You are on page 1of 55

TEORIA DE LA PROBABILITAT

1 INTRODUCCI
A la natura observem dos tipus de fenmens:
a. Fenmens deterministes.- Donada locurrncia dun grup K de circumstncies, es produeix necessri-
ament un esdeveniment A.
b. Fenmens aleatoris.- Havent-se donat la concurrncia dun grup K de circumstncies, lesdeveniment
A tant pot ocrrer com no ocrrer.
Per exemple, si observem durant cert interval de temps un tom de Radi, s possible que aquest
tom es desintegri en el transcurs de lobservaci, per s possible que no. Linstant de la desintegraci
depn de fets que es produeixen en el nucli de ltom, que no coneixem i que no podem observar.
La teoria de la Probabilitat s doncs un branca de la Matemtica que proporciona models adients
per la descripci dels fenmens aleatoris. Entre aquests ja hem fet esment de la desintegraci nuclear,
per tamb ho sn lemissi electrnica, les trucades de telfon, la detecci per radar, el control de
qualitat, les mesures preses en un laboratori experimental, .....
2 ESPAIS DE PROBABILITAT
2.1 Espai mostral, esdeveniments. Algebra desdeveniments
El conjunt de possibles resultats dun experiment aleatori constitueix el conjun mostral o espai
mostral corresponent a aquest experiment. Els esdeveniments associats a un determinat experi-
ment aleatori corresponen a subconjunts de lespai mostral. El mateix espai mostral representa
lesdeveniment segur i el subconjunt buit c lesdeveniment impossible. El llenguatge i les idees
elementals de la teoria de cojunts serveixen per descriure les relacions entre esdeveniments.
Conjunts.- Un conjunt s una collecci nita o innita dobjectes que es deneix:
a) per extensi : = c
1
. c
2
. c
3
. ........ c
a

b) per una propietat: c = r [ j(r) = elements "x" que satisfan la propietat "p"
Exemples.-
= persones de raa negra = r [ r s persona i de raa negra
1 = r [ [r c[ _ d
Operacions amb conjunts.-
1. REUNI (SUMA LGICA):
' 1 = r [ r o r 1
1
Noteu:en el llenguatge propi dels esdeveniments, lesdeveniment ' 1, suma lgica, ocorre
si esdeveniments de o de 1 (o dambds) ocorren.
Exemples.-
- Donat un dau, espai mostral = 1. 2. 3. 4. 5. 6, i els esdeveniments = 1 i 1 = 2. 4,
llanant el dau lesdeveniment '1 ocorre si surten 1 o 2 o 4, s a dir '1 = 1. 2. 4.
2. INTERSECCI (PRODUCTE LGIC):
1 = r [ r i r 1
o
Noteu: lesdeveniment 1, producte lgic, ocorre si esdeveniments de i de 1 ocorren
plegats.
Exemples.-
- Donat un dau, = 1. 2. 3. 4. 5. 6, = 1. 2. 3, 1
1
= "nombres parells" i 1
S
=
"nombres senars", llanant el dau lesdeveniment 1
1
= 2 ocorre si surt 2, mentre
1
S
= 1. 3 ocorre si surten 1 o 3.
Donats dos daus,
2
=
1

1
= "parells ordenats de
1
= 1. 2. 3. 4. 5. 6", = "6 al
primer dau", 1 = "6 al segon dau", 1 = (6. 6) ocorre 6 als dos daus plegats.
3. COMPLEMENTARI (d respecte ) (OPOSAT dA)
= r [ r ,
Noteu: s lesdeveniment oposat dA; ocorre si esdeveniments de no han ocorregut.
4. DIFERNCIA
1 = r [ r i r , 1
2
1 = 1
=
Noteu: 1 ocorre si ocorren aquells esdeveniments d que no sn de 1.
5. INCLUSI (IMPLICACI)
1 (s subconjunt de 1) quan, sempre que r , tamb val r 1
Noteu: 1, si ocorre implica que tamb 1 ocorre.
6. PRODUCTE CARTESI
El producte cartesi de dos conjunts i 1 s el conjunt 1, format per tots els parells
ordenats de la forma
(c. /) on c i / 1. Per exemple: el conjunt de punts del pla resulta el producte cartesi
11. s til observar que en el lleguatge de la probabilitat 1 ocorre quan i 1 alhora
es compleixen, s a dir 1.
Propietats.-
1. 1 i 1 == = 1 (tenen els mateixos elements)
2. 1 == 1 =
3
3. 1 == ' 1 = 1
4. 1 ==1
5. = ; = c ; = c
6. Lleis de Morgan:
(a) ' 1 = 1
(b) 1 = '1
7. Propietats distributives:
' (1 C) = ( ' 1) ( ' C)
(1 ' C) = ( 1) ' ( C)
es poden comprovar fcilment amb diagrames.
2.2 Elements de combinatria
4
De quantes maneres podem ordenar els elements de un conjunt, per exemple lespai mostral? i com
comptem els conjunts obtinguts? A aquestes preguntes respondrem aqu.
Variacions.- Dun conjunt de : elements es volem separar dun en un, ns a un total de
: _ : elements per formar un subconjunt ordenat. Tenim : elements accesibles per la primera
extracci, : 1 per la segona y : (: 1) per a lltima. En total podrem formar
: (: 1) (: 2) (: 3) (: : + 1)
subconjunts de : elements ordenats, un nombre que en forma compacta es pot representar pel
quocient
:!
(: :)!
= \
a
v
Variacions amb repetici.- Disposem ara de : simbols per formar sobre el paper cadenes gr-
ques de : simbols un a continuaci de laltre. Tenim : simbols accesibles per a la primera
posici, els mateixos : per la segona. Per tant podrem formar
: : : : = :
v
= \ 1
a
v
cadenes diferents. En aquest cas, no tenim cap cota superior per a :.
Es pot comprovar fcilment que
:!
(: :)!
_ :! _ :
a
Permutacions.- En el cas de les variacions quan : = : tenim les permutacions
:! = \
a
a
= 1
a
doncs 0! = 1
Combinacions.- Dun conjunt de : elements es volem separar : elements tot duna per formar
un subconjunt. Com que ara lordre no importa i dos subconjunts sn diferents si difereixen
almenys en un element, el quocient
:!
(: :)!:!
=
\
a
v
:!
=
_
:
:
_
= C
a
v
ens proporciona el nombre de subconjunts daquest tipus que es podem formar. El simbol
_
a
v
_
sanomena coecient binomial doncs es pot comprobar que
(c +/)
a
=
a

v=0
_
:
:
_
c
av
/
v
En conseqncia
2
a
=
a

v=0
_
:
:
_
5
Permutacions amb repetici (coecient multinomial).- Un conjunt de : elements es vol dividir
en / grups, tal que el primer cont :
1
elements, el segon :
2
, etc. El nombre de maneres en que
aix es pot fer ve donat per
:!
:
1
! :
2
! :
I
!
=
_
:
:
1
. .... :
I
_
= C
a
v
1
,...,v
k
Fixemnos que
_
:
:
1
. .... :
I
_
=
_
:
:
1
_

_
: :
1
:
2
_

_
: :
1
:
2
.... :
I2
:
I1
_
=
:!
:
1
! (: :
1
)!

(: :
1
)!
:
2
! (: :
1
:
2
)!

(: :
1
:
2
.... :
I2
)!
:
I1
!:
I
!
Aqu
_
a
v
1
,...,v
k
_
sanomena coecient multinomial doncs es pot comprobar que
(c
1
+c
2
+........ +c
I
)
a
=
v
1
+...+v
k
=a

(v
1
,...,v
k
)
_
:
:
1
. .... :
I
_
c
v
1
1
c
v
2
2
..... c
v
k
I
Com una conseqncia sobt
/
a
=
v
1
+...+v
k
=a

(v
1
,...,v
k
)
_
:
:
1
. .... :
I
_
Combinacions amb repetici.- Suposem que tenim una capsa contenint : boles diferents. Daquesta
capsa treiem una bola i la tornem a deixar. Ens podem preguntar quants grups amb / boles
extretes daquesta forma i sense importar lordre dextracci podem formar. La resposta s el
nombre de combinacions amb repetici de : elements en grups de / elements
C1
a
I
= C
a+I1
I
=
_
: +/ 1
/
_
=
_
: +/ 1
: 1
_
Aquesta expressi sobt com a soluci de lequaci de recurrncia
C1
a
I
= C1
a
I1
+C1
a1
I
amb la condici
C1
1
I
= 1
Una forma ms intuitiva de resoldre el problema s la segent: suposem que tenim : celles
diferents i / objectes distinguibles (representats per una r) per colocar en les celles que repre-
sentem amb : 1 barres verticals
rrr[rr[rrrr[[[rr[rrr
Com resulta intuitiu, hem de considerar permutacions de un conjunt ampliat format per celles
i barres en nombre : 1 + / tenit en compte que les permutacions de celles entre si i dels
objectes entre si no shan de considerar, aix s
_
: +/ 1
/
_
6
2.3 Denici clssica de probabilitat
Tal com ja hem dit en la introducci, la teoria de la Probabilitat tracta els fenmens aleatoris. Aquests
sn fenmens que observan-los repetidament donen resultats diferents que hom no pot preveure de
forma determinista. En lloc duna determinaci exacta i previsible dels resultats hom veu que aquests
obeeixen una regularitat estadstica en el sentit que es pot preveure de forma aproximada la freqncia
relativa que hom obtingui un resultat. Un exemple clssic de fenmen o experiment aleatori s el
llanament duna moneda. En aquest cas noms hi han dos resultats possibles: cara (H) i creu (T).
Encara que no s possible preveure si un determinat llanament donar cara o creu hom pot esperar
que desprs dun gran nombre de llanaments tindrem que aproximadament la meitat dels resultats
seran cares i laltre meitat seran creus:
experimentador n
c
llanaments n
c
cares freqncia
Buon 4040 2048 0.5080
K. Pearson 12000 6019 0.5016
K. Pearson 12000 12012 0.5005
En base a aquestes consideracions hom pot dir que la "probabilitat" de sortir cara s 1/2 igual
a la de sortir creu. Aix portar en els segles XVII i XVIII a la denici clssica de Probabilitat
desenvolupada per Pascal, Fermat i Laplace:
La probabilitat dun esdeveniment o resultat dun fenmen aleatori s el quocient del nombre de
casos favorables dividit pel nombre de casos possibles, sempre que tots els casos siguim igualment
probables.
Exemple 1.- Donada una baralla de 36 cartes en treiem 3 a latzar. (i) Quina s la probabilitat
que noms una delles sigui un as (ii) Quina s la probabilitat que al menys una sigui un as
Soluci.-
Per ambdues situacions el nombre de casos possibles s
` =
_
36
3
_
=
36!
(36 3)!3!
(i) En aquestes circunstncies el nombre de casos favorables pot ser calculat en la forma segent: com
que hi ha 4 asos un dells el podem treure de
_
4
1
_
maneres diferents, mentre que les altres dues cartes
(que no sn asos) les podem treure de
_
32
2
_
maneres diferents. Aix el nombre de casos favorables s
_
4
1
__
32
2
_
i la probabilitat s
1 =
_
4
1
__
32
2
_
_
36
3
_ =
496
1785
0.2778
(ii) Ara la probabilitat 1 = 1
1
+1
2
+1
3
on 1
a
s la probabilitat que hi hagin : asos
1
1
= 0.2778; 1
2
=
_
4
2
__
32
1
_
_
36
3
_ 0.0269; 1
3
=
_
4
3
_
_
36
3
_ 0.0006
Per tant 1 0.3053.
Alternativament aquest problema es pot resoldre considerant 1 la probabilitat que no hi hagi cap
as en 3 cartes,
1 =
_
32
3
_
_
36
3
_ 0.6947
7
llavors 1 = 1 1 0.3053.
Exemple 2.- Una baralla de 36 cartes es divideix de forma aleatoria en dues parts iguals. Quina
s la probabilitat que cada part contingui un mateix nombre de cartes vermelles i negres?.
Soluci.- Hem de trobar la probailitat que de 18 cartes escollides a latzar 9 siguin negres i 9
vermelles
casos possibles =
_
36
18
_
casos favorables =
_
18
9
__
18
9
_
aix 1 =
(
18
9
)(
18
9
)
(
36
18
)
=
(18!)
4
36!(9!)
4
utilitzant la aproximaci de Stirling
:! (2::)
12
:
a
e
a
tenim
1
2
_
18:
0.26
Probabilitat geomtrica.(espai mostral continu)- Sigui A una regi del pla i sigui B una part de
A. Suposem que es llana un punt sobre A, llavors la probabilitat de que el punt estigui sobre B
(probabilitat geomtrica) s
1 =
o(1)
o()
on o(1) i o() sn, respectivament, les reas de B i A. Aquesta s una generalitzaci del concepte
clssic de probabilitat quan tenim un innit numerable o no numerable de successos igualment
probable.
Exemple 3.- Dues persones A
1
i A
2
queden de trobar-se en un lloc determinat entre les 12 i la una.
La primera en arribar sespera 20 min. i desprs marxa. Quina s la probabilitat de que ambdues es
trobin?
Soluci.- Sigui x
i
el temps en que A
i
arriba. Perque A
1
i A
2
es trobin s necessari i sucient que
[r
1
r
2
[ _ 20 ==20 _ r
1
r
2
_ 20
dacord amb la gura,
casos possibles=tots els punts del quadrat
casos favorables= els punts de la regi marcada
=1 =
area marcada
area total
1 =
60
2
40
2
60
2
=
5
9
8
2.4 Denici estadstica de la probabilitat
La formulaci clssica del concepte de probabilitat no resulta completament satisfactria doncs im-
plica un coneixement a priori de tots els resultats dun experiment. A ms no proporciona un criteri
per dilucidar, en un determinat experiment, quan els diferents casos possibles poden considerarse
igualment problables. Amb lintenci de superar aquestes dicultats, R. von Mises lany 1928 va
introduir la probabilitat com un concepte empric. Dacord amb von Mises la probabilitat esta
relacionada amb la freqncia dobservaci de lesdeveniment . en ` repeticions independents de
lexperiment. Denint la freqncia com a
,
.
.
=
:
.
`
.
amb :
.
les vegades que sobt el resultat . en ` experiments, el lmit per a ` deneix la
probabilitat de .
1
.
= lim
.!1
,
.
.
en la denici freqntista. Aquesta denici es basa en:
a. La existncia del lmit;
b. Que el lmit no depengui del procs de mesura, el que vol dir aleatorietat.
Aquesta interpretaci estadstica cont inconsistncies lgiques com va posar de manifest Khinchin.
Tot i aix, tant la denici clssica com la denici estadstica de probabilitat serveixen com a punt
de partena i funcionen en una amplia majoria de casos.
2.5 Denici axiomtica de la probabilitat (Kolomogorov, 1956)
Sigui Q =
1
.
2
. .......
a
. ..... una colecci nita o innita numerable de subconjunts de . Aque-
sta familia Q de conjunts sanomena o-algebra si:
(a) Q cont i c
(b) Q s tancat sota unions, interseccions i complementacions dun nombre nit o innit numerable
delements de Q, i.e.,

1
'
2
' ...... '
n
' ...... Q

1

2
......
n
...... Q
si
i
Q llavors
i
Q
Exemple 4.- (a) Llancem una moneda, lespai s = .
1
. .
2
on .
1
=cara i .
2
=creu. La
o-algebra desdeveniments s
Q = c. .
1
. .
2
. .
1
. .
2
. (b) En lexemple 3 lespai s el conjunt de punts (innit no
numerable)
= . = (r. ) [ 0 _ r _ 60. 0 _ _ 60
Denici.- Donat un conjunt no buit i una o-algebra Q de subconjunts de sanomena espai de
probabilitat a la terna (. Q. 1) on 1 s una funci real anomenada mesura de probabilitat denida
sobre Q
1 : Q
1()
amb les propietats segents:
9
1. 1() _ 0 \ Q
2. 1() = 1
3. Per qualsevol successi (nita o innita)
1
.
2
. .......
a
. ..... desdeveniments mutuament ex-
cloents (i.e.
i

)
= c)
1(
1
'
2
' .... '
a
' ...) = 1(
1
) +1(
2
) +..... +1(
a
) +.....
Teorema.- La probabilitat verica les propietats:
1. 1(c) = 0
2. 1() = 1 1() ( complementari de )
3. Si 1 llavors 1() _ 1(1)
4. \ Q tenim 0 _ 1() _ 1
5. Per qualsevol successi
1
.
2
. .......
a
. ..... desdeveniments (no necessariament disjunts) tenim:
1 ['
1
a=1

a
] _

1
a=1
1(
a
)
6. Si 1 llavors 1( 1) = 1() 1(1)
Demostraci del teorema.-
1. = ' c ademes c = c (disjunts) per tant i dacord amb la propietat 3 de la denici
anterior
1 = 1() = 1() +1(c) ==1(c) = 0
2. = ' i = c ==1 = 1() = 1() +1() ==1() = 1 1()
3. Observem que 1 = '
_
1
_
i
_
1
_
= c == 1(1) = 1() + 1( 1) _ 1()
(per les propietats 1 i 3 de la denici anterior)
4. Obviament ==1() _ 1() = 1
5. Demostrem-ho per : = 2, per inducci hom pot demostra-ho per tot :. Aix doncs hem de
demostrar:
1(
1
'
2
) _ 1(
1
) +1(
2
)
10
tenim:

1
'
2
=
1
' (
2

1

2
) amb
1
i (
2

1

2
) disjunts

2
= (
1

2
) ' (
2

1

2
) amb
1

2
i
2

1

2
disjunts
aix per la propietat 3 de la denici anterior:
1 (
1
'
2
) = 1 (
1
) +1 (
2

1

2
)
1 (
2
) = 1 (
1

2
) +1 (
2

1

2
)
==
1 (
1
'
2
) = 1 (
1
) +1 (
2
) 1 (
1

2
) _ 1 (
1
) +1 (
2
)
6. Si 1 llavors = 1 ' ( 1) amb 1 i ( 1) disjunts ==1() = 1(1) +1( 1)
Exemple.- Sigui un espai mostrtal nit amb N elements
= .
1
. .
2
. ........ .
.

denim la probabilitat dun esdeveniment mitjanant


1() =
:

`
(:

= nombre desdeveniments elementals en )


Demostrar:
(i) Els esdeveniments elementals sn igualment probables
(ii) 1() s una probabilitat
Soluci.-
(i) Sigui
i
= .
i
(i = 1. 2. .... `) llavors 1(
i
) =
:

i
`
=
1
`
\i
(ii) 1() verica els axiomes 1-3 de la denici de probabilitat:
1. (1) 1() _ 0 ja que :

_ 0
(2) 1() = `,` = 1
(3) 1 (
1
' ..... '
n
) =
:
1
+:
2
+......... +:
n
`
= 1(
1
) +... +1(
n
); sempre que
i

)
= c
3 PROBABILITAT CONDICIONADA
Denici.- La probabilitat condicionada de donat 1 es deneix per
1 ( [ 1) =
1 ( 1)
1(1)
(1(1) ,= 0)
1 ( [ 1) ens dona la probabilitat de sabent que 1 ha ocorregut
11
Exemple.- Quina s la probabilitat al llanar dos daus de que la suma de punts doni 8 si sabem
que la suma s un nobre parell?
Soluci.-
= (1. 1) . (1. 2) . (1. 3) . ..... (6. 6) ==` = 36
= (2. 6) . (3. 5) . (4. 4) . (5. 3) . (6. 2) ==:

= 5
1 = (1. 1) . (1. 3) . (1. 5) . ...... (6. 2) . (6. 4) . (6. 6) ==:
1
= 18
llavors
1() =
5
36
; 1(1) =
18
36
; 1 ( 1) = 1() =
5
36
; 1 ( [ 1) =
5,36
18,36
=
5
18
Teorema.- La probabilitat condicionada satisf els axiomes de probabilitat.
Demostraci.-
1. Es evident que 1 ( [ 1) _ 0
2. 1 ( [ 1) =
1 ( 1)
1(1)
=
1(1)
1(1)
= 1
3.
1
.
2
. ......
a
. .... disjunts ==1
1
. 1
2
. ...... 1
a
. .... tamb disjunts
==1 ('
a
1
a
) =

a
1 (1
a
)
aix
1 ('
a

a
[ 1) =
1 ('
a
1
a
)
1(1)
=

a
1 (1
a
)
1(1)
=

a
1 (
a
[ 1)
Teorema (regla de multiplicaci).- Siguin
0
.
1
. ......
a
: + 1 esdeveniments tals que
1 (
0

1
.....
a
) ,= 0
llavors:
1 (
0

1
.....
a
) = 1(
0
)1(
1
[
0
)1(
2
[
1

0
)...
..1(
a
[
0

1
.....
a1
)
Demostraci.- Per inducci
per : = 1 ==1 (
0

1
) = 1(
0
)1(
1
[
0
) cert de la denici
per : + 1 ==1(
a+1
[
0

1
.....
a
) =
1 (
0

1
.....
a

a+1
)
1 (
0

1
.....
a
)
=
=
1 (
0

1
.....
a

a+1
)
1(
0
)1(
1
[
0
)........1(
a
[
0

1
.....
a1
)
==
==1 (
0
.....
a+1
) = 1(
0
)1(
1
[
0
)........1(
a+1
[
0
.....
a
)
en el penltim pas sha utilitzat la hiptesi dinducci. A ms per simplicar la notaci es pot
interpretar la intersecci com a un producte, com aix en fet.
Exemple.- Considerem el laberint de la gura segent i calculem la probabilitat darribar al tresor
creuant la crulla 5.
12
El mapa del tresor. Camins per arribar al tresor.
El cam cap a la crulla 5 vol dir passar per les crulles 1. 2. 3. 4 i 5. Associem a la crulla nmero
/ el simbol 1
I
i el nostre cam s representat per a lesdevenidment 1
1
1
2
1
3
1
4
1
4
.s a dir
que occorri 1
1
. 1
2
. . . .i 1
5
, la qual probabilitat s
1 (1
1
1
2
1
3
1
4
1
5
) = 1(1
1
)
. .
1
2
1(1
2
[ 1
1
)
. .
1
3
1(1
3
[ 1
1
1
2
)
. .
1
2

..
1
3
1(1
5
[ 1
1
1
2
1
3
1
4
)
. .
1
2
=
1
72
Teorema (Frmula de la Probabilitat total).- Sigui A un esdeveniment arbitrari i siguin 1
1
. .......... 1
a
.
: esdeveniments disjunts tals que
(i) 1(1
i
) ,= 0 (i = 1. .... :)
(ii) = '
a
i=1
1
i
llavors
1() =
a

i=1
1(1
i
)1( [ 1
i
)
Demostraci.- s evident que 1
1
. 1
2
. .... 1
a
sn esdeveniments disjunts (mireu la gura)
i aix per laxioma 3 de probabilitat, (ii) i la denici de probabilitat condicionada tenim:
1() = 1('
a
i=1
1
i
) =
a

i=1
1( 1
i
) =
a

i=1
1(1
i
)1( [ 1
i
)
13
Exemple.- Tenim 5 urnes (a) 2 urnes amb 2 boles blanques i una bola negra cadascuna; (b) 1 urna amb
10 boles negres i (c) 2 urnes amb 3 boles blanques i 1 negra cadascuna. Seleccionem aleatoriament
una urna i treiem a latzar una bola della. Quina s la probabilitat de que la bola sigui blanca?
Soluci.-
1
1
= escollir una de les urnes (a) ==1(1
1
) =
2
5
1
2
= escollir lurna (b) ==1(1
2
) =
1
5
1
3
= escollir una de les urnes (c) ==1(1
3
) =
2
5
Obviament noms podem escollir una urna == 1
i
1
)
= ? (i.e. 1
1
. 1
2
. 1
3
sn esdeveniments
mutuament excloents)
Sigui = escollir una bola blanca con que una bola es pot treure noms de les urnes (a), (b) o (c)
tenim: = 1
1
' 1
2
' 1
3
aix 1() = 1( 1
1
) + 1( 1
2
) + 1( 1
3
) = 1( [ 1
1
)1(1
1
) + 1( [ 1
3
)1(1
3
) per
1( [ 1
1
) = 2,3 , 1( [ 1
3
) = 3,4 nalment
1() =
4
6
2
5
+
6
8
2
5
=
17
30
= 0.5667
Teorema (Frmula de Bayes).- Sigui un esdeveniment arbitrari i siguin 1
1
.....1
a
: esdeveni-
ments que veriquen les condicions (i) i (ii) del teorema anterior, llavors:
1(1
i
[ ) =
1(1
i
)1( [ 1
i
)

a
i=1
1(1
i
)1( [ 1
i
)
Demostraci.- De la denici de probabilitat condicionada tenim
1( [ 1
i
) =
1( 1
i
)
1(1
i
)
==1( 1
i
) = 1(1
i
)1( [ 1
i
)
1(1
i
[ ) =
1(1
i
)
1()
=
1( 1
i
)
1()
==1( 1
i
) = 1()1(1
i
[ )
per tant
1(1
i
[ ) =
1(1
i
)1( [ 1
i
)
1()
i del teorema anterior 1() =

a
i=1
1(1
i
)1( [ 1
i
), en resum
1(1
i
[ ) =
1(1
i
)1( [ 1
i
)

a
i=1
1(1
i
)1( [ 1
i
)
Exemple.- Tenim 5 urnes: (a) 2 urnes amb 2 boles blanques i 3 de negres cadascuna; (b) 2 urnes amb
1 bola blanca i 4 de negres i (c) 1 urna amb 4 blanques i 1 negra. Sescull a latzar una bola duna
de les urnes i resulta que s una bola blanca. Quina s la probabilitat de que aquesta bola shagi
escollit de la urna (c)?
Soluci.-
1
1
= escollir urnes (a)
1
2
= escollir urnes (b)
1
3
= escollir urnes (c)
= escollir una bola blanca
14
tenim
1(1
1
) = 1(1
2
) = 2,5; 1(1
3
) = 1,5 ; 1( [ 1
1
) = 2,5 ; 1( [ 1
2
) = 1,5 ; 1( [ 1
3
) = 4,5
aix
1(1
3
[ ) =
1(1
3
)1( [ 1
3
)
1(1
1
)1( [ 1
1
) +1(1
2
)1( [ 1
2
) +1(1
3
)1( [ 1
3
)
= 2,5
de la mateixa manera tenim 1(1
2
[ ) = 1,5 ; 1(1
1
[ ) = 2,5.
Denici.- Dos esdeveniments i 1 sn independents si
1 ( 1) = 1()1(1)
Fixem-nos que si i 1 sn independents llavors
1( [ 1) =
1(\1)
1(1)
= 1()
1(1 [ ) =
1(\1)
1()
= 1(1)
s a dir que el coneixement dun dells no afecta locurrncia de laltre: ocorren indiferentement
lun de laltre.
Teorema.- Si i 1 sn independents llavors (i) (. 1); (ii) (. 1); (iii) (. 1) tamb sn inde-
pendents.
Demostraci.-
(i) = ( 1) ' ( 1) ssent 1 i 1 disjunts. Per tant 1() = 1( 1) +1( 1) i
nalment veiem que 1( 1) = 1() (1 1(1)) = 1()1(1)
(ii) Arribarem a les mateixes conclusions si comencen per 1 = ( 1) ' ( 1)
(iii) Tenim 1 = ' 1 el que implica
1( 1) = 1( ' 1) = 1 1( ' 1) =
1 1() 1(1) +1( 1) = 1() 1(1) +1()1(1) =
1() 1(1)(1 1()) = 1() 1(1)1() =
1() (1 1(1)) = 1()1(1)
En general : esdeveniments
1
.
2
. ......
a
sn independents si
1(
i
1

i
2
) = 1(
i
1
)1(
i
2
)
1(
i
1

i
2

i
3
) = 1(
i
1
)1(
i
2
)1(
i
3
)

1(
1

2
. .....
a
) = 1(
1
)1(
2
)........1(
a
)
Denici.- Dos esdeveniments i 1 sn incompatibles si sn mutuament excloents 1 = c.
Doncs tindrem sempre
1 ( 1) = 0
i
1( [ 1) =
1(\1)
1(1)
= 0
1(1 [ ) =
1(\1)
1()
= 0
s a dir que el coneixement dun dells afecta locurrnciala de laltre: si ocorre un dells no ocorre
laltre. Sn incompatibles i no sn independents. Mireu a la taula dels esdeveniments compatibles i
no.
15
4 VARIABLES ALEATRIES DISCRETES I CONTNUES
4.1 Variables aleatries
En un espai de probabilitat (. Q. 1) els esdeveniments elementals . no ha de ser necessariament
nmeros. Per exemple al llanar una moneda els esdeveniments elementals sn dos: cara o creu. No
obstant aix s convenient associar un nombre real a cada esdeveniment elemental fent necessari
introduir el concepte de variable aleatria.
Denici.- Una variable aleatria A s una funci real denida sobre
A :
. A (.)
que s mesurable segons Q:
. [ A (.) _ r Q \r
De tal manera que tots els valors de X tenen una probabilitat denida, ja que tan sols els esdeveni-
ments, i.e. els elements de la o-algebra Q tenen probabilitat denida.
Quan no hi hagi confusi possible escriurem X en lloc de A(.) i
A _ r = . [ A(.) _ r
A E = . [ A(.) E
on E s qualsevol subconjunt de la recta real (E ).
Un dels exemples ms senzills de variable aleatria s lindicador dun esdeveniment , denit
per
1

(.) =
_
1 si .
0 si . ,
Exemple.- Un experiment aleatri consisteix a llanar una moneda tres vegades. Suposem que la
moneda est carregada per el que la probabilitat de que surti cara s 2/3 i de sortir creu 1/3 (noteu
que estem parlant de probabilitat axiomtica). Sigui la variable aleatria X el nombre de cares en
les tres tirades, aix tenim
16
. A(.) 1 (.) 1 A = r
HHH 3
_
2
3
_
3
=
8
27
1 A = 3 =
8
27
HH1 2
_
2
3
_
2
1
3
=
4
27
H1H 2
_
2
3
_
2
1
3
=
4
27
1 A = 1 =
12
27
1HH 2
_
2
3
_
2
1
3
=
4
27
H11 1
2
3
_
1
3
_
2
=
2
27
1H1 1
2
3
_
1
3
_
2
=
2
27
1 A = 2 =
6
27
11H 1
2
3
_
1
3
_
2
=
2
27
111 0
_
1
3
_
3
1 A = 0 =
1
27
Tamb tenim les probabilitats
1 A _ r =
_

_
0 r < 0
1,27 0 _ r < 1
7,27 1 _ r < 2
19,27 2 _ r < 3
1 r _ 3
17
La funci 1 A = r rep el nom de funci de probabilitat de A mentre que 1 A _ r sanomena
funci de distribuci de A. A ms
3

i=0
1 A = r
i
= 1 A = 0 +1 A = 1 +1 A = 2 +1 A = 3 = 1
4.2 Funcions de distribuci
Denici.- La funci de distribuci 1(r) duna variable aleatria A(r) es deneix com
1
A
(r) = 1 A _ r \r
Dues variables aleatries sn equivalents si tenen la mateixa funci de distribuci. (Quan no hi hagi
confusi escriurem 1(r)).
Exemple.- Sigui = .
1
. .
2
amb 1(.
1
) = 1,2 ; 1(.
2
) = 1,2. Denim les variables aleatries
A i 1 per
A(.
1
) = 0 1 (.
1
) = 1
A(.
2
) = 1 1 (.
2
) = 0
llavors
1
A
(r) = 1
Y
(r) =
_
_
_
0 r < 0
1,2 0 _ r < 1 (A o 1 noms poden ser 0)
1 r _ 1 (A o 1 poden ser 0 o 1)
Teorema.- Tota funci de distribuci verica les propietats segents
1. 1
A
(r
2
) 1
A
(r
1
) = 1 r
1
< A _ r
2
(r
1
< r
2
)
2. 1
A
(r) s no decreixent: 1
A
(r
2
) _ 1
A
(r
1
) si r
1
< r
2
18
3. 1
A
(r) s contnua per la dereta
4. lim
a!1
1
A
(r) = 1 ; lim
a!1
1
A
(r) = 0
Demostraci.-
1. Sigui = . [ A(.) _ r
2
; 1 = . [ A(.) _ r
1
i C = . [ r
1
< A(.) _ r
2
amb r
1
< r
2
.
Tenim:
= 1 ' C (1 C = ?), per tant
1() = 1(1) +1(C), per
_
1() = 1 A _ r
2
= 1
A
(r
2
)
1(1) = 1 A _ r
1
= 1
A
(r
1
)
que implica 1(C) = 1 r
1
< A _ r
2
= 1
A
(r
2
) 1
A
(r
1
)
2. De (1) tenim 1 r
1
< A _ r
2
= 1
A
(r
2
) 1
A
(r
1
) (r
1
< r
2
); com que 1 r
1
< A _ r
2
_ 0
(doncs s una probabilitat), 1
A
(r
2
) _ 1
A
(r
1
) per r
1
< r
2
.
3. Hem de demostrar que 1
A
(r + 0) = 1
A
(r) (\r ), o el que s equivalent
lim
a!1
1
A
(r +
1
:
) = 1
A
(r) (\r )
Denim els esdeveniments
a
= . [ r < A(.) _ r + 1,:, la succesi
1
. .....
a
. ... s mon-
tona decreixent (
a+1

a
) i el seu lmit s lim
a!1

a
=
1

I
= ?
Per altra banda de (1) tenim:
1(
a
) = 1
A
(r +
1
:
) 1
A
(r)
19
aix lim
a!1
1(
a
) = lim
a!1
[1
A
(r + 1,:) 1
A
(r)] = 1
A
(r + 0) 1
A
(r) per per la continuitat
de la probabilitat lim
a!1
1(
a
) = 1
_
lim
a!1

a
_
= 1(?) = 0. Finalment
1
A
(r + 0) 1
A
(r) = 0
Semblantment podrem calcular el lmit per lesquerra de 1
A
(r). Per fer-ho formen la suc-
cessi desdeveniments 1
1
. ..... 1
a
. ...montona decreixent, on 1
a
= . [ r 1,: < A(.) _ r
amb lim
a!1
1
a
=
1
1
I
= . [ A(.) = r. Duna banda 1(1
a
) = 1
A
(r) 1
A
(r 1,:) i
lim
a!1
1(1
a
) = lim
a!1
[1
A
(r) 1
A
(r 1,:)] = 1
A
(r)1
A
(r0). Daltra banda lim
a!1
1(1
a
) =
1
_
lim
a!1
1
a
_
= 1 A = r . Per tant, trobem que
1
A
(r) 1
A
(r 0) = 1 A = r
el que ens diu que la funci de distribuci en principi t una discontinuitat de salt per lesquerra.
4. lim
a!1
1
A
(r) = 1 A _ = 1 = 1. lim
a!1
1
A
(r) = 1 A _ = 1 ? = 0
4.3 Tipus de variables aleatries
Denici.- Una variable aleatria es diu discreta si noms pot prendre un nombre nit o un nombre
innit per numerable de valors r
1
. r
2
. ..... r
a
. ..... diferents.
Fixem-nos que si A s discreta es pot escriure de la forma
A (.) =

i
r
i
1
fA=a
i
g
(.)
on
1
fA=a
j
g
(.) =
_
1. . A = r
)

0. . , A = r
)

a ms

i
1 A = r
i
= 1.
Per una variable aleatria discreta A (.) = r
1
. r
2
. ....... la funci de distribuci 1
A
(r) s
una funci esglaonada amb salts situats a r
1
. r
2
. ..... r
a
. .... de magnitud j(r
1
). j(r
2
). ...... j(r
a
). ....on
j(r
I
) = 1 A = r
I
.Aix
1
A
(r) =

a
k
a
j(r
I
)
Tamb es pot denir la funci de probabilitat per
j
A
(r) =
_
1 A = r
I
= j(r
I
) ; r = r
I
0 ; r ,= r
I
20
Evidentmet

I
j(r
I
) =

I
1 A = r
I
= 1. Fixem-nos que fent us de la funci de Hevisaid o
funci esgla
n(r) =
_
1 . r 0
0 . r < 0
podem escriure
1
A
(r) =

a
k
<a
j
A
(r
I
)n(r r
I
) .
La derivada formal de lanterior expressi s
d1
A
(r)
dr
= j
A
(r
I
)o(r r
I
) , < r <
on o(r) la "funci" delta de Dirac. La "funci" delta de Dirac satisf
1
_
1
,(r)o(r r
c
)dr = ,(r
c
)
y
1
_
1
o(r)dr =
.
_
.
o(r)dr = 1
per qualsevol 0.
Denici.- Una variable aleatria A rep el nom de contnua si existeix una funci no negativa
j
A
(r) que satisf la condici
1
A
(r) =
_
a
1
j
A
(.)d.
21
j
A
(r) rep el nom de densitat de probabilitat
j
A
(r) =
d1
A
(r)
dr
Teorema.- La densitat de probabilitat te les propietats
(i) j(r) _ 0
(ii)
_
1
1
j(r)dr = 1
(iii) j(r)dr = 1 r < A _ r +dr
(iv) 1 c < A _ / =
_
b
o
j(r)dr
Demostraci.- Exercici
4.4 Exemples de variables aleatries discretes
(I) Distribuci binomial
En estadstica, la distribuci binomial sintrodueix pel segent experiment aleatri: tenim un es-
deveniment . (xit) amb probabilitat docurrncia, j, i volem saber la probabilitat que . ocorri
/ vegades en una seqncia de : proves independents (amb j x a cada prova). Lexperiment
binomial tipus s llanar un dau : vegades i calcular-ne locurrncia dun cert resultat per / _ :
vegades. Un altre s tipus de la distribuci binomial s per a problemes decincies en apar-
ells de laboratori. Per exemple, es pot estar interessat a quantes vegades un dispositiu detecti
una partcula, o diagnostiqui una certa malaltia, suposant j igual la probabilitat (lecincia)
que a cada mesura laparell detecti lesdeveniment. Aleshores, introduda la variable aleatria
A(.) com el nombre dxits (docurrncies d.) en : proves independents, la probabilitat de
A(.) = / xits, 1A(.) = /, es calcula mitjaant el clcul combinatori i dna
E
a,j
(/) =
_
:
r
_
j
I
(1 j)
aI
, amb / = (0. 1. 2. ... :) i 0 < j < 1.
on sha indicat amb j la probabilitat dxit a cada prova i per consegent 1 j s probabilitat
de fracs (cap . ocorregut).
Denim que una variable aleatria discreta A(.) = 0. ... /. .... : segueix una distribuci
binomial de parametre j i : si la seva funci de probabilitat, E
a,j
(r), s
E
a,j
(r) =
_
E
a,j
(/) \r = /
0 \r ,= /
amb / = (0. 1. 2. ... :). E
a,j
(r) compleix les proprietats duna funci de probabilitat. Per
exemple, comprovem la proprietat de normalitzaci,
a

I=1
E
a, j
(/) =
a

I=1
_
:
/
_
j
I
(1 j)
aI
= (j + 1 j)
a
= 1
El cas especial : = 1 de la distribuci binomial s coneguda com a distribuci de Bernoulli.
Per contra, la distribuci binomial E
a,j
(/), s la suma de : assajos independents de Bernoulli.
22
A la gura, hem dibuixat la funci de probabilitat E
a,j
(r) per a diferents valors dels seus
parametres j. :. La funci E
aj
(r) t un mxim al voltant de r
noa
= :j o del nmero sencer
ms proper a r
noa
= :j: es pot comprovar que E
a, j
(/ + 1) _ E
a, j
(/) per a / _ :j, mentre
E
a, j
(/ + 1) _ E
a, j
(/) implica / _ :j.
Que el mxim sigui :j s el que sespera de denici freqentista de la probabilitat: en crixer :,
la freqncia, r,:. tendeix a j, ja que els valors de r diferents de r
noa
= :j tenen probabilitat
docurrncia nulla
Exemples.- Si un jugador t una probabilitat de succs de tir de 0.25 i en un partit fa 4 tirs, quina
s la probabilitat de marcar 1. 2. 3 o 4 gols?. El nombre de gols que es poden marcar est
modelat per a E
4,0.25
(/) i les probabilitats sn els segents:
1A(.)= 0 gols = E
4,0.25
(0) =
_
4
0
__
4
0
_
0.25
0
(1 0.25)
40
0.32
1A(.)= 1 gols = E
4,0.25
(1) =
_
4
1
_
0.25
1
(1 0.25)
41
0.42
1A(.)= 2 gols = E
4,0.25
(2) =
_
4
2
_
0.25
2
(1 0.25)
42
0.21
1A(.)= 3 gols = E
4,0.25
(3) =
_
4
3
_
0.25
3
(1 0.25)
43
0.05
1A(.)= 4 gols = E
4,0.25
(4) =
_
4
4
_
0.25
4
(1 0.25)
44
0.004
La distribuci binomial t un rol especial en estadstica, perqu ofereix un test senzill i rpid
per estabilir quan la freqncia de . mesurada en : proves, ,
a
.
aproximi b la probabilitat
d., j = lim
a!1
,
a
.
. Per exemple, suposem que volem estudiar la reacci de 10 conillets dndies
a un estmul acstic; 3 dells reaccionen de la mateixa manera ., mentre les reaccions dels
altres 7 formen lesdeveniment complementari .. La freqncia experimental observada d. s
3,10 = 0.3. Per testar la hiptesi que la probabilitat j d. sigui igual a la freqncia observada,
j = 0.3 i calculem la probabilitat que . ocorri exactament 3 sobre 10 vegades:
1A(.) = 3 = E
10, 0.3
(3) = 0.27
Aix vol dir que el 27% de les probabilitats sn a favor de la nostra hiptesi j = 0.3. Daltra
part, el nombre de proves 10 era prou petit i les probabilitats que . ocorri 2 o 4 vegades sn
encara altes
1A(.) = 2 = E
10,0.3
(2) = 0.23
1A(.) = 4 = E
10, 0.3
(4) = 0.20
Llavors per a j = 0.3 . es pot vericar indistintament per 2, 3, 4 conillets dndies: doncs hem
de concloure que posar j igual a la freqncia observada sobre 10 proves s prou arriscat.
Tot i que 10 conillets sn pocs per identicar la freqncia amb la probabilitat, s per possible
estimar un interval de valor per a j. De fet
j = 0.3 E
10, 0.3
(3) = 0.27
j = 0.4 E
10, 0.4
(3) = 0.21
j = 0.5 E
10, 0.3
(3) = 0.12
j = 0.2 E
10,0.2
(3) = 0.20
j = 0.1 E
10, 0.1
(3) = 0.05
23
Figure 1: La funci de probabilitat E
aj
(r) per a diferents valors dels seus parametres j. :. Noteu
que per a j = 0.5, s simtrica respecte a :, E
aj
(r) = E
aj
(: r)
24
Figure 2: Comparaci de les distribucions E
aj
(r) i T
A
(r) per diferents valors de : i j amb ` = :j = 1
x.
doncs s raonable escollir 0.2 _ j _ 0.5, ja que l80% de les probabilitas sn a favor dun valor
de j en aquest interval.
Un cas especial de la distribuci binomial, E
aj
(r) s per a : molt gran i j petit. Aquest cas
deneix el lmit de Poisson de la distribuci binomial: : i j = `,: 0 amb ` constant
positiva:
lim
a!1,A=ccact
E
a, Aa
(r) =
:!
r!(: r)!
_
`
:
_
a
_
1
A
a
_
a
_
1
A
a
_
a
=
`
a
r!
!a
x
..
:(: 1)(: 2) (: r + 1)
:
a
!c

..
_
1
`
:
_
a
_
1
`
:
_
a
. .
!1
T
A
(r) = lim
a!1,A=ccact
E
a, Aa
(r) =
`
a
r!
c
A
. amb r = (0. 1. 2. ... ) i ` 0
En aquest lmit obtenim una nova distribuci de probabilitat, la Distribuci de Poisson, T
A
(r).
caracteritzada noms per un parmetre, `. En la propera secci, introdurem amb detall la
distribuci de Poisson. Per al moment, s noms important saber que per a : gran T
A=aj
(r) es
pot usar en lloc de E
a, j
(r). A ms, com que en T
A=aj
(r) no apareixen coecients binomials,
els clculs sn ms rpids.
(II) Distribuci de Poisson
En el cas de la distribuci de Poisson, es consideren fenmens que ocorren repetidament i
aleatriament durant intervals de temps o despai i deriven de causes, les quals es repeteixen
invariades durant els intervals dobservaci. Exemples de fenmens de Poisson sn:
25
- trucades a una centraleta telefnica durant un minut, hora, dia, etc;
- defectes duna tela en un cm
2
. m
2
. etc;
- defectes de fabricaci dun cable en un estoc;
- avions que aterren en una hora, en un dia;
- errors dempresa per pagina en libre;
- desintegracions de nuclis radioactius en un temps;
- nombre de glcbuls blancs observables al microscopi en un camp optic;
- nombre de molcules continguts a petits volums de gas.
Sigui A(.) la variable aleatria que representi el nombre docurrncies d. (trucades, defectes,
errors i etc) en un interval t de temps (de longitud, drea o de volum), es deneix que . s un
process de Poisson si
1) la probabilitat de A(.) = 1 ocurrncies en un interval innitesimal dt sigui:
d1(A(.) = 1. dt) = :dt amb : constant per . dt [0. t]
s a dir, el nombre de trucades, errors i etc s proporcional a t i per a dt 0 va cap a 0
amb una taxa : constant;
2) la probabilitat que en dt hi hagi ms duna occurrncia sigui negligible:
d1(A(.) m1. dt) = 0 amb : constant per . dt [0. t]
3) el nombre doccurrncies en intervals de temps disjunts sigui independent entre ells.
Contrari al cas binomial, A(.) = 0. 1. .... /. .... pot assumir valors sencers de 0 a . Pel
clcul de la funci de probabilitat de A(.), podem observar que si linterval [0. t] es reparteix
en : intervals iguals disjunts,
t =
t
:
tornem al cas binomial de : = t,t proves i amb j = :t com a probabilitat docurrncia
d. a cada t. Passant al lmit : , t 0 i j 0 amb ` = :j = :t constant i doncs
la funci de probabilitat de A(.) s la funcio T
A=vt
(r) introduda a la secci precedent com a
lmit de la distribuci binomial.
Alternativament, T
A=vt
(r). es pot derivant directament raonant que la probabilitat de A(.) =
/ _ 0 occurrncies en linterval de temps [0. t +dt] s
1(/. t +dt) = 1(/. t)d1(0. dt) +1(/ 1. t)d1(1. dt)
= 1(/. t) (1(/. t) 1(/ 1. t)) :dt
don tenim lequaci diferencial per a 1(r. t)
d1(/. t)
dt
= : (1(/. t) 1(/ 1. t)) amb / _ 0
que resolta amb la condici inicial 1(0. 0) = 1 (cap occurrncies abans diniciar lexperiment)
ens dna
T
A
(/) =
`
I
/!
c
A
. amb / = (0. 1. 2. ... ) i ` = :t 0
on ` = :j = :t representa el nombre mitj doccurrncies (trucades, defectes, errors i etc) en
el temps t, (mireu a les properes seccions per ms detall).
26
Figure 3: La funci de probabilitat T
A
(r) per a diferents valors del seu parametre `.
27
(III) Distribuci discreta i uniforme
A(.) = r
1
. r
2
. ...... r
.
t una distribuci uniforme si
j(r
I
) =
1
`
; (/ = 1. 2. ...... `)
4.5 Exemples de variables aleatries contnues
(I) Distribuci uniforme o rectangular
Sigui A una variable aleatria que pot prendre qualsevol valor real dins dun interval (c. /):
A(.) = r (c. /)
i suposem que la probabilitat de que A estigui en algun interval (incls en (c. /)) s proporcional
a la longitut de
linterval:
1 r
1
< A < r
2
= / (r
2
r
1
) (c _ r
1
< r
2
_ /)
com que c < A _ / s lesdeveniment segur llavors
1 = 1 c < A < / = /(/ c)
aix
/ =
1
/ c
==1 r
1
< A < r
2
=
r
2
r
1
/ c
La funci de distribuci de A, 1
A
(r) = 1 A _ r = 1 c < A _ r
1
A
(r) =
_
_
_
0 ; r _ c
ao
bo
; c < r < /
1 ; r _ /
Ara demostarem que 1
A
(r) =
_
a
1
j
A
(r
0
)dr
0
(i.e. A s contnua) amb
j
A
(r) =
_
_
_
0 ; r _ c
1
bo
; c < r < /
1 ; r _ /
__
1
1
j(r)dr = 1
_
En efecte:
si r _ c tenim r
0
_ r _ c ==j
A
(r
0
) = 0 ==1
A
(r) = 0
si c < r < / tenim:
1
A
(r) =
_
o
1
j
A
(r
0
)dr
0
+
_
a
o
j
A
(r
0
)dr
0
=
_
a
o
1
bo
dr
0
=
ao
bo
, on
_
o
1
j
A
(r
0
)dr
0
= 0
28
si r _ / tenim:
1
A
(r) =
_
o
1
j
A
(r
0
)dr
0
+
_
b
o
j
A
(r
0
)dr
0
+
_
a
b
j
A
(r
0
)dr
0
= 1, on
_
o
1
j
A
(r
0
)dr
0
=
_
a
b
j
A
(r
0
)dr
0
= 0
(II) Distribuci exponencial
Sigui A una variable aleatria contnua amb rang tota la recta real
A (.) = < r <
Considerem la funci densitat
j
A
(r) =
_
0 ; r < 0
`c
Aa
; r _ 0
29
aix doncs:
(a) r < 0 tenim
_
a
1
j
A
(r
0
)dr
0
= 0
(b) r _ 0 tenim:
_
a
1
j
A
(r
0
)dr
0
=
_
0
1
j
A
(r
0
)dr
0
+
_
a
0
j
A
(r
0
)dr
0
= 1c
a
, on
_
0
1
j
A
(r
0
)dr
0
=
0. Per tant la funci de distribuci s
1
A
(r) =
_
0 ; r < 0
1 c
Aa
; r _ 0
(III) Distribuci de Laplace
Sigui A una variable aleatria contnua amb rang tota la recta real
A (.) = < r <
30
considerem la densitat
j
A
(r) =
1
2/
c

jxj
b
; / 0 ; < r <
j
A
(r) s efectivament una funci densitat doncs:
(a) j
A
(r) _ 0 ; \r
(b)
_
1
1
j
A
(r)dr =
1
2/
_
1
1
c

jxj
b
dr =
1
2/
_
j
1
c

jxj
b
dr +
1
2/
_
1
j
c

jxj
b
dr = 1
La funci de distribuci que li correspon s
1
A
(r) =
_
1
2
c
(x)
b
r _ j
1
2

1
2
c

(x)
b
r j
31
(IV) Distribuci de Cauchy
Sigui A una variable aleatria contnua amb rang tota la recta real
A (.) = < r <
considerem la densitat
j
A
(r) =
1
:
_
1 +
_
r r
0

_
2
_ ; (< r < )
a partir de la qual es pot cosntruir la segent funci de distribuci
1
A
(r) =
_
a
1
1
:
_
1 +
_
. r
0

_
2
_d. =
1
:
_
arctan
_
r r
0

_
+
:
2
_
32
(V) Distribuci Gaussiana o Normal
Sigui A una variable aleatria contnua amb rang tota la recta real
A (.) = < r <
considerem la densitat
j
A
(r) =
1
_
2:o
exp
_

(r j)
2
2o
2
_
; (< j < . o 0 . < r < )
s evident que j
A
(r) _ 0 i
_
1
1
j
A
(r)dr = 1 (\o. c)
La funci de distribuci s
33
1
A
(r) =
_
a
1
j
A
(r
0
)dr
0
=
1
_
2:o
_
a
1
exp
_

(. j)
2
2o
2
_
d. = (r) (Funci error)
Quan j = 0 i o = 1 la Gaussiana es diu que est normalitzada, tamb sanomena distribuci normal.
34
(VI) Distribuci
2
(Ji-quadrat)
Siguin A
1
. ...... A
I
, / variables aleatries independents, cadascuna amb una distribuci normal.
La suma dels quadrats A
2
1
+.... +A
2
I
deneix la variable aleatria
2
. Per tal de calcular la densitat
de probabilitat de
2
que anomenarem ,
I
(r) primer hem calcular la funci de distribuci fent us de
la densitat de probabilitat conjunta de les / variables A
)
,(r
1
. .... r
I
) =
1
(2:)
k
2
c

1
2
(
a
2
1
+....+a
2
k
)
.
Daqu la funci de distribuci de
2
, 1
I
(r) ve donada per
1
I
(r) = 1
_

2
_ r
_
=
1
(2:)
k
2
_
.....
_
a
2
1
+....+a
2
k
a
c

1
2
(
a
2
1
+....+a
2
k
)
dr
1
.....dr
I
.
En aquest punt com que sabem que la derivada de la funci de distribuci s la densitat de probabilitat
1
I
(r +/) 1
I
(r) =
1
(2:)
k
2
_
........
_
a<a
2
1
+...+a
2
k
a+I
c

1
2
(
a
2
1
+....+a
2
k
)
dr
1
.....dr
I
=
1
(2:)
k
2
c

1
2
(a+0I)
[o
I
(r +/) o
I
(r)] .
on 0 < o < 1 i
o
I
(r) =
_
.....
_
dr
1
.....dr
I
a
2
1
+....+a
2
k
a
s el volum duna esfera de / dimensions i radi
_
r. Fen el canvi de variables r
i
=
i
_
r lanterior
relaci es transforma en
o
I
(r) = r
k
2
_
.....
_
d
1
.....d
I
j
2
1
+....+j
2
k
1
= Co::t r
k
2
.
Per tant
1
I
(r +/) 1
I
(r)
/
= Co::tc

1
2
(a+0I)
(r +/)
k
2
r
k
2
/
.
Finalment, en el lmit / 0
,
I
(r) =
d1
I
(r)
dr
= Co::t r
k
2
1
c

x
2
.
La constant es determina imposant la normalitzaci
_
1
0
,
I
(r)dr = 1.
Finalment sarriba a
,
I
(r) =
1
2
k
2
(
I
2
)
r
k
2
1
c

x
2
.
35
on / s el nombre de graus de llibertat de la distribuci, s a dir el nombre de quadrats donen lloc a
la variable
2
.
La probabilitat de que la variable aleatria
2
prengui un valor superior a una quatitat donada

2
c
s:
1
_

2

2
c
_
=
_
1

2
o
,
I
(r)dr.
Si daltra banda, volem trobar una quantitat
2
j
tal que la probabilitat 1
_

2

2
j
_
igual a j%,
haurem de resoldre lequaci
1
_

2

2
j
_
=
j
100
.
El valor numric de la quantitat
2
j
que s soluci de lanterior equaci per un j donat sanomena
36
valor p per cent de la variable
2
per k graus de llibertat.
La distribuci
2
s important perqu sutilitza per evaluar la abilitat duna llei inferida a partir
duna estadstica elaborada en base a un conjunt de mesures experimentals.
4.6 Distribucions mixtes
Una distribuci de probabilitat pot contenir una component contnua i una altra discreta. En general
es podr escriure
1
A
(r) = c
a
_
1
d1
A
C
() + (1 c)
a
_
1
d1
A
D
()
o b
1
A
(r) = c
a
_
1
,
A
c
()d + (1 c)

a
k
<a
,
A
d
(r
I
)n(r r
I
)
on ,
A
c
(r) s una densitat contnua que satisf
,
A
c
(r) =
d1
A
c
(r)
dr
,
el conjunt de punts r
I
constitueix la localitzaci dels salts de tamany ,
A
d
(r
I
).
Exemple.- Sigui la variable aleatria A amb
1 A = 1,8 = 1,4 . 1 A = 1 = 1,8
37
i amb probabilitat de 5,8 destar uniformement distribuida en linterval (1,8. 1)
Soluci.-
4.7 Distribucions conjuntes de variables aleatries. Distribuci bidi-
mensional
Denici.- La funci de distribuci conjunta de les variables A i 1 ve donada per
1 (r. ) = 1 A _ r. 1 _ .
1 (r. ) ens dona la probabilitat que el vector aleatori (A. 1 ) deneixi un punt dins del rectangle
(. r] (. ]. Igual que en el cas duna variable, la funci de distribuci conjunta determina
completament la distribuci de probabilitat.
a. Distribucions discretes.- Es caracteritzan perqu el vector aleatori (A. 1 ) genera els nusos duna
xarxa bidimensional. La funci de probabilitat ve donada per
j
ji
= 1 A = r
j
. 1 =
i
. (j. i = 1. 2. ....)
i rep el nom de funci de probabilitat conjunta de les variables A i 1 . La condici de normal-
itzaci imposa que

j,i
j
ji
= 1.
38
Daltra banda la funci de probabilitat de tan sols la variable A o tan sols la variable 1
conegudes com funcions de probabilitat marginal, venen donades per
j
j
=

i
j
ji
i
j
i
=

j
j
ji
.
Per exemple j
j
ens dona la probabilitat que A = r
j
independenment del valor que prengui 1
i al revs.
Si les variables sn independents llavors j
ji
= j
j
j
i
b. Distribucions contnues.- Es caracteritzan per lexistncia duna densitat de probabilitat ,(r. )
conjunta, tal que
1 (r. ) =
_
a
1
_
j
1
,(r
0
.
0
)dr
0
d
0
.
La densitat de probabilitat ha de satisfer la condici de normalitzaci
_
1
1
_
1
1
,(r. )drd = 1.
En aquest cas les densitats marginals venen donades per
,(r) =
_
1
1
,(r. )d
i
,() =
_
1
1
,(r. )dr.
Quan les varable siguin independents, ,(r. ) = ,(r),().
En els dos casos anteriors es pot parlar de distribucions condicionades en base al concepte de
probabilitat condicionada, ja introdut. Reduint-nos a una distribuci contnua, tenim que
1 < 1 < +d [ r < A < r +dr
=
1 < 1 < +d. r < A < r +dr
1 r < A < r +dr
=
,(r. )drd
,(r)dr
=
,(r. )
,(r)
d.
Don
,( [ r) =
,(r. )
,(r)
.
39
Aqu, ,( [ r) s una densitat de probabilitat que satisf la condici de normalitzaci
_
1
1
,( [ r)d =
_
1
1
,(r. )d
,(r)
=
,(r)
,(r)
= 1.
El que hem dit per un vector bidimensional es pot extendre de manera natural a un :-vector
(A
1
. ...... A
a
). Per illustrar aquesta generalitzaci considerem la suma de les : variables (A
1
. ...... A
a
)
independents
A = A
1
+A
2
+... +A
a
.
La funci de distribuci de A ve donada per
1(r) =
_
.....
_
a
1
+....+a
n
a
,(r
1
),(r
2
)....,(r
a
)dr
1
.....dr
a
.
Si es tracts de dues variables
1(r) =
_ _
a
1
+a
2
a
,(r
1
),(r
2
)dr
1
dr
2
_
1
1
,(r
1
)dr
1
_
aa
1
1
,(r
2
)dr
2
i a partir daqu
,(r) =
d1(r)
dr
=
_
1
1
,(r r
1
),(r
1
)dr
1
=
_
1
1
,(r r
2
),(r
2
)dr
2
.
Aplicant reiteradament aquesta darreres frmules podem obtenir la distribuci de probabilitat de la
suma en el cas n-dimensional.
Exemple.- Siguin A, 1 dues variables aleatries uniformement distribuides en linterval [0. 1] i
independents, s a dir la densitat de probabilitat de A, 1 s
,
AY
(r. ) =
_
1 (r. ) Q
0 (r. ) , Q
on Q = 0 _ r _ 1 i 0 _ _ 1 i ,
AY
(r. ) = ,
A
(r),
Y
(). ,
A
(r) i ,
Y
() densitats uniformes
respectivament per a A, i a 1 . Trobeu la densitat de probabilitat de la variable suma 2 = A + 1.
,
Z
(.) i resta \ = A 1. ,
W
(n). Noteu que el domini de 2 ser 2 = . [0. 2], mentre
\ = n [1. 1].
Soluci.-
Fem servir directament la frmula, ,
Z
(.) =
_
1
0
,
Y
(. r),
A
(r)dr i trobem xat . els extrems
dintegraci de r on ,
Y
(. r),
A
(r) s no nulla:
,
Y
(. r),
A
(r) ,= 0 == 0 < . r _ 1 i 0 < r _ 1
implica 3 condicions per a r, r < ., r _ . 1 i 0 < r _ 1, les quals no sn totes independents
canviant .. Ara
0 < . _ 1 == 0 < r _ .
1 < . _ 2 == . 1 < r _ 1.
40
Calcolats els extrems dintegraci, tenim
,
Z
(.) =
_
1
0
,
Y
(. r),
A
(r)dr =
_

_
0 . _ 0
_
:
0
dr = . 0 < . _ 1
_
1
:1
dr = (. 2) 1 < . _ 2
0 . 2
Alternativament, podem calcolar ,
Z
(.) de la denici, s a dir
1
Z
(.) =
_ _
1
1
a+j:
,
AY
(r. )drd =
_

_
0 . _ 0
_
:
0
dr
_
a+:
0
d =
:
2
2
0 < . _ 1
1
_
1
1+:
dr
_
1
a+:
d = 1
(:2)
2
2
1 < . _ 2
1 . 2
Noteu: aprotant de la gura, la integral doble, 1
Z
(.), es pot solucionar per via grca mitjanant
el concepte drea: per a . _ 1 s lrea del triangle , (.
2
,2), gura a lesquerra, mentre per a
1 _ . _ 2 s la resta de lrea del quadrat unitari Q i de la del triangle 1, ((. 2)
2
,2), gura a la
dreta.Per tant la densitat de probabilitat s la densitat triangular
,
Z
(.) =
d
d.
1
Z
(.) =
_

_
0 . _ 0
. 0 < . _ 1
(. 2) 1 < . _ 2
0 . 2
En el cas de variables ortogonals com a \ i 2.es pot calcular directament la densitat de prob-
abilitat conjunta ,
ZW
(.. n), ja que la probabilitat ,
ZW
(.. n)dnd. = ,
AY
(r. )drd i pel canvi de
variable el volumet drd = dnd.,[ det(J)[ = dnd.,2. Doncs
,
ZW
(.. n) =
_
1
2
(.. n)
0 (.. n) ,
__ _
1
1
,
ZW
(.. n)dnd. = 1
_
41
on = 0 _ . _ 1 == . _ n _ . : 1 _ . _ 2 == . 2 _ n _ 2 .. La ,
Z
(.) i la ,
W
(n)
sobtenen de les integrals unidimensionals
,
Z
(.) =
_
1
1
,
ZW
(.. n)dn =
_

_
0 . _ 0
_
:
:
1
2
dn = . 0 < . _ 1
_
2:
:2
1
2
dn = (. 2) 1 < . _ 2
0 . 2
,
W
(n) =
_
1
1
,
ZW
(.. n)d. =
_

_
0 n _ 1
_
2+&
&
1
2
d. = 1 +n 1 < n _ 0
_
2&
&
1
2
d. = 1 n 0 < n _ 1
0 n 1
4.8 Funcions de variables aleatries
Sigui A una variable aleatria i / : 1 1 una funci. Es pot dir que /(A) s tamb una variable
aleatria?. Com que /(A) = /(A(.)), la resposta s que / ha de ser mesurable segons Q. Aix s,
si 1 1 s un esdeveniment, amb 1 = /(), tamb s un esdeveniment. Per tant, si 1 = /()
llavors A
1
() Q, s a dir que A
1
() s un subconjunt de lespai mostral .
En general calcularem la distribuci de probabilitat de 1 = /(A) a partir de la funci de dis-
tribuci de A, 1
A
(r).
Exemple.- Calculeu 1
ZW
(.. n) si ,
AY
(r. ) =
1
2o
2
c
(a
2
+j
2
)2o
2
; 2 =
_
A
2
+1
2
, \ = 1,A.
Soluci.-
1
ZW
(.. n) =
_ _
l
,
AY
(r. )drd =
1
2:o
2
_ _
l
c
(a
2
+j
2
)2o
2
drd
on l =
_
(r. ) 1
2
:
_
r
2
+
2
_ . , ,r _ n
_
.
42
La integraci resulta ms fcil si fem el canvi a polars
r = : cos ,
= : sin ,
_
; drd = :d:d,
0 _ : _ . ;
:
2
_ , _ arctan n i arctan n _ , _
:
2
Per tant
1
ZW
(.. n) =
1
2:o
2
_
:
0
:c
v
2
2o
2
d:
_
_
arctan &
2
d, +
_
2
arctan &
d,
_
=
_
1
2
+
1
:
arctan n
_
_
1 c
:
2
2o
2
_
Si ens xem , 2 i \ sn independents, ja que 1
ZW
(.. n) = 1
Z
(.) 1
W
(n) amb 1
Z
(.) = 1 c
:
2
2o
2
( distribuci de Rayleigh) i 1
W
(n) =
1
2
+
1

arctan n (distribuci de Cauchy).


Exemple.- Si la transformaci s 1 = A
2
i A t la densitat de probabilitat ,
A
(r)
1 1 _ = 1
_
_ A _
_

o
1
Y
() =
_
p
j

p
j
,
A
(r)dr.
Obtenim la densitat de 1 derivant
,
j
() =
d1
Y
()
d
= ,
A
(
_
)
d
d
_
,
A
(
_
)
d
d
(
_
)
o
,
j
() =
_
0. < 0
)
X
(
p
j)+)
X
(
p
j)
2
p
j
. _ 0
.
Si posem per cas A t una distribuci gaussiana
,
A
(r) =
1
_
2:
c
a
2
2
, < r < .
llavors la densitat de probabilitat de 1 s
,
j
() =
_
0. < 0
1
p
2

12
c
j
2
2
_ 0
Si A t una densitat de probabilitat ,
A
(r) i / s diferenciable i invertible es pot calcular direc-
43
tament la relaci entre les densitats de probabilitat. Si /(r) s no decreixent
dacord amb la gura tenim 1
A
(r
0
) = 1
Y
(
0
) i per tant d1
Y
() = d1
A
(r)[
I(a)=j
. Daltra banda si
/(r) s no creixent
dacord amb la segona gura 1
A
(r
0
) = 1 1
Y
(
0
) i per tant d1
Y
() = d1
A
(r)[
I(a)=j
. Per tant,
pel cas creixent i decreixent es dedueix que
,
Y
() =
1
[/
0
(r)[
,
A
(r)[
I(a)=j
.
Noteu que hem fet servir el fet que d1
A
(r),dr = ,
A
(r) i d1
Y
(),d = ,
Y
(), tamb en tingut en
compte el caracter negatiu de /
0
(r) en el cas no creixent.
Exemple.- Sigui A una variable uniformement distribuida en linterval [0. 1] i sigui = c
a
. Del
que acabem de comentar s fcil deduir que
,
Y
() = ,
A
(r)c
a
= 1,
o b
,
Y
() =
_
1,. (1,c) _ _ 1
0. c: d
0
c|t:c: cc:o:
44
La generalitzaci a ms duna variable aleatria involucra el jacobi de la transformaci. En el
cas ms simple de dues variables (A
1
. A
2
) (1
1
. 1
2
) tenim
,
Y
1
,Y
2
(
1
.
2
) = ,
A
1
,A
2
(r
1
. r
2
)

J
_
r
1
. r
2

1
.
2
_

on
J
_
r
1
. r
2

1
.
2
_
=

0a
1
0j
1
0a
1
0j
2
0a
2
0j
1
0a
2
0j
2

Quan la variable A s discreta, com que en aquest cas 1


A
(r) no s derivable a tot arreu hem de
procedir dun altre manera. Si
A =

i
r
i
1
fA=a
i
g
llavors
1 =

i
/(r
i
)1
fA=a
i
g
.
La funci de probabilitat de 1 , j
Y
() es pot trobar en termes de la funci de probabilitat de A,
j
A
(r)
j
Y
() =

fa
i
jI(a
i
)=jg
j
A
(r
i
)
Exemple.- Sigui A amb una funci de probabilitat
j
A
(r) =
_
1,4. r = 1. 2. 3. 4
0. c: d
0
c|t:c: cc:o:
.
Considerem la transformaci = 2r. Es clar que
j
Y
() =
_
1,4. r = 2. 4. 6. 8
0. c: d
0
c|t:c: cc:o:
5 VALORESPERATS, FUNCIONS CARACTERISTIQUES,
FUNCIONS GENERADORES DE MOMENTS I CU-
MULANTS
5.1 Valors esperats
Denici.- Sigui A una variable aleatria i sigui ,(A) una funci de A, llavors el valor esperat o
valor mitj de ,(A) s
,(A) =
_
1
1
,(r)d1
A
(r)
si A s una variable aleatria contnua llavors
,(A) =
_
1
1
,(r)j
A
(r)dr
si A(.) = r
1
. r
2
. .... r
a
. .. s discreta llavors
,(A) =

a
,(r
a
)1 A = r
a

Teorema.- El valor esperat de ,(A) verica les propietats segents:


45
1. c
1
,
1
(A) +c
2
,
2
(A) = c
1
,
1
(A) +c
2
,
2
(A)
2. [,(A)[ _ [,(A)[
Si ,(A) s real tenim a ms
3. ,
1
(A) _ ,
2
(A) si 0 _ ,
1
(A) _ ,
2
(A)
4. ,
1
(A) _ 0 si ,
1
(A) _ 0
5. min [,(r)] _ ,(A) _ max [,(r)]
Demostraci.- 1-4 directe de les propietats de la integral denida.
5 ,(A) =
_
1
1
,(r)d1
A
(r) _ max [,(r)]
_
1
1
d1
A
(r) = max [,(r)], doncs
_
1
1
d1
A
(r) = 1
Denici.- Sanomenen moments duna variable aleatria A als valors mitjans de les potencies
de A; aix hom deneix el moment dordre : per:
A
a
=
_
1
1
r
a
d1
A
(r)
El primer moment sanomena valor mitj de A:
j = A =
_
1
1
rd1
A
(r) =
_ _
1
1
rj
A
(r)dr (A contnua)

a
r
a
1 A = r
a
(A discreta)
Sanomenen moments centrals dordre : de A a:
(A A)
a
=
_
1
1
(r j)
a
d1
A
(r)
El segon moment central sanomena variana de A
Var (A) = o
2
=

(A A)
2
_
=
_ _
1
1
(r j)
2
j
A
(r)dr

a
(r
a
j)
2
1 A = r
a

o =
_

(A A)
2
_
s la desviaci tpica o standard. La variana tamb es pot escriure com
o
2
= A
2
A
2
.
Exemple.- (i) Poisson; (ii) Uniforme; (iii) Normal
Soluci.-
(i) En aquest cas A (.) = 0. 1. 2. ... :. .. amb distribuci
1 A = r
a
= 1 A = : =
`
a
:!
c
A
aix

A =

a
r
a
1 A = r
a
=
1

a=0
:
`
a
:!
c
A
=
1

a=1
:
`
a
(: 1)!
c
A
=
`c
A
1

a=1
`
a1
(: 1)!
= `c
A
1

n=0
`
n
:!
= `c
A
c
A
= `
46
o
2
=

(A A)
2
_
= A
2
A
2
= A
2
`
2

A
2
_
=

a
r
2
a
1 A = r
a
=
1

a=0
:
2
`
a
:!
c
A
=
`c
A
_
1

a=1
:
`
a1
(: 1)!
_
= `c
A
_
1

n=0
(:+ 1)
`
n
:!
_
=
`c
A
_
`
1

n=1
:
`
n1
(:1)!
+
1

n=0
`
n
:!
_
= `
2
+`
aix o
2
= `
(ii) Uniforme
j
A
(r) =
_
1
bo
r (c. /)
0 r , (c. /)
j = A =
_
1
1
rj
A
(r)dr =
1
bo
_
b
o
rdr =
/
2
c
2
2 (/ c)
=
c +/
2

o
2
=
_
b
o
_
r
c +/
2
_
2
dr =
(/ c)
2
12
(iii) Gaussiana
j
A
(r) =
1
_
2:/
exp
_

(r c)
2
2/
2
_

j = A =
_
1
1
r
1
_
2:/
exp
_

(r c)
2
2/
2
_
dr =
1
_
2:
_
1
1
(/. +c) exp
_
.
2
,2
_
d. =
/
_
2:
_
1
1
. exp
_
.
2
,2
_
d.+
c
_
2:
_
1
1
exp
_
.
2
,2
_
d. = c
on hem fet el canvi de variables . = (r c) ,/ i del fet que per simetria la integral de .
sanula.

o
2
=
1
_
2:/
_
1
1
(r c)
2
exp
_

(r c)
2
2/
2
_
dr =
/
2
_
2:
_
1
1
.
2
exp
_
.
2
,2
_
d. =
/
2
_
2:
_
_
. exp
_
.
2
,2
_
1
1
+
_
1
1
.
2
exp
_
.
2
,2
_
d.
_
= /
2
47
5.2 Funci generadora de moments i cumulants
Denici.-La funci generadora de moments (f.g.m.) duna variable aleatria A s el valor esperat
de la variable aleatria exp (tA) (t )
`
A
(t) = exp (tA) =
_
1
1
exp (tr) d1
A
(r) (< t < )
Teorema.- La funci generadora de moments satisf :
(I) A
a
=
o
n
ot
n
`
A
(t) [
t=0
(: = 1. 2. 3. ....)
(II) Si 1 = cA +/
`
Y
(t) = c
bt
`
A
(ct)
Demostraci.-
(I)
`
A
(t) =
_
1
1
exp (tr) d1
A
(r) ==
d
a
dn
a
`
A
(t) =
_
1
1
r
a
exp (tr) d1
A
(r) ==
==
d
a
dn
a
`
A
(t) [
t=0
=
_
1
1
r
a
d1
A
(r) = A
a

(II)
`
Y
(t) = exp (t1 ) = exp [t (cA +/)] =
exp (ctA) exp(t/) = exp(t/) exp (ctA) = exp(t/)`
A
(ct)
Exemple.- Quina s la funci generadora de moments i lexpressi dels dos primers moments?
(i) per la distribuci binomial
j
A
(r) =
_
:
r
_
j
a
(1 j)
a
. r = 0. 1. .... :
`
A
(t) = exp (tA) =
a

a=0
c
ta
_
:
r
_
j
a
(1 j)
aa
=
a

a=0
_
:
r
_
_
jc
t
_
a
(1 j)
aa
=
_
jc
t
+ 1 j
_
a
d
dt
`
A
(t) [
t=0
= :
_
jc
t
+ 1 j
_
a1
jc
t
[
t=0
= j
d
2
dt
2
`
A
(t) [
t=0
= :j(1 j) +:
2
j
2
= o
2
+j
2
48
(ii) per la distribuci de Poisson
1 A = r
a
= 1 A = : =
`
a
:!
c
A
`
A
(t) = exp (tA) =
1

a=0
c
ta
`
a
r!
c
A
=
c
A
1

a=0
(`c
t
)
a
r!
= c
A
c
Ac
t
= c
A
(
c
t
1
)
pels moments tenim
d
dt
`
A
(t) [
t=0
= c
A
(
c
t
1
)
`c
t
[
t=0
= ` = j
d
2
dt
2
`
A
(t) [
t=0
= ` +`
2
=

A
2
_
= o
2
+j
2
Exercici.- Quina s lexpressi de la funci generadora de moments duna Gaussiana?.
Denici.- La funci generadora de cumulants 1
A
(t) es deneix com
1
A
(t) = ln `
A
(t)
La derivada n-sima de 1
A
(t) sanomena n-sim cumulant de la variable aleatria A
/
a
=
d
a
dt
a
1
A
(t) [
t=0
De tal manera que es pot escriure
1
A
(t) =
1

a=1
/
a
t
a
:!
Tenim que
/
1
= A = j
/
2
= A
2
+

A
2
_
= o
2
/
3
= 2 A
3
3 A

A
2
_
+

A
3
_
En general ln-sim cumulant es pot escriure en funci dels n primers moments. Al revs ln-sim
moment es pot escriure en funci dels n primers cumulants

A
2
_
= /
2
+/
2
1

A
3
_
= /
3
+ 3/
2
/
1
+/
3
1
Si A i 1 sn variables independents es pot demostrar que
1
A+Y
(t) = 1
A
(t) +1
Y
(t)
Per tant ln-sim cumulant de la suma A + 1 s igual a la suma dels n-sims cumulants. Aquesta
additivitat s lavantatge fonamental dels cumulants sobre els moments. En general noms els primers
moments sn additius.
Exemple.- Trobar els cumulants duna Gaussiana
Soluci.-
j
A
(r) =
1
_
2:o
exp
_

(r j)
2
2o
2
_
1
A
(t) = ln `
A
(t) = tj +
t
2
o
2
2
per tant /
1
= j i /
2
= o
2
; /
a
= 0 per : 2.
49
5.3 Funcions caracterstiques
Denici.- La funci caracterstica duna variable aleatria A s el valor esperat de la variable
aleatria exp (inA) (n ):
,
A
(n) = exp (inA) =
_
1
1
exp (inr) d1
A
(r) (< n < )
Per una variable aleatria discreta tenim
,
A
(n) =

a
exp (inr
a
) 1 (A = r
a
)
i per una variable aleatria contnua amb densitat de probabilitat j(r)
,(n) =
_
1
1
exp (inr) j(r)dr
(quan no hi hagi confusi ometrem el subindex)
Exemple.-
(i) Per una distribuci de Poisson 1 (A = :) = `
a
,:! exp(`) la funci caracterstica s
,(n) =

a
exp (inr
a
) 1 (A = r
a
) =

a
exp (in:)
`
a
:!
exp(`) =
exp(`)

a
(`exp (in))
a
:!
= exp(`) exp
_
`c
i&
_
= exp
_
`
_
c
i&
1
_
(ii) Per una distribuci gaussiana (normalitzada) tindrem
,(n) =
_
1
1
exp (inr) j(r)dr =
1
_
2:
_
1
1
exp (inr) exp
_
r
2
,2
_
dr =
1
_
2:
_
1
1
exp
_

_
r
2
,2 inr
_
dr =
1
_
2:
_
1
1
exp
_

1
2
(r in)
2
n
2
,2
_
dr
exp
_
n
2
,2
_
_
1
_
2:
_
1
1
exp
_

1
2
(r in)
2
_
dr
_
= exp
_
n
2
,2
_
on hem fet us de la condici de normalitzaci de la Gaussiana.
Teorema.- La funci caracterstica duna variable aleatria arbitraria A verica les propietats:
1. ,(0) = 1 ; [,(n)[ _ 1 \n
2. Per un canvi lineal 1 = cA +/ tenim:
,
Y
(n) = c
i&b
,
A
(cn) (c. / )
3.
A
a
=
1
i
a
d
a
dn
a
,(n) [
&=0
(: = 1. 2. 3. ....)
4. ,(n) = ,

(n) , ,

s el complex conjugat de ,
50
Demostraci.-
1.
,(0) =
_
1
1
d1
A
(r) = 1
[,(n)[ =

_
1
1
exp (inr) d1
A
(r)

_
_
1
1
[exp (inr)[ d1
A
(r) = 1
2.
,
Y
(n) = exp (in1 ) = exp [in(cA +/)] =
exp (icnA) exp(in/) = exp(in/) exp (icnA) = exp(in/),
A
(cn)
3.
,(n) =
_
1
1
exp (inr) d1
A
(r) ==
d
a
dn
a
,(n) =
_
1
1
i
a
r
a
exp (inr) d1
A
(r) ==
==
d
a
dn
a
,(n) [
&=0
= i
a
_
1
1
r
a
d1
A
(r) = i
a
A
a

4.
,

(n) =
__
1
1
exp (inr) d1
A
(r)
_

=
_
1
1
exp (inr) d1
A
(r) = ,(n)
6 TEOREMA DEL LIMIT CENTRAL
6.1 Teorema del lmit central
Teorema1.- Sigui A
1
. A
2
. ..... una colecci de variables independents amb la mateixa distribuci de
probabilitat amb
A
v
= j. 0 < var (A
v
) = o
2
<
Si denim la nova variable o
a
=

a
v=1
A
v
, llavors var(o
a
) = :o
2
.
Demostraci.- Exercici
Teorema2 (continuitat de les distribucions).- Enunciem sense demostrar el segent teorema: Sigui
A. A
1
. A
2
. ..... una colecci de variables aleatries amb funcions de distribuci 1(r). 1
1
(r). .... i fun-
cions generadores de moments `(t). `
1
(t). `
2
(t)..... [t[ < d. Llavors si
lim
a!1
`
a
(t) = `(t) . [t[ < d
se segueix
lim
a!1
1
a
(r) = 1(r)
Teorema2 (teorema del lmit central).- En les condicions dels teoremes 1 i 2 tenim que
1
_
o
a
:j
:
12
o
_ r
_
(r)
on com ja hem vist previament (r) s la funci error.
Demostraci.- Sigui 1
v
= (A
v
j) ,o. : _ 1. Llavors 1
v
= 0 i var(1
v
) = 1, de manera que
`
Y
(t) =

c
tY
r
_
= 1 +
t
2
2
+
1
6

1
3
v
_
t
3
+......
51
Ara calcularem la funci generadora de moments de la suma n-sima standaritzada
_
exp
_
t
_
o
a
:j
:
12
o
___
=
_
exp
_
t
:
12
a

v=1
1
v
__
=
_
`
Y
_
t
:
12
__
a
. per la independncia
=
_
1 +
t
2
2:
+
1
6

1
3
1
_
t
3
:
32
+....
_
a
. pel resultat previ
exp
_
t
2
2
_
. quan : .
Per exp
_
t
2
2
_
s la funci generadora de moments de una variable gaussiana standaritzada. Per tant
pel teorema 2, la funci de distribuci de (o
a
:j) ,
_
:
12
o
_
convergeix a una gaussiana standar-
itzada `(0. 1) quan : .
Exemple.- Un generador de nombres aleatoris proporciona nombres distribuits uniformement en
linterval [0,1] amb mitjana j = 1,2 i varincia o
2
= 1,12. Repetim 5000 vegades lexperiment que
consisteix en:A) prendre un nombre generat daquesta manera obtenint el segent histograma
B)prendre dos nombres generats daquesta manera obtenint el segent histograma
52
C)prendre tres nombres generats daquesta manera obtenint el segent histograma
D)prendre dotze nombres generats daquesta manera obtenint el segent histograma
6.2 Approximaci contnua duna distribuci discreta
Aqu examinem el procediment daproximaci duna distribuci de probabilitat discreta per una
contnua. Suposem que es vol aproximar la distribuci de probabilitat duna variable discreta A
representada pel corresponent histograma per una densitat de probabilitat contnua donada per la
funci ,.
Com que lhistograma es construeix de tal manera que larea de cada rectangle coincideix amb la
freqncia relativa o probabilitat, tenim que
1 A _ / = Area sota lhistograma a lesquerra de / +/,2
- Area sota , a lesquerra de / +/,2
=
_
b+I2
1
,(r)dr = 1(/ +/,2)
53
on 1 s la funci de distribuci de la distribuci de probabilitat contnua. En particular
1 A = / -
_
b+I2
bI2
,(r)dr
Si els valors de A sn enters consecutius, llavors / = 1 i
1 A _ / - 1(/ + 1,2)
Teorema (aproximaci gaussiana de la binomial).- Aquest s un cas particular de la forma general
del teorema del lmit central just vista. Sigui A una variable aleatria amb distribuci binomial (:. j) .
La distribuci daquesta variable tendeix a una distribuci gaussiana quan : .
Demostraci.- Estandaritzem la variable A de tal manera que
: r
n
=
::j
o
on o =
_
:j i = (1 j). Com que la variable A pren valors sencers, la diferncia entre dos dels
seus valors consecutius s la unitat mentre que entre valors consecutius de la variable estandaritzada
s 1,o = /.Per tant, quan : , / 0 i lerror que inherent a laproximaci s negligible.
Resta per tant dilucidar lexpressi de , . Sabem que
j(:) =
:!
:! (: :)!
j
n

an
segons la frmula de Stirling
:! - (2:)
12
:
a+12
c
a
aix
j(:) -
_
:
2::(: :)
_
12 _
:j
:
_
n
_
:
: :
_
an
que en termes de la variable r
n
desprs de treure el logaritme sescriu
ln j(r
n
) - ln
_
2:
__
j
:
r +j
__

_
j
:
+
_
:
_
12
(:j +
_
:jr
n
) ln
_
1 +r
n
_

:j
_
(:
_
:jr
n
) ln
_
1 r
n
_
j
:
_
Finalment fent us de la srie de Taylor corresponent a ln (1 +c) = c c
2
,2 + c
3
,3..... pel segon i
tercer terme, obtenim
ln j(r
n
) - ln (2::j)
12

r
2
2
+O
_
1
_
:
_
Quan :
j(r
n
) =
1
_
2:
exp
_
r
2
n
,2
_
1
_
:j
Per com que dr = 1,
_
:j dedum que
,(r
n
) =
1
_
2:
exp
_
r
2
n
,2
_
54
Figure 4: Proprietats asimpttiques per a les Distribucions de Poisson i Binomial.
55