Documente Academic
Documente Profesional
Documente Cultură
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
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 ̅̅̅̅̅
𝑥1 … 𝑥𝑛 … 𝑥𝑖
𝑋 ∶ (𝑝 … 𝑝 …) sau 𝑋 ∶ (𝑝 ) .
1 𝑛 𝑖 𝑖∈ℕ∗
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] .
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 .
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) .