Variables aleatòries continues

La probabilitat d’una variable aleatòria es representa per l’àrea davall d’una corba.
La corba s’anomena funció de densitat de probabilitat (FDP) → distribució de
probabilitat.
Càlcul de probabilitats amb la FDP
Sigui X una V.A.C
Sigui f(x) la FDP de X
Siguin a i b qualsevol dos números tal que a < b.

Sigui X una VAC amb FDP:

Funció de distribució acumulativa:

Sigui X una VAC amb FDP, la funció de distribució acumulativa de X és la funció

Una FDA serà sempre contínua, mentre que la funció de distribució acumulativa de una
variable aleatòria no contínua mai serà contínua.
Mitja:
Sigui X una VAC amb una funció FDP, la mitja (esperança, valor esperat) ve donada per:

Variància:
Sigui X una VAC amb una FDP, tenim varies formes de calcular-ho:

Desviació estàndard:
Funcions lineals de variables aleatòries:
Suma:
Sigui X una VA i b una constant:

Multiplicar:

Sigui X una variable aleatòria i a una constant:

Distribució uniforme contínua:

Una funció de densitat de la variable aleatòria uniforme contínua X al interval (a,b) és:

I expressem la variable aleatòria com 𝑋~𝑈(𝑎, 𝑏), on a i b son els paràmetres.

Funció de distribució:

Mitja: Variància:
Distribució normal:
La gràfica que representa la distribució de la probabilitat normal ( o distribució gaussiana)
on la corba s’anomena corba normal, és la següent:

L’equació per a la distribució de probabilitat de la variable normal depèn de dos

paràmetres μ i σ, la seva mitja i desviació estàndard, respectivament. 𝑋 ~ 𝑁(𝜇, 𝜎).
La funció de densitat de probabilitat de la variable aleatòria normal X és

Podem observar què:

- La moda, punt sobre l’eix horitzontal on la corba té el punt màxim, és a x = μ.
- La corba és simètrica al voltant de l’eix vertical a traves de la mitja μ.
- La corba té els seus punts d’inflexió en x = μ ± σ, és còncava cap a baix si μ – σ
< X < μ + σ i cap a dalt en cas contrari.
- La corba normal s’aproxima al eix horitzontal de manera asimptòtica.
- L’àrea total davall la corba és 1.
Mitja: Variància: Desviació estàndard: σ

Calcular l’àrea davall la corba:

Podem calcular-la fent la integral entre els límits:
Podem transformar les VAN X en VAN Z on la mitja és 0 i la variància 1 realitzant la
𝑋−𝜇
transformació: 𝑍 = . Si X cau entre els valors de x = x1 i x = x2, la VA Z caurà entre
𝜎
𝑥1 −𝜇 𝑥2 −𝜇
els valors : 𝑍1 = i 𝑍2 = .
𝜎1 𝜎2

Per saber l’àrea, hem de mirar la taula de distribució normal estàndard, on indica el valor
per a P(Z≤z) per a valors que van des de 0.00 fins 3.99,
La distribució d’una VAN amb mitja 0 i variància 1 és una distribució normal estàndard.
Distribució binominal:
En una prova es pot obtenir resultats definits com a fracàs o èxit. Mitjançant el procés de
Bernoulli, podem obtenir la probabilitat dels resultats donats com a èxits.
Procés de Bernoulli:
- L’experiment conta d’assajos repetits.
- Cada assaig produeix un resultat que es pot classificar com èxit o fracàs.
- La probabilitat d’èxit, que es denota amb p, és constant durant tot l’assaig.
- Els assajos son sempre independents.
Distribució binomial:
La distribució de probabilitat de la variable aleatòria X i el nombre d’èxits en n assajos
independents és:

S’expressa la variable aleatòria binomial com X ~ B(n,p) i el conjunt de valors de la

mateixa és X = {0,1,2,...,n}
Mitjana: Variància:

Distribució binomial negativa:

La probabilitat de que passi el k-èssim èxit en la x-èssima prova.

El conjunt de valors de la variable aleatòria ve definit per X = {k, k+1, ...} i s’expressa
com X ~ BN(k,p).
Mitjana: Variància:

Cas particular, distribució geomètrica:

Distribució binomial negativa on k = 1, probabilitat que es necessita per obtenir un sol
èxit.

Si X ~ G(p), llavors la mitja i la variància són:

Distribució hipergeomètrica:
Tenint una població finita, on a cada selecció individual la proporció d’èxits en la
població restant disminueix o augmenta, depenent de si la unitat extreta han sigut un èxit
o un fracàs. Són assajos NO independents, per tant s’anomena una distribució
hipergeomètrica.
Definició:
Sigui una població finita amb N unitats, de les quals K son classificades com èxits i N-K
com fracassos. Suposem que s’extreuen n unitats de la població, i sigui X el nombre
d’èxits en la mostra.
Llavors X segueix la distribució hipergeomètrica amb els paràmetres N, K i n, que se
denota com X ~ H (N,K,n).
El conjunt de valors de la variable aleatòria és: X = {màx(0,K+n-N), ..., mín(n,K)}
La funció de masa de probabilitat de X és

Mitja: Variància:
Distribució de Poisson:
Són experiments que produeixen valors numèrics d’una variable aleatòria X, i el número
de resultats que passen durant un interval de temps determinat o en una regió en específic.
Propietats:
- El número de resultats que passen en un interval de temps o regió específica és
independent del que passa en qualsevol altre interval. El procés de Poisson no té
memòria.
- La probabilitat de que passi un sol resultat durnat un inverval de temps molt curt
és proporcional a la longitud del interval, i no depèn del número de resultats que
passin fora del interval.
- La probabilitat de que passi més d’un resultat en l’interval de temps curt o que
caigui en tal regió és insignificant.

On λ és el nombre mitjà de resultats per unitat de temps, distància, àrea o volum.

El conjunt de valors de la VA ve determinada per X = {0, 1, 2, ...} i X~ P(λ).
Mitja: Variància:
Aproximació distribucional binomial amb Poisson:
Sigui X una variable aleatòria binomial amb la distribució de probabilitat b(x;n,p). Quan
n → ∞ i p → 0 de tal forma que segueix constant, llavors, si anomenem λ a μ
tenim la aproximació:

D’acord amb aquesta proposició, en qualsevol experiment binomial en el qual n és gran i

p és partit,
Com a regla empírica, es pot aplicar amb seguretat si n > 50 i n·p < 5.
Distribució exponencial:
S’acostuma a utilitzar per mollejar el temps que passa abans d’un esdeveniment.
Funció de densitat de probabilitat:~

Expressem la variable aleatòria exponencial com X ~ Exp(λ) i observem que X = (0,∞).

Funció de distribució:
Si X ~ Exp(λ)

Mitja: Variància:

Distribució exponencial i Poisson:

Si els esdeveniments segueixen un procés de Poisson amb un paràmetre λ, X ~ P(λ), i si
T representa el temps d’espera de qualsevol punt inicial fins el pròxim esdeveniment,
llavors T ~ Exp(λ)
Propietat de falta de memòria:
Si T ~ Exp(λ), i t i s són números positius:

Calcular la mediana:
1 − 𝑒 −𝜆·𝑚 = 0.5