VARIABILI ALEATORIE CONTINUE

Definizioni
• Variabile aleatoria continua
Una funzione X : Ω → ℝ è una variabile aleatoria se {ω ∈ Ω : X ( ω ) ≤ t} o in breve { X ≤ t}
è un evento ∀t ∈ ℝ ed è continua se i valori che assume non sono numerabili.
• Densità di una variabile aleatoria continua
f X ( t ) = FX′ ( t )
• Funzione di ripartizione di una variabile aleatoria continua
t
FX ( t ) = P ( X ≤ t ) =  f ( s ) ⋅ ds
X
−∞

• Media di una variabile aleatoria continua

+∞
E[X ] =  t ⋅ f ( t ) ⋅ dt
X
−∞

• Varianza di una variabile aleatoria continua

Var ( X ) = E  X 2  − E [ X ]
2

Teoremi
• Variabili aleatorie indipendenti
P ( X ∈ I , Y ∈ J ) = P ( X ∈ I ) ⋅ P (Y ∈ J )
E [ X ⋅ Y ] = E [ X ] ⋅ E [Y ]
Var ( X + Y ) = Var ( X ) + Var (Y )
• Cambi di variabili
fφ ( X ) ( t ) = Fφ′( X ) ( t ) con Fφ ( X ) ( t ) = P (φ ( X ) ≤ t ) =  f X ( s ) ⋅ ds
φ −1
( ( −∞ , t ])
• Media
+∞ +∞
E φ ( X )  =  φ ( t ) ⋅ f X ( t ) ⋅ dt , in particolare E  X  =
2
t
2
⋅ f X ( t ) ⋅ dt
−∞ −∞

E [c ⋅ X ] = c ⋅ E [ X ]
E [ X + Y ] = E [ X ] + E [Y ]
• Varianza
Var ( X + Y ) = Var ( X ) + Var (Y ) + 2 ⋅ ( E [ XY ] − E [ X ] ⋅ E [Y ]) = Var ( X ) + Var ( Y ) + 2 ⋅ Cov ( X , Y )

• Teorema del limite centrale

per n → +∞
Sn = X1 + … + X n ∼ N ( n ⋅ µ , n ⋅ σ 2 )
1  σ2 
X n = ⋅ Sn ∼ N  µ , 
n  n 
Variabili continue notevoli
• Variabile uniforme continua
Variabile aleatoria definita in modo che la sua densità sia costante in un intervallo [ a, b]
X ∼ U ( [ a, b ] )
 1
 se t ∈ [ a, b ]
f X (t ) = b − a
0 altrimenti
0 se t < a
t −a

FX ( t ) =  se a ≤ t < b
b − a
1 se t ≥ b
a+b
E[X ] =
2
(b − a )
2

Var ( X ) =
12
• Variabile esponenziale
Variabile aleatoria definita in modo che la sua densità sia espressa come segue
X ∼ Exp ( λ )
λ ⋅ e− λ ⋅t se t ≥ 0
f X (t ) = 
0 altrimenti
− λ ⋅t
1 − e se t ≥ 0
FX ( t ) = 
0 altrimenti
1
E[X ] =
λ
1
Var ( X ) =
λ2
• Variabile normale standard o gaussiana standard
Variabile aleatoria definita in modo che la sua densità sia espressa come segue
ζ 0 ∼ N ( 0,1)
−t2
1
fζ 0 ( t ) = ⋅e 2

2π
−s t 2
1
Φ ( t ) = P (ζ 0 ≤ t ) = ⋅  e 2 ⋅ ds
2π −∞
E [ζ 0 ] = 0
Var ( ζ 0 ) = 1
• Variabile normale o gaussiana
ζ = σ ⋅ ζ 0 + µ ∼ N ( µ ,σ 2 )
−(t − µ )
2

1 t −µ  1
fζ ( t ) = ⋅ fζ 0  = ⋅ e 2⋅σ
2

σ  σ  σ ⋅ 2π
ζ − µ t − µ   t−µ t −µ 
Fζ ( t ) = P ( ζ ≤ t ) = P  ≤  = P ζ 0 ≤  = Φ 
 σ σ   σ   σ 
E [ζ ] = µ
Var (ζ ) = σ 2