Ub Calvo: Estadística - Grau Bioquímica Tema 4. Models Discrets

B
vo U
Estadística – Grau Bioquímica
Tema 4. Models discrets
al a -
l C tic
ue ís
Miquel Calvo - Departament d’Estadística
iq ad
M st E
t.
Introducció:
ep
variables aleatòries, funcions de

densitat i de distribució discretes
D
Miquel Calvo - Departament d’Estadística 2
1
Definició de variable aleatòria
 una variable aleatòria és una aplicació de Ω en el conjunt dels reals.

𝑋: Ω → ℝ
B
𝜔↦𝑋 𝜔
 cada esdeveniment elemental s’associa a un número real.
vo U
 el conjunt de valors numèrics que pot tenir una variable rep el nom de
recorregut de la variable i es designa amb X(Ω).
 els esdeveniments elementals queden substituïts per valors numèrics que
al a -
permeten un millor tractament matemàtic.
 la variable és aleatòria ja que el seu valor final depèn d'un fenomen aleatori que
es presenta amb una determinada probabilitat
l C tic
 per uns mateixos resultats d'un experiment es poden construir diferents regles
d'assignació de valors numèrics als elements.
ue ís
iq ad
M st
Exemple 1: cares d’un dau regular

E
 definim la següent regla d'assignació quan es llança 1 dau:
X = “assignar a cada llançament els punts de la cara obtinguda”

t.
X=1 X=4
ep
X=2 X=5
X=3 X=6
D
 el recorregut és X(Ω) = {1, 2, 3, 4, 5, 6}

 per tot k de X(Ω) p(X = k) = 1/6
 també es poden calcular probabilitats en intervals:
• p(X ≤ 2) = 2/6
• p(X ≥ 7) = P{Ø} = 0

2
Exemple 2: llançament de 2 daus
 definim la següent regla d'assignació (numèrica) als resultats del llançament de 2 daus:
X = “assignar a cada resultat la suma de punts de les 2 cares”
B
 aquesta v.a. representa cada esdeveniment elemental per un valor numèric.
vo U
 els 36 possibles resultats corresponen ara a 11 possibles valors numèrics
al a -
X(Ω) = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
 les probabilitats dels esdeveniments observables permeten calcular les dels resultats de X:
 P(X =10) = P("Que la suma sigui 10“) = 1/12.
 P(X ≤ 1) = P{Ø} = 0 (cap resultat té assignat un valor menor o igual a 1)

l C tic
 P(X ≤ 2) = P{
 P(X ≤ 3,5) = P{
} = 1/36 (només un cas té assignat un valor menor o igual a 2)
valor menor o igual a 3,5)

} = 3/36 = 1/12 (3 resultats elementals tenen assignat un
ue ís
iq ad
M st
Més sobre el llançament de 2 daus

E
 Quines son les probabilitats següents (X=suma de les puntuacions)?
(a) P(X ≤ 6) ; (b) P(X ≤ 8,2) ; (c) P(X ≤ 12) ; (d) P(X ≤ 20) ; (e) P(2,2 < X ≤7)
t.
 La variable “suma de les cares” és només una de las múltiples variables que es poden
definir sobre l’experiment associat a llançar 2 daus.
ep
 un altre exemple és la variable Y associada a "Assignar a cada resultat el menor dels

punts de les dos cares".
D
 el recorregut és en aquest cas: Y(Ω) ={ 1, 2, 3, 4, 5, 6}.
3
Classificació de les variables aleatòries
Variables aleatòries discretes
 recorregut finit o infinit numerable. El recorregut es denota com:
B
X(Ω) = {x1, x2, ... ,xk, ...}
vo U
 generalment associades a experiments on es compta el nombre de vegades que s'ha
presentat un esdeveniment.
al a -
Variables aleatòries continues
 recorregut associat a un interval real o a la reunió de dos o més intervals.

 generalment associades a experiments on la v.a. mesurada pot prendre un valor qualsevol
l C tic
en un interval real: mesures biomètriques, concentracions, intervals de temps, àrees, etc.
ue ís
iq ad
M st
Distribució uniforme discreta: funció de densitat

E
 el model discret més simple: tots els resultats possibles tenen la mateixa probabilitat
 exemple: punts de les cares d’un dau regular: p(X = 1) = p(X = 2)=…= p(X = 6)=1/6
t.
 en general, si X(Ω) = {x1, x2, ... ,xk, ..., xn}, aleshores, per tot k: p(X = xk) = n-1
ep
 si X verifica aquest model es diu que segueix una distribució Uniforme Discreta, s'abreuja
X ~ UD(n)
 en general en els models discrets, les probabilitats dels valors del recorregut s’estableixen
mitjançant una funció que associa cada element de X(Ω) amb la seva probabilitat.
D
 aquesta funció rep el nom de funció de densitat (o de massa, o de llei de probabilitat) de

la v.a. discreta. En el model uniforme assigna les probabilitats amb la regla següent:
f(x1) = p[X = x1] = n-1
f(x2) = p[X = x2] = n-1
…..
f(xn) = p[X = xn] = n-1
4
Funció de densitat uniforme discreta UD(6)
La funció de densitat és:
B
f (x) = 1/6 si x  {1,2,3,4,5,6}
f (x) = 0 si x{1,2,3,4,5,6}
vo U
al a -
l C tic
ue ís
iq ad
M st
Funció de distribució uniforme discreta UD(6)

E
Si la pregunta plantejada és “quina és la probabilitat d’obtenir un resultat inferior o igual

a ...”, resulta la funció de distribució:
F(x) = 0 si x < 1
t.
F(x) = 1/6 si 1 ≤ x < 2

ep
F(x) = 2/6 si 2 ≤ x < 3

…. ….
F(x) = 1 si x  6
D
5
Funció de densitat dels models discrets
 la funció de densitat es defineix com:
𝑓: ℝ → 0 , 1
B
𝑥↦𝑓 𝑥 𝑝 𝑋 𝑥 𝑝 𝜔 ∈ Ω|𝑋 𝜔 𝑥
 f és nulꞏla en tot punt que no pertany a X(Ω)
vo U
 tota funció de densitat discreta es pot explicitar mitjançant una taula que associí
directament punts de X(Ω) amb les seves probabilitats
 Propietats de la funció de densitat discreta
al a -
1. 0  f ( x)  1
n
2.  f ( x )  1, si el recorregut és finit
i 1
i
 f ( x )  1, si el recorregut és numerable
l C tic 3.
i 1
i
 Exemple annex: quina és la funció de densitat de X = suma puntuacions dels dos daus?
ue ís
iq ad
M st
Funció de distribució dels models discrets i continus

E
 una variable aleatòria queda totalment caracteritzada quan es determina la probabilitat en

qualsevol interval de la recta real.
t.
 el recorregut d'una v.a. pot ser molt gran (fins i tot infinit), usualment es caracteritza
mitjançant la definició de funcions matemàtiques.
ep
 la més general d'aquestes funcions és la funció de distribució:
𝐹: ℝ → 0 , 1
𝑥↦𝐹 𝑥 𝑝 𝑋 𝑥 𝑝 𝜔 ∈ Ω|𝑋 𝜔 𝑥
D
 tota variable aleatòria té associada una funció de distribució. Es coneix el model de

probabilitat de la v.a. indicant que es coneix la distribució de la variable aleatòria.
 Propietats destacables: 0 ≤ F(x) ≤1 si x1 < x2 F(x1) ≤ F(x2)
6
Funció de distribució discreta vs contínua
B
vo U
al a -
l C tic
ue ís
iq ad
M st
Models discrets: relació entre densitat i distribució

E
 la funció de distribució en un punt qualsevol es pot calcular acumulant els valors de la

funció de densitat per a tots els valor de X(Ω) menors o iguals al punt en qüestió
F ( x)   f ( xi ) per a tot xi  X ()

t.
xi  x
ep
 en termes simbòlics, si X(Ω) = {x1,x2,...,xk,...} i x és tal que
xi ≤ x < xi+1
aleshores
D
F (x) = P(X ≤ x) = P(X = x1) + P(X = x2) + ... + P(X = xi) = f (x1) + f (x2) + f (x3) + ... + f (xi)
 mitjançant F i f és possible calcular les probabilitats per a qualsevol interval real.
7
Valor mig en el model uniforme discret
 suposem que es llança 10 cops el dau, obtenint el resultat:
x1 = 3, x2 = 5, x3 = 6, x4 = 5, x5 = 1, x6 = 5, x7 = 2, x8 = 3, x9 = 2, x10 = 1
B
 la mitjana mostral dels 10 llançaments seria doncs igual a
vo U
3  5  6  5 1 5  2  3  2 1
X 10   3.3
10
suposem que es fa una sèrie. Els resultats que s’han obtingut son (ordenats); n1 vegades 1
al a -
punt, n2 vegades 2 punts, etc., n6 vegades 6 punts. Quina és l’expressió de la mitjana?
n11  n2 2  n3 3  n4 4  n5 5  n6 6
XN  ?
N
l C tic
 Què podem conjecturar per una sèrie molt llarga de llançaments (N) ?
ue ís
iq ad
M st
Esperança d’una variable aleatòria discreta

E
 l'esperança matemàtica d'una v.a. és una característica numèrica que informa sobre la
localització de la variable aleatòria sobre la recta real. És un paràmetre de centralització.
 definició: si X és discreta amb X(Ω) ={x1, x2, ... ,xk, ...} i densitat f (x)
t.
E( X )   x f (x )
xi  X (  )
i i
ep
 si X(Ω) és infinit, l'esperança existeix només si la sèrie és absolutament convergent.
 E(X) correspon al valor mig teòric de tots els possibles valors del recorregut, ponderats
d'acord a la seva probabilitat. És un valor constant.
D
 també es pot interpretar E(X) com el centre de gravetat dels valors de la v.a associant una
massa proporcional a la funció de densitat.
 quina és l’esperança de
 variable aleatòria X = suma de les puntuacions dels dos daus? (veure annex)
 guany jugant 10€ a un sol nombre a la ruleta? (es guanyen 350€+10€ si s’encerta)
8
Variància
 la variància d'una v.a. quantifica la dispersió respecte a la seva esperança. És un

paràmetre de dispersió. La definició és:
B
var( X )  E[( X  E ( X )) 2 ]
i és la mitjana teòrica de las desviacions al quadrat dels diferents valors que pren la variable
vo U
respecte al seu valor mig teòric o esperança.
 en el cas de las variables discretes l'expressió es converteix en:
 x  E ( X ) 
al a -
2
var( X )  i f ( xi )
xi  X (  )
 una expressió equivalent més ràpida de calcular és:

2
 
l C tic var( X )  E ( X )  ( E ( X ))   x f ( xi )    xi f ( xi ) 
2 2
xi  X (  )
2
i
 xi  X (  ) 
ue ís
iq ad
M st
Exemple de càlcul de variància discreta

E
• per la variable "puntuació d'un dau", la variància és:

t.
E(X)=1 ꞏ 1/6 + 2 ꞏ 1/6 + 3 ꞏ 1/6 + 4 ꞏ 1/6 + 5 ꞏ 1/6 + 6 ꞏ 1/6 = 3,5
E(X2)=12 ꞏ 1/6 + 22 ꞏ 1/6 + 32 ꞏ 1/6 + 42 ꞏ 1/6 + 52 ꞏ 1/6 + 62 ꞏ 1/6 = 91/6 ≈ 15,167

ep
Var (X) = 91/6 - 3,52 = 35/12 ≈ 2,9167

D
9
B
vo U
Models discrets més habituals
al a -
l C tic
ue ís
iq ad
M st
El model Binomial
E
 el model Binomial es presenta en experiències repetitives amb resultat dicotòmic on es

compta si s'ha produït un cert esdeveniment A (per ex., A="cara" al llançar una moneda).
 una variable aleatòria X segueix el model binomial si es presenten les següents condicions:
t.
1. l’experiment consisteix globalment en la repetició de n experiments idèntics simples

2. en cadascun dels experiments simples s’observa només l’esdeveniment A o AC
ep
3. la probabilitat de l’esdeveniment A no canvia al llarg de les n repeticions. Es designa

usualment prob(A) = p i prob(AC) = q
4. X comptabilitza el nombre de vegades que s’ha observat A en les n repeticions
D
 el model queda totalment especificat si es coneixen els valors de:

1. n = nombre repeticions de l'experiència aleatòria en condicions independents.
2. p = la probabilitat prob[A].
la distribució binomial depèn només dels 2 paràmetres n i p X ~ B ( n ; p )
10
Propietats del model Binomial (1)
0 si k  0
 n  k nk

  p (1  p ) si k  0,1,  n  k 
 k   n
B
f (k )  P[ X  k ]   F (k )  P[ X  k ]     p i (1  p ) n i si 0  k  n
  i 0  i 
0 en cas contrari 

 1 si k  n

vo U
al a -
l C tic
ue ís
iq ad
M st
Exemples de model Binomial

E
Accedir a la URL http://cinna.upc.edu:3838/statmedia/Statmedia_2/

t.
ep
D
11
Binomial: exemple llançament moneda
• si llancem una moneda 4 cops, el nombre de cares que podem obtenir és:
k = núm. Cares Casos
0 ++++
B
1 +++c ++c+ +c++ c+++
2 ++cc +c+c +cc+ c++c c+c+ cc++
3 ccc+ cc+c c+cc +ccc
4 cccc
vo U
 el número de casos per cada k ( k = 0, 1, 2, 3, 4 ) es pot calcular com el nombre de
permutacions amb repetició de 4 elements agafats de k y 4-k (=num. combinatori 4 sobre k.)
 4 4!
  
 k  k!( 4  k )!
al a -
 finalment, atès que tots els casos elementals tenen la mateixa probabilitat (0,0625):
k = núm. Cares Núm. Casos Prob[X=k]
0 1 0,0625
 4  4
f (k )    0.5k (1  0.5) 4k   0.54
l C tic k
  k 
1
2
3
4
4
6
4
1
0,2500
0,3750
0,2500
0,0625
ue ís
iq ad
M st
Propietats del model Binomial (2)

E
1) E(X)= n p
2) Var(X) = n p (1-p)
t.
3) una B(1, p) correspon a la distribució de Bernouilli

ep
4) la suma de dos variables aleatòries Binomials independents de mateix paràmetre p

segueix una distribució Binomial:
D
X1 ~ B ( n = n1 ; p = p0 ) i X2 ~ B ( n = n2 ; p = p0 )
si Z = X1 + X2 ,
Z ~ B ( n = n1 + n2 ; p = p0 )
12
Exemple: probabilitats de grups sanguinis
 es considera els 4 grups sanguinis clàssics. Suposem coneguda la freqüència dels 4 grups
dins la població de donants:
B
Grup O A B AB
vo U
Freqüència 45% 40% 10% 5%
 a un banc de sang arriben 8 donants
al a -
1. Calen 5 donants del grup O, quina és la probabilitat de satisfer aquesta necessitat?
2. quina és la probabilitat de cap dels 8 donants sigui AB?
3. Què és més probable, que dels 8 donants exactament 2 siguin A o que menys de 6
siguin O?
l C tic
4. Igual que la 1, però amb la informació afegida que els 2 primers donants que
arriben són O i B, respectivament.
ue ís
iq ad
M st
El model Binomial negatiu

E
 el model Binomial negatiu es presenta també en experiències amb resultat dicotòmic (el
resultat només pot ser A o Ac).
 es pot reconèixer que una variable aleatòria X segueix el model binomial negatiu si es
presenten les següents condicions en l’experiment aleatori:
t.
1. l’experiment globalment consisteix en la repetició d’un mateix experiment simple

ep
2. en cadascun dels experiments simples, s’observa només un determinat

esdeveniment A i el seu contrari, AC
3. la probabilitat de l’esdeveniment A no canvia al llarg de les repeticions. Es designa
usualment prob(A) = p i prob(AC) = q
D
4. la variable X comptabilitza el nombre de vegades que succeeix Ac fins que s’ha

observat r cops A.
 El model binomial queda totalment especificat si es coneixen els valors de:

1. r : nombre de vegades que cal observar A en condicions independents.
2. p : la probabilitat prob[A].
la distribució binomial negativa es denota amb X ~ BN ( r ; p )
13
Propietats del model Binomial negatiu
 k  r  1 r 1) E(X)= r (1-p) / p.
  p (1  p) k si k  0,1,2 
r  1 

f (k )  P[ X  k ]   2) Var(X) = r (1-p) / p2
B
 0 en cas contrari

 3) Quan r=1 és la distribució geomètrica
vo U
al a -
l C tic
ue ís
iq ad
M st
Model Binomial Negatiu: exemples

E
• en llançar successivament una moneda quina és la probabilitat de
• obtenir 10 creus abans d’aconseguir 4 cares:

 ? ? 1 ?
f (10)    ? (1  ?)  0.0175
?
t.
 ? 1 
• obtenir menys de 3 creus abans d’aconseguir 4 cares

ep
?
 ?  ?  1 ?
P("menys de 3 creus abans de 4 cares")  F(?)     ? (1  ?)  0.3437
?
k ?  ?  1 
 amb la mateixa distribució dels grups sanguinis que abans, quina és la probabilitat de
 obtenir 5 donants de qualsevol grup no A abans de 3 del grup A
D
 ? ? 1 ?
f (?)    ? (1  ?)  0.1045
?
 ? 1 
 obtenir més de 5 donants de qualsevol grup no O abans de 2 del grup O

?
 ? ? 1 ?
1  F (?)  1     ? (1  ?)?  0.1024
k  ?  ? 1 
14
El model Multinomial
 el model Multinomial es presenta en experiències amb resultat politòmic: el resultat de cada

observació és un dels atributs del conjunt A1, A2 ,..., Ar.
B
 es pot reconèixer que una variable aleatòria X segueix el model multinomial si es presenten
les següents condicions en l’experiment aleatori:
1. l’experiment consisteix globalment en la repetició de n experiments idèntics simples
vo U
2. en cadascun dels experiments simples, s’observa un dels A1, A2 ,..., Ar esdeveniments.
3. les probabilitats dels esdeveniments A1, A2 ,..., Ar no canvien al llarg de les n
repeticions. Es designen amb prob(Ai) = pi
al a -
4. X comptabilitza el nombre de vegades que s’ha observat cada Ai en les n
repeticions. És doncs un vector de freqüències, on la seva suma val n
 El model multinomial queda totalment especificat si es coneixen els valors de:
1. n : nombre repeticions de l'experiència aleatòria en condicions independents.
l C tic
2. p=(p1, p2, ...,pk) : el vector de les probabilitats prob[Ai].
la distribució depèn només dels paràmetres n i p X ~ M ( n ; p )
ue ís
iq ad
M st
Propietats del model Multinomial

E
n!
f ( k1 , k 2 ,  k r )  P[( X 1  k1 )  ( X 2  k 2 )   ( X r  k r )]  p1k1 p2k 2  prk r
k1! k 2 ! k r !
amb p1  p2    pr  1 i k1  k 2   k r n
t.
ep
1) E(X)= (n p1, n p2 ..., n pr)
2) Var(Xi) = n pi (1-pi)
D
3) Generalització del model Binomial. Quan r=2 el model Multinomial correspon a una
Binomial on A1=A i A2=Ac.
15
Exemple: probabilitats de grups sanguinis
 amb la informació dels 4 grups sanguinis clàssics:
B
Grup O A B AB
Freqüència 45% 40% 10% 5%
vo U
 a un banc de sang arriben 8 donants. Quines son les probabilitats de
1. que tinguem el mateix nombre de donants de cada grup sanguini?
al a -
2. que dels vuit donants, tres siguin del grup O, dos del grup AB i la resta del grup A o
del grup B
3. que la suma de donants dels grups O i B sigui el triple que la suma de donants dels
grups A i AB
l C tic
 Quin és el nombre esperat de donants de cada grup sanguini?
ue ís
iq ad
M st
El model Hipergeomètric
E
 mateix context que el model Binomial es presenta en experiències amb resultat dicotòmic
(el resultat només pot ser A o Ac). La diferència radica en que les repeticions son
dependents. S’aplicaria en mostratges sense reemplaçament i poblacions finites.
t.
 una variable aleatòria X segueix el model hipergeomètric si:

1. la població disposa de N individus, es mostregen n individus sense reemplaçament
ep
2. la població disposa de N1 individus de la categoria A

3. la població disposa de N2 individus de la categoria AC
4. la variable X comptabilitza el nombre de vegades que s’ha observat A en les n
repeticions
D
 el model hipergeomètric queda doncs especificat amb X ~ HG ( n ; N1 ; N2 )

 N1  N 2 
  
 k  n  k 
f (k ) 
N
 
n
si max{0,n-N2 ≤ k ≤ min{N1,n}
16
El model de Poisson
 model discret, recorregut infinit numerable.

 una variable aleatòria X té distribució de Poisson si la densitat és:
B
  k
e si k  0,1,2 
vo U
 k!
f (k )  P[ X  k ]  
 0 en cas contrari


al a -
 el model es caracteritza per un sol paràmetre λ que ha de ser positiu.
 distribució associada a comptatges del tipus número d'individus per unitat de temps,
longitud, àrea, volum, usualment d’esdeveniments poc probables.
 en un procés de Poisson, el nombre d’èxits en el temps t segueix una distribució P (λ t)
l C tic
 el model de Poisson s’utilitza també com una aproximació de la binomial.
ue ís
iq ad
M st
El procés de Poisson
E
Un procés de Poisson amb taxa λ ≥ 0 estudia la seqüencia de variables {X(t), t ≥ 0} al llarg

del temps (assumit continu) que es caracteritzen per
t.
1. 𝑋 = 0
ep
2. Per a tot n > 0, si t1< t2 < ...< tn les variables X(t1), X(t2)-X(t1),..., X(tn)-X(tn-1) són
mútuament independents i igualment distribuïdes
3. Per tot t > 0, 𝑝 𝑋 𝑡 1 λt 𝑜 𝑡
4. Per tot t > 0, 𝑝 𝑋 𝑡 2 𝑜 𝑡
D
o(t) és una funció tal que:

𝑜 𝑡
lim 0
→ 𝑡
17
Exemple: desintegració d’un radioisòtop
 en comptabilitzar la desintegració d’un cert radioisòtop les observacions reals suggereixen

que X = "nº de centelleigs per minut" segueix una Poisson, de paràmetre λ desconegut.
B
 després d'observar diferents períodes d’un minut s’observa que en 1 de cada 20 no es
detecta cap desintegració. Acceptant aquest valorat com la probabilitat de l’esdeveniment:
p[X=0] = 1/20 = 0.05
vo U
per tant p[X=0] = f(0) = e-λ
igualant aquesta expressió amb la quantitat obtinguda de la mostra:
0.05 = e-λ → λ = - ln(0.05) = 2.9957
al a -
 Conclusió: el nº de cpm té distribució de Poisson de paràmetre λ=2.9957
 Calcular la probabilitat de:
1. detectar exactament 3 centelleigs.
l C tic
2. detectar dos o més centelleigs
 quina és la distribució de X60 = “centelleigs per hora"? .
ue ís
iq ad
M st
Propietats del model de Poisson

E
1) E(X) = λ
2) V(X) = λ. En aquest model la esperança i la variància són iguals.

t.
3) La suma de 2 v.a. independents Poisson és una v.a. també Poisson amb paràmetre igual a
ep
la suma de paràmetres:
X1 ~ P (λ = λ1) i X2 ~ P (λ = λ2)
si Z = X1 + X2 aleshores Z ~ P (λ = λ1 + λ2)
D
4) El resultat 3) implica que sumar n v.a. independents Poisson segueix una Poisson de
paràmetre igual a la suma de paràmetres. Permet també fàcilment determinar el model i el
paràmetre de una Poisson al canviar la unitat física de mesura de la v.a.
5) Si X ~ B(n,p) amb n 30 i p ≤ 0.1 aleshores X es pot aproximar a una Poisson de

paràmetre λ=np.
18
Aproximació de la Binomial a la Poisson
la Poisson pot definir-se com la generalització a un suport continu d’un procés de
Bernouilli, amb n → ∞ i per tal que nꞏp = λ (constant) és necessari que p → 0.
B
vo U
al a -
l C tic
ue ís
iq ad
M st
Exemple: resistència a l’estreptomicina

E
 simplificant la situació real, suposem que es disposa d’una solució que conté 5× 106
individus de E.coli per cm3.
t.
 suposem que 1 de cada milió d’individus muta de forma espontània i es fa resistent a

l’estreptomicina.
ep
 prenem una mostra de 1 cm3, i anomenem X = "nº de bacteris mutats en 1a mostra”,

calcular les probabilitats següents:
1. trobar exactament 5 bacteris resistents
D
2. trobar més de tres bacteris resistents

3. repetir els dos càlculs anteriors, sabent segur que a la solució hi ha al menys un
individu resistent
 si considerem 10 mostres independents de 1 cm3, quina és la probabilitat de que

exactament en 4 d'elles no es trobi cap bacteri resistent?
19
B
vo U
Annex: càlculs i gràfics dels exemples
al a -
l C tic
ue ís
iq ad
M st
Exemple: llançament simultani dos daus

E
 en un experiment aleatori, el conjunt Ω de resultats és l'espai mostral.

Generalment la estructura de Ω no facilita el tractament matemàtic..
 suposem l'experiment del llançament simultani de dos daus. El conjunt de
resultats possibles Ω és:
t.
ep
 Ω esta format per 36 possibles combinacions, si suposem els daus regulars totes
les possibles parelles tenen probabilitat:
p (i , j) = 1/36.
D
atès que son resultats diferents: “un 1 en el primer dau i un 2 en el segon” de

“un 2 en el primer dau i un 1 en el segon”.
 les probabilitats de tots els esdeveniments queden fixades, per exemple:
Esdeveniment Probabilitat
"Dos nums. iguals" 6 ꞏ 1/36 = 1/6
"Que la suma sigui 10" 3 ꞏ 1/36 = 1/12
20
Llançament 2 daus: funció de densitat de la suma
 amb la v.a. Assignar a cada resultat la suma de punts de les cares on cal 1er especificar
X(Ω) = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
B
 i després cal determinar per a tot punt x de la recta real prob( X = x).
vo U
al a -
l C tic
 Problema: estudiar la densitat de "El menor dels punts de les 2 cares al llançar 2 daus"
ue ís
iq ad
M st
Llançament de 2 daus: funció de distribució de la suma

E
 amb la v.a. Assignar a cada resultat la suma de punts de les cares on cal 1er especificar
X(Ω) = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
 i després cal determinar per a tot punt x de la recta real prob( X <= x).
t.
ep
D
Problema: estudiar la distrib. de "El menor dels punts de les 2 cares al llançar 2 daus"
21
Llançament 2 daus: funció de distribució de la suma -2
 X = suma de punts de les cares al llançar 2 daus
B
vo U
al a -
 Algunes probabilitats són:
P(X ≤ 1) = F (1) = 0 P(X ≤ 3,5) = F (3,5) = 3/36 = f (2) + f (3)
l C tic
P(X < 6) = F (6) - f (6) = 15/36 - 5/36 = 10/36 = f (2) + f (3) + f (4) + f (5)
P(2,2<X≤7) = F(7) - F(2,2) = 21/36 - 1/36 = 20/36 = f (3) + f (4) + f (5) + f (6) f (7)
P(2<X<7) = F (7) - f (7) - F (2) = 21/36 - 6/36 - 1/36 = 14/36= f (3) + f (4) + f (5) + f (6)
ue ís
iq ad
M st
Llançament 2 daus: esperança de la suma

E
 es vol calcular el valor mig teòric de la variable X = "Suma de punts de las 2 cares“
 calcular el valor mig teòric implica calcular l'esperança. Per tant:

t.
E(X) = 2ꞏ1/36 + 3ꞏ2/36 + 4ꞏ3/36 + 5ꞏ4/36 + 6ꞏ5/36 + 7ꞏ6/36 +

8ꞏ5/36 + 9ꞏ4/36 + 10ꞏ3/36 + 11ꞏ2/36 + 12ꞏ1/36 = 7
ep
 es pot considerar la variable "suma de punts de les 2 cares“ com la suma de 2s variables
que representen la puntuació de cada dau. L'esperança de la suma és la suma de les
esperances de cada variable sumada.
D
Es proposa el següent joc: "Llança 2 daus, si la suma dels punts és menor o igual a 6
guanyes 100 €, però si és més gran que 6 tens que pagar 90 €".
Ens resulta rentable aquest joc?
22
Càlculs dels exemples del model Binomial Negatiu
• en llançar successivament una moneda quina és la probabilitat de
• obtenir 10 creus abans d’aconseguir 4 cares:
10  4  1 4
B
13!
f (10)   0.5 (1  0.5)10  0.514  0.0175
 4 1  3!10!
• obtenir menys de 3 creus abans d’aconseguir 4 cares
vo U
2
 k  4  1 4
F (2)    0.5 (1  0.5)  0.0625  0.1250  0.1562  0.3437
k
k 0  4  1 
 obtenir 5 donants de qualsevol grup no A abans de 3 del grup A
al a -
 5  3  1 3
f (5)   0.4 (1  0.4)  0.1045
5
 3 1 
 obtenir més de 5 donants de qualsevol grup no O abans de 2 del grup O
l C tic 5
1  F (5)  1   
 k  2  1
k 0  2  1 
0.452 (1  0.45) k  1  0.8976  0.1024
ue ís
iq ad
M st
Càlculs dels exemples de la multinomial

E
1. els paràmetres son (n = 8; pO = 0.45; pA = 0.40; pB = 0.10; pAB = 0.05)

8!
f ( 2,2,2,2)  0.452  0.40 2  0.10 2  0.052  8.1 10 7
t.
2!2!2!2!
2. convé colꞏlapsar en una distribució Multinomial amb tres classes possibles: O, AB i
ep
A o B, de paràmetres (n = 8; pO = 0.45; pAB = 0.05; pA o B = 0.50)

8!
f (3,2,3)  0.453  0.052  0.50 2  0.0159
3!2!3!
D
3. ara colꞏlapsem en una multinomial de 2 classes, és a dir, una binomial C ~ B(n = 8;

p = 0.45 + 0.10 = 0.55)
8!
f (6,2)  0.556  0.452  0.1569
6!2!
 el vector d’esperances és:
E(XO) = 8 × 0.45 = 3.6 , E(XA) = 8 × 0.40 = 3.2,
E(XB) = 8 × 0.10 = 0.8, E(XAB) = 8 × 0.05 = 0.4
23
No utilitzades
B
vo U
al a -
l C tic
ue ís
Miquel Calvo - Departament d’Estadística
iq ad
M st
Dues situacions experimentals

E
 Situació 1
• es llença un sol cop un dau regular
• el recorregut de la variable “puntuació del dau” és:
t.
X(Ω) = { , , , , , }
•
ep
les probabilitats dels diferents possibles valors de X son ....
 Situació 2
• el prestatge 23 de l’estabulari disposa 7 rates Sprague-Dawley que,
segons el registre, pesen 0.45, 0.6, 0.55, 0.63, 0.35, 0.49 i 0.6 kilograms.
D
• per tal de realitzar un experiment, s’escull una rata qualsevol del

prestatge 23 a l’atzar
• el recorregut de la variable “pes de la rata” és:
X(Ω) = { , , , , , }
• les probabilitats dels diferents possibles valors de X son iguals a ...
24
Representació densitat dau regular
 Situació 1: les probabilitats dels diferents possibles valors de X son
idèntiques, corresponen a una uniforme discreta de 6 valors:
B
X=1 X=4
vo U
X=2 X=5
X=3 X=6
al a -
 tots els resultats possibles de la variable aleatòria tenen la mateixa
probabilitat, el recorregut és X(Ω) = {1, 2, 3, 4, 5, 6}, i per tot k de X(Ω)
P(X = k) = 1/6

l C tic 
segueix una distribució Uniforme discreta, abreujadament, X ~ UD(6)

ue ís
iq ad
M st E
t.
ep
D
25

Ub Calvo: Estadística - Grau Bioquímica Tema 4. Models Discrets

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

Ub Calvo: Estadística - Grau Bioquímica Tema 4. Models Discrets

Uploaded by

Copyright:

Available Formats

B

variables aleatòries, funcions de

Miquel Calvo - Departament d’Estadística 2

 una variable aleatòria és una aplicació de Ω en el conjunt dels reals.

Exemple 1: cares d’un dau regular

 definim la següent regla d'assignació quan es llança 1 dau:

X = “assignar a cada llançament els punts de la cara obtinguda”

 el recorregut és X(Ω) = {1, 2, 3, 4, 5, 6}

Miquel Calvo - Departament d’Estadística 4

valor menor o igual a 3,5)

Més sobre el llançament de 2 daus

 Quines son les probabilitats següents (X=suma de les puntuacions)?

 un altre exemple és la variable Y associada a "Assignar a cada resultat el menor dels

 el recorregut és en aquest cas: Y(Ω) ={ 1, 2, 3, 4, 5, 6}.

Miquel Calvo - Departament d’Estadística 6

 recorregut finit o infinit numerable. El recorregut es denota com:

 recorregut associat a un interval real o a la reunió de dos o més intervals.

Distribució uniforme discreta: funció de densitat

 aquesta funció rep el nom de funció de densitat (o de massa, o de llei de probabilitat) de

Miquel Calvo - Departament d’Estadística 8

La funció de densitat és:

Funció de distribució uniforme discreta UD(6)

Si la pregunta plantejada és “quina és la probabilitat d’obtenir un resultat inferior o igual

F(x) = 1/6 si 1 ≤ x < 2

F(x) = 2/6 si 2 ≤ x < 3

Miquel Calvo - Departament d’Estadística 10

 Propietats de la funció de densitat discreta

Funció de distribució dels models discrets i continus

 una variable aleatòria queda totalment caracteritzada quan es determina la probabilitat en

 la més general d'aquestes funcions és la funció de distribució:

 tota variable aleatòria té associada una funció de distribució. Es coneix el model de

 Propietats destacables: 0 ≤ F(x) ≤1 si x1 < x2 F(x1) ≤ F(x2)

Miquel Calvo - Departament d’Estadística 12

Models discrets: relació entre densitat i distribució

 la funció de distribució en un punt qualsevol es pot calcular acumulant els valors de la

F ( x)   f ( xi ) per a tot xi  X ()

 en termes simbòlics, si X(Ω) = {x1,x2,...,xk,...} i x és tal que

 mitjançant F i f és possible calcular les probabilitats per a qualsevol interval real.

Miquel Calvo - Departament d’Estadística 14

Esperança d’una variable aleatòria discreta

 si X(Ω) és infinit, l'esperança existeix només si la sèrie és absolutament convergent.

Miquel Calvo - Departament d’Estadística 16

 la variància d'una v.a. quantifica la dispersió respecte a la seva esperança. És un

 en el cas de las variables discretes l'expressió es converteix en:

 una expressió equivalent més ràpida de calcular és:

Exemple de càlcul de variància discreta

• per la variable "puntuació d'un dau", la variància és:

E(X)=1 ꞏ 1/6 + 2 ꞏ 1/6 + 3 ꞏ 1/6 + 4 ꞏ 1/6 + 5 ꞏ 1/6 + 6 ꞏ 1/6 = 3,5

E(X2)=12 ꞏ 1/6 + 22 ꞏ 1/6 + 32 ꞏ 1/6 + 42 ꞏ 1/6 + 52 ꞏ 1/6 + 62 ꞏ 1/6 = 91/6 ≈ 15,167

Var (X) = 91/6 - 3,52 = 35/12 ≈ 2,9167

Miquel Calvo - Departament d’Estadística 18

 el model Binomial es presenta en experiències repetitives amb resultat dicotòmic on es

1. l’experiment consisteix globalment en la repetició de n experiments idèntics simples

3. la probabilitat de l’esdeveniment A no canvia al llarg de les n repeticions. Es designa

 el model queda totalment especificat si es coneixen els valors de:

Miquel Calvo - Departament d’Estadística 20

Exemples de model Binomial

Accedir a la URL http://cinna.upc.edu:3838/statmedia/Statmedia_2/

Miquel Calvo - Departament d’Estadística 22

Propietats del model Binomial (2)

3) una B(1, p) correspon a la distribució de Bernouilli

4) la suma de dos variables aleatòries Binomials independents de mateix paràmetre p

Miquel Calvo - Departament d’Estadística 24