Professional Documents
Culture Documents
Estadisitica Powerpoint Parcial PDF
Estadisitica Powerpoint Parcial PDF
ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Estadística descriptiva ‐ 1
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 2
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 3
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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) j1
nj r
Frequència relativa f1, f2, ..., fj, ..., fr fj
n
fj 1
(frequència) j1
j
Frequència acumulada (valors ordenats) Fj fk
k 1
Estadística descriptiva ‐ 4
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Variable quantitativa: característiques mostrals
Característiques de tendència central
n r
xi
j1
nj x j
i1
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
Moda: Mo valor de la variable de màxima freqüència
Classe modal: classe amb màxima freqüència
Estadística descriptiva ‐ 5
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Variable quantitativa: característiques mostrals
Característiques de dispersió
n n 2
(xi x) 2
n
xi
Variància: S2 S2 i1 i1 x 2
n 1 n 1 n
Desviació tipus: S S S2
Estadística descriptiva ‐ 6
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
ANÀLISI GRÀFICA
Variable qualitativa Variable quantitativa discreta
30
25
20
Diagrama de barres 15
10
Variable quantitativa contínua
Histograma
Estadística descriptiva ‐ 7
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 8
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 9
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 10
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Exemple: nombre d’avaries setmanals
=AVERAGE(A1:A10)
=VAR(A1:A10)
=DESVEST(A1:A10) / STDEV(A1:A10)
=MEDIANA(A1:A10) / MEDIAN(A1:A10)
Estadística descriptiva ‐ 11
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 12
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 13
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
Estadística descriptiva ‐ 14
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Exemple: Contaminació en un aliatge de metall lleuger (% de contaminant)
0
1 2,5 4 5,5 7 8,5 10 11,5 13 14,5 16
%
Estadística descriptiva ‐ 15
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
● 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
Estadística descriptiva ‐ 16
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Tipus d’histogrames
acampanat
bimodal
pla
asimètric
Estadística descriptiva ‐ 17
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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 descriptiva ‐ 18
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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) i1 i1 x y
n1 n1 n
… …
xn yn
CoV
Coeficient de correlació r
sx s y
Estadística descriptiva ‐ 19
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
Recta de regressió mínim − quadràtica
y
y = a + b x
yi
ei
n
i minim
e 2
´
i1
xi x sy
br
sx
a y bx
Estadística descriptiva ‐ 20
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
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
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
Estadística descriptiva ‐ 21
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadística descriptiva
●Seleccionar A2 – B10
● “Insertar Gráfico – XY (Dispersión) (1,1)”
● “Finalizar”
● Clicar botó dret sobre un punt del gràfic
Estadística descriptiva ‐ 22
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Probabilitat - 1
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
1
2 2
3 4
3
4 5 4 6 6
6
Probabilitat - 2
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Si A és un esdeveniment A també ho és
Ω
A A
AB AB
Ω Ω Ω
A B
Ω
Si A B = A i B són incompatibles A
B
Ω
Si A B A implica B A
B
= Ω és l’esdeveniment impossible
Probabilitat - 4
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Ω
P(Ω) = 1 1
Ω
A
Si A B = P(AB) = P(A) + P(B)
B
Probabilitat contrària
Ω
P(A) = 1 − P(A) A
A
P() = 0
Probabilitat - 5
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Ω
Si A B P(A) P(B) A B
An A1
𝑖=1
en aquest cas, 𝑛 A2
···
𝑃 𝐴𝑖 = 1 An
𝑖=1
Probabilitat - 6
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Si són equiprobables:
P(i) =1/N i
Probabilitat - 7
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
Exemples
= {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
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
PROBABILITAT CONDICIONAL Ω
Se sap que s’ha realitzat l’esdeveniment C. C
Aquesta informació modifica (condiciona) la probabilitat dels A
altres esdeveniments
P(A C)
També P ( C|A ) =
P(A)
Probabilitat - 9
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
INDEPENDÈNCIA
INCOMPATIBILITAT I INDEPENDÈNCIA
Ω Ω Ω
B B B
A A
A
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
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Probabilitat
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
Probabilitat - 12
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
LESTAD ESEIAAT ESTADÍSTICA
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
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
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
Variable i vector aleatoris ‐ 3
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 4
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
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
Variable i vector aleatoris ‐ 6
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 7
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 8
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
2 Què val F(x)?
x
0 x 2
x
5(u 2)9 du 0,5(x 2)10 2x3 F(x)
2 1
F(x) x
3
0,75
1 x4
0,25
0
x
1,5 2 2,5 3 3,5 4 4,5
Variable i vector aleatoris ‐ 9
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
2x3 5
1 3
x4
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
0,025 x
0
1,5 2 2,5 3 3,5 4 4,5
Variable i vector aleatoris ‐ 10
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
CARACTERÍSTIQUES
ESPERANÇA MATEMÀTICA
mesura de tendència central
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
Variable i vector aleatoris ‐ 11
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
0,2
0,1
0
x 0 1 2 3 4 5 6 7 8 9 x
E(X) E(X)
Variable i vector aleatoris ‐ 12
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Exemple: g(X) = X2 E[g(X)] = E[X2]
Propietats de l’esperança matemàtica
1 E(c) = c c
2 E(aX + c) = a E(X) + c a, c
Variable i vector aleatoris ‐ 13
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
VARIÀNCIA mesura de dispersió
Variància de X = V(X) = E[X – E(X)]2
Variable i vector aleatoris ‐ 14
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
Propietats de la variància
1 V(X) ≥ 0
evidentment, ja que és l’esperança matemàtica d’una funció positiva
2 V(c) = 0 c
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
Variable i vector aleatoris ‐ 15
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 16
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 17
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 18
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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 x2 1
0,5(x 2) 2x3
0,75
10
F(x) 0,5
1 0,5(4 x) 3x4
10
0,25
1 x4
x
0
1,5 2 2,5 Q13 Q3 3,5 4 4,5
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)
Variable i vector aleatoris ‐ 20
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 21
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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)
y
1 x
0 0 8xy dy dx 1
x
y x
Variable i vector aleatoris ‐ 22
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
DISTRIBUCIONS MARGINALS: Vector aleatori discret
distribució marginal de Y:
P Y yj pij p j
i
Y X 0 1 2 3 4 pj
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 pj
0
1
2
3 0 1 2 3 4 X 0 1 2 Y
X 4
Variable i vector aleatoris ‐ 23
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 24
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 25
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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)
INDEPENDÈNCIA
X i Y són independents defineixen esdeveniments independents
Variable i vector aleatoris ‐ 26
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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
Variable i vector aleatoris ‐ 27
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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)
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
Variable i vector aleatoris ‐ 28
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
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(X + Y) = V(X – Y) = V(X) + V(Y)
Variable i vector aleatoris ‐ 29
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Variable i vector aleatoris
=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
Variable i vector aleatoris ‐ 30
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Lleis de probabilitat - 2
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
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
Lleis de probabilitat - 3
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
LLEI BINOMIAL
Condicions
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
Lleis de probabilitat - 4
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
Lleis de probabilitat - 5
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
Lleis de probabilitat - 6
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Exemple
Una màquina fa un 2,5% de peces defectuoses.
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
Lleis de probabilitat - 7
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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) 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
25 25
V X(6) i = V(X(6) i ) = 25(6 0,025 0,975) = 3,656
i =1 i =1
Lleis de probabilitat - 8
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
5 Quina és la probabilitat que agafant 6 peces de cada màquina se’n tingui, com a
màxim, 1 de defectuosa?
Lleis de probabilitat - 9
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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 = k0
Lleis de probabilitat - 10
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
Lleis de probabilitat - 11
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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.
0,93 e−0,9
P(X = 3) = F = 0,9(3) – F = 0,9(2) = = 0,0494
3!
Lleis de probabilitat - 12
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
LLEI DE POISSON
Llei dels fenòmens rars: límit de la llei binomial
lim b(n; p) = P() = np
n→
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!
Lleis de probabilitat - 13
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Lleis de probabilitat - 14
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
Lleis de probabilitat - 15
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
LLEI EXPONENCIAL
X exp () x ≥ 0; > 0
0 x0 0 x 0
f(x) = −x F(x) = −x
e x0 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
Lleis de probabilitat - 16
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
X 𝜆𝑋0 𝑒 −𝜆𝑋
=1−𝑃 𝑋 =0 =1− = 1 − e−𝜆0 y exp(0)
0!
y
X P(x) Y exp(0)
Lleis de probabilitat - 17
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
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.
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 = 5E(Y) = 5000 h V(W) = V Yi = 5 V(Y) = 5000000 h2
i=1 i=1
Idènticament distribuïdes Independents i idènticament distribuïdes
Lleis de probabilitat - 19
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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 x0
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
Lleis de probabilitat - 20
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Exemple: les hores de vida d’un sistema d’alarma segueixen una llei de
Weibull amb = 2 i = 72.
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
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
Lleis de probabilitat - 22
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Propietats (1/2)
1 X1 i X2 independents, 𝑋1 ∼ 𝑁 𝑚1 ; 𝜎12 ; 𝑋2 ∼ 𝑁(𝑚2 ; 𝜎22 )
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
𝑚𝑌 ? 𝜎𝑌2 ?
Lleis de probabilitat - 23
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Propietats (2/2)
X −m
Z= Z N(0; 1)
Lleis de probabilitat - 24
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Z N(0; 1)
x −m
P(X x ) = P Z
Z
z 0
X
x
28 − 25
1 P(X < 28) = P Z
2
25 28 X
= P(Z < 1,5) = 0,93319
1,5 Z
Lleis de probabilitat - 25
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
21,5 − 25
= P Z = P(Z < –1,75) =
2
0,04006
0,95994
– 1,75 Z 1,75 Z
Lleis de probabilitat - 26
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Lleis de probabilitat - 27
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
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
Lleis de probabilitat - 28
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
2 Quina és la durada mínima que es pot garantir amb un risc d’error del 10%?
xmin − 1250
xmin 1250 X −1,28 = z0,90 0 Z
150 – 1,28
Lleis de probabilitat - 29
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
Lleis de probabilitat - 30
LESTAD − ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Lleis de Probabilitat
És l’interval que reparteix el risc a parts iguals als dos extrems ( = 0,05)
X N(m; 2)
/2 1– /2
m – z/2 m m + z/2 X
Lleis de probabilitat - 31
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
LESTAD ESEIAAT ESTADÍSTICA
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
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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?
Estadístics mostrals ‐ 3
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
Distribució?
Estadístics mostrals ‐ 4
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
Funció de distribució del valor màxim de la mostra
Yn = max { X1; X2; . . . ; Xn }
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
Estadístics mostrals ‐ 5
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
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
Estadístics mostrals ‐ 7
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
Variància mostral
n
Xi X
2
n 2 2
n 1
i 1 1
S
2
Xi nX és una variable aleatòria
n 1 i1
n 2 n n
E Xi 2X Xi X 2
i1 i1 i1 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
Estadístics mostrals ‐ 8
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
Estadístics mostrals ‐ 9
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
Estadístics mostrals ‐ 10
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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)
E(Y) = n E(X) V(Y) = n V(X)
Estadístics mostrals ‐ 11
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
Exemples
0
50 60 70 80 90 Y 100
Estadístics mostrals ‐ 12
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
n
Y Xi Poisson Y n E(Y) = n V(Y) = n
i 1
0
0 10 20 30 40 50 60 Y 70
Estadístics mostrals ‐ 13
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
n
Y = Xi G(n; 1/ ) E(Y) = n/ V(Y) = n/2
i=1
n 2 n
aprox.
si n és prou gran Nm ; 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
Estadístics mostrals ‐ 14
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
Estadístics mostrals ‐ 15
LESTAD ESEIAAT ESTADÍSTICA
M. Albareda I. Algaba S. Casadesús A. Jurado M. Pepió Estadístics mostrals
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
Estadístics mostrals ‐ 16