
Probabilități și Statistică · Cursul 4
Universitatea din București · Facultatea de Matematică și Informatică · 2026–2027
| Partea | Conținut |
|---|---|
| I | De la discret la continuu; densitatea de repartiție |
| II | Funcția de repartiție; cuantile și mediană; analogia discret–continuu |
| III | Media, formula de transport, momente, varianța |
| IV | Exerciții rezolvate |
Obiective: lucrul cu densitatea \(f\) și funcția de repartiție \(F\) (\(F'=f\)); calculul cuantilelor; calculul mediei, momentelor și varianței prin integrale.
Multe mărimi de interes practic pot lua, cel puțin în principiu, orice valoare dintr-un interval:
Pentru astfel de variabile, probabilitatea de a lua o valoare fixată este nulă, iar descrierea prin funcția de masă nu mai are sens.
Ideea cursului: înlocuim funcția de masă cu densitatea de repartiție, iar sumele cu integrale.
Alegem un punct „la întâmplare” în \([0,1]\); fie \(X\) poziția lui. Este natural să cerem ca probabilitatea ca \(X\) să cadă într-un subinterval să fie egală cu lungimea acestuia: \[ \PP(X\in[0,1/2])=1/2,\qquad \PP(X\in[0.2,0.3])=0.1 . \] Atunci, pentru orice \(x\in[0,1]\) și orice \(\varepsilon>0\), \[ 0\le \PP(X=x)\le \PP\big(X\in[x-\varepsilon,x+\varepsilon]\big)\le 2\varepsilon, \] deci \(\PP(X=x)=0\): fiecare valoare individuală are probabilitate zero, deși \(X\) ia cu siguranță o valoare din \([0,1]\).
Nu există nicio contradicție: aditivitatea numărabilă se aplică doar reuniunilor numărabile, iar \([0,1]\) nu este numărabil.
Simulăm multe valori ale lui \(X\) și le grupăm în clase de lățime \(h\); înălțimea fiecărei bare (aria totală normalizată la \(1\)) aproximează \(\PP(X\in[x,x+h])/h\).

Când numărul de observații crește și \(h\) scade, histograma se stabilizează în jurul unei curbe netede — densitatea de repartiție (aici \(f(x)=\frac38(4x-2x^2)\) pe \((0,2)\), curba roșie).
Fie \((\Omega,\F,\PP)\) un câmp de probabilitate și \(X:\Omega\to\R\) o variabilă aleatoare. \(X\) este o variabilă aleatoare continuă (mai precis, absolut continuă) dacă există o funcție \(f:\R\to[0,\infty)\), integrabilă, cu \[ \PP(X\in A)=\int_A f(x)\dd x \] pentru orice \(A\subseteq\R\) care este un interval sau o reuniune cel mult numărabilă de intervale. Funcția \(f\) se numește densitatea de repartiție (densitatea de probabilitate) a lui \(X\); se notează \(f_X\) când trebuie precizată variabila.
Interpretare geometrică: probabilitatea ca \(X\) să ia valori în \(A\) este aria de sub graficul densității, deasupra lui \(A\). În particular, \[ \PP(a\le X\le b)=\int_a^b f(x)\dd x . \]

\(\PP(a\le X\le b)\) este aria de sub graficul densității între \(a\) și \(b\). Aici \(f(x)=\frac{3}{8}(4x-2x^2)\) pe \((0,2)\), \(a=0.5\), \(b=1.2\), iar aria hașurată este \(\approx 0.4918\).
Luând \(A=\R\): \(\PP(X\in\R)=\PP(\Omega)=1\) — aria totală de sub graficul densității este \(1\).
Densitatea de repartiție \(f\) a unei variabile aleatoare continue satisface:
\(f(x)\ge 0\) pentru orice \(x\in\R\);
\(\displaystyle\int_{-\infty}^{+\infty} f(x)\dd x=1\).
Reciproc, orice funcție integrabilă \(f:\R\to\R\) care verifică a) și b) este densitatea unei variabile aleatoare continue.
Partea reciprocă (existența unei v.a. cu densitate dată) necesită teoria măsurii și o admitem; ea ne permite să vorbim despre „variabila aleatoare cu densitatea \(f\)” de îndată ce am verificat a) și b). În Cursul 5 vom vedea o metodă constructivă, pornind de la o variabilă uniformă.
Mulțimea \(\{x\in\R : f(x)>0\}\) se numește suportul lui \(X\) (sau al densității). În practică, densitățile se dau printr-o formulă pe suport și valoarea \(0\) în rest; scriem de exemplu \[ f(x)=2x\,\Ind_{[0,1]}(x), \] unde \(\Ind_A\) este funcția indicatoare a mulțimii \(A\).
Suportul poate fi un interval mărginit, o semidreaptă sau tot \(\R\) (de exemplu, repartiția logistică, mai târziu).
\(f(x)=2x\,\Ind_{[0,1]}(x)\) este densitate: \(f\ge0\) și \(\int_{\R}f=\int_0^1 2x\dd x=x^2\big|_0^1=1\). Atunci \[ \PP\Big(X\le\tfrac12\Big)=\int_0^{1/2}2x\dd x=\frac14,\qquad \PP\Big(\tfrac12<X\le1\Big)=\frac34 . \]
Revenim la motivație: \(X\) = poziția unui punct ales la întâmplare în \([0,1]\). Densitatea \(f(x)=\Ind_{[0,1]}(x)\) (\(=1\) pe \([0,1]\), \(0\) în rest) verifică \(f\ge0\), \(\int_{\R}f=1\) și, pentru \(0\le a\le b\le1\), \[ \PP(a\le X\le b)=\int_a^b 1\dd x=b-a \quad(\text{lungimea intervalului}). \] În particular \(\PP(X\in[0.2,0.3])=0.1\) și \(\PP(X=x)=0\) pentru orice \(x\), exact ca în motivație.
Dacă \(X\) este o variabilă aleatoare continuă cu densitatea \(f\), atunci pentru orice \(a\in\R\) \[ \PP(X=a)=\int_a^a f(x)\dd x=0 . \] În consecință, pentru orice \(a<b\), \[ \PP(a\le X\le b)=\PP(a<X\le b)=\PP(a\le X<b)=\PP(a<X<b)=\int_a^b f(x)\dd x . \]
Demonstrație. Prima afirmație rezultă direct din definiție, cu \(A=\{a\}=[a,a]\). Pentru a doua, de exemplu, \(\{a\le X\le b\}=\{X=a\}\cup\{a<X\le b\}\), reuniune disjunctă, deci \(\PP(a\le X\le b)=0+\PP(a<X\le b)\); celelalte egalități se obțin la fel.■
Pentru variabile discrete, egalitățile de mai sus sunt în general false: dacă \(X\sim\Bin(3,1/2)\), atunci \(\PP(1\le X\le 2)=3/4\), dar \(\PP(1<X<2)=0\). Nu transferați automat regula „inegalitățile stricte sau nestricte nu contează” de la variabile continue la variabile discrete.
Pentru o variabilă continuă, în schimb, putem scrie liniștiți \(\PP(X<x)=\PP(X\le x)\).
Fie \(x\in\R\) și \(\dd x>0\) o lungime foarte mică. Dacă \(f\) este continuă în \(x\), pe \([x,x+\dd x]\) densitatea este aproape constantă, egală cu \(f(x)\), și \[ \PP\big(X\in[x,x+\dd x]\big)=\int_x^{x+\dd x} f(t)\dd t\approx f(x)\,\big((x+\dd x)-x\big)=f(x)\dd x . \] Astfel \[ f(x)\approx\frac{\PP\big(X\in[x,x+\dd x]\big)}{\dd x}=\frac{\text{probabilitate}}{\text{unitate de lungime}} . \]
Valoarea \(f(x)\) a unei densități nu este o probabilitate. Singurele constrângeri sunt \(f\ge0\) și aria totală egală cu \(1\); o densitate poate lua valori mai mari decât \(1\) și poate fi chiar nemărginită. Probabilități sunt doar ariile de sub graficul lui \(f\).
Fie \(X\) cu densitatea \(f(x)=\dfrac{1}{2\sqrt{x}}\) pentru \(0<x\le 1\) și \(f(x)=0\) altfel. Evident \(f(x)\ge0\) și \(\int_{-\infty}^{+\infty} f(x)\dd x=\int_0^1\frac{1}{2\sqrt{x}}\dd x=\sqrt{x}\,\big|_0^1=1\). Totuși \(f(x)\to+\infty\) când \(x\to0^+\). Aceasta nu contrazice nimic: de exemplu, \(\PP(X\le 0.01)=\sqrt{0.01}=0.1\), o probabilitate perfect rezonabilă.

Aria hașurată este \(\PP(X\le 0.25)=\sqrt{0.25}=0.5\): jumătate din masa de probabilitate este concentrată pe intervalul \((0,0.25]\), unde densitatea depășește \(1\).
Frecvent, o densitate este cunoscută „până la o constantă”: se știe forma funcției, iar constanta se determină din condiția ca aria totală să fie \(1\).
Durata (în ore) a funcționării neîntrerupte a unui echipament este o v.a. continuă \(X\) cu densitatea \[ f(x)=\begin{cases}k\,(4x-2x^2), & 0<x<2,\\ 0, & \text{altfel.}\end{cases} \] a) Determinăm \(k\). Pe \((0,2)\), \(4x-2x^2=2x(2-x)>0\), deci \(f\ge0\) impune \(k\ge0\). Din normare, \[ 1=\int_0^2 k(4x-2x^2)\dd x=k\Big(2x^2-\frac{2x^3}{3}\Big)\Big|_0^2=k\Big(8-\frac{16}{3}\Big)=\frac{8k}{3} \quad\Longrightarrow\quad k=\frac38 . \]
Timpul (în ore) până la defectarea unei componente are densitatea \(f(x)=c\,e^{-2x}\) pentru \(x\ge0\) și \(f(x)=0\) pentru \(x<0\).
Normare: \(1=c\int_0^\infty e^{-2x}\dd x=c\Big(-\frac{e^{-2x}}{2}\Big)\Big|_0^\infty=\frac c2\), deci \(c=2\).
\(\PP(X>1)=\int_1^\infty 2e^{-2x}\dd x=e^{-2}\approx0.1353\) și \(\PP(X\le 0.5)=1-e^{-1}\approx0.6321\).
Pentru \(0\le a<b\): \(\PP(a<X\le b)=e^{-2a}-e^{-2b}\).
Funcția de repartiție se definește în același mod pentru orice variabilă aleatoare — discretă, continuă sau de alt tip.
Fie \(X\) o variabilă aleatoare. Funcția \(F=F_X:\R\to[0,1]\), \[ F(x)=\PP(X\le x)=\PP\big(X\in(-\infty,x]\big),\qquad x\in\R, \] se numește funcția de repartiție a lui \(X\).
Din definiție, pentru orice \(a<b\): \[ \PP(a<X\le b)=F(b)-F(a),\qquad \PP(X>x)=1-F(x). \] Funcția \(x\mapsto\PP(X>x)=1-F(x)\) se numește funcția de supraviețuire (de fiabilitate); apare natural când \(X\) este o durată de viață.
Funcția de repartiție \(F\) a unei variabile aleatoare \(X\) are proprietățile:
Reciproc, orice funcție cu proprietățile a)–c) este funcția de repartiție a unei variabile aleatoare.
Demonstrație.
Dacă \(x_1\le x_2\), atunci \(\{X\le x_1\}\subseteq\{X\le x_2\}\) și, din monotonia probabilității, \(F(x_1)\le F(x_2)\).
Fie \(h_n\downarrow0\). Evenimentele \(\{X\le x+h_n\}\) formează un șir descrescător cu intersecția \(\{X\le x\}\); din continuitatea probabilității pe șiruri monotone, \(F(x+h_n)\to F(x)\). Cum \(F\) este monotonă, rezultă limita la dreapta.
Evenimentele \(\{X\le -n\}\) descresc către \(\emptyset\), iar \(\{X\le n\}\) cresc către \(\Omega\); prin continuitatea probabilității, \(F(-n)\to0\) și \(F(n)\to1\), iar monotonia lui \(F\) permite trecerea de la șiruri la limite. Partea reciprocă o admitem.
■
Discret: \(F(x)=\sum_{y\le x}p_X(y)\), cu salturi în valorile lui \(X\). Continuu: suma devine integrală.
Fie \(X\) o variabilă aleatoare continuă cu densitatea \(f\) și funcția de repartiție \(F\). Atunci:
\(\displaystyle F(x)=\int_{-\infty}^x f(t)\dd t\) pentru orice \(x\in\R\);
\(F\) este continuă pe \(\R\);
dacă \(f\) este continuă în \(x_0\), atunci \(F\) este derivabilă în \(x_0\) și \(F'(x_0)=f(x_0)\). În particular, dacă \(f\) este continuă pe un interval, atunci \(F'=f\) pe acel interval.
Demonstrație.
■
Ilustrare. Pentru densitatea nemărginită \(f(x)=\frac{1}{2\sqrt x}\) pe \((0,1]\): \(F(x)=\int_0^x\frac{\dd t}{2\sqrt t}=\sqrt x\) pentru \(x\in[0,1]\), \(F\) este continuă pe \(\R\), iar \(F'(x)=\frac{1}{2\sqrt x}=f(x)\) pe \((0,1)\); în \(0\), unde \(f\) nu este continuă (nici măcar mărginită), \(F\) nu este derivabilă.
Densitatea și funcția de repartiție conțin aceeași informație: \[ \boxed{\ \text{cunoaștem } f \ \Longrightarrow\ F(x)=\int_{-\infty}^x f(t)\dd t, \qquad \text{cunoaștem } F \ \Longrightarrow\ f(x)=F'(x).\ } \]
Exemplu. Pentru \(f(x)=2x\,\Ind_{[0,1]}(x)\): \(F(x)=0\) pentru \(x<0\), \(F(x)=x^2\) pentru \(0\le x\le1\), \(F(x)=1\) pentru \(x>1\); invers, \(F'(x)=2x\) pe \((0,1)\).
Fie \(X\) cu densitatea \(f(x)=\dfrac{e^x}{(1+e^x)^2}\), \(x\in\R\). Calculăm a) funcția de repartiție \(F\) și b) \(\PP(a<X<b)\) pentru \(a=-1\), \(b=2\).

Aceeași probabilitate \(\PP(-1<X<2)\): aria de sub densitate (stânga), respectiv diferența de „înălțimi” \(F(2)-F(-1)\) (dreapta).
Fie \(X\) cu funcția de repartiție \(F(x)=0\) pentru \(x<0\), \(F(x)=x^3\) pentru \(0\le x\le 1\), \(F(x)=1\) pentru \(x>1\).
\(F\) este continuă, crescătoare, cu limitele \(0\) și \(1\), iar în afara punctelor \(0\) și \(1\) este derivabilă. Prin derivare, \[ f(x)=F'(x)=\begin{cases}3x^2, & 0<x<1,\\ 0, & x<0 \text{ sau } x>1,\end{cases} \] iar în \(0\) și \(1\) putem pune orice valoare (de exemplu \(f(0)=0\), \(f(1)=3\)). De exemplu, \(\PP(X>1/2)=1-F(1/2)=7/8\).
Interpretare: alegem independent trei puncte la întâmplare în \([0,1]\); cel mai mare dintre ele, \(M\), verifică \[ \PP(M\le x)=\PP(\text{toate trei}\le x)=x\cdot x\cdot x=x^3,\qquad x\in[0,1]. \]
#> simulare exact
#> 0.874 0.875

Histograma valorilor simulate ale lui \(M\) urmează densitatea \(f(x)=3x^2\) (roșu).
Nu orice variabilă aleatoare este discretă sau continuă; funcția de repartiție rămâne însă bine definită și permite calculul oricărei probabilități.
Un pieton ajunge la un semafor la un moment aleator. Cu probabilitatea \(1/2\) semaforul este verde și timpul de așteptare este \(X=0\); altfel, pietonul așteaptă un timp (în secunde) cu densitatea constantă \(1/30\) pe \((0,30)\). Pentru \(0\le x<30\), \[ F(x)=\PP(X\le x)=\PP(X=0)+\PP(0<X\le x)=\frac12+\frac12\cdot\frac{x}{30}=\frac12+\frac{x}{60}, \] iar \(F(x)=0\) pentru \(x<0\) și \(F(x)=1\) pentru \(x\ge30\). \(F\) are un salt de mărime \(1/2\) în \(0\) (deci \(X\) nu este continuă), dar este continuă și strict crescătoare pe \([0,30]\) (deci \(X\) nu este nici discretă). \(\PP(X>20)=1-F(20)=1/2-1/3=1/6\).

Saltul de mărime \(1/2\) din origine: probabilitatea de a găsi semaforul verde; pe \([0,30]\), \(F\) crește liniar.
Funcția de repartiție răspunde la „care este probabilitatea ca \(X\) să nu depășească pragul \(x\)?”. Întrebarea inversă: „care este pragul pe care \(X\) nu îl depășește cu o probabilitate dată \(\alpha\)?” (durata atinsă de \(90\%\) dintre echipamente, valoarea „de mijloc” etc.).
Fie \(X\) o variabilă aleatoare cu funcția de repartiție \(F\) și \(\alpha\in(0,1)\). Numărul \[ x_\alpha=F^{-1}(\alpha)=\inf\{x\in\R : F(x)\ge\alpha\} \] se numește cuantila de ordin \(\alpha\) a lui \(X\). Funcția \(\alpha\mapsto F^{-1}(\alpha)\) se numește funcția cuantilă (inversa generalizată a lui \(F\)). Cuantila de ordin \(1/2\) se numește mediană, iar cuantilele de ordin \(1/4\) și \(3/4\) se numesc prima, respectiv a treia cuartilă.
Dacă \(F\) este continuă și strict crescătoare pe suport (situația tipică pentru variabile continue), \(x_\alpha\) este unica soluție a ecuației \(F(x)=\alpha\): \[ \PP(X\le x_\alpha)=\alpha,\qquad \PP(X>x_\alpha)=1-\alpha . \]
În R, funcțiile cu prefixul q calculează cuantile: qlogis, qbinom, qpois, …
Fie \(X\) cu densitatea \(f(x)=x/2\) pentru \(0\le x\le2\) și \(0\) altfel. Pentru \(x\in[0,2]\), \[ F(x)=\int_0^x \frac t2\dd t=\frac{x^2}{4}. \] Ecuația \(x^2/4=\alpha\) are pe \([0,2]\) soluția \(x_\alpha=2\sqrt{\alpha}\). Prin urmare:
Mediana nu este mijlocul suportului: densitatea „împinge” masa de probabilitate spre dreapta.
Pentru repartiția logistică, \(e^x/(1+e^x)=\alpha\) are soluția \(x_\alpha=\ln\frac{\alpha}{1-\alpha}\); mediana este \(0\), iar cuartilele \(\pm\ln3\approx\pm1.0986\).

Pentru \(f(x)=x/2\) pe \([0,2]\): pornim de la nivelurile \(0.25\), \(0.5\), \(0.75\) pe axa verticală și citim cuantilele \(1\), \(\sqrt2\), \(\sqrt3\).
Fie \(X\sim\Bin(3,1/2)\), cu \(F(0)=\frac18\), \(F(1)=\frac12\), \(F(2)=\frac78\), \(F(3)=1\) (în scară).
Când ecuația \(F(x)=\alpha\) nu se poate rezolva explicit, cuantilele se calculează numeric: integrate calculează integrale, iar uniroot caută o rădăcină a unei funcții pe un interval.
# densitatea f(x) = 3/8 (4x - 2x^2) pe (0, 2)
f <- function(x) 3/8 * (4*x - 2*x^2)
F <- function(x) integrate(f, 0, x)$value # funcția de repartiție
integrate(f, 0, 2)$value # aria totală = 1
#> [1] 1
F(1.2) - F(0.5) # P(0.5 <= X <= 1.2)
#> [1] 0.4918
uniroot(function(x) F(x) - 0.9, c(0, 2))$root # cuantila 0.9
#> [1] 1.608| V.a. discretă | V.a. continuă | |
|---|---|---|
| valori individuale | \(\PP(X=x)=p_X(x)\) | \(\PP(X=x)=0\); densitatea \(f(x)\) |
| condiții | \(p_X\ge0\), \(\sum_x p_X(x)=1\) | \(f\ge0\), \(\int_{-\infty}^{\infty}f(x)\dd x=1\) |
| \(\PP(X\in A)\) | \(\sum_{x\in A}p_X(x)\) | \(\int_A f(x)\dd x\) |
| funcția de repartiție | \(F(x)=\sum_{y\le x}p_X(y)\) (în scară) | \(F(x)=\int_{-\infty}^x f(t)\dd t\), \(F'=f\) |
| media | \(\E[X]=\sum_x x\,p_X(x)\) | \(\E[X]=\int x f(x)\dd x\) |
| media unei funcții | \(\E[g(X)]=\sum_x g(x)p_X(x)\) | \(\E[g(X)]=\int g(x)f(x)\dd x\) |
| momentul de ordin \(k\) | \(\E[X^k]=\sum_x x^k p_X(x)\) | \(\E[X^k]=\int x^k f(x)\dd x\) |
Pentru o v.a. discretă, \(\E[X]=\sum_x x\,\PP(X=x)\), cu condiția \(\sum_x|x|\,\PP(X=x)<\infty\).
Aproximăm o variabilă continuă printr-una discretă care ia valoarea \(x_i\) cu probabilitatea \[ \PP\big(X\in[x_i,x_i+\Delta x]\big)\approx f(x_i)\,\Delta x . \] Media variabilei discrete este \(\sum_i x_i f(x_i)\Delta x\) — o sumă Riemann pentru integrala \(\int x f(x)\dd x\).
Fie \(X\) o variabilă aleatoare continuă cu densitatea \(f\). Dacă \(\E[|X|]=\int_{-\infty}^{+\infty}|x|f(x)\dd x<\infty\), media (speranța matematică) lui \(X\) este \[ \E[X]=\int_{-\infty}^{+\infty}x f(x)\dd x . \] În caz contrar, spunem că media lui \(X\) nu există.
Pentru densitatea nemărginită (Exemplul 1): \(\E[X]=\int_0^1 x\cdot\frac{1}{2\sqrt x}\dd x=\frac12\int_0^1\sqrt x\dd x=\frac13\).
Pentru \(F(x)=x^3\) pe \([0,1]\) (Exemplul 4): \(\E[X]=\int_0^1 x\cdot3x^2\dd x=\frac34\) — maximul a trei puncte aleatoare din \([0,1]\) se află, în medie, la \(3/4\).
Media și mediana sunt două măsuri diferite ale „centrului” unei repartiții; ele coincid pentru densitățile simetrice (dacă media există), dar pot diferi mult în rest.
\(f(x)=\dfrac{1}{\pi(1+x^2)}\), \(x\in\R\), este o densitate: \(f>0\) și \[ \int_{-\infty}^{\infty}\frac{\dd x}{\pi(1+x^2)}=\frac1\pi\arctan x\,\Big|_{-\infty}^{\infty}=\frac1\pi\Big(\frac\pi2+\frac\pi2\Big)=1. \] Variabila cu această densitate are repartiția Cauchy. Deși densitatea este simetrică față de \(0\), media nu există: \[ \int_{-\infty}^{\infty}\frac{|x|}{\pi(1+x^2)}\dd x=\frac{2}{\pi}\int_0^\infty\frac{x}{1+x^2}\dd x=\frac1\pi\ln(1+x^2)\Big|_0^\infty=+\infty . \] Cozile densității scad ca \(1/x^2\), prea încet pentru ca integrala lui \(|x|f(x)\) să fie finită.

Media aritmetică a \(n\) valori simulate: pentru repartiția logistică (medie \(0\)) ea se stabilizează în jurul lui \(0\); pentru repartiția Cauchy face salturi mari, oricât de mare ar fi \(n\).
Nu concluzionați că \(\E[X]=0\) doar pentru că densitatea este simetrică față de \(0\): mai întâi trebuie verificat că \(\E[|X|]<\infty\).
Dacă \(X\ge0\) este o variabilă aleatoare continuă cu densitatea \(f\), atunci \[ \E[X]=\int_0^\infty \PP(X>x)\dd x=\int_0^\infty\big(1-F(x)\big)\dd x , \] în sensul că ambii membri sunt simultan finiți sau infiniți.
De exemplu, dacă \(\PP(X>x)=e^{-x}\) pentru \(x\ge0\), atunci \(\E[X]=\int_0^\infty e^{-x}\dd x=1\), fără a calcula densitatea și fără integrare prin părți.
Demonstrație. Scriem \(\PP(X>x)=\int_x^\infty f(t)\dd t\) și schimbăm ordinea de integrare (integrandul este nenegativ; teorema lui Fubini–Tonelli). Domeniul de integrare este \(\{(x,t): 0\le x<t\}\), deci \[ \int_0^\infty\PP(X>x)\dd x=\int_0^\infty\!\!\int_x^\infty f(t)\dd t\dd x=\int_0^\infty f(t)\Big(\int_0^t\dd x\Big)\dd t=\int_0^\infty t f(t)\dd t=\E[X]. \]■
Dacă \(X\) este continuă și \(g:\R\to\R\) (suficient de regulată), \(Y=g(X)\) este tot o v.a. Am putea determina întâi repartiția lui \(Y\) (Cursul 5), dar acest ocol nu este necesar.
Fie \(X\) o variabilă aleatoare continuă cu densitatea \(f\) și \(g:\R\to\R\) o funcție pentru care \(\int_{-\infty}^\infty|g(x)|f(x)\dd x<\infty\). Atunci \[ \E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\dd x . \]
În engleză rezultatul este cunoscut (glumeț) ca Law of the Unconscious Statistician (LOTUS), deoarece este folosit adesea fără a remarca faptul că e nevoie de o demonstrație.
Demonstrație. Cazul \(g\ge0\); cazul general se obține scriind \(g=g^+-g^-\), cu \(g^+=\max(g,0)\), \(g^-=\max(-g,0)\). Formula \(\E[Y]=\int_0^\infty\PP(Y>t)\dd t\) rămâne valabilă pentru orice variabilă nenegativă \(Y\) (admitem acest fapt), deci \[ \E[g(X)]=\int_0^\infty\PP\big(g(X)>t\big)\dd t=\int_0^\infty\int_{\{x:\,g(x)>t\}}f(x)\dd x\dd t . \] Schimbând ordinea de integrare, pentru \(x\) fixat variabila \(t\) parcurge intervalul \([0,g(x))\), deci \[ \E[g(X)]=\int_{-\infty}^{\infty}f(x)\Big(\int_0^{g(x)}\dd t\Big)\dd x=\int_{-\infty}^{\infty}g(x)f(x)\dd x . \]■
În general \(\E[g(X)]\ne g(\E[X])\). Pentru densitatea nemărginită (Exemplul 1), \(\E[X]=1/3\), deci \((\E[X])^2=1/9\), dar \(\E[X^2]=\int_0^1 x^2\frac{1}{2\sqrt x}\dd x=\frac12\int_0^1x^{3/2}\dd x=\frac15\). Egalitatea are loc pentru funcții afine, \(g(x)=ax+b\).
#> E_X2 patrat_E_X
#> 0.2000 0.1111
Diferența \(\E[X^2]-(\E[X])^2=\frac15-\frac19=\frac4{45}\) este exact varianța (Partea III, mai jos): cele două coincid doar pentru variabile degenerate.
Media descrie doar „centrul” repartiției; împrăștierea, asimetria și alte trăsături ale formei sunt descrise de momente.
Fie \(X\) o v.a. continuă cu densitatea \(f\), \(k\ge1\) natural și \(a\in\R\). Atunci când integralele sunt absolut convergente, definim:
momentul de ordin \(k\): \(\E[X^k]=\int_{-\infty}^{+\infty}x^k f(x)\dd x\);
momentul centrat în \(a\) de ordin \(k\): \(\E[(X-a)^k]=\int_{-\infty}^{+\infty}(x-a)^k f(x)\dd x\);
momentul centrat de ordin \(k\) (\(a=\E[X]\)): \(\E\big[(X-\E[X])^k\big]=\int_{-\infty}^{+\infty}(x-\E[X])^k f(x)\dd x\).
Momentul centrat de ordin \(2\) este varianța lui \(X\), \(\Var(X)=\E\big[(X-\E[X])^2\big]=\int_{-\infty}^{+\infty}(x-\E[X])^2 f(x)\dd x\), iar \(\sigma_X=\sqrt{\Var(X)}\) este abaterea standard a lui \(X\).
Toate mărimile de mai sus se calculează cu formula de transport (Teorema 10). Abaterea standard se măsoară în aceeași unitate ca \(X\), deci este mai ușor de interpretat decât varianța.
Dezvoltând pătratul și folosind liniaritatea integralei, cu \(\mu=\E[X]\): \[ \begin{aligned} \Var(X)&=\int(x-\mu)^2f(x)\dd x=\int x^2f(x)\dd x-2\mu\int xf(x)\dd x+\mu^2\int f(x)\dd x\\ &=\E[X^2]-2\mu^2+\mu^2 , \end{aligned} \] adică formula de calcul \[ \boxed{\ \Var(X)=\E[X^2]-\big(\E[X]\big)^2 .\ } \]
Proprietățile stabilite pentru variabile discrete rămân valabile pentru variabile continue. Dacă \(X,Y\) sunt v.a. pentru care mediile și varianțele de mai jos există și \(a,b,c\in\R\):
Demonstrație. Demonstrăm proprietățile care implică o singură variabilă continuă \(X\), cu densitatea \(f\).
Cazul particular al lui iv) cu \(Y=1\) constantă se obține din formula de transport: \[ \E[aX+b]=\int(ax+b)f(x)\dd x=a\int xf(x)\dd x+b\int f(x)\dd x=a\E[X]+b. \] Atunci \(\Var(aX+b)=\E\big[(aX+b-a\E[X]-b)^2\big]=a^2\E\big[(X-\E[X])^2\big]=a^2\Var(X)\), adică vi), iar v) este evidentă, integrandul \((x-\E[X])^2f(x)\) fiind nenegativ.
Proprietățile care implică două variabile (iv în general, vii, viii) necesită repartiția comună a vectorului \((X,Y)\) și vor fi demonstrate în Cursul 6.■
Din vi) rezultă că, dacă \(\sigma_X>0\), variabila standardizată \[ Z=\frac{X-\E[X]}{\sigma_X} \] are media \(0\) și varianța \(1\): \(\E[Z]=\frac{\E[X]-\E[X]}{\sigma_X}=0\), \(\Var(Z)=\frac{1}{\sigma_X^2}\Var(X)=1\). Standardizarea va juca un rol central în studiul repartiției normale și al teoremei limită centrală.
Exemplu. Pentru \(f(x)=\frac38(4x-2x^2)\) pe \((0,2)\): \(\E[X]=1\), \(\Var(X)=\frac15\) (Exemplul 9), deci \(Z=\sqrt5\,(X-1)\) are media \(0\) și varianța \(1\).
Fie \(a<b\) și \(f(x)=\frac{1}{b-a}\) pentru \(x\in[a,b]\), \(0\) altfel. Atunci \(F(x)=\frac{x-a}{b-a}\) pe \([a,b]\) și \[ \E[X]=\int_a^b\frac{x}{b-a}\dd x=\frac{b^2-a^2}{2(b-a)}=\frac{a+b}{2},\qquad \E[X^2]=\int_a^b\frac{x^2}{b-a}\dd x=\frac{b^3-a^3}{3(b-a)}=\frac{a^2+ab+b^2}{3}, \] \[ \Var(X)=\frac{a^2+ab+b^2}{3}-\frac{(a+b)^2}{4}=\frac{(b-a)^2}{12}. \] Media (și mediana) este mijlocul intervalului, prin simetrie.
integrate# media și varianța pentru f(x) = 1/(2 sqrt(x)) pe (0, 1]
f <- function(x) 1 / (2 * sqrt(x))
m1 <- integrate(function(x) x * f(x), 0, 1)$value # E[X]
m2 <- integrate(function(x) x^2 * f(x), 0, 1)$value # E[X^2]
c(medie = m1, momentul2 = m2, varianta = m2 - m1^2, exact = 4/45)
#> medie momentul2 varianta exact
#> 0.33333 0.20000 0.08889 0.08889
# pentru repartiția Cauchy, integrala lui |x| f(x) crește nelimitat
sapply(c(10, 100, 1000, 10000), function(M)
integrate(function(x) abs(x) * dcauchy(x), -M, M)$value)
#> [1] 1.469 2.932 4.398 5.863Pentru Cauchy, \(\int_{-M}^{M}|x|f(x)\dd x=\frac1\pi\ln(1+M^2)\) crește ca \(\frac2\pi\ln M\): media nu există.
Momentele de ordin superior descriu forma repartiției. De exemplu, coeficientul de asimetrie \[ \frac{\E\big[(X-\E[X])^3\big]}{\sigma_X^3} \] este nul pentru densitățile simetrice, pozitiv când densitatea are o „coadă” lungă spre dreapta și negativ în caz contrar.
Existența momentelor este legată de viteza de descreștere a cozilor densității: dacă \(\E[|X|^k]<\infty\), atunci \(\E[|X|^j]<\infty\) pentru orice \(j\le k\) (deoarece \(|x|^j\le 1+|x|^k\)), dar reciproca este falsă (Exercițiul 6).
Pentru \(f(x)=x/2\) pe \([0,2]\): \(\E[X]=\frac43\), \(\E[X^2]=\int_0^2\frac{x^3}{2}\dd x=2\), deci \(\Var(X)=2-\frac{16}{9}=\frac29\). Masa este împinsă spre dreapta, iar coada lungă este spre stânga, deci ne așteptăm la un coeficient de asimetrie negativ:
#> [1] -0.5657
Pentru densitatea simetrică \(\frac38(4x-2x^2)\) coeficientul este \(0\).
Fie \(X\) o variabilă aleatoare cu densitatea \(f(x)=c\,x^2\) pentru \(x\in[-1,2]\) și \(f(x)=0\) altfel.
Fie \(c\in(0,1)\) și \[ f(x)=\begin{cases}\dfrac1x, & x\in[1-c,\,1+c],\\[2mm] 0, & \text{altfel.}\end{cases} \]
c0 <- (exp(1) - 1) / (exp(1) + 1)
f <- function(x) 1 / x
c(c = c0, arie = integrate(f, 1 - c0, 1 + c0)$value,
medie = integrate(function(x) x * f(x), 1 - c0, 1 + c0)$value,
varianta = 2 * c0 * (1 - 2 * c0), mediana = (1 - c0) * sqrt(exp(1)))
#> c arie medie varianta mediana
#> 0.46212 1.00000 0.92423 0.07003 0.88682Integrarea numerică confirmă: aria \(=1\), media \(\approx0.9242\), varianța \(\approx0.0700\), mediana \(\approx0.8868\).
Fie \(X\) o variabilă aleatoare cu funcția de repartiție \[ F(x)=1-e^{-x^2/2}\ \text{ pentru } x\ge0,\qquad F(x)=0\ \text{ pentru } x<0 . \]
\(F\) este continuă (inclusiv în \(0\), unde \(F(0)=0\)) și derivabilă pentru \(x\ne0\), deci \[ f(x)=F'(x)=x\,e^{-x^2/2}\ \text{ pentru } x>0,\qquad f(x)=0\ \text{ pentru } x<0 . \]
\(\PP(1<X<2)=F(2)-F(1)=e^{-1/2}-e^{-2}\approx0.6065-0.1353=0.4712\). Mediana rezolvă \(1-e^{-x^2/2}=1/2\), adică \(x^2=2\ln2\): \(x_{1/2}=\sqrt{2\ln2}\approx1.1774\).
Cum \(X\ge0\), din Propoziția 9: \[ \E[X]=\int_0^\infty\PP(X>x)\dd x=\int_0^\infty e^{-x^2/2}\dd x=\sqrt{\frac\pi2}\approx1.2533 . \]
Fie \(f(x)=k\,e^{-|x|}\), \(x\in\R\).

Funcția este pară, deci \(\int_{\R} e^{-|x|}\dd x=2\int_0^\infty e^{-x}\dd x=2\) și \(k=1/2\).
Pentru \(x<0\): \(F(x)=\int_{-\infty}^x\frac12e^{t}\dd t=\frac12e^{x}\). Pentru \(x\ge0\): \(F(x)=\frac12+\int_0^x\frac12e^{-t}\dd t=1-\frac12e^{-x}\).
\(\int_{\R}|x|\frac12e^{-|x|}\dd x=\int_0^\infty xe^{-x}\dd x=1<\infty\), deci media există și, densitatea fiind pară, \(\E[X]=0\). Apoi, prin două integrări prin părți, \[ \E[X^2]=2\int_0^\infty x^2\frac12e^{-x}\dd x=\int_0^\infty x^2e^{-x}\dd x=\big[-x^2e^{-x}\big]_0^\infty+2\int_0^\infty xe^{-x}\dd x=2, \] deci \(\Var(X)=2\).
Fie \(X\) cu densitatea \[ f(x)=\begin{cases}x, & 0\le x\le1,\\ 2-x, & 1<x\le2,\\ 0, & \text{altfel.}\end{cases} \] Determinați \(F\), calculați \(\PP(0.5<X<1.5)\), \(\E[X]\) și \(\Var(X)\).
Pentru \(0\le x\le1\), \(F(x)=\int_0^x t\dd t=x^2/2\); pentru \(1<x\le2\), \[ F(x)=\frac12+\int_1^x(2-t)\dd t=\frac12+\Big(2t-\frac{t^2}{2}\Big)\Big|_1^x=1-\frac{(2-x)^2}{2}; \] \(F(x)=0\) pentru \(x<0\) și \(F(x)=1\) pentru \(x>2\). \(\PP(0.5<X<1.5)=F(1.5)-F(0.5)=\Big(1-\frac{0.25}{2}\Big)-\frac{0.25}{2}=0.75\).
Densitatea este simetrică față de \(1\), deci \(\E[X]=1\), iar \[ \E[X^2]=\int_0^1x^3\dd x+\int_1^2x^2(2-x)\dd x=\frac14+\Big(\frac{2x^3}{3}-\frac{x^4}{4}\Big)\Big|_1^2=\frac14+\frac{11}{12}=\frac76\ \Rightarrow\ \Var(X)=\frac16 . \]
Fie \(X\) cu densitatea \(f(x)=2/x^3\) pentru \(x\ge1\) și \(f(x)=0\) pentru \(x<1\) (de exemplu, venitul unei persoane, în unități convenabile). Verificați că \(f\) este densitate, calculați \(F\), \(\E[X]\) și arătați că \(\Var(X)=\infty\).
\(f\ge0\) și \(\int_1^\infty 2x^{-3}\dd x=\big[-x^{-2}\big]_1^\infty=1\). Pentru \(x\ge1\), \(F(x)=\int_1^x2t^{-3}\dd t=1-x^{-2}\).
Media este finită: \[ \E[X]=\int_1^\infty x\cdot2x^{-3}\dd x=\int_1^\infty 2x^{-2}\dd x=2 . \] În schimb, \[ \E[X^2]=\int_1^\infty x^2\cdot2x^{-3}\dd x=2\int_1^\infty\frac{\dd x}{x}=2\ln x\,\Big|_1^\infty=+\infty, \] deci momentul de ordin doi nu este finit și, prin convenție, \(\Var(X)=+\infty\).
Coada \(\PP(X>x)=x^{-2}\) este suficient de „subțire” pentru existența mediei, dar nu și pentru existența varianței.
Fie \(X\) cu densitatea \(f(x)=2x\) pe \([0,1]\). Calculați \[ \E[1/X],\qquad \E[\sqrt X],\qquad \E[e^X]\qquad\text{și}\qquad \Var(X^2). \]
Aplicăm Teorema 10: \[ \E\Big[\frac1X\Big]=\int_0^1\frac1x\,2x\dd x=2,\qquad \E[\sqrt X]=\int_0^1 2x^{3/2}\dd x=\frac45 . \] Prin părți, \(\int xe^x\dd x=(x-1)e^x\), deci \(\E[e^X]=2\int_0^1xe^x\dd x=2\big[(x-1)e^x\big]_0^1=2\,(0-(-1))=2\).
Pentru \(Y=X^2\): \(\E[Y]=\int_0^12x^3\dd x=\frac12\) și \(\E[Y^2]=\E[X^4]=\int_0^12x^5\dd x=\frac13\), deci \(\Var(X^2)=\frac13-\frac14=\frac1{12}\).
Observăm că \(\E[1/X]=2\ne1/\E[X]=3/2\) și \(\E[e^X]=2\ne e^{\E[X]}=e^{2/3}\approx1.948\).
Timpul (în minute) până la sosirea autobuzului are densitatea \(f(x)=k(10-x)\) pentru \(0\le x\le10\) și \(0\) altfel.
\(1=k\int_0^{10}(10-x)\dd x=k\cdot50\), deci \(k=1/50\).
Pentru \(0\le x\le10\), \(\PP(X>x)=\int_x^{10}\frac{10-t}{50}\dd t=\frac{(10-x)^2}{100}\); deci \(\PP(X>5)=\frac{25}{100}=\frac14\).
Din definiția probabilității condiționate și din \(\{X>7\}\subseteq\{X>5\}\), \[ \PP(X>7\mid X>5)=\frac{\PP(X>7)}{\PP(X>5)}=\frac{9/100}{25/100}=\frac{9}{25}=0.36 . \] Probabilitatea este mai mică decât \(\PP(X>2)=64/100\): faptul că am așteptat deja face sosirea iminentă mai probabilă (spre deosebire de repartiția exponențială, Cursul 5).
\(\E[X]=\int_0^{10}\PP(X>x)\dd x=\int_0^{10}\frac{(10-x)^2}{100}\dd x=\frac{1000}{300}=\frac{10}{3}\approx3.33\) minute.
Valoarea unei daune (în mii de lei) are densitatea \(f(x)=e^{-x}\), \(x\ge0\). Asigurătorul plătește daunele, dar cel mult \(2\) mii de lei, deci suma plătită este \(Y=\min(X,2)\). Calculați \(\E[Y]\) și \(\PP(Y=2)\). Este \(Y\) o variabilă continuă?
Cu \(g(x)=\min(x,2)\) și Teorema 10, \[ \begin{aligned} \E[Y]&=\int_0^2xe^{-x}\dd x+\int_2^\infty2e^{-x}\dd x=\big[-(x+1)e^{-x}\big]_0^2+2e^{-2}\\ &=1-3e^{-2}+2e^{-2}=1-e^{-2}\approx0.8647 . \end{aligned} \] Pe de altă parte, \(\PP(Y=2)=\PP(X\ge2)=e^{-2}\approx0.1353>0\), deci \(Y\) nu este continuă (are un atom în \(2\)); nu este nici discretă, deoarece pe \([0,2)\) repartiția ei are densitatea \(e^{-y}\).
Fie \(X\) o variabilă aleatoare cu \(\E[X^2]<\infty\) și \(\mu=\E[X]\). Arătați că, pentru orice \(a\in\R\), \[ \E[(X-a)^2]=\Var(X)+(\mu-a)^2 . \] Deduceți că \(a\mapsto\E[(X-a)^2]\) este minimă pentru \(a=\mu\).
Scriem \(X-a=(X-\mu)+(\mu-a)\) și dezvoltăm pătratul: \[ \E[(X-a)^2]=\E[(X-\mu)^2]+2(\mu-a)\E[X-\mu]+(\mu-a)^2=\Var(X)+(\mu-a)^2, \] deoarece \(\E[X-\mu]=\E[X]-\mu=0\). Al doilea termen este nenegativ și se anulează doar pentru \(a=\mu\).
Interpretare: dacă trebuie să „ghicim” valoarea lui \(X\) printr-o constantă \(a\) și penalizăm eroarea prin pătratul ei, cea mai bună alegere este media, iar eroarea minimă este varianța. (Analog, \(\E|X-a|\) este minimă când \(a\) este o mediană.)
Fie \(\theta>0\) și \(X\) cu densitatea \(f(x)=\theta x^{\theta-1}\) pe \((0,1)\).
\(f>0\) pe \((0,1)\) și \(\int_0^1\theta x^{\theta-1}\dd x=x^\theta\big|_0^1=1\). Pentru \(x\in[0,1]\), \(F(x)=x^\theta\).
\(\E[X^k]=\int_0^1\theta x^{k+\theta-1}\dd x=\dfrac{\theta}{k+\theta}\). Deci \(\E[X]=\dfrac{\theta}{\theta+1}\) și \[ \Var(X)=\frac{\theta}{\theta+2}-\frac{\theta^2}{(\theta+1)^2}=\frac{\theta}{(\theta+1)^2(\theta+2)} . \]
Densitatea este nemărginită în vecinătatea lui \(0\) exact când \(\theta<1\).
Pentru \(\theta=1/2\) regăsim densitatea din Exemplul 1: \(\E[X]=1/3\) și \(\Var(X)=\frac{1/2}{(9/4)(5/2)}=\frac{4}{45}\), ca în Exemplul 9; pentru \(\theta=3\) regăsim \(F(x)=x^3\) din Exemplul 4.
Pentru densitatea \(f(x)=\frac38(4x-2x^2)\) pe \((0,2)\), verificați în R valorile \(\E[X]=1\), \(\Var(X)=1/5\) și \(\PP(0.5\le X\le1.2)\approx0.4918\), atât prin integrare numerică, cât și prin simulare (știind că \(X\) are aceeași repartiție ca \(2B\), unde \(B\) se generează cu rbeta(n, 2, 2)).
Funcția de repartiție este \(F(x)=\frac34x^2-\frac14x^3\) pe \([0,2]\), deci \[ \PP(0.5\le X\le1.2)=F(1.2)-F(0.5)=0.648-0.15625=0.49175 . \] Media \(\E[X]=1\) și \(\E[X^2]=\frac65\), deci \(\Var(X)=\frac15\) (Exemplele 7 și 9). Pe slide-ul următor comparăm valorile exacte cu cele numerice și cu frecvențele relative dintr-o simulare de volum \(10^5\).
f <- function(x) 3/8 * (4*x - 2*x^2)
m1 <- integrate(function(x) x * f(x), 0, 2)$value
m2 <- integrate(function(x) x^2 * f(x), 0, 2)$value
set.seed(2026); x <- 2 * rbeta(1e5, 2, 2) # valori simulate din f
rbind(numeric = c(m1, m2 - m1^2, integrate(f, 0.5, 1.2)$value),
simulare = c(mean(x), var(x), mean(x >= 0.5 & x <= 1.2)))
#> [,1] [,2] [,3]
#> numeric 1.000 0.2000 0.4917
#> simulare 1.001 0.2005 0.4904Concordanța este de ordinul a două–trei zecimale, cum este de așteptat pentru o simulare de această dimensiune.
integrate și uniroot. (Răspuns: mediana \(\pi/2\), cuartilele \(\pi/3\) și \(2\pi/3\), \(\E[X]=\pi/2\).)Lecturi recomandate: Blitzstein and Hwang (2019, cap. 5), Ross (2014, cap. 4–5), Bertsekas and Tsitsiklis (2008, cap. 3), Wagaman and Dobrow (2021, cap. 6) și notele de curs Olariu (2025).
Probabilități și Statistică · Cursul 4 — Variabile aleatoare continue