Estadisitica Powerpoint Parcial PDF

LESTAD
 ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Estadística descriptiva ‐ 1
LESTAD  ESEIAAT ESTADÍSTICA
ESTADÍSTICA DESCRIPTIVA
ANÀLISI EXPLORATORIA DE DADES
Mostra
Població
10,20 Kg
10,35 Kg
10,14 Kg
Variable aleatòria 10,03 Kg
Anàlisi de la informació mostral
Analítica ‐ Gràfica
Dades: variable aleatòria
Qualitativa Quantitativa
bo ‐ dolent, ... avaries, pes, durada, ...
recompte
Discreta Contínua
defectes per vehicle pes
avaries setmanals consum
clients anuals ... durada ...
anàlisi numèrica i gràfica
VARIABLE QUANTITATIVA
Grandària de mostra: n
Valors mostrals (mesures): x1, x2, ..., xi, ..., xn
Valors diferents x1, x2, ..., xj, ..., xr
r
Frequència absoluta n1, n2, ..., nj, ..., nr  nj  n
(nombre de repeticions de cada xj) j1
nj r
Frequència relativa f1, f2, ..., fj, ..., fr fj 
n
 fj  1
(frequència) j1
j
Frequència acumulada (valors ordenats) Fj   fk
k 1
Variable quantitativa: característiques mostrals
Característiques de tendència central
n r
 xi 
j1
nj x j
i1
Mitjana: x x 
n n
Mediana: Me valor que divideix la mostra en dues parts
si n és senar Me és el valor central de la mostra ordenada
si n és parell Me és la mitjana dels 2 valors centrals
Quartils: Q1, Q2 i Q3

valors que divideixen la mostra en quartes parts (Q2 = Me)
Moda: Mo valor de la variable de màxima freqüència
Classe modal: classe amb màxima freqüència
Variable quantitativa: característiques mostrals
Característiques de dispersió
n  n 2 
(xi  x) 2
n
  xi 
Variància: S2 S2  i1   i1  x 2 
n 1 n 1  n 
Desviació tipus: S S   S2
Amplitud (recorregut): R R = xmax − xmin
ANÀLISI GRÀFICA
Variable qualitativa Variable quantitativa discreta
30
25
20
Diagrama de barres 15
10
Variable quantitativa contínua
Histograma
Exemples de variables quantitatives discretes
10 8 25
9
7
8 20
6
7
5
6 15
5 4
4 10
3
3
2
2 5
1
1
0 0 0
0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24 0 2 4 6 8 10 12 14 16 18 20 22 24
n = 45 n = 45 n = 45

x = 12,87 x = 12,60 x = 7
Me = 11 Me = 12,50 Me = 7
S2 = 92,71 S2 = 26,38 S2 = 44,55
Exemples de variables quantitatives contínues
30 18 45
16 40
25
14 35
20 12 30
10 25
15
8 20
10 6 15
4 10
5
2 5
0 0 0
0 4 8 12 16 20 24 28 32 36 40 0 4 8 12 16 20 24 28 32 36 40 0 4 8 12 16 20 24 28 32 36 40
n = 100 n = 100 n = 100

x = 20,01 x = 20,08 x = 8,11
Me = 17,42 Me = 20,34 Me = 8,02
S2 = 245,81 S2 = 83,53 S2 = 115,38
Exemple: nombre d’avaries setmanals en una cadena de muntatge
Dades: 8 15 13 8 6 15 9 8 6 3
Ordenats: 3 6 6 8 8 8 9 13 15 15
4
xj nj fj Fj Diagrama de barres
3
3 1 0,1 0,1
6 2 0,2 0,3 2
8 3 0,3 0,6 1
9 1 0,1 0,7 0
13 1 0,1 0,8 3 4 5 6 7 8 9 10 11 12 13 14 15
15 2 0,2 1
10 1 Freqüències acumulades
1
0,8
X  9,1 0,6
Me = 8
S2  16,1 0,4
0,2
S  4,01 Mo = 8
0
0 5 10 15 20
Exemple: nombre d’avaries setmanals
=AVERAGE(A1:A10)
=VAR(A1:A10)
=DESVEST(A1:A10) / STDEV(A1:A10)
=MEDIANA(A1:A10) / MEDIAN(A1:A10)
Exemple: unitats defectuoses en 90 contenidors
xi = Nombre d'unitats defectuoses
ni = Nombre de contenidors amb xi unitats defectuoses
xi ni fi Fi 30
Diagrama de barres
Nombre de contenidors
25
20
15
10
0
0 1 2 3 4 5 6 7 8 9 10
Unitats defectuoses per contenidor
X  4,32 Q1 = 3
Q2 = Me = 4
S2  2,65 S  1,63
Q3 = 5
Histograma
Únicament és aplicable a dades procedents de variables contínues amb,
com a mínim, 50 mesures
El conjunt de valors es divideix en intervals (classes) i es compta quantes
observacions hi ha a cada classe.
L’àrea de cada classe és proporcional al nombre d’observacions (o a la
freqüència)
Si les classes són de la mateixa longitud, les alçàries són directament
proporcionals a les freqüències
Exemple: Contaminació en un aliatge de metall lleuger (% de contaminant)
6,72 5,33 5,45 8,61 8,03 8,42 6,80 9,96 8,03 4,07
5,43 5,95 6,32 6,23 2,14 8,33 8,67 8,00 3,43 5,08
5,23 7,65 7,29 6,15 6,15 5,93 8,48 6,77 5,39 6,96
6,01 11,45 8,03 6,50 6,52 11,23 9,24 7,33 6,78 7,21
8,79 13,09 8,19 7,81 13,02 6,42 6,82 10,70 8,45 12,15 n > 50
6,03 6,85 7,26 6,24 9,98 3,95 7,12 9,28 5,67 9,89
6,46 4,91 9,91 8,54 9,50 9,90 6,05 3,24 2,01 15,23 nº classes: k
10,32 6,34 9,20 6,49 9,81 7,65 9,07 6,41 3,00 7,73
8,00 5,12 6,67 8,03 8,91 5,43 1,08 4,67 2,51 9,06 k  n
mínim
Exploració de dades Classe E.I. E.S. ni
n = 90 1 1,00 2,50 3
màxim
x min = 1,08 2 ‐‐‐ 4,00 5 extrem sup: ExS
x max = 15,23 3 ‐‐‐ 5,50 11
Classes = 10 4 ‐‐‐ 7,00 26 extrem inf: ExI
5 ‐‐‐ 8,50 20
Disseny d'histograma 6 ‐‐‐ 10,00 17 interval de classe
Ex.Inf. = 1,00 7 ‐‐‐ 11,50 4
ExS  ExI
Ex. Sup. = 16,00 8 ‐‐‐ 13,00 1 I.C. 
k = 10 9 ‐‐‐ 14,50 2 k
10 ‐‐‐ 16,00 1
I. C. 1,50 Total 90
Exemple: Contaminació en un aliatge de metall lleuger (% de contaminant)
Classe E.I. E.S. ni

1 1,00 2,5 3
2 2,5 4,0 5
3 4,0 5,5 11
4 5,5 7,0 26 Histograma
5 7,0 8,5 20
Contaminació de l’aliatge
6 8,5 10,0 17 30
7 10,0 11,5 4
25
8 11,5 13,0 1
20
9 13,0 14,5 2
15
10 14,5 16 1
Total 90 10
0
1 2,5 4 5,5 7 8,5 10 11,5 13 14,5 16
%
● Seleccionar (H1:H12)
● = FRECUENCIA(.....)
● Prémer simultàniament
control  
FRECUENCIA(datos;grupos)
=MIN(A1:A90)
FREQUENCY(data; bins)
=MAX(A1:A90)
=G3+$D$11
HISTOGRAMA
● Seleccionar H3:H12 – Insertar gráfico – Columnas – Finalizar
● Clicar sobre una barra del gràfic – Botó dret ratolí – Formato de serie de datos
– Opciones – Ancho de rango 0
Tipus d’histogrames
acampanat
bimodal
pla
asimètric
Diagrames de caixes: Box plot
Exemple: Durada de les reparacions (minuts) de
20 escales mecàniques de cada marca.
max temps
150
Q3 120
Me
90
Q1 60
min
30
0
A B C D marca
Analitza la situació
ESTADÍSTICA BIVARIANT: relació entre dues variables
En un mateix individu es mesuren dues característiques d’interès
Anàlisi de l’evolució conjunta: correlació i regressió y
Regressió: Cal decidir si s’estudia Y en funció de
X o a l’inrevés
x
x y Covariància
x1 y1 n  n 
… …  i  x  x  y i  y 
n
 i i x y 
xi yi CoV(x, y)  i1   i1  x y 
n1 n1  n 
… …
xn yn
CoV
Coeficient de correlació r
sx s y
Recta de regressió mínim − quadràtica
y
y = a + b x
yi
ei
n
 i  minim
e 2
´
i1
xi x sy
br
sx
a  y  bx
Exemple: Estudi de la relació entre el desgast (y) d’un acer i la viscositat (x)
del lubricant.
x y x-x y-y (x-x)(y-y)
1,6 240 -22,9 91,9 -2104,256
9,4 181 -15,1 32,9 -496,622
15,5 193 -9,0 44,9 -404,000
20,0 155 -4,5 6,9 -31,000
300
22,0 172 -2,5 23,9 -59,722
35,5 110 11,0 -38,1 -419,222
y y = -3,5086x + 234,07
250 2
43,0 113 18,5 -35,1 -649,556 R = 0,8794
40,5 75 16,0 -73,1 -1169,778 200
33,0 94 8,5 -54,1 -459,944
Mitjanes 24,5 148,1 150
Desv tip 14,368 53,755

100
CoV -724,2625 50
b = r sy/sx = -3,5086 r -0,9378
a = y - bx = 234,071 0
0 10 20 30 40 x 50
y = 234,071 − 3,509 x
R2: coeficient de determinació
Indica la bondat de l’ajust
●Seleccionar A2 – B10
● “Insertar Gráfico – XY (Dispersión)  (1,1)”
● “Finalizar”
● Clicar botó dret sobre un punt del gràfic
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Probabilitat - 1
Experiència: procediment amb el qual s’obté un element  d’un conjunt ,

anomenat fonamental
llançament d’una moneda  = {☺, }
llançament d’un dau  = {1, 2, 3, 4, 5, 6}
mesura d’un diàmetre  = {diàmetres de totes les peces}
Esdeveniment: subconjunt de  d'interès per a l’experimentador

mesura d’un diàmetre: entre 5 i 10; menor que 12; superior a 15; etc
llançament d’un dau: parell , múltiple de 3 , igual a 4, etc.
 1
2 2
3 4
3
4 5 4 6 6
6
Probabilitat - 2
Si A és un esdeveniment A també ho és
Ω
A A
Si A i B són esdeveniments A  B i A  B també ho són
AB AB
Ω Ω Ω
A B
llançament d’un dau:  = {1, 2, 3, 4, 5, 6} A = parell = {2, 4, 6} B = múltiple de 3 = {3, 6}

Probabilitat - 3
Ω
Si A  B =  A i B són incompatibles A
B
Ω
Si A  B A implica B A
B
Ω és l’esdeveniment cert, segur
 = Ω és l’esdeveniment impossible
Probabilitat - 4
PROBABILITAT: mesura de quant fàcil o difícil és que passi cert esdeveniment

Axiomes
Ω
P(A) ≥ 0 A
Ω
P(Ω) = 1 1
Ω
A
Si A  B =  P(AB) = P(A) + P(B)
B
Probabilitat contrària
Ω
P(A) = 1 − P(A) A
A
P() = 0
Probabilitat - 5
Ω
Si A  B P(A)  P(B) A B
Atès que   A   0  P(A)  1

Ω
Probabilitat total A
P(AB) = P(A) + P(B) - P(AB)

B
Particions
P = {Ai}, i = 1, ..., n, és una partició de  si A1
Ω
𝑛 A2
A4
𝐴𝑖 ∩ 𝐴𝑗 = ∅; ∀ 𝑖 ≠ 𝑗 ራ 𝐴𝑖 = Ω
A3
An A1
𝑖=1
en aquest cas, 𝑛 A2
···
෍ 𝑃 𝐴𝑖 = 1 An
𝑖=1
Probabilitat - 6
Espais finits: el conjunt  és finit
Sigui N el seu cardinal, i i els seus elements

Ω

• 1
P(A) =  P(i ) 2
• •
• •
A 
•
i: i  A
3 i • N
• • •
Si són equiprobables:
P(i) =1/N  i
nombre d'elements de A casos favorables

P(A) = =
N casos possibles
Probabilitat - 7
Exemples
1 Quina és la probabilitat d’obtenir un resultat parell en llançar un dau

equilibrat?
1
 = {1, 2, 3, 4, 5, 6}
2
equiprobables 3
1/6
4
A = {2, 4, 6} P(A) = 3/6 = 0,5 5
6
2 En un dau trucat amb P(1) = P(4) = P(5) = 0,1; P(2) = P(3) = 0,2 i P(6) = 0,3.
Quina és la probabilitat de parell?
1
 = {1, 2, 3, 4, 5, 6} NO equiprobables 2
3
0,1
4
A = {2, 4, 6} P(A) = P(2) + P(4) + P(6) = 0,6 5
6
Probabilitat - 8
PROBABILITAT CONDICIONAL Ω
Se sap que s’ha realitzat l’esdeveniment C. C
Aquesta informació modifica (condiciona) la probabilitat dels A
altres esdeveniments
La probabilitat de A condicionat per C es defineix com

P(A C)
P ( A|C ) =
P(C)
P(A C)
També P ( C|A ) =
P(A)
Conseqüència: P(AC) = P(A) · P(C|A) = P(C) · P(A|C)
Probabilitat - 9
INDEPENDÈNCIA
A i B són independents si P(A|B) = P(A)
P(B|A) = P(B) P(AB) = P(A) · P(B)
INCOMPATIBILITAT I INDEPENDÈNCIA
Ω Ω Ω
B B B
A A
A
Incompatibles: NO Incompatibles: NO Incompatibles: SI

Independents: SI Independents: NO Independents: NO
Probabilitat - 10
Probabilitat Total Si P = {Bi, i = 1, …, n} és una partició de 

i A un esdeveniment, aleshores: B1
Ω
A = i ( A  Bi ) B2
A
P(A) = iP ( A  Bi ) = iP(Bi ) P ( A|Bi ) Bi Bn
B1 P(A|B1) A
Regla de Bayes
A
P(B1)
P(A  Bi ) •••
P(Bi |A) =
P(A) Bi P(A|Bi) A
P(Bi)
P(Bi )  P ( A|Bi )
=
 jP(B j)  P ( A|B j )
A
•••
P(Bn)
Bn P(A|Bn) A
Probabilitat - 11
A
Exemple: Per anar a treballar una persona va per l’itinerari A el 40% dels dies,
pel B el 20%, pel C el 15% i la resta de dies agafa el tren. Troba caravana (K) el
10% dels dies que va per A, el 20% dels que va per B i el 30% dels que va per C.
P(K | A)
0,10 K
A K Què val la probabilitat de trobar caravana?
0,90
K P(K) = P(A  K) + P(B  K) + P(C  K) + P(D  K) =
0,20
= P(A)·P(K|A) + P(B)·P(K|B) + P(C)·P(K|C) + P(D)·P(K|D) =
B K
0,80 = 0,40 · 0,10 + 0,20 · 0,20 + 0,15 · 0,30 + 0,25 · 0 = 0,125
0,30 K Si no ha trobat caravana, quina és la

C
0,70
K probabilitat que hagi estat en l’itinerari C?
K
D 0 P(C K) P(C)  P(K|C) 0,15  0,70
P(C|K) = = =
tren 1 K P(K) 1 − P(K) 1 − 0,125
= 0,120
Probabilitat - 12
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
VARIABLE ALEATÒRIA
Quan el resultat d’una experiència és numèric i depèn de l’atzar, el seu
conjunt de valors és una variable aleatòria
Variables aleatòries discretes
Resultat del dau
Nombre de peces defectuoses en una caixa
Nombre d’avaries mensuals en una cadena de muntatge
Variables aleatòries contínues
Diàmetre d’un eix
Pes net d’un producte envasat
Durada d’un pneumàtic
Variable i vector aleatoris ‐ 2
FUNCIÓ DE DISTRIBUCIÓ D’UNA VARIABLE ALEATÒRIA
Sigui X una variable aleatòria, la funció de distribució és :
F(x) = P(X ≤ x)
Exemple: Sigui un dau tal que P(X = x) = (7– x)/21 per x = 1, ..., 6.
x P(X = x) F(x) F(x)
1
0,9
1 6/21 6/21 0,8
0,7
2 5/21 11/21 0,6
0,5
3 4/21 15/21 0,4
4 3/21 18/21 0,3

0,2
5 2/21 20/21 0,1

0
6 1/21 21/21 0 1 2 3 4 5 6 7 8
x
Propietats
Acotada entre 0 i 1 0 ≤ F(x) ≤ 1
No decreixent
VARIABLES ALEATÒRIES DISCRETES
X és una variable aleatòria discreta si pren valors en un conjunt numerable
(finit o infinit).
Resultat del dau, nombre de peces defectuoses en una caixa, nombre
d’avaries mensuals en una cadena de muntatge, ...
Distribució de probabilitat: funció de quantia
x P(X = x)
X = {x1, ..., xi, ... } 1 0,10
P(x)
2 0,25 0,3
 0  pi  1  i
3 0,15
0,2
4 0,20
P(X  xi )  pi 

 pi  1 5
6
0,10
0,05
0,1
i 7 0,05 0
0 1 2 3 4 5 6 7 8 9 10 x
8 0,10
Funció de distribució
F(x)  P(X  x)   P(X  xi )   pi
Exemple i:xi  x i:xi  x
x 1 2 3 4 5 6 7 8
p(x) 0,1 0,25 0,15 0,2 0,1 0,05 0,05 0,1
F(x) 0,1 0,35 0,5 0,7 0,8 0,85 0,9 1
P(x) F(x)
0 ,3 1
0 ,8
0 ,2
0 ,6
0 ,4
0 ,1
0 ,2
0 0
0 1 2 3 4 5 6 7 8 9 10
x 0 5 10 x
P(3 < X ≤ 6) = F(6) – F(3) = 0,35 P(3 < X < 6) = F(5) – F(3) = 0,30
P(3 ≤ X ≤ 6) = F(6) – F(2) = 0,50 P(3 ≤ X < 6) = F(5) – F(2) = 0,45

VARIABLES ALEATÒRIES CONTÍNUES
X és una variable aleatòria contínua si F(x) és absolutament contínua
F(x) 1
0,8
0,6
0,4
0,2
0 x
Diàmetre d’un eix, pes net d’un producte envasat, durada d’un pneumàtic
La funció de densitat de probabilitat, f, és no negativa i tal que
dF(x) x
f(x)  F(x)   f(u)du
dx 
F(x) f(x)
1 0,2
F(b)
0,5 0,1
F(a)
0 0
0 a 5 b 10 15 x 0 a 5 b 10 15 x
Propietats de la funció de densitat
f(x) ≥ 0 x
f x dx = 1
b
P(a < X ≤ b) = P(X ≤ b) – P(X ≤ a) = F(b) – F(a) =  f(x)dx
a
a
P(X = a) = a f(x)dx  0
INTERVAL DE PROBABILITAT 1 –  Interval de risc 
És l’interval que reparteix el risc  a parts iguals als dos extrems
Risc = Probabilitat d’error
f(x)
/2 /2
1 – 
x
I.P. (1‐ )
x1/2 x/2
P(x1/2 < X < x/2) = 1  
Exemple k(x  2)9 si 2  x  3


Sigui X tal que f(x)  k(4  x)9 si 3  x  4

 0 altrament
1 Què val k?
3 k 
4 10  3  10  4  k
1   f(x) dx   k(x  2) dx   k(4  x) dx   (x  2)    (4  x)   
9  9
 2 3 10  2 3 5
f(x)
k = 5
2 Què val F(x)?
x
 0 x 2
 x
  5(u  2)9 du  0,5(x  2)10 2x3 F(x)
 2 1
F(x)   x
3
0,75
 0,5  5(4  u)9

d u  1  0, 5(4  x)10
3x 4

0,5
 1 x4
0,25
 0
x
1,5 2 2,5 3 3,5 4 4,5
 0 x 2
 x f(x)
3 Què val P(2,9 < X < 3,2)?   5(u  2)9 du  0,5(x  2)10
 2
F(x)   x
2x3 5
0,5  3 5(4  u) du  1  0, 5(4  x) 3x 4 4

9 10

 1 3
 x4
P(2,9 < X < 3,2) = F(3,2) – F(2,9) = 2
0
3 < x < 4 2 < x < 3 2 2,5 3 3,5 4 x
2,9 3,2
   
 1  0,5(4  3,2)10  0,5(2,9  2)10  0,9463  0,1743  0,7720
f(x)
4 Calcular l’interval de probabilitat 0,95 per X  = 0,05 5
3
P(x0,975 < X < x0,025) = 0,95 2
1 0,025 0,025
0,95
0,025 =F(x0,975) = 0,5 (x0,975 – 2)10  x0,975 = 2,7411 0
2 2,5
X0,975
3
X0,025
3,5 4
x
< 0,5  2 ≤ x < 3

F(x)
0,975 =F(x0,025) = 1 – 0,5 (4 – x0,025)10  x0,025 = 3,2589

1
0,975 
0,75
0,5
> 0,5  3 ≤ x < 4 0,25
0,025  x
0
1,5 2 2,5 3 3,5 4 4,5
P(2,7411 < X < 3,2589) = 0,95 X0,975

X0,025
CARACTERÍSTIQUES
ESPERANÇA MATEMÀTICA
mesura de tendència central
v.a. discreta E(X)   x p(x)

x
v.a. contínua E(X)   x f(x) dx


Exemples
1 Sigui un dau tal que P(X = x) = (7– x)/21 per x = 1, ..., 6.
x P(X = x)
1 6/21
2 5/21 E(X) = 1 ∙ 6/21 + 2 ∙ 5/21 + . . . + 6 ∙ 1/21 = 2,667
3 4/21
4 3/21
5 2/21
6 1/21
3
f(x)  (1  x)(1  x2 ) 1  x  1
2 Sigui X tal que f(x) = 0 altrament
4
f(x)
1,5
3 1
1
E(X)   x (1  x)(1  x2 )dx   0,2
0,5 1 4
0
-1 -0,5 0 0,5 1 x
Propietat
Si f(x) o p(x) és simètrica respecte x0 E(X) = x0
f(x) p(x) 0,3
0,2
0,1
0
x 0 1 2 3 4 5 6 7 8 9 x
E(X) E(X)
Esperança matemàtica d’una funció
Sigui g(X) una funció de la variable aleatòria X
v.a. discreta E g(X)   g(x)p(x)
x
v.a. contínua E g(X)   g(x) f(x) dx


Exemple: g(X) = X2 E[g(X)] = E[X2]
discreta E  X2    x2 p(x) contínua E  X2    x2 f(x) dx


x
Propietats de l’esperança matemàtica
1 E(c) = c c 
2 E(aX + c) = a E(X) + c a, c 
VARIÀNCIA mesura de dispersió
Variància de X = V(X) = E[X – E(X)]2
V(X)  x  E(X) p(x)

2
v.a. discreta
x
V(X)   x  E(X) f(x) dx

2
v.a. contínua 
DESVIACIÓ TIPUS desviació típica, desviació estàndard D(X)   V(X)
Propietats de la variància
1 V(X) ≥ 0
evidentment, ja que és l’esperança matemàtica d’una funció positiva
2 V(c) = 0 c  
V(c)  E  c  E(c)    E (c  c)2   0

2
 
3 V(X) = E(X2) – [E(X)]2

2
 
2
  
V(X)  E  X  E(X)    E  X2  2XE(X)  E(X)    E X2  E(X)
2
4 V(aX + c) = a2 V(X) a, c  
V(aX  c)  E  (aX  c)   aE(X)  c    E a2  X  E(X)    a2 V(X)

2 2
   
Exemples
1 Sigui X la puntuació obtinguda al llançar un dau equilibrat
P(X = x) = 1/6 x = 1, 2, ..., 6
6
1 7
E(X)   x  1 2 3 4 5 6
x 1 6 2
 
6 35
1 91
E(X )   x  V(X)  E X2  E(X)  
2 2 2
x 1 6 6 12
2 Sigui X tal que f(x) = 0,25 si 0 < x < 4 i f(x) = 0 e.q.a.c
f(x)
4
E(X)   x  0,25 dx  2 0 4 x
0
16
  4
4 2
E(X )   V(X)  E X  E(X) 
2
2
x  0,25 dx  2

0 3 3
Variància: valors
1 E(X) = 5
E(X 2) = 5
1 V(X) = 10
V(X 2) = 10 1 E(XE(X) = 5
E(XE(X) = 5
1) = 5 4) = 5
V(X) = 2,5
V(X1) = 2,5 E(XE(X) = 5 V(X 4) = 22,5
V(X) = 22,5
1 3) = 5
0,5 V(X 3) = 16,7
V(X) = 16,7
0,5 0,5
0,5
0
0 0 5 10 15 20 Xx2 0
0 5 10 15 20 Xx11 0 5 10 15 20 Xx4
0
0 5 10 15 20 Xx3
1 E(X 5) = 10
E(X) = 10
V(X 0,6 E(X 7) = 5
E(X) = 5
5) = 10
V(X) = 10
V(X) = 25
V(X7) = 25
1
0,4
0,5 1 E(X) = 10
E(X 6) = 10
V(X) = 66,7
V(X 6) = 66,7
0,2 0,6 E(X 8) = 2
E(X) = 2
0.5 V(X 8) = 4
V(X) = 4
0 0,5
0 Xx7 0,4
0 10 20 Xx5
0 10 20 30
0,2
0
0
0 10 20 Xx6
0 5 10 15 20025 30 35 40 xX9 Xx8
0 10 20 30
MEDIANA característica especialment important en variables contínues
Valor de la variable en el qual F(x) = 0,5
QUARTILS: Q1, Q2, Q3 F(x)
1
F(Q1) = P(X ≤ Q1) = 0,25 0,5
F(Q2) = P(X ≤ Q2) = 0,50 Q2 = Me 0
Q1 Me Q3 x
F(Q3) = P(X ≤ Q3) = 0,75
Propietat: Si la distribució és simètrica i contínua E(X) = Me
f(x)
Exemple:
5(x  2)9 si 2  x  3

Sigui X tal que f(x)  5(4  x)9 si 3  x  4

 0 altrament x
Calcula Q1, Q2 i Q3
F(x)
0 x2 1

0,5(x  2) 2x3
0,75
10
F(x)   0,5
1  0,5(4  x) 3x4
10
0,25
1 x4
x
 0
1,5 2 2,5 Q13 Q3 3,5 4 4,5
0,25 =F(Q1) = 0,5 (Q1 – 2)10  Q1 = 2,9330

< 0,5  2 ≤ x < 3 f(x) és simètrica  Me = Q2 = 3
0,75 =F(Q3) = 1 – 0,5 (4 – Q3)10  Q3 = 3,0670
> 0,5  3 ≤ x < 4

VECTOR ALEATORI
Si en un element es mesuren vàries característiques (X1, X2, ..., Xn), en
resulta una variable aleatòria multidimensional o vector aleatori
Exemple: En un eix motor es mesuren 3 característiques de qualitat:
diàmetre, X1, resistència, X2, i durada a un assaig de fatiga, X3.
Tots els components, Xi, d’un vector aleatori X = {X1, X2, ..., Xn}, són
variables aleatòries unidimensionals
Cas particular: vector aleatori bidimensional
(X1, X2) (X, Y)
VECTOR ALEATORI DISCRET
Els seus components són variables aleatòries discretes
Distribució de probabilitat conjunta

P X  xi, Y  y j  pij 
Y
1
2
 pij  1
i, j
0
pij  0  i, j
0
1
2
3 Y X 0 1 2 3 4
X 4 0 0,01 0,08 0,06 0,1 0,06
1 0,04 0,15 0,16 0,06 0,04
2 0,02 0,1 0,05 0,05 0,02
VECTOR ALEATORI CONTINU
Els seus components són variables aleatòries contínues
Funció de densitat conjunta: f(x, y)
f x, y dx dy =1
f(x, y) = 8xy 0 ≤ y ≤ x ≤ 1
f(x, y)
y
1 x
0 0 8xy dy dx  1
x
y x
DISTRIBUCIONS MARGINALS: Vector aleatori discret
distribució marginal de X: P  X  xi    pij  pi

j
distribució marginal de Y: 
P Y  yj    pij  p j
i
Y X 0 1 2 3 4 pj
0 0,01 0,08 0,06 0,10 0,06 0,31
1 0,04 0,15 0,16 0,06 0,04 0,45
Y 2 2 0,02 0,10 0,05 0,05 0,02 0,24
pi 0,07 0,33 0,27 0,21 0,12 1
1
0
pi pj
0
1
2
3 0 1 2 3 4 X 0 1 2 Y
X 4
DISTRIBUCIONS MARGINALS: Vector aleatori continu
distribució marginal de X: f(x)   y
f(x,y)dy
distribució marginal de Y: f(y)   x
f(x,y)dx
f(x, y)
f(x, y) = 8xy 0 ≤ y ≤ x ≤ 1
f(x)
x
f(x)  0 8xy dy  4 x3 0  x 1
x
y
0 0,5 1 x
1 f(y)
f(y)  y 8xy dx  4 y (1 y 2 ) 0  y 1
0 0,5 1
y
Relacions entre components del vector
1 1
1
1 1 y
y x x 0
y
0 0 x 0
1
f(x, y) = 8xy si 0 ≤ y ≤ x ≤ 1
64
16
y
1
y y
0
0 0
0 x ‐8
x 0 8
1 16 x
COVARIÀNCIA: CoV(X, Y)
CoV  X,Y   E  X  E(X) Y  E(Y)   E(XY)  E(X) E(Y)
E(XY)    y x
x y f(x,y)dx dy
COEFICIENT DE CORRELACIÓ: XY
 XY 
CoV(X,Y) E(XY)   xi y j pij
j i
 V(X) V(Y)
Propietat: –1 ≤ XY ≤ 1
INDEPENDÈNCIA
X i Y són independents defineixen esdeveniments independents
X, Y indep f(x, y) = f(x) f(y)  x, y X, Y indep pij = pi• p•j  i, j
Interpretació del coeficient de correlació
 = 0,9659 y
y 1 1
16
 = – 0,7143 =0
y
1 1
0 1
1 x
0y x x 0 0 y
0 1 x 16 0 0 1 x
0
NO Independents Independents
f(x, y) = 8xy si 0 ≤ y ≤ x ≤ 1
y =0
1 y 1
64
y
1 =0
y 1
 = 0,4924
0 0 y
0
00 ‐8 0
0 x 1x x 8 0 x 0 1 x
1 1
 és una mesura de la dependència rectilínia entre les dues variables
Propietats
a,b,c 
1 E(aX + bY + c) = a E(X) + b E(Y) + c
2 V(aX + bY + c) = a2 V(X) + b2 V(Y) + 2 a b CoV(X, Y)
3 CoV(X, X) = V(X)
5 Y = aX + b XY = signe(a) ∙ 1 2XY  1
Exemple
E(XY)  8  x 2   y 2 dy  dx  4 / 9
1 x
f(x, y) = 8xy 0 ≤ y ≤ x ≤ 1 0  0 
f(x)  4 x3 0  x 1 E(X) = 4/5 E(X2) = 2/3 V(X) = 2/75
f(y)  4 y (1 y 2 ) 0  y 1 E(Y) =8/15 E(Y2) = 1/3 V(Y) = 11/225
CoV(X,Y) 4 / 225
CoV(X,Y) = E(XY)‐E(X)E(Y) = 4/225  XY    0,4924
 V(X) V(Y)  2 / 75   11/ 225 
Propietats lligades a la independència
X, Y independents En general
CoV  X,Y   E  X  E(X) Y  E(Y)   E(XY)  E(X) E(Y)
CoV(X,Y)
XY 
 V(X) V(Y)
V(aX + bY + c) = a2 V(X) + b2 V(Y) + 2 a b CoV(X, Y)
E(XY) = E(X) E(Y) CoV(X, Y) = 0 XY = 0
V(aX + bY + c) = a2 V(X) + b2 V(Y)
V(X + Y) = V(X – Y) = V(X) + V(Y)
=0 =0
 = – 0,7143
1
1 1
1 y
1 x 0
x y
y x 0
0 1
0
=0
Calcula les
 = 0,7071
64 distribucions
x
y
marginals i els coeficients
de correlació per cadascun
0
y 0
d’aquests vectors aleatoris
‐8
x 8
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
VARIABLES ALEATÒRIES DISCRETES

• Llei uniforme
• Llei binomial
• Llei de Poisson
• Procés de Poisson
• Llei dels fenòmens rars
Lleis de probabilitat - 2
LLEI UNIFORME
Una variable aleatòria discreta, X, és uniforme si tots els valors possibles
són equiprobables
P(X = xi) = 1/n i = 1, ..., n
n n
 Xi  i
X 2
V(X) = E(X2 ) − (E(X) )

2
E(X) = i = 1 E(X2 ) = i = 1
n n
Exemples
p(x) p(x)
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0 1 2 3 4 5 6 7 8 9 10 11
x x
E(X) = 8,2 E(X2) = 91,2 V(X) = 23,96 E(X) = 6 E(X2) = 38 V(X) = 2
LLEI BINOMIAL
Condicions
es realitzen n experiències independents

cada experiència només pot donar dos resultats A o A
la probabilitat de A es manté constant, P(A) = p
es defineix X com el nombre de cops que s’obté A en les
n experiències
X  b(n; p) x = 0; 1; …; n 0≤p≤1
n x
P(X = x) = b(x; n; p) =  p (1 −p)n−x
x
n i x
P(X  x) = B(x; n; p) =   p (1 − p)n−i
i=0  i 
p(x) X  b(n = 10; p = 0,25)

0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 x
p(x) X  b(n = 10; p = 0,5)
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10 x
Característiques
n n−1
 n x
n
  x −1
E(X) =  x   p (1 − p) = np  
n-x
 p (1 − p)(n−1)−(x −1)
x
x=0   x=1  x − 1 
n−1
= np (p+(1 − p) ) = np
V(X) = np(1 – p)
Propietat
Si X i Y són variables aleatòries independents distribuïdes segons
lleis binomials del mateix paràmetre p (X  b(nx; p); Y  b(ny; p)),
aleshores X + Y  b(nx+ ny; p)
TAULES
Funció de distribució per diferents valors de n i p
Exemple
Una màquina fa un 2,5% de peces defectuoses.
1 Probabilitat que en una caixa de 6 peces n’hi hagi 2 de defectuoses

X = n. de defectuoses en una caixa de 6 X  b(n = 6; p = 0,025)
6
P(X = 2) = b(2; 6; 0,025) =   0,0252  0,9754 = 0,0085
 2
= B(2; 6; 0,025) – B(1; 6; 0,025) = 0,9997 – 0,9912 = 0,0085
2 Probabilitat que en una caixa de 6 peces n’hi hagi com a mínim 5 de bones
Y = n. de bones en una caixa de 6 Y  b(n = 6; p = 0,975)
6 5 4 3 2 1 0 bones (Y)
0 1 2 3 4 5 6 dolentes (X)
6 1
P(Y  5) = P(X ≤ 1) = B(1; 6; 0,025) =    0,025  0,975 = 0, 9912
x 6 −x
x =0  x 
3 Quina és la probabilitat que amb una caixa de 6 peces i una de 10 n’hi hagi
com a màxim 1 de defectuosa, en total?
X(6) = n. de defectuoses en una caixa de 6 X(6)  b(n = 6; p = 0,025)
X(10) = n. de defectuoses en una caixa de 10 X(10)  b(n = 10; p = 0,025)
X(6) i X(10) són independents amb igual p X(16) = X(6) + X10  b(n = 16; p = 0,025)
 16  1
P(X(16) ≤ 1) = B(1; 16; 0,025) =    0,025  0,975
x 16− x
= 0,9405
x =0  x 
4 Quina és la variància del total de peces defectuoses en 25 caixes de grandària 6?
X6(i) són independents i
 25  25
V   X(6) i  =  V(X(6) i ) = 25(6  0,025  0,975) = 3,656
 i =1  i =1
 
Una màquina, M1, fa un 2,5% de peces defectuoses i una altra, M2, en fa un 5%
5 Quina és la probabilitat que agafant 6 peces de cada màquina se’n tingui, com a
màxim, 1 de defectuosa?
X1 = n. de defectuoses en les 6 peces de M1 X1 b(n = 6; p = 0,025)

X2 = n. de defectuoses en les 6 peces de M2 X2 b(n = 6; p = 0,05)
X1 i X2 són independents amb diferent p Y = X 1 + X2 
P(Y ≤ 1) = P(Y = 0) + P(Y = 1)

= [P(X1 = 0)·P(X2 = 0)] + [P(X1 = 0)·P(X2 = 1)] + [P(X1 = 1)·P(X2 = 0)]
= b(0; 6; 0,025)·b(0; 6; 0,05) + b(0; 6; 0,025)·b(1; 6; 0,05) +
+ b(1; 6; 0,025)·b(0; 6; 0,05) = 0,928066
LLEI DE POISSON
Procés de Poisson: model de l’estació de servei
Sigui X el nombre d’arribades en un interval de temps de durada fixada
Condicions
les arribades en intervals disjunts són independents
la probabilitat que en un mateix instant es produeixin dues o més arribades és
pràcticament nul·la
el nombre d’arribades depèn de la magnitud de l’interval però no del seu origen,
o sigui, el nombre esperat d’arribades per unitat de temps es manté constant, λ0.
X  P() x = 0; 1; … >0
 x e−
P(X = x) =
x!
Si la durada de l’interval és de k unitats de temps, el valor del paràmetre serà  = k0
p(x) X  P( = 0,8) p(x) X  P( = 4)
x x
Característiques
 x − Taules:
 e
E(X) =  x = V(X) = 
x =0 x!
Propietat
n
Si X =  Yi , tals que Yi  P(i) són independents, i = 1, ..., n
i=1
n
X~P λx = ෍ λi
i=1
Exemple
Es pot considerar que les avaries d’un equip tenen lloc segons una llei de
Poisson amb mitjana de 1 avaria cada 1000 hores.
unitat de temps = 1 hora 0 = 0,001 avaries/hora
1 Quina és la probabilitat de tenir 3 avaries en 900 hores?
X = n. d’avaries cada 900 hores X  P( = 900·0 = 0,9)
0,93 e−0,9
P(X = 3) = F = 0,9(3) – F = 0,9(2) = = 0,0494
3!
2 Quina és la probabilitat de tenir com a màxim 3 avaries en 500 hores?
Y = n. d’avaries cada 500 hores Y  P( = 500·0 = 0,5)
P(Y ≤ 3) = F = 0,5(3) = 0,9982
LLEI DE POISSON
Llei dels fenòmens rars: límit de la llei binomial
lim b(n; p) = P()  = np
n→
p→0
n x n−x  x e−

lim   p (1 − p) =  = np
n→  x  x!
p→0
Exemple
Una màquina dóna un 0,5‰ de peces defectuoses, quina és la probabilitat
que en un lot de 10000 peces, n’hi hagi 2 de defectuoses?
52 e−5
P(X = 2) = b(2; 10000; 0,0005) ≈ P = 5(X = 2) = = 0,0842
2!
VARIABLES ALEATÒRIES CONTÍNUES

• Llei Uniforme
• Llei Exponencial
• Llei de Weibull
• Llei Normal
LLEI UNIFORME
X  U (a, b) – < a ≤ x ≤ b < 
 0 x a
 1 
 a x b  x −a
f(x) =  b − a F(x) =  a x b
 0  b−a
 e.q.a.c.
 1 x b
f(x) F(x) 1
1
b−a
0,5
a b x a b x
Característiques E(X) =
a+b
V(X) =
(b − a)2
2 12
LLEI EXPONENCIAL
X  exp () x ≥ 0;  > 0
 0 x0  0 x 0
f(x) =  −x F(x) =  −x
 e x0  1 − e x 0
f(x) 1
0,8 =1
0,6  = 0,7
0,4
 = 0,4
0,2
0
0 2 4 6 8 x10 x
1 1
Característiques E(X) = V(X) =
 2
Propietats
1 En un procés de Poisson amb una taxa de 𝜆0 arribades per unitat de temps, definim:
Y: “temps entre arribades consecutives” (o “temps fins la 1a. arribada”)
Com es distribueix Y?
Y
P(Y ≤ 𝑦 ) = 1 – P(Y > 𝑦 ) = 1 – P(en 𝑦 unitats de temps hi hagi 0 arribades) =
● X: nombre d’arribades en 𝑦 unitats de temps → 𝑋 ∼ 𝑃(𝜆𝑋 = 𝜆0 𝑦)
X 𝜆𝑋0 𝑒 −𝜆𝑋
=1−𝑃 𝑋 =0 =1− = 1 − e−𝜆0 y exp(0)
0!
y
X  P(x) Y  exp(0)
2 La llei exponencial no té memòria:
X  exp()
a, b ≥ 0 P(X > a+b | X > a) = P(X > b)
X
b
 0 x 0
a a+b F(x) =  −x
 1 − e x 0
P ( X  a + b ) e−(a+b)
P ( X  a + b|X  a) = = −a = e−b = P(X  b)
P(X  a) e
3 La suma d’exponencials independents NO és exponencial

Exemple
Es pot considerar que les avaries d’un equip tenen lloc segons una llei de
Poisson amb mitjana de 1 avaria cada 1000 hores.
1 Quina és la probabilitat de tenir, com a mínim, 2000 h sense cap avaria?

X = n. d’avaries cada hora X  P( = 0 = 0,001)
Y = temps (h) entre avaries consecutives Y  exp( = 0,001)

E(Y) = 1000h V(Y) = 1000000 h2
P(Y > 2000) = e– 0,001 2000 = 0,1353
2 Què valen l’esperança matemàtica i la variància del temps (h) fins la 5a avaria?
5
W = temps (hores) fins la 5a avaria = Yi amb Yi independents i
i=1
 5  5 
E(W) = E   Yi  = 5E(Y) = 5000 h V(W) = V   Yi  = 5 V(Y) = 5000000 h2
 i=1   i=1 
Idènticament distribuïdes Independents i idènticament distribuïdes
Llei de Weibull
X  W(; ) x, ,  > 0
: paràmetre de forma 1
f(x) =1 X  exp( = 1/)
: paràmetre d’escala 0,8
0,6
W(1; 2)

x
 −1 −   
W(0,5; 1)
0,4
f(x) =  x e x0
W(3; 2)

W(3;3)
0,2

x
−  0

F(x) = 1 − e 0 2 4 x 6
 1
E(X) =    1 + 
  
(x) =  y x −1 e − y dy
  2   1  
2 0
V(X) =      1 +  −    1 +   
2
         (x) = (x − 1)! x +
Exemple: les hores de vida d’un sistema d’alarma segueixen una llei de
Weibull amb  = 2 i  = 72.
1 E(X) =   (1 + 1/  ) = 72  (1,5 ) = 72 0,88623 = 63,81 h

x
−   100 2
− 

2 P(X > 100) = 1 − F(100) = e =e  72 
= 0,1453
el 14,53 % duren més de 100 hores

Q 
− 1 
3 1er Quartil F(Q1) = 0,25 0,25 = 1 − e    Q1= 38,62 h
el 25% fallen abans de les 38,62 hores
4 I.P. 0,90 x0,95 =  (− ln(0,95))1/ = 16,3

x0,05 =  (− ln(0,05))1/ = 124,6
P(16,3 < X < 124,6) = 0,90

LLEI NORMAL
X  N (m; 2) –≤x≤ m ℝ >0
2
1  x −m 
1 −  
2  
f(x) = e
2 
Característiques E(X) = m V(X) = 2
Si l’aleatorietat és
f(x)
N(0; 0,25) deguda a múltiples
N(0; 1) causes independents,
N(2; 1) additives i d’efectes
N(–2; 0,25) individuals molt petits
-5 0 5
x
es pot considerar que
la llei és Normal
Propietats (1/2)
1 X1 i X2 independents, 𝑋1 ∼ 𝑁 𝑚1 ; 𝜎12 ; 𝑋2 ∼ 𝑁(𝑚2 ; 𝜎22 )
Definim 𝑌 = 𝑎𝑋1 + 𝑏 𝑋2 + 𝑐. Aleshores, 𝒀 ∼ 𝑵(𝒎𝒀 ; 𝝈𝟐𝒀 ).
𝑚𝑌 = 𝐸 𝑌 = 𝑎 · 𝐸 𝑋1 + 𝑏 · 𝐸 𝑋2 + 𝑐
𝑚𝑌 ? 𝜎𝑌2 ? = 𝑎 · 𝑚1 + 𝑏 · 𝑚2 + 𝑐
𝜎𝑌2 = 𝑉 𝑌 = 𝑎2 · 𝑉 𝑋1 + 𝑏 2 · 𝑉 𝑋2
= 𝑎2 · 𝜎12 + 𝑏 2 · 𝜎22
Per extensió, si 𝑋𝑖 , (i = 1, … 𝑛) són independents, amb 𝑋𝑖 ∼ 𝑁 𝑚𝑖 ; 𝜎𝑖2 ,

i definim 𝑌 = 𝑎 + σ𝑛𝑖=1 𝑏𝑖 𝑋𝑖 : Aleshores, 𝒀 ∼ 𝑵(𝒎𝒀 ; 𝝈𝟐𝒀 ).
𝑚𝑌 ? 𝜎𝑌2 ?
Propietats (2/2)
2 Si la variable aleatòria X  N(m; 2) es centra i redueix (tipifica)
X −m
Z= Z  N(0; 1)

Z = Normal estàndard, centrada i reduïda, tipificada
La funció de distribució de Z està tabulada
Càlcul de probabilitats en una llei X  N(m; 2)

X  N(m; 2)
Z  N(0; 1)
 x −m 
P(X  x ) = P Z  
   Z
z 0
X
x
Exemple X  N(m = 25; 2 = 4)
28 − 25 
1 P(X < 28) = P  Z  
 2 
25 28 X
= P(Z < 1,5) = 0,93319
1,5 Z
Exemple X  N(m = 25; 2 = 4)
2 P(X < 21,5) =

21,5 25 X
 21,5 − 25 
= P Z   = P(Z < –1,75) =
 2 
0,04006
0,95994
– 1,75 Z 1,75 Z
= P(Z > 1,75) = 1 – 0,95994 = 0,04006
Estudi de la variabilitat X  N(m; 2)
P(m –  < X < m + ) = P(–1 < Z < +1) 68,3%
= F(1) – F(–1) = F(1) – [1– F(1)] = 0,68268 m– m m+
P(m – 2 < X < m + 2) = P(–2 < Z < +2) 95,5%
= F(2) – F(–2) = F(2) – [1– F(2)] = 0,95450

m – 2 m m + 2
P(m – 3 < X < m + 3) = P(–3 < Z < +3)

99,7%
= F(3) – F(–3) = F(3) – [1– F(3)] = 0,99730
m – 3 m m + 3
Exemple de les bateries
La durada d’un cert tipus de bateria de cotxe és Normal amb esperança

matemàtica 1250 dies i desviació tipus 150 dies
X  N ( m = 1250; 2 = 1502)
1 Un taller de reparacions decideix donar una garantia de 3 anys (de 365 dies). Quin
percentatge caldrà canviar dins la garantia?
1095 − 1250 
P(X < 3 · 365) = P(X < 1095) = P  Z  
 150 
= P(Z < –1,03) = 1 – P(Z < 1,03)

1095 1250 X
–1,03 Z
= 1 – 0,84849 = 0,15151 15,15%
2 Quina és la durada mínima que es pot garantir amb un risc d’error del 10%?
0,10 = P(X < xmin)
0,10 = P(Z < z 0,90) 0,10
xmin − 1250
xmin 1250 X −1,28 = z0,90 0 Z
150 – 1,28
xmin = 1058 dies

3 Quina probabilitat té de superar 1500 dies,una bateria que ja porta 1300 dies en
funcionament?
P(X  1500 X  1300)
P(X > 1500| X > 1300) =
P(X  1300)
P(X  1500) P(Z  1,67) 1 − 0,95254
= = =
1300 1500 X P(X  1300) P(Z  0,33) 1 − 0,62930
0,33 1,67 Z
= 0,1281
4 Quina és la probabilitat que en una partida de 10 bateries, com a màxim 2 durin

menys de 1000 dies cadascuna?
Y = n. de les que duren menys de 1000 dies d’entre les 10

0,04746
0,95254 Y  b(n = 10; p = P(X < 1000)) = b(10; 0,04746)
 10 2
1000 X
P(Y ≤ 2) = B(2;10; 0,04746) =    0,04746x  0,9525410−x
–1,67 Z x =0  x 
= 0,990027
5 Quina és la probabilitat que amb 3 bateries d’aquest tipus es tingui assegurat,

com a mínim, un funcionament de 10 anys?
3
T = temps cobert per 3 bateries = Xi Xi indep. i
i=1
T  N(1250·3; 1502·3) ≡ N(3750; 67500)
3650 T
– 0,38 Z P(T > 3650) = P( Z > – 0,38) = 0,64803
6 Quin és l’interval de probabilitat del 95% per la vida d’una bateria?
És l’interval que reparteix el risc  a parts iguals als dos extrems ( = 0,05)
1250  1,96 · 150

0,025 0,95 0,025 0,025 0,025
0,95
– z0,025 0 z0,025 Z 956 1544 X

[956; 1544]
– 1,96 1,96
X  N(m; 2)
/2 1– /2
I.P. (1 –  ) per X m  z/2 

– z/2 0 z/2 Z
m – z/2 m m + z/2 X
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
ESTADÍSTICS MOSTRALS
X: variable aleatòria mostra de X de grandària n:
{ X1; X2; . . . ; Xn }
n observacions independents
1
0,8
0,6
0,4
0,2
0,16
de la variable X
0,12
0,2
0 0,08
0 1 2 3 4 5 6 7 8
0,04
0
1 2 3 4 5 6
n variables
Distribució de X independents
i
idènticament distribuïdes
(igual que X)
Estadístics mostrals ‐ 2
X: variable aleatòria mostra de X de grandària 8
ESTADÍSTICS MOSTRALS
Valor observat de X Realització mostral min max X S2
6 {4; 3; 4; 2; 5; 1; 3; 5} 1 5 3,375 1,98
3 {6; 1; 3; 6; 4; 3; 2; 5} 1 6 3,750 3,36
2 {2; 4; 5; 5; 3; 2; 4; 3} 2 5 3,125 1,27
Variables aleatòries
Distribució?
n valors numèrics {x1, x2, ..., xn} realització mostral
X
x5 x8 x4 x3 x1 x6 x2 x7
MOSTRA ORDENADA { Y1; Y2; . . . ; Yn }
X
x5 x8 x4 x3 x1 x6 x2 x7
y1 y2 y3 y4 y5 y6 y7 y8
Yi  Yi+1, i = 1, 2, ..., n–1
{ Y1; Y2; . . . ; Yn } no són independents
Y1 = min { X1; X2; . . . ; Xn } Yn = max { X1; X2; . . . ; Xn }
Distribució?
Funció de distribució del valor màxim de la mostra
Yn = max { X1; X2; . . . ; Xn }
G(y) = P(Yn  y) independents

n
idèntica distribució y
 P(Xi  y)   P(X  y) =  FX (y)
n n
= P(X1  y  ...  Xn  y ) 
i1
Exemple
La durada d’unes bateries, en dies, és N(1250; 1502). Si se’n disposa de 5, quina
és la probabilitat que la més bona superi 1625 dies?
 
5
P max(X1 , ..., X5 )  1625  1  [F(1625)]  1  P Z  1625  1250 
5
 150 
 1  P(Z  2,5)  1  0,993795  0,0307

5
Funció de distribució del valor mínim de la mostra
Y1 = min { X1; X2; . . . ; Xn }
G(y) = P(Y1  y)
= 1 – P(Y1 > y)
y
= 1 – P(X1 > y  ...  Xn > y )
independents idèntica distribució
n
 1   P(X i  y)  1  P(X  y)  = 1  1  P(X  y) = 1  1  FX (y)
n n n
i 1
Exemple Una lluminària nadalenca té 20 bombetes en sèrie. La vida (hores) de
cadascuna és exp( = 0,0025). Quina és la probabilitat de no superar les 100 h?
Fallarà quan ho faci la bombeta de menys durada
P min(X1 , ..., X20 )  100   1  [1  F(100)]  1  e 20

  0,0025100 20
 = 0,993
MITJANA I VARIÀNCIA MOSTRALS
n
 Xi
i 1
Mitjana mostral X és una variable aleatòria
n

E(X)  E 
 Xi   E(Xi )  nE(X)  E(X)
n n n
 

V(X)  V 
 Xi    V(Xi )  nV(X)  V(X)
n n2 n2 n
 
Variància mostral
n
  Xi  X 
2
 n 2 2
n  1  
i 1 1
S 
2
 Xi  nX  és una variable aleatòria
n 1 i1 
n 2 n n 
E   Xi  2X  Xi   X 2 
 i1 i1 i1  nE(X2 )  nE(X 2 )
E(S ) 
2

n 1 n 1
 n
n 1  
 V(X)  E(X) 2  V(X)  E(X) 2 
 
 n  V(X)  V(X)   V(X)
n 1  n 
X  2
N(m;  )
Essent {X1, …, Xn} una n – mostra de X amb
n n
 Xi   Xi  X 
2
i 1 i 1
X S 2
n n 1
X i S 2 són independents
Mediana mostral: Me
És el valor central de la mostra ordenada (n senar), o la mitjana dels dos
centrals (n parell)
X X
x3 x5 x4 x1 x2 x6 x5 x4 x1 x3 x2
y1 y2 y3 y4 y5 y1 y2 y3 y4 y5 y6
y3  y 4
n = 5 Me = y3 n=6 Me =
2
Freqüència acumulada
1
0,9
Quartils: Q1, Q2, Q3 0,8
0,75
0,7
Són els valors que divideixen la 0,6
0,50 0,5
mostra en quartes parts. El segon 0,4
0,3
Q3
quartil és la mediana 0,25 0,2 Q2
0,1 Q1
0 
0 10 20 30 40 X
TEOREMA LÍMIT CENTRAL
n
Si Y =  Xi tals que X1; X2; . . . ; Xn són variables aleatòries independents
i 1
i idènticament distribuïdes, amb esperança matemàtica i variància finites,
quan n  
Y−E(Y)
N(0;1)
V(Y)
Y  N(m = E(Y); 2 = V(Y))
E(Y) = n E(X) V(Y) = n V(X)
Exemples
1 Siguin X1; . . . ; Xn independents tals que Xi  b(nx; p) E(X) = nx p V(X) = nx p(1‐p)

n
Y =  Xi b(n  nx ; p) E(Y) = n E(X) V(Y) = n V(X)
i=1
si n és suficientment gran aprox.
Y  
 N m  E(Y); 2  V(Y) 
0,1
Xi  b(n = 2; p = 0,8)
50
Y Xi ~b(100; 0,8) N(80; 16)
0,05
i=1
0
50 60 70 80 90 Y 100
2 Siguin X1; . . . ; Xn independents tals que Xi  P() E(X) =  V(X) = 
n
Y  Xi Poisson  Y  n  E(Y) = n V(Y) = n
i 1
si n és prou gran aprox.

Y   
 N m  n ; 2  n  
0,08
X  P( = 0,5)
70
Y Xi ~P(λ=35) N(35; 35)
0,04
i=1
0
0 10 20 30 40 50 60 Y 70
3 Siguin X1; . . . ; Xn independents tals que Xi  exp() E(X) = 1/ V(X) = 1/2
n
Y =  Xi G(n; 1/  ) E(Y) = n/ V(Y) = n/2
i=1
 n 2 n 
aprox.
si n és prou gran  Nm  ;   2 
Y 
   
0,005
X  exp( = 0,1)
0,004 N(1000; 10000)
100
0,003
Y Xi ~G(100; 10)
0,002
i=1
0,001
0
500 750 1000 1250 Y 1500
n
4 Llançaments dau x 1 2 3 4 5 6
Y=  Xi
p(x) 0,4 0,15 0,1 0,05 0,05 0,25 i=1
0,5
0,4
0,3
0,2 0,1
0,2
0,1 0,15
n = 5 n = 8
0 0,1 0,05
1 2 3 4 5 6
0,05
0,5
0
0,4 n = 2 0
5 10 15 20 25 30 8 16 24 32 40 48
0,3
0,2
0,1 0,1
0,1
0
2 3 4 5 6 7 8 9 10 11 12
n = 6 n = 9
0,05 0,05
0,2
0,15 n = 3
0 0
0,1 6 12 18 24 30 36 9 18 27 36 45 54
0,05
0
3 6 9 12 15 18 0,1 0,08
0,2
n = 7 n = 10
0,15 n = 4 0,05 0,04
0,1
0 0
0,05
7 14 21 28 35 42 10 20 30 40 50 60
0
4 8 12 16 20 24
Correcció per continuïtat (v.a. DISCRETA)
p(y)
x 1 2 3 4 5 6 0,08
10
p 0,4 0,15 0,1 0,05 0,05 0,25
Y=  Xi
i=1
P(34 ≤ Y ≤ 36) = p(34) + p(35) + p(36) 0,04
= 0,122370 = F(36) – F(33)
0
E(X) = 2,95 V(X) = 4,2475 10 20 30 40 50 Y 60
10
aprox. TLC Y=  i   N( my; 2y)
X aprox .
i= 1 Indep.
 10  10  10  10
m y = E   Xi    E(X i )  10  2,95  29,5  2y = V   Xi    V(X i )  10  4,2475  42,475
 i=1   i=1 
  i=1   i=1
 10   10   33,5  29,5 36,5  29,5 

P  34   Xi  36   
P 33,5  i X  36,5   P   Z  
 i1   i1   42,475 42,475 
 P(0,614  Z  1,074)  0,85860  0,73031  0,12829

Estadisitica Powerpoint Parcial PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadisitica Powerpoint Parcial PDF

Uploaded by

Copyright:

Available Formats

LESTAD

Quartils: Q1, Q2 i Q3

Amplitud (recorregut): R R = xmax − xmin

n = 45 n = 45 n = 45

n = 100 n = 100 n = 100

Classe E.I. E.S. ni

Desv tip 14,368 53,755

Experiència: procediment amb el qual s’obté un element  d’un conjunt ,

Esdeveniment: subconjunt de  d'interès per a l’experimentador

Si A i B són esdeveniments A  B i A  B també ho són

llançament d’un dau:  = {1, 2, 3, 4, 5, 6} A = parell = {2, 4, 6} B = múltiple de 3 = {3, 6}

Ω és l’esdeveniment cert, segur

PROBABILITAT: mesura de quant fàcil o difícil és que passi cert esdeveniment

Atès que   A   0  P(A)  1

P(AB) = P(A) + P(B) - P(AB)

Espais finits: el conjunt  és finit

Sigui N el seu cardinal, i i els seus elements

nombre d'elements de A casos favorables

1 Quina és la probabilitat d’obtenir un resultat parell en llançar un dau

La probabilitat de A condicionat per C es defineix com

Conseqüència: P(AC) = P(A) · P(C|A) = P(C) · P(A|C)

A i B són independents si P(A|B) = P(A)

P(B|A) = P(B) P(AB) = P(A) · P(B)

Incompatibles: NO Incompatibles: NO Incompatibles: SI

Probabilitat Total Si P = {Bi, i = 1, …, n} és una partició de 

0,30 K Si no ha trobat caravana, quina és la

4 3/21 18/21 0,3

5 2/21 20/21 0,1

P(3 ≤ X ≤ 6) = F(6) – F(2) = 0,50 P(3 ≤ X < 6) = F(5) – F(2) = 0,45

Exemple k(x  2)9 si 2  x  3

 0,5  5(4  u)9

0,5  3 5(4  u) du  1  0, 5(4  x) 3x 4 4

< 0,5  2 ≤ x < 3

0,975 =F(x0,025) = 1 – 0,5 (4 – x0,025)10  x0,025 = 3,2589

> 0,5  3 ≤ x < 4 0,25

P(2,7411 < X < 3,2589) = 0,95 X0,975

v.a. discreta E(X)   x p(x)

v.a. contínua E(X)   x f(x) dx

f(x) p(x) 0,3

v.a. contínua E g(X)   g(x) f(x) dx

discreta E  X2    x2 p(x) contínua E  X2    x2 f(x) dx

V(X)  x  E(X) p(x)

V(X)   x  E(X) f(x) dx

DESVIACIÓ TIPUS desviació típica, desviació estàndard D(X)   V(X)

V(c)  E  c  E(c)    E (c  c)2   0

4 V(aX + c) = a2 V(X) a, c  

V(aX  c)  E  (aX  c)   aE(X)  c    E a2  X  E(X)    a2 V(X)

Propietat: Si la distribució és simètrica i contínua E(X) = Me

0,25 =F(Q1) = 0,5 (Q1 – 2)10  Q1 = 2,9330

0,75 =F(Q3) = 1 – 0,5 (4 – Q3)10  Q3 = 3,0670

> 0,5  3 ≤ x < 4

f(x, y) = 8xy 0 ≤ y ≤ x ≤ 1

distribució marginal de X: P  X  xi    pij  pi

Propietat: –1 ≤ XY ≤ 1

X, Y indep f(x, y) = f(x) f(y)  x, y X, Y indep pij = pi• p•j  i, j

5 Y = aX + b XY = signe(a) ∙ 1 2XY  1

V(aX + bY + c) = a2 V(X) + b2 V(Y) + 2 a b CoV(X, Y)

E(XY) = E(X) E(Y) CoV(X, Y) = 0 XY = 0

V(aX + bY + c) = a2 V(X) + b2 V(Y)

VARIABLES ALEATÒRIES DISCRETES

V(X) = E(X2 ) − (E(X) )

E(X) = 8,2 E(X2) = 91,2 V(X) = 23,96 E(X) = 6 E(X2) = 38 V(X) = 2

es realitzen n experiències independents