Probabilitats 1

Tema 2: Probabilitats
Autors:
Aureli Alabert, Rosario Delgado, Merc`e Farre, David
Marn i No`elia Viles.

Index:
2.1 Conceptes b`asics.
2.2 Probabilitat condicionada.
2.3 Variables aleat`ories.
2.3.1. Variables aleat`ories discretes.
2.3.2. Variables aleat`ories contnues.
2.3.3. Esperanca i vari`ancia.
2.3.4. Independ`encia de variables aleat`ories.
Probabilitats i Estadstica - 2011/12
Probabilitats 2
2.1 Conceptes b`asics
Experiment aleatori: Fenomen fsic en el qual interve
latzar: al repetir lobservacio del fenomen sobtenen
resultats diferents. El resultat no es pot predir amb
exactitud.
Exemples:
Llancar una moneda. Caracterstica dinter`es: el
resultat (cara o creu).
Llancar un dau. Caracterstica dinter`es: la
puntuacio.
Escollir a latzar un individu duna poblacio.
Caracterstica dinter`es: pes.
No es un fenomen aleatori: deixar un got de
vidre a laire a veure si cau o no. Sabem amb
certesa que caur`a: es un fenomen determinista.
En canvi si que es un experiment aleatori
observar si el got es trenca o no i en quants
trossos ho fa.
Espai mostral, : es el conjunt de resultats
possibles dun experiment aleatori.
A lexemple del dau, = {1, 2, 3, 4, 5, 6}. Als trossos
que es trenca el got: = {1, 2, 3, 4, . . .}.
Probabilitats i Estadstica - 2011/12
Probabilitats 3
Esdeveniment elemental: cadascun dels resultats
possibles de lexperiment; es a dir, cada element de
lespai mostral.
A lexemple del dau, sortir un 1 es un
esdeveniment elemental.
Esdeveniment: tot all`o que es pot observat si ha
passat o no en realitzar un experiment aleatori. Un
esdeveniment es un subconjunt de .
A lexemple del dau, podem observar si ha sortit un
nombre parell que es el subconjunt {2, 4, 6}, si ha
sortit un nombre mes gran que 4 que es el
subconjunt {5, 6}, etc.
Un cop identicats
esdeveniments conjunts
podem utilitzar el llenguatge i la notacio dels
conjunts per parlar desdeveniments.
En particular, si A i B son dos esdeveniments,
aleshores a partir dells sen deneixen altres
utilitzant els operadors de la teoria de conjunts.
Probabilitats i Estadstica - 2011/12
Probabilitats 4
La unio A B representa lesdeveniment que
succeeix quan passa A o be passa B.
La interseccio A B representa lesdeveniment
que succeeix quan passa A i a la vegada passa B.
El complementari A
c
representa lesdeveniment
que succeeix quan no passa A.
La difer`encia B \ A = B A
c
representa lesdeve-
niment que succeeix quan passa B per`o no A.
Lespai mostral representa un esdeveniment
que sempre ocorre; es un esdeveniment segur.
El conjunt buit, , representa un esdeveniment
que mai ocorre; es un esdeveniment impossible.
Dos esdeveniments representats per conjunts
amb interseccio buida (A B = ) sanomenen
incompatibles. Aix`o es del tot raonable perqu`e
AB = vol dir que A i B alhora es impossible,
la qual cosa correspon perfectament al concepte
dincompatibilitat.
Probabilitats i Estadstica - 2011/12
Probabilitats 5
Exemple del dau: = {1, 2, 3, 4, 5, 6}. Considerem
els esdeveniments A:Sortir senar i B:Sortir mes
petit que 4. Aleshores,
A = {1, 3, 5},
B = {1, 2, 3},
A B = {1, 2, 3, 5},
A B = {1, 3},
A
c
= {2, 4, 6},
B \ A = {2},
B
c
= {4, 5, 6},
A\ B = {5},
A A
c
= .
Probabilitats i Estadstica - 2011/12
Probabilitats 6
El concepte de probabilitat sintrodueix per
quanticar el grau dincertesa dels
esdeveniments quan interve latzar.
Es pot parlar de tres denicions o conceptes de
probabilitat, que corresponen a tres formes dobtenir
probabilitats desdeveniments.
Els tres conceptes son v`alids, si es satisfan certes
condicions daplicabilitat.
Concepte cl`assic de probabilitat
P(A) =
nombre de casos favorables a A
nombre de casos possibles
Condicions daplicabilitat
Simetria o equi-probabilitat en el conjunt de
casos possibles.
Nombre nit de casos possibles.
EXEMPLE: en un dau equilibrat, la probabilitat de
senares
3
6
; 3 casos favorables de 6 possibles.
CONTRA-EXEMPLE: en un dau trucat no es pot
aplicar aquesta denicio, perqu`e no totes les cares
son equi-probables; no hi ha simetria entre els
resultats possibles.
Probabilitats i Estadstica - 2011/12
Probabilitats 7
De vegades, conve estimar o aproximar les
probabilitats mitjancant repeticions successives de
lexperiment aleatori (repeticions reals o simulades);
la probabilitat dun esdeveniment saproxima per la
freq u`encia relativa daquest esdeveniment.
Concepte freq uentista de probabilitat
Repetint N vegades un experiment (N un nombre
gran), sanota el nombre de vegades que te lloc
lesdeveniment A (freq u`encia absoluta, n
A
) i
P(A)
n
A
N
= freq. relativa de A
Condicions daplicabilitat-inconvenients
No est`a ben denit nombre grande vegades.

Es nomes una aproximacio del valor real.
EXEMPLE: Un dau es tira 2000 vegades, i en 514
surt un 2. Podem estimar la probabilitat:
P(2)
514
2000
= 0, 257
Probabilitats i Estadstica - 2011/12
Probabilitats 8
Finalment, donarem unes propietats que han de
complir totes les probabilitats; aquestes propietats
son molt f`acils dintuir si es pensa que la probabilitat
dun esdeveniment es la mesura del conjunt que el
representa.
Concepte axiom`atic de probabilitat +
propietats
Recordeu que representa lesdeveniment segur i
que representa lesdeveniment impossible.
Enumerem tot un seguit de propietats, la denicio
son les tres primeres, la resta es dedueixen
daquestes.
Probabilitats i Estadstica - 2011/12
Probabilitats 9
Propietats:
(a) 0 P(A) 1:
la probabilitat es un nombre entre 0 i 1.
(b) P() = 1:
la probabilitat de lesdeveniment segur es 1.
(c) Si A B = , aleshores
P(A B) = P(A) +P(B):
la probabilitat de la reunio desdeveniments
incompatibles es la suma de les seves
probabilitats.
(d) P(A
c
) = 1 P(A):
la probabilitat de lesdeveniment contrari dA es
troba restant de 1 la probabilitat dA.
De manera equivalent, P(A) +P(A
c
) = 1.
I tambe: P(A) = 1 P(A
c
).
(e) P() = 0:
lesdeveniment impossible te probabilitat zero.
(f ) Si A B, aleshores P(A) P(B).
(g) Si A B, aleshores P(B \ A) = P(B) P(A).
(h) En general, P(B \ A) = P(B) P(A B).
Probabilitats i Estadstica - 2011/12
Probabilitats 10
(i) P(A B) = P(A) +P(B) P(A B)
Equivalentment,
P(A B) +P(A B) = P(A) +P(B)
EXERCICI. En un 20% danaltiques per
descartar una malaltia es present la protena A,
en un 25% danaltiques es present la protena D
i en un 40% sobserva almenys una de les dues
protenes. Quina probabilitat te la pres`encia de
les dues protenes alhora?
(j) P(A B C) = P(A) +P(B) +P(C)
P(A B) P(A C) P(B C)
+P(A B C).
EXERCICI. Raoneu-ho gr`acament.
Probabilitats i Estadstica - 2011/12
Probabilitats 11
Exemple: Una cabina telef`onica no est`a en molt
bones condicions, i pot passar que:
* accepta monedes i dona lnia: M L
* accepta monedes i no dona lnia: M L
c
* no accepta monedes i dona lnia: M
c
L
* no accepta monedes i no dona lnia: M
c
L
c
Sobserva que de cada 10 intents:
en 8 accepta monedes: P(M) = 0.8,
en 8 dona lnia: P(L) = 0.7,
en 9 fa alguna cosa: P(M L) = 0.9
Pregunta: quina es la probabilitat que en un cert
intent el tel`efon funcioni correctament ( M L)?
Per tant , aplicant la propietat (i), tenim
P(ML) = P(M)+P(L)P(ML) = 0.8+0.70.9 = 0.6.
Probabilitats i Estadstica - 2011/12
Probabilitats 12
2.2 Probabilitat condicionada
Exemple introductori: En una capsa tenim cinc boles
blanques, numerades del 1 al 5, i tres boles negres,
numerades del 1 al 3.
Experiment aleatori: Treiem una bola a latzar.
Espai mostral: = {B
1
, B
2
, B
3
, B
4
, B
5
, N
1
, N
2
, N
3
}.
Probabilitat: P(B
1
) = P(B
2
) = = P(N
3
) =
1
8
(a latzar vol dir que tots els esdeveniments
elementals son equiprobables).
Pregunta: Quina es la probabilitat de lesdeveniment
A: treure una bola amb un nombre parell?
Resposta: A = {B
2
, B
4
, N
2
} i
P(A) = P(B
2
) +P(B
4
) +P(N
2
) =
1
8
+
1
8
+
1
8
=
3
8
.
Pregunta: Quina es la probabilitat de treure un
nombre parell sabent que la bola es blanca?
La informacio addicional ens fa canviar el model.
Ara els resultats possibles son nomes
B = {B
1
, B
2
, B
3
, B
4
, B
5
} i per tant la probabilitat de
parell es la de {B
2
, B
4
}, es a dir
2
5
.
Observacio important:
2
5
=
2/8
5/8
=
P(AB)
P(B)
.
Probabilitats i Estadstica - 2011/12
Probabilitats 13
Denicio de probabilitat condicionada
Si A i B son dos esdeveniments es deneix la
probabilitat de A condicionada a B com
P(A|B) =
P(A B)
P(B)
a
Tambe es pot utilitzar la formula per calcular la
probabilitat de la interseccio, com segueix:
P(A B) = P(A|B)P(B)
= P(B|A)P(A)
Podem utilitzar una o altra expressio, segons ens
convingui. En veurem exemples tot seguit.
a
La probabilitat de lesdeveniment que condiciona, ha de ser
diferent de zero, per tenir sentit la denicio.
Probabilitats i Estadstica - 2011/12
Probabilitats 14
Mes exemples de condicionament.
Dau. Llancem un dau i considerem els esdeveniments
A:sortir un nombre mes gran que 2,
B:sortir un nombre parell.
Calculeu P(A), P(B), P(A B), P(A|B) i P(B|A).
Solucio: P(A) =
2
3
, P(B) =
1
2
, P(A B) =
1
3
,
P(A|B) =
2
3
i P(B|A) =
1
2
.
Cartes. Considereu un joc de cartes amb 4 pals
A,B,C,D i 12 cartes per pal.
(a) Quina es la probabilitat de treure un 5?
(b) Quina es la probabilitat de treure una carta del
pal A?
(c) Quina es la probabilitat de treure el 5 del pal A?
(d) Quina es la probabilitat de que una carta sigui
del pal A sabent que es un 5?
(e) Quina es la probabilitat de que una carta sigui
un 5 saben que es del pal A?
Probabilitats i Estadstica - 2011/12
Probabilitats 15
Experiments composats
Basats en la successio de dos o mes experiments
aleatoris com, per exemple, lextraccio consecutiva de
dues o mes boles duna urna. Sestenen a daltres
situacions on es creuen dos o mes indicadors; per
exemple: estar o no malalt i donar o no positiu en
una analtica.
Parlarem de:
Probabilitats condicionades naturals o a priori:
condicionar el resultat del segon experiment al
resultat del primer. Per exemple, probabilitat de
donar positiu una analtica sabent que sest`a
malalt.
Probabilitats totals: referides al resultat del
segon experiment, sense condicionar. Per
exemple, probabilitat de sortir positiva una
analtica (sense condicionar per res).
Probabilitats condicionades inverses o a
posteriori: condicionar el resultat del primer
experiment al resultat del segon. Per exemple,
probabilitat destar malalt sabent que lanaltica
ha sortit positiva.
Probabilitats i Estadstica - 2011/12
Probabilitats 16
Per calcular les probabilitats totals i les
condicionades inverses susen, respectivament, la
formula de les probabilitats totals i la formula de
Bayes. Les introdum a partir dun exemple.
Problema 1: Tenim dues capses, la primera amb 3
boles negres i dues boles blanques i la segona amb
dues boles de cada color.
Experiment aleatori: Traiem una bola a latzar de la
primera capsa i la introdum en la segona; a
continuaci o, traiem una bola a latzar de la segona
capsa.
Preguntes:
(a) Si sabem que la primera bola es blanca, quina es
la probabilitat de que la segona bola sigui
blanca?
(b) Quina es la probabilitat de que la segona bola
sigui blanca?
(c) Si sabem que la segona bola es blanca, quina es
la probabilitat de que la primera bola sigui
blanca?
Probabilitats i Estadstica - 2011/12
Probabilitats 17
Introdum les notacions seg uents per representar els
esdeveniments:
primera bola blanca= 1
B
,
primera bola negra= 1
N
,
segona bola blanca= 2
B
,
segona bola negra= 2
N
.
Solucions a les q uestions plantejades:
(a) P(2
B
|1
B
) =
3
5
(b)
P(2
B
) = P(2
B
1
B
) +P(2
B
1
N
)
= P(2
B
|1
B
)P(1
B
) +P(2
B
|1
N
)P(1
N
)
=
3
5

2
5
+
2
5

3
5
=
12
25
Hem descompost lesdeveniment 2
B
, fent
interseccio amb dos esdeveniments 1
B
i 1
N
(que
constitueixen una particio) i hem calculat la
probabilitat de les interseccions a partir de
probabilitats condicionades. Aquest
procediment sanomena formula de les
probabilitats totals.
Probabilitats i Estadstica - 2011/12
Probabilitats 18
(c) Si sabem que la segona bola es blanca, quina es
la probabilitat de que la primera bola sigui
blanca?
Tenim un problema invers, en el sentit que
condicionem un resultat del primer experiment a
un resultat del segon experiment.
L unic que farem ser`a aplicar primer la denicio
de probabilitat condicionada (primera igualtat) i
seguidament calcular la probabilitat de la
intersecci o condicionant ara de manera
natural(segona igualtat):
P(1
B
|2
B
) =
P(2
B
1
B
)
P(2
B
)
=
P(2
B
|1
B
)P(1
B
)
P(2
B
)
i nalment, al denominador aplicarem les
probabilitats totals que ja hem fet a lapartat
anterior. Resulta doncs,
P(1
B
|2
B
) =
3
5
2
5
12
25
=
6
12
= 0

5.
Aquest procediment, sanomena formula
de Bayes.
Probabilitats i Estadstica - 2011/12
Probabilitats 19
Resum:
Probabilitats totals: si A i B son esdeveniments,
P(B) = P(B|A)P(A) +P(B|A
c
)P(A
c
).
Mes generalment, si A
1
, . . . , A
n
son esdeveniments
tals que A
1
A
n
= i son incompatibles dos a
dos (A
i
A
j
= ), aleshores, la probabilitat de
qualsevol altre esdeveniment B es pot calcular fent:
P(B) = P(B A
1
) + +P(B A
n
)
= P(B|A
1
)P(A
1
) + +P(B|A
n
)P(A
n
)
Bayes- versio general: si A
1
, . . . , A
n
son
esdeveniments tals que A
1
A
n
= i son
incompatibles dos a dos (A
i
A
j
= ), i B es un
altre esdeveniment, aleshores:
P(A
j
|B) =
P(A
j
B)
P(B)
=
P(B A
j
)P(A
j
)
P(B)
i la probabilitat de B del denominador la calcularem
utilitzant les probabilitats totals.
Vegem mes exemples resolts i exercicis proposats.
Probabilitats i Estadstica - 2011/12
Probabilitats 20
Problema 2 [examen set. 2005]
Laparicio de banyes a lovella es controlada per dos al.lels H i
h. Lal.lel H per a la formacio de banyes es dominant las
mascles per`o recessiu a les femelles. Lal.lel h per labs`encia de
banyes es dominant a les femelles per`o es recessiu als mascles.
Aix`o fa que un mascle heterozig`otic Hh tingui banyes i en
canvi una femella tambe heterozig`otica Hh no en tingui.
Suposem precisament que aquests dos animals saparellen i
que cada cria daquest encreuament te la mateixa probabilitat
de ser mascle o femella. Calculeu:
(a) La probabilitat que una cria sigui mascle i tingui banyes
(b) La probabilitat que una cria tingui banyes
Resolucio: Siguin B, M i F respectivament els esdeveniments
la cria te banyes, es mascle i es femella. Les dades del
problema son:
P(M) = P(F) =
1
2
, P(B|M) =
3
4
i P(B|F) =
1
4
.
(a) P(M B) = P(B|M)P(M) =
3
4

1
2
=
3
8
.
(b) De la mateixa manera, tenim que
P(F B) = P(B|F)P(F) =
1
4

1
2
=
1
8
i per tant,
P(B) = P(B M) +P(B F) =
3
8
+
1
8
=
4
8
=
1
2
.
Hem aplicat les probabilitats totals.
Probabilitats i Estadstica - 2011/12
Probabilitats 21
EXERCICI.
Una malaltia greu afecta un de cada 100.000
individus. Un laboratori farmac`eutic ha creat un test
analtic de deteccio r`apida daquesta malaltia que es
able al 99% en el sentit seg uent: si una persona te
la malaltia, el test ho detecta en el 99% dels casos, i
si una persona no te la malaltia, el test sequivoca i
dona positiu en l1% dels casos.
Veiem pel carrer una unitat m`obil que fa an`alisis
gratutes i decidim fer-nos la prova. Calculeu:
(a) Si el resultat es negatiu, quina es la probabilitat
que no tinguem la malaltia?
(b) Si el resultat es positiu, quina es la probabilitat
que realment tinguem la malaltia?
Probabilitats i Estadstica - 2011/12
Probabilitats 22
Denicio dindepend`encia desdeveniments
Dos esdeveniments A i B son independents si el
coneixement de que ha succet un dells no modica
la probabilitat que laltre succeeixi; es a dir, les
probabilitats condicionades coincideixen amb les
probabilitats sense condicionar:
P(A|B) = P(A)
i tambe
P(B|A) = P(B)
Aix`o es equivalent a
() P(A B) = P(A)P(B)
En efecte, P(A B) = P(A)P(B|A) = P(A)P(B).
Lexpressio () es sim`etrica i sutilitza com a
denicio formal dindepend`encia. A mes, es
generalitza al cas de mes de dos esdeveniments:
A
1
, . . . , A
n
son independents si
P(A
i
1
A
i
k
) = P(A
i
1
) P(A
k
)
sempre que A
i
1
, . . . , A
i
k
siguin uns quants dels
conjunts A
1
, . . . , A
n
.
Propietat: si A i B son esdeveniments independents
aleshores tambe ho son A i B
c
; A
c
i B; A
c
i B
c
.
Probabilitats i Estadstica - 2011/12
Probabilitats 23
Problema-exemple: Dos cacadors, Quim i Ramon,
disparen a un mateix objectiu. Quim sol encertar un
70% de les vegades i Ramon un 80%. Quina es la
probabilitat que lobjectiu sigui tocat?
Solucio: Considerem els esdeveniments Q:Quim
encerta i R:Ramon encerta. Aleshores sabem que
P(Q) = 0.7 i P(R) = 0.8 i ens demanen P(Q R):
P(Q R)
(i)
= P(Q) +P(R) P(Q R)
= 0.7 + 0.8 (0.7)(0.8) = 0.94,
si utilitzem el fet de que el resultat dun cacador no
inueix en laltre, es a dir, que Q i R son
esdeveniments independents i per tant
P(Q R) = P(Q)P(R).
Una altra manera: Calcular primer la probabilitat de
que tots dos fallin imposant la independ`encia:
P(Q
c
R
c
) = P(Q
c
)P(R
c
) = (0.3)(0.2) = 0.06
I despres, utilitzant que (A B)
c
= A
c
B
c
,
P(Q R) = 1 P(Q
c
R
c
) = 1 0.06 = 0.94.
Probabilitats i Estadstica - 2011/12
Probabilitats 24
2.3 Variables aleat`ories
Concepte:
Suposem un experiment aleatori que te associat un
cert espai mostral . Per exemple, escollir una persona a
latzar duna poblacio amb espai mostral el llistat de totes les
persones de la poblacio).
Una variable aleat`oria (abreujadament, v. a.) X
es una funcio que assigna a cada element de lespai
mostral un valor real. Per exemple, a cada persona de la
poblacio li assignem la seva alcada, o el seu pes, o la pressio de
la sang, o els ingressos, etc.
X : R
X()
Hom es preocupa essencialment de les probabilitats
dels valors que pot prendre la variable aleat`oria. En
lexemple de les persones:
= individu i X() = alcada individu i
Per a les alcades, la v. a. pot prendre valors reals entre 0 i 250
centmetres; `obviament no tots amb les mateixes probabilitats.
Un altre exemple. Considerem la v.a. X = suma de punts de
2 daus. Els valors de la v.a. son els nombres enters naturals
entre 2 i 12, no tots amb la mateixa probabilitat.
Probabilitats i Estadstica - 2011/12
Probabilitats 25
Tipus de variables aleat`ories
El conjunt de valors que pren la v. a. X es pot
denotar X(), i es un subconjunt dels nombres reals.
Les variables que estudiarem seran discretes o
contnues.
Si be despres ho denirem mes rigorosament, les
variables aleat`ories son discretes si nomes poden
prendre un nombre nit o numerable de
valors. Les v.a. son contnues si poden prendre
qualsevol valor real dins dun interval, interval
que pot ser tota la recta real o una semi-recta.
Son v. a. discretes, entre moltes altres:
X =suma de punts dos daus, amb un n
o
nit de possibles
valors.
X =nombre de partcules radioactives emeses, que podria
prendre valors 0, 1, 2, . . . , n, . . ., innit numerable.
Son v. a. contnues, entre moltes altres:
X =lalcada que estaria en un interval.
X =temps de vida dun microbi, que podria considerar-se dins
de [0, ).
Probabilitats i Estadstica - 2011/12
Probabilitats 26
Llei duna variable aleat`oria
Donar la llei duna variable aleat`oria X vol dir
donar el conjunt de valors possibles de la variable i
les probabilitats de que els valors que pren caiguin
dins dun subconjunt de nombres reals.
Formalment,
P(X A), si A R
Exemples
Tornem al cas, X = suma de punts de dos daus, i suposem
que estan equilibrats. Si A = {3, 4},
P(X A) =
5
36
perqu`e per obtenir una suma igual a 3 o a 4 hi ha els casos
favorables seg uents (1, 2), (2, 1), (1, 3), (2, 2) i (3, 1) dentre 36
casos possibles.
Si considerem X = al cada persones, podrem estar interessats
en calcular la probabilitat de que una persona faci entre 170 i
190 cm; es a dir, A = [170, 190]
P(X A) = P(170 X 190) =??
Quan estudiem les variables aleat`ories contnues, veurem com
calcular-ho.
Probabilitats i Estadstica - 2011/12
Probabilitats 27
Notacions
Haurem vist que, de manera natural, hem introdut
un seguit de notacions:
P(X A) expressa la probabilitat que la v.a X prengui valors
dins del conjunt A.
P(X = a) es la probabilitat que la v.a X prengui exactament
el valor a.
P(a X b), P(a < X b), P(a X < b), P(a < X < b),
etc., son probabilitats dintervals (oberts o tancats).
P(a X), P(a < X), P(X < b), P(X < b), etc., son
probabilitats de semi-rectes (obertes o tancades).
Propietats de les variables aleat`ories
Les variables aleat`ories dun mateix espai (es a dir,
avaluades sobre els mateixos individus o objectes) es
poden sumar i multiplicar i, sempre que tingui
sentit, operar aritm`eticament entre elles.
Daquesta manera te sentit parlar de:
X +Y, X Y, etc., i mes en general de
X
1
+X
2
+. . . +X
n
, etc.
Probabilitats i Estadstica - 2011/12
Probabilitats 28
2.3.1. Variables aleat`ories
discretes
Denicio de variable aleat`oria discreta: Una variable
aleat`oria X : R es discreta si la seva imatge
X() es un conjunt numerable de valors de R.
Llei duna v.a. discreta: Per determinar les
probabilitats de qualsevol esdeveniment, en el cas
discret, es sucient determinar les probabilitats dels
valors ndividualsque pren la variable aleat`oria:
Con`eixer, P(X = a
i
), per a cada a
i
X().
Ho veurem clar amb els exemples.
Exemples cl`assics de variables aleat`ories discretes:
Uniforme discreta: Modela la situacio en que
tots els valors de la variable tenen les mateixes
oportunitats dobtenir-se. Si X nomes pren n
valors diferents a
1
, . . . , a
n
R, la probabilitat de
cada un daquests valors es:
P(X = a
i
) =
1
n
Notaci o: X Unif(a
1
, . . . , a
n
).
Probabilitats i Estadstica - 2011/12
Probabilitats 29
Binomial:
Introdum el model en general i particularitzat
en un exemple. En primer lloc, vegem els trets
caracterstics de la situacio experimental on es
dona el model binomial.
Un experiment aleatori repetit un nombre x
de vegades (n), en les mateixes condicions per
tal de garantir la independ`encia dels
successius resultats. Per exemple, extraccions
amb reposicio, mostreig amb reposicio,
tirades successives de daus, de monendes, etc.
Cas concret: es fan n = 4 tirades dun dau.
Un cert esdeveniment A, xat, que sanomena
`exit; lesdeveniment contrari A
c
ser`a el frac`as.
Cas del dau: A = sortir 6; A
c
= no sortir 6.
Es coneix la probabilitat de lesdeveniment A,
que denotem p; la de lesdeveniment contrari
la denotem q.

Es a dir,
p = P(A) q = 1 p = P(A
c
)
Cas del dau: si suposem que el dau est`a trucat i el 6
surt una de cada tres vegades, tindrem:
p = P(6) =
1
3
q = 1 p = P(6
c
) =
2
3
Probabilitats i Estadstica - 2011/12
Probabilitats 30
X = nombre d`exits
= n
o
cops que succeeix A en n proves indeps.
Notacio: X Bin(n, p)
En lexemple de les 4 tirades del dau trucat, tindrem:
X = nombre de sisos X Bin(4,
1
3
)
Determinem seguidament la llei de X en aquest cas particular.
Recordem que donar la llei duna v. a. discreta vol dir donar
els valors que pren la v. a. i les seves probabilitats.
Els valors que podr`a prendre X en aquest cas, son totes les
possibilitats de n
o
de sisos que podem obtenir amb 4 tirades, i
per tant:
k = 0, 1, 2, 3 i 4.
Les probabilitats son:
P(X = 0) = P(cap 6) = P(6
c
6
c
6
c
6
c
) = (
2
3
)
4
P(X = 1) = P(un 6 i tres 6
c
) = P(66
c
6
c
6
c
) +P(6
c
66
c
6
c
) +
P(6
c
6
c
66
c
) +P(6
c
6
c
6
c
6) = 4 (
1
3
)(
2
3
)
3
P(X = 2) = P(dos 6 i dos 6
c
) = P(666
c
6
c
) +P(6
c
666
c
) +
P(6
c
6
c
66) +P(66
c
6
c
6) +P(66
c
66
c
) +P(6
c
66
c
6) = 6 (
1
3
)
2
(
2
3
)
2
P(X = 3) = P(tres 6 i un 6
c
) =
P(6
c
666) +P(66
c
66) +P(666
c
6) +P(6666
c
) = 4 (
1
3
)
3
(
2
3
)
P(X = 4) = P(quatre 6) = P(6666) = (
1
3
)
4
Probabilitats i Estadstica - 2011/12
Probabilitats 31
Formula general de la llei binomial
La llei de X Bin(n, p) ve donada per
P(X = k) =
_
n
k
_
p
k
q
nk
,
si k {0, . . . , n}, i on
n!
k!(n k)!
=:
_
n
k
_
son les maneres de col.locar k `exits i n k fracassos.
Recordeu el factorial dun n umero:
n! = n(n 1)(n 2) 1 0! = 1
Exemple. Extraccio de 10 boles amb reposicio (urna amb 3B i
2N): quina es la probabilitat que surtin 7 boles negres?
n = 10 p =
2
5
= 0.4 q =
3
5
= 0.6 X Bin(10, 0.4)
P(X = 7) =
_
10
7
_
(0.4)
7
(0.6)
3
Per acabar els c`alculs necessitem calcular el nombre
combinatori; com que
10!
3!7!
=
10 9 8 7 6 5 4 3 2 1
(7 6 5 4 3 2 1)(3 2 1)
=
10 9 8
3 2 1
= 120,
resulta
P(X = 7) = 120(0.4)
7
(0.6)
3
0.042467.
Probabilitats i Estadstica - 2011/12
Probabilitats 32
Observacions sobre la binomial:
El model binomial queda denit per la repeticio de n
experiments id`entics i independents entre s, de
manera que el mostreig sense reposicio queda en
general excl`os del model binomial.
Ara be, si el mostreig es fa de poblacions grans, les
difer`encies entre fer reposicio o no fer-ne
pr`acticament no existeixen i es pot aplicar sempre el
model binomial.
Seguidament expliquem el model que saplica al
mostreig sense reposicio, en poblacions petites: la llei
hipergeom`etrica.
Probabilitats i Estadstica - 2011/12
Probabilitats 33
Hipergeom`etrica:
Saplica a situacions assimilables al mostreig
sense reposicio de n boles duna urna que conte
N
1
boles blanques i N
2
de negres
(N
1
+N
2
= N). La v. a. es
X = nombre de boles blanques
i la llei es
P(X = k) =
_
N
1
k
__
N
2
nk
_
_
N
n
_ .

Es a dir, els casos possibles son totes les maneres

dextraure n boles entre N possibles, i els casos
favorables son que k siguin blanques (entre un
total de N
1
boles blanques) i que la resta, n k,
siguin negres (entre un total de N
2
boles negres).
Evidentment, hi ha les restriccions: k N
1
,
n k N
2
i n N.
Exemple. Dun grup de 60 individus, 35 femelles i 25
mascles, sen seleccionen 8 a latzar (sense reposicio).
Quina es la probabilitat de que hi hagi 5 femelles?
P(X = 5) =
_
35
5
__
25
3
_
_
60
8
_ .
Probabilitats i Estadstica - 2011/12
Probabilitats 34
Geom`etrica:
La situacio experimental es la repeticio
indenida dexperiments independents ns a
obtenir el primer `exit, es a dir, la realitzacio dun
esdeveniment concret A que te probabilitat p. La
v. a. es:
X = nombre de proves ns obtenir el 1r `exit.
Si q = 1 p es la probabilitat de frac`as (A
c
), la
llei es:
P(X = k) = q
k1
p, k = 1, 2, . . . , n, . . .
Exemple. En les tirades successives dun dau trucat (el 6
te probabilitat 1/3), quina es la probabilitat que calgui
fer 5 tirades ns a obtenir un 6?
P(X = 5) =
_
2
3
_
4
1
3
.
Poisson:
La llei de Poisson, anomenada tambe llei dels
fen`omens rars, modela situacions que satisfan
que el nombre de fen`omens que es produeixen de
manera independent en una zona (regio, volum,
interval, etc.) son proporcionals en mitjana a la
Probabilitats i Estadstica - 2011/12
Probabilitats 35
mida de la zona; a mes, si la regio o linterval son
prou petits, aleshores nomes es produeix o un o
cap esdeveniment (en aquest sentit son rars).
La variable aleat`oria es el nombre de fen`omens
que es produeixen en la regio i la seva llei queda
determinada per la mitjana.
Exemples:
- Nombre de cellules alterades en un cultiu; mitjana
proporcional al volum del cultiu.
- Nombre daccidents en un punt negrede certa via en
un interval de temps; mitjana proporcional al linterval,
per exemple: 1 en 2 mesos, 6 lany, 1/60 al dia, etc.
- Nombre darbres afectats per par`asits en una plantacio;
mitjana proporcional a l`area de la plantacio: 5.6 per
hect`area, 0.00056 per m
2
, etc.
- Nombre derrades tipogr`aques; mitjana de 12 en 10
p`agines, etc.
*- Un cas important es el de les Binomials amb p petita
(poca probabilitat d`exit), les quals saproximen be quan
n es gran per aquesta distribucio. Aquest fet reforca la
idea de fenomen rar (probabilitat p petita). Al nal
daquest apartat comentarem laproximacio de la
binomial per la Poisson.
Probabilitats i Estadstica - 2011/12
Probabilitats 36
Llei de Poisson
Escrivim X P() i diem que X segueix una
llei de Poisson de par`ametre lambda si
X = nombre desdeveniments produits
en un perode o regio en el qual la mitjana es .
Els valors possibles de X son
k = 0, 1, 2, 3, . . . , n, . . .
i les seves probabilitats son
P(X = k) = e

k
k!
.
Exemple. En un cert tram viari, amb una mitjana dun
accident cada dos mesos, volem calcular:
a) la probabilitat que en un mes hi hagi 4 accidents, i
b) la probabilitat que en un mes hi hagi algun accident.
La mitjana al mes es 1/2.
X P( =
1
2
)
a) P(X = 4) = e

1
2
(
1
2
)
4
4!
b) P(X 1) = 1 P(X = 0) = 1 e

1
2
(
1
2
)
0
0!
= 1 e

1
2
Probabilitats i Estadstica - 2011/12
Probabilitats 37
Aproximacio de la binomial per la Poisson
Donada X Bin(n, p), si es compleixen les dues
restriccions
n 20 i p 0.05
aleshores, es pren
= np,
i es pot demostrar que laproximacio seg uent es prou
bona:
P(X = k) =
_
n
k
_
p
k
(1 p)
nk
e

k
k!
Mes esquem`aticament:
X Bin(n, p) P( = np).
Exemple-exercici. Duna poblacio amb un 1% dafectats per la
grip, tenim una mostra de 100 individus. Quina es la
probabilitat de 5 o menys afectats?
a) Feu el c`alcul amb la llei exacta.
b) Feu el c`alcul aproximant per la llei de Poisson (comprovant
que se satisfan els requisits).
c) Compareu els resultats.
Probabilitats i Estadstica - 2011/12
Probabilitats 38
2.3.2. Variables aleat`ories
contnues
El concepteinformal . Una variable aleat`oria X es contnua
si pren tot un interval (acotat o no acotat) de valors de R i les
probabilitats es calculen com a `arees sota certa corba denida
per una funcio no-negativa.
Denicio. Una variable aleat`oria X : R es
contnua si existeix una funcio f tal que:
f es no-negativa (f(x) 0) i te integral total
igual a 1 (
_

f(x)dx = 1) [Figura 1 (a)]

la probabilitat que X pertanyi a qualsevol
interval (c, d) es l`area determinada per la funcio
de densitat sobre linterval [Figura 1 (b)]:
P(X (c, d)) = P(c < X < d) =
_
d
c
f(x)dx.
La funcio f (o f
X
) es la funcio de densitat de X.
Figura 1: (a) (b)
Probabilitats i Estadstica - 2011/12
Probabilitats 39
Observacions importants:
P(X = x) = 0, x; es a dir, tots els valors puntuals tenen
probabilitat zero, pel fet que un punt no determina cap
`area. Nomes tenen probabilitat no nulla els intervals.
Degut al punt anterior, per a les v. a. contnues els
intervals, tant si son oberts com tancats, tenen la mateixa
probabilitat:
P(c X d) = P(c X < d) = P(c < X d) = P(c < X < d)
- Els resultats anteriors no son certs per a v. a. discretes-.
Les probabilitats de les semi-rectes, de a t, son
importants ja que permeten calcular les probabilitats de
qualsevol altre interval. La funcio que dona les
probabilitats acumulades ns a t, sanomena funcio de
distribucio de X i es denota amb maj uscules, F (o F
X
):
F(t) = P(X (, t]) = P(X t)
= `area de la cua esquerra ns a t
= probabilitat acumulada ns a t
Figura 2:
Probabilitats i Estadstica - 2011/12
Probabilitats 40
C`alcul de probabilitats, cas de v.a. contnues
Hi ha diverses formes de calcular la probabilitat
de que una v. a. contnua prengui valors en un
interval; es tracta, de fet, de les diverses maneres
de calcular l`area sota una corba.
(a) Per arguments geom`etrics (nomes per a `arees
de rectangles, triangles i altres gures
regulars).
(b) Calculant la integral de la funcio f a
linterval.
(c) Utilitzant la funcio de distribucio (formula o
taules) i aplicant largument:
P(X < t) = P(X t) = F(t)
P(X t) = P(X > t) = 1 F(t)
P(c X d) = F(d) F(c)
Probabilitats i Estadstica - 2011/12
Probabilitats 41
Percentils o quantiles, en v.a. contnues
El percentil 60 (P
60
) es el valor de la variable tal que
el 60% dels valors son mes petits o iguals i el 40%
restant mes grans o iguals. Dit duna altra manera,
el percentil 60 es el valor de la variable tal que
acumula, a lesquerra, una probabilitat 0.6 (i per
tant, 0.4 a la dreta).
Si P
60
= t, vol dir que F(t) = P(X t) = 0.6.
Nota: un percentil o centil es refereix sempre a una cua
esquerra de probabilitat entre 0.01 ns a 0.99, equivalent a un
percentil enter entre 1 i 99. Per exemple, percentil 29 o
percentil 53. Quan la probabilitat es un nombre mes general
amb 3 o mes xifres signicatives, per exemple, = 0.2345678,
no parlem de percentils, sino de quantiles q

.
Per a v. a. contnues, son equivalents:
q

= t F(t) =
t es la quantila dordre la probab. acum. en t es
Probabilitats i Estadstica - 2011/12
Probabilitats 42
Lleis contnues cl`assiques mes importants:
Uniforme: X Unif([a, b])
Correspon a lexperiment aleatori (ideal)
descollir un nombre a latzar a linterval [a, b].
Tots els intervals de la mateixa longitud tenen la
mateixa probabilitat.
La funcio de densitat es:
f(x) =
_
_
_
1
ba
si x [a, b]
0 si x / [a, b]
Veiem que es una funcio constant dins de
linterval i 0 fora.
La funcio de distribucio, per als valors de t en
linterval limitat per a i b, es:
F(t) = P(X t) =
_
t
a
1
ba
dx =
ta
ba
.
Per tant, aplicant lapartat c), tindrem:
P(X t) = P(X > t) = 1 F(t) = 1
t a
b a
=
b a (t a)
b a
=
b t
b a
P(c X d) = F(d) F(c) =
d a
b a

c a
b a
=
d c
b a
Comprovem que sempre correspon a la idea de
long. favorable / long. possible.
Probabilitats i Estadstica - 2011/12
Probabilitats 43
Exponencial: X Exp()
Molt utilitzada com a model de superviv`encia.
Modelitza el temps de vida de components
el`ectrics, electr`onics i dalguns organismes vius,
en certs perodes de la seva exist`encia.
La funcio de densitat es:
f(x) =
_
_
_
e
x
si x 0
0 si x < 0
La funcio de distribucio (per als valors de t 0)
es:
F(t) = P(X t) =
_
t
0
e
x
dx = 1 e
t
Per tant, aplicant lapartat c), tindrem:
P(X t) = P(X > t) = 1 F(t)
= 1 (1 e
t
) = e
t
La probabilitat anterior, si X representa el temps de vida
o de durada, sanomena funcio de superviv`encia o de
abilitat.
P(c X d) = F(d) F(c)
= 1 e
d
(1 e
c
) = e
c
e
d
Probabilitats i Estadstica - 2011/12
Probabilitats 44
Normal: X N(,
2
)
Sajusta be a les mesures que son suma de
moltes petites causes, com ara lalcada o el pes
dun esser viu, i la major part de mesures
bio-fsiques. Tambe modelitza els errors de
calibratge dels instruments de precisio. A mes,
aproxima nombroses distribucions mostrals i per
aix`o es b`asica en estadstica.
La funcio de densitat es:
f(x) =
1

2
2
e
(x)
2
2
2
.
El par`ametre es la mitjana, i
2
es la vari`ancia
( es la desviacio tpica). [Ho justicarem mes
endavant.]
La funcio de distribucio no es pot calcular
exactament, per`o s num`ericament. Es troba en
taules, calculadores especques i en el
programari habitual. Tambe es poden buscar els
seus valors a la xarxa, mitjancant el google, per
exemple.
Probabilitats i Estadstica - 2011/12
Probabilitats 45
Per utilitzar les taules conve saber que es
sucient treballar amb les taules de la normal
tipicada o estandarditzada Z N(0, 1),
degut al resultat seg uent:
Proposicio (tipicacio i destipicacio):
1. Si X N(,
2
), aleshores Z =
X

N(0, 1).
2. Si Z N(0, 1), aleshores X = Z + N(,
2
).
Exemple: Si lalcada X duna poblacio segueix una
distribucio N(170, 25) aleshores Z =
X170
5
N(0, 1).
C`alcul de probabilitats. Observeu que primer
tipiquem i despres utilitzem la funcio de distribucio
tabulada de la N(0, 1):
P(X 180) = P(
X170
5

180170
5
) = P(Z 2)
= 0.9772.
P(160 X 170) = P

160170
5

X170
5

170170
5

= P(2 Z 0) = P(Z 0) P(Z 2) =

0.5 0.0228 = 0.47725.
Probabilitats i Estadstica - 2011/12
Probabilitats 46
C`alcul de quantiles i percentils de la llei Normal.
Recordeu que son els valors inversos de la funcio de
distribucio. Observeu que primer fem els c`alculs amb
la N(0, 1) - llegint les taules de manera inversa- i,
seguidament, destipiquem el valor.
Quin es x tal que P(X x) = 0.90?
Estem buscant el percentil 90 de la normal de lenunciat.
Busquem primer el percentil 90 de la N(0, 1):
0.90 = P(Z z) z = 1.28,
i nalment tornem al valor sense tipicar fent
x = 5z + 170 = 176.40.
Quin es x tal que P(X x) = 0.90?
De fet, busquem el percentil 10; comencem buscant-lo
dins de la N(0, 1):
0.10 = P(Z z) z = 1.28
Per tant, destipicant:
x = 5z + 170 = 163.60.
Probabilitats i Estadstica - 2011/12
Probabilitats 47
Aproximacio de la Binomial per la Normal:
Les dicultats de c`alcul amb la llei binomial quan n
es gran provenen del nombre combinatori. En certes
condicions es poden evitar, usant que X Bin(n, p)
es comporta aproximadament com una distribucio
normal N(np, np(1 p)).
Aix`o sanomena aproximar la Binomial per la
Normal, i es pot fer quan n es prou gran. Com de
gran? Dep`en de p. En general saccepta la regla
seg uent:
Bin(n, p) es aproximable per N(np, np(1 p))
sempre que np 5 i n(1 p) 5.
Exemple: Sigui X Bin(10, 0.5) (la condicio per a tenir una
bona aproximacio se satisf`a justet).
P(2 X 4) = P(X = 2) +P(X = 3) +P(X = 4) = 0.366.
Ara aproximen per la normal X N(5, 2.5) i calculem
P(1.5 X 4.5) = P(
1.5 5

2.5
Z
4.5 5

2.5
) = 0.3613.
Observeu que en el c`alcul precedent, hem fet una correccio per
continutat (anomenada correccio de Yates) degut a que
aproximem la llei duna v.a. discreta (binomial) per la llei
duna v.a. contnua. La correccio consisteix en considerar que
cada valor discret k es un interval que va de k 0.5 a k + 0.5.
Probabilitats i Estadstica - 2011/12
Probabilitats 48
2.3.3. Esperanca i vari`ancia
Esperanca duna variable aleat`oria discreta X.
Es llegeix esperanca de X (o valor esperat de X i
tambe sanomena mitjana poblacional) es la suma de
tots els valors de X cadascun dells multiplicat per la
seva probabilitat:
E[X] :=

x
i
p
i
=

x
i
P(X = x
i
)
on x
i
varia en el conjunt de valors possibles de X.
Lesperanca mesura el valor mitj`a que pren la
variable aleat`oria; mitj`a en el sentit que es el punt
dequilibri duna distribucio de pesos (probabilitats)
en els diferents valors. Te les mateixes unitats que la
variable aleat`oria.
Sovint es denota pel smbol .
Exemples:
(a) Llancament dun dau equilibrat (cas particular duna
uniforme discreta).
E[X] = 1
1
6
+ + 6
1
6
=
1
6
(1 + + 6) =
21
6
= 3.5
Probabilitats i Estadstica - 2011/12
Probabilitats 49
(b) Si X Unif(1, . . . , n) (uniforme discreta sobre els
primers n naturals), aleshores
E[X] = 1
1
n
+ 2
1
n
+ +n
1
n
=
1
n
n(n + 1)
2
=
n + 1
2
.
Fixeu-vos que es el punt mitj`a entre 1 i n.
(c) Binomial: X Bin(n, p). Recordem que X compta el
nombre d`exits en n repeticions independents dun
experiment, on a cada prova es te probabilitat p d`exit.
Aleshores ,
E[X] = np.
Intutivament: si a cada prova tenim probabilitat p
d`exit, vol dir que en n proves independents tindrem unes
expectatives mitjanes de np `exits. Es pot fer una
demostracio formal.
(d) Bernoulli: X B(p). De fet un cas particular de la
binomial quan nomes tenim una prova, amb dos possibles
resultats
1 = `exit 0 = frac`as
i la probabilitat d`exit es p i la de frac`as q = 1 p.
Lesperanca es calcula:
E[X] = 1 p + 0 q = p.
Probabilitats i Estadstica - 2011/12
Probabilitats 50
(e) Geom`etrica: X G(p). Recordem que X compta el
nombre de proves independents necess`aries per obtenir el
primer `exit. Aleshores, tambe sembla natural que
lesperanca del nombre de proves sigui invers a la
probabilitat:
E[X] =
1
p
.
(f ) Hipergeom`etrica: X H(N, N
1
, n) . Model dextraccio
sense reposicio duna urna amb N boles, on N
1
son
blanques i N
2
= N N
1
son negres. X compta el nombre
de blanques, si fem n extraccions sense reposicio. Es pot
demostrar que
E[X] =
n N
1
N
.
(g) Poisson: X Poiss() . En aquest cas, es ben natural
que
E[X] = ,
at`es que lambda es precisament la mitjana del nombre
desdeveniment del model de Poisson.
Probabilitats i Estadstica - 2011/12
Probabilitats 51
Esperanca de variables aleat`ories contnues
Si X es una variable aleat`oria contnua amb densitat
f, denim la seva esperanca com
E[X] :=
_

xf(x).
(

Es com en el cas discret, canviant el sumatori per

una integral.)
Casos mes importants:
Si X Unif([a, b]), E[X] =
a+b
2
.
Si X Exp(), E[X] =
1

.
Si X N(,
2
), E[X] = .
Probabilitats i Estadstica - 2011/12
Probabilitats 52
Propietats de lesperanca:
Les seg uents propietats son f`acils de raonar, at`es que
les compleix la mitjana dun conjunt de dades.
(1) Lesperanca de la suma de dues variables
aleat` ories es la suma dels seus valors esperats:
E[X +Y ] = E[X] +E[Y ].
(2) Si als valors duna variable els sumem una
constant, lesperanca queda afectada de manera
additiva per la mateixa constant, i el mateix
passa amb el producte per constants; es a dir,
E[c +X] = c +E[X] E[c X] = c E[X]
on c es una constant.
Tambe te sentit calcular lesperanca de funcions duna variable
aleat`oria, com per exemple, E[X
2
], E[ln(X)], etc. En aquestes
no funciona la primera idea que hom pot tenir, es a dir,
E[X
2
] = (E[X])
2
E[ln(X)] = ln(E[X]), etc.
Probabilitats i Estadstica - 2011/12
Probabilitats 53
Per calcular-les cal fer, en el cas discret:
E[X
2
] =

x
2
i
p
i
, E[ln(X)] =

ln(x
i
)p
i
,
En el cas continu:
E[X
2
] =
_

x
2
f(x)dx, E[ln(X)] =
_

ln(x)f(x)dx.
En general,
E[g(X)] =

g(x
i
)p
i
E[g(X)] =
_

g(x)f(x)dx,
Probabilitats i Estadstica - 2011/12
Probabilitats 54
Denicio de vari`ancia duna variable aleat`oria X. La
vari`ancia es la mitjana de les desviacions al quadrat
dels valors respecte de la mitjana = E(X). Tambe
es denota
2
. La vari`ancia mesura la dispersio dels
valors duna variable aleat`oria.
V ar[X] := E[(X )
2
]
Es f`acil demostrar que:
V ar[X] = E[X
2
] (E[X])
2
= E[X
2
]
2
.
En efecte,
V ar[X] = E[(X )
2
]
= E[X
2
2X +
2
]
= E[X
2
] 2E[X] +
2
= E[X
2
] 2
2
+
2
= E[X
2
]
2
.
Aplicant aquesta formula, en el cas discret es
calcularia fent
V ar[X] =
_

x
2
i
p
i
_

2
Probabilitats i Estadstica - 2011/12
Probabilitats 55
i en el cas continu
V ar[X] =
_
_

x
2
f(x)dx
_

2
.
Donem a continuacio la vari`ancia dels models mes
importants.
Exemples:
Bernoulli: V ar[X] = p(1 p) = pq
Ho provem. Recordem que E[X] = = p.
Ara calculem
E[X
2
] = 1
2
p + 0
2
q = p
i nalment apliquem la formula:
V ar[X] = E[X
2
]
2
= p p
2
= p(1 p) = pq.
Binomial: V ar[X] = np(1 p) = npq.
Hipergeom`etrica: V ar[X] = n
N
1
n
N
2
n
Nn
N1
.
Geom`etrica: V ar[X] =
q
p
2
Poisson: V ar[X] = .
Uniforme: V ar[X] =
(ab)
2
12
.
Exponencial: V ar[X] =
1

2
.
Normal: V ar[X] =
2
.
Probabilitats i Estadstica - 2011/12
Probabilitats 56
Propietats de la vari`ancia:
Les unitats de mesura de la vari`ancia son les de
la variable al quadrat.
Larrel quadrada de la vari`ancia es la desviacio
tpica i te les mateixes unitats que la variable.
V ar[X] 0,
Les constants additives no incrementen la
dispersio:
V ar[c +X] = V ar[X].
Les constants multiplicatives incrementen la
vari`ancia amb la constant multiplicant al
quadrat:
V ar[c X] = c
2
V ar[X].
Exemple:
Sigui X Unif(4, 6). Sigui Y = 2 3X.
E[X] = 5 i V ar[X] = 1/3.
E[Y ] = 2 3 5 = 13.
V ar[Y ] = (3)
2
V ar[X] = 9 1/3 = 3.
Probabilitats i Estadstica - 2011/12
Probabilitats 57
2.3.4. Independ`encia de
variables aleat`ories
Denicio dindepend`encia
Dues variables aleat`ories X, Y son independents si
per a qualsevol parella A i B dintervals de R,
P({X A} {Y B}) = P({X A}) P({Y B}).
(En el cas discret nhi ha prou amb considerar A i B
esdeveniments elementals.)
Propietats de la independ`encia
Si X i Y son independents aleshores:
E[X Y ] = E[X] E[Y ],
V ar[X +Y ] = V ar[X] +V ar[Y ].
Exemple: Recordem que si X Bin(n, p) aleshores
X representa la quantitat de vegades que sha
produit un esdeveniment de probabilitat p en n
repeticions. Podem pensar que X es la suma de n
variables aleat`ories independents, cadascuna amb
llei de Bernoulli (prenen el valors 1 i 0 amb
probabilitats p i 1 p respectivament). Per tant,
X = Y
1
+ +Y
n
amb Y
j
B(p) independents.
Probabilitats i Estadstica - 2011/12
Probabilitats 58
Calcul de lesperanca i la vari`ancia duna binomial:
Si X Bin(n, p), aleshores utilitzem que
X = Y
1
+ +Y
n
amb Y
j
B(p)
amb les Y
j
de Bernoulli i independents.
Sabem que
E[Y
j
] = p
i V ar[Y
j
] = pq
Per tant,
E[X] = E[Y
1
] + +E[Y
n
] = np.
Daltra banda, degut a la independ`encia de les Y
j
,
V ar[X] = V ar[Y
1
] + +V ar[Y
n
] = npq.
Probabilitats i Estadstica - 2011/12