Lezione 16 - 29/03/2021

Variabili aleatorie assolutamente continue

Definizione variabile aleatoria assolutamente continua
Una V.A. X unidimensionale, a valori in R si dice "assolutamente continua" se ∃ una
funzione f
f:R→R
integrabile e tale che:
x
P(X ⩽ x) = F X (x) = ∫ f(x)dx
-∞

Osservazione

P(a < X ⩽ b) = P(X ⩽ b) - P(X ⩽ a) = F X (b) - F X (a)

Se X è assolutamente continua questa cosa diventa:
a b b
∫-∞f(x)dx - ∫-∞f(x)dx = ∫a f(x)dx
Osservazione

P(X ∈ B) = ∫ f(t)dt , B ∈ B(R)

B
La struttura della funzione f è fondamentale perchè determina le probabilità di ogni cosa.
Definizione funzione di densità di X
La funzione f è denominata funzione di densità di probabilità della V.A. X

Siccome la funzione di distribuzione è definita tramite un integrale, o comunque le

probabilità
sono definite tramite di esso, calcolo le probabilità tramite la risoluzione di un integrali, di
cui
devo ricordarmi gli integrali.
Osservazione
La densità di probabilità di X non è unica.
Infatti, immagino che ∃g = f ∀x ≠ x 0 , g(x 0 ) ≠ f(x 0 )
Allora:

P(X ∈ B) = ∫f(t)dt = ∫g(t)dt

B B
Perchè il valore dell'integrale non viene cambiato dal diverso valore della funzione nel
singolo
punto.
Similmente:
 x x
F X ( x) = P(X ⩽ x) = ∫ f(t)dt = ∫ g(t)dt
⏠⏣⏣⏣ ⏡⏣⏣⏣ ⏢
quest'ultima
-∞ -∞

caratterizza la mia V.A.

quindi è unica

In questo caso è stato semplicemente posto B = (-∞, x]

Noi vogliamo valutare però un singolo elemento (densità discreta)

Osservazione

P(X = x 0 ) = F X (x 0 ) - lim F X (x) , x 0 ∈ R (1)

x → x0-

∥
0
∥ l'integrale su di un singolo punto vale 0.

∫{x }f(t)dt
0

Perciò riprendendo (1) ottengo che:

F X (x 0 ) - lim F X (x) = 0
x → x0-
F X (x 0 ) = lim F X (x)
x → x0-

La funzione di distribuzione non è perciò solamente continua a destra, ma è continua

anche
a sinistra, ergo è continua.
Un suo possibile grafico potrebbe essere:
f(t)

0
x
F X ( x)

Considerando però le proprietà della funzione di distribuzione, questo fa capire perchè

essa
sia stata disegnata in questo modo: cioè la funzione di densità necessariamente deve
convergere a 0 a ±∞ perchè l'integrale deve convergere da un lato a 1 dll'altro lato a 0.

La funzione densità è quindi una funzione continua.

Esempio
Sia X V.A. assolutamente continua tale che:
0 x<a
x-a
F X ( x) = a ⩽ x < b a, b ∈ R a < b
b-a
1 b⩽x
Disegnamo questa funzione di distribuzione

0 a b

Questa è la funzione di distribuzione di probabilità di:

X ∼ UNIF([a, b])
In questo caso l'intervallo è un intervallo denso della retta reale ergo la V.A. non è
discreta.
La densità:
0 x ∉ (a, b)
fX = 1
a<x<b
b-a
Vediamo come è fatta:
 f X ( x)

1
b-a

a b

La massa di probabilità viene distribuita uniformemente nei punti fra a a b.

Questo noin significa che le probabilità siano tutte uguali, questo significa solo che la
densità
è costante, le probabilità P(X = x) = 0 ∀x ∈ R
Definizione supporto di una variabile aleatoria assolutamente continua
Consideriamo S ⊆ R tale che:
P(X ∈ S) = 1 , f(x) > 0 ∀x ∈ S
Cioè quel sottoinsieme di R dove la densità di probabilità della V.A. è strettamente
positiva.
Chiameremo S il supporto della Variabile Aleatoria X.
Esempio variabile aleatoria esponenziale
Sia X una V.A. assolutamente continua tale che:

�e -�x x > 0
f X ( x) = �>0
0 altrove
X ∼ EXP(�)
Facciamo vedere come è fatto il grafico:
 f X ( x)

⏠⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣ ⏡⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣⏣
in questa zona i punti hanno probabilità strettamente positiva anche se molto piccola nella coda

Come è fatto il supporto:

S = R+
Osservazione
Abbiamo detto che la densità di probabilità integra ad 1, cioè:

∫Rf(x)dx = ∫ f(x)dx = 1
S
⏠⏣⏣⏣ ⏡⏣⏣⏣ ⏢
definizione di
supporto
E questo non è niente altro che:
x
P(X ∈ R) = lim F X (x) = lim
x → +∞
∫ fx (x)dt
x → +∞ -∞
Tutte queste definizioni valgono e sono coerenti.

Vediamo come è fatta la funzione di distribuzione associata all'esponenziale.

La funzione di distribuzione è:
x
F X (x) = ∫ f X (t)dt
-∞
Ovviamente questo dipende dal valore di x.
Se x < 0 questo è l'integrale di 0
x x
F X (x) = ∫ f X (t)dt = ∫ 0 dt = 0 (2)
-∞ -∞

Se x > 0
x x
F X (x) = ∫ f X (t)dt = ∫ f X (t)dt + ∫ f X (t)dt =
0

-∞ -∞ 0
⏠⏣⏣⏣
=0 per⏡⏣⏣⏣
quanto⏢
visto in (2)
 x x
= ∫ f X (t)dt = ∫ �e -�t dt = 1 - e -�x
0 0
Quindi:

1 - e -�x x > 0
F X ( x) = (3)
0 altrove
Esercizio disegnare la funzione calcolata in (3)

Proposizione assenza di memoria della variabile aleatoria esponenziale

Sia X V.A. / X ∼ EXP(�) , � > 0 e siano s, t ∈ R + allora:
P(X > t + s|X > t) = P(X > s)
Dimostrazione

P(X > t + s, X > t) P(X > t + s) 1 - P(X ⩽ t + s)

P(X > t + s|X > t) = = = =
P(X > t) P(X > t) 1 - P(X ⩽ t)
funzione di distribuzione
della V.A. esponenziale
⏜⏟⏟⏟⏟
⏝⏟⏟⏟⏟
-�(t+s) ⏞ -� t+s
1- 1-e e
= = -�t
= e -�s = 1 - P(X ⩽ s) = P(X > s) QED ⊠
-�t e
1- 1-e

Vediamo come derivare le distribuzioni di probabilità di funzioni di variabili aleatorie

assolutamente continue.

Suppongo di considerare X V.A. assolutamente continua e una funzione � : R → R borel-

misurabile e continua.
Allora:
Y = �(X)
è ancora una V.A. assolutamente continua.
e:

F Y (y) = P(Y ⩽ y) = P(�(X) ⩽ y) = P X ∈ � -1 ((-∞, y]) =

= ∫ f X (t)dt
A

Con A = { t / t ∈ �((-∞, y])}

Esempio
Sia X V.A. ass. cont. con densità f X . Determinare la densità di probabilità di Y = X 2
Prendiamo:

F Y (y) = P X 2 ⩽ y = mP - y ⩽ X ⩽ y y⩾0
Essendo al quadrato so già che il supporto sarà contenuto in R + e quindi posso
restringermi a y ⩾ 0
 =P X⩽ y - P X < - y = FX y - FX - y
Perciò la funzione di distribuzione di Y è pari a questa differenza di funzioni di
distribuzione
della X.
Derivo ambo i membri:
1
f y ( y) = fX y + fX - y , y⩾0
2 y
Quindi risulta che:
1
fX y + fX - y y⩾0
f Y ( y) = 2 y
0 y<0

Densità congiunte
Definizione
La V.A. X = (X 1 ,........., X n ) , n ∈ N * è assolutamente continuo se la sua funzione di
distribuzione (congiunta) ammette densità:
F X (x) = P(X1 ⩽ x 1 , X2 ⩽ x 2 , … , Xn ⩽ x n ) x = (x 1 , … x n )
x1 xn
= ∫ … ∫ f X (t 1 , … , t n ) dt 1 ⋅ dt 2 ⋅…⋅ dt n
-∞ -∞

Osservazione

P(X ∈ B) = P(X = (X1 ,........., Xn ) ∈ B) B ∈ B(R)

= ∫…∫f X (x 1 , … , x n ) dx 1 ⋅ dx 2 ⋅…⋅ dx n
B

Osservazione marginalizzazione
Sia (X,Y) V.A. ass. continuo. Allora:
P(a < X ⩽ b) = P((X, Y) ∈ A) =
Dove A = {(x, y) / a < x ⩽ b, y ∈ R }
b +∞
= ∬f (X,Y) (t 1 , t 2 )dt 1 dt 2 = ∫ ∫-∞ f (X,Y) (t 1 , t 2 )dt 1 dt 2 =
A a
b +∞
∫a dt1 ∫-∞ dt 2 f (X,Y) (t 1 , t 2 )

Quindi:
+∞
f X ( x) = ∫ f (X,Y) (t 1 , t 2 )dt 1 dt 2
-∞

Osservazione
Sia (XY) V.A. ass. continuno con densità congiunta:
 f (X,Y) (x, y)
e funzioni di densità marginali:
f X ( x) , f Y ( y)
Allora, se X e Y sono indipendenti allora:
P(X ⩽ x, Y ⩽ y) = F X (x)F Y (y) = P(X ⩽ x)P(Y ⩽ y)
Perciò:
x y x y
∫-∞∫-∞f(X,Y) (t1 , t2 )dt1 dt2 = ∫-∞fX (t1 )dt1 ∫-∞fY (t2 )dt2
Si capisce che (siccome vale ∀(x, y) ∈ R 2 ) anche la densità congiunta si fattorizza:
f (X,Y) (t 1 , t 2 ) = f X (t 1 )f Y (t 2 )
Osservazione
Se abbiamo X 1 , … , X n V.A. indipendenti e ass.cont.
allora.
�(X1 ), … , � n (Xn ) con � i misurabile e continua i = 1, … , n
sono V.A. ass. cont. indipendenti.