitate {Ω , K , P} . Atunci: 𝑎𝑋 ,
1
𝑎 ∈ ℝ ; 𝑎 + 𝑋 , 𝑎 ∈ ℝ ; |𝑋| ; 𝑋 𝑘 , 𝑘 ∈ ℕ∗ ; 𝑋 , daca 𝑋 ≠ 0 ; √𝑋 , daca 𝑋 ≥ 0 ; 𝑎𝑋 + 𝑏𝑌 , 𝑎 , 𝑏 ∈ ℝ ; 𝑋𝑌 ;
max(𝑋, 𝑌) ; min(𝑋, 𝑌) sunt variabile aleatoare.

Exemplul 6
−1 0 1 −1 1
Fie variabilele aleatoare 𝑋 ∶ ( ), 𝑌∶ ( ) . Sa se afle repartitiile urmatoarelor
0.3 0.3 0.4 0.5 0.5
variabile: 2𝑋 , 3𝑌 , 2𝑋 + 3𝑌 , 𝑋𝑌 , |𝑋| , 𝑋 2 + 𝑋 , 𝑌 𝑛 unde 𝑛 ∈ ℕ , considerand 𝑃({𝑋 = 𝑥} ∩ {𝑌 = 𝑦}) =
𝑃({𝑋 = 𝑥}) ∙ 𝑃({𝑌 = 𝑦}) , unde 𝑥 ∈ {−1, 0, 1} si 𝑦 ∈ {−1, 1} .

Exemplul 7
𝑥 2
1
Fie 𝑋: Ω → ℝ variabila aleatoare continua, cu densitatea 𝑓: ℝ → ℝ+ , 𝑓(𝑥) = 𝑒− 2 . Sa se afle
√2𝜋
densitatea variabilei aleatoare 𝑌 = 𝑋 2 .
Propozitia 5
Fie 𝑋: Ω → ℝ variabila aleatoare , cu 𝑋(Ω) = 𝐼 , unde 𝐼 ⊆ ℝ si 𝐹𝑋 : ℝ → [0,1] functia de repartitie a
variabilei aleatoare 𝑋 . Se da functia 𝜑: I → ℝ . Atunci:
a) Daca 𝜑 este continua si strict crescatoare pe 𝐼 ⟹ 𝜑 ∘ 𝑋 este variabila aleatoare cu functia de
repartitie data de 𝐹𝜑∘𝑋 (𝑦) = 𝐹𝑋 (𝜑−1 (𝑦)) , ∀ 𝑦 ∈ ℝ .
b) Daca 𝜑 este continua si strict descrescatoare pe 𝐼 ⟹ 𝜑 ∘ 𝑋 este variabila aleatoare cu functia
de repartitie data de 𝐹𝜑∘𝑋 (𝑦) = 1 − 𝐹𝑋 (𝜑−1 (𝑦)) − 𝑃(𝑋 = 𝜑−1 (𝑦)) , ∀ 𝑦 ∈ ℝ . (Observatie:
daca 𝑋 este variabila aleatoare continua, atunci 𝑃(𝑋 = 𝜑−1 (𝑦)) = 0 .)

Exemplul 8
Fie 𝑋: Ω → ℝ variabila aleatoare continua, cu densitatea 𝑓: ℝ∗+ → ℝ+ , 𝑓(𝑥) = 𝑥 ∙ 𝑒 −𝑥 si
𝜑: (0, ∞) → ℝ 𝜑(𝑥) = √𝑥 . Sa se afle variabila aleatoare 𝜑 ∘ 𝑋 si densitatea acesteia, 𝑓𝜑∘𝑋 (𝑦) .