Tema 2.VA - v1

Metodologia de les Ciències del Comportament I
Tema 2. Variables aleatòries
Joan Carles Martori (martori@uvic.cat)
Grau de Psicologia
Grau de Psicologia Metodologia de les Ciències del Comportament I
No és permesa la reproducció total o parcial

d'aquests apunts, ni el tractament informàtic, ni la
transmissió per cap forma o per qualsevol mitjà,
sigui electrònic, mecànic, fotocòpia, registre o
altres mètodes, sense el permís previ i per escrit
dels titulars del Copyright.
Drets reservats  2019 Joan Carles Martori,

Universitat de Vic
Sagrada Família, 7
08500 Vic (Barcelona)
2
Sumari
1 CONCEPTE DE VARIABLE ALEATÒRIA 4
1.1 TIPUS DE VARIABLES ALEATÒRIES 5
1.1.1 V.A. DISCRETES 5
1.1.2 V.A. CONTÍNUES 7
1.2 ESPERANÇA MATEMÀTICA O VALOR ESPERAT D’UNA V.A 7
1.3 VARIÀNCIA D’UNA V.A. 7
2 MODELS DE PROBABILITAT DE V.A. DISCRETES 9
2.1 DISTRIBUCIÓ DE BERNOULLI 9
2.2 DISTRIBUCIÓ BINOMIAL 9
2.3 DISTRIBUCIÓ DE POISSON 10
3 MODELS DE PROBABILITAT DE V.A. CONTINUES 12
3.1 DISTRIBUCIÓ UNIFORME 12
3.2 DISTRIBUCIÓ EXPONENCIAL 13
3.3 DISTRIBUCIÓ NORMAL O DE GAUSS 14
3.3.1 PROPIETATS DE LA DISTRIBUCIÓ NORMAL 17
3.3.2 ESTANDARITZACIÓ / TIPIFICACIÓ DE LA DISTRIBUCIÓ NORMAL 17
3.4 DISTRIBUCIÓ CHI-QUADRAT 19
3.5 DISTRIBUCIÓ F DE FISHER 20
3.6 DISTRIBUCIÓ T DE STUDENT 22
4 PROBLEMES 24
5 SOLUCIONS 27
3
1 CONCEPTE DE VARIABLE ALEATÒRIA
La forma més habitual d’analitzar un fenomen és mesurant numèricament algunes de

les característiques més rellevants del fenomen en qüestió.
Una variable aleatòria representa el conjunt de resultats que poden observar-se en un

fenomen aleatori, quantificats en forma de nombre real.
La definició formal de variable aleatòria seria: una v.a. és una funció de valor real,
definida sobre un espai mostral E, que fa correspondre a cadascun dels elements de E
un i només un nombre real.
Exemples:
▪ Experiment: “Llençament de dos daus”: E:{ (1,1), (1,2), (1,3).......(6,6)}. Definim

la v.a. X “Suma dels valors dels dos daus”, aleshores:
Resultat Valor de la v.a. Probabilitat
(1,1) 2 P(X = 2) = 1/36
(1,2), (2,1) 3 P(X = 3) = 2/36
(1,3),(2,2),(3,1) 4 P(X = 4) = 3/36
(1,4), (2,3), (3,2), (4,1) 5 P(X = 5) = 41/36
(1,5),(2,4),(3,3),(4,2),(5,1) 6 P(X = 6) = 5/36
(1,6),(2,5),(3,4),(4,3),(5,2),(6,1) 7 P(X = 7) = 6/36
(2,6),(3,5),(4,4),(5,3),(6,2) 8 P(X = 8) = 5/36
(3,6),(4,5),(5,4),(6,3) 9 P(X = 9) = 4/36
(4,6),(5,5),(6,4) 10 P(X = 10) = 3/36
(5,6),(6,5) 11 P(X = 11) = 2/36
(6,6) 12 P(X = 12) = 1/36
▪ Experiment: “Llençament de dues monedes”. E: :{ (c,c), (c,+),

(+,c),(+,+)}.Definim la v.a. X: “Nombre de cares”, aleshores:
4
Resultat Valor de la v.a.
CC 2
+C 1
C+ 1
++ 0
1.1 TIPUS DE VARIABLES ALEATÒRIES
1.1.1 V.A. DISCRETES
Una v.a. “X” és discreta si únicament pot prendre un nombre finit de valors. Exemple:
X: “Nombre de fills d’una parella”.
Aquesta v.a. la defineixen dues funcions:
▪ Funció de probabilitat: Direm que P(X =xi ) = p(xi) és una funció de probabilitat
de la v.a.a discreta si compleix dues propietats:
a) p(xi)  0 ; x  
n
b)  p( x ) = 1
i =1
i
Exemple: Nombre de fills
N.de fills ( X ) 1 2 3 4
P (x) 0,2 0,4 0,3 0,1
5
Funció de distribució:
0 si x 1
0,2 si 1  x  2

F(x) = 0,6 si 2  x  3
0,9 si 3  x  4

1 si x  4
Representació gràfica:
1.00
0.80
0.60
F(x)
0.40
0.20
1 2 3 4
Valors de F(x)
Càlcul de probabilitats:
P ( X  3 ) = F( 3 ) = 0,9
P ( X < 3) = 0,6
6
P (X > 2) = 1 – F (2) = 1 – P ( X 2) = 1 -0,6 = 0,4

P ( 1 X  3) = 0,9
1.1.2 V.A. CONTÍNUES
Una V.A. X és contínua quan pot prendre qualsevol valor en un interval de valors reals:
Exemple: la pressió sanguínia.
1.2 ESPERANÇA MATEMÀTICA O VALOR ESPERAT D’UNA V.A
Es el valor mig de X, també es coneix com valor esperat de la variable i ve donat per:
n
Si X és una v.a.discreta:  = E (X) =  x i p( x i )
i =1
Propietats:
1. E (K) = K ; si K és una constant

2. E ( a + bX) = a + b E(X)
3. E ( X  Y ) = E(X)  E (Y)
En l’exemple del llançament dels daus:
12
E(X) = x =  x i p( x i ) = 2*1/36 + 3*2/36 + 4*3/36 + .......+ 12*1/36 = 7
i=2
1.3 VARIÀNCIA D’UNA V.A.
Es una mesura de dispersió de la distribució de probabilitat
Var (X) =  2x = E ( X - x )2 = E( X2) - x2
7
n
Si la v.a. és discreta:  2x =  x i2 p( x i ) - 
x
2
i =1
La desviació típica serà: x = 2 i el coeficient de variació de Pearson:
Vx = (  x /  )*100
Propietats de la variància:
a) Var (K) = 0 ; si K és una constant.

b) Var (aX + b) = a2 Var(X)
En l’exemple dels daus:
 2x = 5,833
8
2 MODELS DE PROBABILITAT DE V.A. DISCRETES
▪ Distribució de Bernoulli.
▪ Distribució Binomial
▪ Distribució de Poisson
2.1 DISTRIBUCIÓ DE BERNOULLI
És una forma de modelar estadísticament qualsevol experiment aleatori que tingui

només dos possibles resultats, normalment anomenat èxit o fracàs. Definim la v.a. X
que assigni un 1 si el resultat de l’experiment és un èxit i un 0 si és un fracàs.
Si la probabilitat d’èxit és igual a p i, per tant, la probabilitat de fracàs és q = 1-p ,

aleshores la funció de probabilitat serà:
P (0) = P (X = 0) = q
P(1) = P ( X = 1) = p
La seva esperança i variància serà:
E(X) = p
Var (X) = p·q
2.2 DISTRIBUCIÓ BINOMIAL
Si es realitzen n experiments independents de Bernoulli amb la mateixa probabilitat

d’èxit “p”. La v.a. X que compta el nombre d’èxits observats en aquests n experiments
es diu que segueix una distribució Binomial de paràmetres n i p on farem servir la
següent notació: X  B (n,p)
La funció de probabilitat és:
n
P ( X = x) = P (x) =   p x (1 − p )n− x x= 0,1,2 .......n
x  
n n!
  =
 x  x!(n − x)!
Observació: La distribució de Bernoulli és un cas particular de la distribució Binomial

de paràmetres 1 i p
9
Esperança i Variància:
x = E(X) = n·p
Var (X) = n·p·q
Exemple:
Seleccionem a l’atzar 3 individus en un experiment ‘de percepció subliminal’, es

classifiquen en defectuós o correcte. Sabent que es produeix un 25% de respostes són
incorrectes, trobeu la funció de probabilitat
X: número de respostes incorrectes

n: 3
p: 0,25
q :0,75
funció de probabilitat:
3
P(0) = P ( X= 0) =  0,250 (1 − 0,25)3 = 0,4218
 0
P (1) = 0,4218
P (2) = 0,1406
P (3) = 0,015625
2.3 DISTRIBUCIÓ DE POISSON
És una distribució que segueixen les v.a. que compten el nombre de vegades que s’ha
produït un experiment en un interval continu de temps o qualsevol altra mesura. Per
exemple: nombre d’ingressos que arriben a urgències entre les 10 i les 11 del matí o
bé nombre de trucades telefòniques rebudes entre 9-10.
La funció de probabilitat és:
e −  · x
P ( X = x) = P (x) = per x= 0, 1, 2...
x!
x = E(X) = λ
Var (X) = λ
10
Podem dir que: X  P (λ )
Exemple:
El nombre d’accidents (caigudes) en una planta de dependents segueix una llei de

Poisson amb paràmetre 2. Calculeu la probabilitat que en una setmana hi hagi algun
accident.
X  P (2 )
e −2 ·2 0
P ( X > 0) = 1 – P ( X  0) = 1 - = 0,8646
0!
11
3 MODELS DE PROBABILITAT DE V.A. CONTINUES
▪ Distribució Uniforme
▪ Distribució Exponencial
▪ Distribució Normal o de Gauss
▪ Distribució Chi-quadrat
▪ Distribució F de Fisher
▪ Distribució t de Student
3.1 DISTRIBUCIÓ UNIFORME
Sigui X una v.a. contínua amb distribució uniforme si i només si la seva funció de
densitat és:
 1
 si a  x  b
f ( x) =  b − a

 0 la resta
Gràficament:
12
La funció de densitat és constant en l’interval (a, b) i es simbolitza:
X  U (a, b)
a+b
x = E(X) =
2
(b − a ) 2
Var (X) =
12
3.2 DISTRIBUCIÓ EXPONENCIAL
És una v.a. que mesura el temps d’espera fins que passa un determinat succés.
Una v.a. X segueix una distribució exponencial si i només si la seva funció de densitat
és:
 ·e − X si x  0
f (x) = 
0 si x  0
La distribució exponencial es simbolitza:
X  exp ( λ )
Gràficament:
13
1
x = E(X) =

1
Var (X) =
2
3.3 DISTRIBUCIÓ NORMAL O DE GAUSS
Direm que una v.a. X segueix una distribució Normal si la seva funció de densitat és:
− (x −  )
2
1
= 2
−  x 
2
f (x) · e
 2
aleshores direm que X  N ( , σ2 )
14
La gràfica de la funció de densitat és l’anomenada campana de Gauss que és

simètrica respecte la .
Gràfica:
x = E(X) = 
Var (X) = 2
Funció de distribució
15
Exemple:
❑ Moltes v.a. segueixen una distribució que es pot aproximar mitjançant una
normal. Considerem, per exemple, la següent distribució discreta, que recull les
unitats venudes de cert producte durant 1516 dies.
xi Freqüència Freqüència Freqüència Relativa

Acumulada (Hi)
Absoluta (fi) Relativa (hi)
28 2 0,0013 0,0013
29 4 0,0026 0,0040
30 17 0,0112 0,0152
31 55 0,0363 0,0515
32 102 0,0673 0,1187
33 180 0,1187 0,2375
34 242 0,1596 0,3971
35 310 0,2045 0,6016
36 251 0,1656 0,7672
37 181 0,1194 0,8865
38 103 0,0679 0,9545
39 42 0,0277 0,9822
40 19 0,0125 0,9947
41 6 0,0040 0,9987
42 2 0,0013 1,0000
16
Analitzant el seu diagrama de barres, resulta immediat comprovar que la
0,2
Frec. Relativa
0,1
0,0
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
Xi
variable anterior s’aproxima a una normal (en concret, a una normal de mitjana
35 i desviació estàndard 2):
3.3.1 PROPIETATS DE LA DISTRIBUCIÓ NORMAL
1. Si X  N ( x ,  x2 ) i Y = aX + b; aleshores:
Y  N ( ax + b, b2  x2 )
2. Siguin dues v.a. distribuïdes normalment:
X  N ( x , 2x )
Y  N ( y , 2y )
La variable suma W = X + Y és una v.a. normal amb mitjana suma de mitjanes i
variància suma de variàncies.
W  N ( x + y, 2x + 2y )
3.3.2 ESTANDARITZACIÓ / TIPIFICACIÓ DE LA DISTRIBUCIÓ NORMAL
Direm que una v.a. Z segueix una distribució normal tipificada quan Z segueix una
distribució normal amb mitjana  = 0,  = 1 ; Z  N ( 0, 1)
Una v.a. amb distribució normal es transforma en una v.a. normal tipificada a través de
la següent transformació:
17
x −
Z =  N ( 0, 1)

Aquesta transformació ens permet calcular les probabilitats:
a− b−
P (a  x  b ) = P   Z  
   
Per calcular les probabilitats utilitzarem les taules que ens donen els valors de P ( Z 
z ) on z > 0
Normal(0,1)
0,4
Función de densidad (f.d.p.)
0,3
0,2
0,1
0,0
0 c
Valores de la v.a. Z
Pel fet que la distribució normal és simètrica, tenim que:
P(Z -z)=P(Zz)= 1-P(Zz)
❑ Així, per exemple:
a) P(Z<1,52) = {veure taula} = 0,9357

b) P(Z>1,52) = {àrea total = 1} = 1 – P(Z<1,52) = 0,0643
c) P(0<Z<1,52) = P(Z<1,52) – P(Z<0) = {simetria} = 0,9357 – 0,5000 =
0,4357
d) P(-2,1<Z<0) = P(Z<0) – P(Z<-2,1) = {sim+taula} = 0,5000 – 0,0179
= 0,4821
18
❑ Denotarem per z() a aquell nombre real tal que P[Z>z()] =  . Per
exemple:
a) z(0,25) = nombre que deixa un àrea de 0,25 a la seva dreta = {taula}
 0,675
ja que P(Z<0,67) = 0,7486 i P(Z<0,68) = 0,7517 .
b) Si volem calcular un nombre c tal que P(-c<Z<c) = 0,95 , ens

interessa calcular z(0,025) {veure gràfic inferior}. Segons la taula, c
= z(0,025) = 1,96 ja que P(Z<1,96) = 0,975 i P(Z<-1,96) = 0,025 :
Normal(0,1)
0,4
Función de densidad (f.d.p.)
0,95
0,3
0,2
0,025 0,025
0,1
0,0
-c 0 c
Valores de la v.a. Z
3.4 DISTRIBUCIÓ CHI-QUADRAT
Siguin Y1 ,Y2, .... Ym v.a. contínues que segueixen una llei normal estandarditzada N
(0,1) i independents. Definim una v.a. Chi-quadrat com:
 2m = Y12 + Y22 + .... + Ym

2
Direm que  2m és una v.a. amb distribució chi-quadrat amb m graus de llibertat.
Gràficament: (m=k)
19
És sempre la mateixa figura però amb el màxim en diferents punts depenent del valor
de m.
Per calcular les probabilitats utilitzarem unes taules que ens donen el valor que deixa a
la dreta de la representació gràfica:
E(X) = m
Var (X) = 2m
Exemples:
La variable U segueix una llei  2m amb 18 graus de llibertat. Calculeu P ( U >a ) =

0,05
Calculeu P ( 0,83 <  52 < 12,83 ) = 0,95
3.5 DISTRIBUCIÓ F DE FISHER
Donades dues v.a. independents, U   2m i V   2n , definim una nova variable:
U/m 2 / m
F= = m 0F 
V/n  2n / n
20
que direm que segueix una llei F de Fisher amb m graus de llibertat al numerador i n
graus de llibertat al denominador,
X  Fm,n (en el gràfic els graus de llibertat són λ i β
Per calcular les seves probabilitats utilitzarem les taules. Aquestes ens donen la
probabilitat a la dreta del valor.
Exemples:
Trobeu: F0,99, 10,15 = 3,8 i F0,95,8,10 = 3,07
21
3.6 DISTRIBUCIÓ T DE STUDENT
Donades les v.a. independents : Y  N (0, 1) i Z   2m , definim una nova variable:
Y
T= - < T < 
Z
m
Que direm que segueix una llei t de student amb m graus de llibertat: X  tm
La seva gràfica és molt semblant a la distribució normal, al ser simètica
Les taules ens donen l’àrea de les dues cues:
Exemples:
1. Per 9 graus de llibertat entre quins valors de t trobarem el 95% de l’àrea limitada
per la funció t de student ( t = 2,26 )
2. Per 9 graus de llibertat entre quins valors trobarem el 95% de l’àrea limitada per la
funció t-student: ( t = 4,303)
3. Trobeu els valors pels quals l’àrea central acumula el 99% de probabilitat, amb 9
graus de llibertat ( t = 3,25)
22
4. Trobeu els valors crítics de t pels quals l’àrea a de la cua dreta és 0,05, si m = 16 i
m = 17. ( m = 16, t = 1,746; m= 17, t = 1,740)
23
4 PROBLEMES
1.- Calculeu l'esperança i la variància de la variable aleatòria "número de punts" quan

tirem un dau.
2.- Considerem la v.a. X que representa el número d’individus que arriben al servei
d’urgències en el període d'una hora. Donada la informació següent, calculeu E(x) i
Var(x).
x 0 1 2 3 4 5 6
p(x) 0,05 0,15 0,1 0,2 0,3 0,1 0,1
3.- El nombre de trucades per hora en un servei d’emergències té la següent distribució:
x 0 1 2 3 4 5 6 7 8
p(x) 0,05 0,1 0,1 0,1 0,2 0,25 0,1 0,05 0,05
a) Calculeu la probabilitat que en una hora no hi hagi cap trucada.

b) Calculeu la probabilitat que en una hora hi hagi entre 3 i 5 trucades.
c) Nombre mitjà de trucades per hora i la seva desviació típica.
4.- La probabilitat que un alumne de Mètodes de recerca en Psicologia II aprovi un

examen és 0,6. Calculeu, per un grup de quatre amics:
a) Probabilitat que aprovin els quatre

b) Probabilitat que cap aprovi.
c) Probabilitat que al menys tres aprovin.
d) Probabilitat que com a molt dos aprovin.
5.- El Psicòleg d’una Àrea Bàsica de Salut visita 5 pacients el mateix dia. La probabilitat
que aquest tipus de pacients requereixen tractament farmacològic tres anys després és
0,8. Calculeu:
a) Probabilitat que els 5 pacients no necessitin medicació tres anys després.
24
b) Probabilitat que necessitin medicació tres anys després.

c) Probabilitat que, com a molt, 2 no necessitin medicació.
d) Probabilitat que tres no estiguin amb tractament farmacològic.
6.- El nombre mig de sol·licituds de tractament que rep un Psicòleg és de 5 per dia.
Suposant que les sol·licituds de tractament segueixen una distribució de Poisson,
calculeu:
a) la probabilitat de rebre, en un dia, més de 6 sol·licituds.

b) la probabilitat que en una hora, es rebin 2 sol·licituds, en un horari de 5 hores diàries.
7.- El nombre de pacients que passen per un determinada unitat segueix una distribució
de Poisson amb paràmetre 4. Calculeu:
a) Esperança i desviació tipus.

b) Probabilitat que no passi cap pacient.
c) Probabilitat que passin més de 2 pacients.
d) Probabilitat que passin entre 3 i 5 pacients.
8.- S’envien invitacions per a un sopar a 20 delegats assistents a una convenció. Sabent
que la probabilitat que accepti la invitació un delegat és 0,9, independent de la decisió de
la resta, quina és la probabilitat que, com a molt, 17 delegats acceptin la invitació?
9.- El nombre mig de comes etílics que s’atenen en una unitat d’urgències en un mes és
2,5.
a) Quina és la probabilitat que, en un mes concret, hi hagi menys de 2 comes etílics?

b) Quina és la probabilitat que en tot un quadrimestre no hi hagi cap coma etílic?
10.- A una mostra de 5.000 treballadors se'ls ha demanat informació respecte al salari
que cobren mensualment.
Tractades les dades estadísticament, aquestes es poden adaptar a un model de

distribució normal amb =1.019 € i =311,25 €. Calculeu el percentatge de treballadors
amb salaris compresos entre la mitjana i 1500 €.
11.- En un grup d'estudiants el coeficient d’intel·ligència mig és de 52 i la seva desviació

típica 8. Si suposem que aquest grup es distribueix normalment, determineu quin
percentatge de gent té un coeficient d’intel·ligència superior a 60.
25
12.- Les notes que obtingueren un grup d’estudiants en un examen, es distribueix segons
una llei normal amb mitjana 60 i desviació tipus 15.
a) Quina proporció d’alumnes van treure una nota entre 85 i 95?

b) Quina és la nota de tall pel 20% dels estudiants amb notes més altes?
26
5 SOLUCIONS
1.- E(x)= 7/2 V(x)= 35/12
2.- E(x)=3’25; Var(x)= 2’6875.
3.- a) 0’05; b) 0’55; c) E(X)=4; Var(X)=4’1; D(X)=2’0248
4.- a) 0’1296; b) 0’0256; c) 0’4752; d) 0’5248
5.- a) 0’00032; b) 0’3277; c) 0’9421; d) 0’0512
6.- a) 0’2444; b) 0’184
7.- a) E(X)=4, D(X)=2; b) 0’0183; c) 0’762; d) 0’547.
8.- 0’323
9.- a) 0’28729; b) 0’0000453.
10.- 43.82%
11.- 15.87%
12 .- a) 3’86%; b) 72’6
27

Tema 2.VA - v1

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

Tema 2.VA - v1

Uploaded by

Copyright:

Available Formats

Metodologia de les Ciències del Comportament I

Tema 2. Variables aleatòries

Joan Carles Martori (martori@uvic.cat)

No és permesa la reproducció total o parcial

Drets reservats  2019 Joan Carles Martori,

1.1 TIPUS DE VARIABLES ALEATÒRIES 5

1.1.1 V.A. DISCRETES 5

1.1.2 V.A. CONTÍNUES 7

1.2 ESPERANÇA MATEMÀTICA O VALOR ESPERAT D’UNA V.A 7

1.3 VARIÀNCIA D’UNA V.A. 7

2 MODELS DE PROBABILITAT DE V.A. DISCRETES 9

2.1 DISTRIBUCIÓ DE BERNOULLI 9

2.2 DISTRIBUCIÓ BINOMIAL 9

2.3 DISTRIBUCIÓ DE POISSON 10

3 MODELS DE PROBABILITAT DE V.A. CONTINUES 12

3.1 DISTRIBUCIÓ UNIFORME 12

3.2 DISTRIBUCIÓ EXPONENCIAL 13

3.3 DISTRIBUCIÓ NORMAL O DE GAUSS 14

3.3.1 PROPIETATS DE LA DISTRIBUCIÓ NORMAL 17

3.3.2 ESTANDARITZACIÓ / TIPIFICACIÓ DE LA DISTRIBUCIÓ NORMAL 17

3.4 DISTRIBUCIÓ CHI-QUADRAT 19

3.5 DISTRIBUCIÓ F DE FISHER 20

3.6 DISTRIBUCIÓ T DE STUDENT 22

1 CONCEPTE DE VARIABLE ALEATÒRIA

La forma més habitual d’analitzar un fenomen és mesurant numèricament algunes de

Una variable aleatòria representa el conjunt de resultats que poden observar-se en un

▪ Experiment: “Llençament de dos daus”: E:{ (1,1), (1,2), (1,3).......(6,6)}. Definim

Resultat Valor de la v.a. Probabilitat

(1,1) 2 P(X = 2) = 1/36

(1,2), (2,1) 3 P(X = 3) = 2/36

(1,3),(2,2),(3,1) 4 P(X = 4) = 3/36

(1,4), (2,3), (3,2), (4,1) 5 P(X = 5) = 41/36

(1,5),(2,4),(3,3),(4,2),(5,1) 6 P(X = 6) = 5/36

(1,6),(2,5),(3,4),(4,3),(5,2),(6,1) 7 P(X = 7) = 6/36

(2,6),(3,5),(4,4),(5,3),(6,2) 8 P(X = 8) = 5/36

(3,6),(4,5),(5,4),(6,3) 9 P(X = 9) = 4/36

(4,6),(5,5),(6,4) 10 P(X = 10) = 3/36

(5,6),(6,5) 11 P(X = 11) = 2/36

(6,6) 12 P(X = 12) = 1/36

▪ Experiment: “Llençament de dues monedes”. E: :{ (c,c), (c,+),

Resultat Valor de la v.a.

1.1 TIPUS DE VARIABLES ALEATÒRIES

1.1.1 V.A. DISCRETES

Aquesta v.a. la defineixen dues funcions:

Exemple: Nombre de fills

P (x) 0,2 0,4 0,3 0,1

P (X > 2) = 1 – F (2) = 1 – P ( X 2) = 1 -0,6 = 0,4

1.1.2 V.A. CONTÍNUES

1.2 ESPERANÇA MATEMÀTICA O VALOR ESPERAT D’UNA V.A

1. E (K) = K ; si K és una constant

En l’exemple del llançament dels daus:

1.3 VARIÀNCIA D’UNA V.A.

Es una mesura de dispersió de la distribució de probabilitat

Var (X) =  2x = E ( X - x )2 = E( X2) - x2

La desviació típica serà: x = 2 i el coeficient de variació de Pearson:

a) Var (K) = 0 ; si K és una constant.

En l’exemple dels daus:

2 MODELS DE PROBABILITAT DE V.A. DISCRETES

2.1 DISTRIBUCIÓ DE BERNOULLI

És una forma de modelar estadísticament qualsevol experiment aleatori que tingui

Si la probabilitat d’èxit és igual a p i, per tant, la probabilitat de fracàs és q = 1-p ,

La seva esperança i variància serà:

Var (X) = p·q